<![CDATA[Permasalahan utama dalam proses pembelajarantatap muka adalah kurangnya pemantauan objektif terhadapperilaku mahasiswa di dalam kelas, terutama terkait tingkatfokus selama kegiatan belajar berlangsung. Perilaku tidakfokus seperti tidur dan menggunakan ponsel kerap terjaditanpa dapat terdeteksi secara real-time oleh pengajar, yangberdampak pada penurunan efektivitas pembelajaran. Untukmengatasi hal ini, penelitian ini mengusulkan sistem pendeteksiperilaku mahasiswa berbasis algoritma YOLOv11, yangbertugas mendeteksi tiga jenis gerakan: tidur, menggunakanponsel, dan memperhatikan. Data citra diperoleh melaluidokumentasi video di kelas, kemudian dilabeli secara manualdan dilatih menggunakan model YOLOv11 dengan parameterutama 50 epoch, ukuran gambar 640 piksel, dan batch size 16.Model yang dikembangkan dievaluasi menggunakan metrikevaluasi seperti accuracy, precision, recall, F1-score, dan meanAverage Precision (mAP). Hasil evaluasi menunjukkan nilaiprecision accuracy sebesar 0.9652 sebesar 0.9457, recall sebesar0.9575, F1-score sebesar 0.9515, mAP@50 sebesar 0.9672, danakurasi sistem mencapai 0.9662. Output dari sistem berupa fileExcel (.xlsx) yang memuat timestamp, jenis perilaku yangterdeteksi, dan confidence score, serta proporsi persentaseperilaku fokus dan tidak fokus dalam kelas.Berdasarkan hasil tersebut, dapat disimpulkan bahwaYOLOv11 dapat diterapkan secara efektif dalam mendeteksidan mengklasifikasikan perilaku mahasiswa, serta memberikangambaran yang objektif mengenai tingkat kekondusifanpembelajaran di kelas.kata kunci: YOLOv11, deteksi perilaku, computer vision,fokus belajar, deep learning]]>
