<![CDATA[Konsentrasi manusia merupakan aspek kognitif penting yang memengaruhi efektivitas belajar, produktivitas kerja, dan keselamatan dalam aktivitas sehari-hari. Namun, meningkatnya distraksi digital dan lingkungan yang dinamis membuat individu semakin sulit mempertahankan fokus secara konsisten. Penelitian sebelumnya umumnya hanya berfokus pada deteksi tingkat konsentrasi dalam lingkungan laboratorium yang terkontrol dan belum banyak membahas prediksi perubahan konsentrasi secara real-time pada situasi dinamis. Penelitian ini bertujuan mengembangkan model deep learning multimodal untuk mendeteksi dan memprediksi tingkat konsentrasi manusia menggunakan data fisiologis dan perilaku. Pendekatan yang diusulkan mengintegrasikan sinyal electroencephalography (EEG), eye-tracking, dan perilaku interaksi digital untuk meningkatkan akurasi analisis konsentrasi. Arsitektur hybrid Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) digunakan untuk menangkap pola spasial dan temporal dari data multimodal. Model dirancang untuk melakukan deteksi konsentrasi secara real-time serta memprediksi perubahan fokus jangka pendek pada lingkungan dinamis seperti pembelajaran daring, aktivitas multitasking, dan simulasi mengemudi. Metode penelitian meliputi pengumpulan data, pra-pemrosesan, pengembangan model, dan evaluasi performa menggunakan metrik accuracy, precision, recall, F1-score, dan RMSE. Hasil akhir penelitian berupa model deep learning multimodal yang mampu mendeteksi dan memprediksi tingkat konsentrasi manusia secara lebih adaptif dibandingkan pendekatan unimodal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi kecerdasan buatan pada bidang pendidikan, kesehatan digital, dan keselamatan kerja..]]>
Copyrights © 2026
