Electronic Theses and Dissertation

Pergantian metode pelaksanaan ujian dari luar jaringan (luring) ke dalam jaringan (daring) sejak pandemi COVID-19 membawa tantangan dan permasalahan baru, terutama dalam menjaga integritas akademik. Salah satu permasalahan utama dari pergantian metode belajar ini adalah kurangnya pengawasan dalam ujian yang menyebabkan meningkatnya potensi kecurangan yang dilakukan oleh peserta ujian. Beberapa penelitian telah dilakukan untuk membangun sistem pengawasan dalam ujian daring, namun metode yang digunakan dalam penerapannya masih belum terlalu bervariasi. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan membandingkan dua model regresi, yaitu Support Vector Regression (SVR) dan Gradient Boosting Regression (GBR), dalam mendeteksi potensi kecurangan berbasis analisis gerakan kepala menggunakan teknik Head Pose Estimation (HPE). Evaluasi model dilakukan menggunakan dua metrik evaluasi, yaitu metrik Mean Absolute Error (MAE) dan R². Model SVR memiliki hasil evaluasi dengan nilai MAE pelatihan sebesar 0.1061 dan R² sebesar 0.6783, dengan nilai MAE pengujian mencapai 0.1080 dan R² mencapai 0.6164. Model GBR memiliki hasil evaluasi dengan nilai MAE pelatihan sebesar 0.1064 dan R² sebesar 0.7435, dengan nilai MAE pengujian mencapai 0.1198 dan R² mencapai 0.5924. Dalam implementasi model ke dalam sistem, SVR dapat mendeteksi gerakan lebih cepat sementara model GBR lebih sensitif terhadap perubahan gerakan kepala yang terjadi sekilas. Hasil akhir dari sistem mampu mendapatkan sudut orientasi kepala, mendeteksi perubahan gerakan kepala secara real-time, dan menganalisis potensi kecurangan yang terjadi berdasarkan waktu peserta melihat selain ke arah depan. Dengan demikian, sistem ini dapat digunakan untuk mengurangi potensi kecurangan yang dilakukan peserta saat ujian daring.

The shift from offline to online examination methods since the COVID-19 pandemic has brought new challenges and problems, especially in maintaining academic integrity. One of the main problems with this change in learning methods is the lack of supervision during examinations, which has led to an increase in the potential for cheating by examinees. Several studies have been conducted to develop an online exam monitoring system, but the methods used in their implementation are still not very diverse. Therefore, this study aims to apply and compare two regression models, namely Support Vector Regression (SVR) and Gradient Boosting Regression (GBR), in detecting potential cheating based on head movement analysis using the Head Pose Estimation (HPE) technique. Model evaluation was conducted using two evaluation metrics, namely the Mean Absolute Error (MAE) and R² metrics. The SVR model had evaluation results with a training MAE value of 0.1061 and an R² of 0.6783, with a testing MAE of 0.1080 and an R² of 0.6164. The GBR model had evaluation results with a training MAE of 0.1064 and an R² of 0.7435, with a testing MAE of 0.1198 and an R² of 0.5924. In implementing the model into the system, SVR can detect movements faster, while the GBR model is more sensitive to slight changes in head movement. The final result of the system is able to obtain the angle of head orientation, detect changes in head movement in real time, and analyze potential cheating based on the time the participant looks away from the front. Thus, this system can be used to reduce the potential for cheating by participants during online exams.