Pengenalan Aktivitas Kecurangan dalam Ujian Tulis Secara Real-Time Berbasis Deep Learning

Abstract

Penelitian ini membahas pengembangan sistem pengawasan ujian tulis berbasis deep learning dengan memanfaatkan kombinasi deteksi objek dan estimasi pose tubuh untuk mengenali aktivitas kecurangan secara real-time. Permasalahan utama yang diangkat adalah keterbatasan pengawasan manual yang rawan kelalaian, membutuhkan banyak pengawas, serta sulit menjaga konsistensi dalam ruangan besar. Dengan pendekatan berbasis teknologi visi komputer, sistem ini mampu mendeteksi perilaku mencurigakan seperti melihat jawaban teman, memberikan objek, hingga penggunaan perangkat elektronik tersembunyi. Hasil deteksi divisualisasikan melalui dashboard monitoring yang dapat diakses pengawas, sehingga proses validasi lebih cepat, transparan, dan berbasis bukti digital. Uji performa menunjukkan bahwa sistem memiliki tingkat akurasi memadai dan dapat mendukung pengawasan ujian, meskipun masih terkendala faktor teknis seperti pencahayaan, sudut kamera, serta kompleksitas perilaku peserta ujian. Kemudian, penelitian ini memberikan kontribusi dengan merancang solusi teknis yang adaptif menggunakan perangkat komputasi menengah seperti Nvidia Jetson Orin Nano agar tetap mampu melakukan inferensi dua model secara paralel. Penggunaan dataset khusus ujian serta proses augmentation dilakukan untuk meningkatkan kemampuan generalisasi model. Dari sisi implementasi, sistem ini bukan ditujukan untuk menggantikan peran pengawas, melainkan sebagai alat bantu pengawasan yang memperkuat integritas akademik. Rekomendasi pengembangan ke depan meliputi penambahan variasi data latih untuk meningkatkan akurasi, optimasi algoritma agar lebih ringan di perangkat terbatas, serta integrasi dengan sistem akademik kampus guna mempermudah dokumentasi pelanggaran. Dengan demikian, penelitian ini membuka peluang besar penerapan artificial intelligence dalam menciptakan mekanisme pengawasan ujian yang lebih objektif, efisien, dan berkelanjutan di lingkungan pendidikan.