KLASIFIKASI TINGKAT FOKUS PESERTA DIDIK BERDASARKAN HEAD POSE ESTIMATION MENGGUNAKAN MOBILENETV3

Abstract

Perkembangan pembelajaran daring dan hibrida menuntut adanya sistem pemantauan fokus peserta didik yang lebih objektif dan otomatis. Namun, proses pemantauan fokus saat ini masih dilakukan secara manual melalui pengamatan dosen sehingga bersifat subjektif dan kurang efektif pada pembelajaran berbasis video conference. Penelitian ini bertujuan membangun sistem klasifikasi tingkat fokus peserta didik berbasis citra wajah menggunakan arsitektur MobileNetV3 agar mampu berjalan secara real-time pada perangkat dengan keterbatasan sumber daya.

Metode penelitian yang digunakan adalah CRISP-DM dengan memanfaatkan dataset AFLW2000-3D yang memiliki anotasi orientasi kepala berupa yaw dan pitch dalam kondisi in-the-wild. Tahapan penelitian meliputi preprocessing citra, pelabelan otomatis berdasarkan threshold sudut kepala, pelatihan model menggunakan transfer learning, serta implementasi sistem monitoring berbasis Streamlit. Selain itu, dilakukan perbandingan performa antara MobileNetV3 dan YOLOv8 pada pengujian real-time.

Hasil penelitian menunjukkan bahwa model MobileNetV3 memperoleh accuracy sebesar 93%, precision 0,84, recall 0,87, dan F1-score 0,85. Pada implementasi real-time, MobileNetV3 menunjukkan performa yang lebih stabil dan ringan dibandingkan YOLOv8 pada perangkat CPU. Berdasarkan hasil tersebut, MobileNetV3 dinilai efektif digunakan sebagai sistem monitoring fokus peserta didik secara otomatis dan real-time.