Perpustakaan Digital ITB

Dalam pembelajaran daring, interaksi antara pengajar dan pelajar memegang peranan penting dalam menentukan kualitas pembelajaran. Oleh karena itu, penelitian ini berupaya untuk membantu pengajar dalam mengidentifikasi tingkat emotional engagement pelajar selama pembelajaran daring melalui pengembangan model engagement recognition. Model tersebut telah dikembangkan pada berbagai penelitian sebelumnya, namun peningkatan kinerjanya terbatasi oleh kondisi ketidakseimbangan data yang ekstrem. Untuk itu, penelitian ini berfokus dalam menangani ketidakseimbangan data pada dataset DAiSEE melalui metode oversampling menggunakan Generative Adversarial Network (GAN). Teknologi ini akan menghasilkan sampel gambar sintetis dari kelas minoritas. Metode oversampling umum yaitu SMOTE juga diterapkan sebagai perbandingan untuk metode GAN. Dalam pemodelan, penelitian ini menggunakan dua model yaitu stack-LSTM dan CNN-BiLSTM. Hasil evaluasi dan pengujian menunjukkan kinerja model stack-LSTM lebih meningkat melalui metode oversampling GAN dengan f1-score kelas minoritas 0,1391, akurasi keseluruhan 54,99%, dan AUC 0,5961. Sementara itu, kinerja model CNN-BiLSTM lebih meningkat melalui metode oversampling SMOTE dengan f1-score kelas minoritas 0,1515, akurasi keseluruhan 52,18%, dan AUC 0,6073. Berdasarkan perbandingan antara keduanya, CNN-BiLSTM dengan SMOTE memiliki kinerja yang lebih baik akibat sampel sintetis SMOTE yang langsung memperkaya representasi di ruang fitur. Sementara itu, meskipun teknologi GAN juga dapat meningkatkan kinerja kelas minoritas, peningkatannya masih lebih rendah. Hal ini diakibatkan oleh sampel sintetis yang bersifat kompleks dan non-linier sehingga fitur-fitur halusnya memiliki kemungkinan dikenali model sebagai noise.