Perpustakaan Digital ITB

Transisi ke pembelajaran daring sinkronus menimbulkan tantangan bagi pengajar dalam memantau keterlibatan siswa secara real-time, terutama ketika penurunan atensi sulit diamati melalui layar video. Deteksi kantuk dapat digunakan sebagai proksi dari penurunan keterlibatan perilaku siswa, tetapi penerapan sistem deteksi berbasis computer vision pada lingkungan pembelajaran daring perlu mempertimbangkan keterbatasan perangkat klien dan bandwidth jaringan. Penelitian ini merancang sistem deteksi kantuk berbasis web menggunakan MediaPipe Face Mesh, komputasi geometris Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR), serta Temporal Smoothing berbasis Exponential Moving Average (EMA). Sistem menerapkan arsitektur Server-Side Inference dengan pengambilan sampel 1 Frame Per Second (FPS) untuk mengurangi beban pemrosesan pada perangkat klien. Untuk menjaga keandalan masukan dan privasi siswa, sistem dilengkapi pra-pemrosesan citra sisi-klien (koreksi kecerahan otomatis dan penyaringan blur berbasis Variance of Laplacian), pencatatan bukti peringatan berbasis teks alih-alih citra, serta verifikasi manual opsional oleh guru (human-in-the-loop). Berdasarkan evaluasi menggunakan dataset YawDD, konfigurasi EMA 0,9 menghasilkan kinerja dengan akurasi 96,88% dan False Positive 2,19%. Dari sisi performa sistem, latensi pemrosesan internal tercatat sebesar 240 ms dan sistem mampu beroperasi stabil hingga 50 pengguna konkuren pada lingkungan evaluasi. Pengujian System Usability Scale (SUS) menghasilkan skor 76,75 yang termasuk kategori Acceptable. Hasil tersebut menunjukkan bahwa sistem berpotensi mendukung pemantauan indikasi penurunan keterlibatan perilaku siswa dalam pembelajaran daring.