Perpustakaan Digital ITB

Pembelajaran daring telah menjadi opsi populer dalam pendidikan zaman sekarang karena fleksibilitas dan layanan pendukung yang tersedia. Namun, terdapat tantangan dalam transisi dari lingkungan kelas tradisional ke daring, yaitu tingkat keterlibatan pelajar yang cenderung menurun. Keterlibatan bertindak sebagai indikator keberhasilan akademik yang sulit dievaluasi secara langsung pada proses pembelajaran daring akibat ketiadaan interaksi tatap muka fisik. Sebagai solusi, pendekatan visi komputer umum digunakan untuk mendeteksi dan mengenali keterlibatan secara otomatis. Namun, solusi terdahulu umumnya mengadopsi arsitektur jaringan konvolusional berat yang menuntut spesifikasi infrastruktur komputasi yang tinggi. Tidak hanya itu, berbagai solusi lain memanfaatkan pengenalan statis yang mengabaikan elemen waktu sehingga tidak menangkap perubahan emosi pelajar selama proses pembelajaran secara berkelanjutan. Untuk menjawab tantangan tersebut, pada Tugas Akhir ini telah dikembangkan sebuah sistem klasifikasi keterlibatan pelajar berbasis arsitektur spasiotemporal Bidirectional-Long Short Term Memory (Bi-LSTM) dengan pengenalan emosi dan postur tubuh menggunakan Dataset for Affective States in E-Environments (DAiSEE). Evaluasi kinerja sistem tersebut dilaksanakan secara eksperimental dengan membandingkan sistem terhadap beberapa skenario pengujian berbeda. Hasil eksperimen menunjukkan bahwa komponen fusi fitur geometris dengan emosi pada sistem mampu menghasilkan model yang dapat mencapai tingkat akurasi klasifikasi rata-rata sebesar 58% dan F1-Score terbobot sebesar 58% pada distribusi himpunan data yang tidak seimbang (imbalanced). Hasil pengujian menunjukkan bahwa sistem klasifikasi dengan model berdimensi rendah bekerja sebagai alternatif dalam pengenalan tingkat keterlibatan pelajar saat pembelajaran daring.