Deteksi Tindakan Kecurangan Pada Ujian Daring Menggunakan ResNet50 dan Bidirectional Long Short-Term Memory (BiLSTM)

Abstract

Pelaksanaan ujian daring menghadapi berbagai tantangan, salah satunya adalah potensi terjadinya kecurangan akibat keterbatasan pengawasan secara langsung. Penelitian ini mengusulkan pendekatan berbasis deep learning untuk mendeteksi dan mengklasifikasikan perilaku kecurangan selama ujian daring ke dalam enam kategori menggunakan data video wearcam dari Online Exam Proctoring (OEP) Dataset. Fitur visual diekstraksi menggunakan ResNet50 yang memanfaatkan mekanisme residual learning untuk menghasilkan representasi fitur dari setiap frame video. Fitur yang diekstraksi selanjutnya dimodelkan secara temporal menggunakan Bidirectional Long Short-Term Memory (BiLSTM) untuk menangkap dependensi waktu dari dua arah sekaligus. Berdasarkan hasil pengujian, kombinasi ResNet50 dan BiLSTM menghasilkan kinerja terbaik pada klasifikasi enam kelas dengan nilai accuracy sebesar 0.93, rata-rata F1-score sebesar 0.85, rata-rata specificity sebesar 0.98, dan rata-rata sensitivity sebesar 0.80. Temuan penelitian ini menunjukkan bahwa kombinasi ResNet50 dan BiLSTM mampu memberikan performa deteksi
kecurangan yang efektif pada ujian daring dengan enam kategori perilaku.