Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi
Pangestu, Mohammad Prayoga
Unknown Affiliation
Computer Science & IT Environmental Science Industrial & Manufacturing Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Platform Ujian Online Berbasis Pendeteksi Gerakan Kecurangan Menggunakan Kamera Pangestu, Mohammad Prayoga; Wiyono, Slamet; Af'idah, Dwi Intan
INFOMATEK Vol 26 No 1 (2024): Volume 26 No. 1, Juni 2024
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v26i1.11208

Abstract

Kecurangan sering terjadi di dunia akademik, dengan istilah 'menyontek' yang lazim digunakan untuk menyebutnya. Perbuatan menyontek tidak memandang status pendidikan, dari tingkat SD hingga SMA, dapat dilakukan baik secara individu maupun berkelompok, tanpa memperdulikan usia. Pada ujian online, kasus menyontek lebih sering terjadi karena pengawasan manusia yang kurang optimal. Faktor lain yang mempengaruhi tingkat kecurangan dalam ujian online adalah jenis platform ujian online yang umum digunakan saat ini dan kekurangan sistem pendukung untuk pengawasan virtual. Penelitian ini bertujuan untuk mengembangkan platform ujian online berbasis deteksi kecurangan menggunakan kamera, yang akan mempermudah pengawasan dalam ujian online. Sistem yang dibangun juga bersifat web-based sehingga lebih fleksibel dalam akses. Aplikasi ini menggunakan teknologi deep learning dengan metode algoritma Convolutional Neural Network, sedangkan website-nya dibangun dengan framework flask yang telah terintegrasi dengan library tensorflow dan keras. Hasil penelitian ini adalah aplikasi platform ujian online berbasis deteksi gerakan kecurangan menggunakan kamera, yang dinamakan Fraud Catcher. Selain itu, penelitian ini juga menghasilkan klasifikasi menggunakan algoritma Convolutional Neural Network dengan tingkat akurasi yang cukup baik, mencapai 98,5%. Pengujian implementasi model pada sistem menunjukkan tingkat akurasi di atas 80% dengan bantuan cahaya, dan hasil pengujian blackbox juga memperlihatkan fungsionalitas sesuai harapan.
Co-Authors Af'idah, Dwi Intan Wiyono, Slamet