Klasifikasi Kondisi Belajar Mahasiswa melalui Citra Wajah Menggunakan Random Forest
Keywords:
Produktivitas mahasiswa, computer vision, random forest, citra wajah, klasifikasi, real timeAbstract
Pemantauan kondisi belajar siswa secara objektif dan real-time diperlukan untuk mendukung produktivitas akademik, khususnya dalam lingkungan pembelajaran digital. Studi ini mengembangkan sistem klasifikasi citra wajah untuk tiga kondisi belajar: Fokus, Lelah, dan Mengantuk, menggunakan algoritma Random Forest. Dataset yang terdiri dari 204 citra wajah diproses terlebih dahulu dengan mengubah ukuran setiap citra menjadi 48x48 piksel dan mengubahnya ke skala abu-abu, menghasilkan 2.304 fitur intensitas piksel per citra. Dataset dibagi menjadi 162 sampel pelatihan dan 42 sampel pengujian. Evaluasi dengan akurasi matriks menghasilkan akurasi 79%, yang sesuai dengan 33 prediksi yang benar dari 42 citra uji. Presisi dan recall masing-masing adalah 0,75 dan 0,86 untuk Fokus, 0,91 dan 0,71 untuk Lelah, dan 0,73 dan 0,79 untuk Mengantuk. Nilai AUC sebesar 1,00, 0,97, dan 0,93 menunjukkan peringkat kelas yang kuat. Model yang telah dibor juga diimplementasikan menggunakan webcam dan berhasil menampilkan kotak pembatas wajah serta label kondisi pembelajaran yang diprediksi secara langsung di bawah pencahayaan normal.
References
S. Handayani and D. Ramadhan, “Students' productivity challenges in digital learning era,” Jurnal Pendidikan dan Pengajaran, 2020.
M. Y. Gunawan, N. N. S. Aulia, A. M. P. Gicella, and S. Mulyeni, “Pengaruh Stres Akademik terhadap Kualitas Pola Tidur Mahasiswa,” Jurnal Pendidikan dan Ilmu Sosial (JUPENDIS), vol. 4, no. 1, pp. 47-60, 2026, doi: 10.54066/jupendis.v4i1.3726.
P. Irawan, D. Sari, and P. Rusadi, “Strategi Meningkatkan Produktivitas Akademik,” , vol. 7, 2025.
A. Hakim, N. H. Nurhikmah, N. Halisa, F. Febriati, L. Aras, and L. B. Lutfi, “The Effect of Online Learning on Student Learning Outcomes in Indonesian Subjects,” Journal of Innovation in Educational and Cultural Research, vol. 4, no. 1, pp. 133-140, 2023, doi: 10.46843/jiecr.v4i1.312.
A. Omoseebi, J. Owen, and Q. Loveth, “Impact of Online Learning on Mental Health,” , 2024. [Online]. Available: https://www.researchgate.net/publication/388846164
C. Dhasarathan et al., “Tensor RT optimized driver drowsiness detection system using edge device,” Ain Shams Engineering Journal, vol. 16, no. 10, Art. no. 103620, 2025, doi: 10.1016/j.asej.2025.103620.
E. Essel, F. Lacy, F. Albalooshi, W. Elmedany, and Y. Ismail, “Drowsiness Detection in Drivers Using Facial Feature Analysis,” Applied Sciences, vol. 15, no. 1, Art. no. 20, 2024, doi: 10.3390/app15010020.
R. Ayatuna Lazuardy, N. Anggraini, and N. Faizah Rozy, “Facial expression recognition for fatigue detection using computer vision,” , 2023.
S. Putri Hati Siregar, Z. Lestari Nasution, A. Evioni, K. Azmi, et al., “Pemanfaatan Pengolahan Citra untuk Identifikasi Wajah pada Sistem Keamanan Indonesia,” Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 3, no. 2, 2025, doi: 10.61132/neptunus.v3i1.783.
T. C. A.-S. Zulkhaidi, E. Maria, and Y. Yulianto, “Pengenalan Pola Bentuk Wajah dengan OpenCV,” Jurnal Rekayasa Teknologi Informasi (JURTI), vol. 3, no. 2, p. 181, 2020, doi: 10.30872/jurti.v3i2.4033.
K. Gubbala, M. N. Kumar, and A. M. Sowjanya, “AdaBoost based Random Forest model for Emotion classification of Facial images,” MethodsX, vol. 11, Art. no. 102422, 2023, doi: 10.1016/j.mex.2023.102422.
N. A. Winanti, D. P. Martiyaningsih, C. A. A. Soemedhy, and U. Athiyah, “Analisis Klasifikasi Citra Kanker Kulit dengan Random Forest,” Remik, vol. 7, no. 1, pp. 506-515, 2023, doi: 10.33395/remik.v7i1.12102.
M. W. Nugroho, “Analisis Performa Algoritma Random Forest dalam Mengatasi Overfitting pada Model Prediksi,” , 2025.
D. Nasien, R. Darwin, A. Cia, A. Leo Winata, J. Go, R. Charles Wijaya, and K. Charles Lo, “Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistic Regression untuk Mengklasifikasi Penyakit Diabetes,” , vol. 4, 2024.
W. Dong, Z. Sun, and T. Tan, “A Design of Iris Recognition System at a Distance,” 2009 Chinese Conference on Pattern Recognition, pp. 1-5, 2009, doi: 10.1109/CCPR.2009.5344030.
I. Agustina and R. D. Dana, “Implementasi K-Means Clustering untuk Pengelompokan Tingkat Kemiskinan di Pulau Jawa Menggunakan Bahasa Pemrograman Python,” JATI (Jurnal Mahasiswa Teknik Informatika), 2024.
L. Perkovic, Introduction to Computing Using Python: An Application Development Focus. Wiley, 2011.
M. R. Alfarizi, M. Z. Al-farish, M. Taufiqurrahman, G. Ardiansah, and M. Elgar, “Penggunaan Python sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karimah Tauhid, vol. 2, no. 1, 2023.
