Kelas online telah menjadi norma baru dalam pendidikan selama pandemi COVID-19. Namun, kelas online memiliki tantangan tersendiri, salah satunya adalah sulitnya memantau keaktifan siswa. Keaktifan siswa adalah salah satu faktor penting yang menentukan keberhasilan pembelajaran.
Penelitian ini memberikan ulasan tentang sistem adaptif untuk memprediksi keaktifan siswa di kelas online. Sistem ini menggunakan kombinasi fitur audio-visual, termasuk gerakan wajah, gerakan mata, dan suara, untuk memprediksi keaktifan siswa.
Ulasan ini membahas latar belakang, metode, hasil, dan implikasi dari penelitian tentang sistem adaptif untuk memprediksi keaktifan siswa di kelas online. Ulasan ini juga memberikan rekomendasi untuk pengembangan sistem ini lebih lanjut.
*Pendahuluan:
Kelas online telah menjadi norma baru dalam pendidikan selama pandemi COVID-19. Kelas online menawarkan berbagai manfaat, seperti fleksibilitas dan aksesibilitas. Namun, kelas online juga memiliki tantangan tersendiri, salah satunya adalah sulitnya memantau keaktifan siswa.
Keaktifan siswa adalah salah satu faktor penting yang menentukan keberhasilan pembelajaran. Siswa yang aktif cenderung lebih terlibat dalam pembelajaran dan lebih memahami materi pelajaran.
Ada berbagai cara untuk memantau keaktifan siswa di kelas online. Salah satu cara yang paling umum adalah menggunakan survei. Survei dapat memberikan informasi tentang tingkat keterlibatan siswa dalam pembelajaran. Namun, survei memiliki keterbatasan, yaitu hanya dapat dilakukan pada akhir pembelajaran.
Cara lain untuk memantau keaktifan siswa di kelas online adalah menggunakan teknologi. Teknologi dapat digunakan untuk mengumpulkan data tentang perilaku siswa, seperti gerakan wajah, gerakan mata, dan suara. Data ini dapat digunakan untuk memprediksi keaktifan siswa.
*Metode:
Sistem adaptif untuk memprediksi keaktifan siswa di kelas online terdiri dari tiga komponen utama, yaitu:
*Fitur:
Sistem ini menggunakan kombinasi fitur audio-visual untuk memprediksi keaktifan siswa. Fitur-fitur tersebut:
Gerakan wajah:
 Sistem ini menggunakan metode deteksi wajah untuk mendeteksi fitur-fitur wajah, seperti mata, mulut, dan alis. Fitur-fitur tersebut kemudian digunakan untuk menghitung berbagai metrik, seperti durasi kontak mata, frekuensi kedipan mata, dan intensitas ekspresi wajah.
Gerakan mata:
 Sistem ini menggunakan metode pelacakan mata untuk melacak pergerakan mata siswa. Data pergerakan mata kemudian digunakan untuk menghitung berbagai metrik, seperti durasi melihat layar, frekuensi melihat ke bawah, dan frekuensi melihat ke samping.
 Suara:
Sistem ini menggunakan metode pengenalan suara untuk mengenali suara siswa. Data suara kemudian digunakan untuk menghitung berbagai metrik, seperti durasi berbicara, frekuensi berbicara, dan intensitas suara.
* Model:
Sistem ini menggunakan model pembelajaran mesin untuk memprediksi keaktifan siswa. Model pembelajaran mesin yang digunakan adalah model _support vector machine_ (SVM).
* Adaptasi:
 Sistem ini menggunakan teknik adaptasi untuk meningkatkan akurasi prediksi. Teknik adaptasi yang digunakan adalah teknik _online sequential extreme learning machine_ (OS-ELM).
*Hasil:
Sistem adaptif untuk memprediksi keaktifan siswa di kelas online telah terbukti dapat memberikan akurasi yang tinggi. Beberapa penelitian telah menunjukkan bahwa sistem ini dapat memprediksi keaktifan siswa dengan akurasi sebesar 85% atau lebih.
*Pembahasan:
Temuan penelitian menunjukkan bahwa sistem adaptif untuk memprediksi keaktifan siswa di kelas online dapat memberikan manfaat yang signifikan bagi pendidikan. Sistem ini dapat membantu pendidik memantau keaktifan siswa dan memberikan umpan balik yang tepat waktu.
Sistem ini masih dapat dikembangkan lebih lanjut. Pengembangan yang dapat dilakukan meliputi:
* Menambahkan fitur baru:
Sistem ini dapat menambahkan fitur baru, seperti fitur ekspresi wajah dan fitur bahasa tubuh. Fitur-fitur baru ini dapat meningkatkan akurasi prediksi keaktifan siswa.
* Meningkatkan akurasi adaptasi:
 Sistem ini dapat meningkatkan akurasi teknik adaptasi yang digunakan. Hal ini dapat dilakukan dengan menggunakan model pembelajaran mesin yang lebih kompleks.
* Meningkatkan efisiensi:
Sistem ini dapat ditingkatkan efisiensinya agar dapat digunakan secara real-time.
*Kesimpulan:
Sistem adaptif untuk memprediksi keaktifan siswa di kelas online adalah sistem yang potensial untuk digunakan dalam pendidikan. Sistem ini dapat membantu pendidik memantau keaktifan siswa dan memberikan umpan balik yang tepat waktu.
Sumber:
https://ijeecs.iaescore.com/index.php/IJEECS/article/view/31189/17514
