Penerapan Algoritma YOLO V11 untuk Deteksi Tingkat Kekondusifan Pembelajaran di Kelas

Abstrak

Permasalahan utama dalam proses pembelajaran
tatap muka adalah kurangnya pemantauan objektif terhadap
perilaku mahasiswa di dalam kelas, terutama terkait tingkat
fokus selama kegiatan belajar berlangsung. Perilaku tidak
fokus seperti tidur dan menggunakan ponsel kerap terjadi
tanpa dapat terdeteksi secara real-time oleh pengajar, yang
berdampak pada penurunan efektivitas pembelajaran. Untuk
mengatasi hal ini, penelitian ini mengusulkan sistem pendeteksi
perilaku mahasiswa berbasis algoritma YOLOv11, yang
bertugas mendeteksi tiga jenis gerakan: tidur, menggunakan
ponsel, dan memperhatikan. Data citra diperoleh melalui
dokumentasi video di kelas, kemudian dilabeli secara manual
dan dilatih menggunakan model YOLOv11 dengan parameter
utama 50 epoch, ukuran gambar 640 piksel, dan batch size 16.
Model yang dikembangkan dievaluasi menggunakan metrik
evaluasi seperti accuracy, precision, recall, F1-score, dan mean
Average Precision (mAP). Hasil evaluasi menunjukkan nilai
precision accuracy sebesar 0.9652 sebesar 0.9457, recall sebesar
0.9575, F1-score sebesar 0.9515, mAP@50 sebesar 0.9672, dan
akurasi sistem mencapai 0.9662. Output dari sistem berupa file
Excel (.xlsx) yang memuat timestamp, jenis perilaku yang
terdeteksi, dan confidence score, serta proporsi persentase
perilaku fokus dan tidak fokus dalam kelas.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa
YOLOv11 dapat diterapkan secara efektif dalam mendeteksi
dan mengklasifikasikan perilaku mahasiswa, serta memberikan
gambaran yang objektif mengenai tingkat kekondusifan
pembelajaran di kelas.
kata kunci: YOLOv11, deteksi perilaku, computer vision,
fokus belajar, deep learning