Setiawan, M. Thio (2026) IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI KONDISI BELAJAR MAHASISWA MELALUI CITRA WAJAH. Skripsi (Bachelor) thesis, Universitas Muhammadiyah Bengkulu.
![[img]](http://repository.umb.ac.id/style/images/fileicons/text.png) |
Text (Fulltext)
M. Thio Setiawan_2155201151_Fulltext.pdf - Submitted Version Restricted to Repository staff only Download (3MB) | Request a copy |
|
Text (Turnitin)
M. Thio Setiawan_2155201151_Turnitin.pdf - Submitted Version Restricted to Repository staff only Download (9MB) | Request a copy |
|
Text (Abstrak+Bab 1)
M. Thio Setiawan_2155201151_Abstrak+Bab 1.pdf - Submitted Version Download (375kB) |
|
Text (Bab 2)
M. Thio Setiawan_2155201151_Bab 2.pdf - Submitted Version Download (464kB) |
|
Text (Bab 3)
M. Thio Setiawan_2155201151_Bab 3.pdf - Submitted Version Restricted to Repository staff only Download (779kB) | Request a copy |
|
Text (Bab 4)
M. Thio Setiawan_2155201151_Bab 4.pdf - Submitted Version Restricted to Repository staff only Download (957kB) | Request a copy |
|
Text (Bab 5)
M. Thio Setiawan_2155201151_Bab 5.pdf - Submitted Version Download (255kB) |
|
Text (Ref+Lamp)
M. Thio Setiawan_2155201151_Ref+Lamp.pdf - Submitted Version Download (247kB) |
Abstract
Pengawasan kondisi belajar mahasiswa secara objektif dan real-time menjadi krusial untuk menjaga produktivitas akademik, khususnya pada sistem pembelajaran digital. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem klasifikasi kondisi belajar mahasiswa (fokus, lelah, dan mengantuk) berbasis citra wajah menggunakan algoritma Random Forest. Dataset terdiri dari 204 citra wajah mahasiswa yang telah melalui pra-pemrosesan berupa pengubahan ukuran menjadi 48×48 piksel dan konversi grayscale. Data dibagi secara sistematis dengan rasio 80% data latih (162 sampel) dan 20% data uji (42 sampel). Hasil evaluasi menggunakan Confusion Matrix menunjukkan bahwa model Random Forest mencapai tingkat akurasi sebesar 79%. Metrik performa per kelas menghasilkan nilai presisi sebesar 0,75 dan recall 0,86 untuk kelas Fokus; presisi 0,91 dan recall 0,71 untuk kelas Lelah; serta presisi 0,73 dan recall 0,79 untuk kelas Mengantuk. Analisis ROC-AUC menunjukkan tingkat separabilitas yang tinggi dengan nilai AUC berturut-turut sebesar 1,00 (Fokus), 0,97 (Lelah), dan 0,93 (Mengantuk). Implementasi pengujian real-time menggunakan webcam membuktikan bahwa sistem mampu melakukan deteksi dan menampilkan label klasifikasi secara langsung dengan waktu respons yang cepat.
| Item Type: | Thesis (Skripsi (Bachelor)) |
|---|---|
| Additional Information: | pembimbing : Rozali Toyib, S.Kom., M.Kom |
| Uncontrolled Keywords: | Kata Kunci : Produktivitas Mahasiswa, Computer Vision, Random Forest, Citra Wajah, Klasifikasi, Real-time. |
| Subjects: | Universitas Muhammadiyah Bengkulu > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika 02-Fakultas Teknik > 55201-(S1) Teknik Informatika |
| Divisions: | 02-Fakultas Teknik > 55201-(S1) Teknik Informatika Subjek Terkait > 02-Fakultas Teknik > 55201-(S1) Teknik Informatika |
| Depositing User: | Mrs Siti Fathonah |
| Date Deposited: | 20 Aug 2026 06:06 |
| Last Modified: | 20 Aug 2026 06:06 |
| URI: | http://repository.umb.ac.id/id/eprint/3239 |
Actions (login required)
 |
View Item |