Deteksi Kecurangan Ujian Berbasis Foto: Perbandingan Kinerja YOLOv5 dan YOLOv8.

Abstract

Pandemi Covid-19 dan peralihan pembelajaran ke sistem daring menciptakan tantangan baru dalam pengawasan ujian. Sebuah studi sistematis menemukan bahwa tingkat kecurangan dalam ujian daring melonjak hingga 55% selama pandemi sehingga hal ini mendorong dibutuhkannya sistem pengawasan ujian yang adaptif dan cerdas melalui pemanfaatan teknologi deteksi objek menggunakan YOLO. Sejumlah penelitian terdahulu telah mengimplementasikan YOLOv5 dan YOLOv8 dalam sistem pengawasan ujian dan melaporkan performa yang tinggi pada berbagai skenario deteksi kecurangan. Namun hingga saat ini masih terbatas penelitian yang secara langsung membandingkan kinerja dua algoritma ini untuk konteks kecurangan ujian sehingga klaim keunggulan masing-masing belum sepenuhnya didukung oleh analisis komparatif yang terstandarisasi. Penelitian ini bertujuan untuk melakukan analisis perbandingan kinerja kinerja algoritma YOLOv5 dan YOLOv8 dalam mendeteksi indikasi kecurangan ujian berbasis foto. Perbandingannya didasarkan pada hasil metrik evaluasi kuantitatif yaitu precision, recall, dan mean Average Precision (mAP) setelah kedua model diuji dengan dataset dan jumlah epoch yang sama. Hasil penelitian menunjukan kedua model memliki perbedaan karakteristik kinerja, di mana YOLOv5 unggul pada nilai precision dan mAP, sehingga lebih akurat dan sesuai untuk sistem pengawasan ujian dengan tingkat kesalahan deteksi rendah, sementara model YOLOv8 memiliki nilai recall lebih tinggi, khususnya pada kelas cheating, yang menunjukkan sensitivitas deteksi lebih baik dan lebih sesuai untuk sistem proctoring yang menekankan kelengkapan deteksi kecurangan. Penelitian ini memberikan kontribusi berupa dasar rekomendasi implementatif bagi pengembangan sistem proctoring otomatis sesuai kebutuhan operasional, apakah menekankan minimisasi kesalahan deteksi atau kelengkapan identifikasi kecurangan