[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"ssr-repo-dspace000002522":3},{"id":4,"title":5,"authors":6,"files":8,"advisors":35,"authors_detail":36,"advisors_detail":40,"publisher":41,"publish_place":42,"language":43,"type":44,"type_slug":45,"year":46,"department":47,"study_program":48,"keywords":49,"keywords_detail":55,"abstract":66,"abstract_html":67,"url":68},"repo-dspace000002522","Implementasi Realtime Focus Detection menggunakan Deep Learning pada Proses Pembelajaran Gamifikasi Computational Thinking",[7],"Maulidio Farhan Rizkullah",[9,13,16,19,23,26,29,32],{"chapter":10,"requires_login":11,"label":12,"available":11},"abstrak",false,"Abstrak",{"chapter":14,"requires_login":11,"label":15,"available":11},"bab1","Bab I",{"chapter":17,"requires_login":11,"label":18,"available":11},"bab2","Bab II",{"chapter":20,"requires_login":21,"label":22,"available":11},"bab3",true,"Bab III",{"chapter":24,"requires_login":21,"label":25,"available":11},"bab4","Bab IV",{"chapter":27,"requires_login":21,"label":28,"available":11},"bab5","Bab V",{"chapter":30,"requires_login":21,"label":31,"available":11},"full","Dokumen Lengkap",{"chapter":33,"requires_login":11,"label":34,"available":21},"open","Akses Terbuka",[],[37],{"name":7,"nim":38,"slug":39},"2141720041","maulidio-farhan-rizkullah",[],"Politeknik Negeri Malang","Malang","Indonesia","Skripsi (D4)","skripsi-d4",2025,"D-IV TEKNIK INFORMATIKA",null,[50,51,52,53,54],"Computational Thinking","Deteksi Fokus","Head Pose Estimation","MobileNetV2","Real-Time",[56,58,60,62,64],{"name":50,"slug":57},"computational-thinking",{"name":51,"slug":59},"deteksi-fokus",{"name":52,"slug":61},"head-pose-estimation",{"name":53,"slug":63},"mobilenetv2",{"name":54,"slug":65},"real-time","Tingkat fokus peserta didik merupakan salah satu fokus penting dalam keberhasilan pembelajaran computational thinking. Skripsi ini membahas implementasi sistem focus detection secara real-time pada platform pembelajaran berbasis gamifikasi Computational Thinking menggunakan teknologi deep learning. Fokus utama penelitian adalah memantau tingkat konsentrasi peserta didik melalui analisis orientasi kepala (yaw, pitch, dan roll) dari frame video webcam. Model MobileNetV2 yang diadaptasi untuk tugas head pose estimation dilatih menggunakan dataset 300W-LP dan dievaluasi pada AFLW2000. Hasil pengujian menunjukkan Mean Absolute Error (MAE) rata-rata sebesar 7,56° dalam estimasi sudut kepala, serta sistem mampu berjalan pada kecepatan 4–5 FPS dengan latency 27–55 ms pada perangkat laptop standar tanpa GPU. Untuk mengurangi false positives, klasifikasi “tidak fokus” hanya dipicu jika deviasi pose kepala di luar rentang ±15° berlangsung selama lebih dari 10 detik. Evaluasi stabilitas sistem menghasilkan tingkat deteksi fokus mencapai 78,75%, dengan performa terbaik pada jarak dekat dan pencahayaan terang (82,5%), serta pose “Depan” dan “Kanan” (>93% stabil). Kendati akurasi masih di bawah standar model terkini, efisiensi MobileNetV2 menjadikannya solusi praktis untuk aplikasi real-time berbasis web dengan keterbatasan sumber daya komputasi.","\u003Cp>Tingkat fokus peserta didik merupakan salah satu fokus penting dalam keberhasilan pembelajaran computational thinking. Skripsi ini membahas implementasi sistem focus detection secara real-time pada platform pembelajaran berbasis gamifikasi Computational Thinking menggunakan teknologi deep learning. Fokus utama penelitian adalah memantau tingkat konsentrasi peserta didik melalui analisis orientasi kepala (yaw, pitch, dan roll) dari frame video webcam. Model MobileNetV2 yang diadaptasi untuk tugas head pose estimation dilatih menggunakan dataset 300W-LP dan dievaluasi pada AFLW2000. Hasil pengujian menunjukkan Mean Absolute Error (MAE) rata-rata sebesar 7,56° dalam estimasi sudut kepala, serta sistem mampu berjalan pada kecepatan 4–5 FPS dengan latency 27–55 ms pada perangkat laptop standar tanpa GPU. Untuk mengurangi false positives, klasifikasi “tidak fokus” hanya dipicu jika deviasi pose kepala di luar rentang ±15° berlangsung selama lebih dari 10 detik. Evaluasi stabilitas sistem menghasilkan tingkat deteksi fokus mencapai 78,75%, dengan performa terbaik pada jarak dekat dan pencahayaan terang (82,5%), serta pose “Depan” dan “Kanan” (>93% stabil). Kendati akurasi masih di bawah standar model terkini, efisiensi MobileNetV2 menjadikannya solusi praktis untuk aplikasi real-time berbasis web dengan keterbatasan sumber daya komputasi.\u003C\u002Fp>","https:\u002F\u002Frepository.polinema.ac.id\u002Fcollection\u002Fdetail?id=dspace000002522&year=2025&title=implementasi-realtime-focus-detection-menggunakan-deep-learning-pada-proses-pembelajaran-gamifikasi-computational-thinking"]