PROCTORING RINGAN DI PERAMBAN: DETEKSI WAJAH REAL-TIME PADA APLIKASI CBT MENGGUNAKAN TENSORFLOW.JS DAN METODE BLAZEFACE

Penelitian ini bertujuan menghadirkan proctoring ujian daring yang ringan dan menjaga privasi dengan memindahkan seluruh inferensi ke sisi klien, menjawab masalah integritas ujian berbasis web yang kerap mengandalkan perekaman/unggah video server-side berbiaya dan berisiko. Kami membangun prototipe berbasis TensorFlow.js dan BlazeFace (single-stage CNN) yang menggabungkan kebijakan safe-area terkonfigurasi, adaptive screen-lock berbasis state machine, serta heuristik client-side anti-cheat; evaluasi dilakukan pada dataset beranotasi (offline) dan simulasi CBT in-situ (3×20 menit, perangkat heterogen), dengan metrik deteksi (AP/mAP, F1), kepatuhan safe-area, dan kinerja runtime. Hasil menunjukkan AP@0,5 sebesar 0,95 (pencahayaan normal), 0,91 (low-light), dan 0,93 (variasi pose), mAP@[0,5:0,95] masing-masing 0,66/0,59/0,61, serta F1 0,92/0,87/0,90; safe-area compliance median mencapai 0,86/0,92/0,95 pada perangkat rendah/menengah/tinggi; profil kinerja berada pada 22–48 FPS dengan latensi ujung-ke-ujung 28–58 ms; dan skor penerimaan privasi 4,5/5 (Likert). Kebaruan utama terletak pada integrasi utuh on-device single-stage CNN, kebijakan safe-area, adaptive screen-lock, dan metrik baru safe-area compliance ke dalam proctoring murni-peramban yang plug-and-play dan minim paparan data. Nilai praktisnya adalah penegakan integritas mendekati waktu nyata tanpa perekaman video; sementara keterbatasan mencakup penurunan recall pada low-light/occlusion dan belum adanya liveness lanjut, yang membuka arah riset untuk liveness/fairness, auto-tuning berbasis perangkat, dan uji lapangan berskala besar.