Klasifikasi Aksi Peserta Didik di Dalam Ruang Kelas Menggunakan Video Mask Auto Encoder
Keywords:
Aksi Peserta Didik, Klasifikasi Aksi, Pengenalan Aksi Manusia (Human Action Recognition), Time-Series Transformers (TimeSformer), Video Masked Auto Encoder (VideoMAE)Abstract
Dalam dunia pendidikan, evaluasi terhadap peserta didik di ruang kelas adalah komponen penting yang perlu dilakukan secara sistematis dan terencana sebagai indikator keberhasilan pembelajaran. Penelitian ini mengusulkan pendekatan inovatif dalam mengevaluasi peserta didik melalui klasifikasi aksi di dalam kelas menggunakan model VideoMAE. Dataset yang digunakan terdiri dari 403 video dan disusun langsung oleh penulis karena belum tersedia dataset standar yang sesuai untuk tugas ini saat penelitian dilakukan. Metode yang digunakan adalah fine-tuning model VideoMAE dan TimeSformer, di mana TimeSformer berperan sebagai model pembanding.Hasil evaluasi menunjukkan bahwa VideoMAE mencapai akurasi 68,08%, F1-score 65,58%, recall 68,08%, dan precision 69,98% pada data uji. Model baseline TimeSformer berhasil mencapai akurasi 78.84%. Pendekatan ini menunjukkan potensi dalam memahami perilaku peserta didik, serta dapat mendukung pengembangan strategi pembelajaran dan sistem evaluasi kelas yang lebih efektif.
References
Akmalia, R., Oktapia, D., Hasibuan, E., Hasibuan, I., Azzahrah, N., & Harahap, T. (2023). Pentingnya Evaluasi Peserta Didik dalam Proses Pembelajaran. 5. 4089-4092. 10.31004/jpdk.v5i1.11661.
Bertasius, G., Wang, H., & Torresani, L. (2021, July). Is space-time attention all you need for video understanding?. In Icml (Vol. 2, No. 3, p. 4).
C. Sammut, Encyclopedia of machine learning, G. I. Webb, Ed. Springer, 3 2011. [Online]. Available: https://books.google.com/books/about/ Encyclopedia of Machine Learning.html?hl=id&id=i8hQhp1a62UC
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Gelly, S., Uszkoreit J., & Houlsby, N. (2020). An Image Is Worth 16x16 Words: Transformers for Image Recognition at Scale (Version 2).
Glasscock, J & Tenenbaum, S. (2023, January 11). Action. Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/archives/spr2023/entries/action/
Halim, S., Wahid, R., & Halim, T. (2018). Classroom Observation- a Powerful Tool for Continous Professional Development (CPD). International Journal on Language Research and Education Studies.
Islam, Md Mofijul & Iqbal, Tariq. (2020). HAMLET: A Hierarchical Multimodal Attention-based Human Activity Recognition Algorithm. 10.1109/IROS45743.2020.9340987.
Kong, Yu & Fu, Y. (2022). Human Action Recognition: A Survey: V3. ArXiv.
Popescu, Ana-Cosmina & Mocanu, Irina & Cramariuc, Bogdan. (2020). Fusion Mechanisms for Human Activity Recognition Using Automated Machine Learning. IEEE Access. 8. 1-1. 10.1109/ACCESS.2020.3013406.
Tong, Z., Song, Y., Wang, J., & Wang, L. (2022). Videomae: Masked autoencoders are data-efficient learners for self-supervised video pre-training. Advances in neural information processing systems, 35, 10078-10093.
Voulodimos, A., Doulamis, N.D., Doulamis, A.D., & Protopapadakis, E.E. (2018). Deep Learning for Computer Vision: A Brief Review. Computational Intelligence and Neuroscience, 2018.
Will Kay, Joao Carreira, Karen Simonyan, Brian Zhang, Chloe Hillier, Sudheendra Vijayanarasimhan, Fabio Viola, Tim Green, Trevor Back, Paul Natsev, et al. The kinetics human action video dataset. arXiv preprint arXiv:1705.06950, 2017.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Meutia Jasmine Annisa Herawan, Rani Megasari, Yaya WIhardi
This work is licensed under a Creative Commons Attribution 4.0 International License.
