Dalam lingkungan akademik, ketaatan terhadap kode etik kejujuran merupakan bukti nyata dari kekokohan budaya integritas, kompetensi sekaligus kredibilitas dari ilmu yang telah didapatkan. Namun, dalam penerapannya secara realistis, terdapat berbagai loophole atau celah yang dapat dieksploitasi oleh oknum tertentu demi mendapatkan hasil terbaik, dan hal ini khususnya relevan dalam pelaksanaan ujian.

Maka dari itu, metode pelacakan kecurangan terbaru sangatlah diperlukan untuk mendeteksi kecurangan dalam ujian. 

Mengacu pada tantangan tersebut, dosen Program Studi Teknik Informatika Universitas Dian Nusantara (UNDIRA), Bapak Uus Rusmawan, S.Pd., M.Kom., dan Bapak Imam Mulya, S. Kom., M.M.S.I., bersama dengan rekan-rekan mahasiswa Teknik Informatika mengembangkan model sistem pendeteksi kecurangan ujian berbasis SURF-CNN yang telah berhasil terpublikasi dengan akreditasi SINTA 4.

Pengembangan riset ini berfokus pada pendekatan deteksi kecurangan melalui pemanfaatan machine learning bermetode SURF (Speeded Up Robust Features) yang dilengkapi dengan algoritma deep learning yang dirancang khusus untuk mendeteksi citra visual, yakni CNN (Convolutional Neural Network). 

Perlu digarisbawahi bahwa penelitian ini dipusatkan pada deteksi kecurangan melalui deteksi objek dan gerakan mencurigakan, bukan dari hasil rekap jawaban ujian.

Berdasarkan riset sebelumnya, implementasi CNN dalam pencitraan data visual selalu menghasilkan nilai yang relatif stabil, dengan rerata skor mencapai 87,9%. Namun, secara mandiri, kelemahan model CNN terletak pada ketidakmampuannya dalam menganalisis objek yang bergerak secara dinamis, perubahan skala secara mendadak, sekaligus sudut pencahayaan yang kurang. Hal ini merupakan tantangan bagi tim Teknik Informatika, karena hal tersebut dapat mengecohkan detektor.

Lantas, model SURF hadir untuk menjawab keterbatasan CNN. SURF bertugas mendeteksi dan mendeskripsikan interest point atau titik-titik kunci pada citra data visual. Keunggulan SURF terletak pada sifatnya yang dapat ‘merekam’ terhadap perubahan skala, rotasi, maupun variasi pencahayaan. Dengan kata lain, SURF terlebih dahulu "menyaring" dan "menonjolkan" informasi visual yang paling relevan dari setiap frame citra sebelum data tersebut diteruskan ke CNN untuk diklasifikasikan. 

Alhasil, CNN tidak lagi bekerja dari nol dengan data mentah, melainkan menerima representasi fitur yang jauh lebih kaya dan terstruktur, dan inilah yang pada akhirnya mendongkrak performa akurasi model secara keseluruhan.

Berangkat dari pemahaman tersebut, proses pengumpulan data pun diawali dengan penerapan perlindungan data dan recovery menggunakan teknologi SnapMirror dan perekaman citra wajah, postur kepala, dan tatapan mata peserta ujian menggunakan kamera mounted HIKVISION 5MP 3K dengan kapabilitas perekaman video beresolusi 1920x1080p pada 24 fps. Untuk menekan adanya ketidakstabilan data antarkelas, augmentasi data dilakukan untuk mencegah terjadinya imbalanced data. Diperoleh sekitar 1200 sampel, dengan rerata 200 citra data per kelas.

Tahapan selanjutnya merupakan evaluasi, pengkategorian data, dan perbandingan hasil analisis antara sistem CNN dan kombinasi SURF-CNN, berdasarkan 6 kategori pergerakan: bosan, fokus, bingung, pusing, menoleh curang, dan melirik curang. 

Berdasarkan hasil evaluasi yang dilakukan, model hybrid SURF-CNN secara konsisten memperoleh keunggulan dengan catatan tingkat akurasi overall sebesar 91.80%, sedangkan model CNN hanya berhasil memperoleh tingkat akurasi sebesar 88.20%. Hal tersebut tercantum lebih jelas pada tahapan identifikasi gerakan menoleh curang, lantas menunjukkan kapabilitasnya dalam menganalisis gerakan dinamis dibandingkan dengan model mandiri CNN. 

Pencapaian ini menegaskan bahwa pendekatan hybrid, yakni memadukan kekuatan ekstraksi fitur berbasis interest point dari SURF dengan kapabilitas klasifikasi mendalam milik CNN, merupakan langkah yang tepat dalam membangun sistem deteksi kecurangan ujian yang lebih andal dan akurat. Riset ini sekaligus menjadi bukti konkret bahwa civitas akademika UNDIRA tidak hanya berkomitmen dalam menjaga integritas akademik secara normatif, tetapi juga secara aktif menghadirkan solusi teknologi nyata untuk mewujudkannya.