KLASIFIKASI KERAPIHAN SISWA SEKOLAH BERBASIS AI: PEMANFAATAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK OPTIMALISASI KEDISPLINAN DAN KUALITAS PENDIDIKAN

• HANNA RIZKIA

---

ABSTRAK

ABSTRAK

Kerapian siswa dalam berpakaian Pramuka merupakan bentuk implementasi kedisiplinan yang mencerminkan kepatuhan terhadap aturan sekolah. Di SDIT Ajimutu Global Insani, atribut berpakaian yang dinilai meliputi topi, baju, celana atau rok, dasi, kaos kaki, sepatu, logo, name tag, tali katur, ikat pinggang, dan hasbuk Pramuka. Kerapian dalam mengenakan atribut ini sangat menunjang terciptanya lingkungan belajar yang tertib dan kondusif. Penelitian ini bertujuan untuk mengklasifikasikan kategori kerapian berpakaian Pramuka secara otomatis menggunakan pendekatan berbasis kecerdasan buatan (Artificial Intelligence). Data yang digunakan berupa citra siswa yang direkam menggunakan kamera DSLR Canon EOS 60D, dengan jumlah total data sebanyak 510 gambar, terdiri dari 88 siswa perempuan dan 82 siswa laki-laki.Metode yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN) dengan pendekatan transfer learning menggunakan arsitektur MobileNetV2 dan teknik augmentasi data untuk meningkatkan akurasi model. Sistem dikembangkan untuk mengklasifikasikan kerapian seragam ke dalam dua kategori: rapi dan tidak rapi. Hasil pengujian menunjukkan bahwa model mampu melakukan klasifikasi dengan kategori akurasi mencapai 73%, dengan presisi, recall, dan f1-score memiliki hasil yang sama dengan akurasi yaitu 73%. Temuan ini menunjukkan bahwa sistem yang dikembangkan dapat membantu guru dan pihak sekolah dalam melakukan evaluasi kedisiplinan siswa secara objektif dan berkelanjutan. Dengan demikian, penelitian ini memberikan kontribusi dalam meningkatkan kualitas pendidikan melalui pembiasaan perilaku tertib yang terintegrasi dengan teknologi.

Kata Kunci: Kerapian Siswa, Berpakaian Pramuka, Kualitas Pendidikan, Klasifikasi Citra, Convolutional Neural Network

KATA KUNCI

Kerapian Siswa,Berpakaian Pramuka,Kualitas Pendidikan,Klasifikasi Citra,Convolutional Neural Network

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1]       O. Sativa, “STUDI TENTANG SERAGAM SEKOLAH SISWA DI SMA NEGERI 2 KECAMATAN RANAH PESISIR,” Jurnal Seni Rupa, vol. 12.

[2]       S. Mardikarini, L. Candra, and K. Putri, “Pemantauan Kedisiplinan Siswa Melalui Penetapan Indikator Perilaku Disiplin Siswa Kelas III,” Jurnal Ilmiah KONTEKSTUAL, vol. 2, no. 01, pp. 30–37, 2020.

[3]      F. Mulianingsih, K. Anwar, F. A. Shintasiwi, and A. J. Rahma, “Program Studi Tadris Ilmu Pengetahuan Sosial Institut Agama Islam Negeri Kudus Artificial Intellegence dengan Pembentukan Nilai dan Karakter di Bidang Pendidikan,” 2020. [Online]. Available: http://journal.stainkudus.ac.id/index.php/Ijtimaia

[4]      L. Rahadiantino, A. Fahmi, H. Wirawasista Aparamarta, S. Kustanti Moerad, and A. Mazharuddin Shiddiqi, “Jurnal Inovasi Pendidikan dan Pembelajaran Sekolah Dasar Implementasi Pembelajaran Artificial Intelligence Bagi Siswa Sekolah Dasar di Kota Batu, Malang, Jawa Timur”, doi: 10.24036/jippsd.v6i1.

[5]       “Disiplin Dalam Pendidikan”.

[6]       E. Anggraini et al., “ANALISIS PELAKSANAAN TATA TERTIB SEKOLAH DI SEKOLAH DASAR.”

[7]       N. Ulva and A. Ahmad, “SIKAP SISWA DALAM PENGGUNAAN SERAGAM SEKOLAH DI SMP NEGERI 13 BANDA ACEH.”

[8]       Z. Sabela, A. Ananda, and J. Indrawadi Prodi Pendidikan Pancasila dan Kewarganegaraan, “Penanaman kedisiplinan siswa melalui program KPK.”

[9]       G. R. Pertiwi, M. S. Jailani, and A. Isma, “Implementasi Artificial Intelligence dalam Sebuah Perspektif Pendidikan,” EDUKATIF?: JURNAL ILMU PENDIDIKAN, vol. 6, no. 4, pp. 3725–3733, Jul. 2024, doi: 10.31004/edukatif.v6i4.7436.

[10]     J. Wira and G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning Edisi 1.4 (17 Agustus 2020).”

[11]     D. Aldiani, G. Dwilestari, H. Susana, R. Hamonangan, and D. Pratama, “JIP (Jurnal Informatika Polinema) IMPLEMENTASI ALGORITMA CNN DALAM SISTEM ABSENSI BERBASIS PENGENALAN WAJAH”.

[12]     F. Syah, T. Hastono, M. Fairuzabadi, P. Wahyu Ciptadi, and K. Warniasih, “Pengenalan Ekspresi Wajah untuk Mendeteksi Ketertarikan Siswa Sekolah Dasar dalam Mata pelajaran Menggunakan Metode CNN (Convolutional Neural Network),” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 3, pp. 859–867, Mar. 2025, doi: 10.52436/1.jpti.724.

[13]   Putra, R. R., Isa, I. G. T., & Malyan, A. B. J. (2023). Buku Ajar Pengantar Deep Learning dalam Pemrosesan Citra. Penerbit NEM.

[14]    Setiawan, W. (2021). Deep learning menggunakan convolutional neural network: Teori dan aplikasi. Media Nusa Creative (MNC Publishing).

[15]     B. Raharjo, “P Y YAYASAN PRIMA AGUS TEKNIK.”

[16]     G. E. Da??, E. Gökçay, and H. Tora, “Fourier-Based Image Classification Using CNN,” Journal of Scientific Technology and Engineering Research, Jun. 2024, doi: 10.53525/jster.1501920.

[17]     L. M. Haji, O. M. Mustafa, S. A. Abdullah, and O. M. Ahmed, “Enhanced Convolutional Neural Network for Fashion Classification,” Engineering, Technology & Applied Science Research, vol. 14, no. 5, pp. 16534–16538, Oct. 2024, doi: 10.48084/etasr.8147.

[18]     Richard Steven Immanuel Sihombing, Rafif Nauval Tuah Siregar, Vijay Sitorus, and Timotius Selar Sitompul, “Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network (CNN),” Journal of Creative Student Research, vol. 1, no. 6, pp. 89–97, Dec. 2023, doi: 10.55606/jcsrpolitama.v1i6.3046.

[19]     M. Pradnyatama, C. A. Sari, E. H. Rachmawanto, and H. M. M. Islam, “A Comparative Analysis of Convolutional Neural Network (CNN): MobileNetV2 and Xception for Butterfly Species Classification,” Jurnal Masyarakat Informatika, vol. 16, no. 1, pp. 69–90, May 2025, doi: 10.14710/jmasif.16.1.72957.

[20]     L. Cao, “A MobileNetV2 model of transfer learning is employed for remote sensing image classification.”

[21]     M. M. Abd Zaid, A. A. Mohammed, and P. Sumari, “Remote Sensing Image Classification Using Convolutional Neural Network (CNN) and Transfer Learning Techniques,” Journal of Computer Science, vol. 21, no. 3, pp. 635–645, Mar. 2025, doi: 10.3844/jcssp.2025.635.645.

[22]     A. Alim Murtopo, M. Aditdya, P. Septiana Ananda, and G. Gunawan, “PENERAPAN COMPUTER VISION UNTUK MENDETEKSI KELENGKAPAN ATRIBUT SISWA MENGGUNAKAN METODE CNN,” vol. 11, no. 2, 2024.

[23]     D. Hadi Prayitna and A. Djajadi, “PERANCANGAN PROTOTYPE DETEKSI KELENGKAPAN ATRIBUT SISWA BERBASIS COMPUTER VISION.”

[24]     L. H. Hoang, L. Nguyen, and H. Anh, “Verification of Student Uniform by Convolutional Neural Network through Images,” 2024. [Online]. Available: www.ijnrd.org

[25]     Boby Kurniawan, K. Aryaningrum, and S. Faipri Selegi, “Implementasi Pendidikan Karakter Melalui Kegiatan Ekstrakurikuler Pramuka Dalam Membentuk Kedisiplinan Siswa Sekolah Dasar Negeri 1 Teluk Kijing,” BADA’A: Jurnal Ilmiah Pendidikan Dasar, vol. 5, no. 1, pp. 130–138, Jun. 2023, doi: 10.37216/badaa.v5i1.877.

[26]     F. Maulana, A. A. Sinaga, H. Rizal, B. N. Mahendra, L. Anggraini, and U. Amartiwi, “Implementation of Computer Vision for Efficient Attendance and School Uniform Checking System.”

[27]     E. U. Hanik et al., “Civil Officium: Journal of Empirical Studies on Social Science Implementasi Pendidikan Karakter Kedisiplinan Dalam Meningkatkan Hasil Belajar Siswa Sekolah Dasar”, doi: 10.53754/civilofficium.

[28]     Q. Jia and J. He, “Student Behavior Recognition in Classroom Based on Deep Learning,” Applied Sciences (Switzerland), vol. 14, no. 17, Sep. 2024, doi: 10.3390/app14177981.

[29]     Z. Wang, M. Wang, C. Zeng, and L. Li, “SBD-Net: Incorporating Multi-Level Features for an Efficient Detection Network of Student Behavior in Smart Classrooms,” Applied Sciences (Switzerland), vol. 14, no. 18, Sep. 2024, doi: 10.3390/app14188357.

[30]     D. Li, Z. Zhang, X. Chen, H. Ling, and K. Huang, “A Richly Annotated Dataset for Pedestrian Attribute Recognition,” Mar. 2016, [Online]. Available: http://arxiv.org/abs/1603.07054

[31]     Y. Cao, Q. Cao, C. Qian, and D. Chen, “YOLO-AMM: A Real-Time Classroom Behavior Detection Algorithm Based on Multi-Dimensional Feature Optimization,” Sensors, vol. 25, no. 4, Feb. 2025, doi: 10.3390/s25041142.