1. Integrasi antara kecerdasan buatan dan penilaian mandiri

Integrasi antara kecerdasan buatan (AI) dan penilaian mandiri (self-assessment) dalam Self-Proctoring Terpadu merepresentasikan keseimbangan harmonis antara objektivitas mesin dan kesadaran subjektif manusia. AI bertindak sebagai “cermin digital” yang jujur, memantulkan realitas fisik dan performa mekanis tanpa bias—seperti presisi kontak mata, stabilitas postur, dan kejelasan suara. Namun, pendidikan bukan sekadar persoalan metrik mekanis yang kaku; pendidikan adalah proses pemaknaan. Di sinilah penilaian mandiri mengambil peran esensial.

Saat mahasiswa menilai dirinya sendiri, mereka tidak sekadar menginput angka, melainkan melakukan refleksi batin atas usaha, niat, dan konteks pemikiran di balik presentasi tersebut. Sintesis dari kedua entitas ini menciptakan keadilan epistemologis: mesin menyajikan data empiris yang presisi, sementara manusia memberikan ruh dan konteks. Pendekatan ini membebaskan teknologi dari sekadar alat pengawas (surveillance) menjadi mitra dialogis yang memberdayakan mahasiswa untuk mengenali potensi dirinya secara utuh dan bermartabat.

2. Self-Proctoring Terpadu

Self-Proctoring Terpadu berpijak pada konvergensi antara Multimodal Learning Analytics (MLA) dan Teori Pembelajaran Metakognitif. Dari sisi MLA, sistem menggunakan visi komputer dan pemrosesan sinyal audio untuk mengukur keterlibatan performatif (affective computing). Teori ini mengasumsikan bahwa kondisi fisik—seperti postur tegak atau intonasi suara yang stabil—berkorelasi positif dengan tingkat kepercayaan diri dan efektivitas komunikasi.

Di sisi lain, Teori Metakognisi dari John Flavell menekankan pentingnya self-monitoring (memantau diri) dan self-regulation (mengatur diri). Ketika mahasiswa menyandingkan skor AI yang bersifat behavioristik dengan skor rubrik manual yang mereka evaluasi sendiri secara kognitif (menilai konten, solusi, dan wireframe), akan terjadi proses evaluasi tingkat tinggi. Gabungan kedua teori ini menghasilkan kerangka asesmen formatif yang komprehensif: AI mengukur performa tingkat dasar (psikomotorik dan afektif), sedangkan manusia mengukur performa tingkat atas (analisis dan sintesis masalah).

3. Operasionalisasi Self-Proctoring Terpadu

Operasionalisasi Self-Proctoring Terpadu dijalankan melalui serangkaian prosedur komputasional dan pedagogis yang berjalan secara paralel, simultan, dan real-time:

1. Akuisisi Data Paralel (Input): Sistem memuat video presentasi secara lokal (client-side processing) untuk menghindari latensi jaringan. Ini memungkinkan data visual dan audio diproses tepat waktu frame-demi-frame.
2. Ekstraksi Fitur Berbasis Mesin (AI Analytics): Saat video berputar, algoritma bekerja di latar belakang mengukur metrik spesifik:
   • Kinesik & Proksemik: Menggunakan deteksi landmark untuk menghitung rasio orientasi wajah (Gaze) dan keselarasan sumbu bahu (Posture).
   • Afektif: Mengkalkulasi jarak sudut bibir (smile curve) untuk mendeteksi emosi dan antusiasme.
   • Akustik: Menggunakan Web Audio API untuk membaca frekuensi dan amplitudo desibel demi menilai kejelasan artikulasi.
   • Skoring objektif didapat dari persentase akumulasi frame yang memenuhi standar ideal dibandingkan total durasi presentasi.
3. Evaluasi Berbasis Rubrik (Human Analytics): Mahasiswa melakukan observasi mandiri (metodologi observasional) terhadap konten video mereka sendiri. Mereka mendistribusikan nilai menggunakan instrumen skala rasio (0-100) berdasarkan indikator akademik yang baku (Konteks, Solusi, Desain, Performa).
4. Sintesis & Perekaman Terpusat: Pada tahap akhir metodologi, sistem mengekstrak metadata (Durasi Video), variabel kontinu dari AI (Skor Mesin), dan variabel diskrit dari mahasiswa (Skor Manual). Seluruh data ini direkonstruksi menjadi satu payload JSON dan diintegrasikan ke pangkalan data (Google Sheets) melalui Application Programming Interface (API), menghasilkan rekam jejak evaluasi ganda yang siap dianalisis secara statistik oleh dosen pengampu.