Nama : Mayanda Mega Santoni Program Studi : Doktor Ilmu Komputer Judul : Pendekatan Model Stacking Ensemble Deep Learning untuk Deteksi Keterlibatan Perilaku dan Emosional Peserta Didik Berbasis Sinyal Sosial Nonverbal Visual pada Pembelajaran Daring Sinkronus Pembelajaran daring sinkronus memungkinkan interaksi berlangsung secara real-time, tetapi masih menghadirkan tantangan dalam memantau keterlibatan peserta didik secara objektif dan berkelanjutan. Penelitian ini bertujuan mengembangkan pendekatan deteksi otomatis untuk memprediksi tingkat keterlibatan perilaku dan emosional peserta didik yang direpresentasikan berdasarkan proksi perilaku visual yang dapat diamati melalui pendekatan social signal processing dan computer vision. Fokus penelitian diarahkan pada dimensi behavioral dan emotional engagement yang direpresentasikan melalui ekspresi wajah, arah tatapan, gerakan kepala, dan gerakan tangan ke wajah sebagai observable behavioral proxies. Penelitian dilakukan pada satu mata kuliah di salah satu perguruan tinggi di Indonesia yang diselenggarakan dalam dua kelas paralel dengan materi, kurikulum, dan pendidik yang sama. Dataset dibangun dari segmen video pembelajaran daring sinkronus dan dianotasi berdasarkan skema anotasi yang dirancang secara operasional. Kualitas anotasi dievaluasi menggunakan reliabilitas antar-anotator dan convergent validity. Hasil Fleiss’ Kappa sebesar 0,6106 menunjukkan substantial agreement. Hasil convergent validity menunjukkan 67,07% segmen konvergen, 20,73% konvergen sebagian, dan 12,20% tidak konvergen, dengan tingkat dukungan konvergensi sebesar 87,80%, melampaui acuan minimal konvergensi sebesar 75%. Hasil ini menunjukkan bahwa data anotasi layak digunakan dengan catatan bahwa sebagian kecil data berpotensi mengandung label noise dan perlu ditafsirkan secara hati-hati. Penelitian ini mengusulkan model stacking ensemble deep learning dengan mengombinasikan Convolutional Neural Network (CNN), Residual Network (ResNet), dan Convolutional Vision Transformer (CvT) sebagai base learner, serta Logistic Regression sebagai metalearner. Reduksi dimensi dilakukan menggunakan Singular Value Decomposition (SVD), sedangkan ketidakseimbangan kelas ditangani melalui penggabungan kelas minoritas. Evaluasi model dilakukan menggunakan k-fold cross-validation dengan metrik akurasi, macro-precision, macro-recall, dan macro-F1 score. Hasil eksperimen menunjukkan bahwa model yang diusulkan memperoleh performa terbaik dengan akurasi 0,8256, macro-F1 score 0,7161, macro-precision 0,7752, dan macro-recall 0,6934, serta secara signifikan mengungguli model baseline pada seluruh metrik evaluasi. Dengan demikian, penelitian ini berkontribusi pada pengembangan kerangka deteksi keterlibatan perilaku dan emosional berbasis sinyal sosial nonverbal, dengan hasil prediksi diposisikan sebagai estimasi berbasis observable behavioral proxies, bukan pengukuran langsung terhadap keseluruhan konstruk student engagement.