Implementasi Convolutional Neural Network (CNN) untuk Face Recognition pada Sistem Presensi Kehadiran

Moch Arif Rochmanullah, Nurlaily Vendyansyah, Febriana Santi Wahyuni

Abstract

Abstrak : 

Sistem presensi merupakan elemen penting dalam memastikan kehadiran, terutama di lingkungan pendidikan dan pekerjaan. Penelitian ini bertujuan mengembangkan sistem presensi berbasis face recognition menggunakan metode Convolutional Neural Network (CNN) untuk mengatasi kelemahan presensi manual yang rentan terhadap kecurangan, seperti di Prodi Teknik Informatika ITN Malang. Model CNN dilatih dengan deep learning menggunakan dataset wajah mahasiswa untuk mengenali pola unik fitur wajah. Hasilnya, model mencapai training accuracy sebesar 97%, validation accuracy sebesar 90%, dan pengujian mencapai accuracy 93%. Sistem ini meningkatkan efisiensi absensi dan akurasi identifikasi hingga 93%, sekaligus mengurangi potensi kecurangan.CNN terbukti andal dalam mendukung presensi berbasis teknologi dengan pengelolaan lebih praktis. Kendati demikian, performa model masih dapat ditingkatkan melalui pengayaan dataset dan optimasi model. Sistem ini berpotensi besar meningkatkan keandalan dan keamanan proses presensi, menjadi solusi inovatif dalam pengelolaan kehadiran di era digital.

=====================================================

Abstract :

The attendance system is a crucial element in ensuring presence, especially in educational and workplace settings. This study aims to develop a face recognition-based attendance system using the Convolutional Neural Network (CNN) method to address the weaknesses of manual attendance prone to fraud, as observed in the Informatics Engineering Study Program at ITN Malang. The CNN model was trained using deep learning techniques with a student face dataset to recognize unique facial features. The results show the model achieved a training accuracy of 97%, validation accuracy of 90%, and testing accuracy of 93%. This system improves attendance efficiency and identification accuracy by 93%, while reducing the potential for fraud. CNN has proven reliable in supporting technology-based attendance with more practical management. However, the model’s performance can still be improved through dataset enrichment and optimization. This system holds significant potential to enhance the reliability and security of attendance processes, providing an innovative solution for managing attendance in the digital era.

Keywords

Convolutional Neural Network, Face Recognition, Sistem Presensi, Pengenalan Wajah, Deep Learning

Full Text:

PDF

References

[1] M. F. Isputrawan, “Pengembangan Aplikasi Absensi Berbasis Web Menggunakan Face Recognition,” vol. 17, pp. 55–65, 2023.

[2] R. A. Pratama, S. Achmadi, and K. Auliasari, “Penerapan Metode Convolutional Neural Network Pada Aplikasi Deteksi Wajah Pengunjung Perpustakaan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 253–258, 2022, doi: 10.36040/jati.v6i1.4517.

[3] J. E. Wijaya, Axell Marvelino Samodra, “Sistem Presensi Pegawai dengan Face Recognition Menggunakan Deep Learning CNN,” pp. 163–168, 2023.

[4] P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.

[5] S. Abdullah, Fahmi Fauzi Agustin, “Penerapan Biometric Face Recognition Menggunakan Metode Convolutional Neural Network Pada Aplikasi Berbasis Android,” INDEXIA Inform. Comput. Intell. J., vol. 6, 2024.

[6] N. Dewi and F. Ismawan, “Implementasi Deep Learning Menggunakan Cnn Untuk Sistem Pengenalan Wajah,” Fakt. Exacta, vol. 14, no. 1, p. 34, 2021, doi: 10.30998/faktorexacta.v14i1.8989.

[7] S. Satwikayana, S. Adi Wibowo, and N. Vendyansyah, “Sistem Presensi Mahasiswa Otomatis Pada Zoom Meeting Menggunakan Face Recognition Dengan Metode Convulitional Neural Network Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 2, pp. 785–793, 2021, doi: 10.36040/jati.v5i2.3762.

[8] H. Chi and M. City, “Svitlana G. Antoshchuk 2),” vol. 3, no. 3, pp. 179–190, 2020.

[9] I. Suhardin, A. Patombongi, and A. M. Islah, “Mengidentifikasi Jenis Tanaman Berdasarkan Citra Daun Menggunakan Algoritma Convolutional Neural Network,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 6, no. 2, pp. 100–108, 2021, doi: 10.51876/simtek.v6i2.101.

[10] A. Agustyawan, “Pengolahan Citra untuk Membedakan Ikan Segar dan Tidak Segar Menggunakan Convolution Neural Network,” p. 6, 2015.

[11] M. Hartomo, Brian Dwi , Hendrayudi, “Penerapan Computer Vision untuk Absensi Wajah Berbasis Algoritma CNN pada Guru SMK Excellent 1 Tangerang,” JTIM, vol. 4, pp. 69–72, 2021.

[12] N. M. Saraswati, R. Cipta, S. Hariyono, and D. Chandra, “Face Recognition Menggunakan Metode Haar Cascade Classifier Face Recognition Using The Method Haar Cascade Classifier And Local Binary Pattern Histogram,” vol. 20, no. 3, pp. 1–6, 2023.

[13] L. Faizal, Y. Yuyun, and H. Hazriani, “Identifikasi Sampah Plastik Menggunakan Algoritma Deep Learning,” J. Ilm. Sist. Inf. dan Tek. Inform., vol. 6, no. 2, pp. 162–171, 2023, doi: 10.57093/jisti.v6i2.176.

[14] D. Arsal, Muhammad ; Wardijono, Bheta Agus ; Anggraini, “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning,” J. Nas. Teknol. dan Sist. Inf., vol. 6, pp. 55–63, 2020.

[15] C. Widi Wiguna, J. Dedy Irawan, and M. Orisa, “Penerapan Metode Convolutional Neural Network Pada Aplikasi Deteksi Wajah Buronan Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 1051–1058, 2023, doi: 10.36040/jati.v6i2.5438.

[16] H. Herdianto and D. Nasution, “Implementasi Metode Cnn Untuk Klasifikasi Objek,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 7, no. 1, pp. 54–60, 2023, doi: 10.46880/jmika.vol7no1.pp54-60.

DOI: https://doi.org/10.20961/ijai.v9i2.95563

Refbacks

  • There are currently no refbacks.