Sistem Presensi Kelas Berbasis Pengenalan Wajah Menggunakan Metode CNN

  • Dianthika Puteri Andini (Scopus ID: 57202783330), Politeknik Negeri Bandung ORCID
  • YB Gunawan Sugiarta Politeknik Negeri Bandung
  • Trisno Yuwono Putro Politeknik Negeri Bandung
  • Ryan Dwi Setiawan Politeknik Negeri Bandung
PDF
DOI https://doi.org/10.31544/jtera.v7.i2.2022.315-322
Published 2022-12-31
Full Text Preview
Download PDF

Abstract

Artikel ini mengusulkan sistem presensi kelas berbasis pengenalan wajah. Metode yang diterapkan adalah Convolutional Neural Network (CNN) dengan keterbaruan adalah penyajian dalam file Ms. Excel secara langsung. Metode ini dapat digunakan untuk melakukan proses ekstraksi fitur dari citra dan mengklasifikasikan citra. Aplikasi dirancang menggunakan Graphical User Interface (GUI) untuk pengisian presensi mahasiswa. Pada tampilan dapat digunakan untuk melakukan registrasi secara langsung untuk pembuatan dataset dan model. Perangkat keras sistem terdiri dari kamera, minicomputer, dan LCD. Cara kerja sistem keseluruhan meliputi registrasi, preprocessing, pengenalan citra wajah, dan hasil output identitas mahasiswa. Hasil pengujian menunjukkan bahwa sistem ini memiliki nilai akurasi 85% dan jumlah epoch 40. Waktu dalam proses pengenalan yaitu 3 hingga 9 detik dengan jarak wajah dari kamera 30-50 cm. Sistem bekerja maksmimal jika digunakan pada ruangan dengan pencahayaan berlampu terang. Sudut maksimal wajah menghadap kamera sebesar 10 derajat.

Keywords

pengenalan wajah daftar hadir Convolutional Neural Network (CNN)

References

E. Indra, M. Batubara, M. Yasir, and S. Chau, “Desain dan Implementasi Sistem Absensi Mahasiswa Berdasarkan Fitur Pengenalan Wajah dengan Menggunakan Metode Haar-Like Feature,†Jurnal Teknologi Dan Ilmu Komputer Prima, vol. 2, no. 2, 2019.
R. Firliana, “Aplikasi Informasi Absensi Mahasiswa dan Dosen,†Journal of Computer and Information Technology, vol. 2, no. 2, 2019.
M. Yusuf, R. V. H. Ginardi, and A. S. Ahmadiyah, “Rancang Bangun Aplikasi Absensi Perkuliahan Mahasiswa dengan Pengenalan Wajah,†Jurnal Teknik ITS, vol. 5, no. 2, 2016.
F. Fandiansyah, J. Y. Sari, and I. P. Ningrum, “Pengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan K-Nearest Neighbor,†Ultimatics, vol. 9, no. 1, 2017.
R. D. Nurfita and G. Ariyanto, “Implementasi Deep Learning Berbasis Tensorflow untuk Pengenalan Sidik Jari,†Emitor: Jurnal Teknik Elektro, vol. 18, no. 1, 2018.
Z. Muarifin, D. Darlis, and A. Novianti, “Perencanaan dan Implementasi Image Processing untuk Absensi Kehadiran,†e-Proceeding of Applied Science, vol. 6, no. 2, 2020.
J. Juliyansyah and B. Bayu, “Facial Recognition Implementation Using K-NN and PCA Feature Extraction in Attendance,†SinkrOn: Jurnal dan penelitian Teknik Informatika, vol. 5, no. 1, 2020.
M. Arsal, B. A. Wardijono, and D. Anggraini, “Face Recognition untuk Akses Pegawai Bank Menggunakan Deep Learning dengan Metode CNN,†Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 1, 2020.
D. P. Andini, Y B. G. Sugiarta, and E. P. S. Zaelani, “Pendeteksian dan Pengenalan Citra Wajah dengan Ekstraksi Fitur Menggunakan Filter Gabor†Jurnal Teknologi Rekayasa, vol. 5, no. 2, 2020.
OpenCV, “Cascade Classifier,†[Online]. Available: https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html.
A. K. Jain, Fundamentals of Digital Image Processing, PHI Learning, 1st Ed.
Pengolahan Citra, “Pengolahan Citra Digital,†[Online]. Available: http://amutiara.staff.gunadarma.ac.id.
Pyimagesearch, “Keras Conv2D and Convolutional Layer,†[Online]. Available: https://www.pyimagesearch.com/2018/12/31/keras-conv2d-and-convolutional-layers/. [Diakses 3 Mei 2021]
I W. Suartika, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,†Jurnal Teknik ITS, vol. 5, no. 1, 2016.
Stack Abuse, “Image Recognition in Python with TensorFlow and Keras,†[Online]. Available: https://stackabuse.com/image-recognition-in-python-with-tensorflow-and-keras/.
Face-rec, “Yale Face Database,†[Online]. Available: https://www.face-rec.org/database.

Issue

Vol. 7 No. 2: December 2022

Section

Articles

License

Authors who publish with this journal agree to the following terms:

The copyright to this article is transferred to JTERA if and when the article is accepted for publication. The undersigned hereby transfers any and all rights in and to the paper including without limitation all copyrights to JTERA. The undersigned hereby represents and warrants that the paper is original and that he/she is the author of the paper, except for material that is clearly identified as to its original source, with permission notices from the copyright owners where required. The undersigned represents that he/she has the power and authority to make and execute this assignment. The copyright transfer form will be sent via email before the article published.

The corresponding author signs for and accepts responsibility for releasing this material on behalf of any and all co-authors. This agreement is to be signed by at least one of the authors who have obtained the assent of the co-author(s) where applicable. After submission of this agreement signed by the corresponding author, changes of authorship or in the order of the authors listed will not be accepted.

How to Cite

[1]
“Sistem Presensi Kelas Berbasis Pengenalan Wajah Menggunakan Metode CNN”, JTERA, vol. 7, no. 2, pp. 315–322, Dec. 2022, doi: 10.31544/jtera.v7.i2.2022.315-322.