Implementasi Face Recognition Menggunakan Metode Convolutional Neural Network untuk Transformasi Digital Absensi

Ricky, Ricky (2025) Implementasi Face Recognition Menggunakan Metode Convolutional Neural Network untuk Transformasi Digital Absensi. Skripsi thesis, Program Studi Teknik Informatika.

	Text cover.pdf - Submitted Version Download (2MB)
	Text bab I.pdf - Submitted Version Download (1MB)
	Text bab II.pdf - Submitted Version Download (9MB)
	Text bab III.pdf - Submitted Version Download (4MB)
	Text bab IV.pdf - Submitted Version Restricted to Registered users only Download (5MB) | Request a copy
	Text bab V.pdf - Submitted Version Download (593kB)
	Text daftar pustaka.pdf - Submitted Version Download (944kB)
	Text lampiran.pdf - Submitted Version Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Perkembangan teknologi informasi yang pesat telah mendorong adopsi sistem digital dalam berbagai bidang, termasuk dalam pencatatan kehadiran. Namun, sistem absensi manual dan berbasis daring masih rentan terhadap kecurangan seperti titip absen dan pencatatan palsu. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem absensi digital menggunakan teknologi face recognition berbasis metode Convolutional Neural Network (CNN). Proses pengembangan sistem dimulai dengan pengumpulan data citra wajah mahasiswa melalui kamera, kemudian dilakukan praproses citra seperti konversi ke grayscale, deteksi wajah menggunakan Haar Cascade, serta normalisasi ukuran citra menjadi 100x100 piksel. Model CNN dilatih menggunakan dataset yang telah diproses, dan hasil pelatihan disimpan dalam format .joblib untuk digunakan dalam proses identifikasi wajah secara real-time. Sistem yang dibangun mampu mendeteksi dan mengenali wajah pengguna serta mencatat kehadiran secara otomatis dalam file CSV. Pengujian dilakukan dengan variabel jumlah dataset, jarak, dan posisi wajah terhadap kamera. Hasil menunjukkan bahwa akurasi sistem meningkat seiring dengan jumlah data latih yang digunakan, ditunjukkan hasil dengan 50 citra mengalami kegagalan dalam mengenali wajah dengan posisi yang tidak ideal. Walaupun jumlah dataset sangat berpengaruh pada keberhasilan sistem dalam mendeteksi wajah, penggunaan 500 citra per individu kurang efisien karena waktu pelatihan lama dan penyimpanan besar. Sebaliknya, hasil terbaik diperoleh pada skenario 200 citra per individu karena akurat, cepat, dan hemat penyimpanan. Selain jumlah dataset, pencahayaan juga sangat berpengaruh terhadap hasil deteksi wajah. Gambar wajah yang diambil dalam kondisi gelap atau pencahayaan tidak merata sering kali sulit dikenali karena fitur wajah tidak terlihat jelas. Oleh karena itu, pengambilan gambar sebaiknya dilakukan di tempat dengan pencahayaan yang cukup dan merata agar hasilnya lebih akurat. Penelitian ini membuktikan bahwa metode CNN efektif dalam mendukung transformasi digital sistem absensi yang lebih akurat, efisien, dan bebas kecurangan.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Face Recognition, Convolutional Neural Network, Sistem Absensi, Transformasi Digital : Face Recognition, Convolutional Neural Network, Attendance System, Digital Transformation
Subjects:	000 Karya Umum > 000-009 Ilmu Umum dan Komputer > 006.3 Kecerdasan Buatan
Divisions:	Fakultas Teknik dan Komputer > Teknik Informatika
Depositing User:	Susila Novmbrita
Date Deposited:	08 Nov 2025 07:08
Last Modified:	08 Nov 2025 07:08
URI:	http://repository.upbatam.ac.id/id/eprint/6925

Actions (login required)

View Item

Downloads