SISTEM ABSENSI MAHASISWA MENGGUNAKAN FACE RECOGNITION DENGAN ALGORITMA CNN
Abstract
Sistem kehadiran mahasiswa sangat membantu dalam memantau kehadiran mahasiswa. Teknologi modern, seperti pengenalan suara, retina mata, dan pengenalan wajah, dapat digunakan untuk mendeteksi objek. Penulis akan membuat model untuk mengidentifikasi wajah mahasiswa. Dalam penelitian ini, penulis menggunakan algoritma Convolutional Neural Network (CNN) yang dimodifikasi. Spesifikasi hardware dan software yang digunakan menentukan kompleksitas CNN yang dirancang. Data wajah siswa dikumpulkan secara langsung dari dataset pribadi. menggunakan kamera handphone standar untuk memotret wajah mahasiswa. Setiap mahasiswa menghasilkan 60 gambar, masing-masing dengan 4 kelas (label). Pengambilan foto dari berbagai sudut wajah, termasuk dari atas, bawah, depan, samping kiri, dan samping kanan. Dalam penelitian ini, berbagai teknik augmentasi digunakan, seperti teknik flip, rotasi acak, dan affine, untuk memperkaya dataset wajah siswa. Selain itu, penerapan teknik regularisasi, seperti dropout, dilakukan untuk meningkatkan akurasi model, mempercepat proses pelatihan, dan mencegah terjadinya overfitting.Hasil evaluasi menggunakan confusion matrix pada algoritma Convolutional Neural Network (CNN) yang dimodifikasi menunjukkan bahwa proses pelatihan model menjadi lebih cepat dengan waktu 1.23 jam. Akurasi model mencapai 99.85%, dan nilai loss stabil pada angka 0.0112 setelah 40 epoch. Model yang dihasilkan dengan metode ini dapat direkomendasikan untuk diimplementasikan dalam sistem kehadiran mahasiswa, menunjukkan kehandalan dan efektivitasnya.
References
aryansyah, H., Gusmana, R., Fadlan, M., & Wibisono, A. D. (2022). Sistem Presensi Perkuliahan Berbasis Internet Of Things Untuk Efektifitas Rekapitulasi Kehadiran Mahasiswa. Sebatik, 26(2), 834-844.
Kurniawan, Henri, dan Kusnawi Kusrini. 2023. “JURNAL MEDIA INFORMATIKA BUDIDARMA Klasifikasi Pengenalan Wajah Siswa Pada Sistem Kehadiran dengan Menggunakan Metode Convolutional Neural Network.”
Alwendi, A., & Masriadi, M. (2021). Aplikasi Pengenalan Wajah Manusia Pada Citra Menggunakan Metode Fisherface. Jurnal Digit: Digital of Information Technology, 11(1), 01-08.
Srinivas, T., Aditya Sai, G., & Mahalaxmi, R. (2022). A comprehensive survey of techniques, applications, and challenges in deep learning: A revolution in machine learning. International Journal of Mechanical Engineering, 7(5), 286-296.
Qassim, H., Verma, A., & Feinzimer, D. (2018, January). Compressed residual-VGG16 CNN model for big data places image recognition. In 2018 IEEE 8th annual computing and communication workshop and conference (CCWC) (pp. 169-175). IEEE.
Negi, A., Kumar, K., Chauhan, P., & Rajput, R. S. (2021, February). Deep neural architecture for face mask detection on simulated masked face dataset against covid-19 pandemic. In 2021 international conference on computing, communication, and intelligent systems (ICCCIS) (pp. 595-600). IEEE.
Majib, M. S., Rahman, M. M., Sazzad, T. S., Khan, N. I., & Dey, S. K. (2021). Vgg-scnet: A vgg net-based deep learning framework for brain tumor detection on mri images. IEEE Access, 9, 116942-116952.
Zhang, Hongli & Jolfaei, Alireza & Alazab, Mamoun. (2019). A Face Emotion Recognition Method Using Convolutional Neural Network and Image Edge Computing. IEEE Access. PP. 1-1. 10.1109/ACCESS.2019.2949741.
.
