Evaluasi Arsitektur Convolutional Neural Network MobileNetV1 pada Sistem Face Recognition untuk Monitoring Presensi
DOI:
https://doi.org/10.61124/sinta.v2i3.83Keywords:
Absensi, Convolutional Neural Network, Face Recognition, MobileNetv1, TensorFlow.jsAbstract
Kemajuan teknologi informasi yang cepat mendorong perusahaan untuk selalu meningkatkan efisiensi operasional, termasuk dalam manajemen pengambilan data absensi karyawan. Penelitian ini bertujuan mengembangkan sistem monitoring absensi berbasis face recognition menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetv1 untuk meningkatkan keakuratan, efisiensi, dan keamanan pencatatan kehadiran karyawan. Metode yang akan digunakan meliputi proses pengumpulan data wajah karyawan, pre-processing citra, pelatihan dan pengujian model CNN berbasis TensorFlow.js yang dapat diakses melalui website. Pada penelitian ini pengambilan data akan dilakukan menggunakan kamera laptop sebagai alat input citra. Pengambilan dan pengujian menggunakan data uji dengan 10 partisipan secara langsung untuk simulasi pada lingkungan kerja. Pengujian dilakukan di dalam ruangan dengan berbagai pencahayaan. Hasil pengujian yang telah dilakukan menunjukkan tingkat akurasi sebesar 94%, dengan model berhasil mengenali wajah dalam berbagai kondisi posisi dan pencahayaan. Penelitian yang telah dilakukan terbukti efektif untuk digunakan sebagai solusi presensi modern yang minim kontak fisik dan memiliki akurasi tinggi.
References
D. Oktareza, A. Noor, E. Saputra, dan A. V Yulianingrum, “Transformasi digital 4.0: Inovasi yang menggerakkan perubahan global,” Cendekia: Jurnal Hukum, Sosial dan Humaniora, vol. 2, no. 3, hlm. 661–672, 2024.
S. Mulyati, “Sistem absensi menggunakan sensor fingerprint dan database system pada PT. XYZ Tangerang,” dalam Prosiding Simposium Nasional Multidisiplin (SinaMu), 2023, hlm. 149–154.
A. Purwono, A. Ma’arif, W. Rahmaniar, H. I. K. Fathurrahman, A. Z. K. Frisky, dan Q. M. U. Haq, “Understanding of Convolutional Neural Network (CNN): A review,” International Journal of Robotics and Control Systems, vol. 2, no. 4, hlm. 739–748, 2022, doi: 10.31763/ijrcs.v2i4.888.
D. P. Andini, Y. G. Sugiarta, T. Y. Putro, dan R. D. Setiawan, “Sistem presensi kelas berbasis pengenalan wajah menggunakan metode CNN,” Jtera (Jurnal Teknologi Rekayasa), vol. 7, no. 2, hlm. 315–322, 2022, doi: 10.31544/jtera.v7.i2.2022.315-322.
H. Kurniawan, K. Kusrini, dan K. Kusnawi, “Klasifikasi pengenalan wajah siswa pada sistem kehadiran dengan menggunakan metode Convolutional Neural Network,” Jurnal Media Informatika Budidarma, vol. 7, no. 2, hlm. 846–852, 2023, doi: 10.30865/mib.v7i2.5958.
K. Sari, “Perancangan sistem absensi facial recognition menggunakan CNN dan liveness detector pada BPR Central Dana Mandiri,” Jurnal Informatika dan Rekayasa Komputer (JAKAKOM), vol. 2, no. 1, hlm. 70–80, 2022.
S. Satwikayana, S. A. Wibowo, dan N. Vendyansyah, “Sistem presensi mahasiswa otomatis pada Zoom Meeting menggunakan face recognition dengan metode Convolutional Neural Network berbasis web,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 5, no. 2, hlm. 785–793, 2021.
D. I. Mulyana, “Klasifikasi absensi face geo-location menggunakan metode CNN pada PT Indomarco Prismatama,” Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 6, no. 1, hlm. 303–317, 2025.
C. Shorten dan T. M. Khoshgoftaar, “A survey on image data augmentation for deep learning,” J Big Data, vol. 6, no. 1, hlm. 1–48, 2019.
A. G. et al. Howard, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017.
I. Goodfellow, Y. Bengio, dan A. Courville, Deep Learning. MIT Press, 2016.
D. et al. Smilkov, “TensorFlow.js: Machine Learning for the Web and Beyond,” 2019.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Zein Hanni Pradana, Eva Febiyani, Indah Permatasari
This work is licensed under a Creative Commons Attribution 4.0 International License.
