Sistem Deteksi dan Pengenalan Wajah Real-Time dengan Haar Cascade dan CNN Untuk Otomatisasi Kehadiran Mahasiswa

Noorman Rinanto; Raevalita Andini Putri; Mirza Ardiana; Agus Khumaidi; Evi Nafiatus Sholikhah; Riko Satrya Fajar Jaelani Putra

doi:10.30595/jrre.v7i2.26563

Authors

Noorman Rinanto Politeknik Perkapalan Negeri Surabaya
Raevalita Andini Putri Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Surabaya
Mirza Ardiana Program Studi Manajemen Bisnis, Jurusan Teknik Bangunan Kapal, Politeknik Perkapalan Negeri Surabaya
Agus Khumaidi Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Surabaya
Evi Nafiatus Sholikhah Program Studi Teknik Keselamatan dan Kesehatan Kerja, Jurusan Teknik Permesinan Kapal, Politeknik Perkapalan Negeri Surabaya
Riko Satrya Fajar Jaelani Putra Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Surabaya

DOI:

https://doi.org/10.30595/jrre.v7i2.26563

Keywords:

Haar Cascade, CNN, edge computing, face recognition, Jetson Nano, Absensi

Abstract

Penelitian ini mengembangkan sistem absensi otomatis berbasis pengenalan wajah untuk meningkatkan efisiensi dan akurasi pencatatan kehadiran mahasiswa. Sistem memanfaatkan metode Haar Cascade untuk deteksi wajah dan Convolutional Neural Network (CNN) untuk klasifikasi identitas. Dataset terdiri dari 1.000 citra wajah dari 10 mahasiswa dengan berbagai variasi, dibagi menjadi data latih dan validasi. Model CNN dirancang dengan arsitektur sederhana dan menghasilkan akurasi validasi sebesar 99%, serta precision, recall, dan F1-score rata-rata 0,99. Implementasi real-time menggunakan Jetson Nano dan kamera CCTV menunjukkan akurasi rata-rata 93%. Hasil ini membuktikan bahwa integrasi Haar Cascade dan CNN pada perangkat edge computing mampu menghasilkan sistem absensi yang praktis, efisien, dan layak diterapkan di lingkungan perkuliahan.

References

[1] Z. SYAHPUTRA, “Implementasi Deteksi Wajah pada Sistem Absensi Dengan Menerapkan Teknik Face Recognition,” Snastikom, vol. 1, no. 01, pp. 337–341, 2022.

[2] P. R. Baja; and A. S. Ani, “Jurnal Comasie,” Comasie, vol. 6, no. 2, pp. 107–118, 2020.

[3] A. E. Pramudit and M. B. Akbar, “Absensi Dengan Pengenalan Wajah Menggunakan Convolutional Neural Network (CNN) Dan Euclidean Distance Attendance with face recognition using Convolutional Neural Network (CNN) and Euclidean Distance,” J. Info Digit, vol. 2, no. 2, pp. 616–631, 2024.

[4] S. Yulina, “Penerapan Haar Cascade Classifier dalam Mendeteksi Wajah dan Transformasi Citra Grayscale Menggunakan OpenCV,” J. Komput. Terap., vol. 7, no. 1, pp. 100–109, 2021.

[5] R. J. Subita, Ihsan Hibatur Rahman, Muhamad Rizki Pratama, Arya Bima Fauzan, Angga Novka Alana, and Nunik Pratiwi, “Pengujian Identifikasi Jumlah Kerumunan Face Recognition Menggunakan Haar Cascade Clasifier,” J. Ilm. Multidisiplin, vol. 2, no. 01, pp. 58–65, 2023.

[6] I. Maulana, N. Khairunisa, and R. Mufidah, “Deteksi Bentuk Wajah Menggunakan Convolutional Neural Network (Cnn),” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3348–3355, 2024.

[7] R. Fiddiyansyah, S. F. Ana Wati, A. S. Fitri, F. H. Zidane, and N. R. Kuslaila, “Analisis Dan Perancangan Sistem Presensi Mahasiswa Berbasis Teknologi Pengenalan Wajah Di Fakultas Ilmu Komputer Upn Veteran Jawa Timur,” J. Inform. dan Tek. Elektro Terap., vol. 11, no. 1, 2023.

[8] P. Kenda, “Sistem Presensi Berbasis Wajah Dengan Metode Haar Cascade,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 1, no. 2, pp. 419–429, 2021.

[9] A. I. Pradana, “Deteksi Ketepatan Pengunaan Masker Wajah dengan Algoritma CNN dan Haar Cascade,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 3, pp. 2305–2316, 2022.

[10] L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, no. 1, p. 53, 2021.

[11] F. D. Sukma and R. Mukhaiyar, “Alat Pendeteksi Ekspresi Wajah Pada Pengendara Berbasis Image Processing,” JTEIN J. Tek. Elektro Indones., vol. 3, no. 2, pp. 364–373, 2022.

[12] D. R. Priyambodo, I. Rachman, and R. Y. Adhitya, “Alat Bantu Inspeksi Penambat Rel Kereta Berdasarkan Klasifikasi Video Processing Berbasis YOLO CNN,” J. Conf. Autom. …, vol. 1, no. 2809, pp. 128–133, 2021.

[13] R. H. P. Sejati and R. Mardhiyyah, “Deteksi Wajah Berbasis Facial Landmark,” J. Teknol. Inf., vol. 5, no. 2, pp. 144–148, 2021.

[14] D. A. Prasetya and I. Nurviyanto, “Deteksi wajah metode viola jones pada opencv menggunakan pemrograman python,” Simp. Nas. RAPI XI FT UMS, pp. 18–23, 2012.

[15] R. Artikel, J. E. Widyaya, and S. Budi, “Pengaruh Preprocessing Terhadap Klasifikasi Diabetic Retinopathy dengan Pendekatan Transfer Learning Convolutional Neural Network,” vol. 7, no. April, pp. 110–124, 2021.