Sistem Absensi Real-Time Menggunakan Deteksi Wajah dengan Algoritma DNN

Hasibuan, Mega Wira Laksmana Dewi (2026) Sistem Absensi Real-Time Menggunakan Deteksi Wajah dengan Algoritma DNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 10311910000032 -Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Sistem presensi berbasis pengenalan wajah menawarkan tingkat kepraktisan dan efisiensi yang lebih tinggi dibandingkan metode konvensional seperti tanda tangan manual dan kartu identitas. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem presensi berbasis pengenalan wajah menggunakan metode deep learning dengan memanfaatkan pustaka OpenCV dan DeepFace, serta antarmuka pengguna grafis berbasis Tkinter. Metode yang digunakan terdiri dari dua tahap utama. Tahap pertama adalah akuisisi dataset wajah secara otomatis menggunakan kamera. Sistem dilengkapi dengan penghitung waktu mundur (countdown timer) untuk memastikan kualitas gambar yang baik, dan dataset yang dihasilkan disimpan dalam direktori khusus berdasarkan identitas pengguna. Tahap kedua adalah proses pengenalan wajah menggunakan model FaceNet melalui pustaka DeepFace. Model ini mengekstraksi citra wajah menjadi vektor embedding dan melakukan pencocokan terhadap dataset yang telah tersimpan. Apabila jarak embedding berada di bawah ambang batas (threshold) yang telah ditentukan yaitu 0.7 atau setara dengan 70%, wajah akan dikenali sebagai individu yang terdaftar; sebaliknya, sistem akan memberikan label unknown (tidak dikenal).Untuk meningkatkan kemudahan penggunaan, penelitian ini mengembangkan antarmuka pengguna grafis berbasis Tkinter yang memungkinkan pengguna merekam dataset wajah dan melakukan pencatatan presensi melalui tombol menu yang tersedia. Selain itu, sistem menampilkan informasi proses secara langsung (real-time) melalui notifikasi visual pada jendela aplikasi serta teks status pada konsol. Hasil implementasi menunjukkan bahwa sistem mampu mengenali wajah pengguna dengan akurasi sebesar 90,50%, macro precision sebesar 88,16%, macro recall sebesar 81,90%, dan macro F1-score sebesar 84,17%. Salah satu keunggulan utama sistem ini adalah tidak memerlukan perangkat keras khusus karena dapat dijalankan pada komputer dengan kamera standar serta dapat diintegrasikan dengan aplikasi manajemen presensi di sekolah, perguruan tinggi, maupun institusi lainnya. Secara keseluruhan, penelitian ini berhasil mengembangkan prototipe sistem presensi berbasis pengenalan wajah yang praktis dan efisien serta berpotensi untuk diimplementasikan dalam skala yang lebih luas.
=======================================================================================================================================
Face recognition-based attendance systems offer greater practicality and efficiency compared to conventional methods such as manual signatures and identity cards. This study aims to design and implement a deep learning-based face recognition attendance system using the OpenCV and DeepFace libraries, along with a Tkinter-based graphical user interface. The method consists of two main stages. The first stage is automatic face dataset acquisition using a camera. The system is equipped with a countdown timer to ensure good image quality, and the captured dataset is stored in a dedicated directory based on the user identity. The second stage is the face recognition process using the FaceNet model through the DeepFace library. The model extracts facial images into embedding vectors and performs matching against the stored dataset. If the embedding distance is below the predefined threshold that is 0.7 or 70%, the face is recognized as a registered individual; otherwise, the system assigns an unknown label. To improve usability, this study develops a Tkinter-based graphical user interface, allowing users to record face datasets and perform attendance recording by pressing the available menu buttons. In addition, the system displays real-time process information through visual notifications on the application window and status text on the console. The implementation results show that the system can recognize users' faces with an accuracy of 90.50%, macro precision of 88.16%, macro recall of 81.90%, and macro F1-score of 84.17%. One of the main advantages of this system is that it does not require special hardware because it can be run on a computer with a standard camera, and it can be integrated into attendance management applications in schools, universities, and institutions. Overall, this study successfully developed a practical and efficient face recognition-based attendance prototype with potential implementation on a wider scale.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Face Recognition, DeepFace, OpenCV, FaceNet, Deep Learning.
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing T Technology > T Technology (General) > T58.8 Productivity. Efficiency T Technology > T Technology (General) > T59.7 Human-machine systems.
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Mega Wira Laksmana Dewi Hsb
Date Deposited:	24 Aug 2026 08:15
Last Modified:	24 Aug 2026 08:15
URI:	http://repository.its.ac.id/id/eprint/144386

Actions (login required)

View Item