Analisis Performa Aplikasi Pengenalan Wajah Fast : Latensi Dan Penggunaan Sumber Daya
Abstract
Sistem presensi konvesional masih mengalami
masalah efisiensi dalam pengelolaan kehadiran. Studi ini
merancang aplikasi Face Attendance for Students (FAST)
menggunakan teknologi pengenalan wajah berbasis Machine
Learning yang terhubung dengan Firebase Realtime Database.
FAST melakukan pencatatan kehadiran mahasiswa secara
otomatis dengan memanfaatkan Google ML Kit dan FaceNet,
sementara Firebase berfungsi sebagai tempat penyimpanan
data utama. Hasil analisis mengindikasikan bahwa sistem
menunjukkan latensi pengenalan wajah antara 36–182 ms
(median 162 ms) dan pencatatan presensi antara 2–39 ms
(median 4 ms), memastikan respon yang cepat dan efisien.
Aplikasi ini juga menunjukkan efisiensi dalam penggunaan
sumber daya, dengan pemakaian memori hanya 28 MB dari
total 384 MB yang ada. Dengan kinerja tersebut, FAST menjadi
jawaban inovatif dan efisien untuk presensi perkuliahan.
Kata kunci — presensi, pengenalan wajah, Firebase, Machine
Learning, efisiensi sistem.
References
Universitas Telkom, “Pedoman Akademik
Universitas Telkom,” Bandung, 2020
N. Rao K Mahalakshmi, “A Novel Face Detection
and Recognition System Using Machine Learning
Approaches,” International Journal of Science and
Research (IJSR), vol. 12, no. 6, pp. 2730–2738, Jun.
, doi: 10.21275/SR23626104114.
Dicoding, “Apa itu Firebase? Pengertian, JenisJenis, dan Fungsi Kegunaannya.” Accessed: Jun. 17,
[Online]. Available: Dicoding, “Apa itu
Firebase? Pengertian, Jenis-Jenis, dan Fungsi
Kegunaannya.”
Google Developers, “Object Detection and
Tracking with ML Kit on Android.” Accessed: Oct.
, 2024. [Online]. Available:
https://codelabs.developers.google.com/mlkitandroid-odt?hl=id#0
F. Schroff, D. Kalenichenko, and J. Philbin,
“FaceNet: A unified embedding for face recognition
and clustering,” in 2015 IEEE Conference on
Computer Vision and Pattern Recognition (CVPR),
IEEE, Jun. 2015, pp. 815–823. doi:
1109/CVPR.2015.72
