Pengenalan Wajah Untuk Sistem Presensi Menggunakan Convolutional Neural Network
Abstract
Abstrak — Penelitian ini bertujuan mengatasi permasalahan sistem presensi karyawan manual yang rentan terhadap manipulasi dan kecurangan dari setiap individu, serta kebutuhan akan sistem presensi otomatis berbasis pengenalan wajah yang akurat dan andal, khususnya untuk membatasi akses keluar-masuk keruang Server DRC di PT. Pelindo Marine Service. Sebagai solusi, penelitian ini bertujuan untuk merancang dan membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu InceptionV3, ResNet50, dan VGG16, dalam penerapan sistem pengenalan wajah. Dataset wajah yang digunakan diambil pada saat magang dan telah melalui tahap cropping secara otomatis menggunakan metode atau model MTCNN, pada tiga skenario training dataset yang berbeda berdasarkan jumlah epoch: 50, 80, dan 100. Evaluasi dilakukan terhadap akurasi pelatihan, akurasi validasi, serta efisiensi waktu pelatihan dari masing-masing arsitektur. Hasil penelitian menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi validasi tertinggi sebesar 99,31% pada epoch ke-100, meskipun membutuhkan waktu pelatihan lebih lama. VGG16 menempati posisi kedua dengan akurasi validasi 96,74%, namun lebih efisien dari sisi durasi pelatihan. Namun pada saat ditahap pengujian atau demo hasil arsitektur VGG16 menjadikannya pilihan yang kurang baik untuk implementasi pada dataset yang digunakan, dilanjutkan dengan arsitektur Resnet50 yang sedikit lebih baik dari segi classification pada saat tes pengujian hasil. Untuk hasil yang terbaik didapatkan oleh arsitektur InceptionV3 yang hasil Accuracy nya mendapatkan 78% dari hasil classification report. Dari hasil evaluasi tersebut, dapat disimpulkan bahwa InceptionV3 paling direkomendasikan untuk sistem pengenalan wajah yang membutuhkan akurasi tinggi, hal ini bisa dibuat bahan acuhan untuk mencari mana hasil terbaik untuk sistem pengenalan wajah untuk karyawan. Sistem yang dikembangkan memiliki potensi untuk diterapkan di lingkungan kerja seperti PT. Pelindo Marine Service.
Kata kunci—Pengenalan wajah, Computer Vision, InceptionV3, Resnet50, VGG16, Deep learning
Downloads
References
[1] Balasubramanian, A. A., Al-Heejawi, S. M. A., Singh, A., Breggia, A., Ahmad, B., Christman, R., Ryan, S. T., & Amal, S. (2024). Ensemble Deep Learning-Based Image Classification for Breast Cancer Subtype and Invasiveness Diagnosis from Whole Slide Image Histopathology. Cancers, 16(12). https://doi.org/10.3390/cancers16122222
[2] Danial, N. H., & Setiawati, D. (2024). Convolutional Neural Network (CNN) Based on Artificial Intelligence in Periodontal Diseases Diagnosis. Interdental Jurnal Kedokteran Gigi (IJKG), 20(1), 139–148. https://doi.org/10.46862/interdental.v20i1.8641
[3] Dwiparaswati, S. V. (2022). Implementasi Pengenalan Wajah Secara Real-Time Dengan Metode Haar Cascade Classifier Menggunakan OpenCV-Python. Ug Jurnal, 16(2), 51–59.
[4] Fasounaki, M., Yüce, E. B., Önçül, S., & İnce, G. (2021). CNN-Based Text-Independent Automatic Speaker Identification Using Short Utterances. Proceedings - 6th International Conference on Computer Science and Engineering, UBMK 2021, 413–418. https://doi.org/10.1109/UBMK52708.2021.9559031
[5] Fuadi, M., Darusalam, U., Kusuma Whardana, A., Nasional, U., Sawo Manila, J., Ps Minggu Jakarta, P., Sistem Informatika, J., & Teknologi Komunikasi dan Informatika, F. (2021). Face Recognition Menggunakan OpenCV Dengan Bahasa Pemrograman Python OOP Untuk Sistem Presensi Rumah Sakit. Journal of Artificial Intelligence and Innovative Applications, 2(3), 2775–4057. http://openjournal.unpam.ac.id/index.php/JOAIIA/index218
[6] Lina, Adhitya Marunduh, A., Wasino, & Ajienegoro, D. (2022). Identifikasi Emosi Wajah Pengguna Konferensi Video Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-16. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 9(5), 1047–1054. https://doi.org/10.25126/jtiik.202295269
[7] Lu, W., Li, J., Wang, J., & Qin, L. (2021). A CNN-BiLSTM-AM Method for Stock Price Prediction. Neural Computing and Applications, 33(10), 4741–4753. https://doi.org/10.1007/s00521-020-05532-z
[8] Putra, S. P., Fitri, I., & Ningsih, S. (2021). Absensi Pengenalan Wajah Menggunakan Menggunakan Algoritma Eigenface Berbasis Web. Journal of Applied Informatics and Computing, 5(1), 21–27. https://doi.org/10.30871/jaic.v5i1.2711
[9] Rachman, F. P. (2021). Perbandingan Model Deep Learning untuk Klasifikasi Sentiment Analysis dengan Teknik Natural Language Processing. Jurnal Teknologi dan Manajemen Informatika, 7(2), 113–121. https://doi.org/10.26905/jtmi.v7i2.6506
[10] Reihardian, E. (2024). Klasifikasi Ekspresi Wajah Manusia Menggunakan Metode CNN Dengan Arsitektur Visual Geometry Group (VGG-Net). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 8(8), 1–6.
[11] Salehi, A. W., Khan, S., Gupta, G., Alabduallah, B. I., Almjally, A., Alsolai, H., Siddiqui, T., & Mellit, A. (2023). A Study of CNN and Transfer Learning in Medical Imaging: Advantages, Challenges, Future Scope. Sustainability (Switzerland), 15(7). https://doi.org/10.3390/su15075930
[12] Septyanto, M. W., Sofyan, H., Jayadianti, H., Simanjuntak, O. S., & Prasetyo, D. B. (2020). Aplikasi Presensi Pengenalan Wajah Dengan Menggunakan Algoritma Haar Cascade Classifier. Telematika, 16(2), 87. https://doi.org/10.31315/telematika.v16i2.3182
[13] Siddik, A. M. A. (2023). Comparison of Transfer Learning Algorithm Performance in Hand Sign Language Digits Image Classification. Jurnal Matematika, Statistika dan Komputasi, 20(1), 75–89. https://doi.org/10.20956/j.v20i1.26503
[14] Sugeng, S., & Mulyana, A. (2022). Sistem Absensi Menggunakan Pengenalan Wajah (Face Recognition) Berbasis Web LAN. Jurnal Sisfokom (Sistem Informasi dan Komputer), 11(1), 127–135. https://doi.org/10.32736/sisfokom.v11i1.1371
[15] Tanuwijaya, E., & Roseanne, A. (2021). Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 21(1), 189–196. https://doi.org/10.30812/matrik.v21i1.1492
[16] Ulumul, M., & Huda, I. (2024). Identification of Digital Signature Patterns Based on the CNN Method at Almas’udiyyah Islamic Boarding School: Identifikasi Pola Tanda Tangan Digital Berbasis Metode CNN pada Pondok Pesantren Almas’udiyyah.
[17] Wardani, K. R. R., Suryalim, H., Engel, V. J. L., & Christian, H. (2023). Analisis Pemilihan Optimizer dalam Arsitektur Convolution Neural Network VGG16 dan Inception untuk Sistem Pengenalan Wajah. Jurnal Edukasi dan Penelitian Informatika (JEPIN), 9(2), 186. https://doi.org/10.26418/jp.v9i2.60432
