Sistem Presensi Berbasis Kamera Smartphone Dengan Model Arsitektur MobileFaceNet Pada Siswa SMPN 1 Poncol Magetan
Abstract
Abstrak — Sistem presensi siswa merupakan komponen penting dalam pengelolaan administrasi sekolah, namun metode manual seperti pemanggilan nama dan tanda tangan masih banyak digunakan dan rentan terhadap keterlambatan serta kecurangan. Penelitian ini bertujuan merancang dan mengimplementasikan sistem presensi berbasis pengenalan wajah menggunakan kamera smartphone dengan arsitektur MobileFaceNet yang dioptimalkan untuk perangkat mobile. Proses pengembangan mencakup pembangunan aplikasi Android menggunakan Jetpack Compose, CameraX, dan Google ML Kit untuk deteksi wajah secara real-time. Model MobileFaceNet dilatih menggunakan dataset wajah siswa kelas 8A dan dikonversi ke TensorFlow Lite untuk menghasilkan embedding wajah berukuran 192 dimensi. Proses verifikasi dilakukan menggunakan metode cosine similarity terhadap facebank yang tersimpan pada perangkat. Pengujian terhadap 32 siswa menunjukkan bahwa sistem bekerja dengan lancar pada perangkat berspesifikasi menengah, dengan nilai threshold optimal sebesar 0.6. Evaluasi System Usability Scale (SUS) menunjukkan bahwa aplikasi mudah digunakan dan antarmukanya intuitif bagi guru maupun siswa. Hasil penelitian ini membuktikan bahwa integrasi Jetpack Compose, CameraX, ML Kit, dan MobileFaceNet mampu menghasilkan sistem presensi yang efisien, akurat, dan layak diterapkan dalam lingkungan pendidikan.
Kata kunci— Presensi siswa, pengenalan wajah, mobilefacenet, cosine distance, tensorflow lite.
References
REFERENSI
Y. Irfayanti, E. K. Wijayanti, P. Studi, S. Informasi, P. Studi, and T. Informatika, “PADA SMA DUA MEI CIPUTAT MENGGUNAKAN METODE HAAR-CASCADE CLASSIFIER BERBASIS,” vol. 5, no. 1, pp. 551–565, 2024.
J. Xiao, G. Jiang, and H. Liu, “EAI Endorsed Transactions A Lightweight Face Recognition Model based on MobileFaceNet for Limited Computation Environment,” vol. 7, no. 27, pp. 1–9, 2022.
R. Setiawan, N. Pradana, T. Prakisya, and R. A. Yuana, “JIPTEK : Jurnal Ilmiah Pendidikan Teknik dan Kejuruan,” vol. 17, no. 1, pp. 36–48, 2024.
W. Fang and Z. Yu, “Automobile Entry System Based on Face Recognition,” vol. 10, no. 1, pp. 573–585, 2025.
A. S. Ibnu Saputra, Teti Desyani, “Implementasi login aplikasi dengan fitur autentikasi pengguna menggunakan flutter dan ml kit face recognition,” vol. 3, no. 1, pp. 106–115, 2025.
jan Lunter, “Everyday Biometrics: Can Face Replace Fingerprint Recognition,” Biometric Technol. Today MA Bussines London, vol. 4, pp. 7–10, 2021.
N. P. Fajar Abdillah Ahmad, “Implementasi Pengenalan Wajah , Deteksi Kehadiran , dan Geolokasi menggunakan TensorFlow Lite dan Google ML Kit pada Aplikasi Absensi Mobile Implementation of Face Recognition , Attendance Detection , and Geolocation,” vol. 14, pp. 172–186, 2025.
A. Yadav, D. Thakran, and R. Gupta, “Real - Time Image Processing using Flutter and Tflite Packages,” no. 5, pp. 38–40, 2021.
L. Li, X. Mu, S. Li, and H. Peng, “A Review of Face Recognition Technology,” IEEE Access, vol. 8, pp. 139110–139120, 2020, doi: 10.1109/ACCESS.2020.3011028.
H. Nurhuda, “Masalah-Masalah Pendidikan Nasional,” J. Pemikir. dan Pendidik. Dasar, p. 130, 2022.
R. A. Putri, S. Kom, and M. Ti, Monograf Evaluasi Usability Microsoft Teams Menggunakan System Usability Scale.
