SISTEM PRESENSI PEGAWAI DENGAN FACE RECOGNITION MENGGUNAKAN DEEP LEARNING CNN

Wijaya, Axell Marvelino (2023) SISTEM PRESENSI PEGAWAI DENGAN FACE RECOGNITION MENGGUNAKAN DEEP LEARNING CNN. S1 thesis, Universitas Atma Jaya Yogyakarta.

Preview	Text (Axell Marvelino Wijaya) 190710207_Bab 0.pdf Download (331kB) | Preview
Preview	Text 190710207_Bab 1.pdf Download (185kB) | Preview
Preview	Text 190710207_Bab 2.pdf Download (190kB) | Preview
	Text 190710207_Bab 3.pdf Restricted to Registered users only Download (870kB)
	Text 190710207_Bab 4.pdf Restricted to Registered users only Download (1MB)
	Text 190710207_Bab 5.pdf Restricted to Registered users only Download (1MB)
Preview	Text 190710207_Bab 6.pdf Download (258kB) | Preview

Abstract

Sistem presensi adalah sebuah sistem yang digunakan untuk mencatat kehadiran dari sebuah anggota institusi. Untuk melakukan presensi sendiri dapat digunakan beberapa metode di mana salah satunya adalah face recognition. Penggunaan face recognition dan deep learning dapat membantu mengidentifikasi dan mengenali wajah melalui sistem desktop. Hasil presensi tersebut akan kemudian dicatat untuk membantu presensi pegawai UAJY. Untuk menyelesaikan permasalahan berupa presensi berbasis face recognition, perlu untuk melakukan instalasi beberapa library yang akan digunakan untuk melakukan pengenalan wajah, di mana instalasi library dlib dan face_recognition akan digunakan sebagai dasar pengembangan sistem. Model yang digunakan adalah model pre-trained ResNet dari library dlib dan akan dilatih oleh sistem menggunakan metode CNN. Model yang sudah dilatih tersebut akan diimplementasi dan dibandingkan menggunakan library face_recognition dan OpenCV untuk membandingkan wajah dari model yang sudah dilatih. Dari hasil pengujian sistem telah diperoleh kesimpulan bahwa sistem mampu mendeteksi dan mengenali wajah dan mengembalikan hasil yang akurat dari 40 data wajah yang menjadi model pelatihan dan menuliskan hasil presensi pada file csv yang telah dibuat sebelumnya. Implementasi sistem berjalan dengan baik meskipun terdapat kasus false positive yang dapat diperbaiki dengan menggunakan dataset yang memiliki kualitas yang lebih baik.

Actions (login required)

View Item