Sistem Presensi Mahasiswa Berdasarkan Pengenalan Wajah Menggunakan Metode LBP dan K-Nearest Neighbor Berbasis Mini PC
| Main Author: | Adinda Prasanty, Meidiana |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2020
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/193612/1/Meidiana%20Adinda%20Prasanty.pdf http://repository.ub.ac.id/id/eprint/193612/ |
Daftar Isi:
- Di era modern sekarang ini, dimana teknologi sudah maju dengan pesat ternyata beberapa institusi di Indonesia masih mengandalkan sistem presensi yang lama yaitu dengan cara manual, seperti menggunakan kertas dan membuat paraf. Penelitian ini memungkinkan untuk mengurangi tindak kecurangan dengan memanfaatkan citra digital yaitu pengenalan wajah guna melakukan presensi agar menjadi lebih praktis, efisien, cepat dan tentunya aman serta tidak terjadi hal-hal yang merugikan setiap institusi. Pada penelitian ini, dikembangkan sebuah sistem presensi mahasiswa berdasarkan pengenalan wajah dengan metode Local Binary Pattern dan K-Nearest Neighbor. Sistem ini menggunakan webcam Logitech C270 dan mouse Alcatroz Stealth 5 sebagai penghasil input, Mini PC Intel NUC5i7RYH sebagai pemroses utama, dan monitor Waveshare 7-inch sebagai output. Citra yang ditangkap oleh webcam berupa citra dari para mahasiswa yang sedang duduk di kelas. Dari citra tersebut akan diproses oleh Mini PC untuk dilakukan pendeteksian dan pengenalan wajah dari tiap mahasiswa sehingga hasilnya berupa nama mahasiswa yang ditampilkan pada aplikasi sistem presensi. Selanjutnya aplikasi sistem presensi akan ditampilkan pada monitor. Nama-nama mahasiswa yang sudah dikenali oleh sistem dapat masuk pada daftar presensi apabila pengguna (dosen atau peneliti) menekan tombol konfirmasi presensi pada aplikasi menggunakan mouse. Rata-rata akurasi sistem dalam pendeteksian wajah menggunakan Haar Cascade Classifier dari seluruh percobaan yaitu 88.88% sedangkan untuk rata-rata akurasi sistem dalam pengenalan wajah dari seluruh percobaan menggunakan Local Binary Pattern dan K-Nearest Neighbor untuk nilai k = 3 yaitu 78.125%, untuk nilai k = 5 yaitu 74.375%, dan untuk nilai k = 7 yaitu 68.125%. Rata-rata akurasi tertinggi dalam melakukan pengenalan wajah dari seluruh percobaan dapat dicapai menggunakan nilai k = 3 yaitu sebesar 78.125%. Rata-rata waktu komputasi deteksi wajah dari seluruh percobaan deteksi wajah adalah 26.2 ms sedangkan untuk rata-rata waktu komputasi pengenalan wajah dari seluruh percobaan pengenalan wajah adalah 371.675 ms. Setiap satu kenaikan jumlah wajah dapat memperlambat waktu komputasi deteksi wajah 1 milisekon hingga 4 milisekon sedangkan untuk pengenalan wajah dapat melambatkan 28 milisekon hingga 160 milisekon.