Sistem Presensi Mahasiswa Berdasarkan Pengenalan Wajah Menggunakan Metode LBP dan K-Nearest Neighbor Berbasis Mini PC.

Adinda Prasanty, Meidiana (2020) Sistem Presensi Mahasiswa Berdasarkan Pengenalan Wajah Menggunakan Metode LBP dan K-Nearest Neighbor Berbasis Mini PC. Sarjana thesis, Universitas Brawijaya.

Abstract

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.

English Abstract

Every institution such as the education system in Indonesia, even for offices certainly requires a system that can record the entire community of it’s members. But in today's modern era, where technology has advanced rapidly it turns out that in some institutions in Indonesia still rely on the old presence system that is manually, such as using paper and initialing. This research makes it possible to reduce fraud by utilizing digital imagery that is face recognition in order to make a presence so that it becomes more practical, efficient, fast and certainly safe and does not happen to the detriment of any institution. In this study, a student presence system was developed based on face recognition using Local Binary Pattern and K-Nearest Neighbor method. By using the Logitech C270 webcam and the Alcatroz Stealth 5 mouse as an input producer, the Intel NUC5i7RYH Mini PC as the main processor, and 7-inch Waveshare monitor as output. The image captured by the webcam is the image of students sitting in class. That image will be processed by the Mini PC for face detection and recognition of each student so that the result is the name of the student displayed on the presence system application. Then the presence system application will be displayed on the monitor. The names of students who have been recognized by the system can enter the attendance list if the user (lecturer or researcher) presses the attendance confirmation button on the application using the mouse. The average accuracy of the system in face detection of all experiments using Local Binary Pattern and Haar Cascade Classifier is 88.88%. The average accuracy of the system in face recognition of all experiments using K-Nearest Neighbor for the value of k = 3 is 78.125%, for the value of k = 5 is 74.375%, and for the value of k = 7 is 68.125%. The highest average accuracy in facial recognition of all experiments is to use the value k = 3 that is equal to 78.125%. The average face detection computation of all face detection experiments is 26.2 ms while the average facial recognition computation time of all face recognition experiments is 371.675 ms. Every single increase in the number of faces can slower the face detection computation time by 1 ms to 4 ms while for facial recognition it can slowed by 28 ms to 160 ms

Item Type:	Thesis (Sarjana)
Identification Number:	0520150237
Uncontrolled Keywords:	istem Presensi, Haar Cascade Classifier, Local Binary Pattern, K-Nearest Neighbor, Webcam, Mini PC.,Presence System, Haar Cascade Classifier, Local Binary Pattern, K-Nearest Neighbor, Webcam, Mini PC
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Unnamed user with username nova
Date Deposited:	26 Aug 2022 01:44
Last Modified:	23 Sep 2024 02:48
URI:	http://repository.ub.ac.id/id/eprint/193612

Text Meidiana Adinda Prasanty.pdf Download (6MB)

Actions (login required)

View Item