<![CDATA[ABSTRACT The digital transformation of higher education demands ICT-based learning media innovations that support accurate, efficient, and contactless classroom governance, particularly in student attendance validation. This study analyzes the accuracy and performance of two web-based face detection libraries, OpenCV.js and face-api.js, as ICT media for student digital attendance processed entirely on the client side without biometric data transmission, in line with the privacy-by-design principle. The method employed is a controlled laboratory experiment with a 36-scenario factorial design: three lighting levels (100, 300, 500 lux) × four pose angles (0°, 15°, 30°, 45°) × three device tiers (low-end, mid-range, high-end), involving 50 student participants aged 18–19 years. Results across 180 observations per library show that face-api.js excels in detection accuracy (recall 97.8%; F1-Score 98.9%) compared to OpenCV.js (recall 81.7%; F1-Score 89.9%), while OpenCV.js excels in speed (latency 163.5 ms; FPS-eq 6.1) compared to face-api.js (269.5 ms; FPS-eq 3.7). Both libraries achieved 100% precision in a closed-set scenario with latency well below 500 ms, validating technical feasibility as a Proof of Concept at Technology Readiness Level 3. Both client-side pathways were 1.65–2.51 times faster than the server-side baseline (410.1 ms). These findings contribute to lightweight, cost-effective, and privacy-oriented ICT learning media for digital attendance in higher education. ABSTRAK Transformasi digital pendidikan tinggi menuntut inovasi media ICT yang mendukung tata kelola pembelajaran secara lebih akurat, efisien, dan nirkontak, khususnya dalam validasi kehadiran mahasiswa. Penelitian ini menganalisis akurasi dan performa dua pustaka deteksi wajah berbasis web, yaitu OpenCV.js dan face-api.js, sebagai media ICT presensi digital mahasiswa yang diproses sepenuhnya di sisi klien (client-side) tanpa transmisi data biometrik, sejalan dengan prinsip privacy-by-design. Metode yang digunakan adalah eksperimen laboratorium terkendali dengan desain faktorial 36 skenario: tiga tingkat pencahayaan (100, 300, 500 lux) × empat sudut pose (0°, 15°, 30°, 45°) × tiga kelas perangkat (low-end, mid-range, high-end), dengan 50 mahasiswa berusia 18–19 tahun sebagai partisipan. Hasil pengujian pada 180 observasi per pustaka menunjukkan bahwa face-api.js unggul dalam akurasi deteksi (recall 97,8%; F1-Score 98,9%) dibandingkan OpenCV.js (recall 81,7%; F1-Score 89,9%), sementara OpenCV.js unggul dalam kecepatan (latensi 163,5 ms; FPS-eq 6,1) dibandingkan face-api.js (269,5 ms; FPS-eq 3,7). Kedua pustaka mencatat precision 100% dalam skenario closed-set dan latensi jauh di bawah 500 ms, memvalidasi kelayakan teknis sebagai Proof of Concept TKT Level 3. Kedua jalur client-side juga 1,65–2,51 kali lebih cepat daripada baseline server-side (410,1 ms). Temuan ini berkontribusi pada pengembangan media ICT pembelajaran yang ringan, hemat biaya, dan berorientasi privasi bagi presensi digital di perguruan tinggi.]]>
