<![CDATA[Covid-19 membatasi interaksi fisik dan mendorong penggunaan masker, sementara sejumlah sistem pengenalan wajah konvensional mengharuskan masker dilepas sehingga risiko paparan meningkat oleh karena itu penting adanya sistem pengenalan wajah bermasker dalam pencegahan penularan Covid-19. Tujuan dari penelitian ini membuat model Convolutional Neural Network (CNN) untuk pengenalan wajah bermasker yang dapat diterapkan pada sistem presensi. Metode yang digunakan Machine Learning Life Cycle dan model dibuat menggunakan arsitektur VGG-16. Hasil penelitian ini berupa model yang diterapkan pada prototype sistem presensi yang dapat mengindentifikasi pengguna bermasker. Model dilatih 40 epoch dengan hasil nilai training accuracy 0.9900 serta nilai training loss 0.2694 sedangkan nilai validation accuracy 0.9500 serta nilai validation loss 0.4065. Evaluasi model oleh confusion matrix dengan hasil rata-rata akurasi sebesar 0.95 atau 95%. Pada tahap akhir pengujian, model digunakan pada prototype sistem presensi dengan hasil deteksi tercepat yaitu 6 detik dan terlama 42 detik yang mana hal tersebut menjadi kontribusi utama penelitian ini dengan sistem realtime dan pipeline augmentasi yang relevan untuk skenario wajah bermasker. Keterbatasan terletak pada skala data dan lingkungan uji yang terbatas. Penelitian selanjutnya diharapkan mencakup evaluasi menggunakan Real World Masked Face Recognition Dataset (RMFRD) atau Simulated Masked Face Recognition Dataset (SMFRD), eksplorasi arsitektur yang lebih bervariasi, serta percepatan inferensi.]]>
