Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Djtechno: Jurnal Teknologi Informasi
Sarawan, Tommy
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI PENGENALAN WAJAH SISWA PADA SISTEM KEHADIRAN DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) Sarawan, Tommy; Kusrini, Kusrini
Djtechno: Jurnal Teknologi Informasi Vol 6, No 1 (2025): April
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/djtechno.v6i1.6017

Abstract

Pengelolaan kehadiran yang konvensional sering kali memakan waktu dan rentan terhadap kesalahan manusia. Oleh karena itu, diperlukan suatu inovasi untuk meningkatkan sistem pengelolaan kehadiran yang lebih akurat, cepat, dan efisien. Pengenalan wajah telah menjadi salah satu teknologi yang semakin populer dalam berbagai aplikasi, termasuk dalam bidang pendidikan. Teknologi ini menawarkan solusi yang efisien dan inovatif untuk mengatasi tantangan dalam sistem kehadiran siswa. Artificial Intelligence, sebagai cabang dari ilmu komputer, bertujuan untuk menciptakan sistem yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia, seperti pengambilan keputusan, pengenalan pola, dan pembelajaran dari data. Salah satu algoritma yang dapat digunakan adalah Convolutional Neural Network (CNN) yang telah menunjukkan performa yang sangat baik dalam tugas pengenalan wajah, terutama dalam hal ekstraksi fitur dan klasifikasi gambar. Penelitian ini bertujuan untuk mengembangkan model klasifikasi pengenalan wajah siswa pada sistem kehadiran dengan menggunakan metode Convolutional Neural Network (CNN). Penelitian ini menyimpulkan bahwa melakukan retrain pada 50 layers akhir dan 4 layers custom dapat meningkatkan accuracy untuk arsitektur MobileNetV2 mencapai 25% sedangkan ResNetV2 mencapai 26%. Selain itu, skenario dua yang menggunakan arsitektur MobileNetV2 menghasilkan model terbaik dengan nilai precision 92%, recall 91% dan accuracy 91%.
Co-Authors Kusrini, Kusrini