<![CDATA[Sistem presensi perkuliahan yang digunakan di Universitas Sriwijaya saat ini menggunakan dua cara, yaitu manual (tanda tangan di buku presensi) dan online melalui sistem e-learning.Kedua metode ini masih memiliki kelemahan, karena masih ada celah bagi mahasiswa untuk melakukan kecurangan pengisian presensi.Mahasiswa dapat mengisi presensi dengan cara diwakilkan oleh mahasiswa lain atau mahasiswa bersangkutan dapat mengisi absensi e-learning tanpa mengikuti kegiatan perkuliahan. Implementasi teknologi deep learning dapat digunakan untuk mencegah kecurangan pada pengisian presensi. Pada penelitian ini, menggunakan mikrokontroller ESP32 Cam karena modul tersebut lebih efisien serta memiliki beberapa koneksi bawaan seperti wifi dan Bluetooth, sehingga dapat dikembangkan menjadi IoT (Internet of Things) dan terintegrasi dengan database. Selain itu dilakukan pula perbandingan kinerja algoritma pada Raspberry PI 4 yang terhubung dengan Web Camera. Untuk pembacaan data diolah dengan algoritma deep learning Haar Cascade dan CNN (Convolutional Neural Network)..Sistem bekerja dengan cara merekam terlebih dahulu identitas wajah seluruh pengguna yang disimpan dalam database. Lalu pada saat pengambilan absen, sistem akan memanggil data yang tersimpan pada database dan mencocokkan data tersebut. Jika pengguna sudah terdaftar maka absen valid dan otomatis tersimpan pada database. Jika belum terdaftar, maka absensi tidak valid. Variable yang tersimpan pada database MySQL seperti id user,nama user, jam saat mengakses sistem presensi, dan rekam wajah. Berdasarkan data pengujian dengan lima metrik yaitu Confusion Matrix, Accuracy, Precision, Recall, dan F1 Score bahwa model CNN bekerja lebih baik dengan menggunakan Raspberry Pi (Web Camera) dibandingakn menggunakan ESP32 Cam. Sistem pengenalan wajah berbasis Convolutional Neural Network (CNN) memiliki kinerja yang bergantung pada perangkat keras yang digunakan.]]>
Copyrights © 2025
