<![CDATA[Kemajuan teknologi kecerdasan buatan dan pemrosesan citra mendorong pengembangan sistem presensi yang lebih efektif dan akurat pada lingkungan perguruan tinggi. Penelitian ini difokuskan untuk menyusun dan mengimplementasikan sistem presensi mahasiswa menggunakan pengenalan wajah menggunakan FaceNet (CNN Backbone) sebagai ekstraktor fitur, sedangkan metode K-Nearest Neighbors (KNN) untuk klasifikasi identitas. Penelitian dilakukan melalui delapan tahapan, yaitu data collecting, exploratory data analysis, data preprocessing, model training, model evaluation, deployment, system testing, dan monitoring. Dataset yang digunakan terdiri dari 325 citra wajah dari 13 kelas mahasiswa dengan variasi pose, ekspresi, dan kondisi pencahayaan. Pengujian sistem dilakukan pada beberapa skenario utama, termasuk variasi intensitas cahaya dan jarak wajah ke kamera. Hasil pengujian menunjukkan akurasi pengenalan wajah sebesar 97% pada dataset yang digunakan dengan performa sistem yang stabil. Hasil ini menunjukkan bahwa kombinasi FaceNet (CNN Backbone) dan KNN efektif untuk mendukung presensi mahasiswa otomatis di lingkungan perguruan tinggi.]]>
Copyrights © 2026
