Implementasi Convolutional Neural Network (CNN) untuk Face Recognition pada Sistem Presensi Kehadiran

Rochmanullah, Moch Arif (2025) Implementasi Convolutional Neural Network (CNN) untuk Face Recognition pada Sistem Presensi Kehadiran. Skripsi thesis, Institut Teknologi Nasional Malang.

	Text Bagian Awal.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text BAB I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
	Text BAB II.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (5MB) | Request a copy
	Text BAB III.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (5MB) | Request a copy
	Text BAB IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (2MB) | Request a copy
	Text BAB V.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (311kB) | Request a copy
	Text daftar Pustaka.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (801kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Request a copy

Abstract

Sistem presensi merupakan elemen penting dalam memastikan kehadiran, terutama di lingkungan pendidikan dan pekerjaan. Penelitian ini bertujuan mengembangkan sistem presensi berbasis face recognition menggunakan metode Convolutional Neural Network (CNN) untuk mengatasi kelemahan presensi manual yang rentan terhadap kecurangan, seperti di Prodi Teknik Informatika ITN Malang. Model CNN dilatih dengan deep learning menggunakan dataset wajah mahasiswa untuk mengenali pola unik fitur wajah. Hasilnya, model mencapai training accuracy sebesar 97%, validation accuracy sebesar 90%, dan pengujian mencapai accuracy 93%. Sistem ini meningkatkan efisiensi absensi dan akurasi identifikasi hingga 93%, sekaligus mengurangi potensi kecurangan.CNN terbukti andal dalam mendukung presensi berbasis teknologi dengan pengelolaan lebih praktis. Kendati demikian, performa model masih dapat ditingkatkan melalui pengayaan dataset dan optimasi model. Sistem ini berpotensi besar meningkatkan keandalan dan keamanan proses presensi, menjadi solusi inovatif dalam pengelolaan kehadiran di era digital.

Item Type:	Thesis (Skripsi)
Additional Information:	Moch Arif Rochmanullah (2118100)
Uncontrolled Keywords:	Convolutional Neural Network; Face Recognition; Sistem Presensi; Pengenalan Wajah; Deep learning
Subjects:	Engineering > Informatics Engineering
Divisions:	Fakultas Teknologi Industri > Teknik Informatika S1 > Teknik Informatika S1(Skripsi)
Depositing User:	Moch Arif Rochmanullah
Date Deposited:	11 Feb 2025 07:19
Last Modified:	11 Feb 2025 07:19
URI:	http://eprints.itn.ac.id/id/eprint/15416

Actions (login required)

View Item