Sistem Pengenalan Wajah Untuk Presensi Menggunakan Metode Haar Cascade
Abstract
An attendance system with facial recognition using the Haar cascade method is an efficient solution for recording student or employee attendance. By utilizing the Haar cascade algorithm, which is a machine learning-based object detection method, this system is able to recognize faces in images or videos. This algorithm, developed in 2001 by Paul Viola and Michael Jones, functions as a classifier that can produce bounding boxes around detected objects. The advantage of this system is that it can increase the efficiency of the attendance process by eliminating dependence on cards or manual recording, as well as reducing data input errors. System testing was carried out using a dataset of 10 students with 50 facial images each. As a result, the system succeeded in achieving 100% accuracy in identifying faces in different positions. In follow-up testing with 10 students, the system achieved 90% accuracy in the first stage and 80% in the second stage.
Keywords: Attendance system; Facial recognition; machine learning; Bounding box; Biometrics
Abstrak
Sistem absensi dengan pengenalan wajah menggunakan metode Haar cascade merupakan solusi efisien untuk pencatatan kehadiran siswa atau karyawan. Dengan memanfaatkan algoritma Haar cascade, yang merupakan metode deteksi objek berbasis machine learning, sistem ini mampu mengenali wajah dalam gambar atau video. Algoritma ini, dikembangkan pada tahun 2001 oleh Paul Viola dan Michael Jones, berfungsi sebagai classifier yang dapat menghasilkan bounding box di sekitar objek yang terdeteksi. Kelebihan sistem ini adalah dapat meningkatkan efisiensi proses absensi dengan menghilangkan ketergantungan pada kartu atau pencatatan manual, serta mengurangi kesalahan input data. Pengujian sistem dilakukan menggunakan dataset 10 mahasiswa dengan masing-masing 50 gambar wajah. Hasilnya, sistem berhasil mencapai akurasi 100% dalam mengidentifikasi wajah dengan posisi yang berbeda-beda. Dalam pengujian lanjutan dengan 10 mahasiswa, sistem mencapai akurasi 90% pada tahap pertama dan 80% pada tahap kedua.
Kata kunci: Sistem absensi; Pengenalan wajah; machine learning; Bounding box; Biometrik
References
Budi, S. Suma’inna, and H. Maulana, “Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA),” J. Tek. Inform., vol. 9, no. 2, pp. 166–175, 2018, doi: 10.15408/jti.v9i2.5608
P. Payal and M. M. Goyani, “A comprehensive study on face recognition: methods and challenges,” Imaging Sci. J., vol. 68, no. 2, pp. 114–127, 2020, doi: 10.1080/13682199.2020.1738741
B. Santoso and R. P. Kristianto, “Implementasi Penggunaan Opencv Pada Face Recognition Untuk Sistem Presensi Perkuliahan Mahasiswa,” Sistemasi, vol. 9, no. 2, pp. 352, 2020, doi: 10.32520/stmsi.v9i2.822
I. K. S. Buana, “Penerapan Pengenalan Wajah Untuk Aplikasi Absensi dengan Metode Viola Jones dan Algoritam LBPH,” J. Media Inform. Budidarma, vol. 5, no. 3, pp. 1008, 2021, doi: 10.30865/mib.v5i3.3008
M. L. R. Chandra, B. V. Kumar, and B. Sureshbabu, “IoT enabled home with smart security,” 2017 Int. Conf. Energy, Commun. Data Anal. Soft Comput. ICECDS 2017, pp. 1193–1197, 2018, doi: 10.1109/ICECDS.2017.8389630
W. S. Pambudi and B. M. Simorangkir, “Facetracker menggunakan metode Haar Like Feature dan PID pada model simulasi,” J. Teknol. dan Inform., vol. 2, no. 2, pp. 142–154, 2012
Z. Zou, Z. Shi, Y. Guo, and J. Ye, “Object Detection in 20 Years: A Survey,” pp. 1–22, 2019, [Online]. Available: http://arxiv.org/abs/1905.05055
P. Elmer, A. Lupp, S. Sprenger, R. Thaler, and A. Uhl, “Exploring compression impact on face detection using haar-like features,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9127, pp. 53–64, 2015, doi: 10.1007/978-3-319-19665-7_5
W. Setiawan, “Sistem Pengenalan Wajah Dengan Metode Face Features,” J. Ilm. SPEKTRUM, vol. 3, no. 2, pp. 21–25, 2016
M. F. Sitorus, R. Fatharani, N. Fadhillah, T. Informatika, F. Teknik, and U. Samudra, “Sistem Deteksi Multi Wajah Menggunakan Metode Haar Cascade Classifier,” vol. 1, no. 1, 2020
N. D. Mega Anjani, F. Farida, and M. Kurniawan, “Analisis Fitur Haar Menggunakan Algoritma Haar-Like Feature Pada Citra Kendaraan Bermotor,” Netw. Eng. Res. Oper., vol. 5, no. 2, pp. 124, 2020, doi: 10.21107/nero.v5i2.187
H. Mliki, S. Dammak, & E. Fendri, “An improved multi-scale face detection using convolutional neural network”. Signal, Image and Video Processing, vol. 14, no. 7, pp. 1345-1353, 2020.
G. Guo, H. Wang, Y. Yan, “A fast face detection method via convolutional neural network”. Neurocomputing, vol. 395, pp. 128-137, 2020.
W.K. Mutlag, S.K. Ali, Z.M. Aydam, “Feature extraction methods: a review. In Journal of Physics: Conference Series, Vol. 1591, No. 1, p. 012028, IOP Publishing, 2020.
I.W.A. Purnawibawa, I.N. Purnama, & I.N.Y.A. Wijaya, “Komparasi Algoritme K-Nearest Neighbors Dan Support Vector Machines Dalam Prediksi Layanan Produk ICONNET”. Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 2, pp. 271-282, 2022.
I. Setiaji, & V. Lusiana, “Uji akurasi Metode KNN dan Citra HSI dalam Mengklasifikasi Batik Solo Berdasarkan Motif”. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 12, no. 3, pp. 1013-1024, 2023.
How To Cite This :
Refbacks
- There are currently no refbacks.
