KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Sistem presensi manual yang masih diterapkan di banyak institusi rentan terhadap manipulasi dan memerlukan waktu yang signifikan. Penelitian ini mengusulkan sistem presensi otomatis berbasis pengenalan wajah yang dioptimalkan untuk mengatasi tantangan unik dari kamera CCTV yang dipasang pada ketinggian 3 meter. Sistem ini mengintegrasikan tiga komponen utama: YOLOv8 untuk deteksi wajah, ArcFace untuk ekstraksi fitur 512-dimensi, dan Support Vector Machine (SVM) dengan kernel Polinomial untuk klasifikasi identitas. Dataset (5 kelas) diperbanyak menggunakan 20 augmentasi per gambar dan dibagi dengan rasio 70% data latih dan 30% data uji. Alur prapemrosesan citra, termasuk CLAHE, denoising, dan sharpening, diterapkan untuk meningkatkan kualitas gambar input. Hasil eksperimen menunjukkan kinerja klasifikasi yang tinggi, mencapai akurasi 93.7%, presisi 0.938, recall 0.937, dan F1-Score 0.935. Analisis confusion matrix dan PCA berhasil mengidentifikasi misklasifikasi utama terjadi antara kelas E005_employee5 dan E002_employee2, yang berkorelasi dengan tumpang tindih fitur. Secara komputasi, sistem mencapai throughput 7.2 FPS pada perangkat keras pengujian. Sistem ini terbukti akurat dan fungsional untuk tugas presensi, meskipun performa real-time (FPS) sangat bergantung pada akselerasi perangkat keras.

Penelitian ini berhasil merancang, mengimplementasikan, dan mengevaluasi sistem presensi otomatis yang menggabungkan YOLOv8 untuk deteksi wajah, ArcFace untuk ekstraksi fitur, dan SVM berkernel polinomial untuk klasifikasi.Sistem mampu memproses video langsung, menjalankan pipeline pengenalan AI, membuat keputusan presensi berdasarkan jadwal, mencatat data ke basis data, dan menampilkan data melalui antarmuka pengguna.Integrasi lengkap dari persepsi hingga persistensi data memvalidasi kesiapan sistem sebagai pengganti metode presensi manual.2 FPS, yang cukup untuk kasus penggunaan presensi.

Berdasarkan hasil penelitian, beberapa saran penelitian lanjutan dapat dikembangkan. Pertama, penelitian dapat mengoptimalkan kinerja real-time dengan mengadopsi model pengenalan wajah yang lebih efisien atau meningkatkan akselerasi perangkat keras untuk meningkatkan FPS. Kedua, penelitian dapat fokus pada peningkatan akurasi klasifikasi untuk mengurangi kesalahan misklasifikasi antara kelas E005_employee5 dan E002_employee2 dengan memperluas dataset atau mengggunakan teknik augmentasi yang lebih kompleks. Ketiga, penelitian dapat mengkaji penerapan sistem ini dalam lingkungan yang lebih beragam, seperti penggunaan kamera dengan ketinggian berbeda atau kondisi pencahayaan ekstrem, untuk memastikan keandalan sistem dalam skenario nyata yang lebih luas.

  1. Machine Learning Applications based on SVM Classification A Review | Qubahan Academic Journal. machine... journal.qubahan.com/index.php/qaj/article/view/50Machine Learning Applications based on SVM Classification A Review Qubahan Academic Journal machine journal qubahan index php qaj article view 50
Read online
File size725.4 KB
Pages13
DMCAReport

Related /

ads-block-test