Implementasi Sistem Presensi Mahasiswa Berbasis Pengenalan Wajah Menggunakan Metode Local Binary Pattern Histogram (LBPH) Dan Convolutional Neural Network (CNN)

Sugiarto, Moh. Dani Kurniawan (2026) Implementasi Sistem Presensi Mahasiswa Berbasis Pengenalan Wajah Menggunakan Metode Local Binary Pattern Histogram (LBPH) Dan Convolutional Neural Network (CNN). Undergraduate thesis, Politeknik Negeri Jember.

	Text (Ringkasan) Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (377kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (1MB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (2MB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (7MB) | Request a copy

Abstract

Sistem presensi mahasiswa konvensional memiliki keterbatasan dalam efisiensi, akurasi pencatatan, dan pencegahan kecurangan. Penelitian ini bertujuan untuk mengimplementasikan sistem presensi mahasiswa berbasis pengenalan wajah yang terintegrasi dengan validasi geolokasi. Metode yang digunakan menggabungkan Local Binary Pattern Histogram (LBPH) untuk ekstraksi fitur tekstur wajah dan MobileFaceNet sebagai model deep learning melalui teknik score-level fusion dengan pembobotan berdasarkan kualitas citra. Sistem dilengkapi deteksi dan penyelarasan wajah, pencarian kemiripan menggunakan FAISS, serta validasi lokasi menggunakan rumus Haversine. Sistem dikembangkan menggunakan FastAPI, MySQL, React, dan Expo/React Native. Pengujian terhadap 114 citra dari 19 identitas menghasilkan akurasi 92,98%, presisi 91,59%, recall 92,98%, dan F1-score 91,73%. Pengujian black-box menunjukkan seluruh skenario fungsional menghasilkan keluaran valid, sedangkan pengujian User Acceptance Testing (UAT) terhadap 21 responden dengan 20 pernyataan memperoleh tingkat penerimaan 97,52%. Pengujian geolokasi menunjukkan sistem menerima presensi dalam radius 10 meter, termasuk tepat pada batas radius, dan menolak presensi dari luar radius tersebut. Hasil penelitian menunjukkan bahwa integrasi pengenalan wajah dan validasi geolokasi dapat mendukung proses presensi mahasiswa secara otomatis.

Actions (login required)

View Item