Penerapan Face Recognition sebagai modul untuk presensi siswa pada Odoo dengan metode CNN

(1)

PENERAPAN FACE RECOGNITION SEBAGAI MODUL UNTUK PRESENSI MAHASISWA PADA ODOO DENGAN METODE

CONVUTIONAL NEURAL NETWORK

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh Gelar Sarjana Komputer (S.Kom.)

Indira Hafiz Alfarrel 00000041794

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG 2023

(2)

CONVUTIONAL NEURAL NETWORK

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh Gelar Sarjana Komputer (S.Kom.)

Indira Hafiz Alfarrel 00000041794

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG 2023

i

Penerapan Face Recognition..., Indira Hafiz Alfarrel, Universitas Multimedia Nusantara

(3)

-

HALAMAN PERNYATAAN TIDAK PLAGIAT

Dengan ini say4 Nama

Nomor Induk Program Skripsi dengan Penerapan Odoo

merupakan oleh orang nyatakan

Jika di kemudian pelaksanaan Skripsi menerima konsekuensi saya tempuh.

pada

dirulis telah saya

baik dalam

Skripsi, saya bersedia untuk Tugas akhir yang telah

Tgl. 2023

Alfarrel)

ffi

^fl"#

$+,rfi

{,,$

ir ii

"

,:,i :, ,i

ⁱⁱ'l

(Indira }{afiz

11

-ffiffi

(4)

HALAMAN PERSETUJUAN

Telah pada

Sidang Ujian Skripsi Universitas Multimedia Nusantara

1

UNTUK

't,..f

$qd

Ketua Studi lnformatika,

ti,&

^titfi

$

^rfltt

rl, '),i! _ti:,..

q.,i: _,l::li' r{triti;ir:li.

:{, iil

7 1j!j

)

(Marlinda _Vasty _S.Kom.,M.Kom.) NIDN:0818038501

iii

,iii;

.;iir

'&ffilh

iiitr il

(5)

-

UNTUK HALAMAN PENGESAHAN

.)

M.Kom.) (Wirawan

,l- ci' ''

;f'J.',

^',o'),

ii, i:ri1

$

^$l'Ii-

:i"th :i

i,

lu

,i;;i.

iarldlt$

s.:

'irj

i..Lq1r'+"

r{.1, f-i

'itr ril

(Yaman

3057144 Informatika, Ketua

Fz

(Marlinda _Vasty _S.Kom.,M.Kom.) NIDN:0818038501

iv

"ii$rir.*,,'$

{$$I$ ',l ilt'j

(Angga

1

(6)

I

HALAMAN PBRSETUJUAN PUBLIKASI KARYA

ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas yang _bertanda

tangan di bawah Nama

NIM

Demi _kepada

(Non- Universitas

exclusive

UNTUK

Beserta perangkat yang ada Hak Bebas Royalti Non ekskiusif

ini

Universitas Multimedia Nusantara berhak menyimpan, mengalih media / format-kan, mengelola dalam bentuk pangkalan data (database), merawat,

dan saya

sebagai

ini saya

2023

e#

$\,$

ffid$

^r*xt

tr'*.-$

^ffi#

$ dffifl$ry{#$&

$***

-f,

$ flrutt.

^,ffi*:

*:e & ^tr" ^.:$t- ^d{h.

^fliH ^Hafuz^Alfarrel

METODE

{n

&,

(7)

Halaman Persembahan / Motto

”A good name is to be more desired than great wealth, Favor is better than silver and gold.”

Proverbs 22:1 (NASB)

vi

(8)

KATA PENGANTAR

Puji Syukur atas berkat dan rahmat kepada Tuhan Yang Maha Esa, atas selesainya penulisan laporan Skripsi ini dengan judul: Penerapan Face Recognition sebagai modul untuk presensi mahasiswa pada Odoo dengan metode convutional neural network dilakukan untuk memenuhi salah satu syarat untuk mencapai gelar Sarjana Komputer Jurusan Informatika Pada Fakultas Teknik dan Informatika Universitas Multimedia Nusantara. Saya menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan skripsi ini, sangatlah sulit bagi saya untuk menyelesaikan skripsi ini. Oleh karena itu, saya mengucapkan terima kasih kepada:

1. Bapak Dr. Ninok Leksono, selaku Rektor Universitas Multimedia Nusantara.

2. Dr. Eng. Niki Prastomo, S.T., M.Sc., selaku Dekan Fakultas Teknik dan Informatika Universitas Multimedia Nusantara.

3. Ibu Marlinda Vasty Overbeek, S.Kom., M.Kom., selaku Ketua Program Studi Informatika Universitas Multimedia Nusantara.

4. Bapak Yaman Khaeruzzaman, M.SC., sebagai Pembimbing pertama yang telah banyak meluangkan waktu untuk memberikan bimbingan, arahan dan motivasi atas terselesainya tesis ini.

5. Wenny Indah Sari yang telah memberikan bantuan dukungan material dan moral, sehingga penulis dapat menyelesaikan tesis ini.

6. Bagasta selaku rekan kerja yang memberikan bimbingan dan juga membantu dalam memberikan bantuan dukungan moral.

7. Orang Tua beserta keluarga besar, yang selalu memberikan dukungan dan doa.

vii

(9)

I

Semoga skripsi

ini

bermanfaat, baik sebagai sumber informasi maupun sumber inspirasi, bagi para pembaca.

Tg1. 16 Juru2023

Alfarrel

,J.";r'"

,fi!

-r: *.

;* ^'1,

.4fu ,s,)i:,

#o''.,,,&

"0,,,." _{: _{,rii,_"}

i

.l''"ii lr;";",; I

Bi

_ii,,r_I ^T,:rl

fu,,.$ $*r$

ffi

^il*$

d

&",.,$

$

^-1*g'

fu: ^#'H

'g:fi

* ,#,,*

'"&: fi

^*.,t,.ii

^flil

tH[ & ^$*u# ^'$

v1l1

"iz \' i.,l

r

l-

^i,,;5

.i'*4- ', 'l

;.,,

ffi

(10)

CONVUTIONAL NEURAL NETWORK Indira Hafiz Alfarrel

ABSTRAK

Perkembangan teknologi dalam beberapa dekade terakhir telah memberikan dampak besar di Indonesia pada berbagai sektor, termasuk di bidang pendidikan, pembelajaran daring merupakan salah satu ciri transformasi digital dalam dunia pendidikan saat ini. Presensi siswa merupakan hal yang penting dalam dunia pendidikan karena merupakan salah satu aspek penilaian bagi peserta didik dan berfungsi untuk menjaga kedisiplinan dan ketertiban peserta didik. Teknologi pengenalan wajah merupakan salah satu solusi yang dapat di implementasikan untuk meningkatkan efektivitas dalam sistem presensi siswa karena berhasil mengurangi kemungkinan kecurangan yang dilakukan.

Untuk metode pengembangan yang digunakan menggunakan RAD karena merupakan pendekatan yang dapat menciptakan sistem dengan cepat dan iteratif. Implementasinya adalah dengan menggunakanlibraryFace-API.js dengan menggunakan platform odoo pada modul bawaannya yaitu hr attendance lalu dilakukan pengujian dengan metodeConfusion Matrix, sehingga diharapkan dapat meningkatkan efisien di dalam dunia pendidikan terutama dalam pencatatan kehadiran siswa. Pada saat setelah pengujian metodeConfusion Matrixdidapatkan 4 nilai yaituAccuracydengan nilai 77.22%, Precision 78.16%, Recall 75.55% dan juga F1-Score 76.37%. Dari hasil pengujian tersebut dapat disimpulkan bahwa berhasil dalam melakukan integrasi dengan modul hr attendance yang dilakukan penambahan pada saat absen perlu adanya pengenalan wajah, dengan nilai tingkat Accuracy sebesar 77.22%. Didapatkan juga nilai kecepatan yaitu 3.60 detik untuk waktu tercepat, 9.83 detik untuk waktu terlambat, dan dengan rata-rata waktu 5.59 detik.

Kata kunci: Confusion Matrix, Efektifitas, Face-API.js, Kedisiplinan, Pendidikan

ix

(11)

IMPLEMENTATION OF FACE RECOGNITION AS A MODULE FOR STUDENT PRESENCE IN ODOO USING THE CONVUTIONAL NEURAL

NETWORK METHOD Indira Hafiz Alfarrel

ABSTRACT

Technological developments in the last few decades have provided huge impact in Indonesia on various sectors, including in education, Online learning is one of the characteristics of digital transformation in the world of education today.

Student attendance is important in the world of education because is one aspect of assessment for students and serves to maintain the discipline and order of students.

Facial recognition technology is one solution that can be implemented to improve effectiveness in the student presence system because it manages to reduce the possibility fraud committed. For the development method used use RAD because it is an approach that can create systems quickly and iteratively. The implementation is to use the library Face-API.js by using the odoo platform in its default module ie hr attendance then tested with the Confusion Matrix method, so is expected to increase efficiency in the world of education, especially in recording of student attendance. At the time after testing the Confusion Matrix method, 4 values were obtained, namely Accuracy with a value of 77.22%, Precision 78.16%, Recall 75.55% and also F1-Score 76.37%. From the test results it can be concluded that it was successful in integrating with the hr attendance module which is added during absences needs to be detected facial recognition, with an accuracy rate of 77.22%.

Speed values were also obtained, namely 3.60 seconds for the fastest time, 9.83 seconds for the late time, and with an average time of 5.59 seconds.

Keywords: Confusion Matrix, Discipline, Education, effectiveness, Face-API.js

x

(12)

DAFTAR ISI

HALAMAN JUDUL . . . i

PERNYATAAN TIDAK MELAKUKAN PLAGIAT . . . ii

HALAMAN PERSETUJUAN . . . iii

HALAMAN PENGESAHAN . . . iv

HALAMAN PERSETUJUAN PUBLIKASI ILMIAH . . . v

HALAMAN PERSEMBAHAN/MOTO . . . vi

KATA PENGANTAR . . . vii

ABSTRAK . . . ix

ABSTRACT . . . x

DAFTAR ISI . . . xi

DAFTAR GAMBAR . . . xiii

DAFTAR TABEL . . . xiv

DAFTAR KODE . . . xv

DAFTAR LAMPIRAN . . . xvi

BAB 1 PENDAHULUAN . . . 1

1.1 Latar Belakang Masalah . . . 1

1.2 Rumusan Masalah . . . 3

1.3 Batasan Permasalahan . . . 3

1.4 Tujuan Penelitian . . . 4

1.5 Manfaat Penelitian . . . 4

1.6 Sistematika Penulisan . . . 4

BAB 2 LANDASAN TEORI . . . 6

2.1 Face Recognition . . . 6

2.2 Face-api . . . 6

2.3 Convolutional Neural Network(CNN) . . . 7

2.4 Odoo . . . 8

2.5 Convusion Matrix . . . 10

2.5.1 Accuracy . . . 11

2.5.2 Precision . . . 11

2.5.3 Recall . . . 12

2.5.4 F-1 Score . . . 12

BAB 3 METODOLOGI PENELITIAN . . . 13

3.1 Metodologi Penelitian . . . 13

3.2 Penjelasan Alir . . . 14

3.2.1 Alir Bagi Pengguna Admin . . . 15

3.2.2 Alir Bagi Pengguna . . . 20

3.3 Database . . . 22

BAB 4 HASIL DAN DISKUSI . . . 23

4.1 Spesifikasi Sistem . . . 23

4.2 Penjelasan Aplikasi . . . 23

4.3 Penjelasan Lebih Detail Mengenai Alir Bagi Pengguna . . . 24

4.4 Penjelasan Kode . . . 28

4.4.1 Start Camera . . . 28

4.4.2 Load Face API Models . . . 29

4.4.3 Start Face Detection . . . 30

4.4.4 Initialize Face Detection . . . 31

4.4.5 Get Employee Data From Server . . . 37

4.4.6 Get Current Employee . . . 40

xi

(13)

4.5 Hasil Pengujian . . . 41

BAB 5 SIMPULAN DAN SARAN . . . 44

5.1 Simpulan . . . 44

5.2 Saran . . . 44

DAFTAR PUSTAKA . . . 45

xii

(14)

DAFTAR GAMBAR

Gambar 2.1 ContohConvusion Matrix . . . 10

Gambar 3.1 Alir yang terjadi pada saat pengguna melakukansign in . . 14

Gambar 3.2 Alir untuk mengaktifkanDeveloper Mode bagi pengguna admin . . . 15

Gambar 3.3 Alircreateuntuk data pengguna . . . 16

Gambar 3.4 Aliredituntuk data pengguna . . . 17

Gambar 3.5 Alircreatedanedituntuk data personal pengguna . . . 18

Gambar 3.6 Alir yang terjadi pada saat melakukan absensi . . . 20

Gambar 3.7 Database . . . 22

Gambar 4.1 HalamanSign In. . . 24

Gambar 4.2 HalamanAttendance . . . 24

Gambar 4.3 Pengenalan Wajah dimana diberikan label dan tingkat keyakinan . . . 25

Gambar 4.4 Memberikanalert ketika wajah yang terdeteksi ada lebih dari 1 . . . 26

Gambar 4.5 Memberikan alert ketika wajah yang terdeteksi tidak dikenali . . . 26

Gambar 4.6 Berhasil absen masuk . . . 27

Gambar 4.7 Berhasil absen keluar . . . 27

xiii

(15)

DAFTAR TABEL

Tabel 4.1 Tabel Pengujian Presensi Pengguna . . . 41 Tabel 4.2 Tabel Pengujian Presensi Bukan Pengguna . . . 42 Tabel 4.3 Tabel Pengujian Kecepatan Deteksi . . . 43

xiv

(16)

DAFTAR KODE

4.1 Start Camera . . . 28

4.2 Load Face API Models . . . 29

4.3 Start Face Detection . . . 30

4.4 Initialize Face Detection . . . 31

4.5 Get Employee Data From Server . . . 37

4.6 Get Current Employee . . . 40

xv

(17)

DAFTAR LAMPIRAN

Lampiran 1. Form Bimbingan . . . 46

xvi