Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (YOLO) Untuk Presensi Mahasiswa
Irma Salamah, M. Redho Ali Said*, Sopian Soim
Jurusan Teknik Elektro, Program Studi D4 Teknik Telekomunikasi, Politeknik Negeri Sriwijaya, Palembang, Indonesia Email: 1[email protected], 2,*[email protected], 3,[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak-Presensi merupakan suatu hal yang penting di dunia pendidikan khususnya pendidikan tinggi. Salah satu kunci kesuksesan mahasiswa terletak pada kehadirannya, karena kehadiran berkaitan dengan kuantitas pembelajaran yang dilakukan oleh seorang mahasiswa. Beberapa perguruan tinggi dalam pembelajaran yang dilakukan secara tatap muka masih menggunakan cara konvensional menggunakan lembaran kertas absensi, sehingga sistem tersebut masih dirasa kurang efektif.
Ditengah perkembangan digitalisasi yang ditandai dengan maraknya penggunaan teknologi. Teknologi absensi face recognition merupakan teknologi yang dapat diadopsi dari salah satu cabang ilmu artificial intelligence yaitu machine learning. Machine learning dengan cabang deep learning menjadi solusi untuk mempermudah pekerjaan manusia. Dalam prosesnya face recognition membutuhkan suatu face detection yang akurat dengan algoritma tertentu. Pada riset yang akan dilakukan, metode yang diaplikasikan yaitu algoritma You Only Look Once (YOLO) dimana mengikuti beberapa penelitan yang telah dilakukan sebelumnya memiliki tingkat akurasi yang tinggi dalam prediksi wajah. Prediksi wajah pada manajemen absensi akan dikirimkan ke sebuah website monitoring presensi mahasiswa. Hasil pengujian didapatkan rata-rata akurasi 0,9793 dengan memperhatikan parameter berupa pencahayaan dan real time mengirimkan ke website. Melalu penelitian ini diharapkan proses absensi menjadi lebih efektif dan dapat dimonitoring oleh dosen.
Kata Kunci: Absensi; Machine Learning; Algoritma YOLO; Face Recognition; Website
Abstract−Presence is an important thing in educational world especially higher education. One of students’ success keys is in their presence because it has correlation to the learning quantity carried out by a college student. Some colleges whose learning conducted face to face still use conventional way by using attendant list sheet until this system is felt less effective in the middle of digitalization development marked by the increase of technology usage. Face recognition attendance technology is a technology which can be adapted from one of artificial intelligence science namely machine learning. Machine learning with deep learning branch becomes the solution which eases human’s work. In its process, face recognition requires certain accurate face detection with certain algorithm. In this research, the method used was You Only Look Once (YOLO) algorithm where to follow some research which had been conducted previously it has high accuracy in face prediction. The test results obtained an average accuracy of 0.9793 by paying attention to parameters such as lighting and real-time sending to the website. Through this research, it is hoped that the attendance process will be more effective and can be monitored by lecturers.
Keywords: Attendance; Machine Learning; YOLO Algorithm; Face Recognition; Website
1. PENDAHULUAN
Penggunaan perangkat teknologi begitu marak digunakan menjadi suatu tanda bahwa perkembangan era digitalisasi sedang meningkat. Digitalisasi sendiri merupakan suatu proses transformasi digital dengan penggunaan teknologi komputerisasi untuk mempermudah pekerjaan manusia[1][2]. Salah satu teknologi komputerisasi yang sedang hangat dibicarakan adalah Kecerdasan Buatan (Artificial Intelligence). Teknologi tersebut secara sederhana dapat diartikan sebagai kemampuan tertentu seperti manusia yang dirancang untuk berinteraksi dengan dunia dalam bentuk sistem komputer[3]. Machine learning merupakan solusi untuk mempermudah pekerjaan manusia dalam menyelesaikan masalah yang merupakan bagian dari kecerdasaan buatan (Artificial Intelligence)[4]. Dalam pemanfaatannya machine learning dapat diterapkan dalam dunia pendidikan dengan tujuan untuk meningkatkan kualitas dari pendidikan. Salah satu masalah di dunia pendidikan khususnya pendidikan tinggi adalah kehadiran atau presensi, karena kehadiran atau absensi berhubungan erat dengan suatu kedisiplinan yang merupakan kunci sebuah kesuksesan[5].
Di kampus Politeknik Negeri Sriwijaya, kehadiran seseorang mahasiswa akan dihitung selama satu semester, dan akan terdapat kompensasi berupa membersihkan ruangan jurusan atau laboratorium berdasarkan jumlah ketidakhadiran. Sistem absensi sendiri ketika pembelajaran dilakukan secara offline masih dilakukan secara konvensional dengan lembar kertas absensi ditandatangani oleh dosen disetiap pertemuan perkuliahan sehingga hal tersebut dirasa kurang efektif. Model teknologi manajemen absensi mahasiswa dapat dilakukan dengan teknologi antara lain face recognition, sidik jari, SMS gateway, dan RFID (Radio Frequency Identification) serta teknologi GPS [6]. Face recognition adalah proses pengenalan wajah setelah pendeteksian wajah (face detection) dengan tujuan menghasilkan prediksi wajah yang telah dikenali dengan database dalam sebuah sistem. Proses pendeteksian wajah (face detection) membutuhkan suatu algoritma yang digunakan untuk membangun suatu sistem yang akan dirancang[7]. Tingkat akurasi pendeteksian wajah (face detection) memiliki dampak besar dalam pengenalan wajah (face recognition) sehingga diperlukan algoritma dengan tingkat akurasi yang baik.
Algoritma You Only Look Once (YOLO) adalah metode deep learning merupakan bagian dari machine learning yang sedang terkenal dalam pendeteksian suatu objek atau wajah. YOLO dikenal sebagai metode deteksi tercepat dengan akurasi tinggi. Dengan klasifikasi multi purpose dalam melakukan sebuah pendeteksian. Inputan
Irma Salamah, Copyright © 2022, MIB, Page 1493 citra akan membagi dengan ukuran SxS dalam satu grid. Sebelumnya telah dilakukan berupa pengolahan citra untuk pengenalan wajah menggunakan algoritma YOLO antara lain, Sistem Manajemen Absensi dengan Fitur Pengenalan Wajah dan GPS Menggunakan YOLO pada Platform Android dengan rata-rata akurasi sebesar 93,26
%[8], kemudian penelitian tentang Implementasi YOLO untuk deteksi korban bencana alam didapatkan akurasi 92,9 % dalam deteksi citra [9]. Dalam penelitian ini algoritma YOLO menggunakan tool aplikasi pycharm yang merupakan Integrated Development Environtment (IDE) menggunakan bahasa python pada pengembangan project. . Bahasa pemrograman python adalah jenis bahasa pemrograman tingkat tinggi multi guna secara langsung (interpretative) melalui eksekusi sejumlah intruksi menggunakan semantic dinamis untuk kejelasan syntax dengan metode orientasi objek. Jetsbrains melakukan pengembangan Pycharm sebagai IDE lintas platform yang programnya dapat berjalan di berbagai sistem operasi, yaitu Mac, Linux, dan Windows. Keunggulan lain dari pycharm terdapat library yang dapat digunakan yaitu tensorflow, numpy, opencv contrib python, matpolib, scipy, pillow[10]. Pada rancangan ini dataset akan di training di pycharm edition 2021 dengan pyhon 3.7.
Dataset merupakan kumpulan data yang akan dilatih pada sistem, dimana dataset ialah data training berupa foto setiap mahasiswa yang akan dipresensi. Sedangkan data testing akan diambil secara real time menggunakan pi camera. Pi camera adalah kamera yang didesain khusus untuk terhubung ke raspberry pi menggunakan kabel flexible. Raspberry pi sendiri berperan sebagai single-board computer atau komputer tunggal berukuran kartu kredit yang digunakan sebagai komunikasi database server sehingga dapat diolah menggunakan algoritma YOLO, pada sistem presensi ini menggunakan mySQL sebagai database construct untuk dapat menampilkan data yang dibaca melalui browser yang merupakan kerjasama antara PHP dan apache, serta untuk terhubung ke aplikasi atau perangkat lain menggunakan API [11].
Selain itu, manajemen website akan dilengkapi dengan data mahasiswa, data dosen, serta data kelas sebagai informasi. Website yang dibuat menggunakan framework laravel yang merupakan PHP programming languange.
Fitur yang banyak dimiliki Laravel dalam membangun website dapat menjadi pendukung kerja bagi developer.
Laravel merupakan suatu framework perancangan web yang dirancang sebagai fitur aplikasi sehingga membuat biaya minimum development, mempermudah sistem pemeliharaan, dan menambah pekerjaan menjadi lebih produktif dengan program code yang terstruktur dan rapi. Laravel memiliki beberapa keunggulan diantaranya;
menggunakan Artisan Command Line Interface (CLI), dapat menggunakan package manager PHP Composer, menulis kode program yang jelas, singkat dan tertata serta mudah dipahami bagi pengembang[12].
Berdasarkan uraian masalah di atas tujuan dari penelitian ini diharapkan dapat membuat suatu manajemen absensi yang dapat digunakan untuk memonitoring presensi mahasiswa dimana sistem yang dibuat merupakan integrasi face recognition menggunakan face detection algoritma YOLO dan website
.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Pada bagian berikut ditampilkan arsitektur dari penelitan Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (Yolo) Untuk Presensi Mahasiswa
Gambar 1. Diagram Arsitektur Penelitian Sistem Absensi
Pada gambar 1 tersebut menyiratkan flowchart kerangka langkah metodologi penelitian Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (YOLO) untuk presensi mahasiswa. Pada penelitian ini dilakukan studi literatur deteksi wajah dengan algoritma YOLO dan analisis model identifikasi wajah untuk presensi mahasiswa, selanjutnya dilanjutkan dengan perancangan hardware berupa alat presensi mahasiswa dan software berupa pemrograman deteksi wajah dengan algoritma YOLO untuk face recognition serta pemrograman website.
2.2 Studi Literatur Deteksi Wajah dengan algoritma YOLO
You Only Look Once (YOLO) adalah algoritma yang dirancang untuk deteksi objek waktu nyata. Sistem deteksi diimplementasikan oleh classifier atau locator yang digunakan kembali untuk deteksi. Suatu citra dibagi menjadi skala-skala atau ukuran grid cell yang bergantung pada input size. Sebuah citra akan dideteksi berdasarkan skor tertinggi dari skala-skala yang telah dibagi [13].
Gambar 2. Proses pembagian skala citra pada deteksi wajah menggunakan YOLO [14] .
Pada gambar 2 merupakan tahapan YOLO dalam proses mendeteksi citra, beberapa keunggulan daripada sistem yang berorientasi pada klasifikasi, hal tersebut dapat terlihat ketika citra pada saat dilakukan dengan pengujian data uji. YOLO mengaplikasikan arsitektur yang hampir sama dengan Convolutional neural networks.
2.3 Analisis Model Identifikasi Wajah Untuk Presensi Mahasiswa
Pengkajian pada bagian ini adalah menganalisis model yang akan dirancang pada alat yang dibuat dengan memperhatikan komponen yang akan dirancang seperti gambar dibawah ini :
Gambar 3. Analisis Model Identifikasi Wajah Untuk Presensi Mahasiswa.
Pada gambar 3 menggambarkan tentang model identifikasi wajah pada sistem. Komponen yang digunakan adalah pi camera sebagai camera untuk mengambil gambar, touchless button digunakan sebagai button ketika gambar diambil, raspberry pi digunakan untuk mengirim gambar telah diambil ke server. Gambar yang telah dikirim selanjutnya melalui proses deteksi wajah menggunakan algoritma YOLO serta pengenalan wajah. Hasil prediksi gambar selanjutnya akan dikirim dan ditampilkan dalam sebuah website.
2.4 Perancangan sistem deteksi wajah dengan algoritma YOLO
Kerangka riset yang dikembangkan pada penelitian ini adalah suatu sistem yang akan dijalankan dalam mengeksekusi metode yang digunakan.
Gambar 4. Flowchart sistem deteksi wajah dengan algoritma YOLO
Pada gambar 4, langkah pertama yang dilakukan adalah membuat kode program. Seperti yang telah diterangkan sebelumnya, dalam penelitian sekarang digunakan tool IDE pycharm 2021. Tahapan-tahapannya antara lain,
Irma Salamah, Copyright © 2022, MIB, Page 1495 a. Membuat kode program
Kode program dibuat berdasarkan referensi github. Github merupakan software hosting yang berbasis open source dan penggunaannya mudah yang memakai tool Git, selain itu Webhosting juga dapat menggunakan github. Git adalah Tool System Control yang difungsikan untuk memanajemen jenis-jenis kode bahasa pemrograman. Git dipilih merupakan yang paling terkenal dari sekian banyak VCS[15].
b. Training dataset
Pada penelitan ini, proses training dataset menggunakan foto-foto mahasiswa. dimana data tersebut diambil dari masing-masing kelas di satu program studi. Selanjutnya proses training dilakukan sampai selesai.
Berdasarkan penelitan sebelumnya ada beberapa spesifikasi laptop yang disarankan[16].
c. Testing sistem
Proses testing sistem nantinya akan dilakukan dengan data testing berupa foto mahasiswa dengan perbedaan tertentu selain itu testing juga akan dicoba dengan orang secara langsung.
2.5 Perancangan Website Manajemen Absensi
Pada bagian ini adalah kerangka yang akan dijalankan dalam perancangan website absensi.
Gambar 5. Perancangan Website Manajemen Absensi
Pada gambar 5, Dalam penelitian ini bertujuan untuk menghasilkan rancangan manajemen absensi di website adapun tahapan-tahapannya antara lain,
a. Desain mockup website.
Desain mockup website bertujuan agar rancangan tampilan website yang akan dibuat dengan , sehingga proses pembuatan website menjadi lebih mudah. Pada penelitian mockup website didesain dengan menggunakan marvel app.
b. Membuat kode program
Kode program akan dibuat di Microsoft visual studio code menggunakan framework laravel. Dengan database berupa php my local admin.
c. Menguji kerja website
Proses menguji kerja website ialah menguji dari setiap pilihan yang telah tersedia dengan fitur-fitur yang sudah di rancang, selanjutnya website berhasil apabila semua fitur yang telah dirancang berhasil digunakan.
2.6 Pengujian Sistem secara keseluruhan
Bagian gambar yang diberikan dibawah ini adalah proses diagram alir dalam menguji sistem yang telah dibuat
Gambar 6. Alur Percobaan sistem lengkap
Mengikuti gambar 6, proses alur kerangka percobaaan secara lengkap tahapan-tahapannya antara lain, a. Mahasiswa melakukan absensi
mahasiswa melakukan absensi dengan mengarahkan wajahnya ke pi camera kemudian menekan tombol touchless button, ada parameter yang harus diperhatikan yaitu jarak wajah, wajah dalam keadaan terbuka terhadap pi camera
b. Monitoring absensi website
apabila berhasil melakukan absensi maka selanjutnya akan muncul data NIM mahasiswa beserta foto yang telah diambil yang menunjukkan apakah prediksi benar atau salah.
2.7 Evaluasi Sistem
Evaluasi untuk sistem absensi ini adalah parameter akurasi, serta bagaimana antar komponen dapat bekerja, bagaimana server secara realtime dapat mengirimkan hasil prediksi wajah ke website. Selain itu akan dievaluasi juga mengenai kelebihan dan kekurangan dalam suatu sistem.
3. HASIL DAN PEMBAHASAN
Hasil penelitian sekarang dilaksanakan berdasarkan output dari observasi masalah untuk kebutuhan absensi mahasiswa. Untuk melaksanakan hal tersebut, dilaksanakan studi literature tentang deteksi objek dan eksperimen algoritma YOLO, pemrograman bahasa python dan website serta evaluasi sistem. Berikut ini akan dijelaskan hasil penelitian sesuai dengan sesuatu yang ingin dituju.
3.1 Bagian kode pemrograman library pada pycharm
Dalam bagian kode program pada gambar merupakan program pertama yang dituliskan pada pycarm.
Gambar 7. Bagian kode pemrograman pemanggilan library pada pycharm
Pada gambar 7 terdapat beberapa library yang dipanggil adalah pickle, shutil, click berfungsi untuk menyimpan variable menjadi file. Import os dan re untuk mengakses terminal atau cmd (command prompt). Import face_recognition.api as face_recognition, import multiprocessing, itertools, sys berfungsi sebagai library untuk menjalankan face recognition, import Image untuk gambar. Import time untuk waktu, import argparse adalah library untuk mengambil data dari argument. from utils import berfungsi sebagai library untuk mengambil file dari utils, import request adalah library untuk akses ke server.
3.2 Kode program input data pada pycharm.
Pada bagian ini merupakan komponen program dibuat untuk memenuhi kebutuhan data yang akan dijalankan pada sistem.
Gambar 8. Kode program menginput data pada pycharm
Pada gambar 8 terdapat beberapa kode program yang dimasukkan adalah requests.get(url_get_data_mahasiswa) untuk menginput data berupa foto mahasiswa. Json_mahasiswa untuk membaca dan menyimpan foto mahasiswa. Fungsi print berfungsi sebagai menampilkan data yg telah selesai pembacaanya.
3.3 Kode program deteksi wajah menggunakan algoritma YOLO.
Irma Salamah, Copyright © 2022, MIB, Page 1497 Dalam beberapa penjelana berikut ini adalah menjelaskan tentang eksekusi program yang telah dibuat dalam mendeteksi wajah.
(a) (b)
Gambar 9.(a) Kode program algoritma YOLO (b) Hasil tampilan deteksi wajah dengan YOLO Pada gambar 9 (a) adalah kode program untuk deteksi wajah menggunakan algoritma YOLO berikut beberapa perintah bagian kode program untuk memanggil model deteksi wajah menggunakan algoritma YOLO :
‘cv2.dnn.readNetFromDarknet(args.model_cfg,args.model_weights)
‘net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)’
‘net.setPreferableTarget(cv2.dnn.DNN_TARET_CPU)’
‘wind_name = 'face detection using YOLO'
‘cv2.namedWindow(wind_name, cv2.WINDOW_NORMAL)’
Pada gambar 9 (b) merupakan hasil tampilan deteksi wajah dengan YOLO dimana ketika program berhasil dijalankan dan kamera dibuka maka akan mendeteksi wajah terdapat dua wajah dengan akurasi masing-masing 100% dan 0,99%.
3.4 Proses training dataset face recognition
Pelatihan dataset dilakukan untuk membuat sistem menjadi lebih cerdas dimana hasil yang telah dilakukan akan langsung dilakukan testing.
(a) (b)
Gambar 10.(a) Foto data training (b) Hasil tampilan face recognition menggunakan algoritma YOLO Pada gambar 10 (a) merupakan foto mahasiswa yang menjadi dataset. Proses training dataset dilakukan pada bagian kode program face recognition. Pada proses training dibuat suatu folder know people yang berisi sebanyak 20 sampel foto yang terdiri dari 3 buah foto dengan masing-masing ekperesi yang berbeda. Foto diambil dengan memotret masing-masing mahasiswa. Dalam proses training hal yang harus diperhatikan adalah orientasi foto baik landsape ataupun portrait, jika dipilih portrait maka seluruh foto harus berorientasi yang sesuai. Tingkat kualitas foto menjadi salah satu parameter keakuratan dalam proses prediksi[17]. Sedangkan pada gambar 10 (b) merupakan hasil face recognition menggunakan algoritma YOLO dimana dicoba secara real time untuk untuk beberapa orang melalui webcam laptop.
3.5 Kode pemrograman website
Pada bagian pemrograman website menggunakan aplikasi Microsoft Visual Studio Code dengan kerangka kerja (framework laravel) untuk menuliskan kode program, XAMPP Control Panel untuk menjalankan database server dengan mengeklik start pada Apache dan MySQL. Sebelum melakukan pembuatan kode program terlebih dahulu harus dilakukan perancangan database dari masing-masing tabel yang akan dibuat untuk menyimpan data yang akan ditambahkan.
(a) (b)
Gambar 11. (a) Tampilan XAMPP Control Panel (b) Tampilan database server pada php my local admin Pada gambar 11 (a) adalah saat menjalankan aplikasi XAMPP control panel untuk membuka atau menambahkan sebuah database. Pada gambar 11(b) adalah database server dengan database yang telah dibuat yaitu dB_Presensi_Mahasiswa. Setelah menjalankan perintah diatas selanjutnya adalah menulis kode program.
Gambar 12. Kode program perancangan website pada Microsoft Visual Studio Code
Pada gambar 12 merupakan bagian dari kode program perancangan website dimana setelah merancang database, selanjutnya yang akan dijalankan adalah membuat CRUD (Create, Read, Update, and Delete). Pada bagian ini dieksekusi dari seluruh tabel yang akan dibuat seperti pendataan mahasiswa, data dosen, serta data kelas.
Bagian tersebut akan secara otomatis terbuat setelah mengetikan perintah tertentu. Setiap folder views sebagai menu tampilan, tabel akan berisikan file create, edit, index, layout, show dengan eksistensi file .blade.php Proses mengeksekusi program tersebut selanjutnya adalah membuat controller sebagai aktivitas sistem yang dibuat berdasarkan masing-masing data yang ingin dibuat, dilanjutkan dengan models untuk koneksi ke database server beserta kode program lainnya sehingga website dapat dijalankan. Setelah selesai mengeksekusi program selanjutnya adalah menghubungkan ke perangkat lain melalui Application Programming Interface (API).
3.6 Halaman tampilan website
Pada segmen ini adalah hasil dari eksekusi program pembuatan website untuk manajemen absensi kehadiran mahasiswa. Rancangan dibuat dengan beberapa laman menu yang dapat digunakan baik untuk mendata dan melihat monitoring hasil yang telah dikirimkan oleh server.
(a) (b)
Gambar12.(a) Tampilan data pendataan mahasiswa (b) Tampilan data dosen pada halaman website
Irma Salamah, Copyright © 2022, MIB, Page 1499 Pada gambar12 (a) Tampilan data pendataan mahasiswa merupakan salah satu laman data mahasiswa yang berfungsi sebagai data tambahan yang akan ditampilkan bersamaan dengan prediksi wajah yang akan dikirim ke website. Pada gambar 12 (b) merupakan tampilan data dosen pada halaman website yang berisikan tentang data dosen sebagai data pengelola website dimana website yang dibuat akan dikelola oleh dosen dan admin program studi.
3.7 Pengujian sistem
Pada bagian ini adalah data hasil pengujian sistem Perancangan Alat Identifikasi Wajah dengan Algoritma You Only Look Once (Yolo) Untuk Presensi Mahasiswa dimana sistem yang diuji adalah kinerja alat yang telah dirancang beserta hasil prediksi face recognition yang dikirimkan ke manajemen absensi di website.
(a) (b) (c)
Gambar 13 (a) Tampilan hasil rancangan alat (b) Tampilan pengujian alat oleh salah seorang mahasiswa (c) Tampilan hasil prediksi face recognition menggunakan algoritma YOLO yang dikirimkan ke website.
Pada gambar 13 (a) merupakan tampilan hasil perancangan alat dengan memakai akrilik dengan susunan komponen touchless button, pi camera, raspberry pi, Power Supply 12 volt, serta ubec 5 volt. Kemudian pada gambar 13 (b) tampilan pengujian alat oleh seorang mahasiwa, untuk pengujian sistemnya sendiri wajah dari mahasiswa tersebut di arahkan ke raspberry pi kemudian mendekatkan tangan ke touchless button sampai alat tersebut mengambil gambar. Pada gambar 13 (c) tampilan hasil prediksi face recognition menggunakan algoritma YOLO yang dikirimkan ke website menujukkan bahwa data hasil prediksi identitas wajah berhasil dikirimkan ke website.
Tabel 1. Hasil pengujian sistem
No. Mahasiswa Hasil Prediksi Cahaya Akurasi Tampilan Website
Respon Website
1. Mahasiswa P Mahasiswa P Terang 0,9912 Berhasil Real Time
2. Mahasiswa Q Mahasiswa Q Terang 0,981 Berhasil Real Time
3. Mahasiswa S Mahasiswa S Terang 0,9883 Berhasil Real Time
4. Mahasiswa T Mahasiswa T Terang 0,9873 Berhasil Real Time
5. Mahasiswa U Mahasiswa U Terang 0,9885 Berhasil Real Time
6. Mahasiswa V Mahasiswa V Terang 0,9901 Berhasil Real Time
7. Mahasiswa A Mahasiswa A Redup 0,975 Berhasil Real Time
8. Mahasiswa I Mahasiswa I Redup 0,951 Berhasil Real Time
9. Mahasiswa U Mahasiswa U Redup 0,942 Berhasil Real Time
10. Mahasiswa E Mahasiswa E Terang 0,992 Berhasil Real Time
11. Mahasiswa O Mahasiswa O Terang 0,994 Berhasil Real Time
12. Mahasiswa J Mahasiswa J Redup 0,9721 Berhasil Real Time
13. Mahasiswa K Mahasiswa K Redup 0,9745 Berhasil Real Time
14. Mahasiswa L Mahasiswa L Terang 0,981 Berhasil Real Time
15. Mahasiswa M Mahasiswa M Redup 0,975 Berhasil Real Time
16. Mahasiswa N Mahasiswa N Terang 0,995 Berhasil Real Time
17. Mahasiswa X Mahasiswa X Terang 0,991 Berhasil Real Time
18. Mahasiswa Y Mahasiswa Y Redup 0,972 Berhasil Real Time
19. Mahasiswa Z Mahasiswa Z Redup 0,961 Berhasil Real Time
20. Mahasiswa B Mahasiswa B Terang 0,984 Berhasil Real Time
Berdasarkan hasil pengujian sistem Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (Yolo) Untuk Presensi Mahasiswa diatas terdapat 20 sampel mahasiswa yang dilakukan dalam proses pengenalan wajah melalui absensi dengan rata-rata akurasi 0,9793. Akurasi pengujian tertinggi 0,995 dan akurasi
terendah 0,942 dengan parameter cahaya yang redup dan terang. Semua data hasil prediksi langsung terkirim ke website secara real time berdasarkan koneksi jaringan internet yang tersedia.
Evaluasi dari sistem untuk akurasi yang tinggi harus memperhatikan cahaya dalam pengambilan foto mahasiswa. Dan untuk pengiriman dapat berhasil secara real time membutuhkan koneksi jaringan internet yang stabil dan baik. Harapan kami hasil penelitian yang kami lakukan dapat membantu dosen atau pihak manajemen program studi dalam memanajemen absensi kehadiran mahasiswa.
4. KESIMPULAN
Menurut hasil penelitian yang telah dikerjakan melalui pengujian sistem Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (YOLO) untuk Presensi Mahasiswa berbagai komponen dapat berjalan secara baik seperti pi camera, touchless button, raspberry pi, ubec 5 volt, dan power supply 12 volt. Untuk hasil pengujian akurasi sistem dengan sampel 20 sampel mahasiswa yang dilakukan dalam proses pengenalan wajah melalui absensi dengan rata-rata akurasi 0,9793. Akurasi maksimum yang didapatkan 0,995 dan akurasi minimum yang didapatkan adalah 0,995. Kualitas gambar menjadi penilaian utama dalam nilai akurasi yang didapatkan dimana jika parameter cahaya terang maka akan didapatkan nilai akurasi yang tinggi dan juga sebaliknya jika parameter cahaya redup maka akan didapatkan nilai akurasi yang rendah. Untuk pengiriman hasil prediksi wajah ke website parameter yang berpengaruh adalah koneksi jaringan dimana jika jaringan sedang stabil maka hasil prediksi dapat dikirimkan ke website dalam secara real time. Selain itu berdasarkan pengujian algoritma You Only Look Once (YOLO) juga berdaarkan beberapa penelitian sebelumnya terbukti memiliki tingkat deteksi wajah yang baik sehingga dalam proses pengenalan wajah dalam sistem mendapatkan hasil prediksi wajah yang sesuai.
Harapan kami dari hasil penelitian kami dapat bermanfaat dan juga menjadi pembelajaran. Dalam beberapa penelitian mendatang diharapkan dapat mengembangkan sistem presensi mahasiswa lebih baik dan juga mengembangkan algoritma You Only Look Once (YOLO) dalam pengaplikasiannya diberbagai bidang.
REFERENCES
[1] P. D. Purnasari and Y. D. Sadewo, “Strategi Pembelajaran Pendidikan Dasar di Perbatasan Pada Era Digital,” J. Basicedu, vol. 5, no. 5, pp. 3089–3100, 2021.
[2] K. Hadiono and R. C. Noor Santi, “Menyongsong Transformasi Digital,” Proceeding Sendiu, no. July, pp. 978–979, 2020.
[3] A. S. Pratikno, “Implementasi Artificial Intelligence dalam Memetakan Karakteristik, Kompetensi, dan Perkembangan Psikologi Siswa Sekolah Dasar Melalui Platform Offline Conference,” Isbn, no. September 2017, pp. 18–27, 2018.
[4] A. Roihan, P. A. Sunarya, and A. S. Rafika, “Pemanfaatan Machine Learning dalam Berbagai Bidang: Review paper,”
IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, pp. 75–82, 2020, doi: 10.31294/ijcit.v5i1.7951.
[5] A. Anas and A. Fitriani, “Dampak Media E-Learning Terhadap Kedisiplinan Dalam Mengerjakan Tugas Dan Motivasi,”Pedagogy, vol. 4, no. 1, pp. 74–101, 2019.
[6] Madhiyono, S. Kosasi, and David, “Aplikasi Absensi Fingerprint Berbasis Website Menggunakan JWT dan Algoritma Haversine,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 328–333, 2021.
[7] L. W. Alexander, S. R. Sentinuwo, and A. M. Sambul, “Implementasi Algoritma Pengenalan Wajah Untuk Mendeteksi Visual Hacking,” J. Tek. Inform., vol. 11, no. 1, pp. 1–8, 2017.
[8] Y. Hartiwi, E. Rasywir, Y. Pratama, and P. A. Jusia, “Sistem Manajemen Absensi dengan Fitur Pengenalan Wajah dan GPS Menggunakan YOLO pada Platform Android,” J. Media Inform. Budidarma, vol. 4, pp. 1235–1242, 2020.
[9] M. Sarosa et al., “Implementasi Algoritma You Only Look Once ( Yolo ) Untuk Implementation of You Only Look Once ( Yolo ) Algorithm for,” vol. 8, no. 4, pp. 787–792, 2021.
[10] A. Thariq and R. Y. Bakti, “Sistem Deteksi Masker dengan Metode Haar Cascade pada Era New Normal COVID-19,”
J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 241, 2021.
[11] L. B. Prianggodo and R. Rohmah, “Perancangan Object Tracking Robot Berbasis Image Processing Menggunakan Raspberry Pi,” 4th Univesity Res. Coloquium2016, pp. 56–67, 2016.
[12] Moch Zawaruddin Abdullah, Mungki Astiningrum, Yuri Ariaynto, Dwi Puspitasari, and Atiqah Nurul Asri, “Rancang Bangun Sistem Informasi Akuntansi Berbasis Website menggunakan Framework Laravel,” J. Pengabdi. Polinema Kpd.
Masy., vol. 8, no. 1, pp. 74–80, 2021.
[13] C. Geraldy and C. Lubis, “Pendeteksian Dan Pengenalan Jenis Mobil Menggunakan Algoritma You Only Look Once Dan Convolutional Neural Network,” pp. 197–199, 2020.
[14] I. H. Al amin and A. Aprilino, “Implementasi Algoritma Yolo Dan Tesseract Ocr Pada Sistem Deteksi Plat Nomor Otomatis,” J. Teknoinfo, vol. 16, no. 1, p. 54, 2022.
[15] E. Ferdiana Sari, “Penerapan Github Sebagai Media E-Learning Untuk Mengetahui Keefektifan Kolaborasi Project Pada Mata Pelajaran Pemrograman Web Dan Perangkat Bergerak Di Smk Negeri 2 Surabaya,” vol. 06, pp. 14–22, 2021.
[16] T. A. A. H. Kusuma, K. Usman, and S. Saidah, “People Counting for Public Transportations Using You Only Look Once Method,” J. Tek. Inform., vol. 2, no. 1, pp. 57–66, 2021.
[17] B. B. M. Wantania, S. R. U. . Sompie, and F. D. Kambey, “Penerapan Pendeteksian Manusia Dan Objek Dalam Keranjang Belanja Pada Antrian Di Kasir,” J. Tek. Inform., vol. 15, no. 2, pp. 101–108, 2020.
