Sistem Absensi Mahasiswa Berbasis Pengenalan Wajah Menggunakan Algoritma YOLOv5
Lusi Susanti, Nelly Khairani Daulay*, Bunga Intan
Fakultas Ilmu Teknik, Program Studi Rekayasa Sistem Komputer, Universitas Bina Insan, Lubuk Linggau, Indonesia Email: 11902010018@mhs.univbinainsan.ac.id , 2,*nellykhairanilestari@gmail.com, 3bungaintan@univbinainsan.ac.id
Email Penulis Korespondensi: nellykhairanilestari@gmail.com Submitted 28-03-2023; Accepted 30-04-2023; Published 30-04-2023
Abstrak
Perkembangan teknologi informasi diiringi dengan kemajuan dibidang Artificial Intelligence, salah satunya yaitu sistem pengenalan wajah memanfaatkan machine learning atau deep learning. Saat manusia melihat gambar atau video, kita dapat mengenali dan menemukan objek yang menarik dalam sekejap. Tujuan dari deteksi objek adalah untuk mereplikasi kecerdasan ini menggunakan komputer. Sistem absensi mahasiswa di Universitas Bina Insan Lubuklinggau masih dilakukan secara manual sehingga memiliki banyak kekurangan seperti data hadir atau tanda tangan dapat dimanipulasi oleh orang lain sehingga menimbulkan kecurangan. adanya resiko kehilangan data, dalam proses penginputan data. Sehingga pada penelitian ini dibuat Sistem Absensi Mahasiswa Fakultas Ilmu Teknik Universitas Bina Insan Menggunakan Algoritma YOLO v5. Yang diharapkan akan dapat dimanfaatkan guna memperoleh hasil Absensi yang sesuai dan tidak ada lagi kecurangan dan resiko kesalahan peng inputan data absensi terutama di Universitas Bina insan Kota Lubuklinggau. Pada penelitian ini menggunakan 5 kelas dataset berupa 5 orang mahasiswa yang ada di Fakultas Ilmu Teknik Universitas Bina Insan. Didapatkan hasil Akurasi dalam mendeteksi wajah kurang lebih 80%. Dari dataset kurang lebih 1500 gambar, dengan ukuran foto 640x640 pixel, 16 batch dengan epoch sebanyak 100 akan dilakukan evaluasi model dengan memperhatikan nilai mAP, Precision, Recall. Pada penelitian ini model mendapatkan mAP 99%, Precision 99%, dan recall 99% dengan ini maka sistem yang dibuat sudah cukup baik.
Kata Kunci: Algoritma; Pengenalan Wajah; Absensi; Artificial Intelligence; YOLOv5 Abstract
The development of information technology is accompanied by advances in the fieldArtificial Intelligence, one of which is the facial recognition systemmachine learning ordeep learning. When humans see an image or video, we can recognize and find objects of interest in an instant. The goal of object detection is to replicate this intelligence using computers. The student attendance system at Bina Insan Lubuklinggau University is still done manually so it has many deficiencies such as attendance data or signatures that can be manipulated by others, causing fraud. there is a risk of losing data, in the process of inputting data. So that in this study a Student Attendance System was created at the Faculty of Engineering, Bina Insan University Using the YOLO v5 Algorithm. It is hoped that this will be u sed to obtain appropriate attendance results and there will be no more fraud and the risk of inputting attendance data errors, especially at Bina Insan University, Lubuklinggau City. In this study, 5 class datasets were used in the form of 5 students at the Faculty of Engineering, Bina Insan University. The accuracy results in detecting faces are approximately 80%. From a dataset of approximately 1500 images, with a photo size of 640x640pixel, 16 batch withepoch as many as 100 models will be evaluated by taking into account the values of mAP, Precision, Recall. In this study, the model gets 99% mAP, 99% precision, and 99% recall, with this, the system created is good enough.
Keywords: Algorithm; Face Recognition; absenteeism; Artificial Intelligence;YOLOv5
1. PENDAHULUAN
Perkembangan teknologi informasi mengikuti kemajuan kecerdasan buatan, termasuk sistem pengenalan wajah untuk mengidentifikasi setiap orang. Wajah merupakan bentuk yang paling mudah dikenali, salah satu kegunaannya adalah untuk membedakan identitas antara satu orang dengan orang lainnya. Sistem pengenalan wajah diperlukan untuk berbagai masalah, seperti di bidang keamanan, di bidang pendidikan, yang juga mencakup kehadiran[1]. Proses partisipasi merupakan kegiatan yang dilakukan dalam operasional akademik di kampus untuk menentukan kinerja mahasiswa.
Sistem absensi mahasiswa di Universitas Bina Insan Lubuklinggau masih manual, absensi dilakukan bergantian selama alur perkuliahan di kelas, terdapat beberapa formulir absen yang berisi jumlah janji, tanggal, nama mata kuliah dan nama dosen pembimbing[2]. pengajar Mahasiswa diminta untuk mengisi tanda tangan pada formulir absensi, yang akan diisi kembali oleh staf departemen yang hadir, karena kehadiran merupakan salah satu bukti prestasi. Mengenai sistem absensi mahasiswa yang menggunakan formulir, terdapat beberapa kelemahan antara lain informasi absensi atau tanda tangan yang dapat dimanipulasi oleh orang lain dan menimbulkan kecurangan. ada resiko kehilangan data, butuh waktu lama petugas memasukkan data absensi ke AMS sehingga tidak efisien, korupsi data karena kecerobohan, dan penggunaan formulir absensi membutuhkan kertas dan biaya cetak sehingga tidak ekonomis[3]. Sistem pengenalan yang cepat dan akurat berdasarkan fitur wajah manusia yang saat ini sedang dikembangkan adalah pengenalan wajah, yang merupakan metode pengenalan wajah yang banyak digunakan. Salah satu ilmu yang difokuskan pada pengembangan sistem pengenalan wajah ini adalah kecerdasan buatan (AI). Kecerdasan buatan adalah cabang kecerdasan buatan yang dikendalikan oleh mesin. Kecerdasan buatan memiliki pembelajaran mesin dan pembelajaran mendalam[4]. Deteksi objek merupakan salah satu teknik computer vision yang dapat digunakan untuk mengetahui posisi objek pada suatu gambar atau video. Algoritme deteksi objek biasanya menggunakan pembelajaran mesin atau pembelajaran mendalam untuk menghasilkan hasil yang bermakna. Saat orang melihat sebuah gambar atau video, kita bisa langsung mengidentifikasi dan menemukan objek yang menarik. Pengenalan target bertujuan untuk mereplikasi kecerdasan ini menggunakan
komputer. dimana suatu sistem dapat belajar secara mandiri tanpa harus diprogram ulang oleh manusia, sedangkan deep learning merupakan cabang dari machine learning yang terdiri dari algoritma pemodelan abstrak dan kumpulan data tingkat lanjut yang diatur secara berlapis dan mendalam. Dalam hal ini kami menggunakan metode YOLOv5 karena algoritma YOLOv5 merupakan yang terbaru dalam pendeteksian objek, prosesnya cukup cepat, dan akurasinya cukup tinggi. You Only Look Once (YOLO) adalah algoritma yang dirancang untuk mendeteksi objek secara real time[5].
Dalam sistem deteksi yang akan diimplementasikan, reuse classifier atau locator digunakan untuk deteksi. Model diterapkan pada gambar di berbagai lokasi dan skala. Dalam sistem deteksi yang diimplementasikan, reuse classifier atau locator digunakan untuk melakukan deteksi. Model diterapkan pada gambar di berbagai lokasi dan skala. Area dengan nilai citra tertinggi dianggap sebagai observasi. YOLO mendeteksi objek menggunakan model terpadu, di mana jaringan konvolusional tunggal secara bersamaan memprediksi beberapa kotak pembatas dan probabilitas kelas di dalam kotak tersebut. Sistem deteksi metode YOLO terbukti lebih cepat dan akurat untuk mendeteksi objek dari gambar atau gambar, sehingga paling cocok digunakan untuk deteksi objek real-time dalam video.
Dalam penelitian ini dengan YOLOv5. YOLOv5 merupakan model deteksi objek generasi kelima yang dirilis pada April 2020[6]. Secara umum, arsitektur model ini tidak jauh berbeda dengan generasi YOLO sebelumnya. YOLOv5 ditulis dalam bahasa pemrograman Python dan bukan dalam bahasa C versi sebelumnya. Pada penelitian sebelumnya oleh Susi Susati, Metode yang digunakan pada deteksi ini yaitu menggunakan YOLO (You Only Look Once) sisem terdiri dari tiga proses pre processing, proses training dan proses deteksi. Pada deteksi hasil citra yang yang telah terdeteksi dan implementasi ini menngunkan Bahasa pemograman python dengan menggunakan platform googlecolab. Hasil implementasi ini bertujuan untuk mendeteksi helm menggunakan metode TinyYOLOv3, Dari hasil pengujian pada total 50 dataset terdapat nilai akurasi tertinggi yaitu 93% pada kondisi skenario 3 dengan waktu proses 9.44 detik.
Pada Penelitian selanjutnya oleh Naufal Irfani, model deteksi objek yang dapat mendeteksi kelainan berupa tumor pada citra medis MRI. Deteksi tumor pada citra MRI otak pada project capstone ini menggunakan beberapa metode deep learning. Terdapat tiga metode yaitu YOLO v4, YOLO v5, dan SSD MobileNet. Masing-masing metode menghasilkan tingkat presisi yang berbeda-beda, YOLO v5 memiliki tingkat presisi paling tinggi yaitu 98,37%. Selain itu, YOLO v5 juga memiliki ukuran model yang relatif kecil yaitu 13,7 MB serta waktu deteksi 0,055 detik. Dengan adanya model deteksi tumor ini, maka dapat digunakan untuk mengembangkan teknologi MRI otak yang dapat langsung mendeteksi lokasi adanya tumor, sebagai manfaat ilmu pengolahan citra dalam bidang biomedis. Tujuan awal dari model YOLO adalah merancang model algoritma yang dapat mengidentifikasi dan mengenali objek dengan cepat tanpa kehilangan keakuratannya. Arsitektur YOLO terdiri dari 24 lapisan konvolusi dengan hingga 4 lapisan penyatuan diikuti oleh 2 lapisan yang terhubung sepenuhnya. Alternatifnya, beberapa lapisan konvolusi menggunakan lapisan pengurangan 1 × 1 untuk mengurangi kedalaman peta fitur.
Pengenalan wajah juga terkait dengan perubahan objek, perubahan ini disebabkan oleh perubahan. Ekspresi, intensitas cahaya dan sudut pandang. Oleh karena itu, objek yang sama harus dikenali sebagai objek yang sama dengan banyak perbedaan[7]. Python mendukung penggunaan modul dan paket, yang memungkinkan program menjadi modular dan kode dapat digunakan kembali di beberapa proyek. Setelah modul dan paket dikembangkan, dapat diperbarui untuk digunakan dalam proyek lain dan juga memungkinkan untuk mengimpor atau mengekspor modul ini. Salah satu kelebihan bahasa pemrograman Python adalah pustaka standar tersedia secara bebas dalam bentuk biner dan sumber. Tidak ada yang eksklusif, karena Python dan semua alat yang diperlukan tersedia di semua platform utama. Jadi, ini merupakan pilihan yang menarik bagi pengembang yang tidak ingin khawatir tentang membayar biaya aplikasi[8].
2. METODOLOGI PENELITIAN
2.1 Metode Pengumpulan Data
Penelitian ini dilakukan dengan menggunakan metode kualitatif, metode kualitatif merupakan penelitian yang menggunakan analisis masalah. Proses penelitian kualitatif diawali dengan menyusun asumsi dasar dan kaidah pemikiran yang digunakan dalam penelitian. Penelitian ini berfokus pada pengenalan wajah, mulai dari pembuatan sistem hingga mengujinya dengan sistem, yang kemudian akan membuat sistem ini dapat mengenali wajah yang terdeteksi oleh sistem.
Pengumpulan data akan dilakukan menggunakan beberapa metode, antara lain:
2.1.1 Metode Literatur
Metode Literatur adalah sebuah metode yang sistematis, eksplisit dan reprodusibel untuk melakukan identifikasi, evaluasi dan sintesis terhadap karya-karya hasil penelitian dan hasil pemikiran yang sudah dihasilkan oleh para peneliti dan praktisi. Dalam penelitian ini data yang didapat dan digunakan berupa pengetahuan teoritis yang didapat penulis selama ini, baik dari materi perkuliahan, buku-buku referensi yang relevan, serta dari hasil penjelajahan (browsing) jurnal di internet yang berhubungan dengan penelitian[9].
2.1.2 Metode observasi
Merupakan metode pengamatan kebutuhan sistem dan menganalisa kebutuhan sistem. Kemudian mengumpulkan data- data yang dibutuhkan dalam pembuatan sistem.
2.1.3 Wawancara
Teknik wawancara bertujuan untuk lebih mengetahui atau mendalami permasalahan-permasalahan secara langsung dan secara nyata dari sumber data yaitu staf absensi dan dosen Universitas Bina Insan.
2.1.4 Dokumentasi
Metode ini mengumpulkan data dengan cara mendokumentasikan segala hal yang berkaitan dengan penelitian, salah satunya berupa foto-foto yang berkaitan dengan penelitian yang dilakukan.
2.2 Metode Pengembangan Sistem
Metode pengembangan sistem adalah metode yang membahas mengenai pengembangan alat atau perangkat yang hendak digunakan dalam penelitian. dalam penelitian ini menggunakan tahapan AI Project Cycle yang terdiri dari Problem Scoping, Data Acquisition, Data Exploration, Modelling, Evaluation, dan Deployment[10].
2.2.1 Analisis Kebutuhan dan Analisis Sistem
Pada Sistem Pengenalan Wajah menggunakan algoritma YOLOv5 proses-proses yang harus dilakukan antara lain adalah Mengidentifikasi wajah dan dapat mengenali wajah yang terdeteksi oleh sistem. Agar sistem berjalan dengan baik beberapa hal yang harus diperhatikan antara lain kebutuhan hardware agar dapat menjalankan sistem dengan baik, hardware yang dibutuhkan ialah RAM minimal 8 GB, Free Space pada hardisk 3 GB dan Webcam beresolusi 720p.
Sedangkan kebutuhan Software agar dapat menjalankan sistem dengan baik, software yang dibutuhkan ialah System Operasi Windows dan Python 3.9. Perancangan sistem yang digunakan untuk merancang sistem ini menggunakan algoritma You Only Look Once (YOLOv5), adalah sebuah algoritma pendeteksi objek secara real-time[11]. Rancangan sistem digunakan untuk memutuskan bagaimana sistem tersebut akan beroperasi, mengetahui kebutuhan perangkat lunak, kebutuhan pada perangkat keras, dan perancangan sistem juga berfungsi untuk merancang tampilan pada pengguna input, proces, dan output. Berikut adalah rancangan sistem pada algoritma YOLOv5.
Gambar 1. Rancangan Sistem Perangkat Lunak.
2.2.2 Metode Pengujian Sistem
Pada penelitian kali ini, metode yang digunakan oleh penulis adalah metode Black Box Testing untuk melakukan pengujian pada sistem. Metode ini mencoba sebuah sistem dari sisi fungsional tanpa menguji desain dan kode programnya, yang bertujuan untuk mengetahui sistem berjalan dengan baik atau tidak. Beberapa hal dalam pengujian untuk kebutuhan pada sistem tersebut, dalam kasus ini antara lainSistem dapat mengenai wajah pada masing-masing personal dan Sistem dapat mendeteksi wajah[12]. Dari pengujian sistem yang telah dilakukan pada tahap ini kita dapat menyimpulkan persentase keberhasilan dan juga dapat jadikan acuan apakah sistem yang kami buat berjalan dengan baik atau tidak.
3. HASIL DAN PEMBAHASAN
3.1 Implementasi/Pengujian
3.1.1Data Acquisition (pengumpulan dataset)
a. Sumber data berasal dari 5 sampel Mahasiswa Fakultas Ilmu Teknik Universitas Bina Insan Lubuklimggau b. Pengambilan data menggunakan foto wajah
c. 300 foto data wajah dari 5 sampel Mahasiswa (total 1500 foto) 1. 50 foto wajah menghadap kamera
2. 50 foto wajah menghadap kanan 3. 50 foto wajah menghadap kiri 4. 50 foto wajah menghadap keatas 5. 50 foto wajah menghadap kebawah 6. 50 foto menggunakan kacamata
Dengan data pelatihan (training) sejumlah 1.200 gambar, data validasi 341 gambar, dan 142 data pengujian (testing).
Gambar 2. Data Acquisition.
3.1.2Processing a. Resize foto
Resize semua foto menjadi 640x640 pixel menggunakan bantuan python. Pixel dataset harus seragam agar memudahkan mesin dalam proses trainig dataset. Mesin akan kesulitan bila pixel setiap poto berbeda – beda[13].
Gambar 3. Resize.
b. Labelling
Labelling wajah menggunakan flatfrom roboflow.
Gambar 4. Labelling.
3.1.3Split Data
Split data dilakukan di website Roboflow dataset yang sudah di resize dan labelling selanjutnya data dibagi 3 jenis data yaitu 70 % data train, 20% data Validasi, dan 10 % data test. Untuk mempermudah proses training serta untuk mengurangi terjadinya overfitting dan underfitting pada dataset[14].
Gambar 5. Split data.
Gambar 6.Export YOLOv5.
3.1.4 Modeling
Model menggunakan YOLOv5. Alasan menggunakan YOLO karena algoritma terbaru dari semua model object detection, proses cepat, dan akurasi juga terbilang cukup baik[15].
Gambar 7. Modelling 3.1.5 Training (Pelatihan Model)
Pelatihan model pada penelitian ini menggunakan 100 eppoch dengan 283 layers, 7265882 parameter, 7265882 gradients[11].
Gambar 8. Data Training
Gambar 9. Proses Training 3.1.6 Nilai mAP, Precision Recall
Gambar 10. Nilai mAP 3.1.7 Evaluasi
Untuk metrics menggunakan 1500 gambar, dengan ukuran foto 640x640 pixel, 16 batch dengan epoch sebanyak 100 akan dilakukan evaluasi model dengan memperhatikan nilai mAP, Precision, Recall. Pada penelitian ini model mendapatkan mAP 99%, Precision 99%, dan recall 99% dengan ini maka model yang dibuat sudah sangat baik[16].
Gambar 11. Evaluasi 3.1.8 Deployment
Proses ini kita menggunakan ekstensi file batch lalu merubahnya menjadi file .exe menggunakan software “Batch To Exe Converter”[17].
Gambar 12. Deployment
3.1.9 Pengujian Sistem
Didapatkan pembacaan akurasi dalam menebak orang akan lebih dari 80% bila posisi tepat ditengah dan wajah memiliki cahaya yang baik. Sistem dapat mendeteksi semua kelas dataset mahasiswa dengan benar[18].
Gambar 13. Hasil akhir pengujian 3.2 Pembahasan
Hasil dari Sistem Absensi Mahasiswa Universitas Bina Insan Fakultas Ilmu Teknik Berbasis Pengenalan Wajah Menggunakan Algoritma YOLO v5 dengan metode pengujian blackbox maka didapatkan hasil sistem dapat mendeteksi wajah mahasiswa/i Fakultas Teknik Universitas Bina Insan dengan benar dan memiliki akurasi yang bervariasi sesuai kondisi pencahayaan dan atribut yang dikenakan. Pada proses ini didapatkan pembacaan akurasi dalam menebak orang akan lebih dari 80% bila posisi tepat ditengah dan wajah memiliki cahaya yang baik[19]. Berdasarkan rancangan terhadap Sistem Absensi Mahasiswa Universitas Bina Insan Berbasis Pengenalan Wajah Menggunakan Algoritma YOLOv5, maka hasil yang didapat berupa sebuah sistem sebagai media absensi mahasiswa yang menampilkan data kehadiran Mahasiswa Fakultas Teknik di Universitas Bina Insan. Data kehadiran ini berupa data pada saat mahasiwa datang kekampus sesuai jam perkuliahan[20].
4. KESIMPULAN
Sistem Absensi Mahasiswa Universitas Bina Insan Fakultas Ilmu Teknik dengan Algoritma YOLOv5 setelah melakukan uji coba dan penelitian, didapatkan pembacaan akurasi dalam menebak orang akan lebih dari 80% bila posisi tepat ditengah dan wajah memiliki cahaya yang baik. Sistem dapat mendeteksi semua kelas dataset mahasiswa dengan benar yaitu Lusi ,Enno, Rana, Sandi, Andi. Penelitian berjalan dengan baik dan memperoleh hasil yang seuai serta dapat dibuktikan persentase kebenarannya. Diperoleh data uji coba dengan hasil nilai mAP sistem absensi mahasiswa Fakultas Ilmu Teknik Universitas Bina Insan dengan algoritma YOLOv5 adalah 99,5%. Nilai Precision sistem absensi mahasiswa Fakultas Teknik Universitas Bina Insan dengan algoritma YOLOv5 adalah 99,7%, Nilai Recall sistem absensi mahasiswa Fakultas Teknik Universitas Bina Insan dengan algoritma YOLOv5 adalah 99,4% dan Sistem dapat mendeteksi 5 mahasiswa yang menjadi fokus penelitian dengan benar yakni Lusi, Enno, Rana, Sandi, dan Andi. Adapun upaya agar dapat meningkatkan hasil pengembangan pada penelitian selanjutnya,ada beberapa saran yang mungkin bisa dilakukan agar mendapatkan hasil yang lebih maksimal yaitu dengan mengembangkan kelas dataset dengan Fakultas lain seperti Ekonomi, Hukum, Pertanian dan Perikanan, menambah jumlah dataset agar tidak underfiting dalam mendeteksi wajah dan mengembangkan sistem menjadi ke dalam bentuk aplikasi.
REFERENCES
[1] R. P. Arum, A. Prasetiadi, and C. Ramdani, “Klasifikasi Rasa Berdasarkan Citra Buah Menggunakan Algoritma Convolutional Neural Network Dengan Teknik Identitas Ganda,” IJIS - Indones. J. Inf. Syst., vol. 6, no. 1, p. 79, 2021, doi:
10.36549/ijis.v6i1.132.
[2] N. Hanum Harani, C. Prianto, and M. Hasanah, “Deteksi Objek Dan Pengenalan Karakter Plat Nomor Kendaraan Indonesia Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Python,” J. Tek. Inform., vol. 11, no. 3, pp. 47–53, 2019.
[3] W. I. Pambudi, M. Izzatillah, and S. Solikhin, “Sistem Pendukung Keputusan Pemilihan Karyawan Terbaik Menggunakan Metode AHP PT NGK Busi Indonesia,” J. Ris. dan Apl. Mhs. Inform., vol. 2, no. 01, pp. 113–120, 2021, doi:
10.30998/jrami.v2i01.925.
[4] Awan Aprilino and Imam Husni Al Amin, “1522-4565-1-Pb,” J. TEKNOINFO, vol. 16, no. 1, pp. 54–59, 2022.
[5] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56,
2018.
[6] H. O. K. Sugianto, M. A. D. Widyadara, and A. B. Setiawan, “Implementation of Face Recognition for Attendance Using Yolo V3 Method,” Semin. Nas. Inov. Teknol., vol. 6, no. 2, pp. 50–55, 2022, [Online]. Available:
https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/2559.
[7] 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, doi:
10.30865/mib.v4i4.2522.
[8] I. Salamah, M. R. A. Said, and S. Soim, “Perancangan Alat Identifikasi Wajah Dengan Algoritma You Only Look Once (YOLO) Untuk Presensi Mahasiswa,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1492, 2022, doi: 10.30865/mib.v6i3.4399.
[9] N. Hidayat, S. Wahyudi, A. Aufa Diaz, I. Teknologi Sepuluh Nopember, and K. Keputih-Sukolilo, “PENGENALAN INDIVIDU MELALUI IDENTIFIKASI WAJAH MENGGUNAKAN METODE YOU ONLY LOOK ONCE (YOLOv5) (Individual Recognition Through Face Identification Based On You Only Look Once (YOLOv5) Method),” pp. 85–98, 2022, [Online].
Available: https://magestic.unej.ac.id/.
[10] K. Khairunnas, E. M. Yuniarno, and A. Zaini, “Pembuatan Modul Deteksi Objek Manusia Menggunakan Metode YOLO untuk Mobile Robot,” J. Tek. ITS, vol. 10, no. 1, 2021, doi: 10.12962/j23373539.v10i1.61622.
[11] I. N. T. A. Putra and E. D. Krisna, “Implementasi Sistem Surveillance Berbasis Pengenalan Wajah pada STMIK STIKOM Indonesia,” J. Ilmu Komput., vol. 13, no. 2, p. 8, 2020, doi: 10.24843/jik.2020.v13.i02.p01.
[12] A. Amwin, “Deteksi Dan Klasifikasi Kendaraan Berbasis Algoritma You Only Look Once (YOLO),” Univ. Islam Indones., 2021, [Online]. Available: https://dspace.uii.ac.id/handle/123456789/34154.
[13] F. Hardianto, “Aplikasi Presensi Online WFH Menggunakan Sidik Jari Dan Face Recognition Berbasis Mobile (Studi Kasus: PT
Toko Damai Sejahtera Kota Rengat),” 2022, [Online]. Available:
http://repository.uir.ac.id/id/eprint/15659%0Ahttps://repository.uir.ac.id/15659/1/183510046.pdf.
[14] Muhammad Romzi and B. Kurniawan, “Pembelajaran Pemrograman Python Dengan Pendekatan Logika Algoritma,” JTIM J.
Tek. Inform. Mahakarya, vol. 03, no. 2, pp. 37–44, 2020.
[15] M. Moshinsky, “No Titleبیلی,” Nucl. Phys., vol. 13, no. 1, pp. 104–116, 1959.
[16] M. S. Hidayatulloh, “Sistem Pengenalan Wajah Menggunakan Metode Yolo ( You Only Look Once ),” pp. i–43, 2021.
[17] I. N. T. A. Putra, “Face Recognition Based Mobile Using Fisherface and Distance Classifier,” JST (Jurnal Sains dan Teknol., vol. 7, no. 1, pp. 135–145, 2018, doi: 10.23887/jst-undiksha.v7i1.13267.
[18] J. Jumadi, Y. Yupianti, and D. Sartika, “Pengolahan Citra Digital Untuk Identifikasi Objek Menggunakan Metode Hierarchical Agglomerative Clustering,” JST (Jurnal Sains dan Teknol., vol. 10, no. 2, pp. 148–156, 2021, doi:
10.23887/jstundiksha.v10i2.33636.
[19] Indrasetya, Sugeng, and Putri, “Penerapan Yolo Dalam Konversi Partitur Lagu Dari Notasi Balok Menjadi Notasi Angka,” pp.
1–12, 2021, [Online]. Available:
https://eproceeding.itenas.ac.id/index.php/fti/article/view/586%0Ahttps://eproceeding.itenas.ac.id/index.php/fti/article/downloa d/586/478.
[20] M. I. Siami, “Penerapan Deteksi Penggunaan Masker pada Sistem Absensi Karyawan menggunakan Metode Deep Learning,”
JAMI J. Ahli Muda Indones., vol. 3, no. 2, pp. 21–27, 2022, doi: 10.46510/jami.v3i2.118.
