Perancangan Sistem Absensi Facial Recognition Menggunakan CNN dan Liveness Detector pada BPR Central Dana Mandiri
DOI:
https://doi.org/10.33998/jakakom.2022.2.1.63Abstrak
− Pemanfaatan Facial Recognition berkembang pesat dalam berbagai bidang karena menawarkan kemudahan dalam penerapannya, untuk itu sistem ini juga dapat dimanfaatkan dalam proses pencatatan kehadiran di sebuah organisasi, terutama karena adanya perubahan kebutuhan semenjak pandemi terjadi yang menyebabkan keterbatasan interaksi antar individu dalam menjalankan aktivitasnya. Akan tetapi, dibutuhkan penambahan Liveness Detection sehingga manipulasi atau kecurangan sistem, seperti menggunakan foto untuk proses absensi, dapat dicegah. Pada penelitian ini, sistem absensi Facial Recognition dikembangkan dengan tujuan untuk meningkatkan efektivitas pencatatan kehadiran karyawan pada BPR Central Dana Mandiri. Selain itu, sistem absensi yang berteknologi touchless ini diharapkan mampu mengurangi risiko penularan virus antar karyawan di perusahaan tersebut. Sistem dirancang dengan algoritma Convolutional Neural Network untuk pendeteksian wajah dan perhitungan Eye Aspect Ratio (EAR) sebagai Liveness Detector. Berdasarkan hasil pengujian yang dilakukan, sistem dapat membedakan antara wajah yang terdaftar pada database dengan wajah asing dan hanya mencatat kehadiran karyawan setelah mengenali wajah karyawan tersebut serta mendeteksi kedipan matanya. Sedangkan dari hasil uji coba pengenalan wajah, didapatkan bahwa sistem dapat mengenali seluruh wajah yang berasal dari database sistem dengan tingkat akurasi sebesar 100%, sedangkan pengenalan wajah terhadap wajah-wajah random, yang didapatkan dari internet, memiliki tingkat akurasi sebesar 73,33%.
Unduhan
Referensi
Pulungan, Akhiruddin dan Alfa Saleh, “Perancangan Aplikasi Absensi Menggunakan QR Code Berbasis Android,” Jurnal Mahasiswa Fakultas Teknik dan Ilmu Komputer, vol. 1, no. 1, pp. 1063-1074, 2020.
Raharjo, Santoso Tri dkk, Aku dan Pandemi COvid19: Sebuah Refleksi. Sumedang: CV. Niaga Muda, pp. 1-3, 2020.
Dadhich, Abhinav, Practical Computer Vision. Birmingham: Packt Publishing Ltd., pp.7-109, 2018.
Singgalen, Rinaldo, “Sistem Pengenalan Wajah sebagai Akses Loker Penyimpanan Barang,” TELEKONTRAN, vol. 5, pp. 149-158, 2017.
Liu, Shuhua, et. al, “An Identity Authentication Method Combining Liveness Detection and Face Recognition,” Sensors 2019, vol. 19, no. 21, pp. 4733, Oct. 2019, doi: 10.3390/S19214733.
Mehta, Sukrit, et. al, “Real-Time Driver Drowsiness Detection System Using Eye Aspect Ratio and Eye Closure Ratio Fatigue Detection Non-Intrusive Methods Driver monitoring system”, SUSCOM, pp. 1333-1339, 2019, doi: 10.2139/ssrn.3356401.
Sharif, M., et al, “Face Recognition: A Survey,” Journal of Engineering Science and Technology Review, vol. 10, no. 2, pp. 166–177, 2017, doi: 10.25103/jestr.102.20.
Safri, Galeh Rizkya. “PENERAPAN LIVENESS SEBAGAI ANTI-SPOOFING CITRA DIGITAL PADA SISTEM KEAMANAN AKSES KONTROL RUANG SERVER BERBASIS RASPBERRY PI.” S.T, Universitas Muhammadiyah Gresik, Jawa Timur, 2020.
M., Mahmudi dkk, “IMPLEMENTASI METODE VIOLA JONES UNTUK MENDETEKSI WAJAH MANUSIA,” Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat, vol. 5, no. 1, pp. 54–60, 2019, doi: 10.46808/INFORMA.V5I1.69.
Syuhada, Fahmi dkk, “Pengenalan Wajah Untuk Sistem Kehadiran Menggunakan Metode Eigenface dan Euclidean Distance,” J_COSINE, vol. 2, no. 1, pp. 64-69, 2018, doi: 10.29303/jcosine.v2i1.74.
Kurniadi, Ahmad dkk, “Implementasi Convolutional Neural Network Untuk Klasifikasi Varietas Pada Citra Daun Sawi Menggunakan Keras,” DoubleClick: Journal of Computer and Information Technology, vol. 4, no. 1, pp. 25–33, 2020, doi: 10.25273/doubleclick.v4i1.5812.
Prabowo, Mei, Metodologi Pengembangan Sistem Informasi. Salatiga: LP2M IAIN Salatiga, pp.43-45, 2020.
Mufarroha, Fifin Ayu, dkk, “Deteksi Manusia Menggunakan Metode Histogram of Oriented Gradient dan Euclidean Distance,” NERO, vol. 3, pp. 177–183, 2018.
Casado, Álvarez C. and López, M. Bordallo, “Real-time face alignment: evaluation methods, training strategies and implementation optimization,” Journal of Real-Time Image Processing, vol. 18, no. 6, pp. 2239–2267, Dec. 2021, doi: 10.1007/S11554-021-01107-W/FIGURES/15.
Shamsaldin, Ahmed S., et. al, “A Study of The Convolutional Neural Networks Applications,” UKH Journal of Science and Engineering, vol. 3, no. 2, pp. 31–40, Dec. 2019, doi: 10.25079/UKHJSE.V3N2Y2019.
Anton dkk, “Application of Deep Learning Using Convolutional Neural Network (CNN) Method for Womenâ€TMs Skin Classification,” Scientific Journal of Informatics, vol. 8, no. 1, pp. 144–153, May 2021, doi: 10.15294/SJI.V8I1.26888.
D. A. Pisner and D. M. Schnyer, “Support vector machine,” Machine Learning: Methods and Applications to Brain Disorders, pp. 101–121, Jan. 2020, doi: 10.1016/B978-0-12-815739-8.00006-7.
