SKRIPSI IF

KLASIFIKASI CITRA WAJAH MAHASISWA STMIK "AMIKBANDUNG" MENGGUNAKAN MOBILENETV2

---

ABSTRAK

Presensi mahasiswa merupakan bagian penting dalam mendukung kelancaran proses pembelajaran. Di STMIK AMIK Bandung, proses pencatatan presensi masih dilakukan secara manual sehingga memakan waktu, berisiko menimbulkan kesalahan, serta membuka peluang terjadinya kecurangan. Penelitian ini mengusulkan penerapan teknologi pengenalan wajah berbasis model MobileNetV2 untuk mencatat presensi secara otomatis, cepat, dan akurat. Dataset wajah mahasiswa dikumpulkan secara langsung dengan variasi sudut pandang dan pencahayaan. Tahapan penelitian meliputi deteksi dan pemotongan wajah menggunakan MTCNN, ekstraksi ciri wajah dengan MobileNetV2, serta klasifikasi identitas melalui Logistic Regression. Data dibagi menjadi enam puluh empat persen untuk pelatihan, enam belas persen untuk validasi, dan dua puluh persen untuk pengujian. Evaluasi kinerja dilakukan menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil pengujian terhadap seratus empat puluh enam gambar uji menunjukkan akurasi sebesar delapan puluh satu koma lima satu persen dengan nilai rata-rata precision, recall, dan F1-score di atas nol koma delapan lima. Dengan demikian, penelitian ini membuktikan bahwa MobileNetV2 dapat diimplementasikan sebagai solusi efektif untuk sistem presensi mahasiswa berbasis pengenalan wajah.

Kata kunci: Presensi Mahasiswa, Pengenalan Wajah, MobileNetV2, Logistic Regression




ABSTRACT

Student attendance is an essential component in supporting the effectiveness of the learning process. At STMIK AMIK Bandung, attendance recording is still carried out manually, which is time-consuming, prone to errors, and opens opportunities for fraud. This research proposes the implementation of facial recognition technology based on the MobileNetV2 model to record student attendance automatically, quickly, and accurately. A dataset of student faces was collected directly with variations in viewing angles and lighting conditions. The research stages include face detection and cropping using MTCNN, feature extraction with MobileNetV2, and identity classification through Logistic Regression. The data were divided into sixty-four percent for training, sixteen percent for validation, and twenty percent for testing. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The testing results on one hundred and forty-six test images achieved an accuracy of eighty-one point fifty-one percent, with average precision, recall, and F1-score values above zero point eighty-five. Thus, this study demonstrates that MobileNetV2 can be implemented as an effective solution for a student attendance system based on facial recognition.

Keywords: Student Attendance, Facial Recognition, MobileNetV2, Logistic Regression

---

Ketersediaan

S250929005

607.2 MAU k

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 MAU k

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment