IDENTIFIKASI PENGENALAN WAJAH UNTUK SISTEM PRESENSI MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR)
DWI RIZKI YULIANTI

Informasi Umum

Kode

22.04.1833

Klasifikasi

621.367 - Technological photography and photo-optics, Spectrography, Stroboscopic photography, Image processing, Optical data processing

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Digital Image Processing, Image Proceesing, Artificial Intelligence,

Dilihat

353 kali

Informasi Lainnya

Abstraksi

<p> </p>

<hr /> <p>Presensi merupakan kegiatan yang penting dan tidak pernah lepas dari suatu kegiatan belajar mengajar untuk menghitung dan melihat kehadiran mahasiswa. Sistem presensi yang dilakukan dengan manual seperti tanda tangan mahasiswa di kertas dapat menimbulkan terjadinya peluang kecurangan dan membutuhkan waktu yang cukup lama dalam mengolah data untuk perhitungan total kehadiran di akhir waktu. Sementara itu sistem presensi yang dilakukan secara digital dengan menggunakan RFID (<em>Radio Frequency Identification</em>) juga masih memiliki banyak kekurangan dan peluang kecurangan dalam presensinya. Untuk menangani hal tersebut, maka diperlukan sistem presensi untuk pengenalan wajah dengan<br /> memanfaatkan <em>Image Processing</em> dengan harapan dapat mengurangi kecurangan dan <em>human error</em>.</p>

<p>Pada Tugas Akhir ini dilakukan penelitian mengenai sistem presensi otomatis melalui identifikasi pengenalan wajah (<em>face recognition</em>) menggunakan<br /> <em>webcam</em> sebagai <em>input</em> sistem, lalu hasil <em>capture</em> gambar yang dihasilkan dari setiap citra akan diproses melalui metode LBPH (<em>Local Binary Pattern</em> <em>Histogram</em>) dan KNN (<em>K-Nearest Neighbor</em>) dengan bantuan <em>software</em> <em>Python</em> berbasis <em>library</em> <em>OpenCV</em>.</p>

<p>Penelitian pada Tugas Akhir ini didapatkan nilai akurasi rata-rata pada pengenalan wajah menggunakan LBPH (<em>Local Binary Pattern Histogram</em>) sebesar<br /> 88%, dengan nilai FAR rata-rata sebesar 8% dan nilai FRR rata-rata sebesar 3%. Untuk klasifikasi KNN <em>(K-Nearest Neighbor</em>) dengan menggunakan empat variasi jarak, yaitu <em>Euclidean</em>, <em>Manhattan</em>, <em>Cosine</em> dan <em>Correlation</em> <em>Distance</em> diperoleh ratarata akurasi tertinggi pada saat ???? = 1 sebesar 98,9% dengan rata-rata waktu komputasi selama 144 ms. Sehingga sistem dapat diterapkan di kondisi real-time dengan memiliki presentase keakuratan yang tinggi.</p>

<p><strong>Kata kunci:</strong> Presensi, <em>Face Recognition</em>, <em>Local Binary Pattern Histogram</em> (LBPH), <em>K-Nearest Neighbor</em> (KNN).</p>

Koleksi & Sirkulasi

Seluruh 1 koleksi sedang dipinjam

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook