Abstract:
Absensi mahasiswa adalah proses pendataan kehadiran mahasiswa pada sebuah kelas perkuliahan.
Absensi mahasiswa dapat digunakan untuk pengembangan kurikulum perkulihaan dan penilaian
standar edukasi sebuah universitas. Namun, permasalahan ini seringkali sulit diukur. Hal ini
dikarenakan minimnya ketersediaan waktu yang perlu diluangkan untuk melakukan absensi secara
manual. Penelitian ini juga didorong atas keinginan untuk mengubah sistem absensi manual
ke sistem baru yang lebih cepat. Sistem ini memanfaatkan kamera smartphone/CCTV untuk
mengambil foto kelas, kemudian secara otomatis mendeteksi siapa saja mahasiswa yang hadir.
Oleh karena itu, diperlukan suatu model yang mampu mendeteksi letak sekaligus mengenali
mahasiswa dalam suatu foto.
Model ini dirancang dengan landasan pengetahuan akan Deep Learning, terutama pada basis
Convolutional Neural Network. Teknik ini memanfaatkan sifat dari jaringan tiruan Convolutional
Neural Network yang cocok dalam memproses data-data seperti citra ke dalam permasalahan
klasifikasi, lokalisasi dan pendeteksian objek, maupun pengenalan objek. Dalam penelitian ini,
dilakukan eksplorasi terhadap beberapa teknik Deep Learning dan parameter yang berkaitan.
Hal ini bertujuan guna mendapatkan model yang dianggap cocok dalam konteks permasalahan
absensi mahasiswa. Model yang selesai diimplementasi diuji kinerjanya sehingga menghasilkan
evaluasi dalam bentuk visualisasi data, persentase akurasi sebagai tingkat kesuksesan, maupun
metrik lain seperti F1 Score yang dianggap penting dan cocok untuk menguji kualitas dari model.
Berdasarkan eksplorasi dan hasil pengujian yang dilakukan, dapat disimpulkan bahwa model
mempunyai potensi besar untuk mengatasi permasalahan absensi mahasiswa. Meskipun metrik
F1 Score yang dihasilkan model hanya mencapai 42%, namun model mempunyai banyak ruang
untuk peningkatan mengingat beberapa keterbatasan yang muncul selama proses eksplorasi
dan penelitian dilakukan. Selain itu, model memungkinkan untuk diintegrasi ke dalam sebuah
perangkat lunak agar dapat menjadi sistem baru yang lebih praktis.