1. Home
  2. Vol 12, No 4 (2024)
  3. Darmanto

Penerapan MTCNN dan Eigenfaces untuk Pengenalan Wajah dalam Pemantauan Kehadiran pada Pembelajaran Berbasis Proyek

Darmanto Darmanto(1), Eka Wahyudi(2), Novi Indah Pradasari(3), Ar-Razy Muhammad(4),
(1) Politeknik Negeri Ketapang  Indonesia
(2) Politeknik Negeri Ketapang  Indonesia
(3) Politeknik Negeri Ketapang  Indonesia
(4) Politeknik Negeri Ketapang  Indonesia

Corresponding Author


DOI : https://doi.org/10.24036/voteteknika.v12i4.130823

Abstract


Pencatatan kehadiran mahasiswa adalah elemen penting terutama dalam pembelajaran berbasis proyek (Project Based Learning) yang memerlukan kolaborasi dan partisipasi aktif. Penelitian ini mengembangkan sistem absensi otomatis berbasis face recognition dengan menggunakan model Multi-task Cascaded Convolutional Neural Network (MTCNN) untuk deteksi wajah. Model MTCNN dipilih karena kemampuannya dalam mendeteksi wajah dengan baik meski terdapat variasi sudut, pencahayaan, dan ekspresi. Proses deteksi melibatkan tiga tahap seperti deteksi wajah, penghalusan kotak pembatas (bounding box) dan penyesuaian titik penanda (landmark). Setelah itu metode Eigenface digunakan untuk mengenali wajah dengan analisis Principal Component Analysis (PCA). Penelitian diuji di kelas yang sebennarnya dengan variasi jumlah mahasiswa, pencahayaan, dan posisi kamera. Hasilnya metode MTCNN mendeteksi wajah dengan rata-rata 29.8% presisi, sementara Eigenface mencapai akurasi 90%, meski turun menjadi 78% untuk subjek berkacamata. Selain itu MTCNN menunjukkan waktu deteksi lebih cepat dibanding RetinaFace yang menandakan efisiensi lebih tinggi. Kombinasi MTCNN dan Eigenface terbukti efektif dalam otomatisasi pencatatan kehadiran dengan peningkatan efisiensi dan akurasi data yang mendukung pelaksanaan pembelajaran berbasis proyek secara optimal.

Kata kunci : Face Recognition, MTCNN, Eigenface, Project-Based Learning


Student attendance tracking is a crucial element, particularly in Project-Based Learning (PBL) which requires collaboration and active participation. This research develops an automatic attendance system based on face recognition using the Multi-task Cascaded Convolutional Neural Network (MTCNN) model for face detection. MTCNN was selected for its robust ability to detect faces despite variations in angle, lighting, and expression. The detection process involves three stages: face detection, bounding box refinement, and landmark adjustment. Following detection, the Eigenface method is used for face recognition with Principal Component Analysis (PCA). The research was tested in an actual classroom with varying student numbers, lighting conditions, and camera positions. Results showed that MTCNN achieved an average face detection precision of 29.8%, while Eigenface reached 90% accuracy, though it dropped to 78% for subjects with glasses. Additionally, MTCNN demonstrated faster detection times compared to RetinaFace, indicating higher efficiency. The combination of MTCNN and Eigenface proved effective in automating attendance recording, enhancing data accuracy and efficiency to optimally support Project-Based Learning.

Keywords: Face Recognition, MTCNN, Eigenface, Project-Based Learning


References


Munawir, L. Fitria, dan M. Hermansyah, “Implementasi Face Recognition pada Absensi Kehadiran Mahasiswa Menggunakan Metode Haar Cascade Classifier,” InfoTekJar : J. nas. inform. dan teknol., vol. 4, no. 2, hlm. 314–320, 2020, doi: 10.30743/infotekjar.v4i2.2333.

A. Asrul, “Implementasi Sistem Absensi Siswa Berbasis Deteksi Wajah, Warna Dan Logo Seragam,” JATISI, vol. 9, no. 2, hlm. 1355–1369, Jun 2022, doi: 10.35957/jatisi.v9i2.2252.

M. F. Yasykur dan W. A. Saputra, “Implementasi Face Recognition Pada Sistem Presensi Mahasiswa Menggunakan Metode Ssd Dan Lbph,” JUKANTI, vol. 7, no. 1, hlm. 63–74, Apr 2024, doi: 10.37792/jukanti.v7i1.1207.

R. Adipranata dan K. Gunadi, “Sistem Presensi Mahasiswa Menggunakan Face Recognition Dengan Metode Facenet Pada Android,” Jurnal Infra, vol. 10, no. 2, hlm. 56–62, 2022, doi: https://publication.petra.ac.id/index.php/teknik-informatika.

Andri Nugraha Ramdhon dan Fadly Febriya, “Penerapan Face Recognition Pada Sistem Presensi,” JACOST, vol. 2, no. 1, hlm. 12–17, Jun 2021, doi: 10.52158/jacost.v2i1.121.

A. V. Sinaga, ‘Peranan Teknologi dalam Pembelajaran untuk Membentuk Karakter dan Skill Peserta Didik Abad 2’, vol. 06, no. 01, 2023.

R. A. Yanti and N. Novaliyosi, ‘Systematic Literature Review: Model Pembelajaran Project Based Learning (PjBL) terhadap Skill yang dikembangkan dalam Tingkatan Satuan Pendidikan’, J. Cendekia J. Pendidik. Mat., vol. 7, no. 3, pp. 2191–2207, Aug. 2023, doi: 10.31004/cendekia.v7i3.2463.

Y. Feng, S. Yu, H. Peng, Y.-R. Li, and J. Zhang, ‘Detect Faces Efficiently: A Survey and Evaluations’, IEEE Trans. Biom. Behav. Identity Sci., vol. 4, no. 1, pp. 1–18, Jan. 2022, doi: 10.1109/TBIOM.2021.3120412.

Mobile Application & Technology Program, Computer Science Department, School of Computer Science, Bina Nusantara University, Jakarta, Indonesia, M. F. F. Mulyananda, M. A. Gunawan, F. L. Gaol, and T. Oktavia, ‘Application of “Face Recognition” Technology for Attendance Management System’, J. Adv. Inf. Technol., vol. 12, no. 3, 2021, doi: 10.12720/jait.12.3.260-266.

T. E. Prabowo, R. Hartanto, and S. Wibirama, ‘Prototype of Student Attendance Application Based on Face Recognition Using Eigenface Algorithm’, vol. 3, no. 1, 2019.

S. Jia and Y. Tian, ‘Face Detection Based on Improved Multi-task Cascaded Convolutional Neural Networks’, vol. 51, no. 2, 2024.

J. Deng, J. Guo, E. Ververas, I. Kotsia, and S. Zafeiriou, ‘RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild’, in 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA: IEEE, Jun. 2020, pp. 5202–5211. doi: 10.1109/CVPR42600.2020.00525.


Article Metrics

 Abstract Views : 17 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.