Pengembangan Sistem Absensi Berbasis Face Recognition Menggunakan Convolutional Neural Network Serta Kombinasi Fitur Haar dan Histogram of Oriented Gradient Dengan Metode Kombinasi K-Nearest Neighbor dan K-Means

Suditresnajaya, Dewa Ketut Satriawan (2020) Pengembangan Sistem Absensi Berbasis Face Recognition Menggunakan Convolutional Neural Network Serta Kombinasi Fitur Haar dan Histogram of Oriented Gradient Dengan Metode Kombinasi K-Nearest Neighbor dan K-Means. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
1615051046-COVER.pdf
Download (2MB)
[img] Text (ABSTRAK)
1615051046-ABSTRAK.pdf
Download (66kB)
[img] Text (BAB 1 PENDAHULUAN)
1615051046-BAB 1 PENDAHULUAN.pdf
Download (210kB)
[img] Text (BAB 2 KAJIAN TEORI)
1615051046-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (1MB) | Request a copy
[img] Text (BAB 3 METODE PENELITIAN)
1615051046-BAB 3 METODE PENELITIAN.pdf
Restricted to Repository staff only
Download (683kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
1615051046-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (8MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
1615051046-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (68kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
1615051046-DAFTAR PUSTAKA.pdf
Download (186kB)
[img] Text (LAMPIRAN)
1615051046-LAMPIRAN.pdf
Download (3MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem identifikasi wajah mahasiswa dalam bentuk sistem absensi. Sistem absensi yang banyak digunakan masih bersifat konvensional sehingga dapat menghambat proses belajar mengajar karena memotong waktu belajar, mengganggu konsentrasi peserta didik akibat aliran absen konvensional tersebut, sehingga mempersulit tercapainya tujuan pendidikan yang tertuang dalam UU No. 20 tahun 2003 pasal 3. Berdasarkan permasalahan tersebut maka penggunaan face recognition dapat digunakan sebagai solusi untuk membantu mengatasi masalah absensi konvensional, dengan menggunakan convolutional neural network dan kombinasi fitur Haar dan HOG dengan klasifikasi K-NN K-Means. Hasil yang didapatkan dengan menggunakan klasifikasi kombinasi K-NN dengan K-Means yaitu sebesar 95,645% sedangkan dengan metode CNN mendapatkan akurasi sebesar 99,82%

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Biometrik, Face Recognition, Absensi Konvensional, Haar, HOG, K-NN, K-Means
Subjects: L Education > L Education (General)
Q Science > Q Science (General)
T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Pendidikan Teknik Informatika (S1)
Depositing User: DEWA KETUT SATRIAWAN SUDITRESNAJAYA
Date Deposited: 04 Nov 2020 01:57
Last Modified: 04 Nov 2020 01:57
URI: http://repo.undiksha.ac.id/id/eprint/4742

Actions (login required)

View Item View Item