Perancangan Aplikasi Presensi Mobile Berbasis Deteksi Wajah Menggunakan MobileNetV2 Studi Kasus Raja Buku Tahunan

Bayu Nur Kasah

doi:10.69693/jesa.v3i2.88

Authors

Bayu Nur Kasah Universitas Pamulang

DOI:

https://doi.org/10.69693/jesa.v3i2.88

Keywords:

Presensi Mobile, Deteksi Wajah, MobileNetV2, Tensorflow Lite, Pengenalan Wajah

Abstract

Penelitian ini mengembangkan aplikasi presensi mobile berbasis pengenalan wajah untuk meningkatkan keamanan dan keakuratan pencatatan kehadiran karyawan di Raja Buku Tahunan. Sistem dikembangkan untuk mengatasi kelemahan metode presensi konvensional, seperti manipulasi data, praktik titip absen, kesalahan pencatatan, serta belum tersedianya pemantauan kehadiran secara real-time. Sistem memanfaatkan MediaPipe Face Detection untuk mendeteksi area wajah sebelum proses pengenalan, kemudian menggunakan model deep learning MobileNetV2 untuk melakukan ekstraksi fitur dan pengenalan wajah. Aplikasi mobile dikembangkan menggunakan React Native, sedangkan FastAPI digunakan sebagai backend dan PostgreSQL sebagai basis data. Model yang telah dikonversi ke TensorFlow Lite (TFLite) digunakan untuk mendukung proses inferensi secara efisien pada perangkat. Pengembangan perangkat lunak dilakukan menggunakan metode Agile Scrum yang disesuaikan dengan penelitian individu melalui tahapan perencanaan, pengembangan, pengujian, dan evaluasi secara iteratif. Hasil evaluasi menggunakan 2.247 data uji menunjukkan bahwa model yang diusulkan memperoleh akurasi sebesar 99,73%, presisi 99,96%, recall 99,78%, dan F1-score 99,87%. Pengujian fungsional menunjukkan bahwa sistem mampu melakukan autentikasi pengguna dan mencatat data kehadiran secara otomatis serta menyediakan informasi kehadiran yang dapat dipantau secara real-time. Berdasarkan hasil pengujian tersebut, sistem yang dikembangkan dapat mendukung proses presensi karyawan yang lebih terstruktur, akurat, dan praktis dibandingkan pencatatan kehadiran secara konvensional.

Downloads

Download data is not yet available.

References

[1] R. Yu, X. Zhang, Y. Zhang, J. Song, K. Liu, and Q. Miao, “Design and Implementation of Identity Verification Software Based on Deep Learning,” International Journal of Digital Crime and Forensics, vol. 14, no. 3, 2022, doi: 10.4018/IJDCF.315796.

[2] V. Viantyezar Septyanlie, V. Ikawati, E. Subiyanta, N. Lestari, and J. K. Saleh I Desa Cipinang Kecamatan Rajagaluh, “Face Recognition-Based Door Lock Security System Using TensorFlow Lite,” Journal homepage: Journal of Electrical Engineering and Computer (JEECOM), vol. 6, no. 2, 2024, doi: 10.33650/jeecom.v4i2.

[3] E. Febiyani, Z. Hanni Pradana, and I. Permatasari, “Analisis Sistem Monitoring Presensi Menggunakan Face Recognition Berbasis CNN dengan Arsitektur MobileNetV1,” Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi, vol. 2, no. 3, pp. 95–102, Jul. 2025, doi: 10.61124/sinta.v2i3.83.

[4] B. Belgibayev, M. Mansurova, G. Ablay, T. Sarsembayeva, and Z. Armankyzy, “Optimization of Neural Network Models of Computer Vision for Biometric Identification on Edge IoT Devices,” J. Imaging, vol. 11, no. 11, Nov. 2025, doi: 10.3390/jimaging11110419.

[5] D. D. Riyandi, R. N. Hajra, H. Syaiful, S. A. Dwi, T. L. Nouval, and W. N. Deny, “Employee Attendance System with Facial Recognition Technology Using a Single Shot Detector (SSD) Algorithm,” JITE (Journal of Informatics and Telecommunication Engineering), vol. 7, no. 2, pp. 424–434, Jan. 2024, doi: 10.31289/jite.

[6] S. Ramdani and A. Rahmatulloh, “Implementasi Mobilenet untuk Klasifikasi Gambar dan Deteksi Emosi Menggunakan KERAS,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 12, no. 2, pp. 259–264, Apr. 2024, doi: 10.26418/justin.v12i2.73389.

[7] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Mar. 2019, [Online]. Available: http://arxiv.org/abs/1801.04381

[8] M. R. Rani, M. Z. C. Mustafar, N. H. F. Ismail, M. S. F. Mansor, and Z. Zainuddin, “Road Peculiarities Detection using Deep Learning for Vehicle Vision System,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1068, no. 1, p. 012001, Mar. 2021, doi: 10.1088/1757-899x/1068/1/012001.

[9] A. Alami and O. Krancher, “How Scrum adds value to achieving software quality?,” Empir. Softw. Eng., vol. 27, no. 7, Dec. 2022, doi: 10.1007/s10664-022-10208-4.

[10] J. Krisna Putra and Y. Yoannita, “Transfer Learning dengan MobileNetV3 untuk Deteksi Serangan Spoofing Wajah pada Foto,” Jurnal Algoritme, vol. 5, no. 2, pp. 218–230, Apr. 2025, doi: 10.35957/algoritme.v5i2.10954.

[11] R. Alex and S. Nicholas, “Pengembangan Aplikasi Absensi dengan Fitur Pemindaian Wajah dan GPS untuk Verifikasi Kehadiran Otomatis Berbasis Mobile,” Jurnal Multimedia Dan Teknologi Informasi, vol. 07, no. 02, pp. 300–315, 2025, doi: 10.54209/jatilima.v7i02.1496.

[12] G. Indra, H. Hamida Saputri, and N. Aulia Aziza, “Penerapan MobileNet untuk Klasifikasi Kondisi Wajah Mengantuk pada Citra Wajah,” Journal of Informatics and Communications Technology, vol. 7, no. 1, pp. 189–197, Jun. 2025, doi: 10.52661.

[13] M. Elawady, “Sparse Coral Classification Using Deep Convolutional Neural Networks,” Nov. 2015, [Online]. Available: http://arxiv.org/abs/1511.09067

[14] H. Herlawati et al., “Komparasi Kinerja ResNet50 dan MobileNetV2 pada Klasifikasi Citra Multi-Domain,” Jurnal Komtika (Komputasi dan Informatika), vol. 10, no. 1, 2026, doi: 10.31603/komtika.v10.i1.16926.

[15] N. Aini and D. Y. Liliana, “Prediksi Gender Berdasarkan Citra Mata Menggunakan Metode Convolutional Neural Network, Inception dan MobileNet,” Buletin Poltanesa, vol. 23, no. 1, pp. 226–232, Jun. 2022, doi: 10.51967/tanesa.v23i1.1272.