Integrasi Haar Cascade dan FaceNet pada Sistem Presensi Web Hibrida

Abstract

Sistem presensi konvensional di MTs Nurul Falah masih rentan terhadap manipulasi data, seperti praktik titip absen, dan lambatnya rekapitulasi kehadiran bagi guru maupun siswa. Penelitian ini mengusulkan kebaruan berupa integrasi algoritma deteksi wajah Haar Cascade dan ekstraksi fitur FaceNet512 yang diterapkan pada arsitektur web hibrida (PHP dan Python) untuk memecahkan permasalahan tersebut. Pengujian fungsional sistem dilakukan menggunakan metode Black Box Testing, sementara evaluasi performa diukur menggunakan Confusion Matrix pada berbagai kondisi pencahayaan dan pose wajah. Pengujian dilakukan menggunakan sampel data simulasi yang terdiri dari wajah pengguna terdaftar (peneliti) dan wajah orang asing, dengan total 10 skenario percobaan. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi pengenalan keseluruhan sebesar 77,8%, dengan performa paling optimal (90%) saat mendeteksi posisi wajah frontal dan pencahayaan normal. Implementasi sistem ini terbukti efektif dalam mencegah kecurangan manipulasi identitas dan mempercepat proses administrasi kehadiran secara real-time.