Poppy Julianti
S1 Pendidikan Teknologi Informasi, Fakultas Teknik, Universitas Negeri Surabaya
E-mail: poppyjulianti@mhs.unesa.ac.id
Yeni Anistyasari
S1 Pendidikan Teknologi Informasi, Fakultas Teknik, Universitas Negeri Surabaya
E-mail: yenian@unesa.ac.id
Abstrak
Pengenalan wajah merupakan cara manual yang dilakukan guru dalam proses presesnsi siswa. Umumnya
proses presensi masih dilakukan secara konvensional. Cara tersebut kurang efisien dan berdampak pada
proses pembelajaran. Hal itu juga dapat memicu kecurangan siswa. Tujuan dari studi ini adalah mengetahui
dan membandingkan berbagai metode yang dapat digunakan sebagai sarana pembuatan sistem pengenalan
wajah untuk presensi siswa, serta mengetahui hasil akurasi gambar dari tiap metode. Penelitian ini
menggunakan metode Systematic Literature Review (SLR) dengan mengidentifikasi dan mengevaluasi
penelitian terdahulu agar dapat menjawab pertanyaan penelitian (research question) yang telah ditetapkan.
Berdasarkan hasil studi yang telah dilakukan menggunakan 9 referensi, diperoleh 5 jenis metode
pengenalan wajah yaitu Three Level Wavelet Decomposition - Principal Component Analysis (3WPCA),
Convolutional Neural Network - Principal Component Analysis (CNN-PCA), Haar-Cascade Classifier,
Local Binary Pattern (LBP), dan Eigenface. Hasil akurasi terbaik dalam proses pengenalan wajah untuk
presensi siswa adalah Metode Local Binary Pattern yang dipadukan dengan Metode Cascade Classifier
dengan presentase akurasi sebesar 99%. Dengan memadukan berbagai metode akan membuat hasil akurasi
dalam pengenalan wajah selama proses presensi siswa menjadi lebih baik.
Kata Kunci: Pengenalan Wajah, Presensi, Absensi
Abstract
Face recognition is a manual way that teachers do in the student presence process. Generally, the presence
process is still done conventionally. This method is less efficient and has an impact on the learning process.
It can also trigger student cheating. The purpose of this study is to find out and compare various methods
that can be used as a means of making facial recognition systems for the presence of students, as well as
knowing the results of image accuracy from each method. This study uses the Systematic Literature
Review (SLR) method by identifying and evaluating previous studies in order to answer predetermined
research questions. Based on the results of studies that have been carried out using 9 references, 5 types of
face recognition methods were obtained, namely Three Level Wavelet Decomposition - Principal
Component Analysis (3WPCA), Convolutional Neural Network - Principal Component Analysis (CNN-
PCA), Haar-Cascade Classifier, Local Binary Pattern (LBP), and Eigenface. The best accuracy results in
the face recognition process for student presence is the Local Binary Pattern Method combined with the
Cascade Classifier Method with an accuracy percentage of 99%. By combining various methods will make
the final result of face recognition during the student's presence process better.
Keywords: Face Recognition, Presence, Attendance.
503
Jurnal IT-EDU. Volume 05 Nomor 01 Tahun 2020, 503 - 511
ataupun meminta siswa untuk menandatangi daftar hadir Berdasarkan kontribusi yang dilakukan, harapannya
yang telah disediakan. Namun, menurut Sunaryono dkk. banyak studi yang membahas perihal pendeteksian wajah
(2019) menggunakan cara konvensional kurang efisien sebagai sarana presesnsi siswa, supaya dapat
dan bisa memicu kecurangan siswa. Hal ini juga akan mempermudah para pengembang software dalam
memakan waktu dan berdampak pada efektifitas proses membuat aplikasi tersebut.
pembelajaran (Mohamed dan Raghu, 2012).
Dengan adanya perkembangan teknologi yang ada METODE
saat ini, tentunya dapat mengatasi masalah tersebut, dan Penelitian ini menggunakan metode Systematic Literature
mempermudah proses presensi siswa. Presensi tersebut Review (SLR) dengan cara mengidentifikasi dan
memanfaatkan teknologi biometrik dengan mengenali mengevaluasi penelitian terdahulu agar dapat menjawab
pola dari berbagai ciri khas fisik yang dimiliki oleh pertanyaan penelitian (research question) yang telah
seseorang seperti pengenalan wajah, iris mata, dan sidik ditetapkan (Suhartono, 2017).
jari (Muliawan dkk., 2015; Yusuf dkk., 2016). Menurut
Assarasee dkk. (2017) pengenalan wajah merupakan Pertanyaan Penelitian
pendekatan popular yang dipilih dalam pemantauan Berdasarkan penelitian sebelumnya yang berkaitan
kehadiran, karena nyaman digunakan selama proses dengan metode pengenalan wajah untuk presensi siswa,
penangkapan gambar. artikel ini bertujuan untuk: (1) mengetahui metode dan
Sistem pengenalan wajah merupakan hal menarik hasil perbandingan metode yang digunakan; dan (2)
dalam dunia pendidikan, karena memadukan pengolahan mengetahui hasil akurasi dari setiap metode tersebut.
citra dengan presensi siswa. Sistem presensi tersebut Selanjutnya dibuatlah pertanyaan penelitian (research
ialah sistem yang memadukan berbagai algoritma yang questions). Pertanyaan tersebut merupakan rumusan
berkaitan dengan wajah seseorang, serta membutuhkan masalah yang ditetapkan dalam penelitian ini, fungsinya
pemrosesan informasi secara kognitif yang berkaitan agar dapat membantu peneliti fokus mengidentifikasi
dengan karakter visual (Muliawan dkk., 2015; Seo dkk., dalam proses pengerjaan literatur. Berikut merupakan
2016). research question (RQ) yang dirumuskan, meliputi:
Pada penelitian sebelumnya yang dilakukan oleh RQ1 : Bagaimana metode dan hasil perbandingan metode
Sunaryono dkk. (2019) dengan judul, “An android based yang digunakan untuk mendeteksi pengenalan
course attendance system using face recognition,” pada wajah sebagai sarana dalam sistem presensi siswa?
jurnal tersebut Sunaryono dkk. mengembangkan presensi RQ2 : Bagaimana hasil akurasi dari tiap metode pengalan
kehadiran siswa menggunakan android. Hal ini sangat wajah?
efektif diterapkan dalam proses pembelajaran terutama di Prosedur Pencarian
era saat ini. Hasil akurasi yang diperoleh dari sistem yang Dalam proses pencarian literatur yang berkaitan dengan
dikembangkan untuk proses pengenalan wajah dalam pertanyaan penelitian (research questions) dan kesesuaian
presensi siswa mencapai 97%. dengan topik yang ditentukan, maka digunakan beberapa
Menurut penelitian yang dilakukan oleh Pamungkas sumber elektronik sebagai berikut:
dan Hariri (2017) yang berjudul “Implementasi Metode
Google Scholar (https://scholar.google.co.id/)
PCA dan City Block Distance untuk Presensi Mahasiswa
IEEE Xplore (https://ieeexplore.ieee.org/)
Berbasis Wajah,” pada penelitian tersebut menerapkan
Science Direct (https://www.sciencedirect.com/)
sistem pengenalan wajah untuk presensi mahasiswa
dengan menggunakan metode Eigenface PCA dalam Tiga sumber elektronik yang digunakan tersebut
ekstraksi ciri dan metode City Blok Distance untuk proses merupakan sumber rujukan yang sering digunakan untuk
pencocokan citra wajah. Data citra yang digunakan banyak penelitian (Putri dkk, 2016). Perbedaan antara tiga
sebanyak 100 data citra dari 10 responden. Dan hasil sumber tersebut terletak pada akses yang bisa digunakan,
akurasi yang diperoleh dari metode ini sebesar 55.88% Untuk sumber Google Scholar dan IEEE Xplore seluruh
hungga 83.33%. aksesnya terbuka sehingga dapat diakses secara penuh,
Dari beberapa referensi yang berkaitan dengan sedangkan Science Direct memiliki akses terbuka dan
pengenalan wajah, banyak variasi metode yang dapat tertutup. Akses tertutup pada sumber Science Direct
mendeteksi wajah dalam sistem presensi siswa. Jurnal ini hanya dapat digunakan ketika memiliki akses penuh.
berkontribusi membahas berbagai perbandingan metode Dari ketiga sumber yang digunakan, hanya Google
yang digunakan dalam pengenalan wajah selama proses Scholar yang difokuskan sebagai sumber pencarian Jurnal
presensi, juga mengetahui hasil akurasi tiap metode dalam Berbahasa Indonesia, sedangkan IEEE Xplore dan
mengenali wajah siswa. ScienceDirect digunakan untuk pencarian Jurnal
504
Studi Literatur Metode Pengenalan Wajah untuk Presensi Siswa
Berbahasa Inggris. Beberapa kata kunci yang digunakan Literatur berkaitan dengan Literatur tidak berkaitan
dalam proses pencarian literatur adalah sebagai berikut: topik pengenalan wajah dengan topik pengenalan
“Face Recognition” AND “Presence” dan presensi siswa wajah dan presensi siswa
“Face Recognition” AND “Attendance” (Putri dkk., 2016)
“Pengenalan Wajah” DAN “Presensi Siswa”
Tabel 3. Pencarian dengan penambahan tahun publikasi
“Pengenalan Wajah” DAN “Absensi Siswa”
Sumber Tahun
Proses Seleksi Literatur Kata Kunci Hasil
Elektronik Publikasi
Pada bagian ini merupakan data hasil pencarian Face 2015 -
IEEE Xplore 306
menggunakan kata kunci yang telah ditetapkan dengan Recognition sekarang
menggunakan tiga sumber elektronik (IEEE Xplore, ScienceDirect AND Presence 2020-2021 9360
ScienceDirect, dan GoogleScholar), sebagai berikut: Face 2015 -
IEEE Xplore 144
Tabel 1. Hasil pencarian literatur berdasarkan penggunaan Recognition sekarang
kata kunci AND
ScienceDirect 2020-2021 660
Attendance
Sumber
Kata Kunci Hasil Pengenalan
Elektronik
Wajah DAN 434
IEEE Xplore Face Recognition 803 Google Presensi 2015 -
ScienceDirect AND Presence 167.455 Scholar sekarang
Pengenalan
IEEE Xplore Face Recognition 160 Wajah DAN 807
ScienceDirect AND Attendance 12.606 Absensi
Pengenalan Wajah Total 11.711
649
DAN Presensi
Google Scholar Dikarenakan banyaknya hasil pencarian artikel dalam
Pengenalan Wajah
1.150 sumber ScienceDirect, maka penggunaan tahun publikasi
DAN Absensi
fokus kepada penerbitan dengan 2 tahun terbaru, yaitu
Total 182.823
2020-2021. Setelah adanya tambahan seleksi berdasarkan
Dari pencarian literatur berdasarkan hasil penggunaan tahun publikasi total hasil pencarian ditemukan sebanyak
kata kunci yang telah ditentukan, dalam Tabel 1 terlihat 11.711 jurnal.
hasil pencarian menggunakan kata kunci “Face Kemudian terdapat penyaringan berdasarkan jenis
Recognition AND Presence” dalam sumber elektronik literatur, dengan hasil sebagai berikut:
IEEE Xplore mendapatkan 803 jurnal, sedangkan pada Tabel 4. Pencarian dengan penambahan penyaringan jenis
ScienceDirect memperoleh 167.455 jurnal. Untuk literatur
pencarian dengan kata kunci “Face Recognition AND Tahun Filter
Sumber
Attendance” dalam sumber elektronik IEEE Xplore Elektronik
Kata Kunci Hasil
Publikasi Paper
mendapatkan hasil pencarian sebanyak 160 jurnal, dan IEEE Face 2015 -
ScienceDirect memperoleh 12.606 jurnal. Pada sumber 300
Xplore Recognition sekarang
elektronik Google Scholar dengan kata kunci “Pengenalan Ya
Science AND 2020 -
Wajah DAN Presensi Siswa” mendapatkan 649 jurnal, 5458
Direct Presence 2021
sedangkan dengan kata kunci “Pengenalan Wajah DAN
IEEE Face 2015 -
Absensi” memperoleh 1.150 jurnal. Total jurnal 143
Xplore Recognition sekarang
keseluruhan yang didapatkan dari ketiga sumber eletronik Ya
Science AND 2020-
berjumlah 182.823 jurnal. 456
Direct Attendance 2021
Selanjutnya, seleksi klasifikasi berdasarkan kriteria
Pengenalan
inklusi dan eksklusi (Putri dkk., 2016), sebagai berikut:
Wajah DAN 434
Tabel 2. Klasifikasi kriteria inklusi dan eksklusi Google Presensi 2015 -
Tidak
Kriteria Inklusi Kriteria Eksklusi Scholar Pengenalan sekarang
Literatur yang digunakan Wajah DAN 807
Literatur yang membahas
adalah conference atau Absensi
topik serupa
jurnal dan research articles Total 7.598
Penerbitan literatur dengan Literatur yang diterbitkan
Penggunaan filter paper dari masing-masing sumber
rentang tahun 2015-2020 sebelum tahun 2015
elektronik berbeda. Untuk IEEE Xplore menggunakan
505
Jurnal IT-EDU. Volume 05 Nomor 01 Tahun 2020, 503 - 511
filter paper berupa jurnal dan conference, sedangkan video, atau sketsa yang diubah menjadi rangkaian angka
ScienceDirect menggunakan tipe research articles. atau dengan kata lain faceprint, kemudian membanding-
Setelah adanya seleksi pencarian berdasarkan kategori kan antar masing-masing angka tersebut dalam data wajah
tahun publikasi dan jenis literatur, maka dari 7.598 jurnal yang tersimpan dalam database (Wiryadinata dkk., 2016).
digunakan 9 jurnal yang akan menjadi acuan. Seleksi Dalam proses akuisisi gambar, penggunaan kamera
tersebut dilakukan setelah adanya studi lebih lanjut merupakan hal yang sangat penting dalam proses
berdasarkan beberapa faktor seperti: (1) kriteria inklusi pengenalan wajah, karena kamera digunakan untuk
dan ekslusi yang telah ditentukan; (2) seleksi kesesuaian mengambil gambar sebelum pendeteksian wajah
judul dengan topik, serta abstrak; dan (3) hasil yang (Winarno dkk., 2017). Menurut Winarno dkk. (2019)
diperoleh dari jurnal tersebut. desain dan pembuatan sistem presensi pengenalan wajah
Untuk lebih memudahkan, maka dibuatlah kerangka dengan menggunakan kamera merupakan hal yang sangat
berpikir sebagai berikut: berguna, efektif, dan efisien karena lebih meningkatkan
akurasi pengguna, juga memiliki mobilitas yang tinggi
Pencarian literatur berdasarkan
bagi pengguna. Sehingga dengan adanya sistem presensi
penggunaan kata kunci :
182.823 literatur menggunakan pengenalan wajah bisa mempermudah
presensi dalam proses pembelajaran.
506
Studi Literatur Metode Pengenalan Wajah untuk Presensi Siswa
Model half-join
Shape & Texture
PCA
Combining
Ekstraksi
3WPCA Mahalanobis Face Identified
Fitur
Db
Klasifikasi Matching
507
Jurnal IT-EDU. Volume 05 Nomor 01 Tahun 2020, 503 - 511
Untuk proses eksrtraksi fitur Winarno dkk. (2019) (AdaBoost). Jenis AdaBoost yang digunakan adalah
menggunakan metode Principal Component Analysis Gentle AdaBoost. Gambar 7 adalah Model Classifier
(PCA) untuk mengurangi dimensi dan resolusi gambar secara Cascade menurut Viola dalam Prativhi dan
wajah. Dalam hal ini, PCA dapat mengubah data variabel Kurniawati (2020).
besar menjadi lebih kecil dari variabel lainnya.
All Sub-window
Metode Mahalanobis Distance digunakan selama
proses klasifikasi untuk menentukan tingkat kesamaan
antara fitur yang akan menghasilkan pengenalan wajah T T T
1 2 3 4
yang optimal.
F F F F
C. Haar-Cascade Classifier
Gambar 7. Model Classifier Cascade
Haar-like features merupakan pengindikasian gambar
yang diberikan secara spesifik atau disebut rectangular D. Local Binary Pattern (LBP)
(persegi) features (Indra dkk., 2019) . Dalam proses ini, Pada metode ini tahapan yang dilakukan dalam proses
algoritma yang digunakan untuk mendeteksi wajah berupa pengenalan wajah menurut Chinimilli dkk. (2020) adalah
metode statistical. Classifier yang digunakan biasanya mengubah gambar wajah menjadi matriks 3 × 3, jika nilai
memiliki ukuran yang tetap, umumnya berukuran 24x24) piksel area luar matriks lebih besar daripada nilai piksel
Menurut Indra dkk. (2019) proses pendeteksian wajah, tengah matriks, maka nilai diubah menjadi 1. Apabila
dalam metode ini adalah dengan memanfaatkan titik nilai kurang dari nilai piksel tengah matriks, maka nilai
sliding window yang digunakan pada seluruh gambar, yang ditetapkan adalah 0. Gambar 8 merupakan proses
juga mendeteksi gambar yang memiliki bentuk seperti penerapan metode LBP pada matriks 3 × 3 menurut
wajah. Proses ini juga memiliki kemampuan scaling yang Chinimilli dkk. (2020).
membuat gambar classifier dapat dideteksi, baik yang
berukuran besar maupun kecil. 1 2 2 0 0 0
Threshold Binary 00010011
Dasar metode haar feature adalah fitur pada wavelet 9 5 6 1 1
Decimal 19
haar atau biasanya disebut daerah gelap dan terang 1 0 0
5 3 1
(Prathivi dan Kurniawati, 2020). Masing-masing haar-like
feartures terdiri dari berbagai kombinasi persegi berwarna Gambar 8. Metode haar-like feature
hitam dan putih. Kombinasi tersebut digunakan untuk
Dikarenakan gambar telah diubah dalam bentuk LBP,
pendeteksian objek yang lebih baik.
maka hal selanjutnya adalah proses ekstrak histogram dari
Terdapat tiga tipe dalam rectangular feature, yaitu: (1)
setiap sisi, dan menggabungkannya agar membentuk
Two-rectangular feature; (2) Three-rectangular feature;
histogram baru yang lebih besar. Histogram yang telah
dan (3) Four-rectangular feature. Gambar 6 merupakan
digabungkan akan menunjukkan karakteristik gambar asli.
kombinasi persegi metode haar-like features menurut
Setiap histogram tersebut merepresentasikan citra wajah
Indra dkk. (2019).
yang tersimpan dalam database.
Agar dapat mengenali wajah dalam gambar, histogram
baru dan histogram yang telah tersimpan dalam database
Gambar 6. Metode haar-like feature pelatihan melakukan tahapan pemilihan dengan ketentuan
histogram harus memiliki nilai jarak terkecil.
Selanjutnya ialah proses integral image, menurut
Menurut Bah dan Fang (2020) algoritma yang
Prathivi dan Kurniawati (2020) hal ini dilakukan agar
diterapkan dalam metode LBP ditunjukkan dalam
dapat menentukan keberadaan fitur haar dalam sebuah
persamaan (1). Dimana (Xc, Yc) adalah nilai tingkat abu-
gambar dengan skala yang berbeda dengan efisien.
abu pada piksel tengah, sedangkan ip dan ic adalah
Biasanya integrasi gambar tersebut memiliki arti
intensitas piksel pada sekitar piksel. p adalah piksel dalam
penambahan unit-unit kecil yang dilakukan bersamaan.
area luar piksel dengan radius r.
Unit kecil tersebut merupakan nilai piksel. Dalam nilai
integral yang dimiliki oleh setiap piksel adalah kumpulan
berbagai piksel dari atas hingga bawah.
Proses selanjutnya ialah cascade classifier yang
berupa rantai stage classifier. Pada setiap stage classifier E. Eigenface
bertujuan mendeteksi adanya object of interest dalam Metode Eigenface menurut Solar dkk. dalam Yusuf
image sub window. Algoritma yang digunakan dalam dkk. (2016) pertama kali dikembangkan oleh Sirovich dan
pembuatan stage classifier adalah Adaptive-Boost Kirby pada tahun 1987, kemudian Mattew Turk dan Alex
508
Studi Literatur Metode Pengenalan Wajah untuk Presensi Siswa
Pentland menggunakan metode ini sebagai klasifikasi maka dilakukan pencarian nilai jarak/distance terkecil
wajah. Eigenface merupakan kumpulan eigenvector yang untuk penentuan identitas dari wajah masukan. Gambar 9
digunakan dalam proses pengenalam wajah, biasanya merupakan ilustrasi alur pengenalan wajah dalam metode
terdiri dari kumpulan standardized face ingredient analisis eigenface (Syuhada dkk. 2018).
statistik dari banyaknya gambar wajah (Fatta dalam Yusuf
Konversi citra Normalisasi
dkk., 2016). Pre- wajah inputan vektor
Tahapan proses ekstraksi fitur dalam metode ini processing menjadi vektor wajah
menurut Syuhada dkk. (2018) diawali dengan mengubah
konversi vektor citra dari citra data yang dimilliki. Untuk Merancang hasil
Menghitung nilai Bobot vector
tahapan normalisasi,, dilakukan perhitungan nilai rata-rata jarak, nilai eigenface
normalisasi
dari gambar vektor, kemudian melakukan pengurangan menjadi eigenface
eigenface citra
hasil nilai rata-rata tersebut untuk setiap vektor wajah, wajah masukan
dengan semua
agar memperoleh nilai vektor yang ternormalisasi. nilali eigenface Ya
Setelahnya, men-transpose nilai vektor tersebut agar dari data pelatihan Nilai jarak Wajah tidak
lebih besar dari dikenali
menghasilkan nilai matrik kovarian, lalu melakukan threshold?
perhitungan nilai eigenvector.
Pada metode eigenface, tahap pertama dalam proses Tidak
pengenalan wajah menurut Syuhada dkk. (2018) adalah Wajah dikenali
preprocessing, pada tahap ini terjadi konversi citra wajah
dari tipe RGB menjadi grayscale, serta perubahan skala Gambar 9. Alur pengenalan wajah pada metode eigenface
ukuran citra wajah agar ukuran citra wajah sama dengan Hasil Perbandingan Metode
ukuran citra wajah pelatihan. Kemudian terjadi proses
Dari Tabel 5 dapat terlihat metode dengan hasil akurasi
normalisasi, namun sebelumnya citra wajah masukan
terbaik adalah Metode Local Binary Pattern (LBP) yang
harus dikonversikan menjadi vektor citra terlebih dahulu.
dipadukan dengan Metode Haar Cascade Classifier
Untuk mendapatkan nilai bobot dari citra yang
dengan presentase akurasi sebesar 99%. Berdasarkan studi
diperlukan selama proses pencocokan, maka perlu
yang dilakukan metode ini sangat akurat dan kuat dalam
ekstraksi data eigenface dari vektor citra masukan yang
mengenali wajah, sehingga dapat diimplementasikan
telah dinormalisasi.
dalam proses presensi siswa. Hal ini dikarenakan dalam
Selanjutnya ialah perhitungan nilai jarak/distance dari
sistem yang dikembangkan oleh Bah dan Fang (2020)
bobot citra eigenface masukkan dengan hasil pelatihan.
menggunakan teknik pemrosesan gambar lanjutan seperti
Apabila nilai jarak/distance lebih dari treshold yang telah
Contrast Adjustment, Bilateral Filter, Histogram
ditentukan, maka menyebabkan citra tidak dikenali.
Equalization.
Sebaliknya, jika nilai jarak/distance kurang dari treshold
Tabel 5. Hasil perbandingan metode
Sumber Jumlah Jumlah Hasil Akurasi
Literatur Tahun Metode Orang Gambar
Media Gambar
Elektronik
LBP + Haar Camera
Bah dan Fang 2020 ScienceDirect ? 760 - 773 99.00%
Classifier Real Time
LBP + Haar Camera
Chinimilli dkk. 2020 IEEE Xplore 18 + 10 60 77%
Cascade Real Time
75 86.67%
Kurniawan dkk. 2017 IEEE Xplore Eigenface 20 Android
150 68.89%
Pranav dan 5 100 Camera 98%
2020 ScienceDirect CNN
Manikandan 40 400 Real Time 98.75%
Arsenovic dkk. 2017 IEEE Xplore CNN 5 ? Webcam 95.02%
Prathivi dan Haar Cascade Webcam,
2020 Google Scholar ? ? 75%
Kurniawati Classifier raspberry pi
Camera,
Syuhada dkk. 2018 Google Scholar Eigenface 30 + 15 210 84%
raspberry pi
Camera
Winarno dkk. 2017 IEEE Xplore 3WPCA ? 100 – 400 97% - 98%
Dual-Vision
Camera
Winarno dkk. 2019 IEEE Xplore CNN-PCA 10 – 50 ? 90% - 98%
Real Time
509
Jurnal IT-EDU. Volume 05 Nomor 01 Tahun 2020, 503 - 511
510
Studi Literatur Metode Pengenalan Wajah untuk Presensi Siswa
511