JITE, 7 (2) January 2024 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)

JITE (Journal of Informatics and

Telecommunication Engineering)
Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite. v7i2.10869

Received: 30 November 2023 Accepted: 29 December 2023 Published: dd-mm-yyyy

Employee Attendance System with Facial Recognition Technology

Using a Single Shot Detector (SSD) Algorithm

Riyandi Dwitama Djohari1), Hajra Rasmita Ngemba2), Syaiful Hendra3)*, Dwi Shinta
Angraeni4), Nouval Trezandy Lapatta5) & Deny Wiria Nugraha6)

1,3,5,6) Information Technology Department, Faculty of Engineering, Tadulako University, Indonesia

2,4) Information System, Faculty of Engineering, Tadulako University, Indonesia

*Coresponding Email: syaiful.hendra.garuda@gmail.com

Abstrak
Sistem absensi merupakan hal penting yang digunakan untuk menilai kinerja pegawai. Saat ini banyak perusahaan
ataupun organisasi yang mengembangkan sistem absensi, namun masih banyak juga organisasi yang belum
mengoptimalkan absensi dengan sistem yang handal. Hal ini terjadi di Dinas Pariwisata Kota Palu, yang mana
absensi masih menggunakan pencatatan manual dibuku album. Banyak masalah yang terjadi dengan proses
absensi manual sehingga perlu dibuatkan sistem absensi. Penelitian ini bertujuan untuk membantu Dinas
Pariwisata Kota Palu untuk manajemen absensi dengan menggunakan teknologi pengenalan wajah menggunakan
algoritma Single Shot Detector (SSD). Metode pengembangan sistem menggunakan Waterfall. Penelitian ini
menggunakan 20 pose wajah yang berbeda dengan empat orang yang setiap orang 5 pose. Penelitian ini
menggunakan bahasa pemrograman javascript, framework Next JS, tailwind CSS, basis data PostgreSQL, dan
pustaka face-api.js. Pengujian yang dilakukan dengan blackbox hasilnya semua fitur pada sistem berfungsi dengan
baik kemudian berdasarkan hasil pengujian deteksi wajah, didapatkan hasil pengujian bahwa algoritma Single Shot
Detector dapat mendeteksi citra wajah yang terekam pada kamera dengan cepat dan akurat pada pencahayaan
sedang dan terang dengan jarak 40-80 cm. Hasil penelitian ini adalah sebuah sistem yang dapat mengenali wajah
dengan baik melalui pencocokan antara citra data training dengan citra wajah yang terekam pada kamera secara
realtime.
Kata Kunci: Absensi, Pengenalan Wajah, Citra, Single Shot Detector

Abstract
The attendance system is an important thing that is used to assess employee performance. Currently, many companies
or organizations have developed attendance systems, but there are still many organizations that have not optimized
attendance with a reliable system. This happens at the Palu City Tourism Office, where attendance still uses manual
recording in album books. Many problems occur with the manual attendance process, so it is necessary to create an
attendance system. This research aims to help the Palu City Tourism Office for attendance management by using face
recognition technology using the Single Shot Detector (SSD) algorithm. The system development model uses Waterfall.
This research uses 20 different facial poses with four people each with 5 poses. This research uses javascript
programming language, Next JS framework, tailwind CSS, PostgreSQL database, and face-api.js library. Tests carried
out with blackbox results all features on the system function properly then based on the results of face detection
testing, the test results obtained that the Single Shot Detector algorithm can detect facial images recorded on the
camera quickly and accurately in medium and bright lighting with a distance of 40-80 cm. The result of this research
is a system that can recognize faces well by matching the training data image with the face image recorded on the
camera in realtime.
Keywords: Time Attendance, Face Recognition, Image, Single Shot Detector

How to Cite: Djohari, R. D., Ngemba, H. R., Hendra, S., Angraeni, D. S., Lapatta, N. T., & Nugraha, D. W. (2024).
Employee Attendance System with Facial Recognition Technology Using a Single Shot Detector (SSD) Algorithm.
JITE (Journal of Informatics and Telecommunication Engineering), 7(2), 424-434.

424
I. PENDAHULUAN

Absensi kehadiran memiliki kedudukan yang berpengaruh dalam segala pekerjaan. Peran kehadiran
menjadi faktor utama yang dapat membantu kelancaran segala aktivitas yang dilaksanakan dalam
organisasi (Mochamad Dandi Akbar et al., 2022). Absensi merupakan bukti keikutsertaan dalam suatu
aktivitas yang bisa dijadikan sebagai parameter yang digunakan untuk mengukur performa pegawai
disuatu lembaga(Priyambodo et al., 2020)(Puta & Fauzijah, 2018). Rekapitulasi absensi merupakan
catatan asli berisi riwayat kehadiran seorang karyawan yang dapat digunakan untuk menentukan
kompensasi atau gaji (Nurdiyah & Handayani, 2018). Sistem absensi saat ini telah banyak mengalami
perkembangan, mulai pencatatan manual hingga transisi sistem dari metode analog ke sistem berbasis
teknologi (Khatina Sari et al., 2022). Namun, sejak awal tahun 2020, pandemi ini mempengaruhi cara kerja
pegawai pada hampir setiap perusahaan, hal ini menciptakan masa “new normal” ” di mana setiap orang
diharapkan dapat membatasi jarak serta menghindari wilayah yang telah dijamah oleh orang lain sejauh
mungkin (Raharjo, S. T., 2020). Dinas Pariwisata Kota Palu merupakan salah satu dinas yang juga
menerapkan sistem absensi fingerprint. Namun, semenjak terjadi pandemi, pendekatan ini menjadi kurang
efektif karena menjadi salah satu penyebab penyebaran virus pada pegawai yang berkerja di instansi
tersebut. Sistem absensi fingerprint juga memiliki banyak kekurangan seperti sulit mengidentifikasi jari
dengan kondisi jari terkelupas, berminyak, ataupun basah (Moh. Wahyu Septyanto et al., 2020)
Proses pengambilan data kehadiran pegawai pada Dinas Pariwisata Kota Palu masih dilaksanakan
dengan cara manual, yaitu menandatangani buku kehadiran yang telah disediakan. Perhitungan absensi
pegawai pun masih dikerjakan dengan manual yaitu dengan menuliskan dan menjumlahkan pegawai yang
datang, izin, sakit, ataupun alpha. Setelah itu admin akan membuat rekapan data kehadiran pegawai ke
dalam file excel. Hal tersebut tentunya membutuhkan ketelitian yang sangat tinggi untuk menghindari
kekeliruan pada saat perhitungan jumlah kehadiran pegawai. Proses pencatatan absensi secara manual
berpotensi menimbulkan beberapa masalah yaitu: pemborosan dalam penggunaan kertas (Priyambodo et
al., 2020), memungkinkan terjadinya kesalahan dalam proses penginputan data (Susanto et al., 2019), dan
kemungkinan manipulasi data begitu besar sehingga data kehadiran pegawai menjadi tidak asli (Puta &
Fauzijah, 2018). Maka, solusi untuk mengatasi permasalahan diatas ialah dengan merancang sebuah
sistem pengenalan wajah sebagai dasar sistem absensi. Sistem identifikasi wajah merupakan teknik atau
metode pencatatan kehadiran yang melibatkan identifikasi wajah atau perbandingan dengan data wajah
yang sudah direkam lebih dulu didalam sistem (M. Fuadi et al., 2021). Penerapan pendeteksian wajah telah
banyak diteliti seperti yang dilakukan oleh (Moh. Wahyu Septyanto et al., 2020). Dimana penelitian ini
memiliki kelemahan yakni pada penerangan. Wajah akan sulit dikenali apabila cahaya pada citra data
training sedikit berbeda dengan citra yang diambil secara langsung. Pada penelitian lain yang dilakukan
oleh (Ellanda Purwawijaya et al., 2022). Dimana hasil dari penelitian ini yaitu jarak kurang dari 50cm
merupakan jarak terbaik untuk mengenali wajah, dengan intensitas cahaya, jarak antara wajah dan
webcam, serta penggunaan aksesori pada wajah, semuanya memengaruhi proses pencocokan citra wajah.
Pada kedua penelitian tersebut, terdapat kelemahan pada jarak dan pencahayaan untuk mengenali wajah.
Sehingga peneliti menggunakan algoritma Single Shot Detector (SSD) sebagai kontribusi terbaru pada
penelitian ini. Perbedaan atau kebaruan penelitian ini dibandingkan dengan penelitian sebelumnya
terletak pada algoritma yang digunakan untuk mendeteksi wajah yakni algoritma Single Shot Detector
(SSD) yang secara umum memiliki kecepatan pendeteksian lebih baik dibandingkan dengan metode lain
(Saputra et al., 2023).
Berlandaskan pada penjabaran masalah di atas, maka tujuan dari penelitian ini adalah membuat
sebuah sistem presensi pegawai berbasis pendeteksian wajah menggunakan algoritma Single Shot
Detector (SSD) yang dapat memudahkan proses absensi sehingga meningkatkan efisiensi kantor, dan
mampu membuat rekapitulasi kehadiran pegawai secara otomatis. Urgensi pada penelitian ini sangat vital
karena dengan adanya sistem absensi ini akan membantu mengatasi kekurangan dari mesin absensi sidik
jari dan membuat proses pencatatan kehadiran pegawai Dinas Pariwisata Kota Palu menjadi lebih efisien.

II. STUDI PUSTAKA

A. Penelitian Terdahulu
Penelitian tentang pendeteksian wajah sudah banyak diteliti oleh peneliti terdahulu dengan
berbagai algoritma. Penelitian yang dilakukan oleh (Rehman., et al, 2021) tentang deteksi wajah, dalam
425
penelitiannya menggunakan algoritma visi komputer SSD (Single Shot detector). Visi komputer dan
melatih algoritma ini dari dataset yang terdiri dari 139 gambar. Gambar-gambar tersebut dilabeli
menggunakan Intel CVAT (Alat Anotasi Visi Komputer) peneliti melatih model ini untuk deteksi wajah.
peneliti telah menerapkan model dan perangkat lunak yang telah dilatih di NVIDIA Jetson Nano Developer
kit. Kode model ditulis dalam kerangka kerja pembelajaran mendalam Pytorch. Bahasa pemrograman yang
digunakan adalah Python. Algoritma SSD (Single Shot Detector) benar-benar merupakan algoritma yang
hebat untuk wajah akurasi dengan dataset kecil dan pelatihan yang sangat cepat membuatnya menjadi
algoritme yang sangat efektif. Selanjutnya penelitian yang dilakukan (Thai- Viet Dang, 2022) tentang
pengenalan wajah, dalam penelitiannya mengusulkan pendekatan pembelajaran mendalam yang efisien
untuk pengenalan wajah menggunakan arsitektur ArcFace model berdasarkan tulang punggung MobileNet
V2, di dalam convolutional neural network (DCNN). Gambar wajah yang dicapai mencapai deteksi yang
baik kinerja dengan akurasi 92% hingga 97% dan kecepatan inferensi 25 FPS. Selanjutnya pada penelitian
yang dilakukan oleh (Nagrath., et al, 2021) menggunakan algoritma Single Shot Multibox Detector dan
MobileNetV2 untuk melakukan deteksi masker secara real-time. Model ini dapat digunakan untuk tujuan
keamanan karena sangat efisien dalam penggunaan sumber daya. Teknik yang digunakan dalam penelitan
ini memperoleh akurasi skor 0,9264 dan skor F1 0,93. Selanjutnya pada penelitian yang dilakukan oleh
(Cao Zhi Wei., et al, 2022) pada penelitian ini menggunakan algoritma deteksi wajah waktu nyata
berdasarkan detektor bidikan tunggal, yang meningkatkan akurasi dengan mengoptimalkan jaringan
tulang punggung, jaringan piramida fitur, spasial modul perhatian, dan fungsi kehilangan. Hasil
eksperimen ekstensif menunjukkan bahwa metode yang diusulkan mencapai kinerja yang signifikan di
atas algoritma pada dataset transit kereta api. Algoritma yang diusulkan memiliki berbagai aplikasi di
stasiun angkutan kereta api, termasuk statistik arus penumpang, analisis epidemiologi, dan pengingat
penumpang yang tidak memakai masker. Selanjutnya penelitian yang dilakukan oleh (Baalaji., et al, 2023)
model detektor wajah berdasarkan algoritma Single Shot MultiBox Detector untuk mengekstrak daerah
wajah yang menarik dari setiap frame, di mana pengklasifikasi yang telah dilatih diterapkan untuk
mendeteksi orang yang tidak bertopeng. Wajah orang-orang ini kemudian ditangkap, yang diteruskan ke
jaringan saraf tiruan yang dalam, berdasarkan berdasarkan model VGG-Face untuk pencocokan wajah.
Wajah yang diambil dibandingkan dengan gambar referensi dari database, dengan mengekstraksi fitur dan
menghitung jarak kosinus. Metode yang diusulkan telah memberikan hasil terbaik di mana pengklasifikasi
yang dilatih telah mencapai akurasi 99,74%, dan model pengambilan identitas mencapai akurasi 98,24%.
B. Algoritma Single Shot Detector (SSD)
Algoritma Single Shot Detector merupakan metode yang digunakan untuk mendeteksi atau
mengindetifikasi objek dalam gambar, Algoritma Single Shot Detector secara umum memiliki kecepatan
pendeteksian lebih baik dibandingkan dengan metode lain. Namun ada salah satu algoritma yang
mempunyai kecepatan deteksi dan tingkat akurasi yang hampir serupa dengan Single Shot Detector yakni
algoritma Faster R-CNN (Saputra et al., 2023). Algoritma Single Shot Detector (SSD) memanfaatkan fitur
kotak pembatas untuk menetapkan lokasi objek yang terdeteksi. Metode ini menonjolkan kecepatan dan
efisiensi komputasi dalam deteksi objek, mengungguli metode lain. SSD mempercepat proses deteksi
dengan menghilangkan kebutuhan akan jaringan proposal wilayah. Untuk mengatasi penurunan akurasi,
SSD mengintegrasikan peta fitur multi skala dan kotak standar, mencapai keseimbangan yang lebih baik
antara kecepatan dan akurasi dibandingkan dengan pendekatan lain seperti Faster R-CNN. Implementasi
SSD dengan model MobileNet memberikan hasil deteksi tercepat, melampaui kecepatan deteksi Faster R-
CNN dan RFCN dengan tingkat akurasi mencapai 19,3 mAP (Huang, et al., 2017).

Gambar 1. Arsitektur SSD

Sumber: (Shi et al., 2019)
Gambar 1 merupakan arsitektur algoritma Single Shot Detector (SSD) yang dibentuk berdasarkan
arsitektur VGG16 dan struktur tambahan ditambahkan ke ujung jaringan dasar. SSD memanfaatkan
beberapa lapisan konvolusi untuk mendeteksi target, khususnya lapisan Conv4_3 digunakan untuk

426
mendeteksi target yang lebih kecil dan lapisan yang lebih dalam digunakan untuk mendeteksi target
berukuran lebih besar. Namun, lapisan yang lebih dangkal kekurangan informasi semantik dan setiap
lapisan dalam piramida fitur digunakan secara independen sebagai masukan ke jaringan pengklasifikasi,
yang mengakibatkan akurasi pendeteksian target kecil yang buruk dan menyebabkan masalah yaitu satu
target terdeteksi oleh dua kotak yang tumpang tindih (Shi et al., 2019).

Gambar 2. Diagram Alir SSD

Gambar 2 merupakan diagram alir algoritma Single Shot Detector yang telah dimodifikasi oleh
peneliti. Pertama model dimuat terlebih dahulu, kemudian diberikan gambar masukan yang akan diproses
terlebih dahulu untuk mempersiapkannya diproses oleh model. Hal ini dapat melibatkan langkah-langkah
seperti mengubah ukuran, normalisasi, dan augmentasi data. Kemudian, gambar yang telah diproses
sebelumnya dilewatkan melalui model untuk mendapatkan peta fitur yang mewakili abstraksi gambar
tingkat tinggi (Baeldung, 2019). Setelah meneruskan gambar melalui model, kotak jangkar, atau kotak
default, diterapkan ke peta fitur untuk menghasilkan sekumpulan kotak pembatas potensial untuk objek
pada gambar. Oleh karena itu, pengklasifikasi dijalankan pada setiap kotak pembatas untuk menentukan
kelas objek yang terdapat di dalam kotak tersebut. Selain itu, penekanan non-maksimal diterapkan untuk
menghilangkan kotak yang tumpang tindih dan menyempurnakan kumpulan kotak pembatas terakhir.
Kemudian, kotak pembatas dan probabilitas kelas terkait dikembalikan sebagai keluaran akhir dari
algoritma (Baeldung, 2019).

III. METODE PENELITIAN

A. Tahapan Penelitian

Gambar 3. Diagram Alir Penelitian

Gambar 3 merupakan diagram alir penelitian. Tahap pertama yaitu Identifikasi Masalah yang mana
Penelitian ini dimulai dengan mengenali permasalahan yang ada di Dinas Pariwisata Kota Palu melalui
proses wawancara kepada pegawai perusahaan dengan tujuan untuk mengetahui permasalahan dari
sistem absensi yang digunakan saat ini. Permasalahan yang ditemui yaitu proses absensi pegawai dan
rekapitulasi kehadiran masih dilakukan secara manual. Setelah itu tahap kedua adalah Studi Literatur,
Pada tahapan ini peneliti melakukan studi literatur mengenai permasalahan yang telah didapatkan pada
Dinas Pariwisata Kota Palu melalui internet, jurnal, buku-buku dan lain sebagainya terkait dengan sistem

427
absensi pegawai menggunakan face recognition. Tahap selanjutnya yaitu pengumpulan data, Pada tahapan
ini akan dilakukan pengumpulan data pada Dinas Pariwisata Kota Palu yang akan dimasukkan kedalam
sistem. Data yang dikumpulkan berupa data pegawai pada Dinas Pariwisata Kota Palu. Serta informasi-
informasi lainnya terkait dengan penelitian peneliti. Selanjutnya tahap keempat Prototyping, pada tahapan
ini peneliti membangun sistem awal yang digunakan untuk menggambarkan sistem absensi pegawai yang
akan dibangun. Prototipe mempresentasikan hubungan antara data dan sistem yang ingin dibangun. Tahap
kelima Perancangan Perangkat Lunak yaitu pada tahapan ini peneliti akan merancang dan membangun
sistem absensi pengenalan wajah menggunakan bahasa pemrograman javascript, framework Next JS,
tailwind CSS, basis data PostgreSQL, dan pustaka face-api.js. Tahap terakhir pengujian sistem pada tahap
ini, pengujian perangkat lunak dilakukan untuk mengetahui apakah aplikasi yang dibuat dapat beroperasi
dengan semestinya serta dapat memberikan informasi yang akurat. Jenis pengujian yang digunakan dalam
penelitian ini yakni pengujian metode black box dan pengujian deteksi wajah.
B. Pengembangan Sistem

Gambar 4. Metode Waterfall

Sumber: (Agustyar et al., 2023)
Gambar 4 merupakan gambaran penerapan metode waterfall. Metode waterfall merupakan contoh
pendekatan pengembangan yang berfokus pada perencanaan, di mana para pengembang harus
merencanakan dan menjadwalkan semua langkah sebelum memulai pekerjaan (Sommervile, 2011). Tahap
awal dari model ini adalah analisis kebutuhan, di mana fakta dan informasi yang diperlukan untuk
menetapkan kebutuhan perangkat lunak dikumpulkan. Proses pengumpulan data melibatkan wawancara
dengan seorang staf dari Dinas Pariwisata Kota Palu. Tahap berikutnya adalah desain sistem, di mana
kebutuhan tersebut diterjemahkan menjadi perancangan perangkat lunak dan menghasilkan dokumen
kebutuhan perangkat lunak yang mencakup aspek fungsional dan non-fungsional sistem (Khatina Sari et
al., 2022). Kemudian pada tahapan implementasi, digunakan beberapa perangkat lunak yang diperlukan
seperti Visual Studio Code, pustaka face-api.js, bahasa pemrograman javascript, framework Next JS,
Tailwind CSS, dan basis data PostgreSQL. Langkah terakhir adalah pengujian sistem, yang dilakukan guna
mengetahui apakah sistem yang dibangun telah sesuai dengan persyaratan. Skema pengujian yang
digunakan adalah pengujian black box dan pengujian deteksi wajah

IV. HASIL DAN PEMBAHASAN

A. Analisis
Analisis sistem bertujuan untuk mengenali tantangan yang sedang dihadapi saat ini, dengan tujuan
menyajikan solusi yang efektif untuk meningkatkan sistem di masa mendatang. (Khatina Sari et al., 2022).
Pada tahapan ini, penulis melakukan analisa terhadap proses pencatatan kehadiran di Dinas Pariwisata
Kota Palu, dan penulis menemukan bahwa absensi kehadiran masih dilakukan secara manual dengan cara
membubuhkan tanda tangan pada buku absen. Proses rekapitulasi data absensi pegawai juga masih
dilakukan secara manual lalu data kehadiran dimasukkan ke dalam file excel untuk kemudian diberikan
kepada atasan. Hal tersebut menyebabkan proses absensi menjadi tidak efisien dan berpotensi terjadinya
kekeliruan pada saat proses rekapitulasi data.
B. Solusi Pemecahan Masalah
Berdasarkan permasalahan yang telah dijelaskan di atas, maka solusi yang dapat diberikan adalah
dengan mengembangkan sistem absensi berbasis pengenalan wajah Dengan demikian, pencatatan
kehadiran pegawai dan proses rekapitulasi dapat dilakukan dengan praktis dan akurat.
C. Desain Sistem
Perancangan sistem merupakan langkah yang dilakukan setelah selesai menganalisis kebutuhan.
Model informasi umum akan dibuat pada tahap ini. Pemodelan diagram konteks digunakan untuk analisis.

428
Diagram konteks menggambarkan keseluruhan sistem. Semua entitas perlu dijelaskan untuk mengetahui
aliran data dalam masukan – proses - keluaran. (Sari, Siska, & Budiman, 2021).

Gambar 5. Diagram Konteks

Diagram use case adalah salah satu dari berbagai jenis diagram UML (Unified Modelling Language)
yang memvisualisasikan interaksi antara aktor dan sistem. Semua fungsi yang terdapat dalam sistem
pengenalan wajah ini dijelaskan melalui penggunaan diagram use case yang disajikan di bawah ini.

Gambar 6. Diagram Use Case dan Flowchart Sistem

Adapun flowchart proses absensi pegawai yang dapat dilihat pada Gambar 6, Sistem dimulai dengan
pegawai masuk pada halaman presensi, kemudian setiap pegawai perlu mengaktifkan kamera untuk
melanjutkan proses absensi. Setelah kamera pada perangkat telah aktif, maka sistem akan mendeteksi
wajah yang terekam pada kamera. Proses deteksi wajah ini dilakukan menggunakan algoritma Single Shot
Detector (SSD). Kemudian sistem akan melakukan pencocokan citra wajah yang terekam pada kamera
dengan citra wajah yang tersimpan pada dataset. Apabila wajah tidak dikenali, maka akan tampil label
‘unknown’ pada kotak pembatas disekitar wajah, namun apabila wajah dikenali, maka kehadiran pegawai
akan tercatat pada sistem dan data akan ditampilkan pada tabel kehadiran.
D. Datasets
Pada penelitian ini akan menggunakan algoritma SSD sebagai suatu model yang mampu mengenali
objek dalam citra. Lalu akan dilakukan proses pencocokan citra wajah yang terekam pada saat absensi dan
yang tersimpan pada datasets. Oleh karena itu, perlu dilakukan pengumpulan datasets terlebih dahulu
agar dapat diuji pada sistem. Datasets pada penelitian ini berupa citra wajah pengguna yang akan
dikumpulkan oleh administrator pada saat mendaftarkan pegawai di sistem.

429
 Gambar 7. Alur Proses Pengumpulan Datasets
Gambar 7 merupakan alur proses pengambilan datasets yang diawali dengan pengguna
mengaktifkan kamera, mengarahkan wajah menghadap pada kamera dengan pencahayaan yang baik, lalu
admin akan mengambil citra wajah pegawai kemudian hasil tangkapan citra wajah akan ditampilkan pada
sistem. Lalu citra wajah tersimpan dalam datasets.
Tabel 1. Datasets
Label Jumlah Gambar Total Gambar Datasets Format Gambar
Riyandi Djohari 5
Maya 5
20 JPEG
Ferri 5
Raynaldi 5
Sumber: Hasil Olahan Penulis
Tabel 1 merupakan keterangan datasets pada penelitian ini yang dikumpulkan berjumlah 4 orang,
untuk setiap sampel wajah diambil sebanyak 5 citra wajah dari berbagai sudut. Penelitian ini
menggunakan sebanyak total 20 sampel citra wajah.
E. Implementasi

Pada tahapan ini akan dibangun sistem absensi pegawai berbasis pengenalan wajah dengan
algoritma Single Shot Detector (SSD) menggunakan bahasa pemrograman javascript, framework Next JS,
Tailwind CSS, dan basis data PostgreSQL. Sistem dimulai dengan menampilkan halaman login admin.
Proses login admin meliputi pengisian nama pengguna dan kata sandi. Jika pengecekan berhasil maka
otomatis admin diarahkan ke halaman dashboard. Admin juga dapat mengelola data profil dinas

Gambar 8. Halaman Login, Dashboard, dan Profil Dinas

Admin juga dapat mengelola data pada halaman data jabatan, data pegawai, dan data kehadiran.
Pada halaman tersebut admin dapat melihat data dalam bentuk tabel, menambahkan data baru, mengubah
data, dan menghapus data pada tabel.

Gambar 9. Halaman Kelola Data Jabatan, Data Pegawai, dan Data Kehadiran
Apabila pengguna menekan tombol presensi pegawai pada halaman login, maka pegguna akan
diarahkan pada halaman presensi. Kemudian sistem akan mengaktifkan kamera lalu melakukan proses
deteksi dan pengenalan wajah secara otomatis. Apabila wajah dikenali, maka sistem akan mencatat
kehadiran pengguna ke dalam laporan kehadiran. Pengguna juga dapat melihat riwayat absensi yang
disajikan dalam bentuk tabel dan pengguna dapat mencetak laporan kehadiran ke dalam file excel.

430
 Gambar 10. Halaman Presensi, Laporan Kehadiran, dan Export Data
F. Pengujian

Pengujian perangkat lunak adalah tahap di mana program diuji untuk melihat apakah program
tersebut sesuai dengan tujuan desain perangkat lunak. (Hadi, Aditya, Purwiantono, & Listio, 2022). Pada
penelitian ini, pengujian sistem yang dilakukan adalah pengujian blackbox yang diperlukan untuk
memastikan setiap fungsi pada sistem berjalan dengan baik dan meminimalisir kesalahan pada sistem
(Alghifari., et al, 2023).
Tabel 2. Pengujian Blackbox
Fitur Ekspektasi Hasil Hasil
Admin menginputkan username dan password. Jika cocok maka admin
Login Valid
akan diarahkan ke dashboard
Mengelola Data Job Admin dapat mengelola data pekerjaan seperti menambah, menghapus,
Valid
data (Admin) mencari, dan memperbarui data pada tabel jabatan
Admin dapat mengelola data karyawan di tabel karyawan, termasuk
Mengelola Data
mengambil gambar wajah karyawan, dan kemudian mengunggah data Valid
Pegawai (Admin)
tersebut ke dalam dataset wajah karyawan
Mengelola Data Admin dapat mengelola data absensi pada tabel absensi, termasuk
Valid
Kehadiran (Admin) mencetak riwayat data absensi ke dalam file Excel
Mengelola Laporan Admin dapat mengelola data laporan absensi dan dapat mencetak data
Valid
Kehadiran (Admin) laporan yang ada di tabel absensi
Mengelola Data
Admin dapat mengelola data profil perusahaan seperti mengupdate
Profil Dinas Valid
data dan gambar perusahaan
(Admin)
Logout Admin menekan tombol logout maka akan kembali ke halaman log in Valid
Melihat dan Export
Pengguna dapat melihat riwayat kehadiran di tabel kehadiran dan
Data Kehadiran Valid
mengekspor data kehadiran ke dalam file Excel
(Pengguna)
Pengguna dapat menghidupkan dan mematikan kamera, kemudian
Absensi Pengenalan
akan dilakukan proses deteksi dan mengenali wajah pada kamera, Valid
Wajah (Pengguna)
apabila citra wajah dikenali maka kehadiran akan terekam
Adapun dilakukan pengujian pada deteksi wajah yang dapat menjelaskan faktor yang dapat
mempengaruhi keberhasilan pada deteksi wajah. Peneliti melakukan pengujian dengan beberapa kondisi
yang menurut peneliti penting untuk diperhatikan dan sekiranya dapat mempengaruhi proses deteksi
wajah pada sistem ini. Berikut disajikan pada tabel 3.

Tabel 3. Pengujian Deteksi Wajah

Pencahayaan Waktu Hasil
No Citra Wajah Jarak (cm)
(lux) Deteksi (s) Deteksi

Redup
1 40 7 Berhasil
≤ 10 lux

431
 Redup
2 60 - Gagal
≤ 10 lux

Redup
3 80 - Gagal
≤ 10 lux

Sedang
4 40 5 Berhasil
20 – 50 lux

Sedang
5 60 6 Berhasil
20 – 50 lux

Sedang
6 80 8 Berhasil
20 – 50 lux

Terang
7 40 5 Berhasil
≥ 100 lux

Terang
8 60 7 Berhasil
≥ 100 lux

Terang
9 80 8 Berhasil
≥ 100 lux

G. Pembahasan

Hasil pada penelitian ini sejalan dengan penelitian yang dilakukan oleh (Moh. Wahyu Septyanto et
al., 2020) dan (Ellanda Purwawijaya et al., 2022). yang mana jarak dan intensitas cahaya mempengaruhi
proses pencocokan citra wajah. Namun pada penelitian sebelumnya jarak terbaik untuk mendeteksi wajah
adalah kurang dari 50cm. Sedangkan pada penelitian ini sistem yang dibangun dapat mendeteksi dan
mengenali wajah dengan baik, bahkan pada jarak lebih dari 50 cm. Namun pada intensitas cahaya redup
sistem hanya dapat mendeteksi wajah pada jarak kurang dari 40 cm. Adapun batasan pada penelitian ini
berupa sistem yang dibangun berfokus pada aspek fungsionalitas fitur pendeteksian dan pengenalan
wajah, dengan mengesampingkan aspek performa dan keamanan pada sistem. Kontribusi pada penelitian
ini terletak pada penggunaan algoritma Single Shot Detector untuk mendeteksi wajah, dan Hasil penelitian
ini berupa sebuah sistem yang dapat mengenali wajah dengan baik melalui pencocokan antara citra data
training dengan citra wajah yang terekam pada kamera secara realtime.

432
V. SIMPULAN

Setelah melalui proses analisis, perencanaan, implementasi, dan uji coba pada sistem yang sudah
dibuat yaitu sistem absensi pegawai dengan teknologi pengenalan wajah menggunakan algoritma Single
Shot Detector (SSD). Dapat disimpulkan bahwa sistem dapat mengenali wajah dengan baik dengan
melakukan pencocokan antara citra data training dengan citra wajah yang terekam pada kamera secara
realtime. Adanya fitur utama pengenalan wajah membuat proses pencatatan kehadiran menjadi lebih
efisien dan Sistem juga memiliki kemampuan untuk secara otomatis mencatat data kehadiran, mengatasi
masalah yang berkaitan dengan kesalahan penginputan data. Hasil uji coba blackbox menunjukkan bahwa
sistem beroperasi dengan baik sesuai dengan tujuannya. Kemudian berdasarkan hasil pengujian deteksi
wajah, didapatkan hasil pengujian bahwa algoritma Single Shot Detector dapat mendeteksi citra wajah
yang terekam pada kamera dengan cepat dan akurat pada pencahayaan sedang dan terang dengan jarak
40-80 cm. Namun, sistem masih memiliki kekurangan pada pendeteksian wajah dengan pencahayaan yang
redup dan scan wajah masih bisa dicurangi dengan foto. Oleh karena itu, peneliti menyarankan untuk
pengembangan sistem kedepannya dapat menggabungkan algoritma lainnya agar lebih optimal dalam
melakukan deteksi wajah, untuk kedepannya dapat dikembangkan ke dalam aplikasi berbasis mobile
dengan fitur tambahan seperti geolocation API, dan melakukan Pengujian tambahan diperlukan untuk
menilai aspek keamanan dan kehandalan, sehingga sistem dapat diakses oleh banyak pengguna secara
simultan.
DAFTAR PUSTAKA
Agustyar, F. D., Aditya, A., Aminah, S., & Tirtana, A. (2023). Design and Development an e-Lapor Application
to Support Public Complaint Services in Tunjungtirto Village. JOURNAL OF INFORMATICS AND
TELECOMMUNICATION ENGINEERING, 7(1), 164-173.
Akbar, M. D., & Antoni, A. (2022). Aplikasi Absensi Pegawai pada Dinas Komunikasi dan Informatika
Kabupaten Deli Serdang dengan QR Code Menggunakan Algoritma Bcrypt. sudo Jurnal Teknik
Informatika, 1(1), 8-16.
Alghifari, M. A., Ngemba, H. R., Widjaja, J., Hendra, S., Yazdi, M., & Joefrie, Y. Y. (2023). Identification of the
Snail Oncomelania hupensis Lindoensis as Schistotomiasi Host Using CNN. Advance Sustainable
Science, Engineering and Technology (ASSET), 5(3), 02303012.
Azamy, M., Ariwibowo, A. B., & Mardianto, I. (2023). Face Recognition Implementation with MTCNN on
Attendance System Prototype at Trisakti University. Indonesian Journal of Banking and Financial
Technology, 1(1), 73-88.
Baeldung. (2019). Single Shot Detectors (SSDs). Diunduh di https://www.baeldung.com/cs/ssd tanggal 21
November 2023
Cao, Z., Qin, Y., Li, Y., Xie, Z., Guo, J., & Jia, L. (2022). Face detection for rail transit passengers based on single
shot detector and active learning. Multimedia Tools and Applications, 81(29), 42433-42456.
Dang, T. V. (2022). Smart home Management System with Face Recognition based on ArcFace model in
Deep Convolutional Neural Network. Journal of Robotics and Control (JRC), 3(6), 754-761.
Fuadi, M., Darusalam, U., & Whardana, A. K. (2021). Face Recognition Menggunakan OpenCV Dengan
Bahasa Pemograman Python OOP Untuk Sistem Presensi Rumah Sakit. Journal of Artificial
Intelligence and Innovative Applications, 2(3), 218-224.
Hadi, H. N., Aditya, A., Purwiantono, F. E., & Listio, S. P. (2022, June). PENGUJIAN PERFORMA PADA
WEBSITE LOMBA NASIONAL KREATIVITAS MAHASISWA. Jurnal Informatika, 22(01), 100-110.
doi:https://doi.org/10.30873/ji.v22i1.3194
Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Fathi, A., ... & Murphy, K. (2017). Speed/accuracy
trade-offs for modern convolutional object detectors. In Proceedings of the IEEE conference on
computer vision and pattern recognition (pp. 7310-7311).
Nagrath, P., Jain, R., Madan, A., Arora, R., Kataria, P., & Hemanth, J. (2021). SSDMNV2: A real time DNN-
based face mask detection system using single shot multibox detector and MobileNetV2. Sustainable
cities and society, 66, 102692.
Nurdiyah, D., & Handayani, S. (2018). Restful Web Service Sistem Presensi Mahasiswa (Studi Kasus
Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang). Jurnal Transformatika, 15(2),
60-66.
Priyambodo, A., Usman, K., & Novamizanti, L. (2020). Implementasi QR Code Berbasis Android pada Sistem
Presensi. J. Teknol. Inf. dan Ilmu Komput, 7(5).

433
Purwawijaya, E., Singarimbun, R. N., & Pasaribu, H. (2022). Implementasi Face Recognition Pada Absensi
Karyawan Menggunakan Local Binary Pattern Histogram dan SHA 256 bit. JURNAL MEDIA
INFORMATIKA BUDIDARMA, 6(4), 2383-2391.
Putra, D. S., & Fauzijah, A. (2018). Perancangan Aplikasi Presensi Dosen Realtime Dengan Metode Rapid
Application Development (RAD) Menggunakan Fingerprint Berbasis Web. Jurnal Informatika: Jurnal
Pengembangan IT, 3(2), 167-171.
Raharjo, S. T. (2020). Aku dan pandemi Covid 19: sebuah refleksi. Niaga Muda.
Rehman, S. U., Razzaq, M. R., & Hussian, M. H. (2021). Training of SSD (single shot detector) for facial
detection using Nvidia jetson nano. arXiv preprint arXiv:2105.13906.
Saputra, A. A., Susilo, B., Yusa, M., & Nurjanah, U. (2023). Sistem Pendeteksi Genus Gulma Pada Tanaman
Jagung Menggunakan Algoritme Single Shot Detector. Rekursif: Jurnal Informatika, 11(1), 10-24.
Sari, I. P., Siska, S. T., & Budiman, A. (2021). Perancangan Aplikasi Pelayanan Gangguan Tv Kabel Berbasis
Web Dan Sms Gateway. Jurnal Pustaka AI, 1(1), 20-28.
Sari, K. (2022). Perancangan Sistem Absensi Facial Recognition Menggunakan CNN dan Liveness Detector
pada BPR Central Dana Mandiri. Jurnal Informatika Dan Rekayasa Komputer (JAKAKOM), 2(1), 70-
80.
Septyanto, M. W., Sofyan, H., Jayadianti, H., Simanjuntak, O. S., & Prasetyo, D. B. (2020). Aplikasi Presensi
Pengenalan Wajah Dengan Menggunakan Algoritma Haar Cascade Classifier. Telematika: Jurnal
Informatika dan Teknologi Informasi, 16(2), 87-96.
Shi, W., Bao, S., & Tan, D. (2019). FFESSD: An accurate and efficient single-shot detector for target
detection. Applied Sciences, 9(20), 4276.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition.
arXiv preprint arXiv:1409.1556.
Sommervile, I. (2011). Software Engineering. Boston: McGraw Hill.
Susanto, E., Perdana, D., Irawan, A. I., & Yasirandi, R. (2019). Pengembangan Sistem Presensi Menggunakan
Quick Response Code Dinamis untuk Madrasah Aliyah Al Mukhlisin Bandung. Jurnal Rekayasa
Elektrika, 15(2).
Tanjung, N. A., & Sanwani, S. (2021). Face Recognition using Webcam with K Nearest Neighbors Algorithm
for Employee Presence. The IJICS (International Journal of Informatics and Computer Science), 5(3),
353-362.
Vignesh Baalaji, S., Sandhya, S., Sajidha, S. A., Nisha, V. M., Vimalapriya, M. D., & Tyagi, A. K. (2023).
Autonomous face mask detection using single shot multibox detector, and ResNet-50 with identity
retrieval through face matching using deep siamese neural network. Journal of Ambient Intelligence
and Humanized Computing, 1-11.

434