PROPOSAL TUGAS AKHIR

IMPLEMENTASI SISTEM FACE RECOGNITION UNTUK PRESENSI

PEGAWAI MENGGUNAKAN ALGORITMA HAAR CASCADE BERBASIS
ANDROID

Diajukan Untuk Memenuhi Salah Satu Syarat

Mengerjakan Dan Menempuh Ujian Tugas
Akhir

Disusun Oleh:
Nama : Dhiaulhaq Alauddin Azhar
Nim : C2C020021
Program Studi : S1 Informatika

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS MUHAMMADIYAH SEMARANG
2024
 LEMBAR PERSETUJUAN SEMINAR TUGAS AKHIR

NIM : C2C020028
NAMA : Dhiaulhaq Alauddin Azhar
JENJANG STUDI : Strata Satu (S1)
PROGRAM STUDI : Informatika
JUDUL PROPOSAL : Implementasi Sistem Face Recognition Untuk Presensi
Pegawai Menggunakan Algoritma Haar Cascade
Berbasis Android

Semarang, 15 Januari 2024

Menyetujui,
Pembimbing I,

Dr.Muhammad Munsarif, S.Kom., M.Kom Semarang, 15 Februari 2024

Pembimbing II,

Ir. Luqman Assaffat, MT. M.Kom. Semarang, 12 Februari 2024

Mengetahui,
Ka. Prodi Informatika

Drs. Akhmad Fathurrohman, M.Kom Semarang, 12 Februari 2024

ii
 DAFTAR ISI

LEMBAR PERSETUJUAN SEMINAR TUGAS AKHIR............................................2

DAFTAR ISI...................................................................................................................3

PENDAHULUAN..........................................................................................................1

1.1. Latar Belakang.................................................................................................1

1.2. Rumusan Masalah............................................................................................3

1.3. Tujuan Penelitian.............................................................................................3

1.4. Manfaat Penelitian...........................................................................................3

1.5. Batasan Masalah..............................................................................................4

BAB II............................................................................................................................5

TINJAUAN PUSTAKA DAN LANDASAN TEORI....................................................5

2.1. Tinjauan Studi..................................................................................................5

2.2. Tinjauan Pustaka............................................................................................11

2.1.1 Sistem.............................................................................................................11

2.2.1 Face Recognition...........................................................................................11

2.3.1 Library ML-Kit..............................................................................................12

2.4.1 Algoritma Haar Cascade Classifier................................................................13

2.5.1 Android Studio...............................................................................................14

BAB III.........................................................................................................................16

3.1 Mulai..............................................................................................................16

3.2 Persiapan Penelitian.......................................................................................17

3.3 Pengumpulan Data.........................................................................................17

3.4 Perancangan Sistem.......................................................................................18

3.5 Implementasi Sistem......................................................................................27

3.6 Pengujian sistem............................................................................................28

iii
3.7 Hasil...............................................................................................................28

3.8 Jadwal Pelaksanaan Penelitian.......................................................................28

DAFTAR PUSTAKA...................................................................................................29

iii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Perkembangan teknologi kecerdasan buatan tampaknya semakin cepat
dan menarik minat dari berbagai sektor, termasuk pemerintah, bisnis, pendidikan,
dan lembaga-lembaga lain yang semakin beragam yang ingin mengikuti dan
mengembangkannya. Deep learning, yang digunakan untuk membedakan wajah,
merupakan salah satu aplikasi kecerdasan buatan yang masih terus mengalami
perkembangan yang substansial. Hingga saat ini, ada beberapa pendekatan yang
telah dilakukan untuk mengimplementasikan pencatatan kehadiran, beberapa di
antaranya menggunakan teknologi mutakhir seperti pengenalan wajah. [1]
Salah satu metode pengenalan wajah adalah Pengenalan Wajah, yang
membandingkan gambar kamera dengan foto-foto yang telah disimpan
sebelumnya dan ciri-ciri wajah dalam database. Karena teknologi pengenalan
wajah menggunakan algoritma untuk membedakan satu orang dengan orang lain
berdasarkan informasi yang sudah ada di database wajah, teknologi ini juga
merupakan salah satu teknologi biometrik yang banyak diteliti dan dikembangkan
oleh para profesional. Pengenalan wajah sebagai data identifikasi merupakan salah
satu fitur teknologi biometrik yang dapat diterapkan pada sistem keamanan.
Wajah seseorang mengandung banyak informasi selain ciri-ciri unik dan rasa
percaya diri. Wajah seseorang mengandung banyak informasi selain sifat unik dan
rasa diri mereka. Salah satu aplikasi untuk teknologi biometrik ini adalah dalam
sistem absensi yang digunakan oleh bisnis dan institusi pendidikan. [2]
Dalam prakteknya, sistem pengenalan wajah memiliki keunggulan
tersendiri, terlihat nyata pada sistem presensi yang banyak diterapkan oleh
berbagai instansi dibandingkan dengan proses pencatatan partisipasi manual
mempunyai beberapa kelemahan seperti boros kertas, rekapitulasi memakan
waktu, integrasi dengan sistem lain sulit, dan rentan dari pemalsuan. Hal ini
diindikasikan dari kemampuan untuk melakukan pencatatan kehadiran dari jarak
jauh tanpa bersentuhan langsung dengan alat absensi. Oleh karena itu, ini menjadi
salah satu opsi yang akan diterapkan di suatu Perusahaan dengan tujuan mencegah
penularan
1
melalui kontak langsung atau berpotensi menimbulkan kerumunan antrian saat
melakukan presensi kehadiran. [3]
Sistem presensi dengan memanfaatkan pengenalan wajah (face
recognition) telah banyak dilakukan sebelumnya. Beberapa diantaranya adalah
penelitian yang dilakukan oleh Vebri Dores, yang berjudul “Identifikasi Masker
pada Face Detection dengan Menggunakan Metode Haar Cascade dan CNN”
didapatkan hasil identifikasi masker pada face detection menggunakan metode
CNN mendapatkan nilai lebih baik yaitu dengan nilai akurasi 100%, sedangkan
menggunakan metode Haar Cascade nilai akurasi yang diperoleh adalah 80%.[4]
Muhammad arsal, dkk. yang berjudul “Face Recognition Untuk Akses
Pegawai Bank Menggunakan Deep Learning dengan Metode CNN” didapatkan
hasil teknologi Face Recognition untuk akses pegawai bank dapat dilakukan
menggunakan Convolutional Neural Network (CNN) dan mendapatkan hasil
akurasi 100.00% dengan kesimpulan bahwa hasil akurasi bergantung dengan data
yang diuji, yang dimana hasil akurasi ini dapat berubah sesuai dengan jumlah data
yang diuji. Semakin banyak data yang diuji maka tingkat akurasinya akan lebih
baik. [5]
Berdasarkan penelitian sebelumnya yang mengasilkan akurasi tinggi,
maka haar cascade akan diterapkan dalam penelitian ini untuk melakukan
presensi serta mempermudah pihak perusahaan CV. Global Service untuk
melakukan control dan rekap data sehingga menekan kemungkinan manipulasi
data agar dapat mengurangi bahkan mencegah pegawai untuk memalsukan
kehadirannya, serta hemat waktu dalam pengambilan data absensi menggunakan
teknologi face recognition secara langsung dengan menggunakan ML Kit dengan
algoritma Haar Cascade.

2
1.2. Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka rumusan masalah dalam

penelitian ini yaitu:

1) Bagaimana membangun system face recognition pada presensi pegawai

berbasis android menggunakan algoritma Haar Cascade Classifier?
2) Berapa nilai efisiensi algoritma Haar Cascade Classifier pada perancangan
sistem face recognition untuk presensi pegawai berbasis android?

1.3. Tujuan Penelitian

Berdasarkan rumusan masalah diatas maka, tujuan dari penelitian ini

yaitu sebagai berikut:
1) Membangun system bebasis face recognation pada presensi pegawai berbasis
android meggunakan model Haar Cascade Classifier.
2) Melakukan pengujian efisiensi sistem face recognition pada presensi
pegawai berbasis android.

1.4. Manfaat Penelitian

Dalam penelitian ini diharapkan agar aplikasi sistem face recognition
pada presensi pegawai berbasis android ini dapat memberikan manfaat sebagai
berikut:
1) Secara Teoritis
Manfaat penelitian secara teoritis yaitu hasil dari penelitian ini diharapkan
dapat menambah wawasan bagi pembaca serta memberikan gambaran atau
alternatif solusi sistem presensi dengan menggunakan teknologi deep learning
yang bermanfaat bagi perkembangan ilmu pengetahuan khususnya dalam
penggunaan algoritma haar cascade classifier.
2) Secara Praktis
Kegunaan penelitian secara praktis yaitu hasil dari penelitian ini dapat
memudahkan proses absensi pegawai menggunakan sistem face recognition
berbasis aplikasi, serta meminimalisir atau menekan adanya kesalahan pada
proses absensi dengan penerapan metode face recognition.

3
1.5. Batasan Masalah
Batasan masalah dilakukan supaya ruang lingkup pembahsan yang
dibahas dapat menjadi lebih fokus. Maka perumusan masalah dengan Batasan
masalah sebagai berikut:
1) Objek yang dideteksi hanya berupa objek yang terdepat wajah manusia.
2) Dataset yang digunakan berupa image.
3) Radius jarak absensi dengan kantor CV. Global Service antara 10m
sampai 15m

4
 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1. Tinjauan Studi

Penelitian-penilitian face recognition telah banyak dilakukan
sebelumnya oleh peneliti. Sebagai referensi dalam penelitian ini maka
dilakukan tinjauan studi menggunakan jurnal terkait yang sudah dilakukan
sebelumnya sebagai pertimbangan dalam penyusunan penelitian ini. Tinjauan
studi yang digunakan dalam penelitian yaitu implementasi sistem face
recognition untuk absensi pegawai CV. GLOBAL SERVICE menggunakan
algoritma Haar Cascade Classifier berbasis android sebagai pengkategorian
data-data penelitian, diantaranya:
Penelitian yang telah dilakukan Muhammad Arsal, Bheta Agus
Wardijono, Dina Anggraini Face Recognition untuk akses pegawai bank
menggunakan deep learning dengan metode CNN. Berdasarkan hasil penelitian
yang telah melakukan perancangan dan perencanaan pembuatan program Face
Recognition serta melalui pengujian yang telah dilakukan didapatkan
kesimpulan, teknologi Face Recognition untuk akses pegawai bank dapat
dilakukan menggunakan Convolutional Neural Network (CNN). Proses
pembuatan aplikasi ini dengan tahapan pembuatan Face Recognition yaitu
akuisisi gambar, preprocessing, ektraksi, klasifikasi, dan identifikasi data
gambar sehingga didapatkan hasil akurasi 100,00%. Namun, hasil akurasi bisa
berubah sesuai dengan jumlah data yang diuji, semakin banyak data yang diuji
maka tingkat keakurasiannya akan lebih baik. [5]

Penelitian sebelumnya yang dilakukan oleh Prince Richard Setiono,

Sherwin R.U.A Sompie, Meicsy E.I Najoan, aplikasi pengenalan wajah untuk
sistem absensi kelas berbasis raspberry pi mengenai aplikasi yang dapat
digunakan untuk menandai 5 wajah mahasiswa serta nama untuk melakukan
sistem absensi menggunakan identitas mahasiswa. Keterangan secara langsung
dapat mengetahui bahwa mahasiswa hadir pada kelas tersebut dan data yang

5
sudah absen disimpan melalui format CSV. Aplikasi ini dibuat agar mencegah
terjadinya kecurangan absen manual yang memerlukan kertas untuk menulis
absen. Pengujian ini dilakukan oleh sejumlah relawan mahasiswa yang telah
berpartisipasi secara sukarela dalam penelitian ini. Dalam penelitian untuk saat
ini memakai 5 orang mahasiswa lakilaki yang sudah diambil data dan sudah
disimpan ke dalam dataset dengan wajah yang bervariasi dan database sqlite
dengan melakukan 5 kali percobaan dari 1orang sampai 5 orang sekaligus.
Pada sampel atau relawan menunjukan citra gambar yang sudah terdaftar data
mereka melalui aplikasi yang telah dijalankan dari citra gambar yang telah
disiapkan maka sistem pendeteksidan pengenalan wajah siap dipakai untuk
sistem absensi. Hasil uji yaitu tidak bisa absen dengan cara duduk dan layer
frame hanya bisa capture maksimal 2 orang. Serta kondisi pencahayaan yang
masih menjadi masalah bagi kamera raspberry pi nightvision untuk mendeteksi
wajah mahasiswa, oleh karena itu perlu adanya memakai kamera yang mungkin
lebih bagus untuk pengembangan kedepan. [6] Penelitian sebelumnya yang
pernah dilakukan oleh Vebri Dores Identifikasi Masker pada Face Detection
dengan Menggunakan Metode Haar Cascade dan CNN. Berdasarkan penelitian
yang telah dilakukan aplikasi yang dibangun menggunakan bahasa
pemograman python, dapat berjalan dengan baik untuk implementasi kedua
metode yang dipakai yaitu Haar Cascade dan CNN. Dari metode yang telah
dipakai identifikasi masker pada face detection menggunakan metode CNN
mendapatkan nilai lebih baik yaitu dengan nilai akurasi 100%, sedangkan
menggunakan metode Haar Cascade nilai akurasi yang diperoleh adalah 80%.
[4]

6
 Tabel 1. Tabel Penelitian Terdahulu

Tahun Penulis Judul yang diusulkan Hasil

2020 Muhammad Face Recognition Teknologi Face Recognition
Arsal, Bheta Untuk Akses Pegawai untuk akses pegawai bank dapat
Agus Bank Menggunakan dilakuka menggunakan
Wardijono, Dina Deep Learning dengan Convolutional Neural Network
Anggraini. Metode CNN (CNN) dan mendapatkan hasil
akurasi 100.00%
2020 Prince Richard Aplikasi Pengenalan Dalam melakukan pengujian
Setiono, Wajah Untuk Sistem absensi pada wajah mahasiswa
Sherwin R.U.A Absensi Kelas ternyata tidak bisa dilakukan
Sompie, Meicsy Berbasis Raspberry Pi dengan cara duduk di kursi
E.I Najoan masing-masing, hal tersebut
boleh dilakukan akan tetapi
layar frame pada aplikasi hanya
bisa menangkap maksimal 2
orang saja, kondisi pencahayaan
yang masih menjadi masalah
bagi kamera raspberry pi
nightvision untuk mendeteksi
wajah
mahasiswa.
2022 Vebri Dores Identifikasi Masker Identifikasi masker pada face
pada Face Detection detection menggunakan metode
dengan Menggunakan CNN diperoleh nilai lebih baik
Metode Haar Cascade yaitu dengan nilai akurasi 100%,
dan CNN sedangkan menggunakan
metode Haar Cascade nilai
akurasi adalah 80%.
2020 Alwan Implementasi Face Sistem Smart Gate
Suryansah ,Roni Recognition Untuk memanfaatkan arduino uno dan
Habibi, Rolly Mengakses Ruangan biometric face recognition untuk
Maulana pengamanan ruangan secara
7
 Awangga, Rd. digital dengan media elektronik.
Nuraini Siti
Fatonah
2020 Prince Aplikasi Pengenalan Hasil penelitian menggunakan
Richard Wajah Untuk Sistem algoritma tersebut tidak semua
Setiono, Absensi Kelas bisa terdeteksi wajah terdapat
Sherwin Berbasis Raspberry Pi kendala bahwa tidak
R.U.A menemukan posisi kepala yang
Sompie, baik, tidak dapat dilakukan
Meicsy E.I dengan cara duduk di kursi,
Najoan 6ayer frame pada aplikasi hanya
bisa menangkap maksimal 2
orang. Kondisi pencahayaan
yang masih menjadi masalah
bagi kamera raspberry pi
nightvision untuk mendeteksi
wajah mahasiswa
2020 Rastri Sistem Presensi Kelas Mendeteksi seluruh objek yang
Prathivi,Yun Menggunakan ada secara tepat. Sistem
ita Pengenalan Wajah memudahkan dalam memantau
Kurniawati Dengan Metode Haar kehadiran siswa di kelas secara
Cascade Classifier akurat, efisien serta menghemat
waktu serta tenaga
2021 Darmansah, Perancangan Absensi Aplikasi presensi kehadiran
Ni Wayan Berbasis Face pegawai di Dsa Sukoraja Lor
Wardani, M. Recognation Pada untuk memantau, mengelola
Yoka Desa Sokaraja Lor presensi lebih efektif
Fathoni Menggunakan
Platform Android
2021 Anirudha B Proses Transisi Global Eksekusi dilakukan pada dan
Shettyÿ , pengklasifikasi LBP dengan
Bhoomika, menggunakan sejumlah gambar.
Deeksha, Hasilnya, Haar Cascade
8
 Jeevan memiliki akurasi lebih daripada
Rebeiro, pengklasifikasi LBP tetapi
Ramyashree waktu yang dibutuhkan oleh
pengklasifikasi LBP lebih kecil
dari pengklasifikasi Haar
Cascade dibandingkan dengan
penelitian lain. Haar Cascade
pengklasifikasi mendeteksi lebih
banyak jumlah wajah daripada
pengklasifikasi LBP dalam
suatu gambar.
2023 Hendrico Sistem Presensi Tujuan utama dari sistem
Ajey, Rina Otomatis Dengan kehadiran otomatis ini adalah
Mardiati, Lia Pengenalan Wajah untuk menyederhanakan proses
Kamelia Kamera Smartphone pencatatan kehadiran siswa dan
Berbasis staf pengajar dalam sistem
Menggunakan Haar pendidikan. Sistem ini
Metode Cascade menggunakan metode haar
cascade karena menawarkan
deteksi objek yang cepat dan
real-time, khususnya wajah
manusia
2021 Anirban Deteksi Dan Hingga saat ini, gambar yang
Chakraborty, Pengenalan Wajah digunakan untuk memvalidasi
Sharma, Nyata Sistem sistem yang diusulkan telah
Punjab. Menggunakan Haar menghasilkan tingkat hit 2%
Cascade Classifier lebih banyak dibandingkan
Dan Neural Jaringan sistem LBP saat ini. Hasil
keseluruhan dapat diubah secara
progresif tergantung pada
jumlah gambar yang dilatih.
Sistem yang diusulkan
memerlukan rig PC kelas atas
9
 untuk menghasilkan hasil yang
lebih baik karena secara
bertahap akan meningkatkan
kecepatan komputasi sehingga
menghasilkan pelatihan gambar
yang lebih cepat

10
2.2. Tinjauan Pustaka
2.1.1 Sistem

Sistem berasal dari Bahasa Latin systema dan Bahasa Yunani sustema.
Pengertian Sistem adalah sekumpulan unsur / elemen yang saling berkaitan dan
saling mempengaruhi dalam melakukan kegiatan bersama untuk mencapai
suatu tujuan, atau dapat juga dikatakan bahwa pengertian sistem adalah suatu
kesatuan yang terdiri dari komponen atau elemen yang dihubungkan bersama
untuk memudahkan aliran informasi, materi atau energi untuk mencapai suatu
tujuan. [7]

2.2.1 Face Recognition

Teknologi pengenalan wajah adalah teknologi biometrik, yang

didasarkan pada identifikasi fitur wajah seseorang [8]. Menurut Lee sistem
presensi menggunakan face recognition merupakan “sebuah sistem yang
digunakan untuk mencatat kehadiran pegawai dengan memakai metode sistem
pendeteksian wajah seseorang”. Sedangkan menurut Ramadhan face
recognition merupakan sebuah pendekatan biometrik yang menggunakan
metode otomatis untuk memverifikasi atau mengenali identitas manusia
berdasarkan karakteristik fisiologis seseorang”.
(1) Face recognition adalah Pengenalan wajah dengan sistem aplikasi,
termasuk keamanan, verifikasi orang, komunikasi melalui internet, dan yang
menggunakan komputer. Menurut (2) Face recognition adalah fitur yang
menggunakan pengenalan wajah manusia untuk melengkapi identifikasi, dan
wajah tidak mudah meninggalkan jejak di media, sehingga tidak dapat dicuri
dan keamanannya tinggi. Mengenali wajah adalah sesuatu yang biasanya
dilakukan orang dengan mudah dan tanpa banyak pikiran sadar, namun tetap
menjadi masalah yang sulit di dunia bidang visi komputer, di mana sekitar 20
tahun penelitian baru saja dimulai untuk menghasilkan solusi teknologi yang
berguna. Sebagai teknologi biometrik, otomatis pengenalan wajah memiliki
sejumlah sifat yang diinginkan yang mendorong penelitian ke dalam teknik
praktis. [8]

11
2.3.1 Library ML-Kit

Software Development Kit seluler pada machine learning google yang

dapat digunakan aplikasi android maupun iOS dengan mudah. Berisi satu set
API yang dapat digunakan untuk penggunaan seluler antara lain mendeteksi
wajah, mengenali teks, memindai kode batang, identifikasi bangunan tertentu,
melabeli gambar. Dengan cara meneruska data ke library ML Kit lalu akan
mendapatkan informasi yang dibutuhkan.API berbasis perangkat ini dapat
memproses data bahkan tidak ada koneksi jaringan yang memanfaatkan
kecanggihan teknologi machine learning dari google cloud untuk mendapatkan
tingkat akurasi yang lebih tinggi.Alur implementasi ML Kit dengan cara
mengintegrasikan SDK kemudian mempersiapkan data input serta menerapkan
model ML ke data lalu dihasilkan insight.

Firebase ML Kit adalah Kit Pengembangan Perangkat Lunak (SDK)

pembelajaran mesin yang tersedia di Firebase untuk pengembang seluler. Ini
memfasilitasi hosting dan penyajian model pembelajaran mesin seluler. Ini
mengurangi tugas berat menjalankan model pembelajaran mesin pada
perangkat seluler ke panggilan API yang mencakup kasus penggunaan seluler
umum seperti deteksi wajah, pengenalan teks, pemindaian kode batang,
pelabelan gambar, dan pengenalan tengara. Itu hanya membutuhkan masukan
sebagai parameter untuk menghasilkan banyak informasi analitis. API yang
disediakan oleh ML Kit dapat berjalan di perangkat, di cloud, atau di keduanya.
API on-device tidak bergantung pada koneksi jaringan dan, akibatnya, bekerja
lebih cepat dibandingkan dengan API berbasis cloud-. API berbasis cloud-
dihosting di Google Cloud Platform dan menggunakan teknologi pembelajaran
mesin untuk memberikan tingkat akurasi yang lebih tinggi. Jika API yang
tersedia tidak mencakup kasus penggunaan yang diperlukan, model Tensor
Flow Lite khusus dapat dibuat, dihosting, dan disajikan menggunakan konsol
Firebase. ML Kit bertindak sebagai lapisan 10 API di antara model khusus,
membuatnya mudah dijalankan. [9]

12
2.4.1 Algoritma Haar Cascade Classifier

Algoritma Haar Cascade Classifier merupakan salah satu teknik yang

signifikan dalam bidang pengolahan citra dan visi komputer. Dikembangkan
oleh (3), algoritma ini menjadi salah satu metode populer dalam deteksi objek,
terutama untuk mendeteksi objek dengan pola visual yang khas seperti wajah
manusia. Proses deteksinya dimulai dengan konstruksi "Haar-like features,"
yang merupakan pola visual sederhana yang dapat diukur di dalam gambar.
Fitur-fitur ini mencakup variasi intensitas piksel di berbagai area gambar,
memungkinkan algoritma untuk mengidentifikasi pola-pola yang penting untuk
mendeteksi objek target.

Langkah pertama dalam algoritma ini adalah melatih klasifier

menggunakan dua set gambar: satu set yang berisi objek target (positif) dan
yang lainnya tanpa objek target (negatif). Dengan menggunakan teknik
pembelajaran mesin, klasifier dilatih untuk mengenali pola-pola Haar yang
membedakan objek target dari latar belakang. Proses pelatihan ini
memungkinkan algoritma untuk memahami perbedaan antara objek yang ingin
dideteksi dan elemen latar belakang yang tidak relevan.

Setelah proses pelatihan, gambar dipecah menjadi bagian-bagian kecil

yang disebut "window" atau "subwindow." Setiap subwindow kemudian diuji
menggunakan klasifier yang telah dilatih sebelumnya. Jika terdapat kesesuaian
dengan pola Haar yang telah dipelajari, maka subwindow tersebut dianggap
sebagai kandidat objek yang dicari. Algoritma ini memiliki keunggulan dalam
hal kecepatan deteksi karena menggunakan teknik "cascade," di mana setiap
tahap deteksi lebih kompleks dari sebelumnya. Sebagai contoh, tahap awal
dapat mengidentifikasi area yang sangat mungkin mengandung objek,
sementara tahap-tahap berikutnya memberikan peningkatan akurasi dengan
mengurangi jumlah kandidat yang tidak relevan.

Algoritma Haar Cascade Classifier telah diterapkan dalam berbagai

aplikasi, termasuk pengenalan wajah, deteksi objek dalam video, deteksi

13
 gerakan, dan lain sebagainya. Kemampuannya untuk memberikan hasil deteksi
yang cepat dan efisien membuatnya menjadi pilihan yang populer dalam
pengembangan sistem pengolahan citra dan visi komputer. Meskipun demikian,
terus dilakukan penelitian dan pengembangan untuk meningkatkan kinerja
algoritma ini serta menghadapi tantangan baru dalam deteksi objek pada
lingkungan yang beragam.

2.5.1 Android Studio

Android Studio adalah sebuah lingkungan pemrograman yang baru

dan sepenuhnya terintegrasi, untuk platform Android. Tujuan dari Android
Studio adalah untuk menggantikan Eclipse, Integrated Development
Enviroment (IDE) terpopuler saat ini, sebagai alat baru untuk pembuatan
aplikasi IDE paling populer. Beralih ke sistem manajemen berbasis sistem
manajemen berbasis Gradle memberikan fleksibilitas yang lebih besar pada
proses pengembangan. Ketika Anda membuat proyek baru dengan Android
Studio, struktur proyek struktur proyek akan ditampilkan bersama dengan
hampir semua file di direktori SDK. Anda dapat melihat perubahan visual yang
Anda buat pada aplikasi secara real time menggunakan Android Studio. Ketika
diinstal, Anda juga dapat mengamati perubahannya.
Sistem operasi Android, yang dibangun di atas perangkat lunak
JetBrains IntelliJ IDEA dan didesain khusus untuk pengembangan Android.
IDE ini merupakan pengganti dari Eclipse Android Development Tools (ADT)
yang sebelumnya merupakan IDE utama untuk pengembangan aplikasi
android. [11]
Android studio dikembangkan berdasarkan IntelliJ IDEA yang mirip
dengan Eclipse disertai dengan ADT plugin (Android Development Tools).
Android studio memiliki fitur:[11]
14
a. Projek berbasis pada Gradle Build.
b. Pembenahan bug yang cepat.
c. Tools baru yang bernama “Lint” dikalim dapat memonitor kecepatan kegunaan,
serta kompetibelitas aplikasi dengan cepat.
d. Mendukung Proguard and App-signing untuk keamanan.
e. Memiliki GUI aplikasi android lebih mudah
f. Didukung oleh Google Cloud Platfrom untuk setiap aplikasi
yang dikembangkan.

15
 BAB III
METODE PENELITIAN

Pengumpulan data dalam penelitian memiliki tujuan untuk memperoleh

data atau informasi yang berkaitan dan diperlukan untuk penelitian. Penelitian ini
bertujuan untuk merancang sistem face recognition untuk absensi pegawai CV.
Global Service menggunakan algoritma Haar Cascade Classifier berbasis android
serta mengimplementasikannya agar memudahkan proses absensi pegawai di
instansi CV. Global Service serta memudahkan identifikasi dengan menggunakan
teknologi face recognition secara realtime yang menggunakan Haar Cascade
Classifier. Proses pada penelitian ini melalui beberapa tahap pengambilan data
yaitu dengan smartphone dan pengambilan untuk identifikasi wajah dengan
beberapa sampel wajah lalu metode LBPH dijalankan dalam tahap ini. Sistem
kemudian mengenali. Penulisan dalam metode penelitian ini difokuskan pada
empat hal, yaitu:
1. Objek dan Tempat Penelitian
2. Data Penelitian

3. Peralatan Yang Digunakan

4. Langkah Penelitian

5. Jadwal Pelaksanaan

3.1 Objek dan Tempat Penelitian

Perkantoran, Comanditaire Venootschap (CV) Global Service Banjarnegara
masih banyak yang memanfaatkan sistem absensi berbasis akses fisik, seperti
password atau smart cards sehingga di CV Global Service Banjarnegara masih
memungkinkan untuk dilakukan pengembangan sistem absensi otomatis berdasarkan
citra wajah manusia. Berdasarkan permasalahan diatas, peneliti moncoba melakukan
penelitian “Implementasi Sistem Face Recognation untuk presensi pegawai
menggunakan algoritma haar cascade berbasis android” untuk pengembangan sistem
absensi otomatis berdasarkan citra wajah manusia di CV. Global Service
Banjarnegara selama 4 bulan, dari bulan Maret 2024 sampai dengan bulan Juni 2024.

16
3.2 Data Penelitian
Setelah mendapatkan topik penelitian tahap selanjutnya adalah pengumpulan
data. Pengumpulan data ini bertujuan untuk memperoleh informasi yang dibutuhkan
untuk menunjang pelaksanaan penelitian serta mencapai tujuan penelitian. Hal yang
dilakukan dalam pengumpulan data meliputi pengambilan data primer dan data
sekunder :
1) Data Primer
Data Primer ialah jenis dan sumber data penelitian yang di peroleh secara langsung dari
sumber pertama (tidak melalui perantara),baik individu maupun kelompok. Jadi data
yang di dapatkan secara langsung.Data primer secara khusus di lakukan untuk
menjawab pertanyaan penelitian. Penulis mengumpulkan data primer dengan metode
survey dan juga metode observasi. Metode survey ialah metode yang pengumpulan data
primer yang menggunakan pertanyaan lisan dan tertulis.Penulis melakukan wawancara
kepada pemilik usaha CV. Global Service untuk mendapatkan data atau informasi yang
di butuhkan. Kemudian penulis juga melakukan pengumpulan data dengan metode
observasi. Metode observasi ialah metode pengumpulan data primer dengan melakukan
pengamatan terhadap aktivitas dan kejadian tertentu yang terjadi. Jadi penulis datang ke
tempat usaha CV. Global Service untuk mengamati aktivitas yang terjadi pada usaha
tersebut untuk mendapatkan data atau informasi yang sesuai dengan apa yang di lihat
dan sesuai dengan kenyataannya.
2) Data Sekunder
Data Sekunder merupakan sumber data suatu penelitian yang di peroleh peneliti secara
tidak langsung melalui media perantara (di peroleh atau dicatat oleh pihak lain). Data
sekunder itu berupa bukti,catatan atau laporan historis yang telah tersusun dalam arsip
atau data dokumenter. Penulis mendapatkan data sekunder ini dengan cara melakukan
permohonan ijin yang bertujuan untuk meminjam bukti-bukti transaksi pada usaha
woodshouse dan buku yang di gunakan untuk pencatatan transaksi setiap harinya.

17
3.3 Peralatan Yang Digunakan
Alat yang digunakan pada penelitian Tugas Akhir ini adalah:

1) Perangkat keras (Hardware)

Laptop yang digunakan adalah Acer Predator Nitro 5 An515-52 dengan

spesifikasi sebagai berikut:

Gambar 3. 1 Laptop Acer Predator Nitro 5 An515-52

a. Processor : Intel® Core™ i3-1005G1 CPU@1.20Ghz(4CPUs)

b. RAM : 16.0 GB

c. Kamera : beresolusi 1280 x 720 webcam

2) Perangkat Lunak (Software)

a. Sistem Operasi : Windows 10 Home Single Language 64-Bit

b. Tools : Android Studio,XAMPP

c. Pemograman : Java

d. Library : ML Kit

Setelah tahap implementasi dilakukan akan dilanjutkan dengan

tahap pengujian sistem.

18
3.4 Langkah Penelitian
Penelitian ini di mulai dengan menentukan topik penelitian yang akan di bahas
yang selanjutnya akan dilanjutkan dengan mempelajari masalah- masalahnya. Hal ini
bertujuan untuk menentukan focus kajian penelitian dan mencari solusi untuk
menyelesaikan masalah tersebut. Berdasarkan latar belakang yang dijelaskan rumusan
permasalahan pada penelitian ini adalah membangun sistem face recognition pada
presensi pegawai berbasis android menggunakan algoritma Haar Cascade Classifier.

19
3.4.1Persiapan Penelitian
Sebelum melakukan tahap penelitian berupa pengumpulan dan pengolahan
data beberapa hal perlu dipersiapkan yaitu melakukan studi literatur untuk
menambah wawasan penelitian terdahulu sehingga mempunyai gambaran ke
depannya sesuai penelitian yang akan dibuat. Persiapan selanjutnya yaitu izin
untuk memperoleh data yang akan digunakan pada penelitian ini.

3.4.2Pengumpulan Data
Metode atau cara untuk melakukan pengumpulan data melalui tiga tahap
yaitu tahap yang pertama dengan melakukan observasi pada usaha yang telah di
tentukan, kemudian memberikan pertanyaan-pertanyaan yang dapat menambah
informasi bagi peneliti dengan melakukan wawancara, dan setelah itu
mengumpulkan data-data dari sebagian bukti transaksi atau dapat di sebut
dengan istilah metode dokumentasi yang sangat berguna untuk membantu
pembuatan aplikasi yang dapat memudahkan kinerja pada CV. Global Service.

3.4.3Perancangan Sistem
Pada tahap perancangan system dilakukan perancangan perangkat lunak
sistem face recognition pada presensi pegawai berbasis android menggunakan
algoritma Haar Cascade Classifier. Berikut tahap perancangan yang dilakukan :

1. Use Case Diagram

Use Case Diagram merupakan tahap dalam merancang hubungan antara User
dan Admin

Gambar 3. 2 Use Case Diagram

20
Gambar 3.2 Proses yang diusulkan pada penelitian sebagai
berikut:
A. Admin

a. Login dengan memasukkan NIP dan password.

b. Sistem akan memeriksa NIP dan password, jika akun sesuai maka berhasil
login.
c. Jika sistem gagal memeriksa NIP dan password akan kembali ke menu login.

d. Masuk ke menu admin.

e. Memasukkan user baru (NIP, Nama, Jabatan, ODP,Password,Validasi

Password).
f. Scan wajah user baru untuk mengambil citra wajah yang akan disimpan ke
database.
g. Kembali verifikasi wajah dengan mengedipkan mata.

h. Selesai.

21
B. User (Pegawai)
a. Login dengan memasukkan NIP dan password yang telah didaftarkan
sebelumnya di sistem admin.
b. Sistem akan memeriksa NIP dan password, jika akun sesuai maka berhasil
login.
c. Jika sistem gagal memeriksa NIP dan password akan kembali ke menu
login.
d. Menu absen user.
e. Sistem mendapatkan lokasi user dan melakukan pengecekan radius. Jika
berada didalam radius dari kantor sistem melanjutkan untuk memulai
kamera. Jika tidak berada dalam radius sistem akan kembali pada menu
absen.
f. Start kamera untuk scan wajah yang terdapat 2 opsi masuk dan keluar.
Masuk untuk pilihan presensi kedatangan dan keluar untuk presensi
pulang.
g. Check Liveness (mengedipkan mata) untuk verifikasi wajah, jika objek
merupakan benda mati seperti foto maka sistem akan kembali untuk
memulai kamera.
h. Sistem akan memproses data dengan mengektraksi fitur dari gambar wajah
seseorang yang nantinya mengukur tingkat kemiripan wajah untuk proses
pengenalan wajah
i. Compare face antara current face dengan data di database, jika wajah tidak
dikenali dengan cara membandingkan data di database maka akan memulai
kamera lagi
j. Jika presensi berhasil akan muncul waktu tanggal serta radius pada sistem.
k. Selesai.

22
2. Activity Diagram
Activity Diagram merupakan alur proses atau cara kerja sistem. Pada diagram ini
digambarkan aktivitas-aktivitas yang dikerjakan oleh sistem.

a. Activity Diagram Bagian Login Admin

Gambar 3. 3 Activity Diagram Bagian Login Admin

Gambar 3.3 diatas merupakan Activity Diagram Admin bagian login. Ketika
admin membuka halaman awal admin yaitu halaman login. Admin diminta
untuk memasukan username maupun password setelah itu klik masuk
selanjutnya sisten akan memproses atau verifikasi NIP maupun password.
Jika NIP maupun password benar maka akan masuk kehalaman dashboard
apabila salah maka akan tetap dihalaman login.

23
b. Activity Diagram Bagian Data User

Gambar 3. 4 Activity Diagram Bagian Data User

Gambar 3.4 diatas merupakan Activity Diagram Admin bagian data user.
Ketika admin membuka halaman awal login admin dengan mudah dapat
memasukkan data user dengan scan wajah, tambah data identitas, input data
user, mengedit identitas, menghapus data user yang aja disimpan kedalam
database kemudian menampilkan data yang baru.

24
c. Activity Diagram User

Gambar 3. 5 Activity User Data

Gambar diatas merupakan Activity diagram user. Pada Activity diagram user
halaman utama yaitu sistem login menggunakan NIP dan password yang
telah terdaftar. Kemudian user masuk ke dashboard untuk proses scan wajah
atau deteksi wajah kemudian disimpan ke database. Proses selanjutnya yaitu
pengenalan wajah serta verifikasi objek yang kemudian disimpan kedalam
database. Proses presensi berhasil.

25
3. Perancangan Basis Data
Perancangan basis data ini digunakan untuk menyimpan basis pengetahuan dalam
database. Dalam pembuatan sist ini diperlukan 3 Tabel untuk menjadi database
sistem face recognition berbasis android yaitu table mshistory, table msscan, dan
msuser.

Tabel msHistory terdiri dari Id, Jabatan, Jam, Nama, NIP, Pilih Absen, Radius,
Tanggal. Seperti table 3.1 dibawah ini
Table 3. 1 msHistory

No Nama field Tipe Data Ukuran

1. Id String (PK) 20
2. Jabatan String 20
3. Jam String 10
4. Nama String 25
5. NIP Number 10
6. Pilih Absen String 5
7. Radius Double 10
8. Tanggal String 10

26
 Tabel msScan terdiri dari Color, Crop, Distance, Extra, Id, Location. Seperti table
dibawah ini
Table 3. 2 msScan

No Nama field Tipe Data Ukuran

1. Color String 20
2. Crop String 200
3. Distance Double 20
4. Extra String 500
5. Id String 10
6. Location String 20

Tabel msUser terdiri dari Jabatan, Nama, NIP, ODP, Password, Profil.
Seperti table dibawah ini.
Table 3. 3 msUser

No Nama field Tipe Data Ukuran

1. Jabatan String 20
2. Nama Number 25
3. NIP (PK) Number 10
4. ODP String 10
5. Password String 10
6. Profil String 200

4. Perancangan basis pengetahuan

Perancangan basis pengetahuan ini merupakan analisis data yang akan
ditampilkan dalam table msHistory, table msUser
Nama : Giandika Agustian R
Tanggal lahir : Tangerang, 27 Agustus 2000
Alamat : Kertayasa, RT.01 RW.05 Mandiraja, Banjarnegara
No.Hp : 085803520924
Profil : -

27
5. Perancangan struktur menu
Perancangan struktur menu ini sebagai gambaran terhadap menu-menu yg
dibutuhkan sistem face recognition pada presensi pegawai berbasis android
menggunakan algoritma Haar Cascade Classifier. Berikut ini tampilan desain
sistem aplikasi presensi.
a. Halaman awal Admin
Tampilan ini terdapat form mulai untuk menjalankan aplikasi
presensi.Presensi ini dapat digunakan oleh pegawai yang dapat diakses
dengan mudah namun terlebih dahulu admin yang mendaftarkan akun
pegawai.

Gambar 3. 6 Halaman awal Admin

28
b. Tampilan login admin
Halaman ini berisi form Nama dan Password untuk masuk sebagai admin.
Ketika membuka dan menggunkan aplikasi terlebih dulu memasukkan
Nama pegawai serta password. Jika inputan yang dimasukkan benar maka
berhasil login dan menggunakan aplikasi tersebut.

Gambar 3. 7 Tampilan login admin

c. Tampilan dashboard user

Halaman dashboard yang memuat identitas user, jarak, radius serta form
masuk untuk presensi datang dan keluar untuk presensi pulang serta data
presensi apabila telah melakukan presensi. Halaman ini juga berfungsi
melihat apakah sudah melakukan presensi atau belum yang nantinya di
data presensi masuk kedalam database admin untuk dikelola.

Gambar 3. 8 Tampilan dashboard user

29
d. Tampilan face recognition
Halaman ini memunculkan kamera yang berfungsi sebagai scan objek,
pengenalah wajah dan verifikasi yang digunakan untuk presensi baik
presensi masuk atau datang dan presensi keluar atau pulang. Banyak hal
yang mempengaruhi proses pengenalan wajah untuk presensi antara lain:
jarak antara kamera dengan wajah, intensitas cahaya, jaringan stabil,
smartphone stabil tidak berotasi maupun tegak lurus. Maka harus benar
benar dalam kondisi normal dan stabil.

Gambar 3. 9 Tampilan Face Recognation

e. Tampilan presensi masuk

Halaman user yang berisi identitas user, radius,waktu, tanggal serta off
button. Hal itu merupakan tampilan apabila presensi berhasil dilakukan.

Gambar 3. 10 Tampilan presensi masuk

30
 3.4.4Implementasi Sistem
Setelah dilakukan perancangan, maka dilanjutkan tahap implementasi sistem.
Pada tahap implementasi sistem, yang dilakukan adalah mengimplementasikan
perancangan yg telah dibuat sebelumnya, tahap ini akan dilakukan proses
coding untuk membangun sistem face recognition.
Tahap implementasi ini dilkukan dengan menggunakan laptop dengan
spesifikasi berikut:
a. Perangkat keras (Hardware)
Processor : Intel® Core™ i3-1005G1 CPU@1.20Ghz(4CPUs)
RAM : 16.0 GB
b. Perangkat Lunak (Software)
Sistem Operasi : Windows 10 Home Single Language 64-Bit
Tools : Android Studio Bahasa
Pemograman : Java
Library : ML Kit
Setelah tahap implementasi dilakukan akan dilanjutkan dengan tahap
pengujian sistem.

3.4.5Pengujian sistem
Setelah tahap implementasi dilakukan, akan dilanjutkan tahap pengujian
sistem. Pengujian yg dilakukan adalah pengujian funsional pada sistem face
recognition untuk presensi berbasis android. Pengujian ini ditujukan kepada
karyawan pada CV. Global Service.

3.5 Hasil

Pada tahap ini akan dilakukan pengdokumentasian proses pembuatan

sistem dari tahap awal hingga akhir serta memberikan kesimpulan dan saran untuk
sistem face recognition yg dibangun. Setiap kegiatan dan proses pembuatan
sistem face recognition ini akan didokumentasikan dalam tugas akhir.

Pada kesimpulan akan disampaikan hasil yg didapat dari penerapan

31
 algoritma haar cascade clasifier pada sistem face recognition yg digunakan untuk
presensi. Sedangkan saran, akan disampaikan saran oleh pembaca dalam
melakukan pengembangan terhadap penelitian ini.

3.6 Jadwal Pelaksanaan Penelitian

Tabel 1. Jadwal Pelaksanaan Penelitian

No. Kegiatan Bulan Ke-1 Bulan Ke-2 Bulan Ke-3
Minggu Ke - I II III IV I II III IV I II III IV
1. Studi Literatur
Analisis
2.
Kebutuhan Data
3. Analisis Sistem
Implementasi
4.
Sistem
Pengujian
5.
Sistem
Penuslisan
6.
Laporan

32
 DAFTAR PUSTAKA

[1] A. Fakih, I. K. Raharjana, and B. Zaman, “Pemanfaatan Teknologi

Fingerprint Authentication untuk Otomatisasi Presensi Perkuliahan,” J. Inf.
Syst. Eng. Bus. Intell., vol. 1, no. 2, p. 41, 2015, doi:
10.20473/jisebi.1.2.41- 48.
[2] L. Fitria and M. Hermansyah, “Implementasi Face Recognition pada
Absensi Kehadiran Mahasiswa Menggunakan Metode Haar Cascade
Classifier,” InfoTekJar J. Nas. Inform. dan Teknol. Jar., vol. 2, pp. 0–6,
2020.
[3] Efanntyo and A. R. Mitra, “Perancangan Aplikasi Sistem Pengenalan
Wajah Dengan Metode Convolutional Neural Network ( CNN ) Untuk
Pencatatan Kehadiran Karyawan,” J. Instrumentasi dan Teknol. Inform.,
vol. 3, no. 1, pp. 1–11, 2021.
[4] V. Dores, “Jurnal Sistim Informasi dan Teknologi Identifikasi Masker pada
Face Detection dengan Menggunakan Metode Haar Cascade dan CNN,” J.
Sistim Inf. dan Teknol., vol. 4, pp. 149–154, 2022, doi:
10.37034/jsisfotek.v4i4.154.
[5] M. Arsal, B. A. Wardijono, and D. Anggraini, “Face Recognition Untuk
Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN,”
J. Nas. Teknol. dan Sist. Inf., vol. 06, pp. 055–063, 2020, doi:
10.1109/UBMK52708.2021.9559031.
[6] P. R. Setiono, S. R. U. . Sompie, and M. E. . Najoan, “Aplikasi Pengenalan
Wajah Untuk Sistem Absensi Kelas Berbasis Raspberry Pi,” J. Tek.
Inform., vol. 15, no. 3, pp. 179–188, 2020.
[7] R. V Palit, Y. D. Y. Rindengan, and A. S. M. Lumenta, “Rancangan Sistem
Informasi Keuangan Gereja Berbasis Web Di Jemaat GMIM Bukit Moria
Malalayang,” E-Journal Tek. Elektro dan Komput., vol. 4, no. 7, pp. 1–7,
2015.
[8] L. Li, X. Mu, S. Li, and H. Peng, “A Review of Face Recognition
Technology,” IEEE Access, vol. 8, pp. 139110–139120, 2020, doi:

33
10.1109/ACCESS.2020.3011028.

34
[9] P. Aditia Muclis and Somantri, “Implementasi Text Recogniter yang
Diterjemahkan ke Bahasa Lain dengan Firebase Ml-Kit Berbasis Android,”
J. Inform. Univ. Pamulang, vol. 6, no. 2, pp. 2622–4615, 2021.
[10] S. Al-Aidid and D. Pamungkas, “Sistem Pengenalan Wajah dengan
Algoritma Haar Cascade dan Local Binary Pattern Histogram,” J.
Rekayasa Elektr., vol. 14, no. 1, pp. 62–67, 2018, doi:
10.17529/jre.v14i1.9799.
[11] Nurhidayati and A. M. Nur, “Infotek : Jurnal Informatika dan Teknologi
Pemanfaatan Aplikasi Android Dalam Rancang Bangun Sistem Informasi
Persebaran Indekos di Wilayah Pancor Kabupaten Lombok Timur Studi
Sistem Informasi , Universitas Hamzanwadi Infotek : Jurnal Informatika
dan Tekn,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 51–62, 2021.

35