A.

JUDUL

SmartSense: Intelligent Camera untuk Otomasi Multi-Presensi dengan Teknologi Object

Detection dan Edge AI
D1.LATAR BELAKANG DAN RUMUSAN MASALAH
Kedisiplinan merupakan sikap yang harus memiliki disemua unsur yang terlibat dalam organisasi
baik dari unsur pimpinan sampai karyawan yang terhimpun didalam organisasi tersebut. Sebagai
contoh, di Provinsi Jawa Timur menetapkan jam masuk Pegawai Negeri Sipil (PNS) yaitu jam
08.00 – 17.00 WIB (1). Jam kerja masuk tersebut juga diadopsi oleh perusahaan atau instansi
swasta lainnya yang menerapkan jam kerja karyawan dengan durasi maksimal 7 jam sehari
dalam 1 minggu untuk 6 hari kerja atau 8 jam sehari dalam 5 hari kerja, sesuai dengan undang-
undang ketenagakerjaan Nomor 11 Tahun 2020, yang (2). Sehingga sesuai dengan UU yang
berlaku sudah seharusnya karyawan masuk dan bekerja sesuai durasi yang telah ditetapkan
undang-undang.
Untuk menjaga kedisiplinan dan memastikan karyawan bekerja sesuai dengan jam kerja yang
berlaku, banyak instansi yang menggunakan mesin presensi pengenalan wajah dan sidik jari (3)
(4), sehingga biro sumber daya terkait yang melakukan manajemen persensi dapat melakukan
pendataan kedisiplinan karyawan setiap waktu yang ditentukan. Namun kelemahan sistem
persensi ini adalah ketidakmampuanya untuk mendeteksi kehadiran multi-karyawan dalam satu
waktu, sehingga akan menyebabkan potensi antrian absensi yang panjang (5) dan keterlambatan
kerja (6) (7).
Masalah keterlambatan ini telah terjadi bertahun-tahun menyebabkan turunnya performa
kedisiplinan karyawan, hal ini dikarenakan mesin presensi yang masih menggunakan teknologi
single-face recognition dan single-fingerprint detection (8). mengakibatkan karyawan harus
bergantian untuk melakukan presensi. Selain itu delay sebesar rata-rata dua detik (9) untuk
mengenal wajah dan sidik jari karyawan juga menjadi kelemahan dalam sistem sebelumnya.

D2. PENDEKATAN PEMECAHAN MASALAH

Untuk mengatasi masalah ini, kami mengajukan novel teknologi dengan menggunakan teknologi
Edge AI dan metode You Only Look Once (YOLO) untuk melakukan deteksi kehadiran multi-
karyawan dalam 1 kamera secara real time, tanpa karyawan harus bergantian menunjukkan
wajah dan sidik jari didepan kamera.
Dengan YOLO yang diintegrasikan dengan Edge Computing maka akan menghadirkan deteksi
kehadiran dan karyawan super cepat dengan latency rendah sebesar 0.0035 detik (10) sehingga
tidak aka nada delay seperti pada mesin konvensional absensi berbasis face recognition yang
memiliki delay sebesar 2 detik (9).
YOLO sendiri merupakan metode yang menggunakan deep learning (11) yang dapat dapat
digunakan untuk deteksi objek (12), segmentasi gambar (13), dan deteksi pose objek (14),
tercatat akurasi dan deteksi YOLO bias mencapai 97% melampaui algoritma deteksi lainnya (15)
seperti VVG, Resnet, R-CNN, dan CNN (13,16).
Selain itu YOLO memiliki kecepatan deteksi yang sangat tinggi yang dapat menyentuh 90 FPS
(Frame Per Second) sehingga deteksi karyawan akan lebih cepat (17,18).
Selain itu mengintegrasikan YOLO dengan Edge AI dapat mempercepat akselerasi dalam
pemrosesan citra untuk deteksi karywan (19). Dalam penelitian ini kami akan menggunakan
Jetson Nano sebagai edge computing untuk sumber daya komputasi tinggi dalam ukuran yang
compact (20). Jetson Nano bisa menjadi solusi pengganti terhadap PC dengan GPU yang
memiliki ukuran besar dan harga yang mahal (21).
Berdasarkan hal tersebut maka menggunakan YOLO dan Edge AI Jetson dapat mengisi celah
kelemahan pada sistem absensi konvensional dan dapat membantu biro sumber daya perusahaan
untuk mengawasi kehadiran dan kepulangan tepat waktu.

D3. STATE OF THE ART

Penelitian tentang sistem persensi karyawan pada 5 tahun terakhir masih memiliki masalah yang
sama yaitu keterbatasan sudut deteksi, sumber daya dan ketergantungan dengan intesitas cahaya
seperti yang dipaparkan pada jurnal bereputasi pada tabel 1 dibawah ini.
Table 1. Studi Literatur

Author Metode/Algoritma Tahun Edge Keunggulan Keterbatasan

Penelitian Computing (Gap)

Patgar et Local Binary 2019 Tidak Multi-persensi Terbatas pada

al (22) Pattern (LBP) dan deteksi wajah
Histogram of dalam 1 sudut.
Oriented
Gradients (HOG)
J Joshan single shot 2019 Tidak Multi-persensi Terbatas pada
et al (23) detector dan VGG dengan akurasi sumber daya
94.66% yang besar dan
pelatihan yang
cukup lama (2
hari)
Gupta et Convulutional 2019 Tidak Multi-persensi Terbatas pada
al, (24) Network (CNN) dengan akurasi sistem tidak
96.80% dapat
mendeteksi
Gerakan wajah
yang terlalu
cepat.
Sabeenian Convulutional 2020 Ya Multi-Persensi Terbatas pada
R.S et al Network (CNN) dengan akurasi pencahayaaan.
(25) 95%
Halder et Convulutional 2020 Tidak Single- Terbatas pada
al (26) Network (CNN) persensi, deteksi 1 wajah
akurasi 95 –
96%
Farhi et al Convulutional 2020 Tidak Single-
(27) Network (CNN) persensi,
akurasi 97%,
mendeteksi
posisi wajah
pada sudut 15-
15 derajat.
Naufal et Haar Cascade 2021 Tidak Single
al (28) classifier persensi,
akurasi 95%
Andiani multitask 2021 Tidak Multi persensi Terbatas
et al (29) convolutional dengan akurasi penggunaan
neural network 95% GPU, sehingga
(MTCNN) Ketika
mendeteksi
banyak wajah
terjadi
penurunan
akurasi deteksi.
Golwalka Deep Metric 2022 Tidak Single Persensi Terbatas di
r et al Learning dan Masker, variasi sudut
(30) FaceMasknet-21 akurasi 88% yang terdeteksi,
sehingga tidak
mendeteksi
kehadiran dari
berbagai sudut.
Shatnawi Convulutional 2022 Tidak Single Persensi Belum diuji
M et al Network (CNN) masker dengan dari berbagai
(31) akurasi 98% sudut pandang
untuk
mendeteksi
wajah dengan
masker.
Dang T et Single shot 2023 Tidak Single Terbatas
al (32) detector (SSD) Persensi, dengan kondisi
akurasi 91- cahaya
95%
Yose E et Tensorflow 2024 Yes Multi-persensi Penurunan
al (33) dengan edge akurasi akurasi
 computing Ketika terlalu
jetson nano banyak wajah
yang terdeteksi

Berdasarkan uraian dari tabel 1 diatas, dapat dilihat penggunaan YOLO belum digunakan untuk
deteksi karyawan, maka kami akan menggunakan YOLOv9 untuk mengisi kebaharuan dan
menutup celah penelitian sebelumnya, seperti yang dijabarkan pada tabel 2.
Table 2. Tabel Kontribusi

Gap Penelitian Penyelesaian Gap Algoritma / Alat yang Kontribusi

Sebelumnya yang diusulkan akan digunakan
.
Keterbatasan deteksi Menggunakan YOLOv9
1 wajah YOLOv9 yang dapat 1. Deteksi banyak
mendeteksi multi karyawan dalam 1
object dalam 1 frame frame kamera dengan
(34) varian sudut
Keterbatasan sumber Menggunakan edge Jetson Nano kemiringan, warna
daya GPU, CPU dan computing Jetson dan aksesoris
Komputasi Nano (21) untuk karyawan
sumber daya yang
besar. 2. Menggunakan
Keterbatasan sudut Pelatihan dataset Roboflow, Ultralytics Edge Computing
deteksi dan karyawan dengan untuk sumber daya
ketergantungan variasi sudut deteksi,
dengan wajah. warna rambut, kulit, 3. Sistem yang dapat
aksesoris, masker, mendeteksi dalam
dan kacamata. cahaya rendah
Keterbatasan Menggunakan IP IP Camera
lingkungan cahaya Camera dengan Infra 4. Akurasi deteksi
yang rendah Red untuk deteksi diatas 98%
pada low light.

D4. PETA JALAN PENELITIAN

Penelitian kami sejalan dengan tema unggulan yaitu fokus penelitian Sistem Cerdas (AI) yang
tertuang dalam RIP PT dan RIRN 2022 Bidang Fokus Riset : Teknologi Informasi dan
Komunikasi, Tema Riset : Pengembangan Sistem Berbasis Kecerdasan Buatan, Topik Riset :
Pengembangan Aplikasi Sistem Cerdas.
Selain itu, Penelitian ini sejalan dengan riwayat penelitian kami sebelumnya yang bergerak
dibidang kecerdasan buatan dalam klasifikasi objek.
 Gambar 1. Peta Jalan
Penjabaran peta penelitian kami yang telah dilakukan dan akan dilakukan selama 5 tahun
kedepan dijabarkan pada tabel 3 dibawah ini.
Table 3. Peta Riwayat Penelitian

Tahun Penelitian Luaran Topik

2019 Twitter Sentiment Analysis on Conference Kecerdasan Buatan
The use of Sinovac Vaccine in Proceeding
Indonesia (35)
2023 Perbandingan Algoritma Jurnal Sinta 5
Support Vector Machine dan
AdaBoost Dalam Memprediksi
Waktu Kelulusan Mahasiswa
(36)
2024-2025 Pengembangan klasifikasi Ditargetkan Sinta 3 –
object dalam bentuk gambar Sinta 2
untuk deteksi kehadiran
karyawan
2026-2027 Pemangkasan Neural Network, Ditargetkan Sinta 1
 Peningkatan Deteksi pada Low
Light dan Penambahan Fitur
Sensor dan Deteksi Api dan
Asap untuk keselamatan
karyawan.

E. METODE
Penelitiam ini dilakukan selama 1 tahun, dimulai dari pengumpulan dataset gambar karyawan,
sampai dengan pengembangan model AI unttuk deteksi karyawan

Gambar 2. Rencana Penelitian

Penjelasan Penelitian Tahun Pertama
1. Study literature dengan systematic literature review (SLR) dengan cara mengumpulkan
jurnal / paper yang terkait dengan pengolahan citra, kecerdasan buatan, object detection,
open vision, dan deep learning untuk melakukan deteksi objek-objek.
2. Melakukan analisa masalah dan mengumpulkan dataset
3. Mengembangkan model AI untuk mendeteksi dan mengenali karyawan-karyawan
4. Melakukan integrase model AI ke Jetson Nano NVIDIA untuk melakukan inferensi dan
pengelolaan AI yang lebih baik.
 5. Melakukan ekperimen menghubungkan IP Camera ke model AI dan Jetson, sehingga
model AI bias mengenali karyawan melalui feed camera yang di stream melalui protocol
Real Time Streaming Protocol (RSTP).
6. Melakukan pengujia model AI di titik tempat preseni karyawan untuk dilakukan
pengujian dan evaluasi.

Output Penelitian Tahun Pertama.

Luaran Wajib
1. Hasil dari penelitian ini berupa artikel untuk di publikasikan di Jurnal Teknik Informatika
(JUTIF), Universitas Jenderal Soedirman SINTA 3
2. Buku refrensi hasil penelitiam ber-ISBN
3. Conference atau Seminar Nasional
4. HKI Aplikasi

Metode Penelitian
Penelitian ini bertujuan mengimplementasikan algoritma YOLO untuk mengatasi antrian
panjang di mesin absensi yang masih menggunakan sistem pengenalan wajah. Kami akan
menggunakan YOLOv9 dan edge computing untuk melakukan deteksi kehadiran dan kepulangan
banyak karyawan dalam 1 frame kamera secara otomatis.
Pada sistem ini, karyawan cukup melewati pintu utama yang telah terpasang IP Camera untuk
melakukan deteksi presensi karyawan. Seperti yang diilustrasikan digambar dibawah ini.

Gambar 3. Illustrasi Model AI Yang Akan Dibuat

Untuk mengembangkan sistem deteksi ini, maka kami menggunakan metode pengembangan
model AI seperti diilustrasikan pada gambar 4.
 Gambar 4. Metode Penelitian
A. Instalasi Hardware
Kebutuhan hardware yang dibutuhkan dari penelitian ini adalah

1. Tapo IP Camera
2. Edge Computing Jetson Nano Orin
3. HDMI Monitor untuk Monitoring
4. Smartphone untuk mengambil foto karyawan sebagai dataset
5. Tablet untuk melakukan anotasi
B. Software, Library dan Framework
Adapun kebutuhan piranti lunak yang digunakan dalam sistem ini adalah
1. Compute Unified Device Architecture (CUDA) untuk inferensi
2. Pytorch sebagai framework deep learning
3. Ultralytics sebagai library YOLOv9 yang akan digunakan dalam model kami
4. OpenCv-Python digunakan sebagai library untuk pengolahan gambar
5. Visual Studio Code digunakan sebagai software untuk pengkodean
6. Albumentation, python library untuk augmentasi gambar
7. VNC Remote, untuk melakukan remote dari HDMI Monitor ke Jetson
C. Pengumpulan Dataset
Untuk pengumpulan dataset kami akan menggunakan smartphone untuk memfoto karyawan
beserta varian atributnya seperti hijab, masker, kacamata, topi, cincin, kalung, dll.
D. Labelling dan Anotasi
Proses labelling akan dilakukan di roboflow, dengan komposisi 200 gambar per-karyawan yang
akan diaugmentasi dengan alb

Gambar 5. Anotasi dengan Roboflow

E. Pengkodean Model Ai
Kami menggunakan Python dan OpenCV untuk melakukan pengkodean pada model AI deteksi
sampah.
E. Integrasi Model AI ke Jetson
IP Camera akan dihubungkan dengan wifi untuk mengalirkan feed ke Jetson yang akan diterima
oleh YOLO untuk dilakukan deteksi karyawan yang hadir dan pulang dan mencatat jam
kehadiran dan kepulangannya.
Adapun illustrasi penggunaan dari hardware dan software ini diilustrasikan pada gambar 11.

Gambar 6. Alur Cara Kerja Penelitian

Dari gambar 6, dapat dijelaskan alur kerja yang digunakan untuk mencapai tujuan model AI
yang akan dikembangkan yaitu sebagai berikut.
1. Langkah pertama menggunakan smartphone untuk mengambil dataset karyawan
2. Gambar karyawan akan dianotasi di roboflow dengan menggunakan tablet
3. Dataset yang telah dianotasi akan dilatih di google collab dengan menggunakan library
ultralytics
4. Melakukan pengkodean model untuk membaca bobot convulutional network yang telah
dilatih dan menambah fungsi pencatatan kehadiran dan kepulangan di model
5. Melakukan koneksi antara model AI ke stream IP Camera agar model AI dapat
mendeteksi
6. Menghubungkan Jetson ke ke HDMI Monitor secara headless dengan VNC Remote
7. Mengirimkan data kehadiran ke SDM dan Karyawan.

Algoritma YOLO
Penelitian ini menggunakan algoritma YOLO untuk mendeteksi objek secara real-time pada
gambar dan video yang menerapkan algoritma DeeP Learning, metode ini bekerja dengan
menggabungkan deteksi objek dan perhitungan bounding box dalam satu langkah. Berikut ini
adalah langkah-langkah umum cara YOLO bekerja.

Image Splitting & Bounding Box & Non-Maximum

Detection result
Feature Extraction Class Probability Supression (NMS)

Gambar 7. Cara Kerja YOLO

1. Pada tahap pertama YOLO akan melakukan pemecahan gambar untuk dibagi menjadi
sel-sel (grid cells) (37) setiap sel berfungsi untuk memprediksi objek yang berada
didalamnya (38).
2. Selanjutnya, setiap sel akan memprediksi beberapa bounding box dengan skor
kepercayaan (confidence score) (39). Bounding box ini merupakan koordinat antara
objek yang dideteksi dengan koordinat yang ada di dataset (40).
3. Selanjutnya pada langkah terakhir, YOLO menggunakan teknik Non-Maximum
Supression (NMS) untuk menghapus bounding box yang memiliki kepercayaan rendah
(41) dan hanya mempertahankan bounding box dengan kepercayaan tinggi (42).
4. Terkahir, model memberikan output berupa bounding box yang berisi prediksi objek
bersama dengan skornya. Setiap bounding box juga menyertakan label kelas objek dan
tingkat kepercayaan model terhadap prediksi tersebut.
 Dalam gambar 4 dibawah ini, kami menggunakan foto karyawan atas nama Ibu Sherli
Trisnawati sebagai sample Dataset dalam deteksi. Pada gambar 4, diilustrasikan bagaimana
YOLO melakukan deteksi pada gambar.

Gambar 8. Illustrasi Cara Kerja YOLO

JADWAL PENELITIAN
Tahun ke-1

Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
Mengumpulkan jurnal-jurnal
1 x
dan paper
Systematic literature review
2 x x
(SLR)
Melakukan pengambilan data
3 x x
karyawan
Resizing, Augmentasi, labeling
4 x x
dan training.
5 Implementasi Metode YOLO x x x
6 Integrasi Model AI ke Jetson x
7 Setup IP Camera x
Melakukan Testing dan
8 x
Evaluasi ke Jalan-Jalan Kota
Penyusunan naskah publikasi
9 x x x x
(jurnal internasional
Penyusunan dokumen untuk
10 x x
pendaftaran HKI
Penyusunan buku refrensi hasil
11 x x x x x x x
penelitian (ISBN)
Penyusunan laporan kemajuan
12 x x x
tahun pertama
Seminar atau monev laporan
13 x x
kemajuan tahun pertama
 Penyerahan Laporan tahun ke-
14 x
1

REFERENSI
1. Pemerintah Provinsi Jawa Timur. PERGUB Prov. Jawa Timur No. 19 Tahun 2022 [Internet]. Database
Peraturan BPK, No 19 Indonesia: BD Provinsi Jawa Timur Tahun 2022 No 19 Seri E; Mar 31, 2022.
Available from: https://peraturan.bpk.go.id/Details/227659/pergub-prov-jawa-timur-no-19-tahun-2022

2. Pemerintah Indonesia. UU No. 11 Tahun 2020 [Internet]. Database Peraturan, LN.2020/No.245,

Indonesia: LN.2020/No.245, TLN No.6573, jdih.setneg.go.id : 769 hlm.; Nov 2, 2020 p. 1–769.
Available from: https://peraturan.bpk.go.id/Details/149750/uu-no-11-tahun-2020
3. Shamila M, Prakash B, Ahmed A, Prajeet P, Pant R. Smart Attendance Automation System. E3S
Web of Conferences. 2023 Oct 6;430:01019.
4. Singh BK, Kumar R, Kishore RR. LB and LT feature approach to personal identification using
finger knuckle image biological trait. International Journal of Electronic Security and Digital
Forensics. 2021 Jan 1;13(4):445–59.
5. Rahman RF, Suharjito. Crowd Face Detection with Naive Bayes in Attendance System Using
Raspberry Pi. E3S Web of Conferences. 2023 May 17;388:02010.
6. Azhari L, Priyanggodo DY, Bahri MY. RANCANG BANGUN SISTEM INFORMASI
ABSENSI DENGAN MENGGUNAKAN GPS ANDROID PADA PT. BANK BNI SYARIAH.
JIKA (Jurnal Informatika) [Internet]. 2021 Oct 21 [cited 2024 Mar 23];5(3):387–90. Available
from: https://jurnal.umt.ac.id/index.php/jika/article/view/5064
7. Isnanto B, Amir Alkodri A, Supardi. Attendance Monitoring with GPS Tracking on HR
Management. 2020 8th International Conference on Cyber and IT Service Management, CITSM
2020. :2020.
8. Rohini V, Sobhana M, Chowdary CS. Attendance Monitoring System Design Based on Face
Segmentation and Recognition. Recent Patents on Engineering. 2023 Mar
1;17(2):e010422203006.
9. Indra E, Yasir M, Andrian A, Sitanggang D, Sihombing O, Tamba SP, et al. Design and
Implementation of Student Attendance System Based on Face Recognition by Haar-Like
Features Methods. MECnIT 2020 - International Conference on Mechanical, Electronics,
Computer, and Industrial Technology. 2020 Jun 1;336–42.
10. Sohan M, Ram TS, Venkata C, Reddy R. A Review on YOLOv8 and Its Advancements. 2024
[cited 2024 Mar 18];529–45. Available from: https://link.springer.com/chapter/10.1007/978-981-
99-7962-2_39
11. Gao C, Zhang Q, Tan Z, Zhao G, Gao S, Kim E, et al. Applying optimized YOLOv8 for heritage
conservation: enhanced object detection in Jiangnan traditional private gardens. Herit Sci. 2024
Dec 1;12(1):31.
12. Wang X, Liu J. Vegetable disease detection using an improved YOLOv8 algorithm in the
greenhouse plant environment. Sci Rep. 2024 Dec 1;14(1):4261.
13. La YJ, Seo D, Kang J, Kim M, Yoo TW, Oh IS. Deep Learning-Based Segmentation of
Intertwined Fruit Trees for Agricultural Tasks. Agriculture (Switzerland). 2023 Nov
1;13(11):2097.
14. Sledevič T, Matuzevičius D. Labeled dataset for bee detection and direction estimation on
entrance to beehive. Data Brief. 2024 Feb 1;52:110060.
15. Vikruthi S, Archana M, Tanguturi RC. A Novel Framework for Vehicle Detection and
Classification Using Enhanced YOLO-v7 and GBM to Prioritize Emergency Vehicle.
International Journal of Intelligent Systems and Applications in Engineering. 2024 Jan
1;12(1s):302–12.
16. Koirala A, Walsh KB, Wang Z, McCarthy C. Deep learning for real-time fruit detection and
orchard fruit load estimation: benchmarking of ‘MangoYOLO.’ Precis Agric [Internet]. 2019
Dec 1 [cited 2024 Jan 11];20(6):1107–35. Available from:
https://link.springer.com/article/10.1007/s11119-019-09642-0
17. Adarsh P, Rathi P, Kumar M. YOLO v3-Tiny: Object Detection and Recognition using one stage
improved model. 2020 6th International Conference on Advanced Computing and
Communication Systems, ICACCS 2020. 2020 Mar 1;687–94.
18. Vankdoth SR, Arock M. End-to-end deep learning pipeline for scalable, deployable object
detection engine in the traffic system. Signal Image Video Process. 2024 Mar 1;18(2):1589–600.
19. Azevedo P, Santos V. Comparative analysis of multiple YOLO-based target detectors and
trackers for ADAS in edge devices. Rob Auton Syst. 2024 Jan 1;171:104558.
20. Zhang Y, Yu J, Chen Y, Yang W, Zhang W, He Y. Real-time strawberry detection using deep
neural networks on embedded system (rtsd-net): An edge AI application. Comput Electron
Agric. 2022 Jan 1;192:106586.
21. Suzen AA, Duman B, Sen B. Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI
using Deep-CNN. HORA 2020 - 2nd International Congress on Human-Computer Interaction,
Optimization and Robotic Applications, Proceedings. :2020.
22. Patgar MK, Patil S, Shettar RB. A Face Recognition Based Automatic Attendance Management
System by Combining LBP and HOG Features. In: Lecture Notes on Data Engineering and
Communications Technologies. Springer Science and Business Media Deutschland GmbH;
2019. p. 952–9.
23. Joshan Athanesious J, Vanitha, Adithya S, Bhardwaj CA, Lamba JS, Vaidehi A V. Deep
Learning Based Automated Attendance System. Procedia Comput Sci. 2019 Jan 1;165:307–13.
24. Chatterjee K, Daya Gupta •, De A. “A framework for development of secure software.” CSI
Transactions on ICT 2013 1:2 [Internet]. 2013 Mar 12 [cited 2023 Aug 6];1(2):143–57.
Available from: https://link.springer.com/article/10.1007/s40012-013-0010-8
25. Sabeenian RS, Harirajkumar J, D’ Cruz L. Attendance authentication system using face
recognition. Journal of Advanced Research in Dynamical and Control Systems. 2020 Jan
1;12(4):1235–48.
26. Halder R, Chatterjee R, Sanyal DK, Mallick PK. Deep learning-based smart attendance
monitoring system. Advances in Intelligent Systems and Computing. 2020 Jan 1;1112:101–15.
27. Farhi L, Abbasi H, Rehman R. Smart Identity Management System by Face Detection Using
Multitasking Convolution Network. Security and Communication Networks. 2021 Jan
1;2021:7314823.
28. Naufal GR, Kumala R, Atha Amani RMIT, Budiharto W. Deep learning-based face recognition
system for attendance system. ICIC Express Letters, Part B: Applications. 2021 Jan 1;12(2):193–
9.
29. Andiani FM, Soewito B. Face recognition for work attendance using multitask convolutional
neural network (MTCNN) and pre-trained facenet. ICIC Express Letters. 2021 Jan 1;15(1):57–
65.
30. Golwalkar R, Mehendale N. Masked-face recognition using deep metric learning and
FaceMaskNet-21. Applied Intelligence [Internet]. 2022 Sep 1 [cited 2024 Mar
23];52(11):13268–79. Available from: https://link.springer.com/article/10.1007/s10489-021-
03150-3
31. Shatnawi M, Almenhali N, Alhammadi M, Alhanaee K. Deep Learning Approach for Masked
Face Identification. International Journal of Advanced Computer Science and Applications
[Internet]. 2022 Autumn 30 [cited 2024 Mar 23];13(6):296–305. Available from:
www.ijacsa.thesai.org
32. Dang TV. Smart Attendance System based on Improved Facial Recognition. Journal of Robotics
and Control (JRC). 2023 Jan 1;4(1):46–53.
33. Yose E, Victor, Surantha N. Portable smart attendance system on Jetson Nano. Bulletin of
Electrical Engineering and Informatics. 2024 Apr 1;13(2):1050–9.
34. Soylu E, Soylu T. A performance comparison of YOLOv8 models for traffic sign detection in
the Robotaxi-full scale autonomous vehicle competition. Multimed Tools Appl. 2024 Mar
1;83(8):25005–35.
35. Trisnawati S, Priantoro AU, Fauzi C, Herwanto R, Sabita H. Twitter Sentiment Analysis on The
use of Sinovac Vaccine in Indonesia. Proceeding International Conference on Information
Technology and Business [Internet]. 2021 Dec 1 [cited 2024 Mar 23];0(0):77–80. Available
from: https://jurnal.darmajaya.ac.id/index.php/icitb/article/view/3047
36. Sabita H, Trisnawati S. Perbandingan Algoritma Support Vector Machine dan AdaBoost Dalam
Memprediksi Waktu Kelulusan Mahasiswa. TEKNIKA: Jurnal Ilmiah Bidang Ilmu Rekayasa
[Internet]. 2023 Aug 7 [cited 2024 Mar 23];17(2):359–72. Available from:
https://jurnal.polsri.ac.id/index.php/teknika/article/view/7094
37. Paudel BR, Senarathna D, Wang H, Tragoudas S, Hu Y, Jiang S. Predicting YOLO Misdetection
by Learning Grid Cell Consensus. Proceedings - 20th IEEE International Conference on
Machine Learning and Applications, ICMLA 2021. 2021 Jan 1;643–8.
38. Kholiya D, Mishra AK, Pandey NK, Tripathi N. Plant Detection and Counting using Yolo based
Technique. 2023 3rd Asian Conference on Innovation in Technology, ASIANCON 2023. :Ravet.
39. Sandhya, Kashyap A. A novel method for real-time object-based copy-move tampering
localization in videos using fine-tuned YOLO V8. Forensic Science International: Digital
Investigation. 2024 Mar 1;48:301663.
40. Tang Y, Zhou H, Wang H, Zhang Y. Fruit detection and positioning technology for a Camellia
oleifera C. Abel orchard based on improved YOLOv4-tiny model and binocular stereo vision.
Expert Syst Appl. 2023 Jan 1;211:118573.
41. Zhang Z, Wang L, Liu S, Yin Y. Intelligent fire location detection approach for extrawide
immersed tunnels. Expert Syst Appl. 2024 Apr 1;239:122251.
42. Sun Z, Li P, Meng Q, Sun Y, Bi Y. An Improved YOLOv5 Method to Detect Tailings Ponds
from High-Resolution Remote Sensing Images. Remote Sens (Basel). 2023 Apr 1;15(7):1796.