IMPLEMENTASI TEACHABLE MACHINE PADA APLIKASI ABSENSI SISWA
DOI:
https://doi.org/10.36815/semastek.v2i1.143Keywords:
android, presensi, teachable machine, cnn, verifikasi wajahAbstract
Presensi siswa di sekolah merupakan aspek penting dalam pengelolaan siswa dan memiliki keterkaitan erat dengan kinerja mereka. Kehadiran siswa saat jam pelajaran sangat penting untuk meningkatkan kualitas belajar. Penelitian ini bertujuan merancang aplikasi Presensi siswa berbasis Android di SMA Majapahit 1 Trowulan dengan platform Teachable Machine dan metode Convolutional Neural Network (CNN) untuk verifikasi wajah. Hasilnya menunjukkan tingkat akurasi yang tinggi dalam pengenalan wajah siswa dengan antarmuka pengguna yang memuaskan. Namun, perlu memperhatikan faktor lingkungan, khususnya pencahayaan buruk yang dapat mempengaruhi performa aplikasi presensi. Aplikasi ini diharapkan membantu mengatasi masalah pengendalian kehadiran siswa dan meningkatkan efektivitas sistem pembelajaran. Dengan demikian, guru dapat lebih efisien dalam mengontrol kedisiplinan siswa di kelas, menciptakan solusi Presensi yang efisien dan akurat pada SMA Majapahit 1 Trowulan. Penelitian ini menunjukkan sistem presensi dengan platform Teachable Machine mencapai akurasi tinggi dalam pengenalan wajah siswa melalui metode Convolutional Neural Network (CNN). Keunggulan utamanya adalah akurasi tinggi dan antarmuka pengguna yang memuaskan. Namun, faktor lingkungan, khususnya pencahayaan buruk, dapat mempengaruhi performa sistem. Perlu perbaikan untuk meningkatkan kehandalan aplikasi presensi.
References
J. Su dan W. Yang, “Artificial intelligence in early childhood education: A scoping review,” Comput. Educ. Artif. Intell., vol. 3, no. December 2021, hal. 100049, 2022, doi: 10.1016/j.caeai.2022.100049.
Y. Arief Ashari, “Perancangan Sistem Klasifikasi Tingkat Kematangan Biji Kopi Arabika Bali Hasil Sangrai Berbasis Citra,” 2021.
B. A. Putra, A. P. Kharisma, dan F. Al Huda, “Penelitian Akurasi Diagnosa Penyakit Tanaman Padi menggunakan Kamera dengan Metode Klasifikasi Gambar pada Perangkat Bergerak Android,” … Inf. dan Ilmu Komput. e-ISSN, vol. 6, no. 10, 2022, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/download/11654/5174
C. Chazar dan M. H. Rafsanjani, “LPPM STMIK ROSMA / Prosiding Seminar Nasional : Inovasi & Adopsi Teknologi Penerapan Teachable Machine Pada Klasifikasi Machine Learning Untuk Identifikasi Bibit Tanaman,” Semin. Nas. Inov. Adopsi Teknol., vol. 2, no. 1, hal. 1–9, 2022.
Sumijan dan A. W. . Pradani, Teori dan Aplikasi Pengolahan Citra Digital Penerapan dalam Bidang Citra Medis. 2021. [Daring]. Tersedia pada: https://play.google.com/books/reader?id=RFEtEAAAQBAJ&hl=id&pg=GBS.PA19
J. Qiang, D. Wu, H. Du, H. Zhu, S. Chen, dan H. Pan, “Review on Facial-Recognition-Based Applications in Disease Diagnosis,” Bioengineering, vol. 9, no. 7, hal. 1–16, 2022, doi: 10.3390/bioengineering9070273.
E. Krisnaningsih, P. Gautama, dan M. F. K. Syams, “Usulan Perbaikan Kualitas Dengan Menggunakan Metode Fta Dan Fmea,” J. InTent, vol. 4, no. 1, hal. 41–54, 2021.
S. Meldiyana, I. S. Fathina, R. Yuner, S. Rachmat, dan M. Harika, “Line Crossing Detector System Pada Real-Time Situational Awareness Dengan Menggunakan Spatial Sample Difference Consensus,” JTT (Jurnal Teknol. Ter., vol. 8, no. 1, hal. 43, 2022, doi: 10.31884/jtt.v8i1.359.
Y. Lecun, L. Bottou, Y. Bengio, dan P. Ha, “LeNet,” Proc. IEEE, no. November, hal. 1–46, 1998.
T. F. Gonzalez, “Handbook of approximation algorithms and metaheuristics,” Handb. Approx. Algorithms Metaheuristics, hal. 1–1432, 2007, doi: 10.1201/9781420010749.
K. Simonyan dan A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., hal. 1–14, 2015.
