Analysis of the Effect of Data Augmentation Methods on CCTV Image Face Recognition Attendance Systems Using CNN

Abstract

Teknologi pengenalan wajah (face recognition) berbasis Convolutional Neural Network (CNN) menjadi salah satu pendekatan efektif untuk sistem presensi otomatis. Namun, implementasi real-time masih menghadapi tantangan terkait efisiensi komputasi, biaya perangkat keras, dan variasi kondisi lingkungan. Penelitian ini bertujuan mengimplementasikan sistem presensi otomatis berbasis face recognition menggunakan arsitektur MobileNetV2 yang ringan. Sistem memanfaatkan smartphone sebagai kamera melalui aplikasi iVCam dan antarmuka web interaktif berbasis Streamlit. Penelitian juga menganalisis pengaruh augmentasi data terhadap performa dan ketahanan model dengan membandingkan model tanpa augmentasi dan model dengan augmentasi berupa rotasi, pergeseran, serta variasi kecerahan. Hasil pengujian menunjukkan MobileNetV2 mampu mengklasifikasikan identitas mahasiswa dengan akurasi pengujian sebesar 98%. Model dengan augmentasi menghasilkan validation accuracy sebesar 98,43% dan validation loss sebesar 0,1192, lebih baik dibandingkan model tanpa augmentasi yang memperoleh 97,64% dan 0,1518. Teknik augmentasi terbukti meningkatkan ketahanan model terhadap variasi posisi wajah dan pencahayaan rendah. Integrasi timer 3 detik dan frame skipping pada Streamlit berhasil menghasilkan sistem presensi real-time berbasis iVCam yang stabil, transparan, dan bebas lag.