STUDI KOMPARASI KINERJA KOMBINASI MODEL FACE DETECTION (MTCNN dan SCRFD) DAN FACE EMBEDDING (FACENET dan ARCFACE) UNTUK SISTEM ABSENSI BERBASIS WEBSITE (STUDI KASUS: LABORATORIUM SISTEM INFORMASI FMIPA UNHAS)

Sistem absensi manual di Laboratorium Sistem Informasi FMIPA Unhas yang mengandalkan pencatatan lisan sering menimbulkan ketidakakuratan, kesalahan manusia, dan potensi manipulasi data. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja empat kombinasi model face recognition yang terdiri dari model deteksi wajah (MTCNN dan SCRFD) dan model face embedding (FaceNet dan ArcFace), serta mengimplementasikan kombinasi terbaik ke dalam sistem absensi berbasis website. Dataset penelitian terdiri dari 150 foto yang mencakup 50 foto galeri mahasiswa terdaftar, 50 foto known test set dengan kondisi berbeda, dan 50 foto unknown test set sebagai data negatif. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score pada threshold optimal yang ditentukan melalui proses threshold sweep. Hasil penelitian menunjukkan bahwa kombinasi MTCNN dan FaceNet memberikan kinerja terbaik dengan akurasi 95%, presisi 95.9%, recall 94%, dan F1-score 94.9%, melampaui kombinasi lainnya. Kombinasi ini kemudian diimplementasikan pada sistem absensi berbasis website menggunakan arsitektur modern yang terdiri dari Next.js sebagai frontend, FastAPI sebagai backend, Supabase sebagai database, dan Cloudinary sebagai media storage. Sistem yang dikembangkan memiliki sepuluh halaman utama yang mencakup autentikasi pengguna, manajemen mahasiswa dan kelas, pembuatan sesi absensi dengan deteksi wajah otomatis, dan manajemen kehadiran. Pengujian sistem menggunakan metode black box testing menunjukkan bahwa semua fitur utama berfungsi dengan baik sesuai spesifikasi. Penelitian ini berpotensi meningkatkan efisiensi proses pencatatan kehadiran, mengurangi kesalahan manusia, dan meminimalisir potensi manipulasi data absensi di lingkungan laboratorium.