Jurnal Development Engineering and Research in Technology Vol.
No.
Juni 2025, hal.
ISSN:.
DOI:
Penerapan Algoritma Haar Cascade Classifier Dalam Sistem Deteksi Pengenalan Wajah Untuk Presensi Kegiatan Pegawai Irsyadul Ibad.
Muhammad Fatkhur Rizal.
Anita Andriani.
Iftitaahul Mufarrihah.
1,2,3,4 Teknik Informatika.
Fakultas Teknologi Informasi.
Universitas Hasyim AsyAoari.
Jombang.
Indonesia Article Info Article history:
Received 19 Juni 2025 Revised 20 Juni 2025 Accepted 23 Juni 2025 Keywords:
Face Recognition Haar Cascade Classifier Employee Attendance Biometrics Info Artikel Kata kunci:
Pengenalan Wajah
Haar Cascade Classifier Presensi Pegawai Biometrik
ABSTRACT
Conventional attendance systems in government agencies, such as signatures or identity cards, often face fraud and inefficiency issues.
The aim of this research is to design an attendance system based on face detection with an algorithm Haar Cascade Classifier algorithm at the Jombang Regency Ministry of Religious Affairs Office.
This application is developed to identify employee faces directly using a digital camera, with integration to a database for automatic recording.
The research methods include collecting facial datasets, preprocessing, training models using the algorithm, and testing accuracy in various lighting and distance conditions.
The results show that the system achieves 92% accuracy in lighting testing and 75% in distance testing, with the advantages of no physical contact, minimal risk of misuse, and process efficiency.
This system offers a safer and more hygienic solution than conventional methods, although accuracy can be affected by lighting and camera distance.
This study recommends adding a liveness detection feature to improve security.
ABSTRAK
Sistem presensi konvensional di instansi pemerintah, seperti tanda tangan atau kartu identitas, sering kali menghadapi masalah kecurangan dan Tujuan riset ini adalah membuat desain sistem kehadiran berbasis deteksi wajah dengan algoritma Haar Cascade Classifier di Kantor Kementerian Agama Kabupaten Jombang.
Aplikasi ini dikembangkan untuk mengidentifikasi wajah karyawan secara langsung menggunakan kamera digital, dengan integrasi ke database untuk pencatatan otomatis.
Metode penelitian meliputi pengumpulan dataset wajah, preprocessing, pelatihan model menggunakan Haar Cascade Classifier, serta pengujian akurasi dalam berbagai kondisi pencahayaan dan jarak.
Hasil menunjukkan sistem mencapai akurasi 92% pada pengujian pencahayaan dan 75% pada pengujian jarak, dengan keunggulan berupa tanpa kontak fisik, minim risiko penyalahgunaan, dan efisiensi proses.
Sistem ini menawarkan solusi yang lebih aman dan higienis dibandingkan metode konvensional, meskipun akurasi dapat dipengaruhi oleh pencahayaan dan jarak kamera.
Penelitian ini merekomendasikan penambahan fitur liveness detection untuk meningkatkan Ini adalah artikel akses terbuka di bawah lisensi CC BY-SA 4.
Penulis Korespondensi:
Irsyadul Ibad Teknik Informatika.
Fakultas Teknologi Informasi Universitas Hasyim AsyAoari Beranda jurnal: https://ejournal.
id/index.
php/DERISTECH 61471 Jombang.
Indonesia Email:
mibad@mhs.
PENGANTAR
Sistem presensi konvensional, seperti tanda tangan, kartu identitas, atau sidik jari, sering kali menghadapi tantangan seperti manipulasi data, inefisiensi, dan kebutuhan kontak fisik yang kurang higienis .
Di Kantor Kementerian Agama Kabupaten Jombang, metode presensi saat ini masih memiliki keterbatasan dalam hal efisiensi dan keamanan.
Teknologi biometrik, khususnya pengenalan wajah, menawarkan solusi yang lebih aman dan efisien karena keunikan fitur wajah individu .
Penelitian ini mengusulkan penerapan algoritma Haar Cascade Classifier, yang dikenal cepat dan efisien dalam deteksi wajah .
, untuk mengembangkan sistem presensi berbasis web.
Sistem ini bertujuan untuk mengurangi kecurangan, meningkatkan efisiensi pencatatan kehadiran, dan menghilangkan kebutuhan kontak fisik.
Penelitian sebelumnya menunjukkan bahwa metode biometrik seperti sidik jari memerlukan kontak fisik, verifikasi suara rentan terhadap gangguan lingkungan, dan barcode berisiko disalahgunakan.
Oleh karena itu, pengenalan wajah dengan Haar Cascade Classifier diharapkan menjadi alternatif yang lebih andal.
Melalui kajian ini, peneliti bertujuan untuk membuat sebuah program aplikasi yang dapat melakukan absensi berbasis deteksi wajah dengan mengimplementasikan algoritma Haar Cascade Classifier, serta memberikan kontribusi yang signifikan dalam memperkuat pemahaman tentang efektivitas dan efesiensi algoritma Haar Cascade Classifier dalam deteksi pengenalan wajah.
METODE
1 Haar Cascade Classifier Haar Cascade Classifier merupakan algoritma yang dimanfaatkan untuk mengidentifikasi objek, khususnya wajah, pada gambar atau video.
Algoritma ini diperkenalkan oleh Paul Viola dan Michael Jones pada tahun 2001 melalui makalah berjudul "Rapid Object Detection using a Boosted Cascade of Simple Features".
Algoritma ini banyak digunakan dalam pengenalan wajah dan dapat pula diterapkan untuk mendeteksi objek lain.
Haar Cascade Classifier menggunakan fitur berbentuk persegi panjang .
ectangular featur.
yang memberikan indikasi ciri wajah pada suatu gambar .
3 Haar Like Feature Haar-like Features merupakan karakteristik visual yang direpresentasikan dalam bentuk beragam variasi persegi panjang dengan tanda khusus pada suatu citra.
Metode ini dirancang untuk mendeteksi objek dalam gambar melalui perhitungan sederhana dari fitur-fitur tersebut.
Keunggulan utama teknik ini terletak pada efisiensi komputasinya yang tinggi, karena hanya memerlukan penjumlahan piksel dalam area tertentu tanpa perlu menganalisis nilai individual setiap piksel .
Secara struktural, setiap fitur Haar-like tersusun atas gabungan beberapa area persegi berwarna hitam dan putih.
Beranda jurnal: https://ejournal.
id/index.
php/DERISTECH DERISTECH ISSN: x-x Gambar 1.
Haar like feature .
Haar-like Features adalah fitur berbasis perbedaan intensitas antara area terang dan gelap.
A Edge features Ie Mendeteksi perbedaan antara dua area .
isalnya mata vs pip.
A Line features Ie Mendeteksi perbedaan horizontal atau vertikal .
isalnya hidun.
A Four-rectangle features Ie Mendeteksi pola lebih kompleks .
isalnya sudut mat.
Secara sistematis, rumus Haar like sebagai berikut :
= ycOycOEaycnycnycnycnycnycn Oe yaAyaAyaAyaAyaAyaAyaAyaAyaAyaA Keterangan : dimana untuk kotak pada Haar-like feature dapat dihitung secara cepat menggunakan integral image.
Gambar 2.
Sampel Haar Feature Contoh diketahui nilai piksel sampel haat feature seperti gambar diatas, untuk mengetahui jumlah nilai pada area hitam dan area putih, maka dijumlahkan nilainya pada masing-masing area tersebut.
Tabel 1 Sampel Nilai Piksel Haar Like Diketahui : Hitam = 60.
Putih = 47 ,maka dikurangkan nilai kedua area tersebut hitam dan putih.
Nilai fitur = 13 3 Integral Image Penerapan Algoritma Haar CascadeA(M.
Irsyadul Iba.
ISSN: x-x Integral Image adalah gambar di mana nilai setiap pikselnya merupakan hasil penambahan dari nilai piksel di sudut kiri atas hingga sudut kanan bawah.
Integral Image mempermudah perhitungan piksel dengan mengacu pada total piksel dalam batas jendela fitur Haar .
Perhitungan nilai pada fitur dilakukan dengan mengurangi nilai piksel di wilayah putih dari nilai piksel di wilayah hitam.
Jika hasil pengurangan tersebut melebihi nilai ambang batas .
, maka fitur tersebut dianggap terdeteksi.
Gambar 3.
Integral Image .
ycIycI.
cuycu, ycy.
= yaya.
cuycu, ycy.
ycIycI.
cuycu Oe 1, ycy.
ycIycI.
cuycu, ycyc Oe .
Oe ycIycI.
cuycu Oe 1, ycyc Oe .
Keterangan :
ycIycI.
cuycu, ycy.
adalah nilai integral image di titik .
, .
cuycu, ycy.
adalah nilai piksel asli di titik .
, .
Citra Integral berfungsi untuk mengoptimasi proses penghitungan fitur Haar-like, dengan menyimpan nilai kumulatif piksel dari titik .
hingga koordinat .
Komputasi dilakukan dengan memanfaatkan total jumlah piksel dalam wilayah yang dibatasi oleh fitur Haar-like tertentu.
Tabel 2 Sampel Wilayah Integral Tabel 3 Nilai Integral Maka hasil perhitungannya adalah :
Tabel 4 Hasil Perhitungan Integral Development Engineering and Research in Technology.
Vol.
No.
Juni 2025: 53-65
DERISTECH
ISSN: x-x Maka ciri fitur haar like adalah CIRI FITUR = D A - B - C Untuk wilayah hitam B = D A Ae (B C) = 60 Wilayah putih W = D A Ae (B C) = 47 Fitur Haar = B Ae W = 13 4 Adaboost Learning Metode Adaboost dimanfaatkan untuk meningkatkan akurasi klasifikasi melalui proses pembelajaran bertahap yang mengkombinasikan sejumlah prediktor sederhana menjadi sebuah model prediktif yang lebih kuat.
Prediktor sederhana tersebut merupakan model dasar yang hanya memiliki tingkat akurasi sedikit lebih baik daripada tebakan acak .
Karena ada ribuan fitur haar-like, hanya fitur terbaik yang digunakan untuk meningkatkan akurasi.
Gambar 4.
Adaboos Learning .
Secara sistematis, rumus final strong classifier sebagai berikut :
= ycycycycycycycyc OcycNycNycyc=1 yuyuycyc Eaycyc .
Keterangan :
adalah Final strong classifier, yaitu keputusan akhir dari kombinasi beberapa weak classifier.
ycycycycycycycyc adalah Fungsi tanda .
ign functio.
, yang menentukan apakah hasil akhirnya positif atau negatif:
Jika hasilnya positif, maka yaya.
= 1 .
ikelompokkan ke kelas positi.
Jika hasilnya negatif, maka yaya.
= Oe1 .
ikelompokkan ke kelas negati.
OcycNycNycyc=1 adalah Penjumlahan dari semua weak classifier yang ada.
yuyuycyc adalah Bobot dari weak classifier, yang dihitung berdasarkan kinerjanya .
emakin baik classifier, semakin besar bobotny.
Eaycyc .
adalah weak classifier ke-t, yang memberikan output 1 atau -1 tergantung apakah sampel diklasifikasikan ke kelas positif atau negatif.
5 Cascade Classifier Cascade Classifier dilakukan untuk penyaringan subcitra melalui serangkaian tahap klasifikasi yang didasarkan pada fitur-fitur yang dipilih oleh algoritma Adaboost.
Proses ini terdiri dari beberapa tingkat klasifikasi untuk memverifikasi keberadaan fitur objek wajah pada subcitra yang telah dipilih.
Pada tahap pertama, subcitra yang tidak terdeteksi mengandung objek wajah akan langsung ditolak.
Penerapan Algoritma Haar CascadeA(M.
Irsyadul Iba.
ISSN: x-x sedangkan untuk subcitra yang menunjukkan potensi adanya objek wajah akan dilanjutkan ke tahap penyaringan berikutnya .
, hingga akhirnya diperoleh subcitra yang diyakini sebagai objek wajah.
Gambar 5.
Cascade Classifier .
Cara Kerja Cascade Classifier:
Tahap Awal Ie Jika fitur awal tidak cocok, gambar langsung ditolak.
Tahap Tengah Ie Jika lulus tahap awal, pemeriksaan dilakukan dengan lebih banyak fitur.
Tahap Akhir Ie Jika lolos semua tahap, gambar diklasifikasikan sebagai wajah.
HASIL DAN PEMBAHASAN
1 Activity Diagram Dalam perancangan ini, sistem yang akan dibangun adalah sistem yang mampu melakukan pengambilan dataset pegawai kemudian setelah melakukan perekaman dataset wajah, pegawai langsung bisa melakukan absensi didepan kamera webcam.
Sistem ini menerapkan algoritma Haar Cascade Classifier dan dibangun menggunakan bahasa pemrograman Python.
Sistem akan di implementasikan dalam bentuk website.
Adapun untuk struktur activity diagram yang akan dibuat dapat dilihat pada Gambar 6.
Activity diagram absensi.
Development Engineering and Research in Technology.
Vol.
No.
Juni 2025: 53-65
DERISTECH
ISSN: x-x Gambar 6.
Activity Diagram Absensi Pegawai Pada Gambar 6.
Activity diagram ini menggambarkan bagaimana pegawai melakukan absensi, mulai dari login menggunakan email dan password, apabila berhasil login maka akan diarahkan ke dalam halaman dashboard absensi kemudian pegawai melakukan absensi dengan menghadap webcam, adapun absensi ini diproses menggunakan algoritma Haar Cascade Classifier jika data absensi sesuai dengan data yang ada didalam database maka akan menampilkan hasil absensi tersebut kepada pegawai.
2 Interface Sistem Hasil implementasi pada aplikasi sistem presensi pegawai menggunakan Haar Cascade Classifer dengan tampilan antar muka sebagai berikut:
Tampilan Halaman Login Pada saat mengakses URL dari web ini, sistem akan menampilkan form login.
Admin / Petugas diharuskan untuk memasukan email dan password yang telah terdata di database sistem.
Gambar 7.
Tampilan Halaman Login Tampilan Halaman Dashboard Halaman dashboard adalah portal utama yang ditampilkan saat admin berhasil login.
Interface dashboard terbagi menjadi dua tampilan yaitu dashboard yang dikhususkan untuk admin dan dashboard Pada halaman dashboard terdapat beberapa menu dan fitur yaitu salah satunya melihat total jumlah pegawai, total jumlah admin dan total berapa yang absensi hari ini.
Penerapan Algoritma Haar CascadeA(M.
Irsyadul Iba.
ISSN: x-x Gambar 8.
Tampilan Halaman Dashboard Tampilan Halaman Data Pegawai Pada halaman data pegawai berfungsi untuk melihat data diri pegawai dari nama, alamat dan divisi / unit kerja pegawai yang sudah terdaftar pada sistem absensi dan juga untuk memanage data pegawai baik menambahkan, mengedit dan menghapus.
Dengan antarmuka yang intuitif, admin dapat dengan mudah mencari, menyaring, atau mengurutkan data pegawai berdasarkan kriteria tertentu, seperti nama atau divisi, sehingga proses manajemen data menjadi lebih efisien.
Gambar 9.
Tampilan Halaman Data Pegawai Tampilan Halaman Tambah Pegawai Pada halaman tambah pegawai yaitu untuk menambahkan atau menginput data diri pegawai yang nantinya direkam wajahnya dan disimpan datanya pada sistem.
Selain mengisi informasi dasar seperti nama, divisi, dan alamat, setelah itu melakukan perekaman wajah pegawai yang akan digunakan sebagai referensi untuk proses absensi berbasis pengenalan wajah.
Berikut adalah tampilan halaman tambah pegawai yang ditunjukan pada Gambar 10.
Development Engineering and Research in Technology.
Vol.
No.
Juni 2025: 53-65
DERISTECH
ISSN: x-x Gambar 10.
Tampilan Halaman Tambah Pegawai Tampilan Halaman Absensi Halaman ini berfungsi untuk melakukan proses absensi pegawai dari data pegawai yang sebelumnya Setelah pegawai berhasil melakukan absensi data capture wajah absensi akan disimpan di database pada waktu itu juga.
Fitur ini dilengkapi dengan notifikasi real-time yang menampilkan status absensi .
erhasil/gaga.
serta opsi untuk melakukan absensi ulang jika terjadi kesalahan.
Berikut dibawah ini ada gambar 11.
Gambar 11.
Tampilan Halaman Absensi 3 Pengujian Akurasi Berdasarkan Perbedaan Cahaya Pengujian ini bertujuan untuk mengukur tingkat keberhasilan sistem dalam mengenali citra wajah yang telah melalui proses pelatihan.
Pada teknik pengujian ini dengan menghadirkan wajah pegawai yang telah ditraining menghadap didepan kamera, dengan variasi kondisi pencahayaan pada area wajah.
Hasil pengujian dapat dilihat pada tabel 5 dibawah ini.
Tabel 5 Pengujian Berdasarkan Perbedaan Cahaya Kode Hasil Pengenalan Wajah Jumlah User ID Pegawai Pengujian Hasil Analisa Dikenali Tidak Dikenali Penerapan Algoritma Haar CascadeA(M.
Irsyadul Iba.
ISSN: x-x 10 Kali 7 Kali 3 kali (Unknown 10 Kali 10 Kali 10 Kali 9 Kali 1 Kali (Unkwo.
10 Kali 10 Kali 10 Kali 10 Kali Seperti yang ditunjukkan pada Tabel 5, setiap pengujian diberikan waktu 5 detik bagi sistem untuk mendeteksi dan mengenali wajah.
Proses ini dilakukan untuk setiap ID pengguna atau pegawai yang telah melalui pelatihan.
Untuk menghitung persentase keberhasilan sistem dalam mengenali wajah pegawai yang telah dilatih dan tersimpan dalam dataset, dapat digunakan rumus berikut:
ycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycE .
cNycNycNycNycNycNycNycNycNycN .
= yayayayayayayayayayaEa ycycycycycycycyc yccyccyccyccyccyccyccyccyccyccyccyccyccyccyccycc y 100 ycNycNycNycNycNycNycNycNycNycN ycycycycycyc .
Maka, hasil perhitungan pengujian pertama adalah sebagai berikut :
Development Engineering and Research in Technology.
Vol.
No.
Juni 2025: 53-65
DERISTECH
ISSN: x-x
7 10 9 10 10
ycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycE .
cNycNycNycNycNycNycNycNycNycN .
= y 100 y 100 = 92% Berdasarkan data uji akurasi pada Tabel 5, sistem mencapai tingkat pengenalan wajah sebesar 92%.
Namun, terdapat beberapa kasus dimana sistem gagal mengenali wajah pengguna.
4 Pengujian Pengenalan Wajah Berdasarkan Jarak Pengujian berdasarkan jarak wajah dilakukan untuk mengevaluasi tingkat keberhasilan sistem dalam mengenali citra wajah pengguna berdasarkan jarak antara kamera dengan wajah.
Pengujian ini melibatkan wajah pengguna yang dihadapkan secara tegak lurus ke kamera pada jarak 20 cm, 50 cm, 100 cm, dan 150 cm.
Hasil pengujian dapat dilihat pada Tabel 6.
Tabel 6 Pengujian Berdasarkan Jarak Kode User ID Jarak Hasil Analisa Jumlah Pengujian Dikenali Tidak Dikenali 20 Kali 1 .
idak dikenal.
50 cm 100 cm 2 .
idak dikenal.
150 cm 3 .
idak dikenal.
50 cm 100 cm 3 .
idak dikenal.
150 cm 2 .
idak dikenal.
50 cm 100 cm 1 .
idak dikenal.
150 cm 4 .
idak dikenal.
50 cm 100 cm 1 .
idak dikenal.
150 cm 2 .
idak dikenal.
50 cm 100 cm 2 .
idak dikenal.
150 cm 3 .
idak dikenal.
20 cm 20 cm 20 cm 20 cm 20 cm 20 Kali 20 Kali 20 Kali 20 Kali Hasil persentase keberhasilan sistem dalam mengenali pegawai berdasarkan jarak antara kamera dengan objek wajah adalah sebagai berikut:
ycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycE .
cNycNycNycNycNycNycNycNycNycN .
= yayayayayayayayayayaEa ycycycycycycycyc yccyccyccyccyccyccyccyccyccyccyccyccyccyccyccycc y 100 ycNycNycNycNycNycNycNycNycNycN ycycycycycyc .
Penerapan Algoritma Haar CascadeA(M.
Irsyadul Iba.
ISSN: x-x Dari hasil pengujian kedua ini adalah sebagai berikut :
ycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycEycE .
cNycNycNycNycNycNycNycNycNycN .
= = 75% y 100 Dari hasil pengujian pada Tabel 5 dan 6.
Dapat diambil kesimpulan bahwa faktor utama sistem dapat mendeteksi citra wajah pegawai dengan tingkat akurasi yang cukup baik dari beberapa faktor, faktor utamanya adalah pencahayaan yang memadai dan jarak yang tidak terlalu jauh dari kamera.
Hal ini membuktikan bahwa ini memiliki tingkat akurasi yang cukup baik.
KESIMPULAN
Berdasarkan hasil analisa terhadap permasalahan dan sistem yang dirancang, maka dapat diambil kesimpulan sebagai berikut :
Haar Cascade Classifier dan LBPH dapat digunakan untuk sistem presensi berbasis web dengan tahapan pengumpulan dataset, preprocessing gambar, dan integrasi database.
Sistem ini efektif dengan dukungan infrastruktur yang memadai.
Akurasi Haar Cascade bergantung pada pencahayaan dan jarak.
Optimal pada cahaya terang .
kurasi 92%, jarak 20Ae100 c.
, tetapi menurun drastis dalam kondisi redup .
Ae70%) atau jarak tidak ideal (<20 cm atau >150 c.
PERNYATAAN KONTRIBUSI PENULIS
Nama Penulis Irsyadul Ibad Muhammad Fatkhur Rizal E Anita Andriani E Iftitaahul Mufarrihah C : Konseptualisasi M : Metodologi So : Perangkat lunak Va : Validasi Fo : Analisis Formal I : Investigasi R : Sumber Daya D : Akurasi Data O : Penulisan - Draf Asli E : Penulisan - Tinjauan Penyuntingan E Vi : Visualisasi Su : Pengawasan P : Administrasi proyek Fu : Akuisisi Pendanaan PERNYATAAN BENTURAN KEPENTINGAN Penulis menyatakan tidak ada konflik kepentingan.
KETERSEDIAAN DATA
Penelitian ini didasarkan pada dataset yang telah berhasil diperoleh dari Kementerian Agama Kabupaten Jombang dan tidak tersedia secara publik.
Data dapat diperoleh dari penulis yang bersangkutan.
Irsyadul Ibad, atas permintaan yang wajar dan dengan izin dari pihak terkait.
Development Engineering and Research in Technology.
Vol.
No.
Juni 2025: 53-65
DERISTECH
ISSN: x-x
REFERENSI