Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Received: 31 Maret 2025.
Accepted: 28 April 2025.
Published: September 2025 DOI: 10.
36350/jskom.
Penerapan Algoritma K-Nearest Neighbors dan Support Vector Machine untuk Pemindaian Kehadiran Mahasiswa Berdasarkan Based Location dan Face Recognition Egiene Irsandy Hidayat1*.
Muhamad Miftahudin2 Program Studi Teknik Informatika.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia email: egiene123@gmail.
*Corresponding Author
ABSTRACT
Attendance scanning is a crucial element in supporting the teaching and learning process in higher education and serves as a common evaluation method to assess student participation in courses.
However, conventional attendance systems often encounter various issues such as data manipulation, low accuracy, and suboptimal efficiency.
Attendance systems using usernames and passwords tend to be ineffective as they are vulnerable to fraud, such as proxy attendance.
To address these issues, this research aims to develop a student attendance scanning system based on technology using the K-Nearest Neighbors (KNN) and Support Vector Machine (SVM) algorithms.
The K-Nearest Neighbors algorithm is applied to detect students' geographic locations, while the Support Vector Machine is used to validate attendance through facial recognition.
This study employs a prototype development method with a Research and Development (R&D) approach.
The prototype application is designed to automatically validate student attendance based on geographic location and facial identification.
The implementation of the K-Nearest Neighbors and Support Vector Machine methods significantly improves the effectiveness and accuracy of attendance scanning.
Based on feasibility tests conducted by system experts, the application was rated as "Highly Feasible" with a feasibility score of 100%.
Additionally, user testing using the PSSUQ calculation resulted in an average score of 90.
42%, also rated as "Highly Feasible.
" Moreover, the evaluation using a confusion matrix from both methods demonstrated that the system achieved an accuracy rate of 95%, precision of 93%, recall of 100%, and an F1-score of 96%.
The findings of this study indicate that the developed system significantly enhances the effectiveness and accuracy of student attendance scanning.
The implementation of this system is expected to provide an innovative solution for creating a more reliable student attendance process in academic environments.
Keywords: K-Nearest Neighbors.
Support Vector Machine.
Based Location.
Face Recognition.
Attendance System
ABSTRAK
Pemindaian kehadiran merupakan elemen penting dalam mendukung proses belajar mengajar di perguruan tinggi serta salah satu bentuk evaluasi yang sering digunakan untuk menilai partisipasi mahasiswa dalam matakuliah.
Namun, proses presensi yang dilakukan mahasiswa menggunakan sistem presensi konvensional sering menghadapi berbagai masalah seperti manipulasi data, rendahnya akurasi dan efisiensi yang tidak optimal.
Sistem presensi menggunakan username dan password cenderung tidak efektif karena rentan terhadap kecurangan, seperti penitipan absen.
Untuk mengatasi masalah tersebut,penelitian ini bertujuan mengembangkan sistem pemindaian kehadiran mahasiswa berbasis teknologi menggunakan algoritma K-Nearest Neighbors dan Support Vector Machine.
Algoritma K-Nearest Neighbors diterapkan untuk mendeteksi lokasi geografis mahasiswa, sedangkan Support Vector Machine digunakan untuk memvalidasi kehadiran melalui pengenalan wajah.
Penelitian ini dilakukan menggunakan metode pengembangan prototipe dengan pendekatan Reseacrh and Development (R&D).
Prototipe aplikasi ini dirancang untuk melakukan validasi kehadiran mahasiswa secara otomatis sesuai lokasi geografis dan identifikasi wajah.
Penerapan metode K-Nearest Neighbors dan Support Vector Machine mampu meningkatkan efektivitas dan akurasi dalam pemindaian kehadiran mahasiswa.
Berdasarkan uji kelayakan oleh ahli sistem, aplikasi ini dinyatakan AuSangat LayakAy dengan tingkat kelayakan 100%.
Kemudian uji pengguna menggunakan perhitungan PSSUQ didapatkan hasil perhitungan rata-rata yaitu 90,42% yang dinyatakan AuSangat LayakAy.
Selain itu, uji hasil menggunakan confusion matrix dari kedua metode menunjukan bahwa sistem ini memiliki tingkat accuracy mencapai 95%, precision 93%, recall 100%, dan F1-score 96%.
Hasil penelitian ini menunjukkan bahwa sistem yang dibangun mampu meningkatkan efektivitas dan akurasi yang sangat baik dalam proses pemindaian kehadiran Implementasi sistem ini diharapkan dapat menjadi solusi inovatif untuk menciptakan proses presensi mahasiswa yang lebih andal di lingkungan akademik.
Keywords: K-Nearest Neighbors.
Support Vector Machine.
Based Location.
Face Recognition.
Sistem Presensi.
PENDAHULUAN
Perkembangan teknologi di era digital saat ini semakin pesat, terutama dalam bidang teknologi informasi dan Inovasi teknologi yang terus berkembang memungkinkan manusia untuk meningkatkan produktivitas dengan menggunakan berbagai perangkat pendukung.
Salah satu aspek yang mendapat dampak besar dari perkembangan ini adalah sistem informasi yang berperan dalam menyampaikan, mengolah, dan menyimpan informasi dengan lebih cepat, akurat, dan efisien.
Dalam berbagai sektor, termasuk pendidikan, teknologi informasi telah menjadi faktor penting dalam mendukung efisiensi kerja.
Perguruan tinggi sebagai institusi pendidikan memerlukan sistem informasi yang andal untuk mengelola berbagai aspek administrasi, termasuk sistem presensi mahasiswa.
Presensi merupakan salah satu indikator utama dalam menilai kedisiplinan mahasiswa dalam mengikuti perkuliahan.
Namun, sistem presensi konvensional yang masih banyak digunakan saat ini memiliki beberapa kelemahan, seperti penggunaan kertas yang berlebihan, proses rekapitulasi yang memakan waktu, serta adanya potensi kecurangan dalam pencatatan kehadiran Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Seiring dengan kemajuan teknologi, berbagai metode otomatisasi presensi telah dikembangkan, termasuk penggunaan sistem berbasis biometrik dan teknologi berbasis lokasi.
Sistem presensi berbasis pengenalan wajah .
ace recognitio.
dan layanan berbasis lokasi (Location-Based Service/LBS) menawarkan solusi yang lebih akurat, efisien, dan aman dalam mendata kehadiran mahasiswa.
Dengan adanya integrasi teknologi ini, proses pencatatan presensi dapat dilakukan secara real-time, mengurangi kemungkinan kecurangan, serta meningkatkan transparansi dan keandalan data presensi.
Berbagai penelitian telah dilakukan terkait sistem presensi berbasis teknologi biometrik.
Salah satunya adalah penelitian yang mengimplementasikan metode K-Nearest Neighbors untuk meningkatkan akurasi dalam sistem pengenalan wajah.
Selain itu, metode Support Vector Machine juga sering digunakan dalam klasifikasi data wajah untuk meningkatkan keakuratan identifikasi individu.
Penggunaan metode ini dalam sistem presensi berbasis pengenalan wajah dan layanan berbasis lokasi memungkinkan pengembangan sistem yang lebih optimal dalam mendukung kegiatan akademik di perguruan tinggi.
Berdasarkan permasalahan yang telah diidentifikasi, penelitian ini mengangkat tema mengenai penerapan algoritma k-nearest neighbors dan support vector machine untuk pemindaian kehadiran mahasiswa berdasarkan based location dan face recognition.
Tujuan penelitian ini untuk mengembangkan prototye aplikasi presensi mahasiswa berbasis pengenalan wajah dan layanan berbasis lokasi yang lebih efektif dan efisien untuk membantu proses presensi dan mengukur tingkat keakuratan algoritma k-nearest neighbors dan support vector machine dalam mendapatkan data kehadiran mahasiswa.
Sistem ini akan memungkinkan mahasiswa melakukan presensi dengan mengambil foto selfie yang kemudian akan dianalisis menggunakan teknologi face recognition dan divalidasi dengan layanan berbasis lokasi.
Dengan penerapan algoritma k-nearest neighbors dan support vector machine dapat meningkatkan keakuratan dalam memindai dan mendata kehadiran mahasiswa di perguruan tinggi.
METODE
Penelitian ini menggunakan pendekatan metode K-Nearest Neighbors dan Support Vector Machine untuk mengembangkan untuk mengembangkan sistem presensi mahasiswa berbasis K- Nearest Neighbors dan Support Vector Machine secara bertahap melalui evaluasi dan perbaikan hingga diperoleh hasil yang optimal.
Ruang lingkup penelitian mencakup pengembangan sistem presensi berbasis teknologi lokasi dan pengenalan wajah.
Objek penelitian adalah mahasiswa di lingkungan perguruan tinggi yang mengikuti proses perkuliahan.
Variabel utama dalam penelitian ini meliputi presensi mahasiswa, yaitu kehadiran mahasiswa dalam perkuliahan yang diukur menggunakan metode berbasis lokasi dan pengenalan wajah.
Algoritma K-Nearest Neighbors digunakan untuk menentukan lokasi mahasiswa berdasarkan koordinat GPS, sedangkan Support Vector Machine digunakan untuk memvalidasi identitas mahasiswa melalui fitur wajah.
Keberhasilan sistem dalam mengenali wajah dan mendeteksi lokasi diukur menggunakan Confusion Matrix.
Rumus jarak Euclidean yang digunakan dalam KNearest Neighbors dapat dinyatakan sebagai berikut:
d ( p, q ) = Eu .
Oe p ) i =1 Dimana p dan q adalah dua titik dalam ruang dimensi n, dan d.
adalah jarak Euclidean antara keduanya.
Penelitian ini dilakukan di Universitas Binaniaga Indonesia, khususnya di Fakultas Informatika dan Komputer, dengan mahasiswa sebagai subjek penelitian.
Populasi penelitian mencakup mahasiswa yang terdaftar dalam sistem akademik perguruan tinggi dan mengikuti sistem presensi berbasis teknologi.
Penetuan sampel penelitian ditentukan dengan rumus slovin sebagai berikut:
E AEA E
2 E AEA E
d = 2.
arcsin( sin 2 E E cos(A1 ).
cos(A 2 ).
E 2 E
E 2 E
Keterangan:
n = Jumlah sampel N = Jumlah populasi e = Besaran kesalahan yang ditetapkan .
argin of erro.
Populasi penelitian ini berjumlah 110 mahasiswa.
Berdasarkan perhitungan menggunakan rumus slovin dengan taraf kepercayaan yaitu 20% diperoleh sampel sebanyak 20 mahasiswa yang dipilih berdasarkan keaktifan dalam Bahan utama yang digunakan dalam penelitian ini terdiri dari perangkat keras seperti smartphone dengan fitur GPS dan kamera, serta server untuk menyimpan data presensi.
Teknik pengumpulan data dilakukan melalui studi Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 literatur, yaitu dengan mengumpulkan informasi terkait sistem presensi berbasis biometrik dan lokasi.
Selain itu, dilakukan observasi terhadap sistem presensi manual yang masih memiliki kelemahan seperti penitipan absen dan kurangnya validasi kehadiran.
Metode kuesioner yang terdiri dari instrument ahli menggunakan black-box yang berfokus pada fungsionalitas sistem dan instrument pengguna dilakukan penyebaran kuesioner dengan menggunakan skala Likert untuk mengukur kepuasan pengguna terhadap sistem yang dikembangkan.
Teknik analisis data menggunakan metode perhitungan Confusion Matrix untuk mengukur akurasi sistem dengan parameter Precision.
Recall, dan F1-score.
Perhitungan dijelaskan sebagai berikut:
Precision: mengukur berapa banyak prediksi positif yang benar.
Pr ecision = Recall: mengukur berapa banyak kasus positif yang teridentifiksi dengan benar.
Re call = TP FP
TP FN
F1 score, merupakan perbandingan rata-rata presisi dan recall yang dibobotkan.
E Pr ecision .
Re call E F1 Oe score = 2E E Pr ecision Re call E Kombinasi precison dan recall, memberikan gambaran lebih seimbang mengenai performa model, karena keduanya saling melengkapi dalam menilai kemampuan sistem dalam mengidentifikasi kehadiran mahasiswa dengan akurasi yang tinggi.
Dengan metode ini, diharapkan sistem dapat mengurangi tingkat kecurangan dalam presensi mahasiswa, meningkatkan efektivitas pencatatan kehadiran secara real-time, serta memberikan data yang lebih valid dan akurat.
HASIL DAN PEMBAHASAN
HASIL
Penelitian ini mengembangkan sistem pemindaian kehadiran mahasiswa menggunakan algoritma K-Nearest Neighbors untuk deteksi lokasi geografis dan Support Vector Machine untuk validasi kehadiran melalui pengenalan wajah.
K-Nearest Neighbors Algoritma K-Nearest Neighbors (KNN) merupakan algortima supervised learning yang mengklasifikasi data baru berdasarkan kedekatan dengan tetangga terdekat dalam data pelatihan yang sudah dilabeli.
Pada penelitian ini algoritma k-nearest neighbors digunakan dalam mendeteksi lokasi mahasiswa untuk presensi bertujuan untuk meningkatkan akurasi pada sistem kehadiran berbasis lokasi.
Metode ini memanfaatkan data historis dari koordinat geografis lokasi mahasiswa.
Data historis lokasi berfungsi sebagai referensi untuk mendeteksi apakah mahasiswa berada di area kampus saat melakukan presensi.
Tabel dibawah ini menunjukan contoh data historis lokasi dengan koordinat geografis .
atitude dan longitud.
yang sudah diberi label: 1 untuk Audalam kampusAy dan 0 untuk Auluar kampusAy.
Tabel 1.
Tabel Data Historis Lokasi Latitude Longitude Label Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Fungsi dari data historis ini mendeteksi lokasi mahasiswa untuk melakukan presensi adalah sebagai acuan untuk mengidentifikasi apakah posisi mahasiswa saat melakukan presensi berada dalam area kampus atau tidak, sistem akan membandingkan posisi dengan titik-titik ini untuk memverifikasi lokasinya.
Untuk menghitung jarak antar dua titik pada permukaan bumi, digunakan rumus Haversine, yang memperhitungkan kelengkungan bumi.
Rumus Haversine digunakan untuk menghitung jarak antara dua titik berdasarkan koodinat geografis.
atitude dan longitud.
, dengan rumus sebagai berikut:
E AEA E
2 E AEA E
d = 2.
arcsin( sin 2 E E cos(A1 ).
cos(A 2 ).
E 2 E
E 2 E
Dimana:
I1.
1, 2
= jarak antar dua titik .
alam mete.
= radius bumi .
1 km, dikonversi ke mete.
= latitude titik 1 dan titik 2 .
= longitude titik 1dan titik 2 .
Sistem memilih sejumlah tetangga terdekat pada titik dengan jarak terpendek, lalu memberikan label berdasarkan mayoritas label dari tetangga terdekat tersebut.
Jika mayoritas tetangga terdekat menunjukan bahwa posisi mahasiswa berada Audalam kampusAy, maka mahasiswa dianggap berada dalam area yang valid untuk presensi.
Support Vector Machine Support vector machine merupakan metode yang digunakan untuk mengklasifikasikan wajah berdasarkan fitur-fitur yang diekstraksi dari gambar wajah, yang disimpan kedalam bentuk encoding.
Dengan menggunakan face_recogniton, sistem ini pertama mendeteksi lokasi wajah pada gambar yang diunggah, kemudian menghitung encoding wajah yang mewakili karakteristik unik dari setiap individu mahasiswa.
Fungsi keputusan untuk support vector machine sebagai berikut:
f ( .
= sign( w.
Dimana:
ncoding wajah.
vekror robot.
fungsi yang menghasilkan output kelas .
ositif atau negatif, dalam hal ini AudikenalAy atau Autidak dikenalA.
Proses pelatihan melibatkan pencarian w dan b yang memaksimalkan margin antara dua kelas.
Dengan metode ini memanfaatkan probabilitas, sistem dapat memverifikasi kecocokan wajah dengan akurasi yang Hasil deteksi yang diperoleh kemudian diperiksa terhadap dua ambang batas utama yaitu:
Confidence threshold, jika probabilitas yang diprediksi lebih rendah dari ambang batas, maka wajah dianggap tidak dikenal.
Distance threshold, jika jarak antara encoding wajah yang baru dan encoding wajah yang dikenali lebih besar dari ambang batas, maka wajah dianggap tidak di kenal.
Support vector machine yang dilatih dengan data wajah ini mampu mengenali mahasiswa dengan tingkat kepercayaan tinggi, bahkan jika terdapat variasi pada ekspresi wajah atau sudut pandang saat pengambilan Desain Kebutuhan Sistem Pada tahap ini hasil analisis kebutuhan sistem telah dilakukan, desain yang dikembangkan pada penelitian ini adalah diagram usecase yang menjadi acuan utama dalam pengembangan sistem presensi.
Diagram ini menampilkan hubungan antara aktor .
dmin dan mahasisw.
Diagram usecase yang digambarkan memiliki keterkaitan setiap aktor dan sistem yang membetuk uraian fungsional sebuah sistem yang dapat mengoptimalkan implementasi sistem untuk memenuhi tujuan yang telah ditetapkan.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Gambar 1.
Usecase Diagram Gambar 1, menggambarkan alur use case presensi yang telah dibuat.
Terdapat dua aktor dalam sistem Kegiatan yang dilakukan mahasiswa antara lain adalah melakukan proses login sistem, mendeteksi lokasi kampus serta melakukan pengenalan wajah untuk proses presensi.
Kegiatan yang dilakukan admin .
antara lain adalah mengelola data kehadiran mahasiswa, melihat laporan kehadiran mahasiswa, dan mengelola data mahasiswa.
Kemudian admin dapat melihat laporan kehadiran PEMBAHASAN Uji hasil yang digunakan dalam penelitian ini yaitu dengan cara menghitung confusion matrix untuk mengevaluasi kinerja algoritma k-nearest neighbors dan support vector machine dalam pemindaian kehadiran.
Evaluasi ini dilakukan untuk mengukur akurasi, presisi, dan recall dari sistem pemindaian kehadiran mahasiswa.
Pengujian berisi hasil deteksi lokasi aktual .
engan perhitungan manua.
dan hasil deteksi lokasi prediksi .
istem presensi mahasisw.
dengan jarak radius pada lokasi kampus sejauh 20 meter.
Jika jarak O 20 meter, mahasiswa berada dalam radius kampus.
Sebaliknya, jika jarak > 20 meter, mahasiswa berada diluar radius Selain itu, untuk memastikan keakuratan sistem, dilakukan perbandingan antara hasil pengujian sistem dengan data aktual yang diperoleh dari pengamatan manual.
Hasil pengujian menunjukkan bahwa sistem ini mampu mendeteksi kehadiran mahasiswa dengan tingkat akurasi yang sangat tinggi.
Evaluasi terhadap sistem dilakukan secara berulang untuk memastikan bahwa hasil yang diperoleh konsisten dan dapat diandalkan.
Berikut merupakan data pada tabel 2 yang berisi data uji hasil k-nearest neighbors:
Tabel 2.
Data Uji Hasil K-Nearest Neighbors Nama Lokasi mahasiswa Lokasi Kampus Jarak Idham 59306, 106.
59304, 106.
8 meter Risman 59298, 106.
59304, 106.
15 meter RaAoi 59321, 106.
59304, 106.
21 meter Isro 59314, 106.
59304, 106.
15 meter Fauzan 59320, 106.
59304, 106.
20 meter Elsa 59324, 106.
59304, 106.
24 meter Annisa 59307, 106.
59304, 106.
12 meter Harya 59312, 106.
59304, 106.
9 meter Daffa 59332, 106.
59304, 106.
32 meter Mahda 59552, 106.
59304, 106.
27 meter Aktual Prediksi Kategori Dalam Radius Dalam Radius Luar Radius Dalam Radius Dalam Radius Luar Radius Dalam Radius Dalam Radius Luar Radius Luar Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Luar Radius Dalam Radius Dalam Radius Luar Radius Luar Radius Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Nama Lokasi mahasiswa Lokasi Kampus Jarak Martin 59318, 106.
59304, 106.
20 meter Ihsan 59313, 106.
59304, 106.
18 meter Marwan -6.
59301, 106.
59304, 106.
13 meter Adis 59358, 106.
59304, 106.
60 meter Nami 59309, 106.
59304, 106.
10 meter Riza 59355, 106.
59304, 106.
57 meter Marshall -6.
59324, 106.
59304, 106.
21 meter Diva 59305, 106.
59304, 106.
13 meter Alya 59315, 106.
59304, 106.
20 meter Jesaya 59310, 106.
59304, 106.
14 meter Aktual Prediksi Kategori Dalam Radius Dalam Radius Dalam Radius Luar Radius Dalam Radius Luar Radius Luar Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Luar Radius Dalam Radius Luar Radius Dalam Radius Dalam Radius Dalam Radius Dalam Radius Didapatkan kategori dari semua data, kemudian dapat dihitung jumlah masing-masing kataegori yaitu True Positive (TP).
True Negative (TN).
False Positive (FP), dan False Negative (FN):
True Positive (TP): 13 (No: 1, 2, 4, 5, 7, 8, 11, 12, 13, 15, 18, 19, .
True Negative (TN): 5 (No: 6, 9, 10, 14, .
False Positive (FP): 2 (No: 3, .
False Negative (FN): 0.
Setelah didapatkan hasil confusion matrix, lalu hitung metrik-metrik evaluasi menggunakan rumus perhitunhan sebagai berikut:
Accuracy (Akuras.
Accuracy = TP TN
TP TN FP FN
Accuracy = 13 5
= 0,90 = 90%
15 5 2 10 20
Precision:
Pr ecision = TP FP Pr ecision = = 0,867 C 86,7% 13 2 15 Tabel 3 Data Uji Hasil Support Vector Machine Nama Mahasiswa Idham Risman RaAoi Isro Fauzan Confidence Batas (%) Thresold 80% Aktual Prediksi Kategori wajah dikenal wajah dikenal wajah dikenal wajah dikenal wajah tidak wajah dikenal wajah dikenal wajah dikenal wajah dikenal wajah tidak Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 Nama Mahasiswa Confidence Batas (%) Thresold 80% Elsa Annisa Harya Daffa Mahda Martin Ihsan Marwan Adis Nami Riza Marshall Diva Alya Jesaya Aktual wajah tidak wajah dikenal wajah dikenal wajah tidak wajah tidak wajah dikenal wajah dikenal wajah tidak wajah dikenal wajah dikenal wajah tidak wajah dikenal wajah dikenal wajah dikenal wajah dikenal Prediksi Kategori wajah dikenal wajah dikenal wajah dikenal wajah tidak wajah tidak wajah dikenal wajah dikenal wajah tidak wajah dikenal wajah dikenal wajah tidak wajah dikenal wajah dikenal wajah dikenal wajah dikenal Didapatkan kategori dari data diatas, kemudian dihitung jumlah masing-masing kataegori yaitu True Positive (TP).
True Negative (TN).
False Positive (FP), dan False Negative (FN):
True Positive (TP): 14 (No: 1, 2, 3, 4, 7, 8, 11, 12, 14, 15, 17, 18, 19, .
True Negative (TN): 5 (No: 5, 9, 10, 13, .
False Positive (FP): 1 (No: .
False Negative (FN): 0.
Setelah didapatkan hasil confusion matrix, lalu hitung metrik-metrik evaluasi menggunakan rumus perhitungan sebagai berikut:
Accuracy (Akuras.
Accuracy = TP TN
TP TN FP PN
Accuracy = 14 5
= 0,95 = 95%
14 5 1 10 20
Precision (Presis.
Pr ecision = TP PF Pr ecision = = 0,9333 C 93,3% 14 1 15 Recall (Sensitivita.
Re call = TP FN Re call = = 1,0 = 100% 14 0 14 F1 score:
E Pr ecision .
Re call E F1score = 2E E Pr ecision Re call E Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
September, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: 3109 - 1350 E 0,9333.
) E
E 0,9333 E
F1score = 2E
E = 2E
E = 0,9649 C 96,5%
E 0,9333 1 E
E 1,9333 E
Dari hasil perhitungan model Support Vector Machine diatas, diperoleh tingkat Accuracy: 95%.
Precision:
Recall: 100%, dan F1-score: 96.
Dengan demikian, hasil perhitungan untuk menentukan akurasi pada 2 pengujian metode ini menunjukkan bahwa algoritma k-nearest neighbors dan support vector machine mampu melalukan pemindaian kehadiran mahasiswa dengan sangat akurat dan menjadi lebih efektif secara signifikan meningkatkan hasil yang maksimal terkait deteksi lokasi dan pengenalan wajah.
KESIMPULAN
Berdasarkan hasil penelitian, dapat disimpulkan bahwa sistem pemindaian kehadiran mahasiswa berbasis lokasi dan pengenalan wajah menggunakan algoritma k-nearest neighbors dan support vector machine telah berhasil dikembangkan dengan tingkat akurasi yang tinggi.
Uji kelayakan menunjukkan bahwa sistem ini sangat layak untuk diterapkan dengan tingkat akurasi mencapai 96.
Sistem yang dikembangkan mampu meningkatkan efisiensi dan keamanan dalam proses presensi mahasiswa, serta mengurangi potensi kecurangan seperti penitipan Dengan penerapan metode k-nearest neighbors untuk deteksi lokasi dan support vector machine untuk validasi wajah, sistem ini memberikan solusi inovatif dalam lingkungan akademik.
Kontribusi penelitian ini diharapkan dapat menjadi acuan dalam pengembangan sistem presensi berbasis teknologi di institusi pendidikan Implementasi sistem ini dapat terus dikembangkan untuk meningkatkan fitur keamanan dan integrasi dengan sistem akademik yang lebih luas.
DAFTAR PUSTAKA