Smart Attendance Berbasis Teknik Pengenalan Wajah Menggunakan Metode Haar Cascade Classifier

Pendahuluan

Sistem kehadiran tradisional sering kali memakan waktu dan rentan terhadap kesalahan manusia. Untuk mengatasi masalah ini, teknologi pengenalan wajah telah muncul sebagai solusi modern yang efisien dan akurat. Dalam artikel ini, kita akan membahas pengembangan sistem Smart Attendance berbasis pengenalan wajah dengan menggunakan metode Haar Cascade Classifier, Python, Flask, dan CodeIgniter 3 (CI3).

Apa itu Haar Cascade Classifier?

Haar Cascade Classifier adalah metode pengenalan objek yang berbasis deteksi fitur. Dikembangkan oleh Paul Viola dan Michael Jones, metode ini banyak digunakan untuk mendeteksi wajah dalam gambar atau video secara real-time. Keunggulan utama Haar Cascade adalah kecepatan dan efisiensinya, menjadikannya pilihan populer untuk aplikasi pengenalan wajah.

Arsitektur Sistem

Sistem Smart Attendance ini terdiri dari beberapa komponen utama:

1. Backend: Menggunakan Flask untuk menangani pengolahan data dan integrasi pengenalan wajah.

2. Frontend: Dibangun dengan CodeIgniter 3 untuk menyediakan antarmuka pengguna yang responsif dan intuitif.

3. Database: Digunakan untuk menyimpan data pengguna, log kehadiran, dan gambar referensi wajah.

4. Python OpenCV: Digunakan untuk implementasi Haar Cascade Classifier dalam mendeteksi wajah.

Langkah Implementasi

Berikut adalah langkah-langkah utama dalam membangun sistem Smart Attendance:

1. Persiapan Lingkungan

Instalasi library dan framework yang diperlukan:

pip install flask opencv-python mysql-connector-python

2. Deteksi dan Pengambilan Wajah

Gunakan Haar Cascade Classifier untuk mendeteksi wajah dan mengambil gambar untuk referensi.

import cv2

# Load Haar Cascade
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# Buka kamera
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
        face = frame[y:y+h, x:x+w]
        cv2.imwrite('dataset/user.jpg', face)

    cv2.imshow('frame', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

3. Penyimpanan Data

Gunakan database MySQL untuk menyimpan data pengguna dan kehadiran.

CREATE TABLE users (
    id INT AUTO_INCREMENT PRIMARY KEY,
    name VARCHAR(255),
    image_path VARCHAR(255)
);

CREATE TABLE attendance (
    id INT AUTO_INCREMENT PRIMARY KEY,
    user_id INT,
    date_time DATETIME DEFAULT CURRENT_TIMESTAMP
);

4. Integrasi dengan Flask

Flask digunakan untuk menghubungkan pengenalan wajah dengan sistem pencatatan kehadiran.

from flask import Flask, request, jsonify
import mysql.connector

app = Flask(__name__)

@app.route('/mark_attendance', methods=['POST'])
def mark_attendance():
    user_id = request.json['user_id']
    connection = mysql.connector.connect(user='root', password='', host='127.0.0.1', database='attendance_system')
    cursor = connection.cursor()
    cursor.execute("INSERT INTO attendance (user_id) VALUES (%s)", (user_id,))
    connection.commit()
    return jsonify({"message": "Attendance marked successfully"})

if __name__ == '__main__':
    app.run(debug=True)

5. Antarmuka Pengguna dengan CodeIgniter 3

Bangun antarmuka untuk menampilkan data kehadiran secara real-time menggunakan CI3.

Kesimpulan

Sistem Smart Attendance berbasis pengenalan wajah dengan Haar Cascade Classifier adalah solusi modern untuk meningkatkan efisiensi pencatatan kehadiran. Dengan memanfaatkan Python, Flask, dan CI3, sistem ini dapat diintegrasikan dengan berbagai aplikasi yang relevan di dunia nyata.

Penutup

Dengan artikel ini, diharapkan Anda dapat memahami langkah-langkah penting dalam membangun sistem kehadiran berbasis teknologi pengenalan wajah. Solusi ini dapat diterapkan di institusi pendidikan, perusahaan, atau organisasi lainnya untuk meningkatkan efisiensi operasional.