Penyesuaian Nilai Threshold Euclidean Distance terhadap Akurasi Pengenalan Wajah pada Sistem Absensi Real-Time

Mochamad Resta Fahlefi; Agus  Junaidi; Arif Ismail  Husin

doi:10.69693/ijmst.v4i3.11994

Authors

Mochamad Resta Fahlefi Universitas Bina Sarana Informatika, Jakarta
Agus Junaidi Universitas Bina Sarana Informatika, Jakarta
Arif Ismail Husin Universitas Bina Sarana Informatika, Jakarta

DOI:

https://doi.org/10.69693/ijmst.v4i3.11994

Keywords:

FaceNet, Euclidean Distance, Threshold, MTCNN, Absensi Wajah

Abstract

Nilai threshold Euclidean Distance berperan penting dalam sistem pengenalan wajah berbasis FaceNet karena menentukan keputusan penerimaan atau penolakan identitas pengguna. Pemilihan threshold yang tidak tepat dapat meningkatkan risiko kesalahan pengenalan, baik berupa penerimaan identitas yang salah maupun penolakan identitas yang benar. Penelitian ini bertujuan menganalisis pengaruh variasi nilai threshold terhadap akurasi, False Acceptance Rate (FAR), False Rejection Rate (FRR), dan Equal Error Rate (EER) pada sistem absensi real-time berbasis pengenalan wajah. Sistem yang dikembangkan menggunakan Multi-task Cascaded Convolutional Neural Network (MTCNN) untuk deteksi wajah dan FaceNet512 berbasis InceptionResNetV1 dengan bobot VGGFace2 untuk ekstraksi embedding wajah berdimensi 512. Pengujian dilakukan pada 19 variasi nilai threshold, yaitu 0,10 sampai 1,00, menggunakan dataset yang terdiri atas 40 identitas dan 200 citra wajah. Hasil penelitian menunjukkan bahwa nilai threshold optimal sebesar 0,75 menghasilkan akurasi 98,62%, FAR 0,00%, FRR 36,67%, dan EER 18,42%. Validasi operasional terhadap 1.389 transaksi absensi menunjukkan success rate sebesar 96,5%. Hasil ini menunjukkan bahwa kombinasi MTCNN dan FaceNet512 dengan optimasi threshold secara sistematis mampu menghasilkan performa yang lebih baik dibandingkan beberapa penelitian sejenis dengan akurasi pada rentang 92,00% hingga 96,50%. Dengan demikian, pendekatan yang diusulkan efektif untuk mendukung sistem absensi biometrik berbasis wajah yang akurat, aman, dan layak digunakan secara real-time.

References

Ahmad, M. S. Z., Ab. Aziz, N. A., & Ghazali, A. K. (2024). Development of automated attendance system using pretrained deep learning models. International Journal on Robotics, Automation and Sciences, 6(1), 1–8. https://doi.org/10.33093/ijoras.2024.6.1.1

Dang, T.-V. (2023). Smart attendance system based on improved facial recognition. Journal of Robotics and Control, 4(1), 53–61. https://doi.org/10.18196/jrc.v4i1.16685

Deng, J., Guo, J., Xue, N., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4690–4699. https://doi.org/10.1109/CVPR.2019.00482

Diez-Tomillo, F. I., Paredes-Parra, J. M., Mateo-Aroca, A., & Molina-Garcia, A. (2023). Face recognition system for remote worker identification using dynamic threshold adaptation. IEEE Access, 11. https://doi.org/10.1109/ACCESS.2023.3298442

Guo, G., & Zhang, N. (2019). A survey on deep learning based face recognition. Computer Vision and Image Understanding, 189, 102805. https://doi.org/10.1016/j.cviu.2019.102805

Huang, G. B., Ramesh, M., Berg, T., & Learned-Miller, E. (2007). Labeled faces in the wild: A database for studying face recognition in unconstrained environments. Jain, A. K., Nandakumar, K., & Ross, A. A. (2016). 50 years of biometric research: Accomplishments, challenges, and opportunities. Pattern Recognition Letters, 79, 80–105. https://doi.org/10.1016/j.patrec.2015.12.013

Meldyantono, R., & Poetro, B. S. W. (2024). Implementasi sistem absensi berbasis pengenalan wajah menggunakan metode CNN dan model FaceNet. Jurnal Teknologi Informasi dan Ilmu Komputer. Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 815–823. https://doi.org/10.1109/CVPR.2015.7298682

Serengil, S. I., & Ozpinar, A. (2024). A benchmark of facial recognition pipelines and co-usability performances of modules. Bogazici Journal, 38(1), 1–14. https://doi.org/10.21773/boun.38.1.1

Syarif, M. A., & Gunawan, W. (2025). Attendance system leveraging Haar Cascade detection and CNN-based FaceNet recognition technology. JOIV: International Journal on Informatics Visualization, 9(1). https://doi.org/10.30630/joiv.9.1.0000

Zhalgas, A., Amirgaliyev, Y., & Sovet, L. (2025). Biometric evaluation framework using Equal Error Rate for face recognition systems. International Journal of Advanced Computer Science and Applications, 16(1). Zhang, K., Zhang, Z., Li, Z., & Qiao, Y. (2016). Joint face detection and alignment using multitask cascaded convolutional networks. IEEE Signal Processing Letters, 23(10), 1499–1503. https://doi.org/10.1109/LSP.2016.2603342