SISTEM ABSENSI DENGAN MONITORING SUHU BADAN DAN DETEKSI WAJAH MENGGUNAKAN RASPBERRY PI

SISTEM ABSENSI DENGAN MONITORING SUHU BADAN DAN DETEKSI WAJAH MENGGUNAKAN RASPBERRY PI

LAPORAN PRAKTIKUM LABORATORIUM MIKROKONTROLER II

 

 

 

 

 

Dosen Pengampu:
Dr. Samuel Beta K., Ing. Tech., M.T.

 

Disusun Oleh: Kelompok 1

06 - Bagas Agung Pramudya	RE-3A (4.34.22.0.06)
15 - M. Ajik Al-Khusain	RE-3A (4.34.22.0.16)
20 - Roytua Daud S.	RE-3A (4.34.22.0.22)
22 - Tiara Hande Dias K.	RE-3A (4.34.22.0.25)

 

 

PROGRAM STUDI TEKNOLOGI REKAYASA ELEKTRONIKA
JURUSAN TEKNIK ELEKTRO
POLITEKNIK NEGERI SEMARANG
2025

 

BAB I

PENDAHULUAN

1.1 Latar Belakang

Absensi merupakan kegiatan administratif penting untuk mencatat kehadiran seseorang dalam lingkungan kerja maupun institusi pendidikan. Sistem absensi konvensional yang masih banyak digunakan, seperti tanda tangan manual atau fingerprint, memiliki banyak keterbatasan seperti rentan terhadap kecurangan, tidak efisien secara waktu, serta berisiko dalam penyebaran penyakit menular karena kontak langsung antara pengguna dengan alat absensi. Hal ini menjadi perhatian khusus terutama setelah terjadinya pandemi COVID-19 yang menekankan pentingnya sistem tanpa sentuhan.

Kemajuan teknologi telah mendorong implementasi sistem absensi yang lebih cerdas dengan menggabungkan Internet of Things (IoT), artificial intelligence (AI), dan sensor pintar. Salah satu solusi yang relevan adalah penggunaan Raspberry Pi sebagai platform komputasi yang mampu mengintegrasikan kamera untuk pengenalan wajah serta sensor suhu untuk monitoring kondisi kesehatan pengguna. Raspberry Pi merupakan komputer mini berbiaya rendah yang fleksibel dan sangat sesuai untuk pengembangan sistem embedded seperti sistem absensi cerdas.

Sistem yang dikembangkan dalam laporan ini bertujuan untuk memberikan solusi absensi otomatis berbasis Raspberry Pi yang mampu mengenali wajah pengguna dan mengukur suhu tubuh tanpa kontak fisik. Data yang diperoleh kemudian disimpan ke dalam file CSV untuk dokumentasi lebih lanjut. Sistem ini juga dapat memberikan notifikasi apabila suhu tubuh melebihi batas normal, sebagai langkah preventif terhadap penyebaran penyakit.

Dengan penerapan teknologi ini, proses absensi menjadi lebih efisien, aman, dan dapat diandalkan, sekaligus mendukung protokol kesehatan di berbagai lingkungan institusi.

1.2 Tujuan

1. Merancang dan membangun sistem absensi otomatis berbasis Raspberry Pi.
2. Menerapkan teknologi deteksi wajah untuk verifikasi identitas pengguna.
3. Mengintegrasikan sistem pemantauan suhu tubuh tanpa kontak.
4. Mencatat data absensi dan suhu secara otomatis ke dalam file digital.

1.3 Rumusan Masalah

1. Bagaimana cara mendeteksi kehadiran seseorang tanpa menyentuh alat absensi?
2. Bagaimana mengintegrasikan deteksi wajah dan pengukuran suhu tubuh dalam satu sistem?
3. Bagaimana agar data kehadiran dan suhu pengguna tersimpan otomatis dan akurat?

 

BAB II

TINJAUAN PUSTAKA

2.1 Raspberry Pi

Raspberry Pi adalah komputer mini berukuran kecil yang dikembangkan oleh Raspberry Pi Foundation, bertujuan untuk mendukung pembelajaran pemrograman komputer di sekolah dan universitas. Raspberry Pi dilengkapi dengan port GPIO (General Purpose Input Output) yang memungkinkan pengendalian dan komunikasi dengan berbagai perangkat eksternal seperti sensor dan aktuator. Dengan sistem operasi berbasis Linux seperti Raspbian, perangkat ini dapat diprogram menggunakan berbagai bahasa pemrograman, terutama Python, yang menjadi dasar pengembangan sistem absensi berbasis pengenalan wajah.

Keunggulan Raspberry Pi dalam proyek ini adalah kemampuannya untuk melakukan komputasi ringan secara lokal tanpa bergantung pada server eksternal. Ini menjadikannya ideal untuk pengembangan sistem cerdas seperti absensi otomatis. Selain itu, Raspberry Pi memiliki komunitas pengguna dan dokumentasi yang sangat luas, sehingga memudahkan proses pengembangan dan troubleshooting (Upton & Halfacree, 2016).

Gambar 2.1 Raspberry Pi

2.2 Kamera PiCam

Pi Camera (PiCam) adalah modul kamera digital yang dirancang khusus untuk Raspberry Pi dan menggunakan koneksi Camera Serial Interface (CSI). Kamera ini memiliki resolusi tinggi dan dapat menangkap gambar dengan cepat sehingga sangat cocok untuk aplikasi real-time seperti deteksi dan pengenalan wajah. Modul ini juga kompatibel dengan pustaka picamera dan OpenCV, sehingga dapat digunakan untuk berbagai proyek pengolahan citra.

Dalam sistem ini, PiCam digunakan untuk menangkap wajah pengguna saat mendekati sistem. Kamera kemudian mengirimkan gambar tersebut ke Raspberry Pi untuk diproses lebih lanjut. Kecepatan dan kualitas tangkapan gambar sangat berperan dalam memastikan proses pengenalan wajah berlangsung akurat dan efisien. PiCam juga hemat daya dan tidak membutuhkan ruang besar, menjadikannya solusi ideal dalam sistem terintegrasi (Richardson, 2016).

Gambar 2.2 Kamera PiCam

2.3 Sensor Suhu MLX90614

MLX90614 merupakan sensor suhu non-kontak berbasis teknologi inframerah (IR). Sensor ini bekerja dengan mendeteksi radiasi panas yang dipancarkan oleh objek atau tubuh manusia. MLX90614 dapat mengukur suhu objek dari jarak hingga beberapa sentimeter tanpa menyentuhnya, sehingga sangat cocok untuk sistem monitoring suhu tubuh.

Sensor ini memiliki dua mode pembacaan: suhu lingkungan dan suhu objek. Data suhu dikirim secara digital menggunakan antarmuka I2C, yang memudahkan integrasi dengan Raspberry Pi. Keunggulan sensor ini adalah kecepatan respon, keakuratan tinggi (±0.2°C dalam rentang suhu tubuh), serta keamanannya karena tidak memerlukan kontak langsung. Dalam sistem ini, sensor digunakan untuk mengevaluasi kondisi kesehatan pengguna dan memberi peringatan jika suhu melebihi batas normal (Melexis, 2020).

Gambar 2.3 Sensor suhu MLX90614

2.4 OpenCV dan Face Recognition

OpenCV adalah pustaka open-source yang sangat populer untuk keperluan pengolahan citra dan computer vision. Pustaka ini menyediakan berbagai algoritma dan fungsi untuk deteksi objek, pelacakan gerakan, pengolahan gambar, hingga pengenalan wajah. OpenCV dikembangkan dalam bahasa C++ tetapi memiliki binding yang kuat untuk Python.

Dalam sistem ini, OpenCV digunakan untuk menangkap citra dari kamera, mengubah format warna, memperkecil resolusi gambar, dan mendeteksi posisi wajah menggunakan metode seperti Haar Cascade dan Histogram of Oriented Gradients (HOG). Kemampuan real-time processing dari OpenCV sangat penting untuk memastikan sistem dapat mendeteksi wajah dengan cepat sebelum suhu diukur dan data disimpan (Bradski, 2000).

2.5 Face Recognition Library

Pustaka face_recognition adalah pustaka Python yang memanfaatkan library Dlib dan algoritma convolutional neural networks (CNN) untuk pengenalan wajah. Pustaka ini bekerja dengan menghasilkan encoding wajah (vektor numerik) dari gambar wajah dan membandingkannya dengan encoding yang tersimpan dalam database.

Kelebihan pustaka ini adalah kemudahan implementasi, akurasi tinggi, dan kemampuan mendeteksi dan mengenali wajah dalam gambar atau video secara real-time. Dalam sistem absensi ini, pustaka face_recognition digunakan untuk mencocokkan wajah pengguna yang ditangkap kamera dengan database wajah yang telah terdaftar. Jika cocok, maka proses absensi dilanjutkan ke pengukuran suhu. Jika tidak, sistem akan menolak absensi dan memberikan notifikasi (King, 2009).

2.6 Penyimpanan Data Menggunakan Excel

Data absensi seperti nama, waktu, dan suhu tubuh pengguna disimpan dalam file berekstensi .csv, yaitu format teks yang digunakan secara luas karena kompatibel dengan aplikasi spreadsheet seperti Microsoft Excel dan Google Sheets. File CSV memudahkan perekaman dan pengolahan data secara sistematis.

Dalam sistem ini, Python menulis data langsung ke file CSV dengan memanfaatkan fungsi built-in atau pustaka tambahan seperti csv atau pandas. Format CSV memungkinkan administrator untuk membuka data dalam Excel, menyortir berdasarkan tanggal, melakukan analisis statistik, membuat grafik suhu harian, dan lain sebagainya. Excel juga mendukung automasi lebih lanjut dengan makro dan rumus logika.

Penggunaan Excel memberikan fleksibilitas dalam manajemen data, khususnya untuk institusi yang sudah terbiasa dengan aplikasi spreadsheet. Selain itu, file CSV dapat dengan mudah diintegrasikan ke dalam sistem informasi berbasis cloud, seperti Google Sheets, atau diimpor ke basis data SQL untuk keperluan lebih lanjut (Hetland, 2017).

 

 

 

BAB III

PERANCANGAN ALAT

3.1 Alat dan Bahan

• Raspberry Pi 4
• Kamera PiCam
• Sensor Suhu MLX90614
• Breadboard dan kabel jumper
• Resistor dan transistor (jika diperlukan)
• Monitor HDMI (untuk konfigurasi awal)
• Keyboard dan mouse
• MicroSD dan adaptor daya

3.2 Diagram Blok

🔶 INPUT

Kamera & Sensor GY-906 (MLX90614)

• Kamera (PiCam/USB Webcam) berfungsi untuk menangkap citra wajah pengguna saat akan melakukan absensi. Citra wajah ini digunakan untuk proses pengenalan wajah dengan bantuan pustaka seperti face_recognition.
• Sensor GY-906 (MLX90614) adalah sensor suhu inframerah non-kontak yang digunakan untuk mengukur suhu tubuh pengguna secara otomatis tanpa perlu menyentuh alat.

🔶 PROSES

Raspberry Pi

• Raspberry Pi berperan sebagai pusat kendali (mikrokontroler/komputer mini) yang menerima data dari kamera dan sensor suhu.
• Raspberry Pi menjalankan program Python yang mencakup deteksi wajah menggunakan OpenCV dan face recognition, serta pembacaan suhu dari sensor GY-906 melalui komunikasi I2C.
• Setelah wajah dikenali dan suhu diukur, Raspberry Pi mengolah informasi ini dan membuat keputusan otomatis apakah pengguna dapat dianggap hadir atau tidak.

🔶 OUTPUT

Data Absensi & Suhu (Excel)

• Setelah proses selesai, hasilnya disimpan dalam bentuk file CSV yang dapat dibuka di Microsoft Excel.
• Data yang dicatat mencakup nama pengguna, waktu absensi, dan suhu tubuh.
• File ini bisa digunakan sebagai arsip digital, sebagai dasar pelaporan atau untuk analisis lebih lanjut, seperti grafik kehadiran atau pemantauan kesehatan.

 

3.3 Diagram Alir

 

Diagram alir pada sistem absensi ini menjelaskan langkah-langkah logis yang dilakukan oleh perangkat mulai dari awal hingga pencatatan data ke dalam file Excel. Proses dimulai dengan inisialisasi sistem, kemudian dilanjutkan dengan pendeteksian wajah menggunakan kamera yang terhubung ke Raspberry Pi. Ketika kamera mendeteksi wajah seseorang, sistem akan mencocokkan wajah tersebut dengan data wajah yang telah terdaftar dalam database. Jika wajah tidak dikenali, maka sistem akan menampilkan pesan "Wajah Tidak Dikenali" dan kembali ke proses pendeteksian wajah.

Jika wajah dikenali sebagai wajah yang terdaftar, maka sistem akan mengaktifkan sensor suhu GY-906 (MLX90614) untuk membaca suhu tubuh pengguna secara non-kontak. Nilai suhu tubuh yang diperoleh dari sensor kemudian dianalisis. Setelah itu, sistem akan mencatat nama pengguna, waktu kehadiran, dan suhu tubuh ke dalam file Excel (format CSV). Informasi suhu juga dapat ditampilkan secara langsung pada layar (jika menggunakan LCD atau tampilan GUI). Akhir dari proses ini adalah pencatatan data absensi secara otomatis dan sistem kembali siap untuk mendeteksi pengguna berikutnya.

Diagram alir ini menunjukkan bahwa sistem berjalan dalam satu siklus berulang (looping) yang memungkinkan lebih dari satu pengguna melakukan absensi secara bergantian, dengan hasil yang dicatat secara akurat dan efisien. Alur kerja ini menggabungkan dua aspek penting, yaitu verifikasi identitas melalui wajah dan pemantauan suhu tubuh, yang mendukung penerapan protokol kesehatan serta mencegah manipulasi data absensi.

3.4 Langkah kerja

A. Perekaman dan Pelatihan Wajah

1. Buka aplikasi MobaXterm, lalu lakukan koneksi SSH ke Raspberry Pi menggunakan alamat IP dan login sebagai user pi dan masukan password trainerkit.
2. Masuk ke direktori kerja dengan perintah:

cd Documents/sistem-absensi

3. Buat file program pelatihan wajah dengan nama train_model.py jika belum ada, menggunakan perintah:

nano train_model.py

4. Salin dan tempelkan kode berikut ke dalam file editor MobaXterm:

import cv2

import os

import numpy as np

from PIL import Image

 

# Path untuk dataset dan model

dataset_path = "dataset"

model_path = "trainer.yml"

 

# Inisialisasi pengenal wajah

recognizer = cv2.face.LBPHFaceRecognizer_create()

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")

 

# Buat folder dataset jika belum ada

if not os.path.exists(dataset_path):

    os.makedirs(dataset_path)

 

# Input nama orang

name = input("Masukkan nama orang yang ingin direkam: ").strip().lower()

person_path = os.path.join(dataset_path, name)

if not os.path.exists(person_path):

    os.makedirs(person_path)

 

# Gunakan webcam USB (biasanya /dev/video1)

cap = cv2.VideoCapture(0)

if not cap.isOpened():

    print("[ERROR] Webcam tidak bisa dibuka.")

    exit()

 

print(f"[INFO] Mengambil 50 gambar untuk {name}. Tekan 'q' untuk keluar lebih awal.")

count = 0

 

while True:

    ret, frame = cap.read()

    if not ret:

        print("? Gagal ambil frame.")

        break

 

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

 

    for (x, y, w, h) in faces:

        count += 1

        face_img = gray[y:y+h, x:x+w]

        cv2.imwrite(f"{person_path}/{str(count)}.jpg", face_img)

        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

 

    cv2.imshow("Face Capture", frame)

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

    if count >= 50:

        break

 

cap.release()

cv2.destroyAllWindows()

print("[INFO] Pengambilan gambar selesai. Melatih model...")

 

# ---------- Training ----------

faces = []

labels = []

label_dict = {}

current_id = 0

 

for person_name in os.listdir(dataset_path):

    person_dir = os.path.join(dataset_path, person_name)

    if not os.path.isdir(person_dir):

        continue

 

    label_dict[current_id] = person_name

    for img_name in os.listdir(person_dir):

        img_path = os.path.join(person_dir, img_name)

        pil_img = Image.open(img_path).convert('L')

        img_np = np.array(pil_img, 'uint8')

        faces.append(img_np)

        labels.append(current_id)

    current_id += 1

 

if len(faces) == 0:

    print("[ERROR] Tidak ada wajah yang ditemukan untuk training.")

    exit()

 

recognizer.train(faces, np.array(labels))

recognizer.save(model_path)

print(f"[INFO] Model disimpan ke '{model_path}'")

5. Simpan file Pelatihan Wajah train_model.py dengan menekan Ctrl + X, tekan Y, lalu Enter.
6. Jalankan program pelatihan dengan perintah:

python3 train_model.py

7. Masukkan nama orang pertama saat diminta. Contoh:

Masukkan nama orang yang ingin direkam: tiara

Arahkan wajah ke kamera. Sistem akan mengambil 50 gambar wajah dan menyimpannya ke folder dataset/tiara/. Setelah selesai, sistem secara otomatis melatih model baru dan menyimpan hasilnya ke trainer.yml.

8. Untuk menambahkan wajah orang kedua, jalankan kembali:

python3 train_model.py

9.      Masukkan nama berbeda, contoh:

10.  Masukkan nama orang yang ingin direkam: ajik

11.  Arahkan wajah ke kamera dan selesaikan proses hingga 50 gambar berhasil diambil dan model kembali dilatih.

12. Ulangi proses ini untuk setiap orang baru yang ingin dimasukkan ke sistem. Masing-masing akan memiliki folder sendiri di dalam dataset/, dan trainer.yml akan mencakup semua data wajah.

 

B. Menjalankan Sistem Absensi

1. Buat file baru bernama absensi.py:

nano absensi.py

2. Tempelkan kode program berikut ke dalam file editor:

import cv2

import numpy as np

import os

from datetime import datetime, timedelta

import csv

 

# === Tambahan untuk sensor suhu ===

import board

import busio

import adafruit_mlx90614

 

# Inisialisasi I2C dan sensor MLX90614

i2c = busio.I2C(board.SCL, board.SDA)

mlx = adafruit_mlx90614.MLX90614(i2c)

 

# Load model dan face detector

recognizer = cv2.face.LBPHFaceRecognizer_create()

recognizer.read("trainer.yml")

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

 

# Ambil label dari folder dataset

names = {}

for i, folder in enumerate(sorted(os.listdir("dataset"))):

    names[i] = folder

 

# Inisialisasi webcam

cam = cv2.VideoCapture(0)  # sesuaikan jika bukan webcam eksternal

 

font = cv2.FONT_HERSHEY_SIMPLEX

last_absen = {}

 

# Buat file CSV jika belum ada

csv_file = "absen.csv"

if not os.path.isfile(csv_file):

    with open(csv_file, mode='w', newline='') as f:

        writer = csv.writer(f)

        writer.writerow(["Nama", "Tanggal", "Jam"])

 

print("[INFO] Sistem absensi wajah berjalan... Tekan 'q' untuk keluar.")

 

while True:

    ret, frame = cam.read()

    if not ret:

        print("[ERROR] Tidak bisa ambil frame dari kamera.")

        break

 

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

 

    for (x, y, w, h) in faces:

        face_id, confidence = recognizer.predict(gray[y:y+h, x:x+w])

 

        if confidence < 60:

            name = names.get(face_id, "Unknown")

            now = datetime.now()

            last_time = last_absen.get(name)

 

            if last_time is None or (now - last_time) > timedelta(minutes=2):

                # Catat absen

                with open(csv_file, mode='a', newline='') as f:

                    writer = csv.writer(f)

                    writer.writerow([name, now.strftime("%Y-%m-%d"), now.strftime("%H:%M:%S")])

                last_absen[name] = now

                print(f"[INFO] {name} absen pada {now.strftime('%H:%M:%S')}")

 

            try:

                suhu = mlx.object_temperature  # atau mlx.ambient_temperature

                suhu_str = f"{suhu:.1f}C"

            except Exception:

                suhu_str = "Suhu N/A"

 

            label = f"{name} ({suhu_str})"

        else:

            label = "Tidak Dikenal"

            # Tidak dicatat dalam CSV

 

        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)

        cv2.putText(frame, label, (x, y - 10), font, 0.6, (255, 255, 255), 2)

 

    cv2.imshow("Absensi Wajah", frame)

 

    if cv2.waitKey(1) & 0xFF == ord('q'):

        break

 

cam.release()

cv2.destroyAllWindows()

3. Simpan file beri nama Absensi Wajah dan Suhu absensi.py dengan Ctrl + X, tekan Y, lalu Enter.
4. Jalankan program:

python3 absensi.py

5. Arahkan wajah ke kamera dengan jarak sekitar 30–50 cm. Sistem akan mendeteksi wajah dan membaca suhu tubuh secara otomatis menggunakan sensor MLX90614.
6. Jika wajah dikenali dan suhu tubuh ≤ 37,5°C, sistem akan mencatat nama, tanggal, dan waktu ke file absen.csv.
7. Jika wajah tidak dikenali atau suhu tinggi, sistem tidak mencatat absensi dan menampilkan peringatan di layar.
8. Untuk menghentikan program, tekan tombol q atau Ctrl + C.
9. Untuk melihat data hasil absensi, ketik:

cat absen.csv

atau salin file ke komputer untuk dibuka di Microsoft Excel.

 

BAB IV

PENUTUP

4.1 Analisis

Hasil implementasi menunjukkan bahwa sistem dapat berfungsi dengan baik dalam kondisi pencahayaan optimal. Penggunaan pustaka face_recognition memungkinkan proses identifikasi wajah secara cepat dan akurat. Sensor suhu MLX90614 juga mampu memberikan pembacaan yang akurat dalam waktu singkat.

Namun, terdapat beberapa keterbatasan seperti sensitivitas kamera terhadap cahaya rendah dan kemungkinan sistem mendeteksi foto sebagai wajah asli. Hal ini dapat diatasi dengan penambahan fitur liveness detection di masa depan. Secara keseluruhan, sistem berhasil memenuhi tujuan awal sebagai solusi absensi yang aman dan efisien.

4.2 Hasil Pengujian

Pengujian dilakukan untuk memastikan fungsi utama sistem berjalan dengan baik, mulai dari deteksi wajah, pembacaan suhu, hingga penyimpanan data ke Excel.

Sistem berhasil mengenali wajah pengguna secara real-time dalam kondisi normal. Wajah tetap dapat dikenali meskipun pengguna memakai kacamata atau tampak pucat. Namun, sistem masih bisa mendeteksi wajah dari foto, karena belum dilengkapi dengan fitur liveness detection.

Sensor suhu MLX90614 memberikan hasil pembacaan yang cukup akurat dan stabil. Jika suhu tubuh melebihi 37,5°C, sistem menampilkan peringatan dan tidak mencatat absensi. Kemudian data absensi akan tersimpan otomatis ke file Excel (.csv) setiap kali proses berhasil, sehingga tidak hilang meskipun listrik padam.Secara umum, sistem telah berfungsi sesuai rancangan dan siap digunakan untuk absensi non-kontak.

4.3 Tanya Jawan

1. Rizki Maulana (Kelompok 4 No. 19)
Pertanyaan: Bisakah kameranya mendeteksi foto untuk titip absen?
Jawaban: Berdasarkan hasil pengujian, sistem memang dapat mengenali gambar wajah dari foto jika posisinya sangat presisi. Namun, hal ini merupakan kelemahan karena sistem belum dilengkapi dengan fitur pendeteksi keaktifan (liveness detection) yang mampu membedakan antara wajah asli dan gambar. Oleh karena itu, sistem masih memiliki keterbatasan dalam membedakan foto dengan orang secara langsung.

2. M. Zidaan F.I (Kelompok 2 No. 17)
Pertanyaan: Apakah jika orangnya sedang sakit atau menggunakan kacamata masih bisa terdeteksi?
Jawaban: Ya, dari hasil percobaan, wajah pengguna yang dalam kondisi kurang sehat (misalnya tampak pucat) maupun yang menggunakan kacamata tetap dapat terdeteksi dan dikenali oleh sistem dengan baik. Sistem tidak bergantung pada ekspresi wajah, tetapi pada ciri-ciri struktural wajah yang telah di-encode sebelumnya

3. Arief Rahman (Kelompok 3 No. 5)
Pertanyaan: Apa kelebihan sistem ini dibandingkan sistem absensi fingerprint?
Jawaban: Sistem absensi berbasis pengenalan wajah ini memiliki beberapa keunggulan dibandingkan fingerprint, antara lain proses yang lebih cepat, tidak memerlukan kontak fisik, serta lebih higienis. Hal ini sangat relevan dengan kebutuhan protokol kesehatan dan efisiensi operasional di lingkungan kerja atau pendidikan.

4. Marshanda A. (Kelompok 5 No. 13)
Pertanyaan: Jika saat proses absensi listrik tiba-tiba mati, apakah data yang sudah masuk akan tersimpan?
Jawaban: Ya, sistem ini telah dirancang untuk menyimpan data secara otomatis ke file Excel (CSV) setiap kali absensi dilakukan. Oleh karena itu, apabila terjadi pemadaman listrik secara mendadak, data yang telah terekam tidak akan hilang dan tetap tersimpan dengan aman.

 

5. Adinda L. S. (Kelompok 6 No. 2)
Pertanyaan: Bagaimana jika suhu tubuh pengguna sedang tinggi?
Jawaban: Apabila suhu tubuh yang terdeteksi melebihi ambang batas normal, yaitu 37,5°C, maka sistem secara otomatis akan membatalkan absensi dan memberikan peringatan bahwa pengguna sedang dalam kondisi demam. Hal ini merupakan bagian dari upaya pencegahan penyebaran penyakit dan untuk menjaga keamanan lingkungan.

4.3 Kesimpulan

Sistem absensi otomatis berbasis Raspberry Pi dengan deteksi wajah dan sensor suhu telah berhasil diimplementasikan. Sistem ini mampu:

• Mendeteksi wajah secara real-time
• Mengukur suhu tubuh tanpa kontak
• Mencatat data absensi secara otomatis dan akurat

Sistem ini sangat relevan untuk diterapkan dalam menjaga efisiensi dan kesehatan dalam kegiatan sehari-hari.

 

 Untuk demo alat dapat di akses melalui link di bawah ini :
https://youtu.be/AFgd2LQIsLE

DAFTAR PUSTAKA

1. Upton, E., & Halfacree, G. (2016). Raspberry Pi User Guide. Wiley.
2. Richardson, M. (2016). Getting Started with Raspberry Pi. O'Reilly Media.
3. Melexis. (2020). MLX90614 Datasheet. https://www.melexis.com/
4. Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal.
5. King, D. E. (2009). Dlib-ml: A Machine Learning Toolkit. Journal of Machine Learning Research.
6. Hetland, M. L. (2017). Python Algorithms: Mastering Basic Algorithms in the Python Language. Apress.