Penerapan Convolutional Neural Network untuk Pengenalan Wajah pada Sistem Presensi Digital
DOI:
https://doi.org/10.67142/edutik.v6i4.519Keywords:
Convolutional Neural Network, pengenalan wajah, presensi digital, deep learning, autentikasi biometricAbstract
ABSTRAK
Perubahan garis pantai merupakan fenomena dinamis yang dipengaruhi oleh faktor alami maupun aktivitas manusia dan dapat berdampak terhadap kondisi lingkungan serta pemanfaatan wilayah pesisir. Penelitian ini bertujuan untuk menganalisis perubahan garis pantai di Teluk Manado, Sulawesi Utara, selama periode 2015–2025 menggunakan metode Net Shoreline Movement (NSM) yang diintegrasikan dengan Digital Shoreline Analysis System (DSAS). Data yang digunakan berupa citra satelit Landsat 8 dan Landsat 9 tahun 2015, 2020, dan 2025 yang diperoleh dari United States Geological Survey (USGS). Tahapan penelitian meliputi pengolahan citra satelit, digitasi garis pantai, pembuatan baseline dan transek, serta analisis perubahan garis pantai menggunakan metode NSM. Hasil penelitian menunjukkan bahwa Teluk Manado mengalami perubahan garis pantai yang cukup signifikan dengan pola abrasi dan akresi yang bervariasi pada setiap segmen pantai. Nilai abrasi maksimum yang diperoleh mencapai -143,56 meter, sedangkan nilai akresi maksimum mencapai 95,05 meter. Sebaran abrasi lebih dominan dibandingkan akresi dan umumnya ditemukan pada kawasan pantai yang langsung berhadapan dengan Laut Sulawesi, sementara akresi banyak terjadi pada kawasan yang dipengaruhi oleh proses sedimentasi dan aktivitas reklamasi pantai. Hasil analisis menunjukkan bahwa metode NSM mampu mengidentifikasi perubahan garis pantai secara efektif dan memberikan informasi spasial mengenai pola abrasi dan akresi di Teluk Manado. Informasi tersebut dapat dimanfaatkan sebagai dasar dalam pengelolaan wilayah pesisir, mitigasi abrasi, serta perencanaan pembangunan kawasan pantai yang berkelanjutan.
ABSTRACT
Changes in the coastline are a dynamic phenomenon influenced by natural factors as well as human activities and can impact the environmental conditions and use of coastal areas. This study aims to analyze changes in the coastline in Manado Bay, North Sulawesi, over the period 2015–2025 using the Net Shoreline Movement (NSM) method integrated with the Digital Shoreline Analysis System (DSAS). The data used consists of Landsat 8 and Landsat 9 satellite images from 2015, 2020, and 2025 obtained from the United States Geological Survey (USGS). The research stages include processing satellite images, digitizing the coastline, creating baselines and transects, and analyzing coastline changes using the NSM method. The results show that Manado Bay experienced quite significant changes in the coastline with patterns of erosion and accretion varying in each coastal segment. The maximum erosion value obtained reached -143.56 meters, while the maximum accretion value reaches 95.05 meters. Abrasion is more widespread than accretion and is generally found on coastal areas directly facing the Sulawesi Sea, while accretion mostly occurs in areas influenced by sedimentation processes and coastal reclamation activities. The analysis results show that the NSM method can effectively identify coastline changes and provide spatial information about abrasion and accretion patterns in Manado Bay. This information can be used as a basis for coastal area management, abrasion mitigation, and planning for sustainable coastal development.
Downloads
References
Astuti, I. P., Febriyanti, F. A., & Zulkarnain, I. A. (2025). Implementasi CNN untuk Sistem Absensi Wajah di Madrasah Diniyah. Komputika: Jurnal Sistem Komputer, 14(2), 241-249.
Khair, M. A., Aldiyuda, P., Zukhrufa, M. Z., & Adrezo, M. (2024). Perancangan Sistem Absensi Mahasiswa Berbasis Face Recognition di Lingkungan UPN Veteran Jakarta. Informatik: Jurnal Ilmu Komputer, 20(1), 35-42.
Meldyantono, A. P., & Poetro, B. S. W. (2025). Implementasi sistem absensi berbasis pengenalan wajah menggunakan metode CNN dan model FaceNet. Jurnal Rekayasa Sistem Informasi Dan Teknologi, 2(3), 996.
Purwono, P., Ma'arif, A., Rahmaniar, W., Fathurrahman, H. I. K., Frisky, A. Z. K., & ul Haq, Q. M. (2022). Understanding of convolutional neural network (cnn): A review. International Journal of Robotics and Control Systems, 2(4), 739-748.
Santoso, J. T., Sediyono, E., Hartomo, K. D., & Sembiring, I. (2024). Optimizing attendance system: Integrating liveness detection and deep learning for reliable face recognition. JUITA: Jurnal Informatika, 12(2), 207.
Setiawan, R. B., & Lukman, N. (2023). Attendance system face recognition using Convolutional Neural Network (CNN). CoreID Journal, 1(3), 116-121.
Wang, X., Peng, J., Zhang, S., Chen, B., Wang, Y., & Guo, Y. (2022). A survey of face recognition. arXiv preprint arXiv:2212.13038.
Wijaya, A., & Samodra, J. E. (2023). Sistem Presensi Pegawai dengan Face Recognition Menggunakan Deep Learning CNN. Jurnal Informatika Atma Jogja, 4(2), 163-168.
Yusuf, F., Lesmana, I., & Bagja, H. P. (2025). Implementasi Convolutional Neural Network (CNN) untuk Sistem Presensi Mahasiswa Berbasis Pengenalan Wajah. Buffer Informatika, 11(1), 47-56.
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision: X. Zhao et al. Artificial Intelligence Review, 57(4), 99.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Astrid Padri Said, Parabelem Tinno Dolf Rompas, Alfiansyah Hasibuan (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
