PENERAPAN COMPUTER VISION UNTUK MENDETEKSI KELENGKAPAN ATRIBUT SISWA MENGGUNAKAN METODE CNN

Abstract

Kepatuhan dalam mengenakan atribut sekolah secara lengkap merupakan salah satu aspek penting yang mencerminkan disiplin dan karakter siswa di lingkungan pendidikan. Namun, seringkali ditemukan pelanggaran terkait kelengkapan atribut siswa yang dapat berdampak negatif pada pembentukan budaya disiplin. Tujuan dari penelitian ini yaitu menerapkan metode Convolutional Neural Network (CNN) dalam mendeteksi kelengkapan atribut siswa seperti logo sekolah, logo osis, nametag, logo bendera, sabuk, dan sepatu dari gambar menggunakan computer vision. Penerapan teknologi computer vision dengan Convolutional Neural Network (CNN) dapat membantu pihak sekolah dalam menegakkan disiplin penggunaan atribut siswa secara lebih efektif, efisien, dan objektif. Pada penelitian ini, dataset gambar siswa yang mengenakan atribut lengkap dan tidak lengkap dikumpulkan untuk proses pelatihan model Convolutional Neural Network (CNN). Teknik augmentasi data dan pelabelan gambar dilakukan untuk mempersiapkan dataset yang digunakan. Model Convolutional Neural Network (CNN) dibangun dengan beberapa lapisan konvolusi, pooling, dense, dan fungsi aktivasi seperti ReLU dan Sigmoid. Selanjutnya, empat kali pengujian dilakukan dengan menggunakan data uji yang berbeda untuk mengevaluasi performa model. Hasil pengujian menunjukkan bahwa model Convolutional Neural Network (CNN) yang dibangun dapat mencapai rata-rata akurasi 93,34%, presisi 95%, recall 94,12%, dan F1-score 94,35% dalam mendeteksi kelengkapan atribut siswa. Temuan ini mengindikasikan bahwa metode Convolutional Neural Network (CNN) berpotensi besar untuk dimanfaatkan dalam mendeteksi kelengkapan atribut siswa secara otomatis, objektif, dan efisien, serta dapat berkontribusi pada upaya peningkatan disiplin dan pembentukan karakter di lingkungan sekolah.