Rancang Bangun Sistem Presensi Face Recognition Berbasis Algoritma Robust PCA dan GA-SVM pada Raspberry Pi dengan Integrasi Jira

Abstract

Sistem presensi karyawan menggunakan pindai kode QR dinilai kurang efisien dan menimbulkan friksi interaksi. Selain itu, pencatatan manual capaian Key Performance Indicator (KPI) berbasis realisasi task Jira rentan terhadap ketidakakuratan. Penelitian ini bertujuan merancang sistem presensi pengenalan wajah yang terintegrasi dengan Jira untuk mengotomatisasi pemantauan kehadiran dan perhitungan KPI karyawan. Sistem ini diimplementasikan menggunakan arsitektur cloud-edge computing, di mana Raspberry Pi 4 berfungsi sebagai interaksi fisik, sedangkan Virtual Machine Azure untuk komputasi berat. Pengenalan wajah menggunakan algoritma Robust Principal Component Analysis (RPCA) untuk ekstraksi fitur dan Support Vector Machine (SVM) yang dioptimasi oleh Algoritma Genetika (GA). Pengujian dilakukan terhadap 450 citra wajah dari 9 karyawan PT PNM. Hasil evaluasi model mencapai akurasi 91,11% dan sistem mencatatkan rata-rata waktu pemrosesan (latency) sebesar 137,53 milidetik. Pada fungsionalitas otomasi bisnis, integrasi API Jira berhasil memetakan 59 aktivitas task karyawan dengan tepat. Penerapan arsitektur ini terbukti menekan penggunaan bandwidth, dan meningkatkan transparansi data KPI yang dapat diaudit.

Employee attendance systems using QR code scanning are considered inefficient and can create interaction friction. Furthermore, the manual recording of Key Performance Indicator (KPI) achievements based on Jira task realization is susceptible to inaccuracies. This study aims to design and implement a face recognition attendance system integrated with Jira to automate attendance monitoring and employee KPI calculation. The system is implemented utilizing a cloud-edge computing architecture, where a Raspberry Pi 4 functions for physical interaction, while an Azure Virtual Machine is for heavy computation. Face recognition utilizes the Robust Principal Component Analysis (RPCA) algorithm for feature extraction and a Support Vector Machine (SVM) optimized by a Genetic Algorithm (GA). Testing was conducted on 450 facial images from 9 PT PNM employees. Evaluation results demonstrate the model achieved an accuracy of 91.11% and the system recorded an average processing time of 137.53 milliseconds. Regarding business automation functionality, the Jira API integration successfully mapped 59 task activities from employees precisely. The application of this architecture is proven to reduce bandwidth usage and increase the transparency of auditable KPI data.