Vision AI Attendance

Presensi berbasis wajah perlu menyelesaikan lebih dari sekadar mendeteksi wajah. Prototipe awal mengandalkan satu gambar referensi, mengulang tahap deteksi CNN yang mahal saat alignment, dan menampilkan nilai kemiripan yang mudah disalahartikan sebagai akurasi model. Keterbatasan ini meningkatkan biaya pemrosesan dan membuat pencocokan identitas kurang andal ketika pose atau kondisi pengambilan gambar pengguna berubah.

Saya mengaudit keseluruhan pipeline computer vision dan mengukur setiap tahap pemrosesan sebelum mengubah arsitekturnya. Tahap deteksi wajah CNN yang redundan saat alignment dihilangkan melalui jalur FAST_ALIGN yang dioptimalkan, dan alur pendaftaran satu gambar digantikan dengan pendaftaran multi-sampel terpandu untuk pose tengah, kiri, dan kanan. Pipeline pengenalan kini mendukung beberapa embedding referensi per identitas sekaligus tetap kompatibel dengan pengguna lama. Saya juga menambahkan gerbang kualitas pendaftaran, instrumentasi benchmark, pengujian otomatis, dan tooling kalibrasi ambang batas sehingga keputusan pencocokan dan performa dapat dievaluasi dari bukti terukur, bukan persentase sembarangan.

Vision AI V2 menyediakan alur kerja presensi end-to-end mulai dari pendaftaran wajah terpandu, pencocokan identitas, verifikasi liveness acak, pencegahan presensi ganda, hingga analitik administratif. Pengujian pengembangan langsung menunjukkan bahwa penghapusan deteksi alignment yang redundan secara signifikan menurunkan biaya pemrosesan pada tahap tersebut, sementara pendaftaran multi-referensi memungkinkan setiap identitas terwakili dalam beberapa pose tanpa overhead pencocokan yang berarti pada skala proyek saat ini. Keterbatasan sistem yang masih ada — termasuk biaya CPU, deteksi spoof pasif yang bersifat heuristik, dan data kalibrasi ambang batas yang terbatas — didokumentasikan secara eksplisit, bukan disembunyikan di balik klaim akurasi yang tidak didukung bukti.