Analisis Kinerja InsightFace (Buffalo_S) dan Qdrant sebagai Basis Data Vektor pada Sistem Presensi Walk Through

Abstract

Penelitian ini menyajikan analisis kinerja sistem presensi walk-through berbasis pengenalan wajah dengan mengintegrasikan framework InsightFace menggunakan model Buffalo_S dan basis data vektor Qdrant. Tujuan utama penelitian ini adalah mengevaluasi keandalan, akurasi, dan skalabilitas sistem pada skenario operasional berskala besar. Sistem yang diusulkan memanfaatkan RetinaFace untuk deteksi dan penyelarasan wajah, serta Buffalo_S untuk mengekstraksi embedding wajah berdimensi 512. Qdrant digunakan sebagai mesin pencarian vektor dengan dukungan algoritma Hierarchical Navigable Small World (HNSW) guna mempercepat proses pencarian kemiripan. Evaluasi sistem dilakukan menggunakan protokol face verification (1:1) dan face identification (1:N), dengan metrik evaluasi meliputi False Acceptance Rate (FAR), False Rejection Rate (FRR), serta analisis latensi sistem. Hasil pengujian menunjukkan bahwa sistem mencapai tingkat akurasi sebesar 94,66% pada skenario 4.975 identitas, dengan nilai EER sebesar 8,80%. Selain itu, rata-rata latensi end-to-end sistem tercatat sebesar 28,70 ms, yang memungkinkan pemrosesan real-time dengan kecepatan lebih dari 30 frame per second. Hasil ini menunjukkan bahwa integrasi InsightFace Buffalo_S dan Qdrant merupakan solusi yang akurat, efisien, dan skalabel untuk mendukung sistem presensi walk-through di lingkungan operasional nyata.