Masalah keamanan menjadi semakin kompleks karena pengelola perumahan kesulitan dalam memonitoring keamanan secara real-time dan efektif. Sistem pengawasan yang ada mungkin tidak memadai atau kurang efisien dalam mendeteksi dan menanggapi potensi ancaman keamanan. Keterbatasan teknologi dan infrastruktur di kompleks perumahan juga dapat menjadi faktor yang mempersulit upaya untuk meningkatkan keamanan. Penelitian ini berfokus pada implementasi pengenalan wajah menggunakan metode Haar Cascade dan K-Nearest Neighbors (KNN) pada aplikasi Mo-Tamu untuk meningkatkan keamanan lingkungan perumahan. Aplikasi Mo-Tamu dirancang untuk mendeteksi dan mengklasifikasikan wajah tamu secara real-time, serta memberikan informasi lengkap mengenai status kunjungan tamu kepada warga. Metode Haar Cascade digunakan untuk mendeteksi wajah dengan cepat dalam berbagai kondisi pencahayaan, sedangkan KNN digunakan untuk klasifikasi wajah berdasarkan fitur yang telah dilatih. Hasil penelitian menunjukkan bahwa model pengenalan wajah yang dikembangkan memiliki tingkat akurasi keseluruhan mencapai 92%. Evaluasi model dilakukan menggunakan metrik utama seperti precision, recall, dan F1-score. Implementasi aplikasi ini diharapkan dapat membantu petugas keamanan dalam mendata setiap tamu yang datang dan meningkatkan keamanan lingkungan perumahan. Penggunaan teknologi pengenalan wajah pada aplikasi Mo-Tamu memungkinkan deteksi real-time dan klasifikasi wajah yang baik, sehingga dapat meminimalisir risiko keamanan dan memberikan kenyamanan bagi penghuni perumahan. Kombinasi metode Haar Cascade dan KNN dapat menjadi solusi dalam sistem pengenalan wajah untuk keperluan keamanan dan pengelolaan tamu.

The issue of security is becoming increasingly complex because residential managers struggle to monitor security in real-time and effectively. Existing surveillance systems may be inadequate or inefficient in detecting and responding to potential security threats. Limitations in technology and infrastructure within the residential complex can also complicate efforts to enhance security. This research focuses on the implementation of face recognition using the Haar Cascade and K Nearest Neighbors (KNN) methods on the Mo-Tamu application to enhance residential area security. The Mo-Tamu application is designed to detect and classify visitor faces in real-time, providing comprehensive information about visitor status to residents. The Haar Cascade method is used for rapid face detection under various lighting conditions, while KNN is used for classifying faces based on trained features. The research results show that the developed facial recognition model achieves an overall accuracy of 92%. Model evaluation is conducted using key metrics such as precision, recall, and F1-score. The implementation of this application is expected to assist security personnel in recording each visitor and enhancing residential area security. The use of facial recognition technology in the Mo-Tamu application enables real-time detection and accurate face classification, thereby minimizing security risks and providing comfort to residents. Combination of Haar Cascade and KNN methods can be a solution for facial recognition systems in security and visitor management purposes.