Penelitian ini membahas pengembangan sistem Mo Tamu versi 2.0 berbasis Android dan web yang dilengkapi dengan modul pengenalan wajah untuk meningkatkan keamanan serta efisiensi pencatatan kunjungan tamu. Sistem ini menggunakan kombinasi Haar Cascade Classifier sebagai metode face detection dan Support Vector Machine (SVM) sebagai metode face recognition. Pemilihan SVM didasarkan pada keterbatasan penelitian sebelumnya yang masih menggunakan K-Nearest Neighbors (KNN), di mana performa model tidak konsisten pada beberapa kelas individu. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-Score yang diperoleh melalui confusion matrix. Hasil pengujian Haar Cascade menunjukkan nilai precision 1.00, recall 0.81, F1-Score 0.89, dan akurasi 81%. Hal ini mengindikasikan bahwa sistem mampu mendeteksi wajah dengan presisi tinggi tanpa menghasilkan false positive, meskipun masih terdapat keterbatasan dalam sensitivitas deteksi (recall). Sementara itu, penerapan SVM pada tahap pengenalan wajah memberikan hasil yang lebih stabil dibandingkan KNN, dengan akurasi rata-rata 90.00%. Nilai precision, recall, dan F1-Score juga relatif tinggi pada sebagian besar kelas individu, meskipun masih terdapat beberapa kesalahan klasifikasi akibat keterbatasan data latih. Secara keseluruhan, penelitian ini menunjukkan bahwa kombinasi Haar Cascade dan SVM mampu menghasilkan sistem yang lebih andal dibandingkan pendekatan sebelumnya dengan KNN, khususnya dalam aspek konsistensi pengenalan identitas wajah.

This research discusses the development of an Android and web-based Guest Mo system version 2.0 equipped with a face recognition module to improve the security and efficiency of recording guest visits. This system uses a combination of Haar Cascade Classifier as a face detection method and Support Vector Machine (SVM) as a face recognition method. The selection of SVM is based on the limitations of previous research that still uses K-Nearest Neighbors (KNN), where the model performance is inconsistent in some individual classes. Performance evaluation is done using accuracy, precision, recall, and F1-Score metrics obtained through confusion matrix. Haar Cascade test results show a precision value of 1.00, recall 0.81, F1-Score 0.89, and 81% accuracy. This indicates that the system is able to detect faces with high precision without producing false positives, although there are still limitations in detection sensitivity (recall). Meanwhile, the application of SVM in the face recognition stage provides more stable results than KNN, with an average accuracy of 90.00%. The precision, recall, and F1-Score values are also relatively high in most individual classes, although there are still some misclassifications due to limited training data. Overall, this research shows that the combination of Haar Cascade and SVM is able to produce a more reliable system than the previous approach with KNN, especially in the aspect of facial identity recognition consistency.