Sistem kehadiran siswa berguna untuk memonitor kehadiran siswa. Teknologi yang ada saat ini yaitu teknologi yang mampu mendeteksi sebuah objek, seperti sidik jari, suara, retina mata, dan wajah. Penulis akan membuat model yang dapat dilakukan untuk mendeteksi wajah siswa. Pada penelitian ini penulis menggunakan algoritma Convolutional Neural Network (CNN) yang dimodifikasi. Kompleksitas CNN yang dirancang menyesuaikan dengan spesifikasi hardware dan software yang digunakan. Data wajah diambil secara langsung pada siswa yang ada dikelas (dataset private). Perekaman wajah siswa dengan menggunakan kamera webcam kualitas standar. Gambar yang dihasilkan setiap siswa sebanyak 126 gambar dengan jumlah kelas sebanyak 20 kelas(label). Pengambilan gambar dengan berbagai sudut wajah yaitu dari atas, bawah, depan, samping kiri dan samping kanan. Teknik augmentasi yang digunakan yaitu teknik flip, random rotation dan affine untuk memperkaya data. Teknik regularisasi, seperti dropout juga digunakan. Hal ini agar dapat meningkatkan akurasi, kecepatan pelatihan model dan menghindari terjadinya overfitting pada model yang dibangun. Hasil evaluasi dengan confusion matrix pada algoritma Convolutional Neural Network (CNN) modifikasi menghasilkan proses pelatihan model yang lebih cepat dengan waktu 5.31 jam dan akurasi mencapai 97.78%, nilai loss stabil pada angka 0.1177, validasi loss dengan angka 0.0192 dengan iterasi(epoch) 60. Model yang dihasilkan dapat direkomendasikan untuk diterapkan pada sistem kehadiran siswa.