Pengawasan kepatuhan seragam siswa secara manual oleh guru berpotensi menimbulkan subjektivitas dan ketidakkonsistenan penilaian, sementara sistem absensi digital yang ada belum mengintegrasikan verifikasi atribut seragam sebagai bagian dari alur pencatatan kehadiran. Penelitian ini bertujuan membangun dataset seragam sekolah Indonesia yang memadai, mengembangkan sistem absensi Android yang mengintegrasikan deteksi multiatribut seragam secara on-device, serta mengevaluasi performa dan kelayakan deployment empat model deep learning pada perangkat Android nyata. Dataset kustom dibangun dari 566 gambar mencakup 16 kelas atribut seragam yang merepresentasikan variasi jenis seragam harian dan atribut pelengkap, mengisi keterbatasan dataset publik yang ada di mana dataset seragam Indonesia yang tersedia sebelumnya tidak mencakup atribut pelengkap dan memiliki jumlah citra yang sangat terbatas. Sistem SAPA (Sistem Absensi Pendeteksi Atribut) dikembangkan dengan pendekatan dua tahap dan mengintegrasikan empat model YOLOv11m, RT-DETR Large, RF-DETR Medium, dan MobileNetV2-SSD secara on-device tanpa ketergantungan server inferensi eksternal, dengan konversi masing-masing ke format TFLite, PyTorch Mobile, dan ONNX Runtime. Evaluasi pelatihan menghasilkan YOLOv11m sebagai model terbaik dengan mAP@0.5 sebesar 0,917, diikuti RT-DETR Large (0,885) dan RF-DETR Medium (0,846), sementara MobileNetV2-SSD tidak mencapai konvergensi yang memadai (mAP < 0,20). Pengujian skenario lapangan dengan 360 unit mengungkap paradoks antara akurasi statis dan kelayakan real-time: RFDETR Medium dan RT-DETR Large mencapai success rate 100% dan 96,7% namun hanya mampu di bawah 1 FPS pada CPU sehingga tidak layak deployment, sedangkan YOLOv11m menjadi satu-satunya model yang memenuhi ambang kelayakan dengan success rate 87,8% dan 3,4 FPS. Temuan ini menunjukkan bahwa evaluasi model pada server GPU tidak dapat dijadikan satu-satunya acuan kelayakan deployment mobile. Pengujian fungsional Black Box terhadap 20 skenario mencapai keberhasilan 100%.