P Pemrosesan multi-model deep learning secara sekuensial linear pada sistem pemantauan kelas monolitik memicu hambatan blocking main thread dan latensi i/o storage. penelitian ini bertujuan mengimplementasikan sistem monitoring kehadiran smart classroom teroptimasi pada lingkungan single host cpu menggunakan kendali konkurensi tingkat aplikasi berbasis django dan postgresql. guna melikuidasi antrean linear, sistem mengintegrasikan tiga strategi asinkron: pemicuan otomatis subproses via subprocess.popen di latar belakang, temporal frame skipping kelipatan 10 untuk memangkas 90% redundansi data visual, dan orkestrasi data parallelism menggunakan threadpoolexecutor (w=10\\\" workers\\\" ) untuk memproses array wajah secara paralel. setiap utas pekerja mengeksekusi facenet dan menghitung jarak euclidean secara on-the-fly di ram terhadap kamus biner .pkl hasil deserialisasi pustaka pickle. ancaman silent deadlock dieliminasi dengan mengunci parameter onnx runtime ke intra_op_num_threads=1. validasi fungsional via black box testing mencapai keberhasilan 100%. validasi teoretis mengonfirmasi penurunan kompleksitas notasi big o o(f/10×(n×m)/w) dengan reduksi 99,0% langkah operasi komputasi t(n) dari 2,16\\\" juta\\\" menjadi 21,6\\\" ribu\\\" operasi. hasil pengujian empiris berpasangan pada 5 variasi berkas video kelas membuktikan arsitektur teroptimasi sukses memangkas latensi eksekusi rata-rata dari 1.596,23\\\" detik\\\" (≈26,60\\\" menit\\\" ) menjadi 234,72\\\" detik\\\" (≈3,91\\\" menit\\\" ), atau setara pencapaian efisiensi waktu rata-rata sebesar 85,39% (6,80\\\"x\\\" lebih cepat). dukungan database postgresql mvcc menjamin transaksi tulis massal bersifat non-blocking terhadap kueri dasbor visual.