Hasil Pencarian  ::  Simpan CSV :: Kembali

"SHACL constraints checking merupakan proses validasi suatu RDF data graph terhadap suatu SHACL shapes graph. Pengembangan SHACL constraints checking pada umumnya menggunakan rule engine yang tertanam di dalam inti implementasinya. Penelitian ini bertujuan untuk menginvestigasi apakah program SHACL constraints checking dapat dibangun di atas rule engine yang independen. Penelitian ini dilakukan dengan melakukan implementasi pembuatan program SHACL constraints checking yang dibangun di atas rule engine Vertical Datalog (VLog). Program yang diimplementasikan pada penelitian ini dibangun menggunakan bahasa pemrograman Java serta menggunakan library Rulewerk dan Apache Jena. Berdasarkan implementasi yang telah dilakukan, program SHACL constraints checking dapat dibangun di atas rule engine VLog dengan melakukan serangkaian transformasi SHACL shapes graph dan RDF data graph menjadi rule syntax. Namun, pada penelitian ini program SHACL constraints checking yang dibangun hanya dapat memvalidasi SHACL Constraint sh:class, sh:datatype, sh:nodeKind,sh:minCount, sh:maxCount, sh:equals, sh:disjoint, sh:not, sh:and, sh:or, sh:xone, sh:node, sh:property. SHACL constraint lainnya tidak dapat diimplementasikan karena membutuhkan operasi regex dan perbandingan antar literal yang sulit untuk ditranslasi menjadi rule syntax.

---

SHACL constraints checking is a process to validate an RDF data graph againts a SHACL shapes graph. The development of SHACL constraints checking program usually use rule engine embedded on its own implementation. This research was aimed to investigate whether SHACL constraints checking program can be built on top of independent rule engine or not. This research will conduct the implementation of building SHACL constraints checking program on top of VLog Rule Engine. The program implemented in this research was built in Java programming language and was using Rulewerk and Apache Jena library. According to the implementation conducted in this research, SHACL constraints checking program can be built on top of VLog rule engine by transforming SHACL shapes graph and RDF data graph into rule syntax. But, the program can only validate SHACL constraint as follows: sh:class, sh:datatype, sh:nodeKind,sh:minCount, sh:maxCount, sh:equals, sh:disjoint, sh:not, sh:and, sh:or, sh:xone, sh:node, sh:property. Other SHACL constraints cannot be implemented in this research because those SHACL constraints requires regex operation and literal comparation which hard to be transformed into rule syntax."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Kehadiran mahasiswa merupakan aspek penting dalam kegiatan perkuliahan. Sistem kehadiran yang banyak digunakan saat ini masih menggunakan kertas, smart card, RFID, dan fingerprint, yang sering kali memerlukan kontak fisik, rentan terhadap manipulasi, atau implementasi yang kompleks. iBeacon dipilih sebagai alternatif karena kemampuannya untuk mendeteksi keberadaan perangkat melalui sinyal Bluetooth Low Energy (BLE), yang memungkinkan pemantauan kehadiran tanpa kontak fisik serta biaya implementasi dan perawatan yang lebih rendah. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem pencatatan dan pemantauan kehadiran siswa otomatis berbasis teknologi iBeacon. Sistem yang dibentuk menggunakan metode pemantauan proximity iBeacon untuk penentuan pola masuk atau keluar mahasiswa. Machine learning (ML) berperan penting dalam mendeteksi pola kehadiran mahasiswa dengan memproses data proximity yang diterima dari iBeacon untuk menentukan status kehadiran. Penelitian ini memberikan rekomendasi peletakan iBeacon serta model yang dapat digunakan, menunjukkan bahwa iBeacon yang diletakkan dengan jarak pemisahan sebesar 5 meter memberikan hasil terbaik. Model Random Forest menunjukkan akurasi tertinggi pada jarak 5 meter dengan akurasi 0.9727, F1-score 0.9731, precision 0.9735, dan recall 0.9727. Model ini juga kemudian diuji coba pada ruangan lain yang memiliki layout dan luas yang serupa, dan mendapatkan hasil yang cukup memuaskan. Sistem diuji menggunakan beberapa skenario yang mencakup berbagai kemungkinan yang terjadi saat penggunaan aplikasi sistem kehadiran. Selain itu, sistem ini juga menerapkan verifikasi random checking untuk memastikan validitas kehadiran mahasiswa secara acak, yang meningkatkan keakuratan dan mengurangi kemungkinan manipulasi data. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa sistem kehadiran berbasis iBeacon ini mampu meningkatkan efisiensi dan akurasi pencatatan kehadiran siswa.

---

Student attendance is a crucial aspect of college activities. The attendance systems widely used today still rely on paper, smart cards, RFID, and fingerprints, which often require physical contact, are prone to manipulation, or involve complex implementation. iBeacon was chosen as an alternative due to its ability to detect the presence of devices through Bluetooth Low Energy (BLE) signals, enabling contactless attendance monitoring and offering lower implementation and maintenance costs. This study aims to develop and implement an automatic student attendance recording and monitoring system based on iBeacon technology. The system employs iBeacon proximity monitoring to determine student entry or exit patterns. Machine learning (ML) plays a crucial role in detecting attendance patterns by processing proximity data received from iBeacons to determine attendance status. This study provides recommendations for iBeacon placement and suitable models, demonstrating that iBeacons placed with a separation distance of 5 meters yield the best results. The Random Forest model shows the highest accuracy at a 5-meter distance with an accuracy of 0.9727, an F1-score of 0.9731, a precision of 0.9735, and a recall of 0.9727. This model was also tested in another room with a similar layout and size, yielding satisfactory results. The system was tested using several scenarios covering various possible situations during the application of the attendance system. Additionally, the system implements random checking verification to ensure the validity of student attendance randomly, increasing accuracy and reducing the possibility of data manipulation. Overall, the findings indicate that the iBeacon-based attendance system can improve the efficiency and accuracy of student attendance recording."

"Salah satu tantangan untuk menghasilkan User Interface (UI) secara otomatis dalam Software Product Line Engineering (SPLE) adalah bagaimana menghasilkan UI yang sesuai dengan fitur - fitur yang dipilih. Penelitian ini menggunakan Interaction Flow Modeling Language (IFML) untuk memodelkan UI untuk setiap fitur dalam SPLE. Setiap model IFML yang menggambarkan desain UI dari fitur - fitur yang dipilih akan digabungkan untuk membentuk UI dari aplikasi pada proses product derivation. Target dari penelitian ini adalah untuk menunjukan bagaimana IFML bisa menyelesaikan masalah SPLE untuk menghasilkan UI dengan membuat UI generator. Progressive Web Application dipilih sebagai contoh untuk menunjukan hasil dari penggunaan UI generator dan meningkatkan availability dari aplikasi yang dihasilkan oleh SPLE. IFML UI generator dalam penelitian ini melakukan beberapa prosedur untuk menghasilkan UI termasuk melakukan parsing terhadap model IFML, mendefinisikan Transformation Rule untuk mengubah notasi IFML menjadi elemen UI, dan menentukan strategi Code Construction yang dapat menggabungkan semua elemen UI pembentuk komponen UI. Hasil dari penelitian ini mampu menghasilkan komponen UI yang dapat digunakan dalam Angular Framework. Kinerja IFML UI generator dapat ditingkatkan dengan cara menyediakan mekanisme untuk membuat styling secara otomatis untuk aplikasi yang dihasilkan.

---

One challenge to automatically generate the User Interface (UI) in Software Product Line Engineering (SPLE) framework is to generate UI that match with selected features. This research uses Interaction Flow Modeling Language (IFML) to model UI of each feature in SPLE framework. The product derivation process combines each IFML model representing selected features from the Product Line to construct the UI of an application. The target of this research is to illustrate the usage of IFML to solve the problem of generating UI in SPLE by creating an IFML UI generator. Progressive Web Application is chosen as an example to demonstrate the result of generating UI and enhancing the availability of application produced by SPLE. The UI generator can be used with other SPLE tools in product derivation process. The IFML UI generator in this research performs several procedures including parsing the IFML model, define rules to transform IFML notations into UI elements, and define a code construction strategy that combines all UI elements into UI components. The generated UI components can be used in Angular Framework Web Application. The IFML UI generator needs to be improved by providing a mechanism to automatically create a styling for the generated UI components of PWA."

"

Penelitian ini dipicu oleh minimnya penelitian yang berkaitan dengan desain antarmuka aplikasi e-learning environment yang sesuai dengan kebutuhan siswa SMA jurusan IPA dan IPS. Penelitian ini bertujuan mengidentifikasi, menganalisis, dan mengimplementasikan fitur-fitur yang dibutuhkan oleh siswa SMA dalam proses e-learning. User Centered Design menjadi metode yang digunakan untuk memastikan desain yang dihasilkan menjawab kebutuhan pengguna. Pengumpulan kebutuhan pengguna dilakukan dengan mewawancarai 15 pelajar SMA jurusan IPA dan IPS. Hasil analisis kebutuhan pengguna menjadi dasar rancangan low fidelity prototype dan high fidelity prototype berupa clickable mockup yang mengacu pada teori Shneiderman’s Eight Golden Rules of Interface Design, active learning, dan perkembangan kognitif oleh Piaget. Low fidelity prototype bertujuan untuk memberikan gambaran tata letak pada desain yang dirancang. Kemudian, high fidelity prototype bertujuan untuk memberikan gambaran utuh terkait desain antarmuka yang dirancang. Hasil high fidelity prototype dievaluasi melalui usability testing dan kuesioner System Usability Scale. Penelitian ini menyimpulkan bahwa hampir keseluruhan fitur yang diajukan memiliki completion rate dan error-free rate sebesar 100%, yang menunjukkan bahwa pengguna dapat menyelesaikan task tanpa adanya kesulitan yang berarti. Hasil akhir penelitian ini mengajukan high fidelity prototype dan rekomendasi perbaikan yang didasarkan pada umpan balik yang bermakna selama proses evaluasi yang dapat dijadikan acuan untuk melakukan pengembangan pada desain antarmuka e-learning environment.

---

This research is driven by the lack of research related to the interface design of an e-learning environment application that suits the needs of high school students majoring in science and social studies. This research aims to identify, analyze, and implement the features needed by the high school students during online learning. We applied the User Centered Design (UCD) method to ensure the results meet the user needs. We interviewed 15 high school students majoring in science and social studies to gather the requirements needed. The results became the basis for designing a low fidelity prototype and a high fidelity prototype in the form of a clickable mockup while still referring to the theory of Shneiderman's Eight Golden Rules of Interface Design, active learning, and cognitive development by Piaget. Low fidelity prototype aims to provide an overview of the layout of the design. Then, the high fidelity prototype aims to provide a complete picture regarding the interface design. We evaluated the high fidelity prototype through usability testing and the System Usability Scale (SUS) questionnaire. This study concludes that almost all of the proposed features have a completion rate and error-free rate of 100%, which indicates that users can complete tasks without any significant difficulties. This study proposes a high fidelity prototype and recommendations based on meaningful feedback during the evaluation as a reference for designing the interface of an e-learning environment.

"

"Penelitian ini dipicu oleh minimnya penelitian yang berkaitan dengan desain antarmuka aplikasi e-learning environment yang sesuai dengan kebutuhan siswa SMA jurusan IPA dan IPS. Penelitian ini bertujuan mengidentifikasi, menganalisis, dan mengimplementasikan fitur-fitur yang dibutuhkan oleh siswa SMA dalam proses e-learning. Metode yang digunakan adalah User Centered Design untuk memastikan desain yang dihasilkan menjawab kebutuhan pengguna. Pengumpulan kebutuhan dilakukan dengan mewawancarai 15 pelajar SMA jurusan IPA dan IPS. Hasil analisis kebutuhan menjadi dasar dari dirancangnya low fidelity prototype dan high fidelity prototype berupa clickable mockup dengan mengacu pada teori Shneiderman’s Eight Golden Rules of Interface Design, active learning, dan perkembangan kognitif oleh Piaget. Low fidelity prototype bertujuan untuk memberikan gambaran tata letak pada desain yang dirancang. Kemudian, high fidelity prototype bertujuan untuk memberikan gambaran yang utuh terkait desain antarmuka yang dirancang. High fidelity prototype ini dievaluasi melalui usability testing dan kuesioner System Usability Scale. Penelitian ini menyimpulkan bahwa hampir keseluruhan fitur yang diajukan memiliki completion rate dan error-free rate sebesar 100%, yang menunjukkan bahwa pengguna dapat menyelesaikan task tanpa adanya kesulitan yang berarti. Namun, terdapat dua fitur yang memiliki tingkat error-free rate yang rendah, yaitu fitur “Dashboard” dan fitur “Materi Pembelajaran”, masing-masing sebesar 63.64% dan 72.73%, yang kemungkinan dipicu oleh bagian progres pembelajaran yang kurang ditekankan pada halaman “Dashboard” dan keberadaan checkbox yang mendistraksi pada halaman “Mata Pelajaran”. Penelitian ini mengajukan high fidelity prototype dan rekomendasi perbaikan yang didasarkan pada umpan balik yang bermakna selama proses evaluasi dijadikan acuan untuk melakukan pengembangan pada desain antarmuka e-learning environment.

---

This research is driven by the lack of research related to the interface design of the e-learning environment application that suits the needs of high school students majoring in science and social studies. This research aims to identify, analyze, and implement the features needed by the high school students during online learning. We apply the User Centered Design (UCD) method to ensure the results meet the user needs. We interviewed 15 high school students majoring in science and social studies to gather the requirements needed. The results became the basis for designing a low fidelity prototype and a high fidelity prototype in the form of a clickable mockup while still referring to the theory of Shneiderman's Eight Golden Rules of Interface Design, active learning, and cognitive development by Piaget. Low fidelity prototype aims to provide an overview of the layout of the design. Then, the high fidelity prototype aims to provide a complete picture regarding the interface design. We evaluated the high fidelity prototype through usability testing and the System Usability Scale (SUS) questionnaire. This study concludes that almost all of the proposed features have a completion rate and error-free rate of 100%, which indicates that users can complete tasks without any significant difficulties. However, there are two features that have a low error-free rate, namely the "Dashboard" and the "Learning Material", respectively 63.64% and 72.73%, which are likely triggered by the less emphasized learning progress section on the “Dashboard” page and the existence of distracting checkboxes on the “Learning Material” page. This study proposes a high fidelity prototype and recommendations based on meaningful feedback during the evaluation as a reference for designing the interface of an e-learning environment."

"Di era kemajuan teknologi yang pesat, pembelajaran daring semakin populer terutama setelah COVID-19. Namun, tunarungu sering menghadapi kesenjangan dalam memahami video pembelajaran. Salah satu solusi yang dapat membantu adalah dengan menyediakan subtitle dalam bahasa isyarat, khususnya Sistem Isyarat Bahasa Indonesia (SIBI). Untuk mengembangkan subtitle ini, diperlukan teks input dari video pembelajaran. Namun, teks input seringkali terlalu panjang dan mengandung banyak kata yang tidak ada dalam kamus bahasa isyarat SIBI. Metode yang ada sekarang pun menghasilkan animasi SIBI secara kata demi kata, yang mengakibatkan animasi bergerak cepat dan sulit diikuti oleh pengguna tunarungu. Penelitian ini membahas integrasi translasi teks dalam pengembangan subtitle animasi isyarat SIBI untuk aplikasi Moodle, menggunakan machine learning. Penelitian ini bertujuan untuk mengembangkan solusi yang lebih efektif dengan menerapkan terjemahan teks. Penelitian ini mengusulkan penggunaan dua model pretrained, yaitu mBART50 dan NLLB200 sebagai baseline model dan model yang akan di-finetuning. Eksperimen ini menggunakan dataset yang dikumpulkan dari 12 video pembelajaran. Kemudian data ini diproses, dianotasi oleh guru Sekolah Luar Biasa (SLB), dan digunakan untuk training, validation, serta testing dan dataset ini dinamakan SIBIVID-MP12. Eksperimen dilakukan dengan membandingkan model baseline dengan model yang sudah di-finetuning. Finetuning dilakukan dengan dan tanpa custom loss function yang merupakan inovasi pada penelitian ini. Custom loss function menambahkan SIBIDictLoss pada total loss model, sehingga akan memaksa model untuk hanya menggunakan kata yang ada pada kamus SIBI. Hasil eksperimen menunjukkan bahwa dengan adanya finetuning, model mBART50 dan NLLB200 mengalami peningkatan performa dibandingkan model baseline-nya tanpa finetuning dalam melakukan terjemahan teks Bahasa Indonesia ke dalam SIBI. Model NLLB200 FT+CL dengan varian batch size 4, penggunaan weighting varian kedua, ukuran weight 0,2, dan besaran penalti 0,1 menjadi varian dengan nilai evaluasi tertinggi dengan peningkatan nilai sacreBLEU sebesar 71% , nilai chrF++ sebesar 9,79% , nilai METEOR 22,92% , dan nilai ROUGE-L 14,55% dibandingkan dengan model baseline. Ini menunjukkan bahwa mengintegrasikan model terjemahan teks dapat meningkatkan inklusivitas dan aksesibilitas platform pembelajaran daring bagi komunitas tunarungu di Indonesia.

---

In the era of rapid technological advancement, online learning has become increasingly popular, particularly following the COVID-19 pandemic. However, the deaf community often faces challenges in comprehending educational videos. One potential solution is to provide subtitles in sign language, specifically the Indonesian Sign Language System (SIBI). Developing these subtitles requires text input from educational videos. However, the input text is often too lengthy and contains many words that do not exist in the SIBI dictionary. Current methods generate SIBI animations word by word, resulting in fast-moving animations that are difficult for deaf users to follow. This research discusses the integration of text translation in the development of SIBI animated subtitles for the Moodle application, using machine learning. The study aims to develop a more effective solution by implementing text translation. The research proposes the use of two pretrained models, mBART50 and NLLB200, as baseline models and models for fine-tuning. The experiment utilizes a dataset collected from 12 educational videos. This data is processed, annotated by Special Education (SLB) teachers, and used for training, validation, and testing, and is named SIBIVID-MP12. Experiments were conducted by comparing the baseline models with the fine-tuned models. Fine-tuning was performed with and without a custom loss function, which is an innovation in this study. The custom loss function adds SIBIDictLoss to the total model loss, thereby compelling the model to use only words present in the SIBI dictionary. The experimental results show that with fine-tuning, both mBART50 and NLLB200 models demonstrated improved performance compared to their baseline models in translating Indonesian text into SIBI. The NLLB200 FT+CL model, with a batch size variant of 4, the second weighting variant, a weight size of 0.2, and a penalty size of 0.1, achieved the highest evaluation scores, with an increase in sacreBLEU score by 71%, chrF++ score by 9.79%, METEOR score by 22.92%, and ROUGE-L score by 14.55% compared to the baseline model. This indicates that integrating text translation models can enhance the inclusivity and accessibility of online learning platforms for the deaf community in Indonesia."

"Pada pengembangan sistem, dibutuhkan sebuah mekanisme untuk menjamin bahwa sistem tersebut berjalan dengan benar tanpa error atau rsquo;bug rsquo;. Sejauh ini, hal yang biasa dilakukan adalah dengan testing, tetapi hal ini sulit dilakukan untuk mencakup semua kemungkinan. Untuk sistem yang membutuhkan tingkat correctness yang tinggi, seperti misalnya pada hardware , perlu mekanisme yang dapat menjamin kebenaran program untuk semua kemungkinan input. Ada solusi lain yang dapat menjamin kebenaran program untuk semua kemungkinan input, yaitu dengan verifikasi formal. Verifikasi formal dilakukan dengan pemodelan matematika. Salah satu sistem yang membutuhkan tingkat correctness yang tinggi adalah sistem bilangan floating-point. Hal ini terkait dengan pengalaman yang dialami Intel pada tahun 1994. Salah satu bahasa standar dalam membangun sebuah sistem digital atau hardware adalah VHDL. Ada beberapa tools yang bisa dilakukan untuk verifikasi formal, salah satunya adalah HOL theorem prover. Penelitian ini melakukan formalisasi operasi aritmatika VHDL dan konstruksi terkait yang dilakukan dengan menggunakan HOL Theorem Prover. Hasilnya adalah sebuah framework yang berisi formalisasi beberapa algoritma aritmatika dasar VHDL dan konstruksi terkaitnya. Framework ini kemudian dapat digunakan untuk memverifikasi modul VHDL yang memanfaatkan aritmatika VHDL dan konstruksi terkaitnya.

---

In system development, a mechanism is needed to ensure that the system runs correctly without error or rsquo bug rsquo . So far, testing is a common solution, but it rsquo s hard to cover all error possibilities. For systems that require a high level of correctness, such as hardware systems, there is a need for a mechanism that can ensure the correctness of the program for all possible inputs. There is another solution to do the task, i.e. by formal verification. Formal verification is done by mathematical modeling. One system that requires a high level of correctness is the floating point number system. This is related to the experience of Intel in 1994.

One of the standard languages in developing a digital system or a hardware is VHDL. There are several tools that can be used for formal verification, one of which is HOL Theorem Prover. This research conducts a formalization of VHDL arithmetic operation and the related constructions done by using HOL Theorem Prover. The result is a framework which contains the formalization of some basic VHDL arithmetic algorithms and the related constructions. This framework can then be used to verify VHDL modules that utilize the VHDL arithmetic and the related constructs."

"Emoji merupakan karakter gambar yang digunakan dalam komunikasi informal khususnya pada media sosial. Emoji digunakan oleh penulis pesan untuk mengekspresikan emosi sebuah pesan. Besarnya penggunaan emoji, membuat emoji sangat berpengaruh terhadap komunikasi dimedia sosial. Emoji digunakan sebagai salah satu fitur untuk analisis sentimen dan ekstraksi emosi dalam penelitian Natural Language Processing dan Information Retrieval, namun masih sedikit penelitian yang fokus menentukan emoji dari sebuah teks. Banyaknya emoji dan kemiripan makna antar emoji membuat klasifikasi emoji menjadi lebih kompleks jika dibandingkan dengan analisis sentimen atau klasifikasi teks pada umumnya. Penelitian ini menggunakan fitur leksikal, fitur semantik, dan fitur linguistik pada permasalahan klasifikasi emoji untuk mengetahui pengaruh setiap fitur pada performa klasifikasi emoji dan mengetahui kombinasi fitur terbaik dalam klasifikasi emoji. Hasil eksperimen menunjukkan fitur semantik memiliki performa terbaik saat digunakan secara individu. Sedangkan fitur leksikal memiliki pengaruh besar terhadap kenaikan performa klasifikasi emoji saat dikombinasikan dengan fitur baseline. Hasil uji statistik paired t-test menunjukkan kombinasi tiga fitur dan kombinasi empat fitur menaikkan akurasi baseline secara signifikan. Kombinasi terbaik didapatkan ketika mengkombinasikan baseline, fitur linguistik, fitur leksikal, dan fitur semantik dengan peningkatan akurasi 12.19 dan f1-score sebesar 12 jika dibandingkan dengan hanya menggunakan fitur baseline.

---

Emoji is a picture character used in informal communication especially in social media. Emoji used by message writer to express emotion of a text. The massive use of emoji make emoji have a great influence on social media communication. Emoji used as one of the features for sentiment analysis and mood extraction In Natural Language Processing and Information Retrieval Researches, yet there is still researches that focus to predict emoji from a text. Due to diversity of emoji and the similarity meaning between emoji, emoji classification task is more relative complex than common text classification task. This researched used semantic feature, linguistic feature, and lexicon feature used to know the influence of each feature on emoji classification task and the best combinaton feature in emoji classification performan. The experiment showed that semantic feature has the best performance in emoji classification when it used individually. Whereas lexicon feature has the greatest positive influence in baseline feature. The analysis using paired t test showed that combination of two features and three features increase baseline performance significantly. The best combination achieved when combined baseline feature, semantic feature, linguistik feature, and lexicon feature with accuration excalation about 12.19 and f1 score of 12 from baseline."

"ABSTRAKMengenali emosi dasar seseorang melalui analisa komponen wajah bukanlah hal yang mudah. Untuk itu sampai saat ini penelitian pada bidang ini masih terus berkembang, seperti penelitian ini yang terinspirasi dari pekerjaan yang telah dikembangkan lebih dahulu oleh Dewiyanti (2018). Adapun kontribusi utama pada penelitian ini adalah meningkatkan akurasi pengenalan komponen wajah menggunakan pendekatan yang lebih mendalam dari ciri geometris yang sebelumnya digunakan yakni dengan menambahkan beberapa definisi ciri lain seperti rasio jarak pada alis dalam, hidung dan juga mata serta dengan menggunakan perhitungan tambahan dalam proses untuk mendapatkan nilai eccentricity. Selain itu hal lain yang dilakukan adalah melakukan training ulang AAM (Active Appearance Model) menggunakan dataset HELEN yang lebih representatif sehingga mendapatkan model yang lebih baik. Disamping itu juga dilakukan penambahan proses perbaikan kualitas citra sebelum proses fitting AAM.Dengan menggunakan semua kombinasi tersebut pada sistem pengenalan komponen wajah, penelitian ini mampu menghasilkan hasil akurasi yang lebih baik pada dataset yang sama yakni CK+ dari akurasi penelitian sebelumnya oleh Dewiyanti (2018) sebesar 97.99% menjadi sebesar 98.95% dan pada dataset lain seperti MUG dengan akurasi sebesar 93.18% serta akurasi sebesar 94.58% untuk dataset IMED yang pada penelitian sebelumnya belum diujicobakan.

---

ABSTRACTRecognizing a person's basic emotions through facial component analysis is not easy task. So until now research in this field is still evolving, like this research which is inspired by research from Dewiyanti(2018). The main contribution of this research is to improve the accuracy of recognition component of the face using an approach that is more profound than characteristic geometric previously used by adding some other features such as the ratio of the distance on inner eyebrows, nose and eyes as well asusing additional calculations in the process to get eccentricity value. Moreover, another thing is retrained the AAM (Active Appearance Model) with HELEN dataset to get more representative model. Beside that this research also put image preprocessing to improve the image quality which carried out before the AAM fitting process. By using all these combinations in recognition system of facial component, this study could yield better accuracy in the dataset similar and CK + on the accuracy of previous studies by Dewiyanti (2018) by 97.99% to 98.95% and on other datasets such as MUG with an accuracy of 93.18 % and an accuracy of 94.58% for Imed dataset which in previous studies has not been tested."