Ekstraksi Emosi Majemuk Kalimat Bahasa Indonesia Menggunakan Convolutional Neural Network
Abstrak
Ekspresi wajah dapat memperkuat informasi yang disampaikan dalam sebuah komunikasi interaktif. Dalam bidang pengembangan karakter virtual khusus karakter wajah, ekspresi wajah diperlukan untuk menghidupkan karakter virtual agar terlihat natural dan alami seperti manusia. Salah satu jenis ekspresi emosi adalah ekspresi emosi majemuk (kompleks), yang merupakan gabungan dari dua atau lebih emosi dasar. Misalnya, ekspresi emosi wajah kecewa merupakan gabungan dari emosi marah dan sedih. Ekspresi wajah dapat muncul oleh adanya rangsangan emosi, salah satunya dari makna kalimat. Makalah ini bertujuan untuk mengekstraksi data emosi dari kalimat bahasa Indonesia dengan menggunakan proses klasifikasi multi-label model Convolution Neural Network (CNN) sehingga menghasilkan ekspresi wajah majemuk yang diterapkan dalam animasi karakter virtual. Adapun kelas-kelas emosi yang digunakan dalam proses klasifikasi teks adalah enam kelas emosi dasar yang meliputi marah, jijik, takut, senang, sedih, dan terkejut. Berdasarkan hasil eksperimen, model CNN dapat menghasilkan akurasi sebesar 94,5% dengan komposisi data latih dan data uji adalah 8:2. Hasil dari proses klasifikasi tersebut menunjukkan bahwa setiap kalimat dapat menghasilkan lebih dari satu kelas emosi dasar yang membentuk emosi majemuk. Tiap kelas emosi majemuk tersebut divisualisasikan menggunakan karakter wajah virtual untuk membentuk ekspresi wajah yang dapat merepresentasikan emosi majemuk.
Referensi
T.I. Kusumawati, “Komunikasi Verbal dan Nonverbal,” Jurnal Pendidik. dan Konseling, Vol. 6, No. 2, hal. 83–98, 2016.
P. Ekman dan D. Cordaro, “What is Meant by Calling Emotions Basic,” Emot. Rev., Vol. 3, No. 4, hal. 364–370, Okt. 2011.
J.E. Prawitasari, “Mengenal Emosi Melalui Komunikasi Nonverbal,” Bul. Psikol., Vol. 3, No. 1, hal. 27–43, 2016.
B. Denafri, “Struktur Informasi Kalimat Bahasa Indonesia,” J. Ilmiah Kebahasaan dan Kesastraan, Vol. 6, No. 1, hal. 43-49, Jun. 2018.
S.S.T.W. Sasangka, Seri Penyuluhan Bahasa Indonesia: Kalimat, Jakarta, Indonesia: Pusat Pembinaan dan Pemasyarakatan; Badan Pengembangan dan Pembinaan Bahasa; Kementrian Pendidikan dan Kebudayaan, 2015.
Y. Kim, “Convolutional Neural Networks for Sentence Classification,” Proc. the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, hal. 1746–1751.
W. Agastya dan Aripin, “Pemetaan Emosi Dominan pada Kalimat Majemuk Bahasa Indonesia Menggunakan Multinomial Naïve Bayes,” J.
Nas. Teknik Elektro dan Teknologi Informasi (JNTETI), Vol. 9, No. 2, hal. 171–179, 2020.
N.A. Shafira dan Irhamah, “Klasifikasi Sentimen Ulasan Film Indonesia dengan Konversi Speech-to-Text (STT) Menggunakan Metode Convolution Neural Network (CNN),” Jurnal Sains dan Seni ITS, Vol. 9, No. 1, hal. 95-101, 2020.
I.C. Irsan dan M.L. Khodra, “Hierarchical Multi-Label News Article Classification with Distributed Semantic Model Based Features,” Int. Journal of Advances in Intelligent Informatics, Vol. 5, No. 1, hal. 40-47, 2019.
S. Sirattanajakarin dan P. Thusaranon, “Movie Genre in Multi-Label Classification Using Semantic Extraction from Only Movie Poster,” ICCCM 2019: Proc. the 2019 7th International Conference on Computer and Communications Management, 2019, hal. 23-27.
A. Jain, G. Kulkarni, dan V. Shah, “Natural Language Processing,” Int. Journal of Computer Sciences and Engineering (IJCSE), Vol. 6, No. 1, hal. 161-167, 2018.
N.I. Widiastuti, “Convolution Neural Network for Text Mining and Natural Language Processing,” IOP Conference Series: Materials Science and Engineering, Vol. 662, No. 5, hal. 1-6, 2019.
P. Zhou, Z. Qi, S. Zheng, J. Xu, H. Bao, dan B. Xu, “Text Classification Improved by Integrating Bidirectional LSTM with Two-Dimensional Max Pooling,” Proc. COLING 2016 - 26th International Conference on Computational Linguistics, 2016, hal. 3485–3495.
Satyabrata, S. Chakraborty, dan H.-C. Kim, “Convolution Neural Network-Based Model for Web-Based Text Classification,” Int. Journal of Electrical and Computer Engineering (IJECE), Vol. 9, No. 6, hal. 5185-5191.2019.
G. Onwujekwe dan V. Yoon, “Activation Functions and their Impact on the Training and Performance of Convolution Neural Network Models,” Proc. the Americas Conference on Information Systems (AMCIS), 2020, hal. 1-5.
P. Ekman dan W.V. Friesen, Facial Action Coding System: A Technique for the Measurement of Facial Movement, Palto Alto, USA: Consulting Psychologies Press, 1978.
S. Du, Y. Tao, dan A.M. Martinez, “Compound Facial Expressions of Emotion,” Proc. of the National Academy of Sciences, 2014, hal. 1454-1462.
F. Nie, Z. Hu, dan X. Li, “An Investigation for Loss Functions Widely Used in Machine Learning,” Communication in Information and System, Vol. 18, No. 1, hal. 37-52, 2018.
I. Duntsch dan G. Gediga, "Confusion Matrices and Rough Set Data Analysis," Journal of Physics: Conf. Series, Vol. 1229, hal. 1-6, 2019.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
