Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis, terus menjadi salah satu penyebab utama kematian di dunia. Deteksi TB dapat dilakukan melalui analisis citra X-Ray dada (CXR), dan berbagai penelitian telah memanfaatkan kecerdasan buatan (AI) untuk mengotomasi serta meningkatkan proses diagnostik. Namun, pendekatan yang ada sering kali hanya berfokus pada deteksi lesi secara parsial atau tidak lengkap, tanpa menyediakan solusi komprehensif untuk klasifikasi multi-label dan multi-kelas dari seluruh spektrum anomali yang terkait TB. Penelitian ini mengembangkan model Artificial Intelligence (AI) dengan arsitektur SwinTransformer Tiny untuk klasifikasi multi-kelas dan multi-label 14 anomali terkait TB secara lebih efisien. Data yang digunakan terdiri dari 133 citra CXR dari RSUPN Dr. Cipto Mangunkusumo (RSCM) dan 360 citra dari dataset National Institutes of Health (NIH). Ketidakseimbangan data diatasi dengan teknik augmentasi data dan penggunaan customized focal loss. Model ini berhasil mencapai AUC sebesar 0.57, Binary Accuracy 0.869, nilai Loss 0.068, dan nilai Hamming Score 0.514. Dibandingkan dengan beberapa arsitektur lainnya seperti Hybrid CNN & ViT, ConvNeXt Tiny, dan EfficientNetB0, model ini menunjukkan performa AUC terbaik. Dalam kasus klasifikasi multi-label dan multi-kelas seperti ini, AUC menjadi metrik utama yang lebih relevan untuk mengevaluasi keberhasilan model. Mengingat kompleksitas dalam menangani data multi-label dan multi-kelas dengan sampel yang terbatas serta ketidakseimbangan data, skor AUC ini mencerminkan tantangan yang ada dalam tugas ini, bukan kekurangan dari model itu sendiri. Dengan mengklasifikasikan label-label TB yang paling spesifik dalam satu studi AI, penelitian ini menyoroti potensi AI untuk meningkatkan akurasi dan efisiensi dalam mendeteksi anomali terkait TB. Selain itu, model ini dilengkapi dengan penerapan Saliency Map sebagai metode Explainable AI (XAI), yang memberikan interpretasi medis yang lebih jelas terhadap prediksi model.

---

Tuberculosis (TB), caused by Mycobacterium tuberculosis, remains one of the leading causes of death worldwide. TB detection can be performed through Chest X-Ray (CXR) analysis, and various studies have leveraged artificial intelligence (AI) to automate and enhance the diagnostic process. However, existing approaches often focus only on partial or incomplete lesion detection, lacking a comprehensive solution for multi-label and multi-class classification of the full spectrum of TB-related anomalies. This study developed an AI model using the SwinTransformer Tiny architecture for efficient multi-class and multi-label classification of 14 TB-related anomalies. The dataset consisted of 133 CXR images from RSUPN Dr. Cipto Mangunkusumo and 360 images from the NIH dataset. Data imbalance was addressed using data augmentation techniques and customized focal loss. The model achieved an AUC of 0.57, an accuracy of 0.869, a Loss value of 0.068, and Hamming Score value 0.514. Compared to other architectures such as Hybrid CNN & ViT, ConvNeXt Tiny, and EfficientNetB0, this model demonstrated the best AUC performance. In multi-label and multi-class classification tasks like this, AUC is the primary metric for evaluating model performance. Given the complexity of handling multi-label and multi-class data with limited and imbalanced samples, the AUC score reflects the challenging nature of this task rather than any shortcomings of the model itself. By classifying the most specific TB-related labels in a single AI study, this research highlights the potential of AI to improve the accuracy and efficiency of detecting TB-related anomalies. Furthermore, the model is equipped with the implementation of Saliency map as an Explainable AI (XAI) method, providing clearer medical interpretations of the model's predictions."

"Diabetes melitus tipe 2 (DMT2) merupakan salah satu tipe diabetes yang telah menjadi permasalahan besar dalam dunia kesehatan. Salah satu pengobatan DMT2 yang mendegrasi enzim glukagon dan meningkatkan sekresi insulin adalah inhibitor Dipeptidil Peptidase-IV (DPP-IV).  Inhibitor DPP-IV yang sudah digunakan memiliki efek samping yang bahaya, seperti pankreatitis akut, arthalagia, dan gagal jantung. Pada penelitian ini, dilakukan pengembangan model Virtual Screening (VS) menggunakan teknologi Artificial Intelligence (AI) untuk identifikasi inhibitor DPP-IV yang berpotensi. Pengembangan model VS dilakukan menggunakan konsep machine learning (ML) dan deep learning (DL). Pada penelitian ini, dilakukan 18 pengembangan model ML dan 8 model DL. Model VS DPP-IV yang optimal merupakan DNN dengan fitur Fingerprint dengan nilai parameter statistik lebih tinggi dari threshold VS optimal yaitu 0,85, dengan akurasi 0,91554, presisi 0,90815, sensitivitas 0,92319, selektivitas 0,90801, dan nilai F1 0,9156. Hyperparameter optimal model VS adalah tiga layer dengan jumlah neuron 2.000, 1.000, 100; nilai dropout 0; ukuran batch size 256; jumlah epoch 100; kecepatan learning rate 0,0001; dan tipe activation function merupakan RELU. Model VS DPP-IV dilakukan ujicoba terhadap database bindingDB dan didapat 24 ligan potensi. Berdasarkan perbandingan nilai binding affinity 24 ligan potensi terhadap ligan inhibitor DPP-IV menggunakan penambatan molekular, didapat satu ligan potensi berinteraksi dengan situs aktif S2 dan tujuh ligan potensi berinteraksi dengan situs aktif S3. Ligan tersebut memiliki nilai binding affinity lebih rendah dari ligan inhibitor DPP-IV yang FDA-approved dan lebih rendah dari -8 kcal/mol. Hasil ini menunjukkan bahwa model VS DPP-IV menggunakan AI dapat menjadi metode virtual screening dalam identifikasi inhibitor DPP-IV yang baru.

---

Diabetes mellitus type 2 (DMT2) is one of diabetes type that has been causing problems in the health sector. One of the DMT2 medications that can degrade glucagon enzyme and increase insulin secretion is a Dipeptydil Peptidase-IV (DPP-IV) inhibitor. However, DPP-IV inhibitor drugs result in unexpected side effects such as acute pancreatitis, arthralgia, and heart failure. This research developed a virtual screening (VS) model using Artificial Intelligence (AI) to identify potential DPP-IV inhibitors. VS models that were developed were 18 ML models and 8 DL models. DNN with fingerprint features was the VS model best optimal with statistical parameters that exceeds the optimum VS threshold value, which is 0,85, with accuracy 0,91554, precision 0,90815, sensitivity 0,92319, selectivity 0,90801, and F1 score 0,9156. Optimum VS model hyperparameter used a three-layered neuron with the neuron amount of each layer were 2000, 1000, and 100; zero dropout, 256 batch size, 100 epochs, learning rate 0,0001 with RELU as activation function. DPP-IV VS model was used to predict potential ligands using bindingDB and showed 24 ligands with an AI confidence level above 0.98. Based on the binding affinity comparison with DPP-IV inhibitors by molecular docking, it resulted one ligand interacting with active site S2 and seven ligands interacting with active site S3. These ligands had lower binding affinity value compared to FDA-approved DPP-IV inhibitor by docking. The result of this research showed that the DPP-IV VS model using AI could be a new VS model in identifying new DPP-IV inhibitors."

"Sektor perikanan Indonesia merupakan salah satu sektor penting bagi kemajuan perekonomian Indonesia dikarenakan Indonesia yang memiliki luas laut yang sangat besar dan SDA ikan yang berlimpah. Namun, sampai saat ini perdagangan ikan ilegal masih sering terjadi di kalangan nelayan yang biasanya dilakukan di atas kapal walaupun sudah ada petugas pengawas. Untuk mengatasi masalah ini perlu adanya sistem pengawasan dengan menggunakan kamera CCTV dan artificial intelligence di atas kapal dengan harapan dapat mengurangi resiko kecurangan petugas setempat dan meningkatkan efektivitas pengawasan penangkapan ikan. Penelitian ini berfokus untuk mencari model dengan menyesuaikan beberapa hyperparameter untuk mendapatkan hasil yang terbaik dengan menggunakan algoritma YOLOv6 untuk object detection dan YOLOv8 untuk segmentation. Penelitian ini mendapatkan model terbaik untuk object detection menggunakan YOLOv6 dengan nilai mAP @0,5 sebesar 0,833, mAP @0,5-0,95 sebesar 0,63, F1-score sebesar 0,861 dan FPS 92 dan segmentation menggunakan YOLOv8 menghasilkan nilai mAP mask @0,5 sebesar 0,804, mAP mask @0,5-0,95 sebesar 0,426, mAP box @0,5 sebesar 0,843, dan mAP box @0,5-0,95 sebesar 0,561. Kedua versi YOLO tersebut dapat mengklasifikasi jenis ikan yang ditangkap oleh nelayan dengan harapan dapat mempermudah proses pencatatan dan penyimpanan data hasil penangkapan ikan.

---

The Indonesian fisheries sector is one of the important sectors for the progress of the Indonesian economy because Indonesia has a very large sea area and abundant fish resources. However, until now illegal fish trade is still common among fishermen, which is usually carried out on boats even though there are supervisors. To overcome this problem, it is necessary to have a surveillance system using CCTV cameras and artificial intelligence on board so that it will reduce the risk of fraud by local officers and increase the effectiveness of fishing supervision. This research focuses on finding a model by adjusting several hyperparameters to get the best results using the YOLOv6 algorithm for object detection and YOLOv8 for segmentation. This study found the best model for object detection using YOLOv6 with a mAP @0.5 value of 0.833, mAP @0.5-0.95 of 0.63, F1-score of 0.861 and FPS 92 and segmentation using YOLOv8 produces a mAP mask value @0.5 is 0.804, mAP mask @0.5-0.95 is 0.426, mAP box @0.5 is 0.843, and mAP box @0.5-0.95 is 0.561. The two YOLO versions can classify the types of fish caught by fishermen in the hope of facilitating the process of recording and storing data on fishing results."

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Perkembangan teknologi telah memberikan kemudahan bagi sejumlah pihak, salah satunya dalam membangun hubungan pelanggan. Hubungan pelanggan dapat dibangun serta dipelihara melalui sistem yang terintegrasi antara CRM dan AI. Keduanya memberikan solusi bagi perusahaan maupun institusi lainnya untuk memperoleh data serta memenuhi kebutuhan pelanggan. Oleh sebab itu, tulisan ini ingin melihat efektivitas penggunaan CRM dan AI dalam mengelola pelanggan yang bertujuan untuk mengetahui kebutuhan maupun perilaku para pelanggannya. CRM yang telah terintegrasi oleh AI, memberikan manfaat yang besar dibandingkan CRM tradisional. Atas manfaat yang diperoleh, CRM yang terintegrasi dengan AI sangat membantu perusahaan dalam efisiensi waktu maupun biaya serta efektivitas dalam pemenuhan kebutuhan pelanggan serta penyelesaian permasalahan yang sedang dihadapi. Dengan demikian, penggunaan CRM dan AI secara bersamaan dinilai lebih efektif dibandingkan dengan CRM tradisional.

---

Technological developments have made things easier for several parties, one of which is building customer relationships. Customer relationships can be built and maintained through an integrated system between CRM and AI. Both provide solutions for companies and other institutions to obtain data and meet customer needs. Therefore, this paper wants to see the effectiveness of using CRM and AI in managing customers to know the needs and behaviors of customers. CRM that has been integrated with AI provides great benefits compared to traditional CRM. Due to the benefits obtained, CRM integrated with AI helps companies in terms of time and cost efficiency as well as effectiveness in meeting customer needs and resolving the problems they are facing. Thus, using CRM and AI together is considered more effective than traditional CRM."

"Penelitian ini berfokus pada permasalahan tanggung jawab dan bias yang terjadi dalam Artificiall intelligence melalui penerapannya pada Applicant Tracking System (ATS). Masalah ini menimbulkan pertanyaan mengenai agen yang bertanggung jawab atas bias yang ditimbulkan AI. Terdapat dua posisi dalam agen moral teknologi, pertama manusia sebagai agen moral dan kedua, AI sebagai agen moral. Namun, kedua posisi ini memiliki masalah yang membuatnya tidak cukup untuk memahami permasalahan tanggung jawab moral dalam AI. Artikel ini membahas permasalahan tanggung jawab dalam bias yang terjadi pada AI melalui penerapannya pada ATS dan mengargumentasikan bagaimana kita seharusnya memahami permasalahan tersebut. Artikel ini disusun menggunakan kajian literatur dan metode analisis deskriptif dengan teori mediasi teknologi Peter Paul Verbeek sebagai kerangka analisis. Dimulai dari pemaparan mengenai AI dan ATS, dimensi bias dalam ATS AI, pemaparan mengenai tanggung jawab dalam AI dan diakhiri dengan pemaparan teori mediasi dari Paul Verbeek dan analisis tanggung jawab AI untuk memahami relevansi moral dan status moral dari teknologi sebagai pendekatan baru dalam menjawab problem tanggung jawab dalam AI. Artikel ini bertujuan untuk mendemonstrasikan bagaimana mutualitas teknologi dan manusia terjadi dalam AI dan bahwa permasalahan tanggung jawab moral bukan permasalahan antara satu entitas manusia atau AI tetapi merupakan gabungan keduanya.

---

This study focuses on the problem of responsibility and bias that occurs in Artificial intelligence through its application in Applicant Tracking System (ATS). This issue raises questions about the responsible agents of bias in AI systems. There are two positions in the moral agent of technology, firstly humans as moral agent and secondly, AI as moral agent. However, both positions have issues that make them insufficient to understand the issue of moral responsibility in AI. This article examines the issue of responsibility for bias that occurs in AI through its application to ATS and argues how we should understand the problem. This article was compiled using literature review and descriptive analysis method with Peter Paul Verbeek's technology mediation theory as the analytical framework. Starting with a discussion about AI and ATS, the dimensions of bias in ATS AI, responsibility issue in AI and ends with a discussion of mediation theory from Paul Verbeek and an analysis of AI responsibility to understand the moral relevance and moral status of technology as a new approach in answering the problem of responsibility. This article aims to demonstrate how the mutuality of technology and humans occurs in AI and that the issue of moral responsibility is not a problem between a single human entity or AI but a combination of the two entities."

"Teknologi yang disebut sebagai AI (Artificial Inteligence atau kecerdasan buatan) diciptakan dengan tujuan agar manusia dapat berinteraksi dengan algoritma dan program yang kompleks namun dengan komunikasi yang natural layaknya berbicara dengan manusia lain. Serupa teknologi lain, AI memiliki kelebihan dan kekurangan yang tampak sebagai hasil dari interaksi antara manusia dengan AI, seperti yang tampak pada film pendek Unter Druck. Unter Druck merupakan sebuah film pendek yang dibuat oleh kanal YouTube Filmakademie Baden-Württemberg, yang menceritakan seorang seniman amatir yang meraih kesuksesan dengan bantuan mesin fotokopi yang memiliki kemampuan berpikir layaknya sebuah AI. Penelitian ini akan membahas tentang interaksi dan dampak dari interaksi antara manusia dengan AI yang tergambarkan pada film tersebut. Penelitian ini menggunakan teori mengenai paradoks yang menjelaskan tentang adanya kekecewaan yang ada dikarenakan perkembangan AI yang maju dan tingkat produktivitas yang tidak meningkat oleh Erik Brynjolfsson, Daniel Rock, dan Chad Syverson, dan teori lain mengenai jenis-jenis AI, pentingnya perkembangan AI bagi hidup manusia, dan apa yang bisa dilakukan untuk mengembangkan AI oleh Philip Boucher. Hasil penelitian menunjukkan bahwa interaksi antara manusia dengan AI dapat menguntungkan bagi manusia dalam berbagai aspek bila interaksi tersebut merupakan interaksi yang sehat, namun bila kekurangan AI seperti ketidakmampuan untuk menyaring informasi tidak diperbaiki, interaksi antara manusia dengan AI dapat berakibat fatal bagi manusia. Selain itu, sifat manusia yang serakah juga dapat berkontribusi terhadap munculnya interaksi yang tidak sehat antara manusia dengan AI, yang dapat berakibat buruk bagi manusia.

---

The technology known as AI (Artificial Intelligence) was created with the aim that humans can interact with complex algorithms and programs with natural communication processes as easy as talking to other humans. Like other technologies, AI certainly has advantages and disadvantages that will be shown as a result of the interaction between humans and AI, as seen in the short film Unter Druck. Unter Druck is a short film made by the YouTube channel Filmakademie Baden-Württemberg, which tells of an amateur artist who achieves success with the help of a photocopy machine that has the ability to think and act like an AI. Therefore, this study will discuss the interactions and impacts of the said interactions between humans and AI depicted in the film. This study uses a theory that explains of a certain paradox that dictates that there is a disappointment regarding the stagnant state of productivity, while AI developments has reached the point where it has never seen before by Erik Brynjolfsson, Daniel Rock, and Chad Syverson, and another theory by Philip Boucher that explains the many categories of AI, why AI is important for human lives, and what can we do to improve AI. The results of the study show that the interaction between humans and AI can benefit humans in various aspects if the interaction is a healthy interaction, but if AI deficiencies such as the inability to filter information are not corrected, the interaction between humans and AI can be fatal for humans. Aside from that, certain the human trait of greed can also contribute to the rising of such an unhealthy interaction between humans and AI, an interaction that can have an unpleasant result for humans.

"

"Rotating machinery dalam industri minyak dan gas merupakan aset kritis yang beroperasi dalam medan kerja yang berat, sehingga beberapa bagian umum rentan mengalami fault. Fault merupakan anomali yang menunjukkan penyimpangan dari kondisi operasi normal pada suatu sistem, sehingga perlu dideteksi lebih dini, secara akurat, dan terotomasi. Salah satu metode yang dapat digunakan adalah dengan machine learning. Data yang digunakan dalam penelitian ini adalah sensor condition monitoring aset rotating machinery yang diperoleh dari sebuah perusahaan minyak dan gas di Indonesia. Data sensor yang diperoleh mencakup 3 operation parameters yakni kecepatan, suhu, dan vibrasi. Algoritme klasifikasi pada penelitian ini menggunakan supervised learning yakni Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbors (KNN). Kinerja model machine learning dievaluasi menggunakan metrik accuracy, precision, F1 score, dan matthews correlation coefficient (MCC). Hasil model klasifikasi random forest menunjukkan hasil yang sangat baik dengan akurasi 98,5%, presisi 98,6%, f1-score 98,5%, dan MCC sebesar 97,2%. Analisis SHAP Explainer secara global mampu menjelaskan feature importance dan secara lokal yang memperlihatkan kontribusi variabel-variabel operating parameter yang berkontribusi paling besar pada kelas normal, alert, dan fault.

---

Rotating machinery in the oil and gas industry is a critical asset that operates in a tough work environment, where some of the common parts are prone to faults. Fault is an anomaly that indicates a deviation from the normal operating conditions of a system, so it needs to be detected early, accurately, and automated. The data used in this study is obtained from a condition monitoring sensor of rotating machinery in an oil and gas company in Indonesia. The acquired sensor data includes 3 operating parameters: speed, temperature, and vibration. The classification algorithms used in this research are supervised learning methods, namely Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbors (KNN). The performance of the machine learning models is evaluated using metrics such as accuracy, precision, F1 score, and Matthews correlation coefficient (MCC). The results of the random forest classification model show very good results with an accuracy of 98.5%, a precision of 98.6%, an f1-score of 98.5%, and an MCC of 97.2%. SHAP Explainer in global explanation is able to explain the feature importance and also locally which shows the contribution of operating parameter variables that contribute the most to the normal, alert, and fault classes."

"Kebangkitan Kecerdasan Buatan (AI) telah mendorong banyak sektor pekerjaan untuk berkembang atau berisiko menjadi kuno. Industri penerjemahan tidak terkecuali. Artikel ini bertujuan untuk mempraktikkan penerjemahan pascahumanis dengan Gemini. Studi ini bertujuan untuk menunjukkan kelebihan dan kekurangan dari terjemahan yang dihasilkan oleh AI melalui penerjemahan puisi tradisional: yang diperoleh dan yang hilang dalam terjemahan, serta bagaimana prompt engineering dapat mempengaruhi hasil terjemahan dari beberapa Pantun Nasihat, Agama, dan Adat yang dipilih dari Pantun Melayu: Masa Silam dan Masa Kini (2008). Untuk tujuan ini, modifikasi analisis multi-fitur dan empat pendekatan dalam penerjemahan puisi yang dikemukakan oleh Holmes (1970) dalam Eesa (2008) akan diterapkan. Temuan menunjukkan bahwa kinerja Gemini dalam menerjemahkan masih tidak konsisten, tetapi adanya potensi untuk menjadi alat yang kuat jika mendapat bimbingan yang tepat. Bimbingan ini, dalam bentuk masukan yang diterima, yang harus dilakukan oleh penerjemah manusia yang akrab dengan genre teks dan konvensi teks yang ingin mereka terjemahkan.

---

The rise of Artificial Intelligence (AI) has incited many job sectors to evolve or risk obsolescence. The translation industry is no exception. The article aims to put posthumanist translation into practice with Gemini. The study aims to show the advantages and drawbacks of AI-generated translations through the translation of traditional poetry: what is gained and what is lost in translation, and how prompt engineering could affect the results of the translation of select pantuns of Wisdom (Nasihat), Religion (Agama), and Customs (Adat) extracted from Pantun Melayu: Masa Silam dan Masa Kini (2008). For this purpose, a modification of the multi-feature analysis and the four approaches in poetry translation as propounded by Holmes (1970) in Eesa (2008) will be applied. Findings indicate that Gemini’s performance in translating is still inconsistent, but it does have the potential to be a powerful tool if it received the right guidance. This guidance, in the form of the input it receives, must be done by a human translator who is familiar with the textual genre and conventions of the text they wish to translate.

"

"

Kecerdasan buatan atau Artificial Intelligence (AI) banyak berkembang dalam sektor-sektor seperti: speech recognition, computer vision, Natural Language Processing, dll. Salah satu sektor penting yang banyak dikembangkan oleh peneliti adalah Speech Emotion Recognition atau pengenalan emosi berdasarkan suara manusia. Penelitian ini semakin berkembang karena timbul sebuah tantangan bagi manusia untuk memiliki interaksi mesin dan manusia yang lebih natural yaitu suatu mesin yang dapat merespon emosi manusia dengan memberikan balasan yang tepat juga. Perancangan Speech Emotion Recognition pada penelitian ini menggunakan dataset berupa fitur ekstraksi audio MFCC, Spectrogram, Mel Spectrogram, Chromagram, dan Tonnetz serta memanfaatkan metode Transfer Learning VGG-16 dalam pelatihan modelnya. Dataset yang digunakan diperoleh dari pemotongan audio dari beberapa film berbahasa Indonesia dan kemudian audio yang diperoleh diekstraksi fitur dalam kelima bentuk fitur yang disebut sebelumnya. Hasil akurasi model paling baik dalam penelitian ini adalah model transfer learning VGG-16 dengan dataset Mel Spectrogram yaitu dengan nilai akurasi 56.2%. Dalam pengujian model dalam pengenalan setiap emosi, f1-score terbaik diperoleh model transfer learning VGG-16 dengan dataset Mel Spectrogram dengan f1-score yaitu 55.5%. Skala mel yang diterapkan pada ekstraksi fitur mel spectrogram berpengaruh terhadap baiknya kemampuan model dalam mengenali emosi manusia.

---

Artificial Intelligence has been used in many sectors, such as speech recognition, computer vision, Natural Language Processing, etc. There was one more important sector that has been developed well by the scientists which are Speech Emotion Recognition. This research is developing because of the new challenge by human to have a better natural interaction between machines and humans where machines can respond to human’s emotions and give proper feedback. In this research, to create the speech emotion recognition system, audio feature extraction such as MFCC, Spectrogram, Mel Spectrogram, Chromagram, and Tonnetz were used as input, and using VGG-16 Transfer Learning Method for the model training. The datasets were collected from the trimming of audio from several Indonesian movies, the trimmed audio will be extracted to the 5 features mentioned before. The best model accuracy is VGG-16 with Mel Spectrogram dataset which has reached 56.2% of accuracy. In terms of recognizing the emotion, the best f1-score is reached by the model VGG-16 with Mel Spectrogram dataset which has 55.5% of f1-score. Mel scale that is applied to the feature extraction of mel spectrogram affected the model’s ability to recognize human emotion.

"