Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox. ......The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox.

Abstrak :
Pengenalan Entitas Bernama (NER) telah diteliti cukup dalam, khususnya pada korpus berbahasa Inggris. Namun, penelitian NER pada korpus twit berbahasa Indonesia masih sangat sedikit karena minimnya dataset yang tersedia secara publik. BERT sebagai salah satu model state-of-the-art pada permasalahan NER belum diimplementasikan pada korpus twit berbahasa Indonesia. Kontribusi kami pada penelitian ini adalah mengembangkan dataset NER baru pada korpus twit berbahasa Indonesia sebanyak 7.426 twit, serta melakukan eksperimen pada model CRF dan BERT pada dataset tersebut. Pada akhirnya, model terbaik pada penelitian ini menghasilkan nilai F1 72,35% pada evaluasi tingkat token, serta nilai F1 79,27% (partial match) dan 75,40% (exact match) pada evaluasi tingkat entitas. ......Named Entity Recognition (NER) has been extensively researched, primarily for understanding the English corpus. However, there has been very little NER research for understanding Indonesian-language tweet corpus due to the lack of publicly available datasets. As one of the state-of-the-art models in NER, BERT has not yet been implemented in the Indonesian-language tweet corpus. Our contribution to this research is to develop a new NER dataset on the corpus of 7.426 Indonesian-language tweets and to conduct experiments on the CRF and BERT models on the dataset. In the end, the best model of this research resulted in an F1 score of 72,35% at the token level evaluation and an F1 score of 79,27% (partial match) and 75,40% (exact match) at the entity level evaluation.

Abstrak :
Pengenalan wajah adalah permasalahan fundamental di computer vision. Salah satu solusi permasalahan ini adalah pembelajaran metrik, yang dapat dilakukan dengan metode deterministik atau metode probabilistik. Penelitian ini bertujuan untuk menggabungkan keunggulan model deterministik Proxy Anchor dengan model probabilistik Probabilistic Face Embeddings menjadi suatu model usulan ProxyPE. Selain itu, kami juga mengusulkan kerangka alur prapemrosesan citra wajah untuk citra masukan melalui restorasi wajah dengan GFP-GAN. Dataset citra wajah yang digunakan pada penelitian ini adalah dataset Labelled Faces in the Wild. Pengujian pada model ProxyPE menunjukkan hasil evaluasi yang lebih unggul dengan MAP@R sebesar 8.28, dibandingkan dengan model Probabilistic Face Embeddings dengan MAP@R sebesar 4.58, namun belum sebaik model Proxy Anchor dengan dengan MAP@R sebesar 18.75. Selanjutnya, peningkatan kualitas citra melalui restorasi wajah dengan GFP-GAN secara umum meningkatkan kinerja model usulan. Pengenalan wajah pada ProxyPE yang didahului prapemrosesan citra wajah tersebut menunjukkan peningkatan kinerja dengan MAP@R sebesar 8.74. Secara umum, model usulan ProxyPE dapat mengenali wajah dengan lebih baik daripada Probabilistic Face Embeddings dengan dan tanpa GFP-GAN. ......Face recognition is a fundamental problem in computer vision. One solution to this problem is metric learning, that can be done with deterministic methods or probabilistic methods. This research aims to combine the advantages of the deterministic Proxy Anchor model and the Probabilistic Face Embeddings model, into the proposed ProxyPE model. In addition, we also propose an image preprocessing framework for input images by restoring faces using GFP-GAN. The dataset of face images used in this research is the Labelled Faces in the Wild dataset. Evaluation on the ProxyPE model shows better results with MAP@R of 8.28, compared to the Probabilistic Face Embeddings model’s MAP@R of 4.58, but not as good as the Proxy Anchor model’s MAP@R of 18.75. Furthermore, improving image quality through face restoration with GFP-GAN generally improves our model’s performance. Face recognition on ProxyPE preceded by preprocessing face images results in a performance improvement with MAP@R of 8.74. Overall, the proposed ProxyPE model achieves better performance than Probabilistic Face Embeddings with and without GFP-GAN.

Abstrak :
Kejadian banjir ekstrem diperkirakan semakin sering terjadi seiring dengan perubahan iklim yang belum menunjukkan tanda-tanda perbaikan. Hal ini berpotensi menyebabkan curah hujan yang lebih tinggi dari rata-rata dan laju kenaikan genangan banjir yang lebih cepat dari biasanya. Ketidaktahuan bahwa suatu daerah tergenang banjir juga bisa mengakibatkan kendaraan terjebak di daerah banjir, kemacetan lalu lintas, serta terlambatnya evakuasi warga terutama yang tinggal di daerah rawan banjir. Penelitian ini bertujuan memberikan alternatif sumber informasi mengenai ketinggian genangan banjir dengan memanfaatkan data teks dari tweet pada media sosial Twitter. Salah satu tantangannya yaitu bahwa ketinggian genangan tidak selalu disebutkan dalam standar satuan internasional seperti centimeter atau meter sehingga machine learning digunakan untuk mengatasinya. Penyebutan ketinggian genangan didapati bisa menggunakan referensi bagian tubuh seperti lutut dan pinggang, serta juga bagian kendaraan atau kondisi jalan. Model yang diusulkan memberikan dua keluaran, yaitu kategori relevansi tweet terhadap informasi ketinggian banjir (Relevan atau Tidak Relevan) dan kategori ketinggian banjir (Tinggi, Sedang, Rendah, dan Tidak Diketahui). Algoritma klasifikasi yang digunakan yaitu SVM (Linear SVC dan RBF), Logistic Regression, Random Forest, Decision Tree, dan Naïve Bayes. Hasil uji coba menunjukkan bahwa nilai akurasi tertinggi untuk klasifikasi relevansi tweet adalah 91% dan F1-score tertinggi sebesar 82% diperoleh dengan menggunakan algoritma SVM Linear SVC. Sedangkan hasil klasifikasi ketinggian genangan terbaik diperoleh saat menggunakan SVM Linear SVC dengan akurasi 83% dan rata-rata F1-score 70%. ......Extreme flood events are expected to occur more frequently as climate change has yet to show signs of improvement. This has the potential to lead to higher rainfall and floods that come more quickly. This has the potential for vehicle trapping, traffic jams, or delay in evacuation for people who live in areas which are prone to flooding. Hence, this study aims to provide an alternative source of information in flood conditions by using data in social media Twitter. One of the challenges was information about inundation level is not always in international standard unit like centimeter or meter so that machine learning was used to cope with this problem. Mention of inundation level was found to be done by also referring to certain body parts like knee and waist, and also parts of vehicles or road condition. The proposed model is expected to provide two outputs, which are relevance category of tweet (Relevant or Irrelevant) and inundation level category (High, Medium, Low, Unknown). Some classifier algorithms were used, like SVM (Linear SVC and RBF), Logistic Regression, Random Forest, Decision Tree, and Naïve Bayes. The test results showed that the best relevance classification resulted in 91% accuracy (SVM Linear SVC) and 82% average F1-score by using SVM Linear SVC. On the other side, the best result of classification of inundation level was obtained when using SVM Linear SVC which resulted in 83% accuracy and 70% average F1- score.

Abstrak :
Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox. ......The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox.

Abstrak :
Penelitian ini mengajukan sebuah model adopsi teknologi pembelian videogame gacha dengan pendekatan teori UTAUT-GIM dan perceived risk. Instrumen penelitian dikembangkan dalam bentuk survei yang disebarkan secara daring dimana responden akan mengevaluasi karakter virtual yang mereka pilih dan kemudian mengevaluasi pengalaman pembelian gacha pada permainan Genshin Impact. Uji hipotesis dilakukan dengan analisis data dari total 2218 responden dengan menggunakan metode CB-SEM. Ditemukan bahwa teori UTAUT-GIM dan perceived risk dapat diterapkan dalam konteks adopsi pembelian gacha di videogame. Faktor visual attractiveness dan competency memiliki korelasi positif terhadap perceived value. Faktor perceived fairness memiliki pengaruh positif yang kuat terhadap effort expectancy, anticipated enjoyment, dan social influence. Social influence tidak mendapatkan hasil signifikan pada penelitian ini untuk diambil kesimpulan. Sementara perceived risk memiliki korelasi negatif yang lemah terhadap intensi pengguna untuk membeli gacha. Terakhir, effort expectancy, anticipated enjoyment, social influence, perceived value, dan habit memiliki pengaruh positif yang lemah terhadap keinginan membeli gacha. Penelitian ini memberikan perspektif baru pada model UTAUT-GIM yang ternyata juga relevan untuk digunakan pada konteks videogame gacha dan menjelaskan faktor-faktor yang dapat menjelaskan persepsi nilai sebuah karakter virtual pada videogame gacha. Dengan hasil ini, pengembang videogame gacha dapat mengetahui bagaimana prioritas yang harus disusun dalam pengembangan videogame gacha agar dapat memiliki keseimbangan antara pencarian keuntungan dan strategi pemasaran gacha yang tidak sehat. ......This study proposes a technology adoption model for buying gacha videogames with the UTAUT-GIM theoretical approach and risk perception. The research instrument was developed in the form of a boldly launched survey where respondents would develop a virtual character of their choosing and then develop a gacha buying experience in the Genshin Impact game. Hypothesis testing was carried out by analyzing data of total 2218 respondents using the CB-SEM method. It was found that the UTAUT-GIM theory and perceived risk can be applied in the context of the adoption of gacha purchases in videogames. The factors of visual attractiveness and competence have a positive correlation with perceived value. Perceived fairness has a strong positive effect on business expectations, anticipated enjoyment, and social influence. Social influence did not get significant results in this study to draw conclusions. While the perceived risk has a weak negative correlation on the intention of users to buy gacha. Finally, effort expectations, anticipated enjoyment, social influence, perceived value, and habits have a weak positive influence on the desire to buy gacha. This study provides a new perspective on the UTAUT-GIM model which is also relevant for use in the context of the gacha videogame and explains the factors that can explain the perceived value of a virtual character in the gacha videogame. With this result, gacha videogame developers can find out how priorities must be set in gacha videogame development to have a balance between profits and unhealthy gacha marketing strategies.

Abstrak :
Developer aplikasi web biasanya akan meniru dan memodifikasi sistem yang sudah ada. Hal tersebut terjadi karena sistem aplikasi web tidak jauh berbeda satu dengan yang lainnya. Namun, masalah timbul saat sistem yang ditiru mengalami perubahan. Aplikasi web yang menggunakan sistem tersebut perlu mengalami perubahan dan penyesuaian kembali. Permasalahan tersebut dapat diselesaikan dengan paradigma pengembangan bernama Software Product Line Engineering (SPLE). SPLE melihat domain dan variasi sistem yang dimiliki domain sebagai suatu product family yang mengklasifikasikan produk-produknya berdasarkan kemiripan dan perbedaan antara setiap variasi produk. Salah satu studi kasus penerapan SPLE pada aplikasi web adalah Amanah, yaitu sebuah web generator untuk organisasi amal yang memanfaatkan teknologi Prices-IDE untuk membangkitkan aplikasi web. Amanah menggunakan WinVMJ untuk membangkitkan back end dan IFML untuk abstraksi front end dari produk Amanah. Fitur yang dihasilkan penelitian ini dievaluasi mengguanakan user acceptance test dan six quality criteria. WinVMJ dan IFML berhasil menjadi tool yang menerapkan paradigma SPLE dalam pengunaannya. Dihasilkan UML diagram dari pengembangan fitur pada penelitian ini. Selain itu, adanya penambahan fitur pada WinVMJ untuk peningkatan WinVMJ sebagai web framework. ......Web application developers will usually clone and modify existing systems. It happens because web application systems are not much different from one another. However, problems arise when the cloned system change. The web application that uses the system needs to readjust following the changes. We can use a development paradigm called Software Product Line Engineering (SPLE) to solve that problem. SPLE sees the domain and the variety of systems owned by the domain as a product family that classifies its products based on the commonalities and variabilities between each product variation. One of the case studies of SPLE application in development of web applications is Amanah, a web generator for charity organizations that uses Prices-IDE technology to generate web applications. Amanah uses WinVMJ to produce the back end and IFML to abstract the front end. The features developed in this research were evaluated using six quality criteria and user acceptance tests. WinVMJ and IFML succeeded in becoming tools that apply the SPLE paradigm. This research also produced UML diagrams for the developed features. In addition, there are improvements in WinVMJ as a web framework.

Abstrak :
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.

Abstrak :

Walaupun belum semaju dan sekomprehensif bahasa-bahasa lainnya, penelitian NLP bahasa Indonesia telah mengalami perkembangan yang cukup signifikan. Penelitian NLP tersebut mencakup POS-Tagging, Named Entity Recognition, dependency parsing, coreference resolution, dan lain sebagainya. Dari penelitian-penelitian NLP bahasa Indonesia yang telah ada, perlu dilakukan validasi dan verifikasi apakah modul NLP pada penelitian tersebut masih relevan atau tidak. Hal tersebut perlu dilakukan karena mungkin saja terjadi kesalahan pada penelitian sebelumnya atau terdapat model yang lebih baik dari penelitian tersebut. Proses tersebut dapat dilakukan melalui evaluasi intrinsik maupun ekstrinsik. Evaluasi intrinsik dapat dilakukan dari reproduksi atau replikasi penelitian yang telah ada, sementara itu evaluasi ekstrinsik dilakukan dengan membangun sistem tanya jawab dari modul-modul NLP tersebut. Hasilnya, didapatkan beberapa modul seperti POS-Tagging dan NER masih cukup relevan dan memiliki dataset yang berkualitas. Namun, beberapa modul lain seperti coreference resolution, constituency parsing, dan dependency parsing masih perlu perkembangan lebih lanjut. Berdasarkan hasil evaluasi, sistem yang dibangun memiliki performa terbaik untuk metrik exact match dan F1 berturut-turut di angka 0,108 dan 0,151 untuk dataset SQuAD, 0,063 dan 0,191 untuk dataset TyDiQA, serta 0,127 dan 0,173 untuk dataset IDK-MRC. Dari evaluasi tersebut diketahui juga bahwa sistem tanya jawab yang dibangun menggunakan pipeline modul-modul NLP tidak sebaik model tanya jawab end-to-end menggunakan BERT yang telah di-finetuning. Meskipun begitu, dari hasil penelitian ini ditunjukkan bahwa kita dapat membangun suatu sistem tanya jawab berdasarkan modul-modul NLP bahasa Indonesia yang tersedia. ......Although not as advanced and comprehensive as in other languages, research in Indonesian NLP has experienced significant development. This NLP research encompasses POS-Tagging, Named Entity Recognition, dependency parsing, coreference resolution, and other related areas. From the existing NLP studies conducted in the Indonesian language, it is essential to validate and verify whether the NLP modules used in the research are still relevant. This is important because there might have been errors in previous research or there might be better models available. This process can be accomplished through both intrinsic and extrinsic evaluations. Intrinsic evaluation can be conducted by reproducing or replicating existing research, while extrinsic evaluation involves building a question answering system using these NLP modules. The results show that some modules, such as POS-Tagging and NER, are still quite relevant and have high-quality datasets. However, other modules like coreference resolution, constituency parsing, and dependency parsing still require further development. Based on the evaluation results, the constructed system performs best in terms of exact match and F1 metrics, with scores of 0.108 and 0.151 for the SQuAD dataset, 0.063 and 0.191 for the TyDiQA dataset, and 0.127 and 0.173 for the IDK-MRC dataset, respectively. The evaluation also reveals that the question-answering system built using a pipeline of NLP modules does not perform as well as the end-to-end question-answering model using fine-tuned BERT. Nevertheless, this research demonstrates the feasibility of building a question-answering system based on the available Indonesian NLP modules.

Abstrak :
Sistem Informasi Sidang merupakan salah satu aplikasi sistem informasi milik Fasilkom UI yang berfokuskan pada manajemen sidang yang dilakukan di lingkungan fakultas. Aplikasi ini telah dikembangkan sejak tahun 2010 dan telah mengalami banyak perubahan serta pengembangan fitur baru. Akan tetapi, dari pengembangan tersebut tidak pernah dituliskan dokumentasi teknis yang menjelaskan bagaimana alur kerja dan struktur dari sistem informasi ini. Hal ini dapat mempersulit pengembangan selanjutnya apabila sistem informasi ini akan diperbaharui atau dikembangkan lebih lanjut kedepannya. Berdasarkan permasalahan tersebut, diperlukan dokumen teknis yang dapat menunjang pengembangan aplikasi pada masa mendatang. Tugas akhir ini akan menggunakan metode reverse engineering untuk merumuskan dokumentasi teknis dari aplikasi Sistem Informasi Sidang. Source code serta basis data dari aplikasi akan dibedah berdasarkan metode dari reverse engineering dan tampilan antarmuka dari aplikasi akan dievaluasi serta dianalisis berdasarkan kaidah 8 Golden Rules. Hasil dari tugas akhir ini diharapkan dapat membantu pengembang sistem selanjutnya untuk dapat memahami alur kerja dan struktur dari Sistem Informasi Sidang dengan lebih baik serta menerapkan rekomendasi perbaikan sistem baik secara antarmuka aplikasi maupun secara struktural. ......Sidang Information System is one of the information systems owned by Fasilkom UI that focuses on thesis defense management in the Fasilkom UI faculty environment. This application has already been developed since 2010 and has already undergone changes that include new features development. However, unfortunately for the already done development, there is no technical documentation written to describe how the system works and the structure of the information system. Since there is no technical documentation written, it can potentially complicate and slows the next development of the Sidang Information System. Based on that problem, technical documents are required to support the next development of the Sidang Information System. This final project will utilize reverse engineering to formulate technical documents. Source codes and databases of the application will be studied according to the reverse engineering principles and the user interface of the application will be evaluated and analyzed using the 8 Golden Rules of Interface Design. Hopefully, the result from this final project can help the next developer of the Sidang Information System to understand how the application works and the structure of the application while also implementing the improvement suggestion both on the user interface and the internal of the application.