Article Per Year (5 Year)
p-Index From 2021 - 2026
5.126
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Indonesian Journal of Disability Studies Journal of Environmental Engineering and Sustainable Technology Jurnal Teknologi Informasi dan Ilmu Komputer Register: Jurnal Ilmiah Teknologi Sistem Informasi Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Budi Darma Setiawan
Fakultas Ilmu Komputer , Universitas Brawijaya
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Environmental Science Mechanical Engineering Social Sciences

Published : 152 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 152 Documents
Search

 12   13   14   15   16 
Technostress and Student Well-Being in Islamic Boarding Schools: The Impact of Restricted Gadget Use on Academic Performance and Life Satisfaction Silfiatul Ulumiyah; Mochamad Chandra Saputra; Budi Darma Setiawan
Journal of Information Technology and Computer Science Vol. 10 No. 1: April 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025101679

Abstract

Some boarding schools prohibit the use of gadgets in daily life. Prohibition of the use of gadgets makes students unable to keep up with the development of existing information technology, so it can affect the ability of students to operate information technology related to their utilization of information technology. Students feel dissatisfied with their gadgets because they feel left too far behind with existing technological developments. This dissatisfaction affects individual motivation to accept the development of information technology, causing discomfort, stress, and even fear when dealing with information technology. The rapid growth of technology, but the lack of access for students, can lead to technostress. Technostress has five components: techno-overload, techno-invasion, techno-complexity, techno-insecurity, and techno-uncertainty. This study aims to determine the effect of limiting gadget use on technostress, which affects students' academic performance and life satisfaction. Statistical analysis using PLS-SEM was conducted in this study. Statistical results show that restrictions on gadget use can cause techno-complexity (51.7%) and techno-insecurity (14.5%) in students. However, techno-complexity and techno-insecurity do not affect students' academic performance. On the other hand, techno-insecurity affects the decrease in students' life satisfaction (21.7%) and academic performance (14.1%). Techno-uncertainty affects the reduction of students' academic performance (10.9%).
Klasifikasi Penyakit Alzheimer Berdasarkan Citra MRI Otak Menggunakan ResNet50v2 Dewi, Buana; Muflikhah, Lailil; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit Alzheimer merupakan salah satu bentuk demensia yang disebabkan oleh kerusakan atau malafungsi sel otak, sehingga menghambat kinerja otak secara optimal. Deteksi dini menjadi krusial untuk memperlambat perkembangan penyakit, namun metode diagnosis konvensional masih bergantung pada pemeriksaan klinis yang bersifat subjektif dan memerlukan waktu serta biaya tinggi. Seiring kemajuan teknologi, Convolutional Neural Networks (CNN) semakin efektif dalam analisis data medis, termasuk dalam diagnosis Alzheimer. Penelitian ini bertujuan untuk mengembangkan model klasifikasi penyakit Alzheimer berbasis Convolutional Neural Network (CNN) dengan memanfaatkan arsitektur pre-trained ResNet50V2. Dataset yang digunakan terdiri dari 6.400 citra MRI otak yang terbagi ke dalam empat kategori: Non-Demented, Very Mild Demented, Mild Demented, dan Moderate Demented. Model dikustomisasi dengan penambahan Dense Layer dan Batch Normalization, serta dioptimasi menggunakan Adam optimizer dan fungsi loss categorical cross-entropy. Penelitian ini mengevaluasi model ResNet50V2 untuk klasifikasi citra MRI otak berdasarkan metrik akurasi, precision, recall, dan F1-score, serta menganalisis pengaruh fine-tuning terhadap peningkatan akurasi model. Hasil penelitian menunjukkan bahwa model mencapai akurasi 92.7%, dengan precision, recall, dan F1-score yang konsisten. Teknik fine-tuning terbukti berhasil meningkatkan akurasi dari 73% menjadi 92,7% serta menurunkan test loss dari 0,59 menjadi 0,198. Peningkatan ini dicapai melalui penyesuaian arsitektur model serta optimasi hyperparameter, termasuk learning rate, dropout, dan jumlah epoch. Dengan demikian, penelitian ini menunjukkan bahwa ResNet50V2 dengan fine-tuning terbukti mampu mengklasifikasikan Alzheimer secara akurat, sehingga berpotensi menjadi alat bantu dalam diagnosis dini penyakit ini.
Klasifikasi Citra Ultrasonografi Kanker Payudara Menggunakan Metode ResNet-50 Putri, Rania Aprilia Dwi Setya; Muflikhah, Lailil; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker payudara menjadi penyebab kematian bagi perempuan di dunia dengan jumlah kematian 6,6% secara global dengan 2,3 juta diagnosis baru. Di Indonesia sendiri kanker payudara menjadi penyebab kematian kedua di Indonesia setelah kanker paru-paru. Salah satu metode untuk mendeteksi adanya lesi pada payudara adalah dengan melakukan pemeriksaan ultrasonografi. Ultrasonografi adalah pemeriksaan kesehatan yang memanfaatkan gelombang suara. Beberapa penelitian terkait kanker payudara dikembangkan dengan menggunakan algoritma deep learning untuk membantu analisis citra medis dan klasifikasi kanker payudara. Pada penelitian ini dilakukan klasifikasi kanker payudara dengan mendeteksi tiga kelas (benign, malignant, dan normal) dengan membandingkan data citra ultasonografi asli dengan data yang dipreprocessing overlay. Preprocessing overlay sendiri adalah melakukan penggabungan citra asli dengan citra mask yang didapatkan melalui hasil segmentasi. Citra mask yang digunakan pada penelitian ini diperoleh dari dataset yang sama dengan citra asli. Penelitian ini menggunakan arsitektur ResNet-50 untuk mendapatkan model terbaik dalam melakukan klasifikasi. Modifikas lapisan dilakukan dengan menambahkan lapisan-lapisan tambahan. Hasil pengujian model menunjukkan bahwa model mampu melakukan klasifikasi dengan akurasi model mencapai 99%. Dari hasil ini membuktikan bahwa kombinasi preprocessing overlay dengan ResNet-50 mampu meningkatkan efektivitas klasifikasi kanker payudara menggunakan citra ultrasonografi.
Implementasi Convolutional Neural Network untuk Klasifikasi Kanker Usus Besar Dengan Normalisasi Ghostweight Baihaqi, Galih Restu; Setiawan, Budi Darma; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129432

Abstract

Kanker usus besar merupakan salah satu kanker yang dapat menyebabkan kematian. Jenis kanker ini merupakan kanker peringkat kedua terbanyak pada wanita dan peringkat ketiga terbanyak pada pria. Akhir–akhir ini, pendekatan Deep Learning (DL) banyak digunakan untuk melakukan proses–proses dalam dunia medis. Salah satu metode yang terkenal yaitu Convolutional Neural Network (CNN). CNN tentunya harus memiliki akurasi yang tinggi untuk dapat diterapkan pada kasus ini. Dataset yang digunakan adalah dataset Lung and Colon Cancer Histopathological Images yang berfokus pada kanker ususnya saja. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada CNN adalah dengan menormalisasi bobot. Untuk ini, metode yang diusulkan adalah Ghost Weight Normalization (GWN) dengan normalisasi L1 yang terinspirasi dari GhostNet. Metode ini bekerja dengan cara melakukan pembagian bobot utuh menjadi beberapa bagian yang dinamakan GW dan kemudian dinormalisasi untuk setiap GW-nya, lalu digabung kembali menjadi bobot utuh seperti semula. Pendekatan ini terbukti dapat meningkatkan akurasi CNN dengan sangat baik, yaitu mengalami penambahan akurasi sebesar 14% yang semula CNN biasa memperoleh akurasi sebesar 0.8 menjadi 0.94, presisi 0.8 menjadi 0.94 dan F1-score 0.8 menjadi 0.94. GWN juga dapat mengungguli gaya normalisasi biasa, yaitu normalisasi pada bobot tanpa membaginya menjadi GW. Ukuran GW yang efisien adalah 4 dengan perolehan akurasi, persisi, dan f1-score masing-masing 0.94, dengan epoch 8 dan rata – rata untuk waktu proses training-nya pada setiap epoch-nya adalah 259 detik.   Abstract Colon cancer is one of the cancers that can cause death. This type of cancer is the second most common cancer in women and the third most common in men. Lately, Deep Learning (DL) approaches have been widely used to perform processes in the medical world. One of the well-known methods is Convolutional Neural Network (CNN). The method should have high accuracy to be applied in this case. The dataset used is the Lung and Colon Cancer Histopathological Images dataset which focuses on Colon Cancer only. One way that can be used to improve accuracy on CNN is by normalizing the weights. Our proposed method is Ghost Weight Normalization (GWN) with L1 normalization inspired by GhostNet. This method works by dividing the whole weight into several parts called GW and then normalized for each GW, then merged back into the whole weight as before. This approach proved to be able to improve the accuracy of CNN very well, which experienced an increase in accuracy by 14% from the usual CNN accuracy of 0.8 to 0.94, precision 0.8 to 0.94, and f1-score 0.8 to 0.94. GWN can also outperform the usual normalization style, which is normalizing the weights without dividing them into GWs. The efficient GW size is 4 with accuracy, precision, and f1-score of 0.94 each, with 8 epochs and the average training time for each epoch is 259 seconds.
SENTRIN- Mesin Catur Berbasis Neural Network Menggunakan Long Short Term memory (LSTM) Fattah, Rafi Indra; Adikara, Putra Pandu; Setiawan, Budi Darma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 3: Juni 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129445

Abstract

Catur diperkirakan memiliki sekitar 1043 kemungkinan posisi. Angka tersebut jauh melampaui kemampuan komputasi komputer yang ada saat ini, sehingga mengembangkan sebuah mesin catur dengan mempertimbangkan seluruh kemungkinan posisi dianggap tidak memungkinkan. Saat ini, penggunaan Neural Network pada pengembangan mesin catur sedang mengalami peningkatan dan telah membawa hasil yang menjanjikan sejak pertama kali diperkenalkan oleh AlphaZero milik Google DeepMind pada tahun 2017. Penelitian ini bertujuan untuk membawa potensi pendekatan baru pada ranah pengembangan mesin catur berbasis Neural Network dengan memperkenalkan mesin catur Deeplefish yang melakukan gerakan berdasarkan keluaran model Long Short Term Memory (LSTM). Menggunakan lebih dari 57.000 pertandingan yang terbagi menjadi 1.200.000 posisi, model dilatih untuk memprediksi langkah berikutnya oleh putih untuk sebuah rangkaian gerakan yang diberikan. Model meraih loss sebesar 3,01 dan Average Centipawn Loss (ACPL) sebesar 219 pada data uji. Deeplefish meraih 2 kemenangan, 72 kekalahan, dan 10 hasil seri pada tahap pengujian. Hasil yang tidak memuaskan ini dapat disebabkan oleh subjektivitas data terhadap cara berpikir pemain, menghasilkan kurangnya pola gerakan yang signifikan untuk dipelajari oleh model.   Abstract Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.
Klasifikasi Kepribadian Model Big Five (OCEAN) Pada Esai Berbahasa Inggris Menggunakan Metode Naïve Bayes Dengan Seleksi Fitur Information Gain Putra, Octo Perdana; Indriati; Budi Darma Setiawan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kepribadian adalah aspek yang penting diketahui setiap orang agar dapat mengenal diri sendiri maupun orang lain dengan lebih baik. Salah satu model yang telah diakui secara internasional dan digunakan secara luas untuk mengetahui aspek kepribadian adalah tes kepribadian dengan model Big Five Personality atau model OCEAN. Model ini mengklasifikasikan kepribadian menjadi lima kategori yaitu Openness, Conscientiousness, Extraversion, Agreeableness, dan Neurocitism. Untuk meningkatkan efisiensi waktu bagi responden dan pihak perusahaan yang menerapkan tes kepribadian model OCEAN maka dibuat suatu sistem klasifikasi teks dengan menggunakan metode Multinomial Naïve Bayes dan seleksi fitur Information Gain. Pada skenario pengujian yang diterapkan, penggunaan seleksi fitur menghasilkan akurasi yang lebih baik dibanding tanpa menggunakan seleksi fitur. Akurasi tertinggi yang dihasilkan tanpa seleksi fitur yaitu sebesar 55,09%, sedangkan akurasi tertinggi yang dihasilkan menggunakan menggunakan seleksi fitur Information Gain yaitu sebesar 80,71% pada proporsi fitur 25%. Sehingga penggunaan seleksi fitur Information Gain berdampak positif pada hasil akurasi.
Prediksi Indeks Harga Saham Perusahaan Teknologi Menggunakan Long Short-Term Memory dan Analisis Hyperparameter Rahmadi, Anang Bagus; Yudistira, Novanto; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pergerakan harga saham perusahaan teknologi merupakan salah satu indikator penting untuk mengukur sentimen pasar terhadap industri Artificial Intelligence (AI). Prediksi yang akurat terhadap tren harga saham ini dapat memberikan wawasan strategis bagi para analis dan investor. Penelitian ini bertujuan untuk merancang dan menerapkan algoritme Long Short-Term Memory (LSTM) untuk memprediksi indeks harga saham gabungan dari perusahaan-perusahaan teknologi terkemuka. Metode penelitian ini mencakup beberapa tahapan utama, yaitu agregasi data historis harga saham, normalisasi data menggunakan metode Min-Max, pembentukan data menjadi format sekuens, dan implementasi model LSTM dari awal. Kinerja model dievaluasi secara sistematis melalui 60 skenario pengujian hyperparameter yang mencakup sequence length, jumlah unit LSTM, dan jumlah epoch. Evaluasi dilakukan menggunakan metrik Mean Squared Error (MSE) dan Mean Absolute Error (MAE) pada data skala asli. Hasil pengujian menunjukkan bahwa konfigurasi model yang paling optimal dicapai dengan menggunakan sequence length 10 bulan, 82 unit pada lapisan LSTM, dan durasi pelatihan selama 250 epoch. Kombinasi ini menghasilkan nilai MAE terendah pada data uji, yaitu sebesar $69,63. Penelitian ini membuktikan bahwa algoritme LSTM merupakan metode yang efektif untuk pemodelan prediksi harga saham, dengan performa optimal yang sangat bergantung pada pemilihan konfigurasi hyperparameter yang tepat.
Evaluasi Kinerja XGBoost dengan Fitur Seleksi Mutual Information dalam Memprediksi Android Malware Jobel, Roenrico; Setiawan, Budi Darma; Data, Mahendra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan penggunaan smartphone di Indonesia turut mendorong meningkatnya penyebaran malware pada perangkat Android. Serangan melalui file APK berbahaya sering kali menargetkan pengguna awam, sehingga dibutuhkan metode deteksi yang andal dan efisien. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma XGBoost dalam mendeteksi Android malware, serta menganalisis pengaruh seleksi fitur menggunakan Mutual Information terhadap akurasi model. Dataset yang digunakan adalah TUNADROMD, yang terdiri dari 241 fitur yang mencerminkan permission dan API yang digunakan aplikasi. Algoritma XGBoost diterapkan secara manual untuk memahami proses klasifikasinya, sedangkan hasilnya dibandingkan dengan model boosting lainnya seperti AdaBoost dan LightGBM. Pengujian dilakukan dengan jumlah fitur yang bervariasi untuk melihat pengaruh seleksi fitur terhadap performa model. Hasil penelitian menunjukkan bahwa seleksi fitur mampu meningkatkan efisiensi dan akurasi model secara signifikan, dan XGBoost memberikan performa yang kompetitif dibandingkan model lainnya. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi malware yang lebih efektif.
Penerapan Arsitektur Seq2Seq dan Bidirectional Long Short-Term Memory pada Sistem Tanya Jawab Fakultas Ilmu Komputer Universitas Brawijaya Sintiya, Karena; Fitra Abdurrachman Bachtiar; Budi Darma Setiawan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di era digital, teknologi terus berkembang untuk mempermudah akses informasi dan layanan. Untuk mendukung hal ini, Fakultas Ilmu Komputer Universitas Brawijaya (FILKOM UB) mengimplementasikan helpdesk bernama HaloFilkom. HaloFilkom melayani pertanyaan dan keluhan dari komunitas akademik FILKOM. Namun, waktu operasional yang terbatas membuat pengguna harus menunggu untuk mendapat jawaban. Masalah ini diatasi dengan chatbot yang mampu berinteraksi secara online 24 jam, sehingga pengguna bisa mendapat jawaban dengan cepat. Chatbot dibuat menggunakan model Bidirectional Long Short-Term Memory (BiLSTM) agar dapat memahami konteks percakapan lebih akurat. Selain itu, word embedding juga digunakan untuk memahami hubungan makna antar kata. Dataset yang digunakan bersifat closed domain dan berisi pasangan pertanyaan dan jawaban terkait FILKOM. Proses implementasi meliputi studi literatur, eksplorasi data, persiapan dan pemrosesan data, embedding, perancangan model, eksperimen, dan evaluasi. Kombinasi hyperparameter terbaik yang dihasilkan dari hyperparameter tuning adalah hidden size 64, batch size 8, learning rate 0,001, epoch 30, dan dropout 0,3. Model terbaik adalah BiLSTM dengan arsitektur Seq2Seq dan embedding GloVe, dengan rata-rata validation loss 3,641. Model ini juga meraih BLEU Score tinggi dengan skor BLEU 1-gram 0,6373, BLEU 2-gram 0,5563, BLEU 3-gram 0,5153, dan BLEU 4-gram 0,4433 pada data latih. Pengujian prompt testing memperoleh skor rata-rata BLEU 0,3310. Kata kunci: chatbot, Seq2Seq, Bi-LSTM, word embedding, hyperparameter tuning
Klasifikasi Emosi Pada Raut Wajah Pelajar Menggunakan Ekstraktor Fitur Face Mesh Dan Metode Support Vector Machine Bachtiar, Fitra Abdurrachman; Revanza, Muhammad Nugraha Delta; Bachtiar, Fitra; Setiawan, Budi Darma
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 4: Agustus 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.124

Abstract

Dalam lingkup pembelajaran, rasa emosional dan perhatian memegang peranan penting dalam keterlibatan pelajar terhadap proses pembelajaran yang sedang berlangsung. Emosi pelajar menimbulkan reaksi afektif terhadap proses pembelajaran, seperti boredom, engagement, confusion, dan frustration. Reaksi afektif tersebut dapat digunakan sebagai tolok ukur dalam melakukan evaluasi kegiatan pembelajaran. Pengenalan emosi dapat dilakukan dengan pengamatan citra wajah, namun pemrosesan sebuah citra memerlukan sebuah model yang dapat melakukan klasifikasi emosi berdasarkan raut wajah secara tepat. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk membangun sebuah sistem pengenalan emosi melalui raut wajah pelajar dengan ekstraktor fitur Mediapipe Face Mesh dan Support Vector Machine (SVM). Proses ekstraksi frame dan ekstraksi fitur dilakukan untuk mendapatkan total 1404 titik tiga dimensi facial landmark untuk kemudian diklasifikasikan dengan menggunakan SVM. Untuk meningkatkan kinerja klasifikasinya, dilakukan optimasi algoritma SVM melalui hyperparameter tuning dan Grid Search Cross Validation untuk menghasilkan kombinasi parameter model dengan kinerja terbaik. Hasil yang diperoleh adalah 53%, mengalami peningkatan 25% dibandingkan dengan model standar tanpa proses hyperparameter tuning yang menunjukkan bahwa hyperparamter tuning memiliki pengaruh terhadap kinerja model. Selain itu, terdapat titik-titik facial landmark yang berperan dalam klasifikasi emosi berdasarkan hasil analisis, yaitu titik yang berada di sekitar mata.   Abstract   In the context of learning, emotion and attention are significant factors influencing the learner's engagement with the ongoing learning process. The affective reactions of learners to the learning process, which may include boredom, engagement, confusion, or frustration, can be influenced by their emotional state. Such affective reactions may be employed as benchmarks for the evaluation of learning activities. The emotions can be rcognized by analyzing the image of human face. However, image processing needs a model that can accurately categorize emotions based on facial expressions. This research aims to address these issues through the construction of an emotion recognition system based on student facial expressions using the Mediapipe Face Mesh feature extractor and Support Vector Machine. First, a frame extraction and feature extraction process was conducted to obtain a total of 1,404 three-dimensional facial landmark points as input data. Subsequently, the SVM algorithm was optimized through hyperparameter tuning and Grid Search Cross Validation to produce a combination of model parameters with the best performance. The resulting value was 53%, representing a 25% increase compared to the standard model without hyperparameter tuning, which demonstrates that hyperparameter tuning has a significant impact on model performance. Additionally, the analysis revealed that certain facial landmark points, particularly those around the eyes, play a crucial role in emotion classification.
Co-Authors Abdul Fatih Achmad Basuki Achmad Fahlevi Addin Sahirah, Rafifa Adinugroho, Sigit Aditya Chandra Nurhakim Aditya Kresna Bayu Arda Putra Agung Nurjaya Megantara Agus Wahyu Widodo Ahmad Afif Supianto Akhmad Eriq Ghozali Akmal Subakti Wicaksana Alfi Nur Rusydi Almira Syawli, Almira Amaliah Gusfadilah Andhi Surya Wicaksana Andika Harlan Angga Dwi Apria Rifandi Anjasari, Ni Luh Made Beathris Aria Bayu Elfajar Asghany, Yusrian Ashidiq, Muhammad Fihan Azmi Makarima Yattaqillah Baihaqi, Galih Restu Barlian Henryranu Prasetio Bayu Rahayudi Bintang, Tulistyana Irfany Budi Santoso Cahyo Adi Prasojo Candra Dewi Candra Dewi Chelsa Farah Virkhansa Cindy Inka Sari Cinthia Vairra Hudiyanti Civica Moehaimin Dhewanty Deby Chintya Dellia Airyn Delpiero, Rangga Raditya Dewi, Buana Dhan Adhillah Mardhika Dian Eka Ratnawati Diva, Zahra Dwi Anggraeni Kuntjoro Dwi Ari Suryaningrum Dwi Damara Kartikasari Edo Fadila Sirat Eka Novita Shandra Eka Yuni Darmayanti Eti Setiawati Fadhlillah Ikhsan Fajar Nur Rohmat Fauzan Jaya Aziz Fajar Pradana Fanny Aulia Dewi Fattah, Rafi Indra Fatwa Ramdani, Fatwa Febri Ramadhani Fikri Hilman Fitra Abdurrachman Bachtiar Fitria, Tharessa Fitrotuzzakiyah, Shafira Puspa Gandhi Ramadhona Gembong Edhi Setiawan Gilang Ramadhan Hendra Pratama Budianto Husin Muhamad Imam Cholisoddin Imam Cholissodin Imam Cholissodin Imam Cholissodin Indah Larasati Indriati Indriati Indriati Irawati Nurmala Sari Irfan Aprison Irma Lailatul Khoiriyah Irma Nurvianti Irma Ramadanti Fitriyani Ismiarta Aknuranda Issa Arwani Issa Arwani Jobel, Roenrico Karina Widyawati Keintjem, Arthurito Khairunnisa, Alifah Kholifa'ul Khoirin Koko Pradityo Lailil Muflikhah Lathania, Laela Salma M Kevin Pahlevi M. Ali Fauzi M. Raabith Rifqi M. Rikzal Humam Al Kholili M. Tanzil Furqon Mahar Beta Adi Sucipto, Ekmaldzaki Royhan Mahendra Data Mahendra Data Marji Marji Masayu Vidya Rosyidah Maulana, M. Aziz Mayang Arinda Yudantiar Meilia, Vina Mimin Putri Raharyani Mindiasari, Irtiyah Izzaty Miracle Fachrunnisa Almas Moch. Khabibul Karim Mochamad Chandra Saputra Mohamad Alfi Fauzan Muhammad Arif Hermawan Muhammad Dimas Setiawan Sanapiah Muhammad Harish Rahmatullah Muhammad Khaerul Ardi Muhammad Rizkan Arif Muhammad Syaifuddin Zuhri Muhammad Tanzil Furqon Mustofa Robbani Muthia Azzahra Nadia Natasa Tresia Sitorus Nainggolan, Cesilia Natasya Nanda Agung Putra Nashrullah, Nashrullah Nelli Nur Rahma Ni'mah Firsta Cahya Susilo Nihru Nafi' Dzikrulloh Noval Dini Maulana Novanto Yudistira Nur Intan Savitri Bromastuty Nurfansepta, Amira Ghina Nurhana Rahmadani Nurudin Santoso Nurul Hidayat Oky Krisdiantoro Olive Khoirul L.M.A. Panjaitan, Mutiharis Dauber Pindo Bagus Adiatmaja priharsari, diah Purnomo, Welly Putra Pandu Adikara Putra, Octo Perdana Putri, Rania Aprilia Dwi Setya Rachmatika, Isnayni Sugma Radifah Radifah Rafely Chandra Rizkilillah Rahmadi, Anang Bagus Rahmat Faizal Raissa Arniantya Ramadhianti, Fatiha Randy Cahya Wihandika Ratna Candra Ika Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rekyan Regasari MP, Rekyan Regasari Rendi Cahya Wihandika Retiana Fadma Pertiwi Sinaga Revanza, Muhammad Nugraha Delta Revinda Bertananda Reza Wahyu Wardani Rhobith, Muhammad Ridho Agung Gumelar Rima Diah Wardhani Rinda Wahyuni Rizal Setya Perdana Rizal Setya Perdana Rizki Agung Pambudi Rizky Haqmanullah Pambudi Robih Dini Rosi Afiqo Rudito Pujiarso Nugroho Rudy Usman Azzakky Ryan Mahaputra Krishnanda Sabriansyah Rizkiqa Akbar Santoso, Nurudin Satrio Hadi Wijoyo Shelly Puspa Ardina Sigit Adinugroho Silfiatul Ulumiyah Sintiya, Karena Siti Fatimah Al Uswah Siti Utami Fhylayli Sri Wahyuni Suryani Agustin Sutrisna, Naufal Putra Sutrisno Sutrisno Tahajuda Mandariansah Talitha Raissa Tibyani Tibyani Tri Afirianto Tria Melia Masdiana Safitri Ulfah Mutmainnah Vina Meilia Wayan Firdaus Mahmudy Wildannantha, Jawadi Ahmad Yerry Anggoro Yosendra Evriyantino Yuhand Pramudita, Rezzy Yuita Arum Sari Yuita Arum Sari Yulfa Hadi Wicaksono Zubaidah Al Ubaidah Sakti