Makalah ini bertujuan untuk memetakan kalimat bahasa Indonesia ke dalam kelas-kelas emosi berdasarkan proses klasifikasi pada kalimat tersebut. Hasil pemetaan emosi dapat diaplikasikan dalam berbagai bidang, seperti produksi film animasi dan game, analisis ekspresi wajah, interaksi manusia-komputer, dan pengembangan karakter virtual ekspresif lainnya, khususnya untuk menghasilkan ekspresi wajah yang sesuai dengan kalimat yang diucapkan. Metode yang digunakan untuk proses pemetaan emosi adalah klasifikasi teks menggunakan model multinomial naïve Bayes yang disertai persamaan batas dominan. Model multinomial naïve Bayes pada klasifikasi teks digunakan untuk menentukan jenis dan intensitas emosi dari kalimat bahasa Indonesia, sedangkan persamaan batas dominan digunakan untuk menentukan ambang batas untuk mengidentifikasi kelas-kelas yang dominan. Kelas emosi yang digunakan sebagai acuan adalah enam kelas emosi dasar menurut Paul Ekman, yaitu senang, sedih, marah, takut, jijik, dan terkejut. Eksperimen pada proses pemetaan emosi menggunakan kalimat bahasa Indonesia yang meliputi kalimat tunggal dan kalimat majemuk. Hasil eksperimen menunjukkan bahwa dengan klasifikasi teks menggunakan model multinomial naïve Bayes yang disertai persamaan batas dominan dapat memetakan kalimat majemuk ke dalam beberapa kelas emosi yang dominan.

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.

No abstract

This research proposes mapping Indonesian sentences with single and multiple structures into emotion classes based on a multi-label classification process. The result of this research can apply in various fields, including the development of facial expressions in virtual character animation. Applications in other fields are facial expression analysis, human-computer interaction systems, and other virtual facial character system applications. In previous research, the classification process used for emotion mapping was usually based only on the frequency of occurrence of adjectives. The resulting emotion classes are less representative of sentence semantics. In this research, the proposed sequential model can take into account the semantics of the sentence so that the results of the classification process are more natural and representative of the semantics of the sentence. The method used for the emotion mapping process is multi-label text classification with continuous values between 0-1. This research produces the tolerant-method that utilizes the error value to deliver accuracy in the model evaluation process. The tolerant-method converts the predicted-label, which has an error value less than or equal to the error-tolerant value, to the actual-label for better accuracy. The model used in the classification process is a sequential model, including one-dimensional Convolution Neural Networks (CNN) and bidirectional Long Short-Term Memory (LSTM). The CNN model generates feature maps of each input in a partial way. Meanwhile, bidirectional LSTM captures information from input data in two directions. Experiments were performed using test data on Indonesian sentences. Based on the experimental results, bidirectional LSTM can produce an accuracy of 91% in the 8: 2 data portion and error-tolerant of 0.09.Keywords : Sequential Model, Mapping Compound Emotions, Sentence Semantics, Indonesian Sentences