Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jurnalisme modern memperketat persaingan dalam segi kecepatan penerbitan berita. Sementara itu, pembuatan berita sendiri melibatkan proses yang panjang dan penuh ketelitian. Hal ini menimbulkan dilema antara mengutamakan kecepatan pemberitaan atau kualitas berita. Imbasnya, sistematika penulisan berita tidak dijalankan dengan baik sehingga tidak sedikit media massa memberitakan hal tidak benar. Menyadari permasa- lahan tersebut, Automatic Indonesian News Generation System (AINGS) menghadirkan sebuah inovasi dengan mengembangkan Content Management System (CMS) berbasis web yang terintegrasi dengan kecerdasan buatan untuk membantu jurnalis dalam menulis dan melakukan veri kasi berita secara otomatis. Dengan fokus pada perancangan sistem dan implementasinya dalam bentuk front-end berbasis web, pengembangan ini mencoba menyelesaikan masalah yang lebih spesi k dengan membagi CMS AINGS menjadi dua bagian, yaitu CMS untuk wartawan dan CMS untuk redaktur. Wartawan dan redaktur dipilih menjadi aktor utama dalam sistem karena dua profesi tersebut terjun langsung dalam proses penulisan dan veri kasi berita. Pengembangan dilakukan dengan mener- apkan phased development methodology, mulai dari perencanaan, analisis, hingga system versioning. Melalui 3 iterasi, tujuan pengembangan berturut-turut antara lain MVP, kebu- tuhan pengguna, dan evaluasi pengguna. Berdasarkan hasil evaluasi akhir produk meng- gunakan metode UAT dan survei evaluasi penggunaan, kedua sistem dinilai sudah cukup memenuhi kebutuhan jurnalis, baik wartawan maupun redaktur, dalam membantu proses pembuatan berita.

---

Modern journalism has intensi ed competition in terms of speed of news publication, while news production itself involves a long and careful process. This creates a dilemma between prioritizing the speed of reporting or the quality of the news. As a result, the systematic of news writing are not carried out well so that quite a few media people re- port false news. Realizing this problem, Automatic Indonesian News Generation System (AINGS) presents an innovation by developing a web-based Content Management System (CMS) that is integrated with arti cial intelligence to assist journalists in writing and ver- ifying news automatically. By focusing on the system design and front-end of the AINGS system implementation, this development tries to solve speci c problems by dividing the AINGS CMS into two parts, namely CMS for reporter and CMS for editor. Reporter and editors were chosen to be the main actors in the system because these two professions are directly involved in the process of writing and verifying news. Development is carried out by implementing phased development methodology, starting from planning, analysis, to system versioning. Through 3 iterations, the development objectives in each iterations are for the MVP, ful lling user needs, and re ne based on user evaluations. Based on the results of the nal product evaluation using UAT method and system’s usage evaluation survey, the two systems were deemed suf cient to meet the needs of journalists, both re- porters and editors, in assisting the news creation process."

"Kebutuhan akan informasi yang cepat dan valid semakin mendesak di tengah arus in- formasi yang cepat. Kemajuan teknologi memberikan dampak signi kan terhadap in- dustri jurnalisme untuk mengakomodasi kebutuhan informasi tersebut. Proses produksi berita, yang tradisionalnya memakan waktu, terus dihadapkan pada tuntutan untuk meng- hasilkan informasi dengan cepat dan akurat. Penelitian ini merespon tantangan terse- but dengan melakukan pengembangan model generatif yang dapat melakukan pembuatan berita secara otomatis. Dalam pengembangan model generatif, penulis melakukan bebe- rapa skenario percobaan untuk menguji pengaruh ukuran jumlah parameter, jenis prompt- ing, dan penggunaan delimiter pada prompt yang digunakan terhadap kualitas model yang dihasilkan. Percobaan dilakukan dengan melakukan ne tuning pada dua buah large language model yang memiliki arsitektur berbeda, yaitu Falcon dan BLOOM. Pengem- bangan large language model selanjutnya dilakukan proses evaluasi dengan menggunakan metrik measurement BLEU, ROUGE, perplexity, dan human evaluation kepada wartawan terhadap berita yang dihasilkan. Hasil yang penulis dapatkan menunjukkan bahwa terda- pat beberapa aspek yang memengaruhi kualitas berita yang dihasilkan oleh model dalam proses ne tuning. Beberapa aspek tersebut di antaranya adalah ukuran jumlah parameter, jenis prompting, dan penggunaan delimiter pada prompt yang digunakan. Model terbaik yang didapatkan dari keseluruhan model percobaan adalah BLOOM dengan jumlah pa- rameter 7B yang mendapatkan hasil evaluasi ROUGE-1 sebesar 0,3856 dan perplexity sebesar 5,79809. Model ini juga dapat menghasilkan berita yang sesuai dengan kebu- tuhan wartawan dalam proses human evaluation, baik dari kesesuaian dengan kaidah ke- bahasaan dan penulisan berita maupun ketepatan berita dengan fakta sebenarnya. Model ini mendapatkan penilaian sebesar 4,25 dari 5,00 untuk kesesuaian dengan kaidah keba- hasaan dan 4,27 dari 5,00 untuk ketepatan dengan fakta sebenarnya.

---

The escalating need for swift and accurate information in today's dynamic information landscape poses a significant challenge. Technological advancements have profoundly impacted the journalism industry, necessitating adaptations to fulfill evolving information requirements. The traditional, time-consuming news production process is under constant pressure to deliver information swiftly and accurately. This research tackles these challenges by developing a generative model capable of automating news creation. The author explores various experimental scenarios in the generative model development, investigating the influence of parameters' quantity, prompting techniques, and the use of delimiters in prompts on the resulting model's quality. The experiments involve fine-tuning two large language models with different architectures, Falcon and BLOOM. The subsequent evaluation process utilizes metrics such as BLEU, ROUGE, perplexity, and human evaluation by journalists to assess the quality of the generated news. The findings underscore that several factors, including parameter quantity, prompting techniques, and delimiter use, impact the news model's quality during the fine-tuning process. Significantly, among the experimented models, the BLOOM model with 7B parameters emerges as the overall best performer. This model achieves a ROUGE-1 evaluation of 0.38656 and a perplexity of 5.79809. In human evaluation, the BLOOM model excels in linguistic adherence and factual accuracy, receiving ratings of 4,25 out of 5.00 and 4,27 out of 5.00, respectively."

"Tujuan dari pengembangan proyek Automatic Indonesian News Generation System (AINGS) adalah untuk mengoptimalkan proses penyuntingan dan pengiriman berita di era digital, dengan fokus khusus pada aspek usability layanan web dan efisiensi basis data. Proses pengembangan dimulai dengan pemetaan kebutuhan fungsional sistem de ngan fitur yang akan diimplementasi. Kebutuhan fungsional sistem mencakup pengelo laan draf berita, pembuatan draf berita dan validasi draf berita secara otomatis serta komu nikasi antara redaktur dan wartawan. Implementasi fitur diwujudkan dengan layanan web berupa REST API yang terintegrasi dengan basis data serta layanan web machine learn ing. Perancangan basis data dilakukan dengan melibatkan identifikasi empat entitas utama dan identifikasi hubungan antar entitas. Pengembangan basis data dilanjutkan dengan melakukan normalisasi hingga Third Normal Form (3NF) untuk memastikan konsistensi dari data yang disimpan serta efisiensi dalam waktu pemrosesan. Selain itu, dilakukan im plementasi Elasticsearch dan performanya dibandingkan dengan PostgreSQL dalam hal waktu pemrosesan untuk pencarian draf berita. Evaluasi layanan web dilakukan dengan melakukan integration testing dan evaluasi usability menggunakan heuristik. Hasil inte gration testing menunjukan layanan web lulus semua skenario tes dan mampu memenuhi seleuruh kebutuhan fungsional sistem. Berdasarkan hasil evaluasi heuristik, layanan web yang dikembangkan mencapai nilai metrik knowability (96.49%) dan robustness (100.00%) yang baik namun untuk metrik operability (84.07%) dan efficiency (83.33%) dapat ditingkatkan dengan memberikan opsi format data pada request dan menerapkan caching. Hasil evaluasi basis data menunjukan bahwa normalisasi pada tahap Second Normal Form (2NF) memberikan waktu pemrosesan yang lebih optimal dengan tetap memastikan konsistensi data yang terjaga. Rata-rata waktu pemrosesan yang dihasilkan oleh tahap 2NF adalah 1,712ms, sedangkan pada tahap 3NF mencapai 3,363ms. Semen tara itu, penerapan Elasticsearch meningkatkan kinerja pencarian sehingga menghasilkan waktu pemrosesan yang lebih cepat. Menggunakan kata kunci pencarian ”Jakarta”, Elas ticsearch dapat memproses permintaan hanya dalam waktu 8ms, sementara PostgreSQL membutuhkan waktu hingga 142,943ms

---

The objective of developing the ”Automatic Indonesian News Generation System” (AINGS) project is to optimize the editing and delivery process of news in the digital era, with a particular focus on the usability of web services and the efficiency of the database. The development process begins with mapping the system’s functional requirements to the features to be implemented. The functional requirements of the system include man aging news drafts, creating news drafts, and validating news drafts automatically, as well as communication between editors and reporters. The feature implementation is real ized through a web service in the form of a REST API integrated with a database and machine learning web services. The database design involves identifying four main en tities and the relationships between them. The database development is continued with normalization up to the Third Normal Form (3NF) to ensure consistency of the stored data and efficiency in processing time. Additionally, Elasticsearch is implemented, and its performance is compared with PostgreSQL in terms of processing time for searching news drafts. The web service evaluation is carried out by conducting integration testing and usability evaluation using heuristics. The integration testing results show that the web service passes all test scenarios and meets all the system’s functional requirements. Based on the heuristic evaluation results, the developed web service achieves good met rics in knowability (96.49%) and robustness (100.00%), but for operability (84.07%) and efficiency (83.33%) metrics, improvements can be made by providing data format options in requests and implementing caching. The database evaluation results show that normal ization at the Second Normal Form (2NF) stage provides more optimal processing time while ensuring data consistency. The average processing time produced by the 2NF stage is 1,712ms, while at the 3NF stage, it reaches 3,363ms. Meanwhile, the implementation of Elasticsearch enhances search performance, resulting in faster processing times. Us ing the search keyword ”Jakarta,” Elasticsearch can process requests in just 8ms, while PostgreSQL requires up to 142,943ms."

"Tujuan dari pengembangan proyek Automatic Indonesian News Generation System (AINGS) adalah untuk mengoptimalkan proses penyuntingan dan pengiriman berita di era digital, dengan fokus khusus pada aspek usability layanan web dan efisiensi basis data. Proses pengembangan dimulai dengan pemetaan kebutuhan fungsional sistem de ngan fitur yang akan diimplementasi. Kebutuhan fungsional sistem mencakup pengelo laan draf berita, pembuatan draf berita dan validasi draf berita secara otomatis serta komu nikasi antara redaktur dan wartawan. Implementasi fitur diwujudkan dengan layanan web berupa REST API yang terintegrasi dengan basis data serta layanan web machine learn ing. Perancangan basis data dilakukan dengan melibatkan identifikasi empat entitas utama dan identifikasi hubungan antar entitas. Pengembangan basis data dilanjutkan dengan melakukan normalisasi hingga Third Normal Form (3NF) untuk memastikan konsistensi dari data yang disimpan serta efisiensi dalam waktu pemrosesan. Selain itu, dilakukan im plementasi Elasticsearch dan performanya dibandingkan dengan PostgreSQL dalam hal waktu pemrosesan untuk pencarian draf berita. Evaluasi layanan web dilakukan dengan melakukan integration testing dan evaluasi usability menggunakan heuristik. Hasil inte gration testing menunjukan layanan web lulus semua skenario tes dan mampu memenuhi seleuruh kebutuhan fungsional sistem. Berdasarkan hasil evaluasi heuristik, layanan web yang dikembangkan mencapai nilai metrik knowability (96.49%) dan robustness (100.00%) yang baik namun untuk metrik operability (84.07%) dan efficiency (83.33%) dapat ditingkatkan dengan memberikan opsi format data pada request dan menerapkan caching. Hasil evaluasi basis data menunjukan bahwa normalisasi pada tahap Second Normal Form (2NF) memberikan waktu pemrosesan yang lebih optimal dengan tetap memastikan konsistensi data yang terjaga. Rata-rata waktu pemrosesan yang dihasilkan oleh tahap 2NF adalah 1,712ms, sedangkan pada tahap 3NF mencapai 3,363ms. Semen tara itu, penerapan Elasticsearch meningkatkan kinerja pencarian sehingga menghasilkan waktu pemrosesan yang lebih cepat. Menggunakan kata kunci pencarian ”Jakarta”, Elas ticsearch dapat memproses permintaan hanya dalam waktu 8ms, sementara PostgreSQL membutuhkan waktu hingga 142,943ms

---

The objective of developing the ”Automatic Indonesian News Generation System” (AINGS) project is to optimize the editing and delivery process of news in the digital era, with a particular focus on the usability of web services and the efficiency of the database. The development process begins with mapping the system’s functional requirements to the features to be implemented. The functional requirements of the system include man aging news drafts, creating news drafts, and validating news drafts automatically, as well as communication between editors and reporters. The feature implementation is real ized through a web service in the form of a REST API integrated with a database and machine learning web services. The database design involves identifying four main en tities and the relationships between them. The database development is continued with normalization up to the Third Normal Form (3NF) to ensure consistency of the stored data and efficiency in processing time. Additionally, Elasticsearch is implemented, and its performance is compared with PostgreSQL in terms of processing time for searching news drafts. The web service evaluation is carried out by conducting integration testing and usability evaluation using heuristics. The integration testing results show that the web service passes all test scenarios and meets all the system’s functional requirements. Based on the heuristic evaluation results, the developed web service achieves good met rics in knowability (96.49%) and robustness (100.00%), but for operability (84.07%) and efficiency (83.33%) metrics, improvements can be made by providing data format options in requests and implementing caching. The database evaluation results show that normal ization at the Second Normal Form (2NF) stage provides more optimal processing time while ensuring data consistency. The average processing time produced by the 2NF stage is 1,712ms, while at the 3NF stage, it reaches 3,363ms. Meanwhile, the implementation of Elasticsearch enhances search performance, resulting in faster processing times. Us ing the search keyword ”Jakarta,” Elasticsearch can process requests in just 8ms, while PostgreSQL requires up to 142,943ms."

"Software Product Line Engineering (SPLE) merupakan paradigma untuk memproduksi perangkat lunak dengan waktu, usaha, dan biaya yang minimal. Adaptive Information System for Charity Organization (AISCO) adalah perangkat yang dikembangkan dengan pendekatan SPLE untuk menghasilkan aplikasi web bagi organisasi sosial. Proses memproduksi aplikasi melibatkan sebuah kerangka pengembangan yang bernama Prices-IDE, yaitu sebuah development framework yang mendukung SPLE. Penelitian terdahulu telah mengembangkan UI Generator yang dapat mentransformasikan diagram IFML (Interaction Flow Modeling Language) menjadi source code sebuah aplikasi React. Akan tetapi, antarmuka yang dihasilkan masih sangat sederhana, belum menimbang prinsip desain antarmuka pengguna, dan belum menggunakan pendekatan SPLE. Terlebih, fitur kustomisasi antarmuka yang sudah ada belum terintegrasi dengan Prices-IDE. Penelitian ini mengusulkan variasi komponen antarmuka yang telah diperbarui, serta metode untuk melakukan kustomisasi antarmuka saat runtime. Proses pengembangan melibatkan pembuatan prototipe dan penyesuaian terhadap UI Generator berdasarkan rancangan yang diusulkan. Aplikasi yang dihasilkan kemudian dianalisis dan dites dengan functional testing secara manual oleh penulis menggunakan 16 skenario tes. Audit performa menggunakan Lighthouse juga dilakukan terhadap aplikasi dari UI Generator versi sebelum dan setelah diperbarui. Berdasarkan tes dan analisis tersebut, disimpulkan bahwa UI Generator yang diperbarui dapat menghasilkan aplikasi React yang mempertahankan fungsionalitas yang sudah ada, mengalami peningkatan dalam performa sebanyak 14%, dan kini memiliki tambahan fitur kustomisasi UI.

---

Software Product Line Engineering (SPLE) is the paradigm for producing a diverse set of similar software products with lower cost, time, and effort. Adaptive Information System for Charity Organization (AISCO) is a tool to generate web applications for charity organizations developed with an SPLE framework. The process of generating web applications is assisted by Prices-IDE, a development framework that supports SPLE. Previous studies have succeeded in developing a UI Generator that transforms an IFML (Interaction Flow Modeling Language) Diagram into the source code of a React application. However, the generated UI display is barebones, does not consider UI design principles, and was not developed with the SPLE approach. Moreover, the existing UI customization feature is entirely separate from Prices-IDE. This study proposes a revamped UI design, interface variations of the generated application, and a way to customize said interface during runtime. The development process involves creating a prototype based on the proposed design, then applying necessary adjustments to the UI Generator. Applications generated by the renewed UI Generator are then analyzed and tested using functional testing with 16 scenarios and performance audits with Lighthouse. Based on these analyses and test results, it is concluded that the updated UI Generator can generate React applications that maintain previous functionalities, with the addition of a UI customization feature and an increase by 14% in performance."

"Large Language Model (LLM) generatif merupakan jenis model machine learning yang dapat diaplikasikan dalam industri jurnalisme, khususnya dalam proses pembuatan dan validasi berita. Namun, LLM memerlukan sumber daya yang besar untuk operasionalnya serta membutuhkan waktu proses inferensi yang relatif lama. Penelitian ini bertujuan untuk mengembangkan layanan web machine learning yang memanfaatkan LLM generatif untuk proses pembuatan dan validasi berita. Tujuan lainnya adalah menciptakan sistem dengan mekanisme manajemen beban yang efisien untuk meminimalkan waktu inferensi. Pengembangan melibatkan beberapa tahap, yakni analisis kebutuhan stakeholder, perancangan desain dan arsitektur, implementasi, serta evaluasi. Dalam implementasi layanan web machine learning, pengembangan ini berfokus pada manajemen GPU untuk meningkatkan kecepatan proses inferensi LLM. Selain itu, dilakukan implementasi design pattern untuk meningkatkan skalabilitas dalam penambahan model machine learning. Untuk manajemen beban, dikembangkan dua mekanisme, yaitu load balancer dan scheduler. Implementasi load balancer memanfaatkan NGINX dengan metode round-robin. Sedangkan untuk scheduler, digunakan RabbitMQ sebagai antrean, dengan publisher menerima permintaan dan subscriber mendistribusikan permintaan ke layanan yang tersedia. Berdasarkan API Test, layanan ini berhasil melewati uji fungsionalitas dengan waktu respons API sekitar 1-2 menit per permintaan. Evaluasi performa pada kedua mekanisme manajemen beban menunjukkan tingkat keberhasilan 100%, dengan waktu respon rata-rata meningkat seiring dengan peningkatan jumlah request per detik. Pengelolaan beban dengan load balancer menghasilkan waktu respon yang lebih cepat, sementara pengelolaan beban dengan scheduler menghasilkan mekanisme yang lebih efektif pada proses koneksi asinkron.

---

Generative Large Language Model (LLM) is a type of machine learning model that can be applied in the journalism industry, especially in the process of news generation and validation. However, LLM requires large resources for its operation and requires a relatively long inference process time. This research aims to develop a machine learning web service that utilizes generative LLM for news generation and validation. Another goal is to create a system with an efficient load management mechanism to minimize inference time. The development involves several stages, namely stakeholder needs analysis, design and architecture, implementation, and evaluation. In the implementation of machine learning web services, this development focuses on GPU management to increase the speed of the LLM inference process. In addition, the implementation of design patterns is done to improve scalability in adding machine learning models. For load management, two mechanisms are developed: load balancer and scheduler. The load balancer implementation utilizes NGINX with the round-robin method. As for the scheduler, RabbitMQ is used as a queue, with the publisher receiving requests and the subscriber distributing requests to available services. Based on the API Test, the service successfully passed the functionality test with an API response time of about 1-2 minutes per request. Performance evaluation on both load management mechanisms showed a 100% success rate, with the average response time increasing as the number of requests per second increased. The use of a load balancer results in faster response times, while load management with a scheduler results in a more effective mechanism for asynchronous connection processes."

"Large Language Model (LLM) generatif merupakan jenis model machine learning yang dapat diaplikasikan dalam industri jurnalisme, khususnya dalam proses pembuatan dan validasi berita. Namun, LLM memerlukan sumber daya yang besar untuk operasionalnya serta membutuhkan waktu proses inferensi yang relatif lama. Penelitian ini bertujuan untuk mengembangkan layanan web machine learning yang memanfaatkan LLM generatif untuk proses pembuatan dan validasi berita. Tujuan lainnya adalah menciptakan sistem dengan mekanisme manajemen beban yang efisien untuk meminimalkan waktu inferensi. Pengembangan melibatkan beberapa tahap, yakni analisis kebutuhan stakeholder, perancangan desain dan arsitektur, implementasi, serta evaluasi. Dalam implementasi layanan web machine learning, pengembangan ini berfokus pada manajemen GPU untuk meningkatkan kecepatan proses inferensi LLM. Selain itu, dilakukan implementasi design pattern untuk meningkatkan skalabilitas dalam penambahan model machine learning. Untuk manajemen beban, dikembangkan dua mekanisme, yaitu load balancer dan scheduler. Implementasi load balancer memanfaatkan NGINX dengan metode round-robin. Sedangkan untuk scheduler, digunakan RabbitMQ sebagai antrean, dengan publisher menerima permintaan dan subscriber mendistribusikan permintaan ke layanan yang tersedia. Berdasarkan API Test, layanan ini berhasil melewati uji fungsionalitas dengan waktu respons API sekitar 1-2 menit per permintaan. Evaluasi performa pada kedua mekanisme manajemen beban menunjukkan tingkat keberhasilan 100%, dengan waktu respon rata-rata meningkat seiring dengan peningkatan jumlah request per detik. Pengelolaan beban dengan load balancer menghasilkan waktu respon yang lebih cepat, sementara pengelolaan beban dengan scheduler menghasilkan mekanisme yang lebih efektif pada proses koneksi asinkron.

---

Generative Large Language Model (LLM) is a type of machine learning model that can be applied in the journalism industry, especially in the process of news generation and validation. However, LLM requires large resources for its operation and requires a relatively long inference process time. This research aims to develop a machine learning web service that utilizes generative LLM for news generation and validation. Another goal is to create a system with an efficient load management mechanism to minimize inference time. The development involves several stages, namely stakeholder needs analysis, design and architecture, implementation, and evaluation. In the implementation of machine learning web services, this development focuses on GPU management to increase the speed of the LLM inference process. In addition, the implementation of design patterns is done to improve scalability in adding machine learning models. For load management, two mechanisms are developed: load balancer and scheduler. The load balancer implementation utilizes NGINX with the round-robin method. As for the scheduler, RabbitMQ is used as a queue, with the publisher receiving requests and the subscriber distributing requests to available services. Based on the API Test, the service successfully passed the functionality test with an API response time of about 1-2 minutes per request. Performance evaluation on both load management mechanisms showed a 100% success rate, with the average response time increasing as the number of requests per second increased. The use of a load balancer results in faster response times, while load management with a scheduler results in a more effective mechanism for asynchronous connection processes. "

"Dalam rangka transformasi digital untuk mengembangkan dan meningkatkan kompetensi pegawai yang tersebar di seluruh wilayah Indonesia, perusahaan terus berupaya untuk menciptakan inovasi dengan memanfaatkan perkembangan teknologi informasi saat ini. Implementasi Learning Management System pada perusahaan merupakan salah satu terobosan baru dalam memudahkan pegawai untuk mengakses materi pembelajaran dimana pun dan kapan pun dengan harapan bisa meningkatkan pengetahuan dan kompetensi pegawai untuk mewujudkan visi dan misi perusahaan yang sudah ditetapkan. Namun implementasi Learning Management System ini belum berhasil sesuai target yang sudah ditetapkan dengan permasalahan jumlah user yang mengakses setiap tahun terus mengalami penurunan yang cukup signifikan. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang menjadi penyebab kegagalan implementasi learning management system di perusahaan dan diharapkan dapat memberikan rekomendasi perbaikan yang bisa diterapkan oleh PT Jasa Raharja supaya pengguna learning management system pada tahun berikutnya bisa meningkat dan tercapai sesuai target yang sudah ditetapkan. Pendekatan penelitian menggunakan metode kualitatif kuantitatif, pengumpulan data dilakukan dengan wawancara, analisis dokumen dan kuesioner. Identifikasi faktor-faktor dilakukan dengan melakukan tinjauan pustaka untuk selanjutnya dilakukan validasi oleh subject matter expert dan pengguna system aktif. Faktor penyebab kegagalan yang diperoleh dari hasil validasi wawancara dengan pakar selanjutnya diolah menggunakan open coding analysis untuk diproses secara kuantitatif dengan metode Analytic Hierarchy Process (AHP). Hasil dari penelitian ini didapatkan empat faktor antara lain Functional and Interface (UI/UX), Organizational, Project Management dan User/Costumer serta empat belas sub faktor yang menyebabkan kegagalan implementasi learning management system di PT Jasa Raharja.

---

In the context of digital transformation to develop and improve the competence of employees spread throughout Indonesia, the company continues to strive to create innovations by utilizing current information technology developments. The implementation of the Learning Management System in companies is one of the new breakthroughs in making it easier for employees to access learning materials anywhere and anytime with the hope of increasing employee knowledge and competence to realize the company's vision and mission that have been set. However, the implementation of the learning management system has not met the set target, with the result that the number of users accessing it each year continues to decline significantly. This study aims to identify the factors that cause the failure of the implementation of the learning management system in the company and is expected to provide recommendations for improvements that can be implemented by PT Jasa Raharja so that the use of the learning management system in the following year can increase and achieve the targets set. The research approach uses quantitative and qualitative methods, data collection is done through interviews, document analysis, and questionnaires. A literature review is conducted to identify factors for further validation by subject matter experts and active system users. Factors causing failure obtained from the validation results of interviews with experts are then processed using open coding analysis to be processed quantitatively using the Analytic Hierarchy Process (AHP) method. The results of this study found four factors, including functional and interface (UI/UX), organizational, project management, and user/customer, as well as fourteen sub-factors, that caused the failure of the implementation of the learning management system at PT Jasa Raharja."

"Tujuan dari pengembangan proyek Automatic Indonesian News Generation System (AINGS) adalah untuk mengoptimalkan proses penyuntingan dan pengiriman berita di era digital, dengan fokus khusus pada aspek usability layanan web dan e siensi basis data. Proses pengembangan dimulai dengan pemetaan kebutuhan fungsional sistem de- ngan tur yang akan diimplementasi. Kebutuhan fungsional sistem mencakup pengelo- laan draf berita, pembuatan draf berita dan validasi draf berita secara otomatis serta komu- nikasi antara redaktur dan wartawan. Implementasi tur diwujudkan dengan layanan web berupa REST API yang terintegrasi dengan basis data serta layanan web machine learn- ing. Perancangan basis data dilakukan dengan melibatkan identi kasi empat entitas utama dan identi kasi hubungan antar entitas. Pengembangan basis data dilanjutkan dengan melakukan normalisasi hingga Third Normal Form (3NF) untuk memastikan konsistensi dari data yang disimpan serta e siensi dalam waktu pemrosesan. Selain itu, dilakukan im- plementasi Elasticsearch dan performanya dibandingkan dengan PostgreSQL dalam hal waktu pemrosesan untuk pencarian draf berita. Evaluasi layanan web dilakukan dengan melakukan integration testing dan evaluasi usability menggunakan heuristik. Hasil inte- gration testing menunjukan layanan web lulus semua skenario tes dan mampu memenuhi seleuruh kebutuhan fungsional sistem. Berdasarkan hasil evaluasi heuristik, layanan web yang dikembangkan mencapai nilai metrik knowability (96.49%) dan robustness (100.00%) yang baik namun untuk metrik operability (84.07%) dan ef ciency (83.33%) dapat ditingkatkan dengan memberikan opsi format data pada request dan menerapkan caching. Hasil evaluasi basis data menunjukan bahwa normalisasi pada tahap Second Normal Form (2NF) memberikan waktu pemrosesan yang lebih optimal dengan tetap memastikan konsistensi data yang terjaga. Rata-rata waktu pemrosesan yang dihasilkan oleh tahap 2NF adalah 1,712ms, sedangkan pada tahap 3NF mencapai 3,363ms. Semen- tara itu, penerapan Elasticsearch meningkatkan kinerja pencarian sehingga menghasilkan waktu pemrosesan yang lebih cepat. Menggunakan kata kunci pencarian ”Jakarta”, Elas- ticsearch dapat memproses permintaan hanya dalam waktu 8ms, sementara PostgreSQL membutuhkan waktu hingga 142,943ms.

---

The objective of developing the "Automatic Indonesian News Generation System" (AINGS) project is to optimize the editing and delivery process of news in the digital era, with a particular focus on the usability of web services and the ef ciency of the database. The development process begins with mapping the system’s functional requirements to the features to be implemented. The functional requirements of the system include man- aging news drafts, creating news drafts, and validating news drafts automatically, as well as communication between editors and reporters. The feature implementation is real- ized through a web service in the form of a REST API integrated with a database and machine learning web services. The database design involves identifying four main en- tities and the relationships between them. The database development is continued with normalization up to the Third Normal Form (3NF) to ensure consistency of the stored data and ef ciency in processing time. Additionally, Elasticsearch is implemented, and its performance is compared with PostgreSQL in terms of processing time for searching news drafts. The web service evaluation is carried out by conducting integration testing and usability evaluation using heuristics. The integration testing results show that the web service passes all test scenarios and meets all the system’s functional requirements. Based on the heuristic evaluation results, the developed web service achieves good met- rics in knowability (96.49%) and robustness (100.00%), but for operability (84.07%) and ef ciency (83.33%) metrics, improvements can be made by providing data format options in requests and implementing caching. The database evaluation results show that normal- ization at the Second Normal Form (2NF) stage provides more optimal processing time while ensuring data consistency. The average processing time produced by the 2NF stage is 1,712ms, while at the 3NF stage, it reaches 3,363ms. Meanwhile, the implementation of Elasticsearch enhances search performance, resulting in faster processing times. Using the search keyword ”Jakarta,” Elasticsearch can process requests in just 8ms, while Post- greSQL requires up to 142,943ms."