Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bahasa daerah adalah bahasa yang digunakan sebagai penghubung pada masyarakat suatu daerah atau suatu kelompok masyarakat tertentu di samping bahasa utama, yaitu bahasa Indonesia. Keragaman bahasa daerah di Indonesia merupakan kekayaan budaya yang harus dipertahankan sepanjang zaman. Sayangnya, penggunaan bahasa daerah yang berkurang serta minimnya perhatian masyarakat pada digitalisasi bahasa daerah membuat bahasa daerah semakin terpinggirkan. Tak terkecuali pada bidang NLP, belum ada perkembangan signifikan dalam puluhan tahun terakhir yang melibatkan bahasa daerah sebagai subjek penelitian. Oleh karena itu, penelitian ini mencoba memberikan salah satu cara untuk meningkatkan kembali pelibatan bahasa daerah dalam penelitian khususnya NLP. Penelitian ini mencoba membangun korpus teks untuk sebanyak mungkin bahasa daerah di Indonesia menggunakan metode web crawling. Sistem melakukan crawling untuk mengumpulkan web berbahasa daerah sebanyak-banyaknya dan kontennya diambil dengan melakukan web scraping. Teks hasil scraping selanjutnya dinormalisasikan dan dilakukan language identification pada tiap kalimatnya. Kalimat dengan bahasa mayor seperti Indonesia dan Inggris dibuang, dan kalimat yang berbahasa daerah dipertahankan. Hasilnya adalah korpus teks untuk ratusan bahasa daerah di Indonesia. Harapannya hasil penelitian ini dapat menjadi batu loncatan penelitian bahasa daerah NLP di Indonesia selanjutnya.

---

Regional languages are languages used as a means of communication within a specific region or community, in addition to the main language, which is Indonesian. The diversity of regional languages in Indonesia is a cultural wealth that should be preserved throughout time. Unfortunately, the diminishing use of regional languages and the lack of attention given by society to the digitization of these languages have led to their marginalization. This holds true even in the field of Natural Language Processing (NLP), where there has been little significant development involving regional languages as research subjects in recent decades. Therefore, this study aims to provide a method to re-engage regional languages, particularly in NLP research. The research attempts to build a text corpus for as many regional languages in Indonesia as possible using web crawling methods. The system will crawl the web to collect regional language websites and extract their content through web scraping. The scraped texts will then undergo a normalization process and language identification process for each sentence. Sentences in major languages such as Indonesian and English will be discarded, while sentences in regional languages will be retained. The outcome of this research will be a text corpus for hundreds of regional languages in Indonesia. The hope is that the results of this study can serve as a stepping stone for the next NLP research on regional languages in Indonesia."

"Dunia menghadapi ancaman pandemi Covid-19 pada akhir tahun 2019. Tanggapan terhadap situasi pandemi menimbulkan perubahan dalam cara bekerja dan memaksa sebagian besar pekerja non-esensial untuk beradaptasi dengan bekerja dari jarak jauh. Setelah penyebaran virus dan tingkat kematian akibat Covid-19 mulai menurun, organisasi dan perusahaan mulai memberlakukan kembali kebijakan WFO. Namun, kembalinya aktivitas bekerja secara normal tidak disambut baik oleh para pekerja. Sejumlah survei mengungkapkan bahwa banyak pekerja yang enggan kembali bekerja di kantor setelah beradaptasi dengan bekerja dari rumah selama dua tahun pandemi. Penelitian menggunakan experimental research untuk melakukan analisis sentimen dan pemodelan topik terhadap kebijakan WFO. Analisis sentimen dilakukan dengan membandingkan lima algoritma pembelajaran mesin, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, dan Neural Networks. Sedangkan pemodelan topik menggunakan algoritma Latent Dirichlet Allocation. Penelitian menggunakan data dari Twitter yang diambil sejak bulan Januari 2022 hingga Mei 2023. Berdasarkan hasil eksperimen, algoritma Neural Networks dengan sampel data oversampling memberikan performa terbaik dalam memprediksi sentimen. Model menghasilkan nilai akurasi sebesar 75,61% dan f1-score 75,16%. Berdasarkan hasil penelitian, sentiment yang paling banyak diungkapkan di Twitter terkait kebijakan WFO adalah netral, disusul negatif, dan terakhir positif. Sedangkan dari hasil pemodelan topik, sentiment positif menghasilkan 3 topik, yaitu “keseruan WFO karena bertemu teman kantor”, “bekerja secara WFO meningkatkan fokus dan produktivitas”, serta “aktivitas jajan dan makan siang saat WFO”. Sentimen negatif 4 menghasilkan topik, di antaranya “kemacetan lalu lintas saat WFO”, “peningkatan biaya transport dan pengeluaran saat WFO”, “efek WFO terhadap kesehatan”, serta “kemalasan di pagi hari saat WFO”. Sedangkan sentimen netral menghasilkan 3 topik, yaitu “lowongan kerja hybrid working atau WFA”, “bekerja secara WFO”, dan “rutinintas WFO”.

---

The world faced the threat of the Covid-19 pandemic at the end of 2019. The response to the pandemic situation led to changes in the way of working and forced most non- essential workers to adapt to remote working. After the spread of the virus and the death rate due to Covid-19 began to decline, organizations and companies began to re-impose WFO policies. However, the return to normal work activities was not welcomed by workers. Several surveys reveal that many workers are reluctant to return to the office after adapting to working from home during the two years of the pandemic. The research uses experimental research to conduct sentiment analysis and topic modeling on WFO policies. Sentiment analysis is carried out by comparing five machine learning algorithms, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, and Neural Networks. Meanwhile, topic modeling uses the Latent Dirichlet Allocation algorithm. The research uses data from Twitter taken from January 2022 to May 2023. Based on experimental results, the Neural Networks algorithm with oversampling data samples provides the best performance in predicting the sentiment. The model produces an accuracy value of 75.61% and an f1-score of 75.16%. Based on research results, the most expressed sentiment on Twitter regarding WFO policies is neutral, followed by negative, and then positive. Meanwhile, from the results of topic modeling, positive sentiment resulted in 3 topics, namely "the excitement of WFO because of meeting office friends", "working in WFO increases focus and productivity", and "lunch activities during WFO". Negative sentiment generated 4 topics, including "traffic jams during WFO", "increased transport costs and expenses during WFO", "effects of WFO on health", and "laziness in the morning during WFO". Meanwhile, neutral sentiment resulted in 3 topics, namely "hybrid working or WFA job vacancies", "working activities in the office", and "WFO routines"."

"Rohingya merupakan etnis minoritas yang hingga saat ini masih menghadapi penganiayaan dan diskriminasi di negara Myanmar sehingga harus melarikan diri ke negara tetangga, termasuk Indonesia. Akan tetapi, polemik terkait isu keberadaan pengungsi Rohigya di Indonesia masih menunjukkan adanya perbedaan pendapat antara kelompok yang mendukung dan menentang, serta pendapat atau opini tersebut dapat berubah setiap tahunnya. Untuk itu, penelitian ini bertujuan untuk mengetahui dinamika opini publik Indonesia terkait Rohingya dari tahun 2015-2023 melalui Twitter, serta mengetahui topik-topik yang sering dibicarakan tiap tahunnya. Penelitian ini membandingkan akurasi antara leksikon InSet dengan pelabelan manual sebagai pengembangan dataset dan juga membandingkan antara metode klasifikasi menggunakan algoritma traditional machine learning (NB, SVM, LR, dan DT) dengan algoritma deep learning (LSTM, GRU, LSTM-GRU, dan GRU-LSTM). Untuk pemodelan topik, penelitian ini menggunakan algoritma LDA. Hasil penelitian menunjukkan bahwa akurasi leksikon InSet sebesar 44,64%, sehingga pelabelan dengan leksikon InSet belum dapat menggantikan pelabelan manual. Adapun performa klasifikasi terbaik adalah dengan algoritma traditional machine learning LR yang memiliki akurasi sebesar 0,620 dan f1-score sebesar 0.622. Visualisasi time series sentimen menunjukkan pada tahun 2015 - 2016 sentimen positif lebih banyak dibandingkan sentimen negatif dan netral, kemudian pada tahun 2017 – 2020 sentimen netral dan negatif hampir sama, sedangkan jumlah sentimen positif semakin menurun. Selanjutnya tahun 2021 – 2023, jumlah sentimen negatif naik signifikan dibanding sentimen positif yang terus turun. Adapun topik-topik yang sering dibicarakan untuk sentimen positif adalah adanya dukungan masyarakat Indonesia kepada Rohingya dalam memberikan bantuan dan tempat perlindungan, sedangkan untuk topik negatif terkait adanya kekhawatiran akan dampak sosial, ekonomi, serta keamanan yang mungkin ditimbulkan oleh kehadiran pengungsi Rohingya.

---

The Rohingya are an ethnic minority who currently still face persecution and discrimination in Myanmar, so they have to flee to neighboring countries, including Indonesia. However, the polemic regarding the issue of the existence of Rohigya refugees in Indonesia still shows that there are differences of opinion between groups who support and oppose, and these opinions can change every year. For this reason, this research aims to determine the dynamics of Indonesian public opinion regarding the Rohingya from 2015-2023 via Twitter, as well as finding out the topics that are often discussed each year. This research compares the accuracy of the InSet lexicon with manual labeling as a dataset development. Apart from that, this research also compares classification methods using traditional machine learning algorithms (NB, SVM, LR, and DT) and deep learning algorithms (LSTM, GRU, LSTM-GRU, and GRU-LSTM). For topic modeling, this research uses the LDA algorithm. The research results show that the accuracy of the InSet lexicon is 44.64%, so that labeling with the InSet lexicon cannot replace manual labeling. The best classification performance is with the traditional machine learning LR algorithm which has an accuracy of 0.620 and an f1-score of 0.622. Time series visualization of sentiment shows that in 2015 - 2016 there were more positive sentiments than negative and neutral sentiments, then in 2017 - 2020 neutral and negative sentiments were almost the same, while the number of positive sentiments decreased. Furthermore, in 2021 – 2023, the number of negative sentiments will increase significantly compared to positive sentiment which continues to fall. The topics that are often discussed for positive sentiment are the Indonesian people's support for the Rohingya in providing assistance and shelter, while the negative topics are related to concerns about the social, economic and security impacts that may be caused by the presence of Rohingya refugees."

"Penelitian ini bertujuan untuk mengevaluasi efektivitas kombinasi metode TextRank dengan word embedding pada dataset IndoSum. Dua skenario eksperimen diterapkan: unweighted dan weighted. Hasil eksperimen menunjukkan bahwa penggunaan model word embedding pada algoritma TextRank terbukti meningkatkan performa sistem peringkasan. Skenario unweighted menguji perbandingan performa antara sistem baseline (kombinasi dari TextRank dengan Word2Vec dan pembobotan TF-IDF yang dilatih menggunakan dataset Liputan6) dengan beberapa sistem lainnya yang memadukan algoritma TextRank dengan model word embedding tanpa pembobotan TF-IDF. Skenario weighted menguji perbandingan sistem yang memadukan algoritma TextRank dengan model word embedding tanpa pembobotan TF-IDF dengan counterpart-nya yang memadukan algoritma TextRank dengan model word embedding ditambah pembobotan TF-IDF. Pada skenario unweighted, kombinasi TextRank dan fastText yang dilatih dengan dataset IndoSum menunjukkan peningkatan performa tertinggi untuk skor ROUGE-1 dan ROUGE-2 masing-masing sebesar 7,51% dan 4,24%. Sedangkan pada skenario weighted, pembobotan TF-IDF pada word embedding menunjukkan peningkatan performa sebagian besar sistem peringkasan dibandingkan penggunaan word embedding tanpa pembobotan TF-IDF, dengan rata-rata peningkatan performa sistem sebesar 5,55% pada ROUGE-1 dan 9,95% pada ROUGE-2.

---

This research evaluates the effectiveness of combining the TextRank method with word embedding on the IndoSum dataset. Two experimental scenarios were applied: unweighted and weighted. The experimental results show that using word embedding models in the TextRank algorithm significantly improves the summarization system's performance. The unweighted scenario tested the performance comparison between the baseline system (a combination of TextRank with Word2Vec and TF-IDF weighting trained using the Liputan6 dataset) and several other systems combining the TextRank algorithm with word embedding models without TF-IDF weighting. The weighted scenario compared systems that combined the TextRank algorithm with word embedding models without TF-IDF weighting to their counterparts that included TF-IDF weighting. In the unweighted scenario, the combination of TextRank and fastText trained with the IndoSum dataset demonstrated the highest performance improvement, with ROUGE-1 and ROUGE-2 scores increasing by 7.51% and 4.24%, respectively. Meanwhile, in the weighted scenario, applying TF-IDF weighting to word embedding showed performance improvement in most summarization systems compared to using word embedding without TF-IDF weighting, with an average performance increase of 5.55% in ROUGE-1 and 9.95% in ROUGE-2."

"Judul produk pada suatu platform e-commerce berperan cukup besar dalam menarik per- hatian konsumen terhadap produk. Kualitas judul produk yang kurang baik perlu diper- baiki dan perihal ini menyebabkan munculnya suatu kebutuhan untuk melakukan nor- malisasi teks pada judul produk agar judul produk dapat terstandardisasi. Namun, stan- dardisasi tersebut tidak dapat dilakukan secara manual oleh manusia karena produk baru setiap harinya akan terus meningkat sehingga membutuhkan suatu sistem yang dapat melakukan pekerjaan tersebut dengan baik. Kriteria atau indikator suatu judul produk yang baik pada platform e-commerce di Indonesia belum pernah didefinisikan sebelumnya sehingga penelitian ini mengajukan empat kriteria yang dapat menjadi parameter kualitas suatu judul produk, yaitu consistency, conciseness, discoverability, dan clarity. Selain itu, penelitian ini juga mengajukan sebuah pendekatan untuk melakukan normalisasi teks pada judul produk e-commerce, yakni dengan pendekatan pipeline yang terdiri atas em- pat tahapan, yaitu chunking, language identification, promotion words identification, dan normalization. Model yang digunakan pada modul chunking, language identification, dan promotion words identification adalah model Conditional Random Field. Evaluasi dilakukan terpisah pada setiap modul dan dilakukan secara integrasi pada pipeline. Pada setiap modul, pengujian yang dilakukan adalah evaluasi kontribusi setiap fitur terhadap kualitas prediksi, menghasilkan suatu kesimpulan bahwa terdapat beberapa potensi ke- mungkinan, yaitu fitur yang berkontribusi positif atau negatif terhadap seluruh metrik, atau fitur dapat berkontribusi positif pada metrik tertentu, namun berkontribusi negatif pada metrik lainnya. Pengujian pada pipeline dilakukan dengan memasukkan judul pro- duk ke seluruh modul mengikuti alur pemodelan dengan dua buah pengaturan evaluasi, menghasilkan akurasi terbaik sebesar 49,14% untuk nilai WER dan 82,61% untuk nilai BLEU. Berdasarkan seluruh hasil tersebut, performa Conditional Random Field dapat dikatakan bekerja dengan baik dalam melakukan identifikasi bahasa dan identifikasi pro- motion words, dan masih dapat dioptimisasi lagi pada tahapan chunking.

---

The product title on a e-commerce platform has a significant role in attracting consumers’ attention to the product. Poor quality of a product title needs to be fixed and standard- ized, led to a need of text normalization on e-commerce product title. However, this standardization cannot be done manually by humans because new products will continue to increase everyday, so it requires a machine that can do the job properly. Criteria or in- dicators of a good product title on the Indonesian e-commerce platform have never been defined before, so that this research proposes four criteria that can be parameters for a product title quality, namely consistency, conciseness, discoverability, and clarity. In ad- dition, this research also proposes an approach to normalize text on e-commerce product title, with a pipeline approach that consisting of four stages, namely chunking, language identification, promotion words identification, and normalization. The model used in module chunking, language identification, and promotion words identification involves the Conditional Random Field model. Evaluation was separated for each module and in- tegrated for pipeline evaluation. For each module, the experiment was used to evaluate the contribution of each feature towards the quality of the prediction, resulting in conclusion that there are several potential possibilities, which are features that contribute positively or negatively to all metrics, or features can contribute positively to certain metrics, but contribute negatively to the other metrics. The experiment was carried out by inserting product titles into all modules followed the modelling flow with two evaluation settings, resulting for the best accuracy of 49,14% for the WER value and 82,61% for the BLEU value. Based on all of these results, the performance of Conditional Random Field can be said to work well in language identification and promotion words identification module, and can still can be optimized in the chunking module."

"

Penelitian ini dipicu oleh minimnya penelitian yang berkaitan dengan desain antarmuka aplikasi e-learning environment yang sesuai dengan kebutuhan siswa SMA jurusan IPA dan IPS. Penelitian ini bertujuan mengidentifikasi, menganalisis, dan mengimplementasikan fitur-fitur yang dibutuhkan oleh siswa SMA dalam proses e-learning. User Centered Design menjadi metode yang digunakan untuk memastikan desain yang dihasilkan menjawab kebutuhan pengguna. Pengumpulan kebutuhan pengguna dilakukan dengan mewawancarai 15 pelajar SMA jurusan IPA dan IPS. Hasil analisis kebutuhan pengguna menjadi dasar rancangan low fidelity prototype dan high fidelity prototype berupa clickable mockup yang mengacu pada teori Shneiderman’s Eight Golden Rules of Interface Design, active learning, dan perkembangan kognitif oleh Piaget. Low fidelity prototype bertujuan untuk memberikan gambaran tata letak pada desain yang dirancang. Kemudian, high fidelity prototype bertujuan untuk memberikan gambaran utuh terkait desain antarmuka yang dirancang. Hasil high fidelity prototype dievaluasi melalui usability testing dan kuesioner System Usability Scale. Penelitian ini menyimpulkan bahwa hampir keseluruhan fitur yang diajukan memiliki completion rate dan error-free rate sebesar 100%, yang menunjukkan bahwa pengguna dapat menyelesaikan task tanpa adanya kesulitan yang berarti. Hasil akhir penelitian ini mengajukan high fidelity prototype dan rekomendasi perbaikan yang didasarkan pada umpan balik yang bermakna selama proses evaluasi yang dapat dijadikan acuan untuk melakukan pengembangan pada desain antarmuka e-learning environment.

---

This research is driven by the lack of research related to the interface design of an e-learning environment application that suits the needs of high school students majoring in science and social studies. This research aims to identify, analyze, and implement the features needed by the high school students during online learning. We applied the User Centered Design (UCD) method to ensure the results meet the user needs. We interviewed 15 high school students majoring in science and social studies to gather the requirements needed. The results became the basis for designing a low fidelity prototype and a high fidelity prototype in the form of a clickable mockup while still referring to the theory of Shneiderman's Eight Golden Rules of Interface Design, active learning, and cognitive development by Piaget. Low fidelity prototype aims to provide an overview of the layout of the design. Then, the high fidelity prototype aims to provide a complete picture regarding the interface design. We evaluated the high fidelity prototype through usability testing and the System Usability Scale (SUS) questionnaire. This study concludes that almost all of the proposed features have a completion rate and error-free rate of 100%, which indicates that users can complete tasks without any significant difficulties. This study proposes a high fidelity prototype and recommendations based on meaningful feedback during the evaluation as a reference for designing the interface of an e-learning environment.

"

"Penelitian ini dipicu oleh minimnya penelitian yang berkaitan dengan desain antarmuka aplikasi e-learning environment yang sesuai dengan kebutuhan siswa SMA jurusan IPA dan IPS. Penelitian ini bertujuan mengidentifikasi, menganalisis, dan mengimplementasikan fitur-fitur yang dibutuhkan oleh siswa SMA dalam proses e-learning. Metode yang digunakan adalah User Centered Design untuk memastikan desain yang dihasilkan menjawab kebutuhan pengguna. Pengumpulan kebutuhan dilakukan dengan mewawancarai 15 pelajar SMA jurusan IPA dan IPS. Hasil analisis kebutuhan menjadi dasar dari dirancangnya low fidelity prototype dan high fidelity prototype berupa clickable mockup dengan mengacu pada teori Shneiderman’s Eight Golden Rules of Interface Design, active learning, dan perkembangan kognitif oleh Piaget. Low fidelity prototype bertujuan untuk memberikan gambaran tata letak pada desain yang dirancang. Kemudian, high fidelity prototype bertujuan untuk memberikan gambaran yang utuh terkait desain antarmuka yang dirancang. High fidelity prototype ini dievaluasi melalui usability testing dan kuesioner System Usability Scale. Penelitian ini menyimpulkan bahwa hampir keseluruhan fitur yang diajukan memiliki completion rate dan error-free rate sebesar 100%, yang menunjukkan bahwa pengguna dapat menyelesaikan task tanpa adanya kesulitan yang berarti. Namun, terdapat dua fitur yang memiliki tingkat error-free rate yang rendah, yaitu fitur “Dashboard” dan fitur “Materi Pembelajaran”, masing-masing sebesar 63.64% dan 72.73%, yang kemungkinan dipicu oleh bagian progres pembelajaran yang kurang ditekankan pada halaman “Dashboard” dan keberadaan checkbox yang mendistraksi pada halaman “Mata Pelajaran”. Penelitian ini mengajukan high fidelity prototype dan rekomendasi perbaikan yang didasarkan pada umpan balik yang bermakna selama proses evaluasi dijadikan acuan untuk melakukan pengembangan pada desain antarmuka e-learning environment.

---

This research is driven by the lack of research related to the interface design of the e-learning environment application that suits the needs of high school students majoring in science and social studies. This research aims to identify, analyze, and implement the features needed by the high school students during online learning. We apply the User Centered Design (UCD) method to ensure the results meet the user needs. We interviewed 15 high school students majoring in science and social studies to gather the requirements needed. The results became the basis for designing a low fidelity prototype and a high fidelity prototype in the form of a clickable mockup while still referring to the theory of Shneiderman's Eight Golden Rules of Interface Design, active learning, and cognitive development by Piaget. Low fidelity prototype aims to provide an overview of the layout of the design. Then, the high fidelity prototype aims to provide a complete picture regarding the interface design. We evaluated the high fidelity prototype through usability testing and the System Usability Scale (SUS) questionnaire. This study concludes that almost all of the proposed features have a completion rate and error-free rate of 100%, which indicates that users can complete tasks without any significant difficulties. However, there are two features that have a low error-free rate, namely the "Dashboard" and the "Learning Material", respectively 63.64% and 72.73%, which are likely triggered by the less emphasized learning progress section on the “Dashboard” page and the existence of distracting checkboxes on the “Learning Material” page. This study proposes a high fidelity prototype and recommendations based on meaningful feedback during the evaluation as a reference for designing the interface of an e-learning environment."

"

Seluruh universitas di Indonesia telah kembali memasuki pembelajaran secara luar jaringan (luring), dimana sebelumnya dilakukan secara dalam jaringan (daring) akibat pandemi COVID-19. Dalam masa transisi dari pembelajaran daring ke luring, terdapat beberapa masalah yang dihadapi mahasiswa yang terbiasa belajar secara daring, salah satunya masalah teman belajar. Aktivitas pembelajaran secara daring menyebabkan mahasiswa kesulitan untuk berdiskusi dan bertukar pikiran dengan orang lain yang mempunyai minat dan hobi yang sama karena keterbatasan kesempatan untuk berinteraksi. Hubungan relasi sosial mahasiswa hanya terbatas kepada teman-teman lulusan satu sekolah, satu kelompok di mata kuliah, dan satu kepanitiaan saja. Adanya kebutuhan ini mendorong dibuatnya aplikasi pencari teman untuk mendukung proses pembelajaran. Penelitian ini dibuat dengan tujuan untuk mengetahui kebutuhan mahasiswa dan membuat aplikasi yang dapat mendukung proses pembelajaran secara berkelompok, terlebih dalam proses pencarian teman. Proses tersebut dibasiskan terhadap minat masing-masing mahasiswa sehingga rekomendasi teman yang didapatkan memiliki minat yang sama dengan mahasiswa tersebut. Aplikasi ini berbasis web dengan desain responsif, sehingga bisa diakses dari komputer maupun telepon genggam dengan sistem operasi apapun. Aplikasi ini memiliki manfaat praktis untuk mempermudah mahasiswa mencari teman yang memiliki minat yang sama untuk belajar atau berdiskusi bersama. Pada evaluasi aplikasi, seluruh skenario usability testing berhasil diselesaikan oleh 12 responden, dimana delapan orang menggunakan tampilan web dan empat orang menggunakan tampilan mobile dengan tingkat kesuksesan 97,57%. Setiap skenario terdapat follow-up question yang ditanyakan oleh penguji untuk mengetahui pendapat dari responden, dimana hasilnya adalah beberapa evaluasi terhadap desain tampilan dan pengalaman pengguna. Performa dari aplikasi ini juga sangat baik dari segi aksesibilitas pengguna dan response time yang dievaluasi dengan menggunakan Locust, dimana dengan concurrent user sebanyak 100 orang dan request per second mencapai rata-rata 150, sistem tetap menghasilkan rata-rata response time dibawah satu detik.

---

All universities in Indonesia have returned to offline learning (face-to-face) after previously conducting online learning (remote) due to the COVID-19 pandemic. During the transition period from online to offline learning, there are several problems faced by students who are accustomed to learning online, one of which is the issue of study companions. Online learning activities make it difficult for students to discuss and exchange ideas with others who have similar interests and hobbies due to limited opportunities for interaction. The social relationships of students are limited to friends from the same school, study group, or committee. Recognizing this need, the development of a friend-finding application was initiated to support the learning process, as friends are an important factor in a student's academic and social development. This research aims to identify student needs and create an application that can facilitate group-based learning, particularly in the process of finding study companions. The process is based on the individual interests of each student, ensuring that the recommended friends share the same interests. The application is web-based with a responsive design, accessible from both computers and mobile devices with any operating system. It offers practical benefits by simplifying the process for students to find like-minded friends for studying or discussing together. During the application evaluation, all usability testing scenarios were successfully implemented, resulting in several evaluations of the interface design. The application also performed exceptionally well in terms of user accessibility and response time, evaluated using Locust. With a concurrent user load of 100 individuals and an average request per second of 150, the system consistently maintained an average response time of less than one second.

"

"

Seluruh universitas di Indonesia telah kembali memasuki pembelajaran secara luar jaringan (luring), dimana sebelumnya dilakukan secara dalam jaringan (daring) akibat pandemi COVID-19. Dalam masa transisi dari pembelajaran daring ke luring, terdapat beberapa masalah yang dihadapi mahasiswa yang terbiasa belajar secara daring, salah satunya masalah teman belajar. Aktivitas pembelajaran secara daring menyebabkan mahasiswa kesulitan untuk berdiskusi dan bertukar pikiran dengan orang lain yang mempunyai minat dan hobi yang sama karena keterbatasan kesempatan untuk berinteraksi. Hubungan relasi sosial mahasiswa hanya terbatas kepada teman-teman lulusan satu sekolah, satu kelompok di mata kuliah, dan satu kepanitiaan saja. Adanya kebutuhan ini mendorong dibuatnya aplikasi pencari teman untuk mendukung proses pembelajaran. Penelitian ini dibuat dengan tujuan untuk mengetahui kebutuhan mahasiswa dan membuat aplikasi yang dapat mendukung proses pembelajaran secara berkelompok, terlebih dalam proses pencarian teman. Proses tersebut dibasiskan terhadap minat masing-masing mahasiswa sehingga rekomendasi teman yang didapatkan memiliki minat yang sama dengan mahasiswa tersebut. Aplikasi ini berbasis web dengan desain responsif, sehingga bisa diakses dari komputer maupun telepon genggam dengan sistem operasi apapun. Aplikasi ini memiliki manfaat praktis untuk mempermudah mahasiswa mencari teman yang memiliki minat yang sama untuk belajar atau berdiskusi bersama. Pada evaluasi aplikasi, seluruh skenario usability testing berhasil diselesaikan oleh 12 responden, dimana delapan orang menggunakan tampilan web dan empat orang menggunakan tampilan mobile dengan tingkat kesuksesan 97,57%. Setiap skenario terdapat follow-up question yang ditanyakan oleh penguji untuk mengetahui pendapat dari responden, dimana hasilnya adalah beberapa evaluasi terhadap desain tampilan dan pengalaman pengguna. Performa dari aplikasi ini juga sangat baik dari segi aksesibilitas pengguna dan response time yang dievaluasi dengan menggunakan Locust, dimana dengan concurrent user sebanyak 100 orang dan request per second mencapai rata-rata 150, sistem tetap menghasilkan rata-rata response time dibawah satu detik.

---

All universities in Indonesia have returned to offline learning (face-to-face) after previously conducting online learning (remote) due to the COVID-19 pandemic. During the transition period from online to offline learning, there are several problems faced by students who are accustomed to learning online, one of which is the issue of study companions. Online learning activities make it difficult for students to discuss and exchange ideas with others who have similar interests and hobbies due to limited opportunities for interaction. The social relationships of students are limited to friends from the same school, study group, or committee. Recognizing this need, the development of a friend-finding application was initiated to support the learning process, as friends are an important factor in a student's academic and social development. This research aims to identify student needs and create an application that can facilitate group-based learning, particularly in the process of finding study companions. The process is based on the individual interests of each student, ensuring that the recommended friends share the same interests. The application is web-based with a responsive design, accessible from both computers and mobile devices with any operating system. It offers practical benefits by simplifying the process for students to find like-minded friends for studying or discussing together. During the application evaluation, all usability testing scenarios were successfully implemented, resulting in several evaluations of the interface design. The application also performed exceptionally well in terms of user accessibility and response time, evaluated using Locust. With a concurrent user load of 100 individuals and an average request per second of 150, the system consistently maintained an average response time of less than one second.

"

"Sistem perolehan pertanyaan serupa diimplementasikan pada banyak situs tanya jawab, khususnya pada forum tanya jawab kesehatan. Implementasi dari sistem pencarian pertanyaan serupa dapat beragam seperti text based retriever dan neural ranker. Permasalahan utama dari neural ranker adalah kurangnya penelitian dalam bahasa indonesia untuk modelnya, khususnya untuk yang menggunakan BERT sebagai model untuk deteksi pertanyaan serupa. Pada penelitian ini akan dicari tahu sejauh apa neural re-ranker BERT dapat memperbaiki kualitas ranking dari text-based retriever jika diterapkan fine-tuning pada model. Model yang digunakan oleh penelitian berupa BERT dan test collection yang digunakan merupakan dataset forum kesehatan yang disusun oleh Nurhayati (2019). Untuk mengetahui sejauh mana model berbasis BERT dapat berguna untuk re-ranking, eksperimen dilakukan pada model pre-trained multilingualBERT, indoBERT, stevenWH, dan distilBERT untuk melihat model yang terbaik untuk di-fine-tune. Penelitian juga mengusulkan dua metode fine-tuning yakni attention mask filter dengan IDF dan freezed layer dengan melakukan freezing pada beberapa layer di dalam BERT. Model dan metode ini kemudian diuji pada beberapa skenario yang telah ditentukan. Hasil dari eksperimen menunjukkan bahwa re-ranker dapat meningkatkan kualitas text based retriever bila di-fine-tune dengan metode dan skenario tertentu.