Hasil Pencarian  ::  Simpan CSV :: Kembali

"Machine Reading Comprehension (MRC) merupakan salah satu task di bidang natural language processing (NLP) dimana mesin memiliki tugas untuk membaca secara komprehensif dari sebuah bacaan (passage) yang diberikan agar dapat menjawab pertanyaan terkait. Metode terkini untuk mengautomasi MRC menggunakan deep learning dengan memanfaatkan pretrained language models (PLMs) berbasis BERT. Dalam menangani kasus MRC sumber daya rendah, digunakan PLM multilingual seperti XLM-R. Namun PLM multilingual memiliki masalah untuk bahasa sumber daya rendah yaitu: bahasa sumber daya rendah yang tidak terepresentasi dengan baik, imperfect cross-lingual embeddings alignment dan instabilitas ketika di fine-tuning pada data berukuran kecil. Penelitian ini mengusulkan beberapa strategi fine-tuning dan metode pembentukan data augmentasi untuk meningkatkan kinerja MRC dibahasa sumber daya rendah. Strategi fine-tuning yang diusulkan adalah 2-step fine-tuning dan mixed fine-tuning. Untuk metode pembentukan data augmentasi yaitu dengan penggunaan data asli, pengaplikasian model machine translation dan perturbasi code-switching. Hasil eksperimen menunjukkan, untuk dataset FacQA (Bahasa Indonesia) dan UIT-ViQuAD (Bahasa Vietnam) diperoleh strategi terbaik dengan kombinasi strategi penggunaan data asli dan metode 2-step finetuning dimana menghasilkan peningkatan kinerja sebesar 3.858%, 2.13% secara berurutan. Untuk dataset FQuAD (Bahasa Prancis), strategi terbaik diperoleh de- ngan kombinasi strategi pembentukan data perturbasi code-switching dan metode mixed fine-tuning dimana menghasilkan peningkatan kinerja sebesar 1.493%.

---

Machine Reading Comprehension (MRC) is one of the tasks in the field of natural language processing (NLP) where the machine has the task of reading comprehensively from a given passage in order to answer related questions. The latest method for automating MRC uses deep learning by utilizing pretrained language models (PLMs) based on BERT. For handling low-resource MRC, multilingual PLMs such as XLM-R are used. However, multilingual PLM has problems for low resource languages: low resource languages that are underrepresented, imperfect cross-lingual embeddings alignment and instability when finetuned on small data.This study proposes several fine-tuning strategies and data augmentation generation methods to improve lowresource languages MRC performance. The proposed fine-tuning strategies are 2-step fine-tuning and mixed fine-tuning. For the method of form- ing augmented data, namely by using data original model, application of machine translation and code-switching pertubation to optimize cross-lingual embeddings alignment in multilingual PLM. The experimental results show that for the FacQA (Indonesian) and UIT-ViQuAD (Vietnamese) datasets, the best strategy is obtained by combining the strategy of using original data and the 2-step fine-tuning method which results in an performance improvement of 3.858%, 2.13%, respectively. For the FQuAD dataset (French), the best strategy was obtained by a combination of code-switching perturbation strategy and mixed fine-tuning method which resulted in an performance improvement of 1.493%. "

"Penelitian ini ditujukan untuk mengetahui apakah pemberian program intervensidengan pendekatan reciprocal teaching dan buddy reading dapat meningkatkanstrategi metakognitif yang digunakan siswa ketika membaca. Penelitian inimerupakan penelitian dengan desain subyek tunggal pada siswa kelas X SMAdengan kesulitan pemahaman bacaan. Program berlangsung selama 6 hari, danterdiri dari fase baseline dan fase treatment. Selama fase baseline, dilakukan persiapan terhadap subyek, persiapan buddy, serta pengukuran strategi metakognitif subyek sebelum diberikan intervensi. Dalam fase treatment, subyek diberikan intervensi berupa program belajar dengan pendekatan reciprocal teaching dan buddy reading, kemudian diukur strategi metakognitifnya. Hasilpenelitian menunjukkan peningkatan penggunaan strategi metakognitif padasubyek, baik dari segi jumlah, keberagama, dan tingkat efektivitas strategi metakognitif yang digunakan ketika membaca.

---

The objective of this research is to examine whether intervention program with reciprocal teaching and buddy reading can improve metacognitive strategies usedby student. This research is conducted using single subject design on high school student with reading comprehension difficulties. The program was administrated in 6 meetings and consisted of two phases baseline and treatment.

During the baseline phase, researcher prepared subject and buddy for intervention, and measured metacognitive strategies used by subject before intervention. During the treatment phase, subject received learning program with reciprocal teaching and buddy reading, then his metacognitive strategies was measured.

The result showed that there is improvement in the variety, and effectiveness ofmetacognitive strategies used by subject while reading."

"Indonesia merupakan salah satu negara yang sempat terimbas COVID-19. Hal itu berdampak pada sektor pariwisata, khususnya industri perhotelan di Indonesia. Meskipun begitu, sekarang sektor pariwisata di Indonesia mulai pulih kembali, khususnya untuk industri perhotelan. Badan Pusat Statistik (BPS) mencatat bahwa pada tahun 2023, tingkat penghunian kamar (TPK) hotel bintang bahkan mengalami kenaikan dibandingkan dengan tahun 2022, kenaikan hotel bintang mencapai 51,12%. Dengan meningkatnya permintaan terhadap tingkat hunian hotel, ulasan yang diberikan oleh pelanggan terhadap hotel menjadi hal yang penting untuk dianalisis. Salah satu jenis analisis yang dapat dilakukan terhadap ulasan-ulasan tersebut adalah analisis sentimen untuk mengklasifikasi sentimen yang terkandung dalam ulasan ke dalam kelompok-kelompok sentimen tertentu. Walaupun model-model deep learning seperti Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) atau bahkan model hybrid dan fully-connected layer neural network dengan representasi Bidirectional Encoder Representations from Transformers (BERT) terbukti menghasilkan kinerja yang baik dalam melakukan analisis sentimen, tetapi beberapa masalah yang umumnya dihadapi adalah fleksibilitas, efisiensi waktu, dan sumber daya yang dibutuhkan dalam penggunaannya. Oleh sebab itu, metode GPT berbasis prompt dapat menjadi salah satu solusi untuk permasalahan tersebut. Dengan menggunakan GPT berbasis prompt, pengguna dapat langsung memanfaatkan pengetahuan dan pemahaman bahasa yang telah diperoleh model GPT selama proses pelatihan pada korpus teks yang sangat besar. Hal ini memungkinkan model untuk menghasilkan prediksi sentimen yang akurat tanpa perlu melalui proses pelatihan yang panjang dan kompleks. Penelitian ini menganalisis dan membandingkan kinerja Large Language Model BERT dan GPT sebagai metode untuk analisis sentimen berbahasa Indonesia. Hasil Penelitian menunjukkan bahwa rata-rata kinerja model GPT secara keseluruhan lebih unggul dibandingkan model BERT dengan fully-connected layer neural network (BERT-NN) untuk dataset tiket.com, PegiPegi, dan Traveloka. Secara spesifik, model GPT dengan pendekatan zero-shot memiliki rata-rata kinerja yang paling unggul dibandingkan dengan pendekatan one-shot dan few-shot. Untuk rata-rata kinerja terhadap ketiga dataset tersebut, GPT dengan pendekatan zero-shot memberikan peningkatan sebesar 1,28%, 1,45%, dan 6,2% untuk metrik akurasi, F1-score, dan sensitivity secara berurutan terhadap kinerja BERT-NN. Hasil ini menunjukkan potensi metode GPT berbasis prompt sebagai alternatif yang efisien dan fleksibel secara penggunaan untuk analisis sentimen pada ulasan hotel berbahasa Indonesia.

---

Indonesia was one of the countries affected by COVID-19. This impacted the tourism sector, particularly the hotel industry in Indonesia. However, the tourism sector in Indonesia is now beginning to recover, especially for the hotel industry. The Central Statistics Agency (BPS) recorded that in 2023, the occupancy rate of star-rated hotels even increased compared to 2022, with the increase reaching 51.12%. With the rising demand for hotel occupancy rates, customer reviews of hotels have become important to analyze. One type of analysis that can be performed on these reviews is sentiment analysis to classify the sentiments contained in the reviews into specific sentiment groups. Although deep learning models such as Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), or even hybrid models and fully-connected layer neural networks with Bidirectional Encoder Representations from Transformers (BERT) representation have been proven to produce good performance in sentiment analysis, some common problems faced are flexibility, time efficiency, and resources required for their use. Therefore, prompt-based GPT methods can be a solution to these problems. By using prompt-based GPT, users can directly leverage the knowledge and language understanding that the GPT model has acquired during training on a vast text corpus. This allows the model to generate accurate sentiment predictions without going through a long and complex training process. This study analyzes and compares the performance of BERT and GPT Large Language Models as methods for Indonesian language sentiment analysis. The results show that the average overall performance of the GPT model is superior to the BERTmodel with a fully-connected layer neural network (BERT-NN) for datasets from tiket.com, PegiPegi, and Traveloka. Specifically, the GPT model with a zero-shot approach has the most superior average performance compared to the one-shot and few-shot approaches. For the average performance across these three datasets, GPT with a zero-shot approach provides improvements of 1.28%, 1.45%, and 6.2% for accuracy, F1-score, and sensitivity metrics, respectively, compared to BERT-NN performance. These results demonstrate the potential of prompt-based GPT methods as an efficient and flexible alternative for sentiment analysis on Indonesian language hotel reviews."

"Vaksinasi COVID-19 merupakan salah satu solusi jangka panjang untuk mengatasi pandemi COVID-19 di Indonesia. Topik vaksinasi COVID-19 menjadi perbincangan yang hangat, khususnya di media sosial. Berbagai macam pro dan kontra mengenai program vaksinasi terus bermunculan sehingga penelitian mengenai analisis publik terhadap program vaksinasi COVID-19 sangat berguna untuk komunikasi publik. Penelitian ini berfokus kepada lima jenis vaksin yang banyak digunakan di Indonesia yaitu, AstraZeneca, Moderna, Pfizer, Sinopharm dan Sinovac. Sebanyak 252,805 data dikumpulkan melalui media sosial twitter menggunakan Twitter API di tahun 2021. Lalu sebanyak 11,361 dipilih secara acak untuk dianotasi secara manual. Selanjutnya, proses klasifikasi dilakukan menggunakan model bahasa XLMR dan beberapa metode baseline berbasis pre-trained language model, deep learning, machine learning dan lexicon. Augmentasi data seperti Easy Data Augmentation (EDA), An Easier Data Augmentation (AEDA) dan Seqgan juga dilakukan untuk menyeimbangkan jumlah kelas data minoritas. Pembagian data latih dan data uji dilakukan dengan menggunakan dua metode yaitu simple random sampling dan stratified sampling untuk mengetahui performa model yang dilatih. Hasil penelitian menunjukkan bahwa metode yang diusulkan yaitu XLMR, memiliki performa yang tinggi dibandingkan metode baseline lainnya, dengan akurasi sebesar 71.91% sebelum dilakukan augmentasi dan 72.19% setelah dilakukan augmentasi menggunakan Seqgan menggunakan metode pembagian data simple random sampling. Lalu, dengan menggunakan metode pembagian data stratified, XLMR juga memiliki performa terbaik dengan akurasi 59.96% sebelum dilakukan augmentasi dan 74.37% setelah dilakukan augmentasi menggunakan EDA. Penelitian ini akan sangat bermanfaat untuk komunikasi publik dengan kasus serupa. Di masa yang akan datang, penelitian ini bisa dilanjutkan dengan melakukan domain transfer untuk meningkatkan performa model.

---

COVID-19 vaccination is one of the long-term solutions to address the COVID-19 pandemic in Indonesia. The topic of COVID-19 vaccination has become a hot discussion, especially on social media. Various pros and cons regarding the vaccination program continue to emerge, making research on public analysis of the COVID-19 vaccination program very useful for public communication. This study focuses on five types of vaccines widely used in Indonesia, namely AstraZeneca, Moderna, Pfizer, Sinopharm, and Sinovac. A total of 252,805 data were collected through social media Twitter using the Twitter API in 2021. Then, 11,361 were randomly selected to be manually annotated. Subsequently, the classification process was performed using the XLMR language model and several baseline methods based on pre-trained language models, deep learning, machine learning, and lexicon. Data augmentation such as Easy Data Augmentation (EDA), An Easier Data Augmentation (AEDA), and Seqgan was also carried out to balance the number of minority class data. The division of training data and test data was done using two methods, namely simple random sampling and stratified sampling, to determine the performance of the trained model. The results of the study show that the proposed method, XLMR, has high performance compared to other baseline methods, with an accuracy of 71.91% before augmentation and 72.19% after augmentation using Seqgan with the simple random sampling data splitting method. Then, using the stratified data splitting method, XLMR also had the best performance with an accuracy of 59.96% before augmentation and 74.37% after augmentation using EDA. This research will be very useful for public communication with similar cases. In the future, this research can be continued by conducting domain transfer to improve model performance."

"Membaca merupakan salah satu kemampuan terpenting yang diperlukan anak usia sekolah dasar dan sasaran pendidikan bagi siswa sejak usia sekolah dasar (Kishore, 2014; Meisinger, Schwanenflugel, Bradley, & Stahl, 2004, dalam Mursitolaksmi, 2007). Sayangnya, kemampuan membaca masih menjadi fenomena yang bermasalah di Indonesia, yang menunjukkan kompetensi membaca yang rendah dari setiap level pendidikannya. Hal ini disebabkan oleh rendahnya kemampuan pemahaman bacaan siswa Indonesia. Palincsar dan Brown (1984) mengajukan model intervensi bernama pendekatan resiprokal yang mengajarkan strategi metakognitif untuk meningkatkan pemahaman bacaan. Pendekatan resiprokal berhasil meningkatkan pemahaman bacaan pada siswa reguler maupun berkebutuhan khusus. Dalam penelitian ini, N merupakan siswa slow learner di tingkat Sekolah Dasar. N diberikan program intervensi strategi metakognitif dengan pendekatan resiprokal untuk meningkatkan pemahaman bacaannya. Bacaan yang diberikan merupakan teks ekspositori. Tolak ukur keberhasilan dilihat berdasarkan jumlah skor benar dari bacaan yang diberikan serta rangkumannya. Hasil penelitian menunjukkan adanya peningkatan skor pada post-test N pada soal pemahaman bacaan, namun penurunan pada rangkuman N.

---

Reading has been one of the most important skills that is needed for school age and for the education for elementary students (Kishore, 2014; Meisinger, Schwanenflugel, Bradley, & Stahl, 2004, in Mursitolaksmi, 2007). Unfortunately, reading skills is still a troubled phenomenon in Indonesia, that shows a low reading skills in every school grades. It happens because Indonesia students have low reading comprehension skill. Palincsar and Brown (1984) offers an intervention model called reciprocal teaching that teaches metacognitive strategies to improve reading comprehension skill. Reciprocal teaching succeeded in improving reading comprehension on regular nor special needs students.

In this research, N is an elementary student and diagnosed as a slow learner. N is being given metacognitive strategies intervention through reciprocal teaching to improve her reading comprehension skill. The kind of text that is being used is the expository text. The measurement is based on the right amount of scores from the text and the summary. The research showed an improvement in N`s post-test on her reading comprehension, but a decline on N?s summary score."

"Tingginya tingkat penggunaan media sosial, membuat media sosial sering digunakan untuk menjadi salah satu sumber data pada banyak penelitian. Salah satu penelitian yang paling sering digunakan adalah analisis sentimen. Analisis sentimen adalah bidang studi yang menganalisis pendapat, sentimen, evaluasi, penilaian, sikap, dan emosi orang terhadap entitas seperti produk, layanan, organisasi, individu, isu, peristiwa, topik, dan atributnya. Pada penelitian ini, penulis menggunakan model Bidirectional Encoder Representation from Transformers (BERT) pada permasalahan analisis sentimen. Pada penelitian ini model BERT juga dibandingkan dengan dua model dasar lainnya, yaitu Convolutional Neural Network (CNN) dan Long-Short Term Memory (LSTM). Agar model dapat belajar secara berkelanjutan dari beberapa domain data, model tersebut juga diimplementasikan pada lifelong learning. Hasilnya, BERT mengalami penurunan akurasi sebanyak 8,21% dari 89,17% menjadi 80,96% pada uji loss of knowledge dan mengalami kenaikan sebesar 6,67% dari 82,93% menjadi 89,60% pada uji transfer of knowledge.

---

High level usage of social media makes this platform frequently used as one of the sources for educational studies such as sentiment analysis. Sentiment analysis is a field of study that analyzes people's opinions, sentiments, evaluations, judgments, attitudes, and emotions towards entities such as products, services, organizations, individuals, issues, events, topics, and their attributes. In this study, author will use Bidirectional Encoder Representation from Transformers (BERT) model for sentiment analysis problem. BERT will also be compared with two others basic model which is Convolutional Neural Network (CNN) and Long-Short Term Memory (LSTM). In order for the model to learn continuously from several data domains, lifelong learning is also implemented in the model. As a result, BERT accuracy decreased 8.21% from 89,17% to 80,96% in loss of knowledge test and increased 6.67% from 82,93% to 89,60% in transfer of knowledge test."

"Bank Indonesia memiliki fungsi dan tugas yang sangat penting yaitu untuk mencapai dan memelihara kestabilan nilai Rupiah. Dalam menjalankan fungsinya, Bank Indonesia perlu didukung dengan manajemen kelembagaan yang baik, salah satunya dalam hal pengadaan barang dan jasa. Peningkatan kinerja pengadaan perlu dilakukan secara berkesinambungan agar efisiensi dan efektivitas proses pengadaan semakin meningkat. Berdasarkan studi literatur, salah satu metode untuk meningkatkan kinerja pengadaan adalah dengan mengukur tingkat kematangan proses pengadaan agar dapat diketahui komponen pengadaan yang perlu ditingkatkan. Penelitian ini bertujuan untuk menghasilkan strategi berdasarkan analisis gap terhadap kondisi eksisting kematangan proses pengadaan dengan menggunakan Procurement Maturity Model (Guth, 2010) untuk meningkatkan kinerja pengadaan di Bank Indonesia. Penelitian ini menggunakan metode studi literatur dan survei yang dilakukan dengan menyebarkan kuesioner kepada responden di Departemen Pengadaan Strategis Bank Indonesia. Selanjutnya dilakukan studi literatur untuk menyusun konsep strategi peningkatan yang akan dibahas secara mendalam melalui focus group discussion untuk menghasilkan strategi peningkatan tingkat kematangan proses pengadaan di Bank Indonesia. Strategi tersebut kemudian divalidasi sehingga dihasilkan rekomendasi strategi peningkatan tingkat kematangan pengadaan. Hasil dari penelitian ini adalah 21 strategi yang disarankan untuk diimplementasikan oleh Bank Indonesia untuk meningkatkan kinerja proses pengadaan barang dan jasa di Bank Indonesia.

---

Bank Indonesia has very important duties to achieve and maintain the stability of the Rupiah value. In carrying out its functions, Bank Indonesia needs to be supported by good institutional management, one of which is in the procurement. Procurement performance improvement needs to be done continuously hence the efficiency and effectiveness of the procurement will increase. Based on literatures, method to improve procurement performance is by measuring the procurement maturity level to identify which procurement components need to be improved. This research aims to produce improvement strategies based on a gap analysis of the existing procurement maturity level using the Procurement Maturity Model (Guth, 2010) to improve procurement performance at Bank Indonesia. This research uses literature studies and surveys by distributing questionnaires to respondents at the Strategic Procurement Department of Bank Indonesia. Subsequently, literature studies were conducted to formulate conceptual improvement strategies that would be discussed in focus group discussions to produce strategies. These strategies are then validated to produce recommendation in the form of strategies to increase the procurement maturity level. The results of this study are 21 strategies that are suggested to be implemented by Bank Indonesia to improve the performance of the procurement process at Bank Indonesia."

"Perkembangan teknologi pemrosesan citra digital berjalan dengan pesat seiring dengan banyaknya pemanfaatan teknologi tersebut di berbagai bidang kehidupan manusia. Bidang kehidupan manusia yang memanfaatkan teknologi pemrosesan citra digital antara lain adalah: interasi kumputer-manusia, kesehatan, keamanan dan keselamatan, transportasi, robotika. Salah satu penerapan teknologi pemrosesan citra digital adalah pengenalan ekspresi wajah atau Facial Expression Recognition (FER). Wajah manusia dapat menampilkan berbagai macam ekspresi yang berbeda seperti ekspresi senang, sedih, marah, takut, terkejut, jijik dan sebagainya. Perbedaan ekspresi wajah ini menjadi tantangan bagi komputer untuk dapat mengenali dan membedakannya secara akurat. Salah satu teknologi yang digunakan pada aplikasi FER adalah CNN (Convolutional Neural Networks). Penelitian ini menggunakan model CNN AlexNet yang telah dilakukan perbaikan parameter (fine-tuning) untuk diaplikasikan pada pengenalan ekspresi wajah pada citra digital. Fine-Tuning yang dilakukan adalah dengan mengubah beberapa parameter dari model AlexNet. Parameter yang diubah antara lain: normalisasi input (dari normalisasi cross channel menjadi normalisasi batch), fungsi aktivasi dari ReLU (Rectified Linear Unit) menjadi Leaky ReLU, nilai dua buah dropout yang masing-masing bernilai 50% diubah menjadi 30% dan 20%. Program pengenalan ekspresi wajah yang dibuat kemudian diaplikasikan tearhadap dua buah dataset FER yaitu dataset CK+ (Extended Cohn-Kanade) dan KDEF (The Karolinska Directed Emotional Faces). Tahapan pre-processing yang dilakukan adalah mengubah tingkat kekontrasan citra dataset menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization). Hasil pengujian menunjukkan bahwa metode yang menggunaan prosedur CLAHE serta model fine-tuning AlexNet miliki kinerja yang lebih baik dari pada model AlexNet standard. Penggunaan metode ini pada dataset CK+ meningkatkan akurasi rata-rata sebesar 19,01% dan ketika metode ini digunakan pada dataset KDEF mampu meningkatkan akurasi rata-rata sebesar 14,82% dibandingkan pada saat menggunakan model konvensional AlexNet serta tidak melakukan prosedur CLAHE pada citra dataset. Dari hasil pengujian juga diketahui prosedur CLAHE dan fine-tuning AlexNet mampu melakukan klasifikasi ekspresi wajah secara akurat pada citra yang diuji. Sedangkan model konvensional AlexNet dalam beberapa percobaan gagal mengklasifikasikan ekspresi wajah secara tepat pada citra yang diuji.

---

The development of digital image processing technology is progressing rapidly along with the many uses of this technology in various fields of human life. Fields of human life that utilize digital image processing technology include robotics, human-computer interaction, healthcare, security and safety, and transportation. One application of digital image processing technology is facial expression recognition (FER). The human face can display a variety of different expressions such as expressions of happiness, sadness, anger, fear, surprise, disgust, and so on. There is a challenge for the computer to recognize the difference in facial expressions. One of the technologies used in facial expression recognition applications in digital images is artificial intelligence technology especially CNN (Convolutional Neural Networks). In this study, AlexNet, a CNN model was fine-tuned and combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) procedure toward images dataset for facial expression recognition applications. Fine-Tuning AlexNet model were made by changing some of AlexNet's standard parameters. These parameters include: input initialization (from local normalization to batch normalization), activation function (from ReLU to Leaky ReLU), and dropout value changed from 50%; 50% to 30% and 20%. The facial expression recognition program created was then implemented in two FER (Facial Expression Recognition) datasets, namely CK+ and KDEF. After testing, the results showed that the CLAHE and Fine-Tuning AlexNet model had better performance than the basic AlexNet model. When applying the CK+ dataset that had CLAHE procedure with the Fine-Tuning AlexNet model increases the average of accuracy up to 19,01%, when applying to the KDEF dataset, this method increases accuracy up to 14,82%. From the test results it is known that the CLAHE and the Fine-Tuning AlexNet model model gives better results than the original AlexNet model. Fine-Tuning of the AlexNet model is able to give accurate classification of facial expressions in the tested images. While the original AlexNet model in several experiments failed to accurately clasify facial expressions in the tested images."

"Pengembangan organisasi dalam suatu organisasi sangat penting untuk dilakukan dikarenakan apabila suatu organisasi tidak melakukan gerakan perubahan maka organisasi tersebut akan tetap diam ditempat tanpa adanya kemajuan. Pengembangan organisasi merupakan salah satu panduan bagi organisasi untuk melakukan perkembangan sesuai dengan perubahan dan perkembangan zaman yang kian selalu berkembang. Penelitian ini mengkaji tentang pengembangan organisasi yang bertujuan untuk meningkatkan kinerja sumber daya manusia di instansi pemerintahan daerah tepatnya di Badan Perencanaan, Penelitian dan Pengembangan Daerah Kabupaten Sumbawa yang ditinjau melalui model human resource interventions. Penelitian ini menggunakan metode penelitian dengan pendekatan kualitatif dan kuantitatif dengan analisis data mixed method dengan teknik pengumpulan data survei, kuesioner dan wawancara mendalam kepada sampel yang ada di Badan Perencanaan, Penelitian dan Pengembangan Daerah Kabupaten Sumbawa, Nusa Tenggara Barat. Hasil penelitian ini menunjukkan bahwa pengembangan organisasi dalam upaya meningkatkan kinerja sumber daya manusia di Badan Perencanaan, Penelitian dan Pengembangan Daerah Kabupaten Sumbawa yang ditinjau melalui model human resource interventions tergolong baik yang dibuktikan dengan data yakni sebesar 67,7 persen atau sekitar 21 responden mendukung pernyataan tersebut. Sementara, sebanyak 25,8 persen atau setara dengan 8 responden merasa sangat baik. Serta 6,5 persen atau setara dengan 2 responden merasa kurang baik. Oleh karena itu, dapat disimpulkan bahwa pernyataan terkait “Pengembangan Organisasi dalam upaya Meningkatkan Kinerja Sumber Daya Manusia di Instansi BAPPEDA Kabupaten Sumbawa yang ditinjau melalui model Human Resource Interventions kurang baik” itu tidak terbukti.

---

Organizational development in an organization is very important to do because if an organization does not carry out a change movement, the organization will remain in place without any progress. Organizational development is one of the guidelines for organizations to carry out developments in accordance with the changes and developments of the times that are always developing. This research examines organizational development that aims to improve the performance of human resources in local government agencies, specifically in the Regional Planning, Research and Development Agency of Sumbawa Regency which is reviewed through the human resource interventions model. This study uses research methods with qualitative and quantitative approaches with mixed method data analysis with survey data collection techniques, questionnaires and in-depth interviews with samples in the Regional Planning, Research and Development Agency, Sumbawa Regency, West Nusa Tenggara. The results of this study indicate that organizational development in an effort to improve the performance of human resources in the Regional Planning, Research and Development Board of Sumbawa Regency which is reviewed through the human resource interventions model is classified as good as evidenced by the data, namely 67.7 percent or around 21 respondents support this statement. . Meanwhile, as many as 25.8 percent or the equivalent of 8 respondents felt very good. And 6.5 percent or the equivalent of 2 respondents is not good. Thus it can be concluded that the statement regarding "Organizational Development in Efforts to Improve the Performance of Human Resources of the Sumbawa Regency BAPPEDA Agency which is reviewed through the Human Resources Intervention model is not good enough" is not proven."

"Neural machine translation (NMT) untuk bahasa daerah yang low resource di Indonesia menghadapi tantangan yang signifikan, meliputi kurangnya tolok ukur dasar yang representatif dan ketersediaan data yang terbatas. Penelitian ini mengatasi masalah tersebut dengan cara mengembangkan sebuah tolok ukur dasar yang bersifat replicable untuk empat bahasa daerah di Indonesia yang sering digunakan menggunakan sumber daya komputasi terbatas pada dataset FLORES-200. Penelitian ini mengadakan penyelidikan sistematis dan pemeriksaan menyeluruh terhadap berbagai pendekatan dan paradigma untuk melatih model NMT pada konteks sumber daya komputasi terbatas yang pertama. Tolok ukur ini, dilatih menggunakan sumber daya komputasi dan data pelatihan terbatas, mencapai performa yang kompetitif serta mampu melewati performa GPT-3.5-turbo yang telah di zero-shot untuk berbagai arah translasi dari bahasa Indonesia ke bahasa daerah yang low resource. Penelitian ini berkontribusi kepada kemajuan bidang NMT untuk bahasa-bahasa low resource di Indonesia dan membuka jalan untuk penelitian kedepannya sekaligus mengeksplorasi limitasi GPT-3.5-turbo dalam melakukan translasi bahasa daerah yang low resource. Akhirnya, penelitian ini menunjukkan bahwa melatih model XLM menggunakan data sintetis hasil code-switch memiliki performa translasi diatas pendekatan pelatihan penuh dan pelatihan model XLM dengan data monolingual saja.

---

Neural machine translation (NMT) for low-resource local languages in Indonesia faces significant challenges, including the lack of a representative benchmark and limited data availability. This study addresses these challenges by establishing a replicable benchmark for four frequently spoken Indonesian local languages using limited computing resources on the FLORES-200 dataset. This study conduct the first systematic and thorough examination of various approaches and paradigms for NMT models in low-resource language settings. The benchmark, trained with limited computing power and training data, achieves competitive performance and surpass zero-shot GPT-3.5-turbo in multiple translation directions from Indonesian to low-resource local languages. This work contributes to the advancement of NMT for low-resource Indonesian languages and pave ways for future studies while exploring the limit of GPT-3.5-turbo in translating low-resource local languages. This study shows that training XLM models using synthetic data through code-switching increases translation performance of NMT models down the line compared to just training NMT models from scratch or training XLM models with only monolingual data."