Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tidak dapat dipungkiri bahwa teknologi semakin berkembang dan inovasi baru terus bermunculan. ChatGPT merupakan salah satunya; dan menjadi buah bibir di awal tahun 2023. Teknologi ini dapat melayani aktivitas tanya-jawab yang membuat pengguna dapat merasa telah melakukan percakapan dengan manusia lainnya, alih-alih dengan mesin. Kemampuan ChatGPT bersumber dari model GPT yang digunakannya. Selaku large language model, GPT dapat memproses banyak teks untuk memproduksi teks lainnya. Walaupun secara umum dapat memberikan jawaban yang memadai, saat berurusan dengan domain yang spesifik, misalnya legal, ChatGPT memberikan jawaban yang kurang memuaskan. Penelitian ini dilakukan untuk mengatasi hal tersebut dengan menyisipkan konteks atau kepingan informasi yang spesifik kepada model melalui suatu prompt (in-context learning). Karena domain legal menjadi fokus penelitian ini, maka teks yang akan diproses berasal dari dokumen peraturan perundang-undangan. Penelitian ini diawali dengan preliminary research, sehingga diidentifikasi permasalahan yang telah dijabarkan. Kemudian, dilanjutkan dengan perancangan serta pengembangan dua sistem tanya-jawab yang menggunakan dua framework LlamaIndex dan LangChain. Sebelum mengembangkan sistem, peneliti mempersiapkan terlebih dahulu data/teks yang perlu diekstrak dari dokumen peraturan perundang-undangan. Pengembangan sistem dilakukan secara iteratif dan evaluasi diadakan pada setiap iterasi. Evaluasi dilakukan secara kualitatif dengan menggunakan human judgement serta secara kualitatif dengan menggunakan metrik ROUGE dan SAS. Hasil akhir evaluasi menunjukkan bahwa kedua sistem tersebut baik dalam menjawab pertanyaan terkait definisi dan substansi pada domain legal. Selain itu, dilakukan juga perbandingan hasil evaluasi terhadap ChatGPT dan ditemukan bahwa kedua sistem unggul. Penelitian ini telah menunjukkan bahwa teknologi GPT dapat dimanfaatkan pada domain spesifik, yaitu legal, melalui kedua sistem yang dibuat.

---

It cannot be denied that technology is constantly advancing and new innovations continue to emerge. ChatGPT is one of them and has become the talk of the town in early 2023. This technology can facilitate question-and-answer interactions that make users feel like they are having a conversation with another human rather than a machine. This capability of ChatGPT is derived from the GPT model it uses. As a large language model, GPT can process a large amount of text to generate new text. Although it generally provides adequate answers, when dealing with specific domains such as legal matters, ChatGPT may give unsatisfactory responses. This research was conducted to overcome this issue by incorporating specific context or pieces of information into the model through a prompt (in-context learning). As the legal domain is the focus of this research, the text to be processed are Indonesian legal regulatory documents. The research begins with preliminary research. It is then followed by the design and development of two question-and-answer systems using two frameworks: LlamaIndex and LangChain. Before developing the systems, the researcher first prepares the data/text that needs to be extracted from the legal documents. The system development is carried out iteratively and evaluations are conducted at each iteration. The evaluations are performed qualitatively using human judgment and quantitatively using ROUGE and SAS metrics. The final evaluation results indicate that both systems perform well in answering questions related to definitions and substance in the legal domain. Additionally, a comparison of the evaluation results with ChatGPT shows that both systems outperform it. This research has demonstrated that GPT technology can be utilized in specific domains, namely legal, through the two developed systems."

"Tidak dapat dipungkiri bahwa teknologi semakin berkembang dan inovasi baru terus bermunculan. ChatGPT merupakan salah satunya; dan menjadi buah bibir di awal tahun 2023. Teknologi ini dapat melayani aktivitas tanya-jawab yang membuat pengguna dapat merasa telah melakukan percakapan dengan manusia lainnya, alih-alih dengan mesin. Kemampuan ChatGPT bersumber dari model GPT yang digunakannya. Selaku large language model, GPT dapat memproses banyak teks untuk memproduksi teks lainnya. Walaupun secara umum dapat memberikan jawaban yang memadai, saat berurusan dengan domain yang spesifik, misalnya legal, ChatGPT memberikan jawaban yang kurang memuaskan. Penelitian ini dilakukan untuk mengatasi hal tersebut dengan menyisipkan konteks atau kepingan informasi yang spesifik kepada model melalui suatu prompt (in-context learning). Karena domain legal menjadi fokus penelitian ini, maka teks yang akan diproses berasal dari dokumen peraturan perundang-undangan. Penelitian ini diawali dengan preliminary research, sehingga diidentifikasi permasalahan yang telah dijabarkan. Kemudian, dilanjutkan dengan perancangan serta pengembangan dua sistem tanya-jawab yang menggunakan dua framework LlamaIndex dan LangChain. Sebelum mengembangkan sistem, peneliti mempersiapkan terlebih dahulu data/teks yang perlu diekstrak dari dokumen peraturan perundang-undangan. Pengembangan sistem dilakukan secara iteratif dan evaluasi diadakan pada setiap iterasi. Evaluasi dilakukan secara kualitatif dengan menggunakan human judgement serta secara kuantitatif dengan menggunakan metrik ROUGE dan SAS. Hasil akhir evaluasi menunjukkan bahwa kedua sistem tersebut baik dalam menjawab pertanyaan terkait definisi dan substansi pada domain legal. Selain itu, dilakukan juga perbandingan hasil evaluasi terhadap ChatGPT dan ditemukan bahwa kedua sistem unggul. Penelitian ini telah menunjukkan bahwa teknologi GPT dapat dimanfaatkan pada domain spesifik, yaitu legal, melalui kedua sistem yang dibuat.

---

It cannot be denied that technology is constantly advancing and new innovations continue to emerge. ChatGPT is one of them and has become the talk of the town in early 2023. This technology can facilitate question-and-answer interactions that make users feel like they are having a conversation with another human rather than a machine. This capability of ChatGPT is derived from the GPT model it uses. As a large language model, GPT can process a large amount of text to generate new text. Although it generally provides adequate answers, when dealing with specific domains such as legal matters, ChatGPT may give unsatisfactory responses. This research was conducted to overcome this issue by incorporating specific context or pieces of information into the model through a prompt (in-context learning). As the legal domain is the focus of this research, the text to be processed are Indonesian legal regulatory documents. The research begins with preliminary research. It is then followed by the design and development of two question-and-answer systems using two frameworks: LlamaIndex and LangChain. Before developing the systems, the researcher first prepares the data/text that needs to be extracted from the legal documents. The system development is carried out iteratively and evaluations are conducted at each iteration. The evaluations are performed qualitatively using human judgment and quantitatively using ROUGE and SAS metrics. The final evaluation results indicate that both systems perform well in answering questions related to definitions and substance in the legal domain. Additionally, a comparison of the evaluation results with ChatGPT shows that both systems outperform it. This research has demonstrated that GPT technology can be utilized in specific domains, namely legal, through the two developed systems."

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"Sistem tanya jawab merupakan salah satu tugas dalam domain natural language processing (NLP) yang sederhananya bertugas untuk menjawab pertanyaan sesuai konteks yang pengguna berikan ke sistem tanya jawab tersebut. Sistem tanya jawab berbahasa Indonesia sebenarnya sudah ada, namun masih memiliki performa yang terbilang kurang baik. Penelitian ini bereksperimen untuk mencoba meningkatkan performa dari sistem tanya jawab berbahasa Indonesia dengan memanfaatkan natural language inference (NLI). Eksperimen untuk meningkatkan sistem tanya jawab berbahasa Indonesia, penulis menggunakan dua metode, yaitu: intermediate-task transfer learning dan task recasting sebagai verifikator. Dengan metode intermediate-task transfer learning, performa sistem tanya jawab berbahasa Indonesia meningkat, hingga skor F1-nya naik sekitar 5.69 dibandingkan tanpa menggunakan pemanfaatan NLI sama sekali, dan berhasil mendapatkan skor F1 tertinggi sebesar 85.14, namun, peningkatan performa dengan metode intermediate-task transfer learning cenderung tidak signifikan, kecuali pada beberapa kasus khusus model tertentu. Sedangkan dengan metode task recasting sebagai verifikator dengan parameter tipe filtering dan tipe perubahan format kalimat, performa sistem tanya jawab berbahasa Indonesia cenderung menurun, penurunan performa ini bervariasi signifikansinya. Pada penelitian ini juga dilakukan analisis karakteristik pasangan konteks-pertanyaan-jawaban seperti apa yang bisa dijawab dengan lebih baik oleh sistem tanya jawab dengan memanfaatkan NLI, dan didapatkan kesimpulan bahwa: performa sistem tanya jawab meningkat dibandingkan hasil baseline-nya pada berbagai karakteristik, antara lain: pada tipe pertanyaan apa, dimana, kapan, siapa, bagaimana, dan lainnya; kemudian pada panjang konteks ≤ 100 dan 101 ≤ 150; lalu pada panjang pertanyaan ≤ 5 dan 6 ≤ 10; kemudian pada panjang jawaban golden truth ≤ 5 dan 6 ≤ 10; lalu pada keseluruhan answer type selain law dan time; terakhir pada reasoning type WM, SSR, dan MSR.

---

The question-answering system is one of the tasks within the domain of natural language processing (NLP) that, in simple terms, aims to answer questions based on the context provided by the user to the question-answering system. While there is an existing Indonesian question-answering system, its performance is considered somewhat inadequate. This research conducts experiments to improve the performance of the Indonesian question answering system by utilizing natural language inference (NLI). In order to enhance the Indonesian question-answering system, the author employs two methods: intermediate task transfer learning and task recasting as verifiers. Using the intermediate-task transfer learning method, the performance of the Indonesian question-answering system improves significantly, with an increase of approximately 5.69 in F1 score compared to not utilizing NLI at all, achieving the highest F1 score of 85.14. However, the performance improvement with the intermediate-task transfer learning method tends to be non-significant, except in certain specific cases and particular models. On the other hand, employing the task recasting method as a verifier with filtering parameter type and sentence format change type leads to a decline in the performance of the Indonesian question-answering system, with the significance of this performance decrease varying. Additionally, this research conducts an analysis on the characteristics of context-question-answer pairs that can be better answered by the question-answering system utilizing NLI. The findings conclude that the question-answering system’s performance improves compared to its baseline across various characteristics, including different question types such as what, where, when, who, how, and others. Furthermore, it improves with context lengths ≤ 100 and 101 ≤ 150, question lengths ≤ 5 and 6 ≤ 10, as well as answer lengths (golden truth) ≤ 5 and 6 ≤ 10. Additionally, it performs better in overall answer types excluding law and time, and lastly, in reasoning types WM, SSR, and MSR."

"Perkembangan kecerdasan buatan (AI) telah mengalami kemajuan pesat di seluruh dunia. AI sekarang banyak digunakan di berbagai bidang, seperti kesehatan untuk diagnosis penyakit, pengembangan obat, dan kedokteran personalisasi. Selain itu, AI juga digunakan dalam layanan pelanggan melalui penggunaan chatbot dan asisten virtual. Salah satu platform chatbot artificial intelligence yang populer adalah ChatGPT. Melalui platform tersebut, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor push, pull, dan mooring yang memengaruhi niat beralih pengguna ChatGPT di Indonesia ke layanan premiumnya, yaitu ChatGPT versi Plus. Penelitian menggunakan mixed-method, yang dimana pada tahap kualitatif, penelitian ini menggunakan pendekatan grounded theory dengan mewawancarai 13 narasumber untuk memahami dan mengidentifikasi faktor-faktor yang memengaruhi niat pengguna dalam berpindah layanan. Hasil kualitatif ini menjadi perumusan instrumen penelitian kuantitatif, yaitu menggunakan PLS-SEM. Responden yang didapatkan adalah 578 data dan menjadi 428 data valid. Variabel yang terindentifikasi adalah dissatisfaction, low trust, dan limited features sebagai faktor push, lalu functionality dan performance superiority sebagai faktor pull, kemudian faktor push dan pull mengarah ke perceived value yang juga mengarah ke switching intention, dan terakhir adalah switching cost, social influence, habit, dan free mentality sebagai faktor mooring yang mengarah ke switching intention. Hasil menunjukkan bahwa dissatisfaction, limited features, functionality, dan performance superiority memiliki pengaruh terhadap perceived value. Lalu perceived value, social influence, dan habit memiliki pengaruh terhadap switching intention. Hasil penemuan ini menjadi langkah awal untuk penelitian dalam konteks chatbot artificial intelligence di Indonesia karena menyumbang literatur teoretis serta wawasan praktis bagi pengembangan strategi dan fitur layanan premium pada platform tersebut. Penelitian ini memperkaya literatur mengenai perpindahan layanan ChatGPT di Indonesia melalui beberapa konstruk yang berpengaruh. Lalu, penelitian ini bertujuan untuk memberikan wawasan kepada OpenAI dalam meningkatkan ChatGPT baik dari segi produk maupun pemasaran.

---

The development of artificial intelligence (AI) has advanced rapidly worldwide. AI is now widely used in various fields, such as healthcare for disease diagnosis, drug development, and personalized medicine. Additionally, AI is utilized in customer service through the use of chatbots and virtual assistants. One popular AI chatbot platform is ChatGPT. This study aims to identify the push, pull, and mooring factors influencing the intentions of ChatGPT users in Indonesia to switch to its premium service, ChatGPT Plus version. The research employs a mixed-methods approach. In the qualitative phase, the study uses a grounded theory approach by interviewing 13 respondents to understand and identify the factors influencing users' intentions to switch services. The qualitative results form the basis for the development of the quantitative research instrument, which uses PLS-SEM. The respondents obtained were 578, of which 428 were valid data. The identified variables include dissatisfaction, low trust, and limited features as push factors, and functionality and performance superiority as pull factors. The push and pull factors lead to perceived value, which in turn leads to switching intention. Lastly, switching cost, social influence, habit, and free mentality are identified as mooring factors that influence switching intention. The results indicate that dissatisfaction, limited features, functionality, and performance superiority impact perceived value. Furthermore, perceived value, social influence, and habit influence switching intention. These findings provide a starting point for research in the context of AI chatbots in Indonesia, contributing to theoretical literature and offering practical insights for developing strategies and premium features on the platform. This research enriches the literature on the service transition of ChatGPT in Indonesia through several influential constructs. Additionally, this study aims to provide insights to OpenAI in improving ChatGPT both in terms of product and marketing."

"Perkembangan kecerdasan buatan (AI) telah mengalami kemajuan pesat di seluruh dunia. AI sekarang banyak digunakan di berbagai bidang, seperti kesehatan untuk diagnosis penyakit, pengembangan obat, dan kedokteran personalisasi. Selain itu, AI juga digunakan dalam layanan pelanggan melalui penggunaan chatbot dan asisten virtual. Salah satu platform chatbot artificial intelligence yang populer adalah ChatGPT. Melalui platform tersebut, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor push, pull, dan mooring yang memengaruhi niat beralih pengguna ChatGPT di Indonesia ke layanan premiumnya, yaitu ChatGPT versi Plus. Penelitian menggunakan mixed-method, yang dimana pada tahap kualitatif, penelitian ini menggunakan pendekatan grounded theory dengan mewawancarai 13 narasumber untuk memahami dan mengidentifikasi faktor-faktor yang memengaruhi niat pengguna dalam berpindah layanan. Hasil kualitatif ini menjadi perumusan instrumen penelitian kuantitatif, yaitu menggunakan PLS-SEM. Responden yang didapatkan adalah 578 data dan menjadi 428 data valid. Variabel yang terindentifikasi adalah dissatisfaction, low trust, dan limited features sebagai faktor push, lalu functionality dan performance superiority sebagai faktor pull, kemudian faktor push dan pull mengarah ke perceived value yang juga mengarah ke switching intention, dan terakhir adalah switching cost, social influence, habit, dan free mentality sebagai faktor mooring yang mengarah ke switching intention. Hasil menunjukkan bahwa dissatisfaction, limited features, functionality, dan performance superiority memiliki pengaruh terhadap perceived value. Lalu perceived value, social influence, dan habit memiliki pengaruh terhadap switching intention. Hasil penemuan ini menjadi langkah awal untuk penelitian dalam konteks chatbot artificial intelligence di Indonesia karena menyumbang literatur teoretis serta wawasan praktis bagi pengembangan strategi dan fitur layanan premium pada platform tersebut. Penelitian ini memperkaya literatur mengenai perpindahan layanan ChatGPT di Indonesia melalui beberapa konstruk yang berpengaruh. Lalu, penelitian ini bertujuan untuk memberikan wawasan kepada OpenAI dalam meningkatkan ChatGPT baik dari segi produk maupun pemasaran.

---

The development of artificial intelligence (AI) has advanced rapidly worldwide. AI is now widely used in various fields, such as healthcare for disease diagnosis, drug development, and personalized medicine. Additionally, AI is utilized in customer service through the use of chatbots and virtual assistants. One popular AI chatbot platform is ChatGPT. This study aims to identify the push, pull, and mooring factors influencing the intentions of ChatGPT users in Indonesia to switch to its premium service, ChatGPT Plus version. The research employs a mixed-methods approach. In the qualitative phase, the study uses a grounded theory approach by interviewing 13 respondents to understand and identify the factors influencing users' intentions to switch services. The qualitative results form the basis for the development of the quantitative research instrument, which uses PLS-SEM. The respondents obtained were 578, of which 428 were valid data. The identified variables include dissatisfaction, low trust, and limited features as push factors, and functionality and performance superiority as pull factors. The push and pull factors lead to perceived value, which in turn leads to switching intention. Lastly, switching cost, social influence, habit, and free mentality are identified as mooring factors that influence switching intention. The results indicate that dissatisfaction, limited features, functionality, and performance superiority impact perceived value. Furthermore, perceived value, social influence, and habit influence switching intention. These findings provide a starting point for research in the context of AI chatbots in Indonesia, contributing to theoretical literature and offering practical insights for developing strategies and premium features on the platform. This research enriches the literature on the service transition of ChatGPT in Indonesia through several influential constructs. Additionally, this study aims to provide insights to OpenAI in improving ChatGPT both in terms of product and marketing."

"Retinopati hipertensi merupakan penyakit yang timbul pada retina akibat komplikasi dari hipertensi atau tekanan darah tinggi. Pemeriksaan gejala retinopati hipertensi penting untuk dilakukan supaya penanganan yang tepat dapat diberikan. Gejala retinopati hipertensi terdapat pada pembuluh darah di retina sehingga diagnosis dapat dilakukan melalui citra fundus retina. Penelitian ini memanfaatkan model Data-Efficient Image Transformer (DeiT) untuk mengklasifikasikan citra fundus retina menjadi dua kelas, yaitu kelas retinopati hipertensi dan kelas normal. Data yang digunakan dalam penelitian ini diperoleh dari empat database open-source, yaitu DRIVE, JSIEC, ODIR, dan STARE. Preprocessing berupa resize dan Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk menyeragamkan ukuran citra dan meningkatkan kontras citra. Generative Adversarial Network (GAN) digunakan untuk menghasilkan citra sintetis guna mengatasi masalah keterbatasan jumlah data serta meningkatkan variasi data yang dapat dipelajari oleh model DeiT. Penelitian ini menganalisis pengaruh metode GAN terhadap kinerja model DeiT dengan menggunakan metrik evaluasi accuracy, sensitivity, dan specificity. Analisis dilakukan dengan membandingkan tiga skenario: skenario A menggunakan data asli, skenario B menggunakan data hasil augmentasi GAN, dan skenario C menggunakan preprocessing CLAHE dan data hasil augmentasi GAN. Skenario A menunjukkan kinerja yang cukup baik dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 94%, 97,7%, dan 84,6% untuk rasio pembagian data 70:30, serta 95,7%, 97%, dan 92,8% untuk rasio pembagian data 80:20. Skenario B mengungguli skenario sebelumnya dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 96,4%, 97,2%, dan 95,7% untuk rasio pembagian data 70:30, serta 97,5%, 97,9%, dan 97,1% untuk rasio pembagian data 80:20. Pada skenario C, diperoleh nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 95,7%, 95%, dan 96,2% untuk rasio pembagian data 70:30, serta 95,5%, 94,9%, dan 96,4% untuk rasio pembagian data 80:20. Hasil penelitian menunjukkan bahwa penerapan metode GAN berhasil meningkatkan kinerja model DeiT, khususnya pada nilai specificity. Dari ketiga skenario yang diuji, skenario B yang memanfaatkan data sintetis hasil augmentasi GAN tanpa preprocessing CLAHE memberikan hasil yang paling unggul.

---

Hypertensive retinopathy is a disease that occurs in the retina due to complications from hypertension or high blood pressure. Examination of hypertensive retinopathy symptoms is important to ensure appropriate treatment can be performed. The symptoms of hypertensive retinopathy are found in the blood vessels of the retina, allowing diagnosis to be performed through retinal fundus images. This study uses the Data-Efficient Image Transformer (DeiT) model to classify retinal fundus images into two classes: hypertensive retinopathy and normal. The data used in this study were obtained from four different open-source databases: DRIVE, JSIEC, ODIR, and STARE. Preprocessing in the form of resizing and Contrast Limited Adaptive Histogram Equalization (CLAHE) was applied to standardize the image size and enhance the image contrast. Generative Adversarial Network (GAN) was used to generate synthetic images to address the problem of limited data availability and increase the variety of data that can be learned by the DeiT model. This study analyzes the impact of the GAN method on the performance of the DeiT model using evaluation metrics of accuracy, sensitivity, and specificity. The analysis was conducted by comparing three scenarios: scenario A using the original data, scenario B using GAN-augmented data, and scenario C using CLAHE preprocessing and GAN-augmented data. Scenario A showed fairly good performance with average accuracy, sensitivity, and specificity values of 94%, 97.7%, and 84.6% for a 70:30 data split ratio, and 95.7%, 97%, and 92.8% for an 80:20 data split ratio. Scenario B outperformed the previous scenario with average accuracy, sensitivity, and specificity values of 96.4%, 97.2%, and 95.7% for a 70:30 data split ratio, and 97.5%, 97.9%, and 97.1% for an 80:20 data split ratio. In scenario C, the average accuracy, sensitivity, and specificity values were 95.7%, 95%, and 96.2% for a 70:30 data split ratio, and 95.5%, 94.9%, and 96.4% for an 80:20 data split ratio. The results of the study indicate that the application of the GAN method successfully improved the performance of the DeiT model, particularly in terms of specificity. Out of the three scenarios tested, scenario B, which utilized GAN-augmented synthetic data without CLAHE preprocessing, yielded the best results."

"Penelitian ini bertujuan untuk menguji efektivitas pre-trained language model BERT pada tugas pencarian dosen pakar. Bidirectional Encoder Representations from Transformers (BERT) merupakan salah satu state-of-the-art model saat ini yang menerapkan contextual word representation (contextual embedding). Dataset yang digunakan pada penelitian ini terdiri dari data pakar dan bukti kepakaran. Data pakar merupakan data dosen Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI). Data bukti kepakaran merupakan data abstrak digital tugas akhir mahasiswa Fasilkom UI. Model yang diusulkan pada penelitian ini terdiri dari tiga variasi BERT, yaitu IndoBERT (Indonesian BERT), mBERT (Multilingual BERT), dan SciBERT (Scientific BERT) yang akan dibandingkan dengan model baseline menggunakan word2vec. Terdapat dua pendekatan yang dilakukan untuk mendapatkan urutan dosen pakar pada variasi model BERT, yaitu pendekatan feature-based dan fine-tuning. Penelitian ini menunjukkan bahwa model IndoBERT dengan pendekatan feature-based memberikan hasil yang lebih baik dibandingkan baseline dengan peningkatan 6% untuk metrik MRR hingga 9% untuk metrik NDCG@10. Pendekatan fine-tuning juga memberikan hasil yang lebih baik pada model IndoBERT dibandingkan baseline dengan peningkatan 10% untuk metrik MRR hingga 18% untuk metrik P@5. Diantara kedua pendekatan tersebut, dibuktikan bahwa pendekatan fine-tuning memberikan hasil yang lebih baik dibandingkan dengan pendekatan feature-based dengan peningkatan 1% untuk metrik P@10 hingga 5% untuk metrik MRR. Penelitian ini menunjukkan bahwa penggunaan pre-trained language model BERT memberikan hasil yang lebih baik dibandingkan baseline word2vec dalam tugas pencarian dosen pakar.

---

This study aims to test the effectiveness of the pre-trained language model BERT on the task of expert finding. Bidirectional Encoder Representations from Transformers (BERT) is one of the current state-of-the-art models that applies contextual word representation (contextual embedding). The dataset used in this study consists of expert data and expertise evidence. The expert data is composed of faculty members from the Faculty of Computer Science, University of Indonesia (Fasilkom UI). The expertise evidence data consists of digital abstracts by Fasilkom UI students. The proposed model in this research consists of three variations of BERT, namely IndoBERT (Indonesian BERT), mBERT (Multilingual BERT), and SciBERT (Scientific BERT), which will be compared to a baseline model using word2vec. Two approaches were employed to obtain the ranking of expert faculty members using the BERT variations, namely the feature-based approach and fine-tuning. The results of this study shows that the IndoBERT model with the feature-based approach outperforms the baseline, with an improvement of 6% for the MRR metric and up to 9% for the NDCG@10 metric. The fine-tuning approach also yields better results for the IndoBERT model compared to the baseline, with an improvement of 10% for the MRR metric and up to 18% for the P@5 metric. Among these two approaches, it is proven that the fine-tuning approach performs better than the feature-based approach, with an improvement of 1% for the P@10 metric and up to 5% for the MRR metric. This research shows that the use of the pre-trained language model BERT provides better results compared to the baseline word2vec in the task of expert finding."