Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker prostat merupakan salah satu penyakit yang menjadi penyebab kematian utama di kalangan pria. Deteksi dini melalui pemindaian medis dapat membantu dalam pengobatan dan penanganan yang efektif. Namun, interpretasi dari pemindaian ini seringkali sulit dan memerlukan keahlian klinis yang tinggi oleh para ahli patologi. Selain itu keterbatasan dataset publik dengan bentuk biopsi H&E dengan anotasi level biopsy hinggal level patch yang tersedia terbatas jumlahnya sehingga menyebabkan pelatihan machine learning menjadi lebih sulit. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dataset dengan model machine learning yang dapat membantu mengimprove model machine learning pengklasifikasi kanker prostat. Model machine learning yang digunakan untuk mengembangkan dataset dalam penelitian ini adalah conditional Progressive Growing GAN (ProGleason-GAN), sebuah jenis jaringan saraf tiruan yang dapat digunakan untuk mempelajari dan menghasilkan gambar sintetis dari pemindaian prostat yang telah menunjukkan hasil yang menjanjikan dalam generasi gambar sintetis beresolusi tinggi. Dataset yang ditambahkan dengan hasil gambar sintesis ProGleason-GAN digunakan untuk melatih model klasifikasi kanker prostat yaitu Semi Supervised Learning yang di gabungkan dengan Multiple Instance Learning. Dataset yang yang berisikan dataset SICAPv2 yang ditambahkan dengan hasil augmentasi ProGleason-GAN dinamakan SICAPv2 augmented. Penulis juga mengembangkan model klasifikasi dengan penambahan batch normalization yang dimana memungkinkan setiap batch data yang diberikan ke jaringan untuk dinormalisasi terlebih dahulu sebelum diolah lebih lanjut oleh jaringan. Ketika model klasifikasi ditambahkan dengan batch normalization serta dilatih dengan SICAPv2 augmented , maka nilai accuracy yang dihasilkan sebesar 76% lebih tinggi 4% model acuan.

---

Prostate cancer is a disease that is the main cause of death among men. Early detection through medical scanning can help in effective treatment and management. However, interpretation of these scans is often difficult and requires a high degree of clinical skill by pathologists. In addition, the limited number of available public datasets in the form of H&E biopsies with biopsy level to patch level annotations makes machine learning training more difficult. Therefore, this research aims to develop a dataset with a machine learning model that can help improve machine learning models for prostate cancer classification. The machine learning model used to develop the dataset in this research is Conditional Progressive Growing GAN (ProGleason-GAN), a type of artificial neural network that can be used to learn and generate synthetic images from prostate scans which has shown promising results in the generation of high-resolution synthetic images. tall. The dataset added with the ProGleason-GAN synthetic image results is used to train a prostate cancer classification model, namely Semi Supervised Learning combined with Multiple Instance Learning. The dataset containing the SICAPv2 dataset added with the results of ProGleason-GAN augmentation is called SICAPv2 augmented. The author also developed a classification model with the addition of batch normalization, which allows each batch of data given to the network to be normalized first before being further processed by the network. When the classification model was added with batch normalization and trained with augmented SICAPv2, the resulting accuracy value was 76%, 4% higher than the reference model."

"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.

---

Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."

"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."

"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."

"ABSTRAKPenelitian ini menganalisa pengaruh gaya kepemimpinan strategi dan kapabilitas dinamik terhadap kecepatan pengambilan keputusan dengan fokus pada obyek penelitian di rumah sakit. Latar belakang masalah yang dihadapi pada penelitian ini bahwa rumah sakit menghadapi perubahan lingkungan yang turbulen serta persaingan yang sangat ketat membuat manajemen rumah sakit dituntut untuk mampu mengambil keputusan  yang cepat dan tepat. Pengambilan keputusan yang merupakan salah satu tugas utama dari pemimpin, merupakan proses pemilihan beberapa alternatif, di mana diperlukan suatu keahlian untuk mengambil tindakan, metode yang efisien yang sesuai dengan situasi. Seorang pemimpin dalam mengambil keputusan memerlukan pengetahuan serta keakuratan informasi dari permasalahan yang dihadapi dengan cepat sehingga dia dapat mengambil keputusan yang akurat hal ini sangat berguna untuk menentukan solusi dari pilihan yang diambil tersebut. Penelitian ini menggunakan teori kepemimpinan Hart (1992) yang terdiri dari : commander style, simbolic style, rational style, transactive style dan generative style. Selain faktor kepemimpinan, perlu dikaji pengaruh dari startegi dimana dalam konteks lingkungan dinamik akan digunakan kapabilitas dinamik dari sebuah perusahaan. Pemimpin harus secara teratur membuat keputusan tentang bagaimana memperbarui kemampuan operasional yang ada menjadi yang baru yang lebih sesuai dengan lingkungan yang terus berubah, kemampuan dinamis merupakan tantangan penting bagi manajemen dalam usaha mereka untuk mencapai keunggulan kompetitif yang berkelanjutan.

        Data penelitian dikumpulkan dari 300 responden yang merupakan midle management di rumahsakit. Data dianalisa dengan menggunakan bantuan perangkat SPSS 24 dengan tehnik regresi. Hasil penelitian menunjukkan bahwa Kapabilitas dinamik perusahaan lebih berpengaruh dalam kecepatan pengambilan keputusan dari pada kepemimpinan. Gaya kepemimpinan generatif dan rasional berpengaruh terhadap kecepatan pengambilan keputusan. Sementara kapabilitas dinamik memoderasi pengaruh kepemimpinan terhadap kecepatan pengambilan keputusan.

---

ABSTRACT This study analyzes the influence of strategy leadership style and dynamic capability on the speed of decision making with a focus on the object of research in the  hospitals. The background of the problems faced in this study is that hospitals face turbulent environmental changes and very tight competition that makes hospital management required to be able to make quick and appropriate decisions. Decision making, which is one of the main tasks of the leader, is the process of selecting several alternatives, where expertise is needed to take action, an efficient method that fits the situation. A leader in making decisions requires knowledge and accuracy of information from the problems faced quickly so that he can make accurate decisions, this is very useful to determine the solution of the choices taken. This study uses Hart's leadership theory (1992) which consists of: commander, symbolic, rational, transactive, and generative.

In addition to leadership factors, it is necessary to examine the influence of strategies where in the context of the dynamic environment a dynamic capability of a company will be used. Leaders must regularly make decisions about how to renew existing operational capabilities into new ones that are more in line with the changing environment, dynamic capabilities are an important challenge for management in their efforts to achieve sustainable competitive advantage.

        The research data was collected from 300 respondents who were midle management in hospitals. Data was analyzed using the help of SPSS 24 devices with regression techniques. The results of the study show that the company's dynamic capability is more influential in the speed of decision making than leadership. Generative and rational leadership styles influence the speed of decision making. While dynamic capabilities moderate the influence of leadership on the speed of decision making.

 

"

"The rapid advances in medicine over the last 50 years have totally changed the outlook for children with disorders of sex development (DSD), but there is still much to learn. This book crystallizes the combined experience of a leading dedicated unit over 25 years in delivering expert medical and surgical care to children with DSD in a holistic environment. It documents the most recent advances in the molecular biology and embryology of sex development, and describes each disorder in detail. The clinical presentation and approach to diagnosis are described both for babies and for children presenting later in childhood or at adolescence. The chapters on management highlight all the latest knowledge and include the shared wisdom of the authors on current controversies, such as the timing of surgical treatment. Finally, the authors describe their short-, medium-, and long-term outcomes, which demonstrate the strengths of holistic team management."

"Generative Artificial Intelligence (GAI) telah memegang penting dalam berbagai bidang, termasuk sebagai alat bantu pemrograman di Indonesia. Namun, penelitian mengenai adopsi GAI sebagai alat bantu pemrograman masih terbatas. Penelitian ini bertujuan menganalisis faktor yang memengaruhi niat karyawan di Indonesia untuk mengadopsi GAI dalam pemrograman, dengan fokus pada kualitas output kode dan kualitas sistem yang memengaruhi persepsi kegunaan serta kemudahan penggunaan GAI. Penelitian menggunakan metode PLS-SEM dalam analisis kuantitatif dengan 497 data valid, serta analisis kualitatif melalui wawancara 10 narasumber. Hasilnya menunjukkan bahwa persepsi kegunaan dipengaruhi oleh faktor presentation, structure, interactivity, responsiveness, understandability, assurance, dan reliability, sementara persepsi kemudahan penggunaan dipengaruhi oleh presentation, structure, responsiveness, assurance, dan reliability. Kedua persepsi ini memengaruhi niat adopsi GAI untuk pemrograman. Penelitian juga meneliti hubungan ini berdasarkan gender dan usia melalui analisis multigrup. Hasilnya memberikan saran bagi pengembang GAI untuk meningkatkan kualitas kode output dan sistem, yang terbukti memengaruhi persepsi pengguna tentang kegunaan dan kemudahan penggunaan GAI

---

Generative Artificial Intelligence (GAI) has become significant in various fields, including as a programming aid in Indonesia. However, research on the adoption of GAI as a programming tool remains limited. This study aims to analyze the factors influencing employees in Indonesia to adopt GAI for programming, focusing on output code quality and system quality, which affect the perceived usefulness and ease of use of GAI. The study employs the PLS-SEM method for quantitative analysis with 497 valid data points and qualitative analysis through interviews with 10 informants. The results indicate that perceived usefulness is influenced by factors such as presentation, structure, interactivity, responsiveness, understandability, assurance, and reliability, while perceived ease of use is influenced by presentation, structure, responsiveness, assurance, and reliability. Both perceptions affect the intention to adopt GAI for programming. The study also examines these relationships based on gender and age using multigroup analysis. The findings provide practical suggestions for GAI developers to enhance the quality of output code and system, which significantly influence users' perceptions of the usefulness and ease of use of GAI."

"Generative Artificial Intelligence (GAI) telah memegang penting dalam berbagai bidang, termasuk sebagai alat bantu pemrograman di Indonesia. Namun, penelitian mengenai adopsi GAI sebagai alat bantu pemrograman masih terbatas. Penelitian ini bertujuan menganalisis faktor yang memengaruhi niat karyawan di Indonesia untuk mengadopsi GAI dalam pemrograman, dengan fokus pada kualitas output kode dan kualitas sistem yang memengaruhi persepsi kegunaan serta kemudahan penggunaan GAI. Penelitian menggunakan metode PLS-SEM dalam analisis kuantitatif dengan 497 data valid, serta analisis kualitatif melalui wawancara 10 narasumber. Hasilnya menunjukkan bahwa persepsi kegunaan dipengaruhi oleh faktor presentation, structure, interactivity, responsiveness, understandability, assurance, dan reliability, sementara persepsi kemudahan penggunaan dipengaruhi oleh presentation, structure, responsiveness, assurance, dan reliability. Kedua persepsi ini memengaruhi niat adopsi GAI untuk pemrograman. Penelitian juga meneliti hubungan ini berdasarkan gender dan usia melalui analisis multigrup. Hasilnya memberikan saran bagi pengembang GAI untuk meningkatkan kualitas kode output dan sistem, yang terbukti memengaruhi persepsi pengguna tentang kegunaan dan kemudahan penggunaan GAI

---

Generative Artificial Intelligence (GAI) has become significant in various fields, including as a programming aid in Indonesia. However, research on the adoption of GAI as a programming tool remains limited. This study aims to analyze the factors influencing employees in Indonesia to adopt GAI for programming, focusing on output code quality and system quality, which affect the perceived usefulness and ease of use of GAI. The study employs the PLS-SEM method for quantitative analysis with 497 valid data points and qualitative analysis through interviews with 10 informants. The results indicate that perceived usefulness is influenced by factors such as presentation, structure, interactivity, responsiveness, understandability, assurance, and reliability, while perceived ease of use is influenced by presentation, structure, responsiveness, assurance, and reliability. Both perceptions affect the intention to adopt GAI for programming. The study also examines these relationships based on gender and age using multigroup analysis. The findings provide practical suggestions for GAI developers to enhance the quality of output code and system, which significantly influence users' perceptions of the usefulness and ease of use of GAI."