Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."

"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."

"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.

---

In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."

"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%."

"Dalam tulisan ini, denah lantai ditekankan pada dua metrik (footprint dan program) yang berkaitan dengan tipologi dalam arsitektur. Tipologi adalah studi tentang jenis elemen yang hadir sebagai ide utama dari arsitektur. Arsitek awalnya memulai suatu karya dari tipe, dan konsep tipe itu sendiri menyiratkan ide transformasi. Konsep tipe ini sejalan dengan proses yang harus dilalui arsitek dalam perancangan denah lantai. Proses untuk mendapatkan suatu desain denah yang baik sangat berulang dan membutuhkan tenaga manusia yang ekstensif. Banyak program komputer yang dapat membantu proses tersebut tetapi tidak dapat sepenuhnya mengotomatisasi. Otomatisasi akan memungkinkan arsitek dengan cepat menghasilkan banyak kemungkinan untuk gambar arsitektur, termasuk denah lantai. Otomatisasi tersebut dapat diadopsi menggunakan Machine Learning, khususnya GAN (Generative Adversarial Network), yang telah berkembang pesat di berbagai bidang studi. Berdasarkan analisis denah yang dihasilkan secara otomatis, dapat disimpulkan bahwa Machine Learning berhasil menghasilkan variasi yang tinggi tanpa mengabaikan kriteria desain denah yang baik.

---

In this paper, the floorplan is being emphasized on two metrics (footprint and program) which correlates to the discourse of typology in architecture. Typology is a study of types of elements which presents as the very idea of architecture. Architect initially starts his work from the type, and the very concept of type implies the idea of transformation. This concept resonates with a process that architect has to pass through. The process in creating a good floorplan design is highly iterative and requires extensive human labour. Many computer programs could help the architect in the process, but they cannot fully automate the process. Automation would allow architects to quickly generate many possibilities for architectural drawings, including floorplan solutions. Such automation could be adopted using Machine Learning, particularly GAN (Generative Adversarial Network), which has been developed enormously in many fields of study. Based on the analysis of the auto-generated floorplans, it could be concluded that Machine Learning successfully generates high variation without neglecting the criteria of a good floorplan design."

"Teknologi generatif AI memiliki dampak yang besar dalam industri global. Salah satunya  pada industri kreatif, khususnya pada platform media sosial TikTok, di mana content creator dapat memanfaatkan Generative Artificial Intelligence (GAI) untuk menghasilkan konten berkualitas tinggi secara cepat dan efisien. Studi ini bertujuan untuk mengidentifikasi pengaruh konten GAI terhadap keterlibatan pengguna (user engagement) melalui sikap dan emosi dengan menggabungkan metode mixed-method, termasuk wawancara kualitatif dengan 16 partisipan dan survei kuantitatif dari 423 responden yang dianalisis menggunakan PLS-SEM. Hasilnya menunjukkan bahwa enam karakteristik utama konten GAI—hiburan, efektivitas informasi, kreativitas, kredibilitas, iritasi, dan personalisasi—berperan penting dalam membentuk emosi dan sikap pengguna. Temuan ini mengungkap bahwa karakteristik seperti hiburan, efektivitas informasi, kreativitas, kredibilitas, dan personalisasi secara signifikan memengaruhi keterlibatan pengguna melalui emosi dan sikap mereka. Dengan demikian, penelitian ini tidak hanya memperluas pemahaman tentang hubungan antara konten GAI dan user engagement di media sosial, tetapi juga memberikan panduan praktis bagi content creator untuk mengembangkan strategi konten yang lebih menarik dan sesuai dengan preferensi audiens sehingga meningkatkan interaksi dan popularitas mereka di TikTok.

---

Generative Artificial Intelligence (GAI) technology has a transformative impact on various global industries, particularly within the creative sector. On social media platforms like TikTok, content creators harness GAI to produce high-quality content swiftly and efficiently. This study aims to investigate the influence of GAI-generated content on user engagement (UE) by analyzing the roles of user attitude and emotion. Utilizing a mixed-method approach, the research integrates qualitative interviews with 16 participants and a quantitative survey of 423 respondents, analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The findings highlight six critical characteristics of GAI content—entertainment, information effectiveness, creativity, credibility, irritation, and personalization—that significantly shape user emotions and attitudes. Specifically, characteristics such as entertainment, information effectiveness, creativity, credibility, and personalization are found to enhance user engagement by positively affecting user emotions and attitudes. This study not only expands the understanding of how GAI content influences user engagement on social media but also provides practical guidance for content creators. By focusing on these GAI content attributes, creators can develop more compelling and audience-aligned strategies, thereby increasing their interaction and popularity on TikTok."

"Teknologi generatif AI memiliki dampak yang besar dalam industri global. Salah satunya  pada industri kreatif, khususnya pada platform media sosial TikTok, di mana content creator dapat memanfaatkan Generative Artificial Intelligence (GAI) untuk menghasilkan konten berkualitas tinggi secara cepat dan efisien. Studi ini bertujuan untuk mengidentifikasi pengaruh konten GAI terhadap keterlibatan pengguna (user engagement) melalui sikap dan emosi dengan menggabungkan metode mixed-method, termasuk wawancara kualitatif dengan 16 partisipan dan survei kuantitatif dari 423 responden yang dianalisis menggunakan PLS-SEM. Hasilnya menunjukkan bahwa enam karakteristik utama konten GAI—hiburan, efektivitas informasi, kreativitas, kredibilitas, iritasi, dan personalisasi—berperan penting dalam membentuk emosi dan sikap pengguna. Temuan ini mengungkap bahwa karakteristik seperti hiburan, efektivitas informasi, kreativitas, kredibilitas, dan personalisasi secara signifikan memengaruhi keterlibatan pengguna melalui emosi dan sikap mereka. Dengan demikian, penelitian ini tidak hanya memperluas pemahaman tentang hubungan antara konten GAI dan user engagement di media sosial, tetapi juga memberikan panduan praktis bagi content creator untuk mengembangkan strategi konten yang lebih menarik dan sesuai dengan preferensi audiens sehingga meningkatkan interaksi dan popularitas mereka di TikTok.

---

Generative Artificial Intelligence (GAI) technology has a transformative impact on various global industries, particularly within the creative sector. On social media platforms like TikTok, content creators harness GAI to produce high-quality content swiftly and efficiently. This study aims to investigate the influence of GAI-generated content on user engagement (UE) by analyzing the roles of user attitude and emotion. Utilizing a mixed-method approach, the research integrates qualitative interviews with 16 participants and a quantitative survey of 423 respondents, analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The findings highlight six critical characteristics of GAI content—entertainment, information effectiveness, creativity, credibility, irritation, and personalization—that significantly shape user emotions and attitudes. Specifically, characteristics such as entertainment, information effectiveness, creativity, credibility, and personalization are found to enhance user engagement by positively affecting user emotions and attitudes. This study not only expands the understanding of how GAI content influences user engagement on social media but also provides practical guidance for content creators. By focusing on these GAI content attributes, creators can develop more compelling and audience-aligned strategies, thereby increasing their interaction and popularity on TikTok."

"Teknologi generatif AI memiliki dampak yang besar dalam industri global. Salah satunya  pada industri kreatif, khususnya pada platform media sosial TikTok, di mana content creator dapat memanfaatkan Generative Artificial Intelligence (GAI) untuk menghasilkan konten berkualitas tinggi secara cepat dan efisien. Studi ini bertujuan untuk mengidentifikasi pengaruh konten GAI terhadap keterlibatan pengguna (user engagement) melalui sikap dan emosi dengan menggabungkan metode mixed-method, termasuk wawancara kualitatif dengan 16 partisipan dan survei kuantitatif dari 423 responden yang dianalisis menggunakan PLS-SEM. Hasilnya menunjukkan bahwa enam karakteristik utama konten GAI—hiburan, efektivitas informasi, kreativitas, kredibilitas, iritasi, dan personalisasi—berperan penting dalam membentuk emosi dan sikap pengguna. Temuan ini mengungkap bahwa karakteristik seperti hiburan, efektivitas informasi, kreativitas, kredibilitas, dan personalisasi secara signifikan memengaruhi keterlibatan pengguna melalui emosi dan sikap mereka. Dengan demikian, penelitian ini tidak hanya memperluas pemahaman tentang hubungan antara konten GAI dan user engagement di media sosial, tetapi juga memberikan panduan praktis bagi content creator untuk mengembangkan strategi konten yang lebih menarik dan sesuai dengan preferensi audiens sehingga meningkatkan interaksi dan popularitas mereka di TikTok.

---

Generative Artificial Intelligence (GAI) technology has a transformative impact on various global industries, particularly within the creative sector. On social media platforms like TikTok, content creators harness GAI to produce high-quality content swiftly and efficiently. This study aims to investigate the influence of GAI-generated content on user engagement (UE) by analyzing the roles of user attitude and emotion. Utilizing a mixed-method approach, the research integrates qualitative interviews with 16 participants and a quantitative survey of 423 respondents, analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The findings highlight six critical characteristics of GAI content—entertainment, information effectiveness, creativity, credibility, irritation, and personalization—that significantly shape user emotions and attitudes. Specifically, characteristics such as entertainment, information effectiveness, creativity, credibility, and personalization are found to enhance user engagement by positively affecting user emotions and attitudes. This study not only expands the understanding of how GAI content influences user engagement on social media but also provides practical guidance for content creators. By focusing on these GAI content attributes, creators can develop more compelling and audience-aligned strategies, thereby increasing their interaction and popularity on TikTok."

"Teknologi generatif AI memiliki dampak yang besar dalam industri global. Salah satunya pada industri kreatif, khususnya pada platform media sosial TikTok, di mana content creator dapat memanfaatkan Generative Artificial Intelligence (GAI) untuk menghasilkan konten berkualitas tinggi secara cepat dan efisien. Studi ini bertujuan untuk mengidentifikasi pengaruh konten GAI terhadap keterlibatan pengguna (user engagement) melalui sikap dan emosi dengan menggabungkan metode mixed-method, termasuk wawancara kualitatif dengan 16 partisipan dan survei kuantitatif dari 423 responden yang dianalisis menggunakan PLS-SEM. Hasilnya menunjukkan bahwa enam karakteristik utama konten GAI—hiburan, efektivitas informasi, kreativitas, kredibilitas, iritasi, dan personalisasi—berperan penting dalam membentuk emosi dan sikap pengguna. Temuan ini mengungkap bahwa karakteristik seperti hiburan, efektivitas informasi, kreativitas, kredibilitas, dan personalisasi secara signifikan memengaruhi keterlibatan pengguna melalui emosi dan sikap mereka. Dengan demikian, penelitian ini tidak hanya memperluas pemahaman tentang hubungan antara konten GAI dan user engagement di media sosial, tetapi juga memberikan panduan praktis bagi content creator untuk mengembangkan strategi konten yang lebih menarik dan sesuai dengan preferensi audiens sehingga meningkatkan interaksi dan popularitas mereka di TikTok.

---

Generative Artificial Intelligence (GAI) technology has a transformative impact on various global industries, particularly within the creative sector. On social media platforms like TikTok, content creators harness GAI to produce high-quality content swiftly and efficiently. This study aims to investigate the influence of GAI-generated content on user engagement (UE) by analyzing the roles of user attitude and emotion. Utilizing a mixed-method approach, the research integrates qualitative interviews with 16 participants and a quantitative survey of 423 respondents, analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The findings highlight six critical characteristics of GAI content—entertainment, information effectiveness, creativity, credibility, irritation, and personalization—that significantly shape user emotions and attitudes. Specifically, characteristics such as entertainment, information effectiveness, creativity, credibility, and personalization are found to enhance user engagement by positively affecting user emotions and attitudes. This study not only expands the understanding of how GAI content influences user engagement on social media but also provides practical guidance for content creators. By focusing on these GAI content attributes, creators can develop more compelling and audience-aligned strategies, thereby increasing their interaction and popularity on TikTok."