Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Grammatical Error Correction (GEC) merupakan bagian dari Natural Language Processing yang membahas suatu task untuk mendeteksi dan setelahnya mengoreksi suatu teks. Pekerjaan tersebut mencakup pendeteksian dan pengoreksian kesalahan tata bahasa, kesalahan ortografi, dan semantik. Perkembangan GEC untuk bahasa Indonesia terkendala oleh sedikitnya dataset yang dapat digunakan untuk melatih model GEC. Penelitian ini mengusulkan pendekatan rule-based untuk membangun sebuah dataset sintetik yang mengandung kalimat salah secara tata bahasa baku bahasa Indonesia beserta koreksinya. Hal tersebut dapat dilakukan dengan memanfaatkan kamus tesaurus bahasa Indonesia dan alat bantuan NLP seperti tokenizer, part-of-speech tagger, morphological analyzer, dan dependency parser untuk mengekstrak informasi konteks dari kalimat. Kumpulan data sintetik dibangkitkan dengan menggunakan kalimat yang benar secara tata bahasa dari halaman0halaman situs Wikipedia sebagai kalimat input. Dataset ini menyediakan data dalam dua format yang berbeda, yaitu dalam format M2 dan dalam bentuk pasangan kalimat salah dan benar. Pembangkitan kesalahan tata bahasa akan memiliki 17 kemungkinan jenis kesalahan tata bahasa yang berbeda dengan total 16.898 kalimat salah yang dibentuk. Pengujian Gramatika dilakukan dengan melakukan evaluasi secara manual mengenai ketepatan pembangkitan tiap kesalahan pada kalimat. Pengujian manual dilakukan dengan melakukan stratified random sampling untuk mengambil sampel 100 kalimat. Sampel tersebut minimal memiliki 5 contoh untuk setiap jenis kesalahan tata bahasa. Dari pengevaluasian yang dilalukan oleh dua penguji, didapatkan nilai accuracy sebesar 91,1%.

---

Grammatical Error Correction (GEC) is a part of Natural Language Processing which deals with the task of detecting and correcting a text. This includes correcting grammatical errors, semantic errors, and orthographic errors. GEC development in Indonesian language has been hindered by the lack of suitable dataset that can be used to train GEC models. This research proposes a rule-based approach to develop a synthetic dataset that contains sentences in Indonesian with grammar errors and its corresponding corrections. It’s done with the help of dictionaries such as Indonesian thesaurus and NLP tools such as a tokenizer, part of speech tagger, morphological analyzer, and dependency parser to extract contextual information of sentences. The synthetic dataset is generated by using grammatically correct sentences from Wikipedia pages as the input. The resulting dataset is formatted to M2 format and pairs of correct and false sentences, containing 17 types of errors with a total of 16.898 sentences. The evaluation of Gramatika is done by manually assessing the accuracy of the sentence modifications. To do this, stratified random sampling is conducted to select 100 sentences with a minimum of 5 examples for each error type. From the manual evaluation by two evaluators, an average accuracy score of 91.1% is obtained.

"

"Grammatical Error Correction (GEC) merupakan bagian dari Natural Language Processing yang membahas suatu task untuk mendeteksi dan setelahnya mengoreksi suatu teks. Pekerjaan tersebut mencakup pendeteksian dan pengoreksian kesalahan tata bahasa, kesalahan ortografi, dan semantik. Perkembangan GEC untuk bahasa Indonesia terkendala oleh sedikitnya dataset yang dapat digunakan untuk melatih model GEC. Penelitian ini mengusulkan pendekatan rule-based untuk membangun sebuah dataset sintetik yang mengandung kalimat salah secara tata bahasa baku bahasa Indonesia beserta koreksinya. Hal tersebut dapat dilakukan dengan memanfaatkan kamus tesaurus bahasa Indonesia dan alat bantuan NLP seperti tokenizer, part-of-speech tagger, morphological analyzer, dan dependency parser untuk mengekstrak informasi konteks dari kalimat. Kumpulan data sintetik dibangkitkan dengan menggunakan kalimat yang benar secara tata bahasa dari halaman0halaman situs Wikipedia sebagai kalimat input. Dataset ini menyediakan data dalam dua format yang berbeda, yaitu dalam format M2 dan dalam bentuk pasangan kalimat salah dan benar. Pembangkitan kesalahan tata bahasa akan memiliki 17 kemungkinan jenis kesalahan tata bahasa yang berbeda dengan total 16.898 kalimat salah yang dibentuk. Pengujian Gramatika dilakukan dengan melakukan evaluasi secara manual mengenai ketepatan pembangkitan tiap kesalahan pada kalimat. Pengujian manual dilakukan dengan melakukan stratified random sampling untuk mengambil sampel 100 kalimat. Sampel tersebut minimal memiliki 5 contoh untuk setiap jenis kesalahan tata bahasa. Dari pengevaluasian yang dilalukan oleh dua penguji, didapatkan nilai accuracy sebesar 91,1%.

---

Grammatical Error Correction (GEC) is a part of Natural Language Processing which deals with the task of detecting and correcting a text. This includes correcting grammatical errors, semantic errors, and orthographic errors. GEC development in Indonesian language has been hindered by the lack of suitable dataset that can be used to train GEC models. This research proposes a rule-based approach to develop a synthetic dataset that contains sentences in Indonesian with grammar errors and its corresponding corrections. It’s done with the help of dictionaries such as Indonesian thesaurus and NLP tools such as a tokenizer, part of speech tagger, morphological analyzer, and dependency parser to extract contextual information of sentences. The synthetic dataset is generated by using grammatically correct sentences from Wikipedia pages as the input. The resulting dataset is formatted to M2 format and pairs of correct and false sentences, containing 17 types of errors with a total of 16.898 sentences. The evaluation of Gramatika is done by manually assessing the accuracy of the sentence modifications. To do this, stratified random sampling is conducted to select 100 sentences with a minimum of 5 examples for each error type. From the manual evaluation by two evaluators, an average accuracy score of 91.1% is obtained."

"Paradigma Software Product Line Engineering (SPLE) adalah paradigma yang mampu memproduksi software secara masif dalam waktu singkat melalui pemanfaatan kembali komponen dasar. Salah satu sistem yang mengadopsi paradigma tersebut adalah sistem AMANAH yang dikembangkan oleh Laboratorium Reliable Software Engineering. Produk AMANAH saat ini masih terus ditingkatkan dari sisi fitur dan usability. Aspek usability yang merupakan salah satu aspek dalam User Experience (UX) ini penting untuk dikaji karena aspek tersebut dapat menjamin pengguna menggunakan produk dengan benar sehingga kepuasan pengguna dalam memakai produk meningkat. Selain itu, aspek terkait usability menjadi sangat penting dalam pengembangan produk AMANAH karena antarmuka produk dibuat secara semi otomatis melalui paradigma SPLE. Pada penelitian ini dilakukan evaluasi terhadap produk AMANAH yang telah dikembangkan sebelumnya. Evaluasi usability dilakukan menggunakan usability testing serta wawancara kepada target pengguna yang berasal dari pengurus organisasi dan donatur. Hasil usability testing dan wawancara diobservasi lebih lanjut menggunakan prioritization template untuk mengukur perbaikan yang dapat dilakukan menggunakan parameter manusia/pengguna, bisnis, dan teknologi. Saran perbaikan yang dapat diimplementasikan memiliki kategori user value tinggi dan user value rendah, tetapi memiliki effort yang rendah. Rencana perubahan yang telah dibuat kemudian diimplementasikan pada komponen-komponen AMANAH. Setelah dilakukan perbaikan, produk AMANAH dilakukan evaluasi kembali dari segi sistem dan usability. Evaluasi dari segi sistem dilakukan menggunakan Selenium IDE untuk menjalankan serangkaian test scenario pada automated functional testing, sedangkan evaluasi dari segi usability dilakukan dengan memanfaatkan System Usability Scale (SUS). Berdasarkan serangkaian proses yang dilakukan, hasil yang didapatkan menunjukkan bahwa produk AMANAH yang telah diperbaiki mengalami perubahan alur kerja pada beberapa fitur, tetapi tidak ada fungsionalitas yang terganggu. Selain itu, produk AMANAH sudah tidak mengalami masalah terkait usability yang ditunjukkan dengan skor SUS di atas rata-rata.

---

The paradigm of Software Product Line Engineering (SPLE) is capable of producing software on a large scale in a short time by reusing basic components. One system that adopts this paradigm is the AMANAH system developed by the Laboratory of Reliable Software Engineering, Faculty of Computer Science, University of Indonesia. The AMANAH product is currently being continuously improved in terms of features and usability. Usability, which is one aspect of User Experience (UX), is important to study because it ensures that users use the product correctly, resulting in increased user satisfaction when using the product. In this study, an evaluation was conducted on the previously developed AMANAH product. Usability evaluation was performed using usability testing and interviews with target users, including organization administrators and donors. The results of usability testing and interviews were further observed using a prioritization template to measure improvements that can be made based on human/user, business, and technology parameters. Improvement suggestions that can be implemented were categorized into high user value and low user value but with low effort. The planned changes were then implemented using Acceleo as the UI Generator, IFML, and ReactJS as the UI template. After the improvements were made, the AMANAH product was re-evaluated in terms of system and usability. System evaluation was conducted using Selenium web driver to execute a series of test scenarios in automated functional testing. Meanwhile, usability evaluation utilized the System usability Scale (SUS). Through the series of processes, the obtained results showed that the improved AMANAH product experienced changes in the workflow of certain features, but no functionality was disrupted. Additionally, the AMANAH product no longer had usability issues as indicated by the above-average SUS scores."

"Software Product Line Engineering (SPLE) merupakan paradigma pengembangan perangkat lunak yang memanfaatkan common platform (kemiripan) dan mass customisation (keragaman) dari berbagai aplikasi. Pengembangan perangkat lunak dengan paradigma SPLE pada penelitian ini menggunakan diagram Interaction Flow Modeling Language (IFML) sebagai pemodelan antarmuka dalam menghasilkan komponen user interface (UI) pada aplikasi front end. Diagram IFML digunakan sebagai masukan pada UI Generator Web Interface untuk menghasilkan proyek React sebagai aplikasi berbasis website. Namun, ketika aplikasi dibuka melalui tampilan mobile, antarmuka yang ditampilkan menjadi tidak teratur serta beberapa interaksi sulit untuk dilakukan. Selain itu, aplikasi yang dihasilkan juga belum dapat diinstal pada perangkat untuk digunakan secara offline. Oleh karenanya, penelitian ini bertujuan untuk mengembangkan UI Generator Web Interface agar aplikasi yang dihasilkan memiliki tampilan yang responsif serta mendukung Progressive Web Application (PWA). Selain itu, penelitian ini juga bertujuan untuk mengembangkan UI Generator Mobile Interface untuk menghasilkan proyek React Native sebagai aplikasi berbasis mobile. UI Generator Mobile Interface yang dikembangkan menggunakan diagram IFML yang sama dalam menghasilkan aplikasi mobile dengan antarmuka dan fungsionalitas yang serupa. Selanjutnya, antarmuka kedua aplikasi yang masing-masing dihasilkan oleh UI Generator Web Interface dan UI Generator Mobile Interface dievaluasi menggunakan prinsip Shneiderman’s Eight Golden Rules of Interface Design. Hal ini bertujuan untuk mencari tahu apakah antarmuka dari kedua aplikasi yang dihasilkan secara generated sudah memenuhi kaidah perancangan antarmuka. Dari penelitian ini dapat disimpulkan bahwa UI Generator Web Interface dan UI Generator Mobile Interface berhasil dikembangkan serta telah dilakukan evaluasi terhadap masing-masing aplikasi yang dihasilkan. Hasil evaluasi menunjukkan bahwa terdapat beberapa bagian yang dapat ditingkatkan lebih lanjut pada kedua antarmuka aplikasi.

---

Software Product Line Engineering (SPLE) is a software development paradigm that utilizes a common platform and mass customization of various applications. Software development with the SPLE paradigm in this study uses Interaction Flow Modeling Language (IFML) diagrams in modeling the user interface to generate user interface (UI) components for front end applications. IFML diagrams are used as input to the UI Generator Web Interface in generating React projects as web-based applications. However, when the application is opened in the mobile view, the user interface displayed becomes irregular and some interactions are difficult to complete. In addition, the resulting application cannot be installed on a device for offline use. Therefore, this study aims to develop a UI Generator Web Interface so that the resulting application has a responsive display and supports Progressive Web Application (PWA). In addition, this research also aims to develop a UI Generator Mobile Interface to produce React Native projects as mobile-based applications. The UI Generator Mobile Interface developed uses the same IFML diagram in producing mobile applications with similar interfaces and functionalities. Furthermore, the interfaces of the two applications each generated by the UI Generator Web Interface and UI Generator Mobile Interface are evaluated using the principle of Shneiderman’s Eight Golden Rules of Interface Design. This aims to find out whether the interface of the two generated applications already meet the rules of interface design. From this study it can be concluded that the UI Generator Web Interface and UI Generator Mobile Interface have been successfully developed and an evaluation has been carried out for each of the resulting applications. The evaluation results indicate that there are several areas for further improvement in both application interfaces."

"Penelitian ini mengevaluasi performa berbagai model Large Language Models (LLM) dalam tugas klasifikasi definisi, ekstraksi definisi, dan ekstraksi konten definisi dari teks hukum berbahasa Indonesia. Model yang digunakan meliputi LLaMa-2-7b, LLaMa-3-8b-Instruct, Mistral-7B, Gemma-7b, Qwen1.5-7B, dan Zephyr-7b-beta, dengan teknik prompting zero-shot dan few-shot. Teknik prompting few-shot menunjukkan efektivitas dalam beberapa kasus, namun belum konsisten meningkatkan akurasi.

---

This study evaluates the performance of various Large Language Models (LLMs) in the tasks of definition classification, definition extraction, and definition content extraction from legal texts in Indonesian. The models used include LLaMa-2-7b, LLaMa-3-8b-Instruct, Mistral-7B, Gemma-7b, Qwen1.5-7B, and Zephyr-7b-beta, with zero-shot and few-shot prompting techniques. The few-shot prompting technique showed effectiveness in some cases, but has not consistently improved accuracy."

"Kebutuhan akan informasi yang cepat dan valid semakin mendesak di tengah arus in- formasi yang cepat. Kemajuan teknologi memberikan dampak signi kan terhadap in- dustri jurnalisme untuk mengakomodasi kebutuhan informasi tersebut. Proses produksi berita, yang tradisionalnya memakan waktu, terus dihadapkan pada tuntutan untuk meng- hasilkan informasi dengan cepat dan akurat. Penelitian ini merespon tantangan terse- but dengan melakukan pengembangan model generatif yang dapat melakukan pembuatan berita secara otomatis. Dalam pengembangan model generatif, penulis melakukan bebe- rapa skenario percobaan untuk menguji pengaruh ukuran jumlah parameter, jenis prompt- ing, dan penggunaan delimiter pada prompt yang digunakan terhadap kualitas model yang dihasilkan. Percobaan dilakukan dengan melakukan ne tuning pada dua buah large language model yang memiliki arsitektur berbeda, yaitu Falcon dan BLOOM. Pengem- bangan large language model selanjutnya dilakukan proses evaluasi dengan menggunakan metrik measurement BLEU, ROUGE, perplexity, dan human evaluation kepada wartawan terhadap berita yang dihasilkan. Hasil yang penulis dapatkan menunjukkan bahwa terda- pat beberapa aspek yang memengaruhi kualitas berita yang dihasilkan oleh model dalam proses ne tuning. Beberapa aspek tersebut di antaranya adalah ukuran jumlah parameter, jenis prompting, dan penggunaan delimiter pada prompt yang digunakan. Model terbaik yang didapatkan dari keseluruhan model percobaan adalah BLOOM dengan jumlah pa- rameter 7B yang mendapatkan hasil evaluasi ROUGE-1 sebesar 0,3856 dan perplexity sebesar 5,79809. Model ini juga dapat menghasilkan berita yang sesuai dengan kebu- tuhan wartawan dalam proses human evaluation, baik dari kesesuaian dengan kaidah ke- bahasaan dan penulisan berita maupun ketepatan berita dengan fakta sebenarnya. Model ini mendapatkan penilaian sebesar 4,25 dari 5,00 untuk kesesuaian dengan kaidah keba- hasaan dan 4,27 dari 5,00 untuk ketepatan dengan fakta sebenarnya.

---

The escalating need for swift and accurate information in today's dynamic information landscape poses a significant challenge. Technological advancements have profoundly impacted the journalism industry, necessitating adaptations to fulfill evolving information requirements. The traditional, time-consuming news production process is under constant pressure to deliver information swiftly and accurately. This research tackles these challenges by developing a generative model capable of automating news creation. The author explores various experimental scenarios in the generative model development, investigating the influence of parameters' quantity, prompting techniques, and the use of delimiters in prompts on the resulting model's quality. The experiments involve fine-tuning two large language models with different architectures, Falcon and BLOOM. The subsequent evaluation process utilizes metrics such as BLEU, ROUGE, perplexity, and human evaluation by journalists to assess the quality of the generated news. The findings underscore that several factors, including parameter quantity, prompting techniques, and delimiter use, impact the news model's quality during the fine-tuning process. Significantly, among the experimented models, the BLOOM model with 7B parameters emerges as the overall best performer. This model achieves a ROUGE-1 evaluation of 0.38656 and a perplexity of 5.79809. In human evaluation, the BLOOM model excels in linguistic adherence and factual accuracy, receiving ratings of 4,25 out of 5.00 and 4,27 out of 5.00, respectively."

"Dalam era digital saat ini, banyaknya data finansial yang melimpah dan tidak berlabel menimbulkan tantangan dalam pemilihan teknik pendeteksian outlier (outlier detection) yang optimal. Penelitian ini bertujuan untuk menangani tantangan tersebut dengan membandingkan model unsupervised outlier detection pada data sintetis yang dirancang untuk meniru karakteristik data finansial nyata. Sebagai studi kasus, penelitian ini menggunakan data Laporan Harta Keuangan Penyelenggara Negara (LHKPN) tahun 2022. Proses penelitian mencakup pengumpulan data, pemrosesan, pembuatan data sintetis, pengujian sepuluh algoritma outlier detection, dan penerapan model terbaik pada data LHKPN tahun 2022. Dari proses ini, model Median Absolute Deviation (MAD) dengan threshold 7.8 teridentifikasi sebagai yang paling efektif pada data sintetis yang meniru data LHKPN. Penelitian ini juga menemukan hyperparameter terbaik untuk model lain dan melakukan analisis skor outlier pada data nyata. Hasilnya memberikan wawasan baru dan menunjukkan potensi investigasi lanjutan dalam outlier detection pada data finansial tidak berlabel, dengan pendekatan yang menyeluruh mulai dari analisis distribusi data hingga pengujian model pada data sintetis dan asli.

---

In the current digital era, the abundance of unlabeled financial data poses challenges in selecting optimal outlier detection techniques. This research aims to address these challenges by comparing unsupervised outlier detection models on synthetic data, designed to mimic real financial data characteristics. Using 2022 data from the Laporan Harta Keuangan Penyelenggara Negara (LHKPN) as a case study, the research process includes data collection, processing, creating synthetic data, testing 10 outlier detection algorithms, and applying the most effective model, identified as Median Absolute Deviation (MAD) with a threshold of 7.8, on synthetic data based on LHKPN data. The study also finds the best hyperparameters for other models and conducts real data outlier score analysis, providing new insights and demonstrating further investigation potential in outlier detection for unlabeled financial data."

"Keberadaan Massive Open Online Course (MOOC) telah mendistrupsi dunia pendidikan terutama di bidang e-learning dengan sistemnya yang bebas dan terbuka, membuat MOOC dapat diakses oleh siapapun selama memiliki akses internet. Namun, kemudian diketahui bahwa tingkat dropout rate MOOC mencapai lebih 90% yang turut memengaruhi intensi keberlanjutan MOOC. Penelitian ini bertujuan untuk mengkaji pengaruh stimulus lingkungan terhadap intensi penggunaan keberlanjutan MOOC yang dimediasi oleh interaksi dan persepsi nilai pelajar. Metode penelitian yang digunakan adalah mixed methods dengan explanatory sequential design. Pendekatan kuantitatif dilakukan pada 452 responden yang pernah menggunakan MOOC untuk analisis data utama dan pendekatan kualitatif dilakukan pada 8 responden untuk menjelaskan hasil analisis data kuantitatif. Analisis data kuantitatif dilakukan dengan metode Partial Least Squares Structural Equation Modeling (PLS-SEM) menggunakan SmartPLS 3. Hasil penelitian menunjukkan faktor interactivity, personalization, sociability, dan reputation memengaruhi perceived value. Sementara itu, perceived value memengaruhi interaksi antara pelajar dengan konten dan antara pelajar dengan pengajar. Selain itu, intensi keberlanjutan dipengaruhi oleh interaksi antar pelajar dan interaksi antara pelajar dan pengajar. Penelitian ini diharapkan dapat menjadi pertimbangan bagi penyedia layanan MOOC untuk merancang platform MOOC yang sesuai dengan kebutuhan pelajar.

---

The presence of Massive Open Online Courses (MOOCs) has disrupted the educational world, particularly in e-learning, with their free and open systems allowing access to anyone with an internet connection. However, it is known that the dropout rate for MOOCs exceeds 90%, and the sustainability intention rate is relatively low. This study aims to examine the influence of environmental stimuli on the sustainable usage intention of MOOCs mediated by student interaction and perceived value. The research method used is mixed methods with an Explanatory Sequential Design. The quantitative approach was conducted on 452 respondents who have used MOOCs for the main data analysis, and the qualitative approach was conducted on 8 respondents to explain the quantitative data analysis results. Quantitative data analysis was performed using Partial Least Squares Structural Equation Modelling (PLS-SEM) with SmartPLS 3. The results show that interactivity, personalization, sociability, and reputation factors affect perceived value. Meanwhile, perceived value influences the interaction between students and content and between students and instructors. Additionally, sustainable intention is only influenced by peer interaction among students. This study is expected to provide considerations for MOOC service providers in designing platforms that meet students' needs."

"Keberadaan Massive Open Online Course (MOOC) telah mendistrupsi dunia pendidikan terutama di bidang e-learning dengan sistemnya yang bebas dan terbuka, membuat MOOC dapat diakses oleh siapapun selama memiliki akses internet. Namun, kemudian diketahui bahwa tingkat dropout rate MOOC mencapai lebih 90% yang turut memengaruhi intensi keberlanjutan MOOC. Penelitian ini bertujuan untuk mengkaji pengaruh stimulus lingkungan terhadap intensi penggunaan keberlanjutan MOOC yang dimediasi oleh interaksi dan persepsi nilai pelajar. Metode penelitian yang digunakan adalah mixed methods dengan explanatory sequential design. Pendekatan kuantitatif dilakukan pada 452 responden yang pernah menggunakan MOOC untuk analisis data utama dan pendekatan kualitatif dilakukan pada 8 responden untuk menjelaskan hasil analisis data kuantitatif. Analisis data kuantitatif dilakukan dengan metode Partial Least Squares Structural Equation Modeling (PLS-SEM) menggunakan SmartPLS 3. Hasil penelitian menunjukkan faktor interactivity, personalization, sociability, dan reputation memengaruhi perceived value. Sementara itu, perceived value memengaruhi interaksi antara pelajar dengan konten dan antara pelajar dengan pengajar. Selain itu, intensi keberlanjutan dipengaruhi oleh interaksi antar pelajar dan interaksi antara pelajar dan pengajar. Penelitian ini diharapkan dapat menjadi pertimbangan bagi penyedia layanan MOOC untuk merancang platform MOOC yang sesuai dengan kebutuhan pelajar.

---

The presence of Massive Open Online Courses (MOOCs) has disrupted the educational world, particularly in e-learning, with their free and open systems allowing access to anyone with an internet connection. However, it is known that the dropout rate for MOOCs exceeds 90%, and the sustainability intention rate is relatively low. This study aims to examine the influence of environmental stimuli on the sustainable usage intention of MOOCs mediated by student interaction and perceived value. The research method used is mixed methods with an Explanatory Sequential Design. The quantitative approach was conducted on 452 respondents who have used MOOCs for the main data analysis, and the qualitative approach was conducted on 8 respondents to explain the quantitative data analysis results. Quantitative data analysis was performed using Partial Least Squares Structural Equation Modelling (PLS-SEM) with SmartPLS 3. The results show that interactivity, personalization, sociability, and reputation factors affect perceived value. Meanwhile, perceived value influences the interaction between students and content and between students and instructors. Additionally, sustainable intention is only influenced by peer interaction among students. This study is expected to provide considerations for MOOC service providers in designing platforms that meet students' needs."

"Keberadaan Massive Open Online Course (MOOC) telah mendistrupsi dunia pendidikan terutama di bidang e-learning dengan sistemnya yang bebas dan terbuka, membuat MOOC dapat diakses oleh siapapun selama memiliki akses internet. Namun, kemudian diketahui bahwa tingkat dropout rate MOOC mencapai lebih 90% yang turut memengaruhi intensi keberlanjutan MOOC. Penelitian ini bertujuan untuk mengkaji pengaruh stimulus lingkungan terhadap intensi penggunaan keberlanjutan MOOC yang dimediasi oleh interaksi dan persepsi nilai pelajar. Metode penelitian yang digunakan adalah mixed methods dengan explanatory sequential design. Pendekatan kuantitatif dilakukan pada 452 responden yang pernah menggunakan MOOC untuk analisis data utama dan pendekatan kualitatif dilakukan pada 8 responden untuk menjelaskan hasil analisis data kuantitatif. Analisis data kuantitatif dilakukan dengan metode Partial Least Squares Structural Equation Modeling (PLS-SEM) menggunakan SmartPLS 3. Hasil penelitian menunjukkan faktor interactivity, personalization, sociability, dan reputation memengaruhi perceived value. Sementara itu, perceived value memengaruhi interaksi antara pelajar dengan konten dan antara pelajar dengan pengajar. Selain itu, intensi keberlanjutan dipengaruhi oleh interaksi antar pelajar dan interaksi antara pelajar dan pengajar. Penelitian ini diharapkan dapat menjadi pertimbangan bagi penyedia layanan MOOC untuk merancang platform MOOC yang sesuai dengan kebutuhan pelajar...... he presence of Massive Open Online Courses (MOOCs) has disrupted the educational world, particularly in e-learning, with their free and open systems allowing access to anyone with an internet connection. However, it is known that the dropout rate for MOOCs exceeds 90%, and the sustainability intention rate is relatively low. This study aims to examine the influence of environmental stimuli on the sustainable usage intention of MOOCs mediated by student interaction and perceived value. The research method used is mixed methods with an Explanatory Sequential Design. The quantitative approach was conducted on 452 respondents who have used MOOCs for the main data analysis, and the qualitative approach was conducted on 8 respondents to explain the quantitative data analysis results. Quantitative data analysis was performed using Partial Least Squares Structural Equation Modelling (PLS-SEM) with SmartPLS 3. The results show that interactivity, personalization, sociability, and reputation factors affect perceived value. Meanwhile, perceived value influences the interaction between students and content and between students and instructors. Additionally, sustainable intention is only influenced by peer interaction among students. This study is expected to provide considerations for MOOC service providers in designing platforms that meet students' needs."