Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Limbong, Josua Josen A
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis User Experience Gemini AI pada Jurusan Teknik Informatika Menggunakan User Experience Questionnaire (UEQ): User Experience Analysis of Gemini AI in Informatics Engineering Using User Experience Questionnaire Sabami, Rivaldo Otniel Moreno Samber; Limbong, Josua Josen A; Marini, Lion Ferdinand
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2746

Abstract

Pemakaian Generative Artificial Intelligence (GenAI) telah menjadi bagian dari kegiatan akademik di perguruan tinggi, terutama pada program studi yang berkaitan erat dengan teknologi komputasi. Hasil pra-survei di Jurusan Teknik Informatika Universitas Papua memperlihatkan bahwa Gemini AI merupakan perangkat GenAI yang paling sering dimanfaatkan oleh mahasiswa dan dosen. Namun, pengalaman penggunaan platform tersebut belum pernah diukur secara empiris dalam konteks jurusan tersebut. Oleh karena itu, penelitian ini mengevaluasi Gemini AI dengan instrumen User Experience Questionnaire (UEQ). Data penelitian berasal dari 111 responden yang dipilih menggunakan purposive sampling dan terdiri atas mahasiswa serta dosen. Hasil analisis menunjukkan bahwa enam skala UEQ memperoleh nilai rata-rata positif dan semuanya berada di atas batas interpretasi 0,8. Skor tertinggi terdapat pada Kejelasan (1,63), kemudian Efisiensi (1,53) dan Daya Tarik (1,48), sedangkan Kebaruan menjadi skor paling rendah (1,18). Jika dibandingkan dengan dataset benchmark UEQ, sebagian skala berada pada kategori Above Average dan skala lainnya masuk kategori Good. Dengan demikian, Gemini AI dipandang mudah dipahami, efisien, dan cukup dapat diandalkan untuk menunjang aktivitas akademik. Meskipun demikian, nilai Kebaruan yang lebih rendah menunjukkan bahwa penyegaran antarmuka, variasi pola interaksi, serta fitur yang lebih inovatif masih perlu dikembangkan agar keterlibatan pengguna meningkat.
Pemodelan Topik dan Analisis Sentimen Komentar TikTok pada Program Makanan Bergizi Gratis Menggunakan BERTopic dan IndoBERT: Topic Modeling and Sentiment Analysis of TikTok Comments on the Free Nutritious Meal Program Using BERTopic and IndoBERT Model Kayadu, Owen Thomas; Limbong, Josua Josen A; Sumendap, Andreas Leonardo
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2790

Abstract

TikTok menjadi salah satu media sosial yang banyak digunakan masyarakat untuk menyampaikan opini terhadap berbagai kebijakan publik, termasuk Program Makan Bergizi Gratis (MBG). Penelitian ini bertujuan untuk menganalisis topik pembahasan dan sentimen masyarakat terhadap Program MBG berdasarkan komentar TikTok menggunakan metode BERTopic dan IndoBERT. Tahapan penelitian meliputi pengumpulan data, preprocessing, pemodelan topik, dan klasifikasi sentimen. Hasil penelitian menunjukkan bahwa BERTopic berhasil mengidentifikasi delapan topik utama yang berkaitan dengan gizi, pendidikan, lapangan kerja, kondisi ekonomi, transparansi anggaran, dan dukungan terhadap pemerintah. Topik 5 menjadi topik yang paling dominan dengan jumlah 5.422 komentar. Analisis sentimen menggunakan IndoBERT menunjukkan bahwa sentimen netral mendominasi dengan 3.614 komentar (43,29%), diikuti oleh sentimen positif sebanyak 2.611 komentar (31,27%) dan sentimen negatif sebanyak 2.124 komentar (25,44%). Selain itu, Topik 4 menjadi topik yang paling banyak muncul pada ketiga kategori sentimen. Model IndoBERT memperoleh akurasi sebesar 82,68%, yang menunjukkan performa yang baik dalam memahami konteks komentar berbahasa Indonesia. Hasil penelitian menunjukkan bahwa kombinasi BERTopic dan IndoBERT mampu memberikan analisis yang komprehensif terhadap topik pembahasan dan opini masyarakat mengenai Program MBG di TikTok.
Co-Authors Kayadu, Owen Thomas Marini, Lion Ferdinand Sabami, Rivaldo Otniel Moreno Samber Sumendap, Andreas Leonardo