Claim Missing Document
Check
Articles

Found 2 Documents
Search

OPTIMALISASI ChatGPT SEBAGAI ALAT PENDUKUNG GURU DALAM PENGEMBANGAN MEDIA PEMBELAJARAN DIGITAL Khairul, Khairul; Dhimas Prayogi; M. Azhari Rizko; Ade Guna Suteja; Muhammad Raihan Harahap
Multidisiplin Pengabdian Kepada Masyarakat Vol. 4 No. 02 (2025): Multidisiplin Pengabdian Kepada Masyarakat, July-Oktober 2025
Publisher : Sean Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk mengoptimalkan penggunaan ChatGPT sebagai alat pendukung bagi guru dalam pengembangan media pembelajaran digital yang interaktif dan sesuai dengan kebutuhan siswa. Dengan meningkatnya peran teknologi dalam pendidikan, ChatGPT menawarkan potensi besar untuk membantu guru dalam menyusun materi ajar secara efisien. Kegiatan pengabdian dilakukan melalui beberapa tahapan, yakni pelatihan dasar, demonstrasi penggunaan, serta penerapan langsung oleh guru dalam kelas. Metode yang digunakan meliputi pendekatan praktis berupa pelatihan, studi kasus, dan evaluasi hasil kerja guru. Hasil pengabdian menunjukkan bahwa penggunaan ChatGPT berhasil meningkatkan keterampilan guru hingga 30% dalam menyusun materi ajar, mempercepat proses pembuatan media pembelajaran hingga 40%, serta menghasilkan materi yang lebih kreatif dan interaktif. Sebanyak 85% guru peserta pelatihan menunjukkan kemampuan yang baik dalam memanfaatkan ChatGPT untuk membuat modul pembelajaran, soal, dan evaluasi interaktif. Meski demikian, ditemukan tantangan dalam kesiapan infrastruktur teknologi dan variasi tingkat literasi digital guru. Kesimpulannya, ChatGPT terbukti efektif dalam meningkatkan kualitas media pembelajaran, meskipun memerlukan pelatihan lanjutan dan pengembangan teknologi agar penerapannya lebih optimal di berbagai sekolah. Penelitian ini memberikan kontribusi praktis dalam mendukung transformasi digital dalam dunia pendidikan.
Machine Learning-Based Customer Segmentation and Behavioral Analysis Using K-Means Clustering Ade Guna Suteja
Journal of Computer Science and Research (JoCoSiR) Vol. 3 No. 2 (2025): April: Artificial Intelligence
Publisher : Asosiasi Perguruan Tinggi Informatika dan Ilmu Komputer (APTIKOM) Provinsi Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

The rapid growth of transactional data in retail and e-commerce has created opportunities to understand customer purchasing behavior through Market Basket Analysis (MBA). This study applies the Apriori algorithm to identify product association patterns within transactional databases and evaluates the effectiveness of including product category parameters to enhance product package recommendations. A quantitative approach with an applied experimental method is used to systematically process and analyze transactional data. The study involves data preprocessing, application of the Apriori algorithm to generate frequent itemsets and association rules, and visualization of the results. Findings indicate that the algorithm successfully discovers frequently co-purchased product combinations, and the inclusion of product categories improves the relevance and quality of the resulting recommendations. This research provides practical benefits for businesses, such as guiding cross-selling strategies, optimizing inventory management, and enhancing customer satisfaction. Additionally, it contributes to the theoretical development of data mining applications in retail. The results suggest that leveraging association rules with enhanced parameters can support more effective marketing strategies and evidence-based decision-making in dynamic transactional environments.