Claim Missing Document
Check
Articles

Found 2 Documents
Search

Tantangan Bahasa Indonesia dalam Ekosistem Kecerdasan Buatan: Kajian Literatur Natasha Patricia Nainggolan; Jhon Gabriel Simarmata; Christian Nicholas Sinaga; Lastri Putri Silaban; Anggia Puteri
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 3 (2026): EduTIK : Juni 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i3.397

Abstract

ABSTRAK Perkembangan kecerdasan buatan (Artificial Intelligence/AI) telah memengaruhi berbagai aspek kehidupan, termasuk penggunaan Bahasa Indonesia dalam komunikasi digital. Penelitian ini bertujuan mengkaji tantangan Bahasa Indonesia dalam era kecerdasan buatan melalui metode studi literatur dengan pendekatan kualitatif deskriptif. Data diperoleh dari berbagai jurnal dan artikel ilmiah yang relevan, kemudian dianalisis dan disintesis untuk mengidentifikasi permasalahan utama. Hasil kajian menunjukkan bahwa Bahasa Indonesia masih menghadapi beberapa tantangan, yaitu keterbatasan dataset berkualitas, dominasi bahasa Inggris dalam pengembangan model AI, kesalahan tata bahasa, penggunaan bahasa gaul dan campur kode, serta bias algoritma yang menyebabkan kurangnya representasi budaya lokal. Untuk mengatasi permasalahan tersebut diperlukan pengembangan dataset lokal yang representatif, penguatan AI berbasis Bahasa Indonesia, peningkatan literasi digital, dan kolaborasi antara pemerintah, akademisi, serta pengembang teknologi. Penelitian ini menegaskan pentingnya upaya pelestarian dan pengembangan Bahasa Indonesia agar tetap relevan di era kecerdasan buatan. ABSTRACT The rapid development of Artificial Intelligence (AI) has influenced various aspects of life, including the use of the Indonesian language in digital communication. This study aims to examine the challenges faced by the Indonesian language in the era of artificial intelligence through a descriptive qualitative literature review approach. Data were collected from relevant scientific journals and articles, then analyzed and synthesized to identify major issues. The findings indicate that the Indonesian language faces several challenges, including limited high-quality datasets, the dominance of English in AI model development, grammatical inaccuracies, the widespread use of slang and code-mixing, and algorithmic bias that leads to inadequate representation of local cultures. To address these issues, it is necessary to develop representative local datasets, strengthen Indonesian-based AI systems, improve digital literacy, and foster collaboration among government institutions, academics, and technology developers. This study highlights the importance of preserving and developing the Indonesian language to maintain its relevance in the era of artificial intelligence.
Pengaruh Karakteristik Data Terhadap Performa Algoritma Sorting Nayla Anjani Nasution; Natasha Patricia Nainggolan; Zevan Irfandi Surbakti; Adidtya Perdana
Jurnal Riset Informatika dan Inovasi Vol 3 No 12 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Algoritma sorting merupakan salah satu komponen fundamental dalam ilmu komputer yang banyak digunakan dalam berbagai proses pengolahan data. Pemilihan algoritma sorting yang tepat menjadi sangat penting karena setiap algoritma memiliki karakteristik performa yang berbeda tergantung pada kondisi data yang diproses. Penelitian ini bertujuan untuk menganalisis pengaruh karakteristik data terhadap performa beberapa algoritma sorting. Algoritma yang diuji dalam penelitian ini adalah Insertion Sort, Merge Sort, dan Quick Sort. Metode penelitian yang digunakan adalah eksperimen komputasional dengan mengimplementasikan ketiga algoritma tersebut menggunakan bahasa pemrograman Python. Pengujian dilakukan pada empat jenis karakteristik data, yaitu random data, sorted data, reversed data, dan nearly sorted data, dengan variasi ukuran dataset mulai dari 1.000 hingga 10.000 elemen. Waktu eksekusi algoritma diukur menggunakan fungsi time.perf_counter() untuk memperoleh hasil pengukuran yang presisi. Hasil penelitian menunjukkan bahwa karakteristik data memiliki pengaruh yang signifikan terhadap performa algoritma sorting. Insertion Sort menunjukkan performa yang baik pada dataset kecil dan data yang hampir terurut, namun kurang efisien pada dataset berukuran besar karena kompleksitas waktunya O(n²). Sebaliknya, Merge Sort dan Quick Sort menunjukkan performa yang lebih stabil pada berbagai kondisi dataset dengan kompleksitas rata-rata O(n log n). Temuan penelitian ini diharapkan dapat membantu dalam menentukan algoritma sorting yang paling sesuai berdasarkan karakteristik data yang diproses. Kata kunci: algoritma sorting, insertion sort, merge sort, quick sort, performa algoritma.