This study aims to develop a virtual cultural heritage museum as a learning agent. Qualitative approach with thematic analysis method was applied to design a virtual museum based on the perspective of museum management as a provider of learning facilities. The opinions collected were in the form of challenges and obstacles in functioning the museum as a provider of learning facilities. Opinions were used to identify the theme of the virtual museum, and synthesized with six strategies in effective learning. The resulting synthesis was then used to develop a virtual museum model using a game-based learning approach. The Photogrammetry technique was used for 3D reconstruction of cultural heritage objects to achieve high precision results, both in terms of shape and texture. The evaluation conducted using the User Accaptence Test technique shows that the proposed model and method can actualize the characteristics of effective learning strategies.
 
Keywords - Thematic analysis, Game-based learning, Learning agent, Virtual museums, Photogrammetry

Perkembangan teknologi saat ini tidak bisa lepas dengan dunia pendidikan. Berbicara tentang dunia pendidikan tidak lepas dengan peran siswa, mahasiswa, guru dan dosen. Untuk siswa dan mahasiswa mulai banyak keluhan dengan kurang menariknya pembelajaran yang mereka dapatan. Keluhan ini tentunya mengusik pada guru dan dosen sebagai pemberi materi. Untuk itu perlu adanya pendampingan kepada guru dan dosen dalam penyampaian materi pada siswa dan mahasiswa. Pada kegiatan pengabdian ini akan diadakan pendampingan guru dan dosen dalam pembuatan media pembelajaran yang merupakan salah satu bentuk pemberian materi yang dilaksanakan saat ini. Pada pendampingan ini diberikan materi tentang pemanfaatan Artificial Intelligent (AI) pada aplikasi Capcut dalam pembuatan video pembelajaran. Dalam pendampingan ini guru dikenalkan penggunaan aplikasi Capcut dalam pembuatan video pembelajaran. Setelah itu guru dan dosen diberikan cara pemanfaatan AI pada fitur aplikasi Capcut yang mana bisa memberikan efisiensi waktu dalam pengeditan, keramahan dan kemudahan dalam penggunaannya, menghasilkan video yang berkualitas, mempunyai fleksibilitas pemanfaatan yang dibutuhkan oleh siswa dan mahasiswa. Dengan adanya pemanfaatan tersebut, maka guru dan dosen lebih mudah dan kretif dalam pemanfaatan AI pada fitur aplikasi Capcut untuk membuat video pembelajaran. Dengan pendampingan ini, diharapkan siswa dan mahasiswa akan terpenuhi mendapatkan pengajaran yang menarik dan tidak membosankan.Kata kunci: Video pembelajaran, fitur, capcut

Penelitian ini menyelidiki faktor yang memengaruhi adopsi penggunaan aplikasi galeri virtual GaYa dengan menggunakan Technology Acceptance Model (TAM) sebagai kerangka teori untuk mengeksplorasi hubungan antara Perceived Ease of Use (PEU), Perceived Usefulness (PU), dan Behavioral Intention (BI) dalam konteks aplikasi GaYa. Data yang diperoleh dari 120 responden survei dianalisis menggunakan Generalized Structured Component Analysis (GSCA) untuk mengkaji hubungan antar variabel dalam studi ini. Melalui kalkulasi nilai Critical Ratio (CR), hasil penelitian menunjukkan bahwa PEU memiliki pengaruh signifikan terhadap PU dan BI. Selain itu, PU terbukti menjadi prediktor kuat terhadap BI sehingga menegaskan bahwa pentingnya kegunaan dan nilai fungsional dalam adopsi teknologi. Temuan ini memberikan wawasan berharga bagi praktisi dan pengembang yang ingin meningkatkan efektivitas platform galeri virtual. Hasil studi ini juga menyoroti pentingnya pengembangan desain yang intuitif dan berpusat pada pengguna serta mampu memberikan manfaat nyata bagi pengguna. Keterbatasan dari studi ini terletak pada desain penelitian yang bersifat cross-sectional dan penggunaan sampel yang terbatas secara lokal, yang mungkin membatasi generalisasi temuan ke konteks yang lebih luas. Untuk meningkatkan pemahaman mengenai penerimaan pengguna dalam platform seni digital, penelitian selanjutnya disarankan untuk menggunakan desain longitudinal, menyelidiki faktor tambahan seperti kepercayaan pengguna dan estetika, serta melibatkan partisipan yang lebih beragam.
 
Kata Kunci - Technology Acceptance Model (TAM), Perceived Ease of Use (PEU), Perceived, Usefulness (PU), Behavioral Intention (BI), Virtual Gallery

Conveying appropriate information to be understood quickly and accurately is very important in various areas of life, both academic and non-academic. A teacher or lecturer is a teacher whose job is to educate and provide instruction to students or students. Data visualization is one way that can be used to present data. The advantage of this method is the availability of statistical graphics which can enrich the display of information so that the results are more interactive for the audience. Google Data Studio is an application launched by Google that can be used to convert raw data into interesting and strategic information for users. That way, the information becomes more appropriate to understand quickly and accurately.

Online lending services such as Peer to Peer (P2P) loans provide convenience for lenders to transact directly without involving banks as intermediaries. Identifying potential loan recipients who are at risk of default is a crucial step in preventing financial losses, as lenders are responsible for default risk. However, predicting default risk becomes a challenge when P2P lending datasets have various complex features. Some features in P2P lending are redundant, while others do not significantly contribute to an effective solution. Therefore, feature selection is an important process to choose a relevant subset of features from input or target data. Traditional feature selection methods often fail to provide optimal results. A better approach is to use heuristic search algorithms capable of finding suboptimal feature subsets. We employ the Grey Wolf Optimization (GWO) technique, inspired by the hierarchy of leadership and grey wolf hunting mechanisms. Combined with Random Forest (RF), which has limitations in classifying data with very high dimensions, our GWO+RF combination has proven to enhance classification performance better than previous research. It achieves an accuracy score of 97.31%, compared to previous research with scores of only 67.72% for RBM+RF, 64% for Binary PSO+ERT, and 92% for GA+RF.