Article Per Year (5 Year)
p-Index From 2021 - 2026
1.704
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Informatika Jurnal Informatika Universitas Pamulang INTECOMS: Journal of Information Technology and Computer Science EAJ (ECONOMICS AND ACCOUNTING JOURNAL) Journal of Innovation and Future Technology (IFTECH) Jurnal Sistem Komputer & Kecerdasan Buatan Jurnal Impresi Indonesia Journal of Informatics and Electronics Engineering
Tukiyat Tukiyat
Universitas Pamulang
Religion Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Social Sciences

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
Financial Contagion and Good Corporate Governance on Bank Companies Performance in Indonesian Stock Exchange Sugiyanto Sugiyanto; Tukiyat Tukiyat
EAJ (Economic and Accounting Journal) Vol 4, No 3 (2021): EAJ (Economic and Accounting Journal)
Publisher : S1 Accounting Department, Faculty of Economic, Universitas Pamulang.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/eaj.v4i3.y2021.p164-178

Abstract

This study aims to examine the effect of fianancial contagion and good corporate governance on company performance of banks company listed on  Indonesia Stock Company. Corporate governance is measured using the number of independent commissioners, frequency of board meetings, and attendance at board meetings. This study has two dependent variables, namely market performance as measured by Price Earning Ratio (PER) and operational performance as measured by return on equity (ROE). The analysis method used is multiple regression models with two dependent variables. The results showed that the contagion effect had a positive influence on the company's PER performance but did not have an effect on the company's ROE performance. Meanwhile, corporate governance through the board of directors' meeting is able to have an influence on ROE performance but not on PER. This shows that when there is a domino effect from another country it will have an influence on share prices in the market.
Analisis Sentimen Vaksinasi Covid-19 Pada Twitter Menggunakan Naive Bayes Classifier Dengan Feature Selection Chi-Squared Statistic dan Particle Swarm Optimization Ristasari Dwi Septiana; Agung Budi Susanto; Tukiyat Tukiyat
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 5 No. 1 (2021): Volume V - Nomor 1 - September 2021
Publisher : Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v5i1.228

Abstract

Tingginya penyebaran Covid-19 semakin berdampak pada bidang kesehatan, ekonomi, bahkan bidang pendidikan di Indonesia, sehingga pemerintah Indonesia melakukan tindakan vaksinasi Covid-19 guna menekan tingkat penyebaran Covid-19 di Indonesia. Namun hal tersebut dinilai kotroversial sehingga menarik perhatian masyarakat untuk memberikan opini di berbagai media seperti media sosial twitter. Sehingga membutuhkan analisa sentimen masyarakat terhadap upaya pemerintah pada tindakan vaksinasi Covid-19 untuk mencapai hasil prediksi dengan nilai akurasi paling optimal. Proses crawling secara otomatis menggunakan tools Rapidminer akan mengambil data tweets yang mengandung 5 (lima) kata kunci, yaitu “Vaksin Sinovac”, “Vaksin Astrazeneca”, “Vaksin Moderna”, “Vaksin Merah Putih”, dan “Vaksinasi Covid-19”. Dataset tweets didapatkan dari tanggal 4 Agustus 2021 sampai 12 Agustus 2021. Dataset diperoleh sejumlah 2060 tweets dan diberi label secara manual didapatkan jumlah tweet sebanyak 1193 sentimen positif, 73 negatif, dan 794 netral. Data tersebut dianalisa dengan menggunakan Metode Feature Selection Chi-Squared Statistic dan Particle Swarm Optimization (PSO) untuk mengurangi atribut yang kurang relevan pada saat proses klasifikasi dengan algoritma Naive Bayes Classifier (NBC). Hasil pengujian menunjukan bahwa Algoritma Naive Bayes Classifier (NBC) tanpa Feature Selection mendapatkan nilai akurasi 63,69%. Hasil penelitian menunjukkan bahwa Algoritma Naive Bayes Classifier (NBC) dengan Feature Selection Chi-Squared Statistic mempunyai tingkat akurasi 69,13%. Sedangkan hasil pengujian algoritma Naive Bayes Classifier (NBC) dengan Particle Swarm Optimization mempunyai tingkat akurasi 66,02%. Dengan demikian hasil seleksi fitur Chi-Squared Statistic mendapatkan nilai akurasi yang lebih baik jika dibandingkan dengan Particle Swarm Optimization untuk proses klasifikasi algoritma Naive Bayes Classifier (NBC) dengan selisih akurasi 3,11%.
Pemodelan Prakiraan Tingkat Inflasi Di Indonesia Dengan ARIMA Tukiyat Tukiyat
Jurnal Informatika Universitas Pamulang Vol 7, No 2 (2022): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v7i2.17676

Abstract

Penelitin bertujuan untuk mengetahui nilai inflasi bulanan yang terjadi di Indonesia. Penelitian menggunakan data sekunder yang sumber dari BPS dan Bank Indonesia. Sampel penelitian diambil mulai periode Januari 2010 sampai April 2021. Metode analisis data dengan model ARIMA.  Dalam proses analisis data dibagi menjadi dua bagian yaitu data training (Januari 2010 – Desember 2020) sebagai data bangkitan untuk membangun model dan data testing (Januari – April 2021) untuk menguji hasil prediksi dari model. Dari analisis data diperoleh hasil pemodelan ARIMA (3,1,2). Uji validasi model dengan parameter RMSE (Root Mean Square Error)  sebesar 1.076, nilai MAE (Mean Absolute Error) sebesar 0.696, dan MAPE (Mean Absolute Percentage Error) sebesar 220.68.  Uji validasi hasil prediksi dengan uji rata-rata dan varian menunjukkan bahwa hasil pengujian dari kedua metode tersebut mempunyai nilai probabilitas yang lebih besar dari 0,05 sehingga dapat disimpulkan tidak terdapat perbedaan yang signifikan nilai aktual dengan nilai prediksinya. Mengingat model ini mempunyai keterbatasan, maka disarankan untuk meningkatkan akurasi model prediksi dapat dilakukan dengan pendekatan metode lain, misalnya naive bayes atau metode jaringan saraf tiruan (artificial neural network).
Pemodelan Prakiraan Tingkat Inflasi Di Indonesia Dengan ARIMA Tukiyat Tukiyat
Jurnal Informatika Universitas Pamulang Vol 7, No 2 (2022): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v7i2.17676

Abstract

Penelitin bertujuan untuk mengetahui nilai inflasi bulanan yang terjadi di Indonesia. Penelitian menggunakan data sekunder yang sumber dari BPS dan Bank Indonesia. Sampel penelitian diambil mulai periode Januari 2010 sampai April 2021. Metode analisis data dengan model ARIMA.  Dalam proses analisis data dibagi menjadi dua bagian yaitu data training (Januari 2010 – Desember 2020) sebagai data bangkitan untuk membangun model dan data testing (Januari – April 2021) untuk menguji hasil prediksi dari model. Dari analisis data diperoleh hasil pemodelan ARIMA (3,1,2). Uji validasi model dengan parameter RMSE (Root Mean Square Error)  sebesar 1.076, nilai MAE (Mean Absolute Error) sebesar 0.696, dan MAPE (Mean Absolute Percentage Error) sebesar 220.68.  Uji validasi hasil prediksi dengan uji rata-rata dan varian menunjukkan bahwa hasil pengujian dari kedua metode tersebut mempunyai nilai probabilitas yang lebih besar dari 0,05 sehingga dapat disimpulkan tidak terdapat perbedaan yang signifikan nilai aktual dengan nilai prediksinya. Mengingat model ini mempunyai keterbatasan, maka disarankan untuk meningkatkan akurasi model prediksi dapat dilakukan dengan pendekatan metode lain, misalnya naive bayes atau metode jaringan saraf tiruan (artificial neural network).
ANALISIS PREDIKTIF UNTUK MENINGKATKAN RETENSI MAHASISWA MENGGUNAKAN METODE RECURRENT NEURAL NETWORK DAN SUPPORT VECTOR MACHINE Siti Cici Carliah; Tukiyat Tukiyat; Murni Handayani
Journal of Innovation And Future Technology Vol. 8 No. 1 (2026): Vol 8 No 1 (Februari 2026): Journal of Innovation and Future Technology (IFTECH
Publisher : LPPM Unbaja

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47080/iftech.v8i1.4382

Abstract

Student retention is a critical indicator in evaluating the quality of higher education institutions. High dropout rates pose significant challenges, including at Al-Khairiyah University in Cilegon, Banten. This study develops a predictive model for student retention using two machine learning approaches: Recurrent Neural Network (RNN) and Support Vector Machine (SVM), while identifying the most influential factors. The dataset comprises 3371 records from 2021-2024, including academic variables (GPA, semester grades 1-8, attendance) and non-academic variables (organizational activity, competition achievements, parental income, admission pathway, and study system). Data was split into 80% training and 20% testing sets. Results show that the RNN model demonstrates superior performance with 93.5% accuracy, 99.7% precision, 89.3% recall, 94.2% F1-score, and 0.967 AUC, while SVM achieved 85.5% accuracy, 89.8% precision, 85.3% recall, 87.5% F1-score, and 0.912 AUC. Feature importance analysis reveals that Total GPA and first-semester grades (IPS.1) are the dominant factors influencing student retention, while non-academic factors have relatively small contributions. This research provides practical contributions through an Early Warning System framework that can be implemented by universities to detect at-risk students early, enabling proactive academic interventions.
ANALISIS PERILAKU BELAJAR SISWA DI ERA ARTIFICIAL INTELLIGENCE MENGGUNAKAN MODEL DEEP LEARNING TABNET DAN TABTRANSFORMER UNTUK PENGEMBANGAN REKOMENDASI STRATEGI PEMBELAJARAN Ahmad Muhammad; Ahmad Musyafa; Tukiyat Tukiyat
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 2 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/t0adps90

Abstract

Perkembangan teknologi kecerdasan artifisial (Artificial Intelligence/AI) telah membawa perubahan signifikan terhadap perilaku belajar siswa, terutama dalam cara siswa mengakses informasi, menyelesaikan tugas, dan membangun strategi belajar mandiri. Penelitian ini bertujuan untuk menganalisis perilaku belajar siswa di era AI menggunakan model deep learning TabNet dan TabTransformer untuk memprediksi capaian akademik siswa serta mengembangkan rekomendasi strategi pembelajaran yang adaptif. Penelitian menggunakan pendekatan kuantitatif dengan data tabular yang diperoleh dari 2.052 siswa SMA Plus PGRI Cibinong. Variabel penelitian mencakup aspek akademik, digital, psikologis, sosial, dan penggunaan AI dalam pembelajaran. Tahapan penelitian meliputi preprocessing data, encoding, pembagian data latih dan data uji, pemodelan menggunakan TabNet dan TabTransformer, evaluasi model menggunakan RMSE, MAE, dan R², serta analisis feature importance untuk segmentasi siswa. Hasil penelitian menunjukkan bahwa TabTransformer memiliki performa lebih baik dibandingkan TabNet dalam memodelkan hubungan antara perilaku belajar dan nilai akademik siswa. Variabel usaha belajar, penggunaan AI untuk memahami materi, dan motivasi belajar menjadi faktor dominan yang memengaruhi capaian akademik. Selain itu, penelitian menghasilkan empat segmentasi profil siswa yang digunakan sebagai dasar penyusunan rekomendasi strategi pembelajaran adaptif. Penelitian ini menunjukkan bahwa AI berperan sebagai faktor pendukung pembelajaran, sementara regulasi diri dan usaha belajar tetap menjadi faktor utama keberhasilan akademik siswa.
Analisis Perbandingan Metode Naïve Bayes dan Decision Tree C4.5 untuk Meningkatkan Kualitas Sampling dan Efisiensi Biaya (Studi Kasus: PT. BFI Finance Tbk) Dyah Ayu Nurmumpuni; Tukiyat Tukiyat; Achmad Hindasyah
Jurnal Sains dan Informatika Vol. 12 No. 1 (2026): Jurnal Sains dan Informatika
Publisher : Teknik Informatika, Politeknik Negeri Tanah Laut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34128/jsi.v12i1.1744

Abstract

Penelitian ini bertujuan menganalisis komparasi metode Naïve Bayes dan Decision Tree C4.5 dalam mengoptimalkan proses sampling audit pada PT BFI Finance Tbk. Studi dilakukan melalui pendekatan kuantitatif dengan menggunakan dataset 491 kontrak, terdiri dari 461 data latih dan 30 data uji. Variabel independen mencakup angsuran, lama hari menunggak, sisa pokok hutang, dan jenis produk, sedangkan variabel dependen adalah hasil temuan audit. Metode penelitian melibatkan implementasi algoritma machine learning untuk mengklasifikasikan kualitas sampling. Hasil penelitian menunjukkan bahwa Decision Tree C4.5 memiliki akurasi lebih tinggi dibandingkan Naïve Bayes, dengan kemampuan superior dalam menangani kompleksitas data. Evaluasi performa algoritma mencakup metrik akurasi, presisi, recall, dan F1-score, yang mengindikasikan keunggulan Decision Tree C4.5 dalam meningkatkan efisiensi proses audit.
PREDIKSI SUHU MAKSIMUM BERBASIS DEEP LEARNING DENGAN MODEL LONG SHORT-TERM MEMORY DAN GATED RECCURENT UNIT (STUDI KASUS WILAYAH CIPUTAT) Hesti Rahayuningsih; Tukiyat Tukiyat; Abu Khalid Rivai
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 1 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/f9e1d633

Abstract

Prediksi suhu maksimum merupakan hal yang penting dalam kajian meteorologi karena berpengaruh terhadap berbagai sektor, seperti pertanian, kesehatan masyarakat, manajemen energi, dan perencanaan wilayah. Wilayah Ciputat menjadi lokasi yang relevan untuk studi prediksi iklim lokal, karena pernah sebagai wilayah dengan suhu ekstrem sebesar 37,2 °C pada 17 April 2023. Penelitian ini bertujuan untuk membandingkan kinerja model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi suhu maksimum harian di wilayah Ciputat serta menentukan model dengan performa terbaik. Data yang digunakan meliputi suhu maksimum harian, curah hujan, kelembapan, dan tekanan udara periode 2009–2025 yang diperoleh dari BMKG Wilayah II Ciputat, sehingga merepresentasikan variabilitas musiman dan pola iklim tropis jangka panjang. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Coefficient of Determination (R²), dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan model LSTM dengan performa yang lebih baik dalam memprediksi suhu maksimum dibandingkan model GRU berdasarkan nilai MAE, RMSE, R² dan MAPE. Hasil penelitian ini diharapkan dapat mendukung pengembangan metode prediksi suhu berbasis deep learning yang lebih akurat serta menjadi referensi dalam pengambilan keputusan terkait mitigasi risiko iklim. Kata Kunci: Prediksi suhu maksimum, LSTM, GRU, Deep learning, Ciputat.
Application of Latent Dirichlet Allocation (LDA) and BERTopic Algorithms for Headline and Topic Analysis of Palestine–Israel Conflict News in Indonesian Online Media Raden Gumilar Riyansyah; Sajarwo Anggai; Tukiyat Tukiyat
Jurnal Impresi Indonesia Vol. 5 No. 1 (2026): Jurnal Impresi Indonesia
Publisher : Riviera Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58344/jii.v5i1.7395

Abstract

The news coverage of the Palestine–Israel conflict has become one of the most dominant international issues in Indonesian online media, necessitating a systematic analysis to understand the topic structures formed from the intensity and variation of the narratives presented. The main challenges arise from the high volume of text, differences in writing styles across media outlets, and the diversity of terminology, all of which hinder consistent and manual topic identification. To address these challenges, this study proposes a combined and comparative approach using two topic modeling algorithms, LDA and BERTopic, to obtain a more accurate, structured, and interpretable topic mapping. The modeling process begins with data collection through web scraping, followed by a preprocessing stage consisting of cleansing, case folding, tokenization, normalization, filtering, and stemming. The LDA model is developed by determining the optimal number of topics based on Coherence Score and Perplexity, whereas BERTopic leverages transformer-based embeddings, UMAP dimension reduction, and HDBSCAN clustering. Evaluation is conducted using Coherence Score, Perplexity, Silhouette Score, and visualizations such as Intertopic Distance Maps and Word Clouds to assess topic quality. The results show that BERTopic achieves the highest coherence score of 0.99 and lower perplexity, producing semantically cohesive topics. Meanwhile, LDA remains advantageous in providing a stable and measurable probabilistic structure. The combination of both models yields a mapping of five main topics: attacks in Gaza, Indonesian diplomacy, international support, humanitarian issues, and global political dynamics. These findings demonstrate that integrating LDA and BERTopic enhances the quality of topic analysis on complex issues
Evaluasi Performa Model Ensemble Learning dalam Deteksi Serangan Jaringan Internet of Things pada Dataset CIC-BCCC-IOT-HCRL-2019 Yudi Raharja; Agung Budi Susanto; Tukiyat Tukiyat
Journal of Informatics and Electronics Engineering Vol. 5 No. 02 (2025): Desember 2025
Publisher : Unit Penelitian dan Pengabdian kepada Masyarakat Politeknik TEDC Bandung Jl. Pesantren Km 2 Cibabat Cimahi Utara – Cimahi 40513 Jawa Barat – Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70428/jiee.v5i02.1454

Abstract

Perkembangan pesat perangkat Internet of Things (IoT) membawa peningkatan kompleksitas sekaligus risiko pada keamanan jaringan. Studi ini bertujuan untuk menilai performa lima algoritma Ensemble Learning, yaitu Random Forest, AdaBoost, CatBoost, XGBoost, dan LightGBM, dalam Sistem Deteksi Intrusi (IDS) pada jaringan IoT dengan menggunakan dataset CIC-BCCC-IoT-HCRL-2019. Metode penelitian melibatkan tahap pra-pemrosesan data termasuk penerapan dua teknik normalisasi yaitu MinMaxScaler dan Normalizer, serta evaluasi model menggunakan validasi silang 5-Fold Cross-Validation dan pembagian data latih dan uji dengan rasio 80:20. Hasil eksperimen menunjukkan algoritma boosting seperti XGBoost, CatBoost, dan LightGBM secara konsisten memiliki kinerja lebih baik dibandingkan dengan model bagging tradisional seperti Random Forest. XGBoost yang dikombinasikan dengan MinMaxScaler mencapai akurasi tertinggi sebesar 0,9980, sementara LightGBM dengan MinMaxScaler mencatat waktu pelatihan tercepat yakni 2,54 detik. Temuan ini mengindikasikan bahwa penggunaan teknik boosting bersama normalisasi MinMaxScaler dapat secara signifikan meningkatkan akurasi serta efisiensi IDS berbasis IoT. Kata Kunci— Internet of Things, Deteksi Intrusi, Machine Learning, Ensemble Learning, Boosting, Normalisasi Data.
Co-Authors Abu Khalid Rivai Achmad Hindasyah Agung Budi Susanto Ahmad Muhammad Ahmad Musyafa Anggai, Sajarwo Dyah Ayu Nurmumpuni Hesti Rahayuningsih Murni Handayani Raden Gumilar Riyansyah Ristasari Dwi Septiana Siti Cici Carliah Sugiyanto Sugiyanto Yudi Raharja