Article Per Year (5 Year)
p-Index From 2021 - 2026
1.993
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 International Journal Software Engineering and Computer Science (IJSECS) Jurnal Impresi Indonesia Abdi Jurnal Publikasi 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 Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : intecoms journal of information technology and computer science

 1 
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.
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.
Co-Authors Abu Khalid Rivai Achmad Hindasyah Agung Budi Susanto Ahmad Muhammad Ahmad Musyafa Anggai, Sajarwo Djukardi Kurniawan Dyah Ayu Nurmumpuni Erian Tasa Erland Sumantri Hesti Rahayuningsih Isykariman Biridlwanillah Lina Adrianti Makhsun Makhsun Murni Handayani Raden Gumilar Riyansyah Ristasari Dwi Septiana Siti Cici Carliah Sugiyanto Sugiyanto Tri Ubaya Uliyatunisa Yan Mitha Djaksana Yudi Raharja