Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Amanda Aditama Nurani
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perancangan Sistem Rekomendasi Pemilihan Laptop Menggunakan Metode Knowledge-Based Recommendation Amanda Aditama Nurani; Afiq Muhammad Nur Marzuki; Devan Vidhel Azadan; Faizal Wiyatnodito; Vhereyga Putra Pradana; Vihi Atina
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Pemilihan laptop yang sesuai dengan kebutuhan pengguna sering menjadi tantangan karena banyaknya variasi spesifikasi dan harga yang tersedia di pasaran. Sebagian besar pengguna hanya mengetahui tujuan penggunaan laptop, namun belum memahami spesifikasi perangkat keras yang diperlukan untuk mendukung aktivitas tersebut. Penelitian ini bertujuan merancang sistem rekomendasi pemilihan laptop menggunakan metode Knowledge-Based Recommendation berbasis constraint-based reasoning. Pengembangan sistem menggunakan metode Prototype yang meliputi tahapan Communication, Quick Plan, dan Modelling Quick Design. Dataset yang digunakan terdiri atas data laptop komersial dengan atribut ID Item, merek dan seri laptop, CPU, RAM, SSD, serta harga. Sistem memanfaatkan basis pengetahuan (knowledge base) dan basis aturan (rule base) untuk mencocokkan kebutuhan pengguna berdasarkan kategori penggunaan dan batas maksimum anggaran. Laptop yang memenuhi seluruh batasan spesifikasi dipilih melalui proses constraint matching, kemudian diurutkan menggunakan ranking score berdasarkan efisiensi penggunaan anggaran. Hasil penelitian berupa rancangan proses rekomendasi dan desain antarmuka yang mampu menggambarkan mekanisme pemberian rekomendasi laptop sesuai kebutuhan pengguna. Pada contoh skenario pengujian dengan kategori Komputasi Ringan dan budget maksimum Rp8.000.000, sistem menghasilkan dua alternatif rekomendasi. Laptop Acer Aspire Lite AL14-36P memperoleh nilai ranking score tertinggi sebesar 0,2251, sehingga menempati peringkat pertama sebagai rekomendasi utama. Sementara itu, ASUS Vivobook 14 A1404ZA memperoleh ranking score sebesar 0,0126 dan berada pada peringkat kedua. Pendekatan yang diusulkan diharapkan dapat membantu pengguna memperoleh alternatif laptop yang sesuai tanpa harus memahami spesifikasi teknis secara mendalam.
Klasifikasi Kesuksesan Film Berdasarkan Karakteristik Produksi Menggunakan Random Forest Garin Dani Saputra; Elsa Oktawiyani; Amanda Aditama Nurani; Alif Akbar Andriyansyah; Sultan Syah Afriyadi
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Perkembangan industri perfilman global yang pesat memicu timbulnya risiko finansial yang tinggi bagi rumah produksi dan investor akibat ketidakpastian pasar. Kemampuan memproyeksikan potensi kesuksesan film sejak tahap pra-produksi menjadi instrumen manajemen risiko yang sangat krusial. Penelitian ini bertujuan membangun model klasifikasi kesuksesan film menggunakan algoritma Random Forest Classifier berdasarkan karakteristik produksinya. Siklus metodologi yang diadopsi adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup enam tahapan terstruktur. Dataset yang digunakan bersumber dari TMDB 5000 Movies. Label target biner kesuksesan film didefinisikan berdasarkan pencapaian skor evaluasi rating akhir lebih dari tujuh koma nol. Model dilatih menggunakan konfigurasi parameter n_estimators sama dengan seratus dan random_state sama dengan empat puluh dua dengan melibatkan fitur utama berupa budget, revenue, popularity, runtime, genre populer, dan keterlibatan aktor kelas atas. Berdasarkan hasil pengujian, model Random Forest berhasil mencatatkan performa akurasi global yang tinggi sebesar 83,8%. Hasil analisis feature importance menunjukkan bahwa atribut durasi film (runtime) dan tingkat popularitas di masyarakat merupakan dua parameter paling dominan dalam memengaruhi keputusan percabangan pohon keputusan. Model terbaik diserialisasi ke dalam format .pkl dan diimplementasikan ke dalam backend aplikasi web berbasis framework Flask sebagai sistem pendukung keputusan praktis secara real-time.
Co-Authors Afiq Muhammad Nur Marzuki Alif Akbar Andriyansyah Devan Vidhel Azadan Elsa Oktawiyani Faizal Wiyatnodito Garin Dani Saputra Sultan Syah Afriyadi Vhereyga Putra Pradana Vihi Atina