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
Linda Nuzul Kharismasari
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 
Rancang Bangun Tempat Sampah Otomatis Menggunakan Sensor Ultrasonik Berbasis ESP32 Anggi Aziyah Kusumaingrum; Linda Nuzul Kharismasari; Pramono -
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

Penelitian ini bertujuan untuk merancang dan membangun tempat sampah otomatis berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32, sensor ultrasonik HC-SR04, motor servo, dan aplikasi Blynk. Penelitian menggunakan metode Prototype yang meliputi tahapan identifikasi masalah, studi literatur, analisis kebutuhan, perancangan sistem, implementasi, pengujian, dan evaluasi. Pengujian sistem dilakukan menggunakan pengujian fungsional dengan memberikan variasi jarak objek antara 5 cm hingga 32 cm untuk mengevaluasi kemampuan sensor ultrasonik dalam mendeteksi objek, respons motor servo dalam membuka dan menutup tutup tempat sampah, serta komunikasi data antara ESP32 dan aplikasi Blynk. Hasil pengujian menunjukkan bahwa sensor ultrasonik mampu mendeteksi objek secara optimal pada jarak kurang dari atau sama dengan 20 cm sehingga motor servo dapat membuka tutup tempat sampah secara otomatis, sedangkan pada jarak lebih dari 20 cm tutup tempat sampah tetap tertutup sesuai dengan logika sistem yang telah dirancang. Berdasarkan hasil tersebut, seluruh komponen sistem dapat berfungsi dengan baik sehingga sistem yang dikembangkan mampu meningkatkan kemudahan dan kebersihan dalam penggunaan tempat sampah otomatis.
Analisis Komparatif Random Forest dan XGBoost Berbasis Class Weighting pada Kasus Imbalanced Dataset Kredit Daffa Tusi Santoso; Edwin Pavel Ekapagliuca; Iqbal Syabudin; Linda Nuzul Kharismasari
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

Penilaian kelayakan kredit merupakan aspek penting dalam manajemen risiko perbankan, namun sering menghadapi permasalahan ketidakseimbangan kelas (imbalanced data) yang menyebabkan model klasifikasi cenderung bias terhadap kelas mayoritas. Kondisi ini meningkatkan risiko False Negatives, yaitu nasabah berisiko gagal bayar yang diprediksi sebagai nasabah lancar. Penelitian ini bertujuan membandingkan kinerja algoritma Random Forest sebagai model baseline dengan XGBoost yang dioptimasi menggunakan class weight balancing dan hyperparameter tuning untuk meningkatkan kemampuan deteksi nasabah berisiko. Penelitian menggunakan pendekatan kuantitatif eksperimental dengan kerangka kerja CRISP-DM yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset dibagi menjadi data latih dan data uji dengan proporsi 80:20, sedangkan optimasi XGBoost dilakukan menggunakan RandomizedSearch. Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan Recall sebesar 62,47% dan F1-Score sebesar 53,87%, lebih tinggi dibandingkan Random Forest yang memperoleh Recall 35,80% dan F1-Score 45,72%. Meskipun akurasi menurun dari 81,20% menjadi 76,33%, peningkatan sensitivitas berhasil mengurangi False Negatives sehingga lebih sesuai untuk kebutuhan manajemen risiko kredit. Analisis feature importance menunjukkan bahwa riwayat status pembayaran, khususnya PAY_0, menjadi faktor paling berpengaruh dalam prediksi. Model terbaik selanjutnya diimplementasikan ke dalam prototipe Decision Support System berbasis Streamlit yang mampu memberikan prediksi risiko kredit secara real-time. Hasil penelitian menunjukkan bahwa optimasi XGBoost efektif meningkatkan kemampuan klasifikasi pada dataset kredit yang tidak seimbang serta mendukung pengambilan keputusan kredit yang lebih akurat.
Co-Authors Anggi Aziyah Kusumaingrum Daffa Tusi Santoso Edwin Pavel Ekapagliuca Iqbal Syabudin Pramono -