cover
Contact Name
Nurchim
Contact Email
nurchim@udb.ac.id
Phone
+62271-719552
Journal Mail Official
senatib@udb.ac.id
Editorial Address
Jl. Bhayangkara No 55 Serengan Surakarta 57154
Location
Kota surakarta,
Jawa tengah
INDONESIA
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
ISSN : -     EISSN : -     DOI : https://doi.org/10.47701/senatib.v2i1
Prosiding SENATIB adalah kegiatan seminar berskala nasional yang diselenggarakan oleh Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta dalam rangka diseminasi hasil penelitian tentang teknologi informasi dan bisnis. Diharapkan pada tahun 2022 melalui penerbitan prosiding ini dapat terwujud berbagai alternatif solusi dalam menghadapi era industri 4.0 dan society 5.0 di Indonesia.
Articles 490 Documents
Implementasi Sistem Rekomendasi Dokter Berbasis Content- Based Filtering pada Layanan Konsultasi Kesehatan Tantri Yanuar, Andre; Nur Aini, Zulaikha; Muhammad Samhan, Arjunnajah; Joko Supriyanto, Dwi; Muhammad Isa Al’Azzam, Musa
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/pey34t68

Abstract

Permintaan terhadap layanan konsultasi kesehatan berbasis daring mengalami peningkatan signifikan dalam beberapa tahun terakhir. Salah satu tantangan dalam sistem layanan ini adalah pemilihan dokter yang sesuai dengan kebutuhan pengguna. Penelitian ini bertujuan untuk membangun sistem rekomendasi dokter menggunakan pendekatan Content-Based Filtering (CBF). Sistem ini merekomendasikan dokter berdasarkan kecocokan antara preferensi pengguna dan profil dokter. Atribut yang digunakan dalam pemodelan sistem meliputi spesialisasi dokter, lokasi praktik, jenis kelamin, pengalaman kerja, dan rating pengguna. Algoritma yang digunakan mencakup TF-IDF untuk representasi fitur dan cosine similarity untuk menghitung kesamaan antara profil pengguna dan dokter. Hasil pengujian menggunakan data sintetis menunjukkan sistem mampu memberikan rekomendasi yang relevan dengan tingkat presisi dan recall yang memuaskan.
Analisis Sentimen Pada Ulasan Tempat Wisata Desa Ponggok Menggunakan Natural Language Processing Berlian Agustina, Anggun; Permatasari, Hanifah; Maulindar, Joni
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/s9qesx65

Abstract

Ulasan pengunjung di platform digital telah menjadi faktor krusial yang mempengaruhi reputasi destinasi wisata seperti Desa Ponggok. Namun, volume data ulasan yang masif dan bersifat informal menyulitkan analisis manual, sehingga diperlukan pendekatan komputasional untuk mengekstrak wawasan sentimen secara efektif. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model analisis sentimen pada ulasan berbahasa Indonesia mengenai tempat wisata Desa Ponggok. Metode yang digunakan adalah fine-tuning model pre-trained berbasis Transformer, yaitu IndoBERT, yang unggul dalam pemahaman konteks bahasa alami. Proses penelitian mencakup pengumpulan data dari Google Reviews, pra- pemrosesan data termasuk penanganan class imbalance dengan RandomOverSampler, pelatihan model, dan evaluasi menggunakan confusion matrix, akurasi, presisi, recall, serta F1-score. Hasil evaluasi pada data uji menunjukkan akurasi keseluruhan sebesar 79% dan F1-score 0.87 untuk kelas positif, namun menghadapi tantangan pada kelas netral dan negatif. Model yang telah dilatih kemudian berhasil diimplementasikan ke dalam sebuah aplikasi web interaktif menggunakan framework Streamlit, yang memungkinkan para pemangku kepentingan untuk melakukan inferensi sentimen secara langsung dan memvalidasi kegunaan praktis dari model.
Sistem Rekomendasi Program Studi Berdasarkan Preferensi dan Kemampuan Akademik Menggunakan Metode Knowledge Based Filltering Reza Pradana, Areta; Pratiwi, Niken; Kurnia Sari, Vena; Fajrin, Shoffia; Atina, Vihi
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/7jz6mr78

Abstract

Banyak siswa mengalami kebingungan dalam menentukan jurusan yang sesuai dengan minat dan kemampuan akademik, yang sering kali berujung pada ketidaksesuaian studi dan rendahnya motivasi belajar. Penelitian ini bertujuan untuk membangun sistem rekomendasi program studi yang dapat memberikan saran jurusan berdasarkan nilai rapor dan minat siswa dengan pendekatan knowledge-based recommendation. Data yang digunakan berupa 20 sampel program studi dengan atribut seperti deskripsi, nilai minimum, minat studi. Siswa memberikan input berupa nilai rapor dan minat studi yang kemudian diproses oleh sistem untuk menghasilkan rekomendasi prodi yang paling sesuai. Hasil penelitian menunjukkan bahwa sistem mampu memberikan rekomendasi yang relevan meskipun tanpa riwayat interaksi sebelumnya (cold-start), dan dapat menjadi alat bantu pengambilan keputusan yang bersifat personal dan objektif bagi siswa. Dengan pendekatan ini, diharapkan kesalahan dalam pemilihan jurusan dapat diminimalisir.
Sistem Prediksi Penjualan Obat di PT. Anugerah Pharmindo Lestari Menggunakan Metode LSTM Udhata Swardana, Avila; Ely Nastiti, Faulinda; Sumarlinda, Sri
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/90f7q142

Abstract

Penelitian ini bertujuan merancang sistem prediksi penjualan produk farmasi di PT. Anugerah Pharmindo Lestari dengan memanfaatkan algoritma Long Short-Term Memory (LSTM). Tantangan utama dalam distribusi obat adalah fluktuasi permintaan yang tidak stabil, yang bisa menimbulkan masalah kelebihan stok (overstock) atau kekosongan stok (stockout). LSTM dipilih karena kemampuannya dalam menganalisis data runtun waktu dan mengenali pola jangka panjang yang kompleks. Dataset berupa penjualan bulanan dari Januari hingga November 2024 digunakan untuk melatih model, yang selanjutnya memprediksi penjualan bulan Desember. Pengembangan sistem mengacu pada tahapan CRISP-DM, meliputi pemahaman bisnis, eksplorasi data, persiapan data, pembangunan model, evaluasi, dan penerapan. Tiga produk yang dijadikan sampel antara lain SPIRIVA, BEROTEC, dan GLYXAMBI. Kinerja model dievaluasi menggunakan tiga indikator: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan bahwa model LSTM memberikan hasil prediksi yang akurat dengan nilai MAPE berkisar antara 4,37% hingga 7,02%. Sistem prediksi ini diwujudkan dalam bentuk aplikasi web berbasis Flask, dilengkapi dengan dashboard interaktif untuk mempermudah manajemen dalam memantau tren dan mengambil keputusan berbasis data. Temuan ini menunjukkan bahwa LSTM merupakan metode yang tepat untuk estimasi penjualan obat, serta berpotensi besar dalam meningkatkan efisiensi pengelolaan distribusi dan persediaan di sektor farmasi.
Sistem Pendukung Keputusan Berbasis Website sebagai Penentuan Siswa Terbaik dengan Metode SAW Prayoga Siswono, Andika; Awiet Wiedanto Prasetyo, Muhamad
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/7wthbq71

Abstract

TK Mambaul Ulum sebagai salah satu instansi pendidikan ingin dapat memiliki website yang berfungsi sebagai media promosi dan agar TK Mambaul Ulum dapat dikenal oleh masyarakat luas banyak proses yang masih dilakukan secara manual termasuk penentuan siswa terbaik juga masih dilakukan dengan cara manual. Proses promosi juga masih menggunakan cara manual dengan cara memasang banner yang ditempatkan pada titik tertentu.pemanfaatan metode SAW terletak pada beberapa kelebihan yang dimiliki oleh saw. Selain menggunakan metode SAW proses pengujian sistem menggunakan Black Box Testing pengujian ini berfungsi untuk memastikan bahwa sistem yang dikembangkan telah sesuai dengan kebutuhan dan harapan pengguna akhir sebelum benar-benar digunakan.Pembuatan website TK Mambaul Ulum yang terintegrasi dengan Sistem Pendukung Keputusan (SPK) menggunakan metode SAW memberikan dampak signifikan dalam meningkatkan efisiensi dan transparansi proses pemilihan siswa berprestasi. Melalui fitur digital ini, penilaian dapat dilakukan secara objektif berdasarkan kriteria terukur, sehingga mengurangi potensi bias dan mempercepat proses seleksi. berhasil mengembangkan website sistem pendukung keputusan penentuan siswa terbaik pada TK Mambaul Ulum telah berhasil dibangun menggunakan metode Simple Additive Weighting (SAW). Pengujian black box menunjukkan bahwa semua fitur yang dirancang dalam sistem berfungsi dengan baik.Website berfungsi sebagai sarana media promosi yang dapat meningkatkan visibilitas TK Mambaul Ulum di masyarakat.
Deteksi Bahasa Isyarat Indonesia (SIBI) dengan MediaPipe dan Feedforward Neural Network Brilliant Firdaus, Azkha; Satrio Atmojo, Fattah; Choirul Ananda, Naufal; Gilang Pramudito, Vincensius; Dwi Irawan, Ridwan
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/w3n4mx49

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi huruf alfabet dalam Sistem Isyarat Bahasa Indonesia (SIBI) secara real-time menggunakan teknologi pengolahan citra dan kecerdasan buatan. Sistem dibangun melalui pendekatan machine learning pipeline dengan lima tahap utama: pengumpulan data, ekstraksi fitur, pelatihan model, evaluasi model, dan implementasi real-time. Data diperoleh dari Kaggle dan mencakup 24 kelas huruf (kecuali J dan Z), masing-masing terdiri dari 220 gambar. Ekstraksi fitur dilakukan dengan MediaPipe yang menghasilkan 63 fitur numerik dari 21 titik landmark tangan. Model klasifikasi dilatih menggunakan algoritma Feedforward Neural Network (FFNN) dengan dua lapis tersembunyi, fungsi aktivasi ReLU, serta teknik dropout untuk menghindari overfitting. Setelah 100 epoch pelatihan, model mencapai akurasi validasi sebesar 51,23%. Evaluasi menunjukkan beberapa huruf memiliki akurasi tinggi, sementara huruf lain cenderung membingungkan sistem karena bentuk gestur yang mirip. Sistem berhasil diuji secara real-time menggunakan kamera laptop dengan hasil yang menjanjikan. Deteksi huruf A, B, dan D masing-masing memperoleh nilai akurasi 0.98, 0.89, dan 0.94. Hasil ini menunjukkan bahwa kombinasi MediaPipe dan FFNN memberikan hasil akurasi mendekati 1 untuk mengenali bahasa isyarat Indonesia dalam bentuk huruf secara langsung. Penelitian ini menjadi langkah awal menuju sistem penerjemahan SIBI yang lebih menyeluruh dan aplikatif, khususnya dalam mendukung komunikasi bagi penyandang disabilitas.
Penerapan Algoritma Naïve Bayes Untuk Prediksi Penyakit Paru (Studi Kasus : Rumah Sakit Umum Daerah Dokter Soeratno Gemolong) Riyadi, Bagus; Saputra, Danang; Arum Sari, Aprilisa
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/cvxw3k55

Abstract

Penyakit paru merupakan salah satu masalah kesehatan global yang memerlukan penanganan cepat dan akurat, terutama dalam hal diagnosis dini. Penelitian ini bertujuan untuk mengklasifikasikan jenis penyakit paru yaitu Penyakit Paru Obstruktif Kronis (PPOK), Tuberkulosis (TBC), dan Pneumonia dengan menerapkan algoritma Naive Bayes. Data yang digunakan berasal dari rekam medis pasien di Rumah Sakit Umum Daerah (RSUD) dr. Soeratno Gemolong, diambil dari Sistem Informasi Manajemen (SIM GOS) selama periode Januari hingga Juni 2024. Dataset mencakup 5.203 data pasien dengan atribut berupa Kode ICD, Diagnosa Penyakit, Usia, dan Jenis Kelamin. Hasil analisis awal menunjukkan bahwa pasien laki-laki berusia di atas 45 tahun memiliki prevalensi lebih tinggi terhadap penyakit paru. Sebaran kasus menunjukkan PPOK sebanyak 4.712 kasus, TBC 422 kasus, dan Pneumonia 69 kasus. Proses klasifikasi dan analisis data dilakukan menggunakan perangkat lunak RapidMiner. Diharapkan hasil penelitian ini dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan (decision support system) untuk membantu diagnosis penyakit paru secara lebih cepat dan akurat.
Prediksi Tingkat Bahaya Banjir Menggunakan Metode Fuzzy Tsukamoto di wilayah Kartasura Rahardiyan Purnama, Brahmadita; Dwi Ahwati, Ringgyanita; Arkanatha Yoen Restu Zain, Arga; Ramadhani, Rafli; Saifullah, Muhammad; Arum Sari, Aprilisa
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/r4745a69

Abstract

Banjir merupakan salah satu bencana alam yang sering terjadi di Indonesia dan berdampak signifikan terhadap kehidupan sosial dan ekonomi masyarakat, khususnya di wilayah Kartasura. Untuk meminimalisir risiko, dibutuhkan sistem prediksi banjir yang akurat dan real-time sebagai bagian dari upaya mitigasi dan peringatan dini. Penelitian ini bertujuan untuk mengembangkan sistem prediksi banjir berbasis metode fuzzy Tsukamoto yang mampu menangani data lingkungan yang bersifat tidak pasti dan kompleks. Data yang digunakan mencakup curah hujan dan debit air yang dikumpulkan secara berkala per jam dari dataset simulasi lingkungan Kartasura. Proses pengembangan sistem mengikuti model Waterfall yang meliputi analisis kebutuhan, pengumpulan dan pembersihan data, perancangan sistem fuzzy, serta pengujian dan evaluasi performa sistem. Hasil evaluasi menunjukkan bahwa sistem memiliki akurasi prediksi sebesar 84,48% dengan tingkat klasifikasi yang memadai antara kategori aman, waspada, dan bahaya. Sistem ini juga dilengkapi dengan visualisasi hasil prediksi untuk mempermudah interpretasi dan pengambilan keputusan. Berdasarkan hasil yang diperoleh, sistem prediksi berbasis fuzzy Tsukamoto terbukti efektif dan berpotensi untuk dikembangkan lebih lanjut sebagai alat bantu mitigasi bencana banjir di wilayah rawan.
Analisis Perbandingan Model CNN dan IndoBERT Dalam Sentimen Berita Politik Indonesia Ramadhan, Chandra; Atina, Vihi; Permatasari, Hanifah
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/v1r9ka69

Abstract

Penelitian ini membandingkan kinerja dua model deep learning, Convolutional Neural Network (CNN) dan IndoBERT, dalam mengklasifikasikan sentimen berita politik berbahasa Indonesia. Data berasal dari portal berita online dengan topik politik seperti kebijakan publik, kinerja menteri, dan konflik legislatif. Label sentimen ditentukan dengan pendekatan berbasis leksikon (positif, negatif, netral). Proses pemodelan meliputi prapemrosesan teks dan pelatihan model CNN menggunakan embedding layer serta Conv1D, sementara IndoBERT menggunakan arsitektur transformer yang telah dilatih sebelumnya. Evaluasi menggunakan akurasi, presisi, recall, dan f1-score menunjukkan IndoBERT unggul dengan akurasi 92,93%, terutama pada klasifikasi kelas netral. CNN memiliki akurasi 89,13%, namun kesulitan dalam mengklasifikasikan sentimen netral. Hasil ini menunjukkan keunggulan IndoBERT dalam klasifikasi sentimen berita politik dan potensi model berbasis transformer dalam pemrosesan bahasa alami Indonesia (Indonesian Natural Language Processing).
Sistem Rekomendasi Box Speaker dengan Metode Content- Based Filtering Wahyu Kurniawan, Christian; Bagaskara, Ikrar; Akbar Permana, Danny; Hafids Sidiq, Muhammad; Rifan Amirul H, Muhammad; Atina, Vihi
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/z07q0y47

Abstract

Pemilihan box speaker seringkali menjadi tantangan bagi konsumen akibat banyaknya variasi produk dengan spesifikasi teknis yang kompleks. Fenomena kelebihan informasi ini dapat menyulitkan pengambilan keputusan. Penelitian ini bertujuan untuk menghasilkan sebuah rancangan sistem rekomendasi box speaker dengan pendekatan Content-Based Filtering untuk membantu mengatasi masalah tersebut. Metode perancangan yang digunakan mengacu pada fase awal System Development Life Cycle (SDLC) yang mencakup analisis kebutuhan, perancangan arsitektural, perancangan logis, dan perancangan antarmuka. Logika inti sistem dirancang menggunakan kombinasi teknik One-Hot Encoding, Normalisasi, dan metrik Cosine Similarity untuk mengukur kemiripan antar produk. Penelitian ini berhasil menghasilkan tiga artefak utama: (1) sebuah arsitektur sistem yang menggambarkan alur kerja, (2) sebuah simulasi perhitungan manual yang membuktikan kelayakan logika rekomendasi, dan (3) sebuah high-fidelity mockup antarmuka pengguna. Hasil rancangan ini menunjukkan sebuah solusi konseptual yang valid dan terstruktur untuk membantu pengguna dalam memilih box speaker yang relevan.