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
Klasifikasi Kondisi Tanaman Cabai Sehat dan Tidak Sehat Menggunakan Convolutional Neural Network Berbasis Teachable Machine Satria Yudha, Rafiq; Imanuel, Christian; Yoga Saputra, Muchammad; 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/a0nwc842

Abstract

Tanaman cabai merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi di Indonesia. Namun, produktivitas tanaman cabai kerap mengalami penurunan akibat serangan penyakit yang dapat merusak tanaman. Deteksi dini terhadap kondisi kesehatan tanaman cabai sangat diperlukan guna mencegah penyebaran penyakit lebih luas. Penelitian ini bertujuan untuk membangun model klasifikasi kondisi tanaman cabai sehat dan tidak sehat menggunakan metode Convolutional Neural Network (CNN) berbasis Teachable Machine. Data citra tanaman cabai dikelompokkan menjadi dua kelas, yaitu Healthy (sehat) dan Unhealthy (tidak sehat). Proses pelatihan model dilakukan selama 50 epoch dengan ukuran citra 224 x 224 piksel. Berdasarkan hasil pengujian, model berhasil mencapai akurasi total sebesar 91%, dengan akurasi klasifikasi masing-masing kelas sebesar 83% untuk tanaman sehat dan 100% untuk tanaman tidak sehat. Hasil ini menunjukkan bahwa model CNN berbasis Teachable Machine dapat digunakan sebagai alat bantu deteksi dini kondisi kesehatan tanaman cabai secara praktis dan efisien.
Prediksi Persentase Kenaikan Harga Pangan Menjelang Hari Raya Idul Fitri pada tahun 2026 sampai 2028 Menggunakan Metode Linear Regression; Study Kasus di Indonesia Aprilia Wahyuni, Ratna; Fatimah, Siti; Pujianto, Pujianto
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: 10.47701/0jy75944

Abstract

Kenaikan harga pangan menjelang Hari Raya Idul Fitri merupakan fenomena tahunan di Indonesia yang dipengaruhi oleh peningkatan permintaan, hambatan distribusi, dan fluktuasi harga global. Penelitian ini bertujuan untuk memprediksi tren kenaikan harga pangan guna membantu pemerintah dan pelaku usaha dalam merumuskan kebijakan strategis serta mempersiapkan masyarakat. Data historis harga pangan dari tahun 2020 hingga 2025 yang menunjukkan pola fluktuasi musiman dikumpulkan dari Badan Pangan Nasional (Bapanas), Pusat Informasi Harga Pangan Strategis Nasional (PIHPS), dan Badan Pusat Statistik (BPS). Metode data mining dengan algoritma Linear Regression diterapkan menggunakan aplikasi Orange. Pendekatan kuantitatif ini dipilih karena kemampuannya dalam mengolah data besar dan mengidentifikasi hubungan linier antara variabel, seperti inflasi dan nilai tukar mata uang, dengan harga pangan. Setelah data dibersihkan dan diproses, model prediksi dibangun dan dievaluasi. Hasil analisis menunjukkan bahwa inflasi dan nilai tukar mata uang memiliki dampak signifikan terhadap harga pangan. Prediksi persentase kenaikan harga pangan menjelang Idul Fitri untuk tahun-tahun mendatang adalah 132,21% pada 2026, 164,95% pada 2027, dan 197,69% pada 2028. Prediksi ini merupakan akumulasi dari kenaikan harga berbagai komoditas pokok.
Klasifikasi Citra Bunga Multikelas Menggunakan Convolutional Neural Network (CNN) Ihza Yuzar Vianda, Rizqi; Anjarwati, Pipin; Akbar Pratama, Hamzah; Maulana Akbar, Reza; 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: 10.47701/0d10j421

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi citra bunga multikelas menggunakan algoritma Convolutional Neural Network (CNN) untuk mengatasi keterbatasan identifikasi manual yang kurang efisien dan rawan kesalahan. Dataset yang digunakan berjumlah 994 gambar dari sepuluh jenis bunga, diunduh dari platform Kaggle dan diproses melalui tahapan augmentasi serta normalisasi. Model CNN dibangun dengan empat lapisan konvolusi beraktivasi ReLU, dilanjutkan dengan pooling dan lapisan dense, serta dilatih menggunakan optimizer Adam dan fungsi loss categorical crossentropy. Evaluasi dilakukan dengan metrik akurasi, Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pelatihan menunjukkan akurasi validasi sebesar 72,48% dan nilai MAE yang rendah, yang mengindikasikan kemampuan generalisasi model terhadap data baru. Model juga menunjukkan performa yang baik dalam mengklasifikasikan citra yang belum pernah dilatih sebelumnya. Dengan demikian, CNN terbukti efektif untuk klasifikasi otomatis citra bunga dan memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi berbasis teknologi visual serta peningkatan performa melalui tuning arsitektur.
Prediksi Jumlah Belanja Pegawai Provinsi Sumatra Selatan Sholeha, Ro’ifatus; Zahrah, Aminatuz; Martapuse, Boyka; Pujianto, Pujianto
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: 10.47701/3thr6h28

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi prediksi belanja pegawai di Provinsi Sumatera Selatan, mengingat peran krusialnya sebagai investasi sumber daya manusia yang memengaruhi ekonomi regional dan pelayanan publik. Menggunakan pendekatan kuantitatif yang terintegrasi dengan metode data mining, studi ini menganalisis data belanja pegawai dari Badan Pusat Statistik (BPS) Provinsi Sumatera Selatan. Algoritma canggih seperti Random Forest, Gradient Boosting, dan Support Vector Machine (SVM) diterapkan untuk mengidentifikasi variabel kunci yang memengaruhi belanja pegawai dan memproyeksikan tren di masa mendatang. Random Forest digunakan untuk mengidentifikasi faktor dominan seperti jumlah pegawai dan tingkat pendidikan, sementara Gradient Boosting untuk meningkatkan akurasi prediksi dengan model bertahap. SVM diaplikasikan untuk menyempurnakan model prediksi agar estimasi kebutuhan belanja pegawai lebih realistis dan akurat. Hasil prediksi dari ketiga algoritma ini akan dibandingkan untuk menentukan metode paling optimal. Hasil penelitian ini diharapkan memberikan gambaran menyeluruh tentang pola belanja pegawai dan tren di Provinsi Sumatera Selatan, yang mencerminkan dinamika sosial, ekonomi, dan politik daerah. Temuan analisis ini akan menjadi landasan strategis bagi pemerintah daerah dalam merumuskan kebijakan anggaran yang lebih efektif. Dengan menyediakan wawasan mendalam tentang faktor pemicu belanja pegawai dan rekomendasi berbasis data, studi ini bertujuan untuk mendukung pengambilan keputusan yang lebih baik, efisien, dan berkelanjutan. Harapannya, penelitian ini dapat menjadi referensi berharga bagi pemerintah daerah dan pemangku kepentingan dalam merumuskan kebijakan yang lebih efektif dan efisien, mendukung tata kelola keuangan yang optimal serta peningkatan pelayanan publik di Provinsi Sumatera Selatan.
Analisis Faktor yang Mempengaruhi Harga Rumah Menggunakan Decision Tree Muchammad Rosyid Aridho, Sayid; Hasna Khaira Aswha, Alisa; Dwi Wahyuni, Tesa; 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/f1bwa603

Abstract

Harga rumah yang terus meningkat dan dipengaruhi oleh berbagai faktor menjadikan proses penetapan harga kerap tidak akurat, subjektif, dan kurang transparan. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi harga rumah di wilayah Sleman dengan membangun model prediksi menggunakan algoritma Decision Tree Regressor. Data diperoleh dari situs rumah123.com dan difokuskan pada properti di Sleman, dengan lima fitur utama: jumlah kamar tidur, kamar mandi, carport, luas tanah, dan luas bangunan. Setelah melalui tahap pembersihan dan transformasi data, model dilatih dan dievaluasi untuk mengukur pengaruh masing-masing fitur terhadap harga. Hasil menunjukkan bahwa luas bangunan (building_area) menjadi faktor paling dominan, diikuti oleh luas tanah, jumlah kamar mandi, kamar tidur, dan carport. Visualisasi pohon keputusan menunjukkan bahwa pembagian awal dilakukan berdasarkan building_area ? 101,5 m². Rumah dengan ukuran kecil dan tanah sempit cenderung memiliki harga lebih rendah, namun terdapat anomali seperti rumah kecil dengan harga tinggi yang diduga dipengaruhi faktor eksternal seperti lokasi strategis. Model memiliki nilai koefisien determinasi (R²) sebesar 0,49, yang berarti mampu menjelaskan 49% variasi harga rumah. ilai ini masih tergolong moderat, mengingat kompleksitas data properti dan absennya fitur-fitur eksternal seperti lokasi geografis, status legalitas, dan kualitas bangunan. Nilai Root Mean Squared Error (RMSE) sekitar ±219 juta rupiah menunjukkan deviasi rata-rata prediksi terhadap harga aktual. Penambahan fitur eksternal serta penggunaan model ensemble disarankan untuk meningkatkan akurasi.
Perbandingan Model Gated Recurrent Unit dan Long Short-Term Memory Dalam Prediksi Harga Saham Ardi Lestari, Sofiana; Atina, Vihi; Hasanah, Herliyani
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: 10.47701/9q31rx63

Abstract

Mengikuti perkembangan ilmu perekonomian yang semakin meluas, pentingnya investasi di pasar modal kini semakin disadari oleh masyarakat. Ketidakstabilan dan risiko yang dialami bagi para investor menjadikan pertimbangan menyeluruh akan strategi dalam menghadapi pergerakan harga saham yang sulit ditebak. Penelitian ini menganalisa harga saham dengan membandingan model terbaik pada PT. Telkom Indonesia Tbk. menggunakan algoritma Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM). Penelitian ini menggunakan JupyterLab sebagai tools mengeksekusi proses pengembangan model. Kedua model dievaluasi berdasarkan nilai metric Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan R2. Hasil pengujian menunjukkan bahwa model LSTM memiliki tingkat kesalahan minimal, dengan RMSE sebesar 57,41, MAE sebesar 42.76, R2 sebesar 0.95, dan MAPE sebesar 0.02, yang menandakan model LSTM memberikan ketepatan prediksi yang lebih baik dibandingkan dengan model GRU.
Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree Alvian Setiono, Stefanus; Purwanto, Eko
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: 10.47701/4q3z9j41

Abstract

Tujuan dari penelitian ini adalah merancang sebuah model prediksi kelulusan mahasiswa menggunakan algoritma Decision Tree (C4.5) untuk mengidentifikasi secara dini mahasiswa yang berisiko mengalami keterlambatan studi. Metode yang digunakan adalah teknik klasifikasi data mining terhadap data sekunder mahasiswa Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta angkatan 2021-2024. Analisis dilakukan terhadap empat atribut kunci, yaitu Indeks Prestasi Kumulatif (IPK), jumlah SKS, persentase kehadiran, dan semester aktif. Model yang dibangun kemudian dievaluasi kinerjanya menggunakan metode 10-Fold Cross-Validation. Hasil penelitian menunjukkan model prediksi yang dibangun mampu mencapai tingkat akurasi 80% pada data uji. Atribut Kehadiran teridentifikasi sebagai faktor prediktor paling signifikan, diikuti oleh IPK dan progres perolehan SKS. Model ini berhasil diimplementasikan menjadi sebuah aplikasi web interaktif yang berfungsi sebagai sistem peringatan dini (early warning system) untuk mendukung intervensi akademik yang lebih cepat dan efektif.
Analisis Pola Pembelian Pelanggan Menggunakan Algoritma Apriori Pada Transaksi Belanja Supermarket Raka Pramuja Ananda, Syaelan; Prayoga Yudhi Putra, Latief; Ramadhan Oktaviano, Alberthino; Sulanjari, Titi; Nur Farida, Azzah; 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/p8h17364

Abstract

Penelitian ini bertujuan menganalisis pola asosiasi produk pada transaksi supermarket menggunakan algoritma Apriori. Dataset publik dari Kaggle (350 transaksi, 9 item) diolah melalui tahap data cleaning dan transformasi one-hot encoding. Dengan parameter minimum support 0.4 dan minimum confidence 0.5, hasil menunjukkan kombinasi Telur-Minyak-Tepung sebagai frequent itemset dominan (support 48.57%). Aturan asosiasi terkuat teridentifikasi pada relasi {Telur, Minyak} ? {Tepung} dengan confidence 84.58% dan lift ratio 1.24, mengindikasikan peningkatan probabilitas pembelian Tepung sebesar 24% ketika Telur dan Minyak dibeli bersamaan. Temuan ini merekomendasikan strategi penempatan produk berdekatan, bundling promosi, dan alokasi stok sinergis. Penelitian membuktikan efektivitas Apriori dalam identifikasi pola pembelian, meski terbatas pada hubungan linear antar item. Implementasi hasil dapat menjadi dasar pengambilan keputusan strategis di sektor ritel berbasis data.
Implementasi K-Nearest Neighbors untuk Menentukan Stasiun Terdekat Berdasarkan Lokasi Tujuan Ridho, Taufik; Faiq Muhammad, Nibras; 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/wma7jf61

Abstract

Akses terhadap informasi jaringan commuter line saat ini masih disediakan dalam bentuk peta statis atau daftar stasiun yang kurang interaktif. Hal ini menyulitkan pengguna, terutama pendatang baru atau wisatawan, dalam menentukan stasiun terdekat dari lokasi tujuan. Studi sebelumnya menunjukkan bahwa pengguna transportasi publik memerlukan sistem yang mampu memberikan navigasi berbasis lokasi secara otomatis untuk meningkatkan efisiensi perjalanan. Untuk menjawab permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem rekomendasi stasiun terdekat berbasis web dengan pendekatan geospasial. Sistem ini menggunakan algoritma Haversine untuk menghitung jarak antara lokasi tujuan dan seluruh stasiun, kemudian menerapkan algoritma K-Nearest Neighbors (KNN) untuk menentukan tiga stasiun paling dekat. Framework Laravel digunakan sebagai backend, sedangkan Leaflet dipilih sebagai visualisasi peta interaktif pada antarmuka pengguna. Fitur utama yang dikembangkan meliputi pemilihan titik tujuan, informasi stasiun, dan tampilan rute perjalanan otomatis melalui integrasi Leaflet Routing Machine. Hasil pengujian menunjukkan bahwa sistem berhasil merekomendasikan stasiun secara akurat dalam radius hingga 15 km dari titik tujuan, serta mampu menyajikan informasi dengan jelas dan interaktif. Penelitian ini memberikan kontribusi dalam pengembangan sistem informasi transportasi berbasis lokasi dan menunjukkan potensi penerapan algoritma KNN dalam pemrosesan spasial untuk transportasi publik.
Perancangan Sistem Rekomendasi Catering Pernikahan Dengan Metode Content Based Filtering Nur Arifin, Taufiq; Rifdah Azizah, Hani; Sulistiyo, Galih; Tanwal Hu, Wupiwulang; Rizky Setiawan, Fadli; 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/vbcrm237

Abstract

Catering merupakan salah satu layanan penting dalam penyelenggaraan acara pernikahan, namun pemilihan vendor catering yang sesuai seringkali menjadi tantangan bagi calon pengantin. Penelitian ini bertujuan untuk merancang sistem rekomendasi catering pernikahan berbasis Content-Based Filtering guna membantu pengguna dalam memilih layanan catering yang sesuai dengan preferensi mereka. Sistem ini menggunakan atribut seperti harga per porsi, menu makanan, kapasitas, dan jenis menu sebagai dasar untuk memberikan rekomendasi. Metode Content-Based Filtering diterapkan dengan memanfaatkan kemiripan antar item untuk menyarankan vendor catering yang relevan dengan kebutuhan pengguna. Hasil dari pengujian terhadap 20 data vendor catering menunjukkan bahwa sistem mampu memberikan rekomendasi yang relevan dan sesuai dengan preferensi input pengguna. Diharapkan sistem ini dapat menjadi solusi digital yang mendukung efisiensi dalam proses pencarian layanan catering, khususnya dalam konteks pernikahan.