cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
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
Published by Universitas Duta Bangsa Surakarta
ISSN : -     EISSN : -     DOI : https://doi.org/10.47701/senatib.v2i1
Core Subject : Economy, Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics
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.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 764 Documents
 48   49   50   51   52 
Sistem Pendukung Keputusan Penentuan Kandidat Juara Piala Dunia FIFA 2026 Menggunakan Metode TOPSIS Khoiruddin Subhi; Fattah Alfarisi Wiryahadi; David Fajar Satriatama; Adimas Hengki Kurniawan; Aprilisa Arum Sari
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 | DOI: 10.47701/p4hpys86

Abstract

Sistem Pendukung Keputusan (SPK) untuk menentukan kandidat juara Piala Dunia FIFA 2026 dikembangkan menggunakan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Metode TOPSIS digunakan karena mampu mendukung pengambilan keputusan multikriteria secara objektif melalui pengukuran kedekatan alternatif terhadap solusi ideal positif dan jaraknya dari solusi ideal negatif. Penelitian ini menggunakan lima kriteria penilaian, yaitu peringkat FIFA pra-turnamen, nilai pasar skuad, jumlah gol, jumlah kebobolan dalam empat tahun terakhir, serta status sebagai tuan rumah. Data penelitian diperoleh dari 48 negara peserta Piala Dunia FIFA 2026. Proses analisis dilakukan melalui tahapan normalisasi matriks keputusan, pembobotan kriteria, penentuan solusi ideal positif dan negatif, serta perhitungan nilai preferensi untuk menghasilkan perangkingan alternatif. Hasil penelitian menunjukkan bahwa Inggris memperoleh nilai preferensi tertinggi sebesar 0,689, diikuti oleh Prancis sebesar 0,685 dan Spanyol sebesar 0,671. Hasil tersebut menunjukkan bahwa metode TOPSIS mampu menghasilkan rekomendasi kandidat juara secara sistematis, objektif, dan transparan sehingga dapat digunakan sebagai pendukung pengambilan keputusan dalam menentukan kandidat juara Piala Dunia FIFA 2026.
Studi Literatur Analisis Penerapan Sistem Terdistribusi pada Layanan Streaming Video Netflix Zainal Arifin; Ericko Budhi Wirayudha; Dafa Aminata; Hafid Dwi Nugroho
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 | DOI: 10.47701/nj5t7524

Abstract

Perkembangan teknologi digital mendorong penetrasi platform Over-The-Top , salah satunya layanan streaming video Netflix yang mengelola ratusan juta pengguna aktif global. Skala operasional yang masif memicu tantangan teknis kompleks, seperti risiko single point of failure, latensi, dan pemrosesan data bervolume tinggi secara real-time. Penelitian ini bertujuan untuk menganalisis penerapan komponen sistem terdistribusi pada Netflix dalam mengatasi masalah skalabilitas, toleransi kegagalan (fault tolerance), serta konsistensi data. Metode penelitian yang digunakan adalah studi literatur dengan mengumpulkan, menyeleksi, dan membedah sumber literatur primer dari jurnal nasional serta dokumentasi teknologi resmi maksimal tiga tahun terakhir. Hasil analisis menunjukkan bahwa integrasi arsitektur microservices mampu mengisolasi kegagalan fitur secara mandiri. Implementasi Content Delivery Network (CDN) Open Connect berbasis server cache lokal pada jaringan ISP terbukti memangkas jarak geografis dan menekan angka buffering. Pada manajemen data, penggunaan basis data NoSQL terdistribusi Apache Cassandra dengan prinsip eventual consistency menjamin ketersediaan data (high availability) tanpa adanya titik kegagalan tunggal. Selain itu, ketangguhan ekosistem cloud secara proaktif diuji menggunakan instrumen Chaos Monkey melalui simulasi gangguan acak di lingkungan produksi demi menjaga kontinuitas layanan. Secara keseluruhan, keselarasan komponen-komponen ini membentuk infrastruktur yang adaptif dan fault-tolerant, meskipun dihadapkan pada tantangan kompleksitas sinkronisasi data antar-perangkat dan tingginya biaya operasional multi-lokasi.
Deteksi Bahasa Isyarat Real-Time Menggunkan Yolov8 Berbasis Web Untuk Alat Bantu Komunikasi Tunarungu Dan Tunawicara Aan Ardana Pangestu; Wiji Lestari; Ridwan Dwi Irawan
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 | DOI: 10.47701/mrb62089

Abstract

Kelompok penyandang tunarungu dan tunawicara di Indonesia mengalami tantangan komunikasi yang serius karena kurangnya pengetahuan masyarakat tentang Sistem Isyarat Bahasa Indonesia (SIBI) dan BISINDO. Penelitian ini membangun aplikasi deteksi gestur bahasa isyarat berbasis peramban web yang mengintegrasikan model YOLOv8 untuk keperluan komunikasi inklusif. Pengembangan sistem memanfaatkan Streamlit sebagai framework, dengan data yang bersumber dari pengambilan visual langsung dan repositori Roboflow. Proses pelatihan model mencakup berbagai teknik pengayaan data guna meningkatkan adaptabilitas model terhadap spektrum kondisi pencahayaan (cerah, normal, cahaya minimal) dan lingkungan visual yang beragam. Temuan menunjukkan pencapaian presisi 98,60%, recall 98,95%, dan mAP@50 99,17%, mendemonstrasikan keandalan deteksi yang tinggi. Sistem mampu beroperasi pada laju 18 frame per detik pada perangkat dengan spesifikasi umum, menjamin interaktivitas real-time yang responsif. Kontribusi penelitian ini menciptakan sarana terjangkau dan mudah diakses untuk memfasilitasi dialog antara komunitas penyandang tunarungu dan tunawicara serta publik luas, mendorong pembangunan ekosistem sosial yang lebih terbuka.
Penerapan Algoritma Random Forest dalam Klasifikasi Persetujuan Pinjaman Menggunakan Dataset Loan Approval Afiq Muhammad Nur Marzuki; Devan Vidhel Azadan; Atik Setyaningih; Satria Abdul Rofiq
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 | DOI: 10.47701/xry2bm20

Abstract

Operasional lembaga keuangan sangat bergantung pada ketepatan proses persetujuan pinjaman, yang memegang peran sentral dalam penilaian kelayakan kredit serta mitigasi risiko. Studi ini berfokus pada implementasi algoritma Random Forest guna mengkategorikan status persetujuan kredit melalui Loan Approval Dataset. Kami menerapkan kerangka kerja Knowledge Discovery in Database (KDD) yang mencakup tahap seleksi, prapemrosesan, transformasi, penambangan data, serta evaluasi. Data yang diproses melibatkan lima atribut prediktor yaitu Age, Gender, Income, LoanAmount, dan CreditScore, dengan Loan_Status sebagai variabel target yang mencakup klasifikasi Approved serta Rejected. Model dikembangkan melalui algoritma Random Forest dengan pembagian komposisi 80% untuk pelatihan dan 20% untuk pengujian. Evaluasi kinerja menghasilkan Accuracy 95,00%, Precision 95,89%, Recall 97,22%, serta F1-Score 96,55%, yang mengindikasikan tingkat performa klasifikasi yang optimal. Analisis Feature Importance mengungkapkan bahwa CreditScore adalah variabel paling dominan yang memengaruhi keputusan kredit, disusul oleh Income dan LoanAmount. Lebih lanjut, model ini telah diintegrasikan ke dalam sistem berbasis Streamlit, yang berfungsi sebagai perangkat pendukung keputusan untuk mempercepat analisis persetujuan pinjaman secara objektif serta efisien.
Perancangan Sistem Rekomendasi Produk Toko Kelontong Menggunakan Metode Content-Based Filtering Aji Kia Ramadhani; Muhammad Noviyanto; Nabilah Junita Eka Putri; Nur Rahman Saleh
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

Toko Berkah Alam menghadapi kendala operasional yang masih berjalan secara manual sehingga memicu masalah kelebihan informasi (information overload) bagi pembeli yang kesulitan menemukan alternatif produk harian yang serupa. Penelitian ini bertujuan untuk merancang sistem rekomendasi produk kelontong menggunakan metode Content Based Filtering (CBF) dengan teknik pembobotan TF-IDF dan pengukuran Cosine Similarity melalui tahapan kerangka pengembangan Rapid Application Development (RAD). Berdasarkan hasil pengujian menggunakan sampel acuan Indomie Goreng (P003), sistem berhasil mengidentifikasi produk alternatif dengan nilai tertinggi kemiripan (Cosine Similarity) mencapai skor maksimum 1.0000 pada tiga produk yang memiliki karakteristik atribut identik, yaitu Nugget Ayam Fiesta (P009), Sosis Kanzler (P016), dan Mie Sedaap Soto (P022). Penelitian ini menyimpulkan bahwa perancangan sistem rekomendasi berbasis konten menggunakan metode Content-Based Filtering dengan teknik TF-IDF dan Cosine Similarity dapat menghasilkan rekomendasi produk kelontong yang relevan berdasarkan kemiripan atribut, dengan nilai Cosine Similarity tertinggi mencapai 1.0000 pada produk yang memiliki karakteristik atribut identik dengan produk acuan.
Evaluasi Kinerja Plugin AI Clarity Vx dalam Mereduksi Microphone Bleeding pada Multitrack Vocal Live Sound Berdasarkan SNR Alberthino Ramadhan Oktaviano; Nurchim; 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

Menjaga kejernihan sinyal vokal pada sistem suara pertunjukan langsung (live sound) sering kali terkendala oleh fenomena microphone bleeding, terutama akibat instrumen berdinamika keras. Keterbatasan perangkat konvensional dalam menyaring kebocoran tersebut mendorong pemanfaatan algoritma kecerdasan buatan melalui plugin Waves Clarity Vx. Penelitian ini bertujuan untuk mengevaluasi kinerja plugin tersebut dalam mereduksi microphone bleeding pada kanal vokal multitrack guna menentukan batas optimal terhadap intensitas pemrosesan. Dengan menggunakan pendekatan kuantitatif eksperimental melalui simulasi Virtual Soundcheck, pengujian dilakukan pada 15 sampel vokal dengan menerapkan variasi tingkat reduksi mulai dari 0%, 50%, 75%, hingga 100%. Tingkat kejernihan sinyal dievaluasi secara objektif berdasarkan pengukuran nilai amplitudo Root Mean Square (RMS) yang dikonversi menjadi Signal-to-Noise Ratio (SNR). Hasil analisis menunjukkan bahwa intensitas pemrosesan 50% adalah sebagai titik optimal karena mampu meredam kebisingan latar secara signifikan tanpa mengurangi kualitas sinyal vokal, sedangkan intensitas 100% terbukti stagnan dan justru berisiko mereduksi energi vokal utama. Dengan demikian, plugin AI Clarity Vx dinilai efisien untuk diimplementasikan secara langsung pada sistem live sound selama pengaturannya dikunci pada batas aman 50%.
Perancangan Sistem Rekomendasi Game Steam dengan Neural Multi-Criteria Collaborative Filtering Alfi Fadli; Jenniva Retno Nuryuansyah; Rafael Theo Santoso; Waras Tri Wijaya; Muchamad Syarif Hidayatullah
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

Industri game digital telah mengalami pertumbuhan pesat dengan platform Steam Store menyediakan lebih dari 50.000 game, menciptakan masalah information overload bagi pengguna. Penelitian ini merancang sistem rekomendasi game Steam menggunakan pendekatan Neural Multi-Criteria Collaborative Filtering (MCCF) yang memprediksi empat kriteria rating (gameplay, graphics, value, overall) secara simultan. Sistem dilengkapi dengan cold start handler berbasis few-shot learning yang berjalan otomatis di backend tanpa menampilkan proses perhitungan ke pengguna. Dataset yang digunakan terdiri dari 21 game Steam dengan 21 atribut lengkap dan 500 profil pengguna hasil filtering yang menghasilkan 10.500 multi-criteria rating. Hasil perancangan menunjukkan sistem mampu menghasilkan rekomendasi game yang sesuai dengan preferensi pengguna, dengan contoh rekomendasi top-3 yaitu Elden Ring (prediksi overall 4,82), Hades (prediksi overall 4,71), dan The Witcher 3 (prediksi overall 4,65) untuk pengguna dengan preferensi genre RPG/Action dan graphics yang baik. Rancangan antarmuka sistem terdiri dari empat halaman dengan navigasi tab-based yang user-friendly. Hasil perancangan menunjukkan arsitektur model yang mampu menangkap preferensi multi-dimensi pengguna dengan representasi vektor 59-dimensi melalui deep matrix factorization dan task-specific heads.
Klasifikasi Prestasi Akademik Siswa Menggunakan Algoritma Random Forest Bayu Susilo Aji Nugroho; Claudea Cahaya Cinta; Abdul Fuad Nurdiansah; Valen Purwaixna Saputra; Muchamad Syarif Hidayatullah
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

Prestasi akademik termasuk salah satu tolak ukur utama dalam menilai keberhasilan proses pembelajaran siswa. Proses identifikasi kategori prestasi akademik secara manual cenderung memakan banyak waktu dan menjadi kurang efisien, terutama ketika jumlah data siswa terus bertambah. Tujuan dari penelitian ini untuk mengimplementasikan algoritma Random Forest untuk mengklasifikasikan kategori prestasi akademik siswa (GradeClass) berdasarkan variabel StudyTimeWeekly, Absences, Tutoring, dan GPA. Data yang dipakai adalah Student Performance Dataset yang bersumber dari Kaggle dengan jumlah 2.392 data. Tahapan penelitian meliputi preprocessing data, pembagian data ke dalam 80% data latih dan 20% data uji, Pembangunan pada model Random Forest menggunakan 60 decision tree, serta evaluasi melalui Accuracy, Macro F1-Score, Confusion Matrix, dan 5-Fold Cross Validation. Pada hasil pengujian menunjukkan bahwa model Random Forest memperoleh akurasi sebesar 92,3%. Pengujian variasi jumlah decision tree menunjukkan bahwa penggunaan 60 decision tree memberikan keseimbangan yang baik antara akurasi dan waktu pelatihan, sedangkan analisis feature importance menunjukkan bahwa GPA merupakan variabel yang paling dominan dalam memprediksi GradeClass. Oleh karena itu, sistem yang dikembangkan berpotensi mendukung proses evaluasi akademik agar lebih objektif, cepat, dan efisien.
SISTEM INFORMASI REKOMENDASI PARIWISATA KABUPATEN SRAGEN MENGGUNAKAN ALGORITMA HYBRID FILTERING Benaya Chessa Sarmanela; Faulinda Ely Nastiti; Eko Purwanto
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

Pencarian informasi pariwisata di Kabupaten Sragen saat ini masih bersifat parsial dan tersebar di berbagai platform, menyulitkan wisatawan dalam merencanakan perjalanan secara terpusat. Penelitian ini bertujuan untuk merancang dan membangun Sistem Informasi Rekomendasi Pariwisata Kabupaten Sragen berbasis website guna memberikan referensi destinasi yang dipersonalisasi. Pengembangan sistem menggunakan metodologi Agile Scrum dengan kerangka kerja Astro untuk frontend dan Supabase sebagai basis data backend. Inti penyelesaian masalah pada sistem ini adalah implementasi algoritma Hybrid Filtering yang mengintegrasikan Content-Based Filtering (CBF) dan Collaborative Filtering (CF). CBF menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan Cosine Similarity untuk mengekstraksi serta mencocokkan kategori fitur destinasi. Sementara itu, CF menerapkan pendekatan Item-Based dengan korelasi Cosine Similarity untuk menganalisis matriks rating antar pengguna. Penggabungan kedua metode ini menggunakan rasio pembobotan dinamis (basis awal 70:30) yang diarsiteki khusus untuk menanggulangi anomali cold-start pada pengguna baru. Hasil dari perancangan ini adalah sebuah purwarupa sistem komputasi yang mampu mengkalkulasi prediksi kedekatan secara presisi untuk menyajikan daftar peringkat rekomendasi pariwisata sesuai dengan riwayat interaksi pengguna. Kesimpulannya, integrasi Hybrid Filtering dalam pendekatan adaptif Agile Scrum menghasilkan sistem yang terpusat dan berpotensi kuat untuk meningkatkan visibilitas sektor pariwisata lokal.
Penerapan Metode Hybrid Filtering Dalam Sistem Rekomendasi Menu Di Coffee Shop Teppi Rasa Bintang Alan Bukhari; Sri Sumarlinda; Bangun Prajadi Cipto Utomo
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

Pesatnya pertumbuhan industri coffee shop memicu persaingan bisnis yang ketat dan menimbulkan masalah penumpukan informasi (information overload) bagi pelanggan dalam memilih menu. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan menguji sistem rekomendasi menu personal berbasis website pada Teppi Rasa Coffee & Eatery melalui integrasi metode hybrid filtering. Metode pengembangan sistem yang digunakan adalah Waterfall, dengan menerapkan algoritma Weighted Hybrid Filtering yang menggabungkan jalur Content-Based Filtering (CBF) melalui Cosine Similarity dan Collaborative Filtering (CF) berbasis tren popularitas global. Komposisi bobot linear ditetapkan secara konsisten sebesar ? = 0.6 untuk komponen CBF dan ? = 0.4 untuk komponen CF, dengan nilai pembatas popularitas maksimal (Nmax) dikonfigurasikan sebesar 50. Hasil simulasi komputasi komparatif pada akun pelanggan Bintang membuktikan bahwa sistem mampu menghasilkan daftar Top-8 Recommendations yang seimbang, di mana menu Americano menempati peringkat teratas dengan Hybrid Score 92.9% (didominasi preferensi kopi internal), sementara menu Taro Latte dari kategori baru tetap berhasil direkomendasikan pada peringkat ke-8 dengan skor 24% murni dari jalur tren pasar eksternal. Evaluasi fungsionalitas menggunakan Black Box Testing menunjukkan tingkat keberhasilan mutlak sebesar 100% tanpa adanya diskrepansi data desimal pada antarmuka. Sistem ini terbukti secara ilmiah dapat menjadi instrumen keputusan yang adaptif bagi pelanggan, ditandai dengan keberhasilan merekomendasikan produk lintas kategori melalui kontribusi skor CF hingga 40% meskipun skor CBF sebesar 0%, sekaligus mengatasi kelemahan overspecialization pada sistem rekomendasi tunggal.

Page 50 of 77 | Total Record : 764

 48   49   50   51   52 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026 Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025 Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2023 Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2022 Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB)