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
 49   50   51   52   53 
Penerapan Algoritma Random Forest Untuk Klasifikasi Tingkat Kecanduan Smartphone Pada Pengguna Bedasarkan Pola Penggunaan Digital Caesar Galang Restu Ramadhan; Fatkurrahman Raffie Wibowo; Nisha Kalya Salsabilla; Ridwan Yoga Pratama
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

Penggunaan smartphone yang semakin meningkat dalam berbagai aktivitas sehari-hari memberikan banyak manfaat, namun juga berpotensi menyebabkan kecanduan yang dapat berdampak pada kesehatan, produktivitas, dan interaksi sosial. Oleh karena itu, diperlukan suatu sistem yang mampu mengidentifikasi tingkat kecanduan smartphone secara cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat kecanduan smartphone berbasis web menggunakan algoritma Random Forest dengan menerapkan metode Cross Industry Standard Process for Data Mining (CRISP-DM). Tahapan penelitian meliputi Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang digunakan merupakan Mobile Addiction Dataset yang terdiri atas 13.589 data dengan 12 atribut, kemudian dilakukan preprocessing berupa penghapusan atribut yang tidak relevan, encoding, standard scaling, serta pembagian data menjadi data latih dan data uji dengan rasio 80:20. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan akurasi pengujian sebesar 97,5% dengan nilai Cross Validation sebesar 97,6%, sehingga mampu mengklasifikasikan tingkat kecanduan smartphone dengan tingkat kesalahan yang rendah. Implementasi model ke dalam aplikasi berbasis Flask berhasil mengintegrasikan seluruh tahapan klasifikasi dalam satu sistem yang mudah digunakan. Dengan demikian, tujuan penelitian untuk membangun sistem klasifikasi tingkat kecanduan smartphone berbasis web yang akurat dan terintegrasi telah berhasil dicapai.
PENERAPAN CONTENT-BASED FILTERING UNTUK REKOMENDASI TROUBLESHOOTING JARINGAN FIBER OPTIK Daffa Ebtra Satria; Joni Maulindar; 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

Jaringan fiber optik merupakan infrastruktur utama dalam sistem telekomunikasi modern dengan keunggulan kecepatan dan kapasitas Bandwidth, namun tetap rentan terhadap gangguan seperti redaman tinggi, kerusakan konektor, dan kondisi kabel yang tidak optimal. Proses troubleshooting di lapangan masih bergantung pada pengalaman teknisi sehingga kurang efisien dan belum memanfaatkan data historis secara optimal. Penelitian ini bertujuan mengimplementasikan metode Content-based filtering untuk memberikan rekomendasi troubleshooting berbasis data historis gangguan. Metode penelitian meliputi pengumpulan data dari observasi lapangan dan dataset eksternal, Preprocessing, ekstraksi fitur, representasi data dalam bentuk vektor, serta perhitungan kemiripan menggunakan cosine similarity. Atribut yang digunakan meliputi jenis konektor, kondisi kabel, indikator lampu modem, dan status koneksi, sedangkan nilai redaman hanya digunakan sebagai indikator awal. Hasil penelitian menunjukkan bahwa sistem menghasilkan nilai kemiripan yang variatif dengan nilai similarity tertinggi mencapai 1.000, yang menunjukkan kecocokan sempurna antara kasus baru dan data historis. Hasil tersebut digunakan sebagai dasar rekomendasi troubleshooting yang relevan, sehingga sistem mampu membantu teknisi dalam mempercepat identifikasi dan penanganan gangguan secara lebih sistematis dan efisien.
Analisis Performa Model CNN Pada Identifikasi Awal Penyakit Kanker Kulit Deisya Dzakiyyah Rahmawati; Faisal Muttaqin; Chrystia Aji Putra
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

Kanker kulit merupakan salah satu jenis kanker yang banyak disebabkan oleh paparan radiasi ultraviolet (UV) dan memerlukan deteksi dini untuk meningkatkan peluang penanganan. Perkembangan Deep Learning, khususnya Convolutional Neural Network (CNN), memberikan alternatif dalam membantu proses klasifikasi citra medis secara cepat dan akurat. Penelitian ini bertujuan untuk menganalisis performa arsitektur EfficientNetV2-S dalam mengidentifikasi kanker kulit berdasarkan citra yang diklasifikasikan ke dalam dua kelas, yaitu benign dan malignant. Dataset yang digunakan berasal dari Mendeley Data sebanyak 20.000 citra, yang dibagi menjadi data training (60%), validation (20%), dan testing (20%). Proses pelatihan menerapkan metode transfer learning dengan optimizer AdamW, fungsi Cross Entropy Loss, ukuran citra 224×224 piksel, batch size 16, learning rate 0,0001, dan 32 epoch. Hasil pengujian menunjukkan bahwa EfficientNetV2-S memperoleh nilai accuracy sebesar 94,05%, precision 97,72%, recall 90,20%, F1-score 93,81%, dan ROC-AUC 98,95%. Selain itu, kurva accuracy dan loss menunjukkan proses pelatihan yang stabil dengan kecenderungan overfitting yang rendah. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mampu memberikan performa yang baik dalam mengidentifikasi kanker kulit sehingga berpotensi mendukung proses deteksi dini berbasis kecerdasan buatan.
Perancangan Pipeline Preprocessing dan Segmentasi Audio Batuk Berbasis Energi Adaptif untuk Klasifikasi Batuk Kering dan Berdahak Desta Rizky Andhika; Faisal Muttaqin; Fetty Tri Anggraeny
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

Rekaman audio batuk dari sumber publik umumnya memiliki variasi format, durasi, jumlah kanal, laju sampling, bagian hening, dan gangguan suara latar yang dapat memengaruhi konsistensi masukan pada proses klasifikasi. Penelitian ini bertujuan merancang pipeline preprocessing dan segmentasi audio batuk berbasis energi adaptif untuk menghasilkan audio yang lebih seragam dan relevan bagi klasifikasi batuk kering (dry) dan batuk berdahak (wet). Kebaruan penelitian ini terletak pada integrasi proses seleksi dan audit kualitas data dengan segmentasi event batuk menggunakan ambang energi yang dihitung secara adaptif pada setiap rekaman, sehingga proses segmentasi dapat menyesuaikan variasi intensitas sinyal antarrekaman tanpa menggunakan satu nilai ambang tetap untuk seluruh data. Tahapan penelitian meliputi seleksi label, audit kualitas audio, konversi format WAV, pengubahan kanal menjadi mono, resampling 16 kHz, trimming bagian hening, segmentasi berbasis energi adaptif, serta penyeragaman durasi menjadi 3 detik. Ambang segmentasi ditentukan secara adaptif berdasarkan estimasi noise floor, nilai RMS maksimum, dan margin sensitivitas sebesar 8.0 dB pada setiap rekaman.. Dari 27.550 entri metadata, diperoleh dataset akhir balanced-confident sebanyak 800 audio yang terdiri atas 400 data dry dan 400 data wet. Seluruh audio keluaran memiliki format WAV, kanal mono, laju sampling 16 kHz, dan durasi 3 detik. Hasil segmentasi menunjukkan rata-rata cakupan energi sebesar 84,58% pada kelas dry dan 82,54% pada kelas wet. Validasi fungsional menggunakan MFCC20 dan Capsule Network menghasilkan accuracy sebesar 71,67% dan F1-score sebesar 70,18%. Hasil tersebut menunjukkan bahwa pipeline mampu menghasilkan masukan audio yang konsisten dan dapat diteruskan ke tahap pemodelan klasifikasi.
Prediksi Partisipasi Mahasiswa dalam Kegiatan Kampus Menggunakan Algoritma Random Forest Dika Setyawan; Muhammad Faruq Ghullam Al Khoiri; Ivan Noviandra; Andriyan Susetyo; Nisa Aulia Ramadhani; Satria Setyaji; Hafid Dwi Nugroho; Sekar Paramitha Galuh Ratna Pratiwi
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

Partisipasi mahasiswa dalam kegiatan kampus merupakan faktor penting yang memengaruhi keberhasilan akademik dan pengembangan kompetensi sosial. Namun, rendahnya tingkat keterlibatan mahasiswa masih menjadi tantangan di banyak perguruan tinggi Indonesia. Penelitian ini bertujuan membangun model prediksi partisipasi mahasiswa dalam kegiatan kampus menggunakan algoritma Random Forest berbasis data kuesioner dari 500 responden, sekaligus mengidentifikasi faktor-faktor dominan yang memengaruhinya. Data dikumpulkan melalui kuesioner terstruktur yang mencakup variabel motivasi, pengaruh teman sebaya, ketersediaan waktu, dan keterlibatan organisasi. Preprocessing data meliputi pembersihan data, encoding variabel kategorikal, dan pembagian data latih-uji. Model Random Forest dibangun dengan mekanisme ensemble learning melalui voting mayoritas dari sejumlah pohon keputusan. Hasil eksperimen menunjukkan bahwa model mencapai akurasi sebesar 74%, precision 66,67%, recall 42,42%, dan F1-score 51,84% dalam memprediksi tingkat partisipasi mahasiswa. Analisis feature importance mengungkapkan bahwa ketersediaan waktu luang (36%) dan status keikutsertaan organisasi saat ini (26,7%) merupakan faktor paling dominan dalam menentukan keputusan mahasiswa untuk berpartisipasi, sedangkan pengaruh ajakan teman memberikan kontribusi paling kecil (16,5%). Temuan ini diharapkan dapat menjadi dasar bagi institusi perguruan tinggi dalam merancang strategi intervensi yang lebih tepat sasaran guna meningkatkan keterlibatan mahasiswa secara berkelanjutan.
Sistem Rekomendasi Upgrade Mesin Sepeda Motor Menggunakan Metode Content-Based Filtering dan K-Nearest Neighbor Berbasis Website Alfian Budiman; Moh. Muhtarom; 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

Penentuan konfigurasi Upgrade mesin sepeda motor melibatkan banyak parameter teknis yang saling berkaitan, sehingga proses ini tidak dapat hanya mengandalkan intuisi mekanik maupun rekam jejak pekerjaan sebelumnya semata. Ketergantungan pada pengalaman personal dan data tidak terstruktur kerap menimbulkan inkonsistensi dalam pemberian saran Upgrade serta memperpanjang waktu pengambilan keputusan. Penelitian ini bertujuan membangun sebuah sistem berbasis web yang mampu memberikan rekomendasi spesifikasi Upgrade mesin secara otomatis dengan menggabungkan pendekatan Content-Based Filtering (CBF) dan K-Nearest Neighbor (K-NN). Data historis yang digunakan berjumlah 10.168 entri spesifikasi Upgrade mesin, bersumber dari Bengkel Moon Racing Sukoharjo. Algoritma CBF dimanfaatkan untuk mengukur kemiripan antara input pengguna dan setiap rekaman dalam dataset melalui perhitungan Cosine Similarity, sementara algoritma K-NN dengan nilai K=3 digunakan untuk memilih rekomendasi akhir berdasarkan jarak Euclidean. Sistem dikembangkan menggunakan framework Laravel 12, PHP 8.2, dan MySQL sebagai basis data. Setelah proses penyaringan berdasarkan jenis sistem bahan bakar, setiap kategori karburator dan injeksi masing-masing menghasilkan 5.084 data. Evaluasi metode CBF menunjukkan nilai Cosine Similarity tertinggi sebesar 1,000000 pada rekomendasi utama (K1), yang mengonfirmasi kecocokan sempurna antara query pengguna dan data pada dataset. Pengujian dengan 10 kasus uji menghasilkan nilai Recall dan Precision masing-masing 100%, sedangkan pengujian Black Box membuktikan bahwa seluruh fungsi sistem berjalan sesuai spesifikasi kebutuhan pengguna. Temuan ini mengindikasikan bahwa sistem yang dikembangkan mampu menghasilkan rekomendasi Upgrade mesin secara akurat, konsisten, dan terValidasi oleh mekanik.
Sistem Rekomendasi Paket Modifikasi Interior Kendaraan Menggunakan Pendekatan Content-Based Filtering Alfito Muhammad Fernanda; Dwi Hartanti; Bondan Wahyu Pamekas
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 paket modifikasi interior kendaraan sering menjadi kendala bagi pelanggan karena banyaknya pilihan bahan, warna, desain, fitur tambahan, dan harga yang ditawarkan. Penelitian ini bertujuan untuk membangun sistem rekomendasi paket modifikasi interior kendaraan menggunakan pendekatan Content-Based Filtering. Data paket yang digunakan terdiri dari atribut nama paket, bahan jok, warna interior, desain, fitur tambahan, harga, dan deskripsi paket. Atribut tersebut kemudian digabungkan menjadi teks dan diproses menggunakan metode TF-IDF untuk memberikan bobot pada kata atau atribut penting. Selanjutnya, metode Cosine Similarity digunakan untuk menghitung tingkat kemiripan antara preferensi pengguna dengan data paket yang tersedia. Hasil rekomendasi ditampilkan berdasarkan nilai kemiripan tertinggi, sedangkan evaluasi dilakukan menggunakan nilai precision untuk mengukur ketepatan rekomendasi yang dihasilkan. Berdasarkan pengujian dengan input “jok kulit warna hitam desain elegan”, sistem menampilkan tiga rekomendasi teratas yang relevan, yaitu Comfort Interior, Doortrim Elegan, dan Audio Comfort, sehingga diperoleh nilai Precision@3 sebesar 100%. Hasil tersebut menunjukkan bahwa sistem rekomendasi dapat membantu pelanggan memilih paket modifikasi interior kendaraan secara lebih cepat, terarah, dan sesuai dengan preferensi.
Penerapan Metode Content-Based Filtering pada Rekomendasi Produk Plastik di Sumberplastik.TP Aliefian Hendra Wardana; Vihi Atina; Joni Maulindar
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 plastik seperti Sumberplastik.TP kini menghadapi tantangan nyata berupa kebingungan pelanggan akibat semakin banyaknya variasi produk plastik, sementara proses rekomendasi produknya masih bergantung pada ingatan serta pengalaman penjual. Untuk mengatasi masalah tersebut, penelitian ini membangun sebuah sistem rekomendasi berbasis website menggunakan metode Content-Based Filtering (CBF) yang bekerja dengan menghitung kemiripan antar-produk berdasarkan atribut kategori, warna, ukuran, kapasitas, bentuk, dan fungsi dari total 45 data produk plastik. Tingkat kemiripan tersebut dihitung menggunakan rumus Similarity. Sistem yang dibangun mencakup fitur pengelolaan data produk, pencarian produk, perhitungan similarity, dan rekomendasi otomatis berdasarkan tingkat kemiripan tertinggi. Kemiripan antar produk dihitung menggunakan rumus Similarity untuk menghasilkan rekomendasi yang relevan bagi pengguna. Pengujian dengan Confusion Matrix pada lima kasus uji menghasilkan rata- rata Precision 81,33% dan Recall 84,67% - cukup untuk menyimpulkan bahwa sistem ini layak digunakan dan efektif membantu pelanggan menemukan produk plastik yang sesuai dengan kebutuhannya.
Implementasi Algoritma Random Forest untuk Klasifikasi Tingkat Produktivitas Mahasiswa Berdasarkan Aktivitas Akademik dan Non Akademik Alif Fahmi Syaifuddin; Muhammad Rezan Arifana Putra; Muhammad Hadia Awwala Faradisa; Dias Faturrahman Wicaksono
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

Produktivitas mahasiswa merupakan salah satu indikator penting dalam mengevaluasi keberhasilan proses pembelajaran di perguruan tinggi. Tingkat produktivitas dipengaruhi oleh berbagai aktivitas akademik dan nonakademik sehingga diperlukan suatu metode yang mampu mengklasifikasikan tingkat produktivitas mahasiswa secara cepat dan akurat. Penelitian ini bertujuan untuk mengimplementasikan algoritma Random Forest dalam mengklasifikasikan tingkat produktivitas mahasiswa berdasarkan aktivitas akademik dan nonakademik serta mengembangkan sistem berbasis web sebagai implementasi model klasifikasi. Penelitian menggunakan Student Performance Dataset yang terdiri dari 2.392 data mahasiswa dengan atribut GPA, StudyTimeWeekly, Absences, Tutoring, ParentalSupport, Extracurricular, Sports, Music, dan Volunteering, sedangkan GradeClass digunakan sebagai variabel target. Metode penelitian mengacu pada tahapan Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Proses pemodelan dilakukan menggunakan algoritma Random Forest, sedangkan evaluasi model menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa model Random Forest memperoleh tingkat akurasi sebesar 91,44%, sehingga mampu mengklasifikasikan tingkat produktivitas mahasiswa dengan baik. Model yang telah dibangun kemudian diimplementasikan ke dalam sistem berbasis web menggunakan Flask, sehingga pengguna dapat melakukan prediksi tingkat produktivitas mahasiswa berdasarkan data akademik dan nonakademik yang dimasukkan. Hasil penelitian menunjukkan bahwa algoritma Random Forest efektif digunakan dalam klasifikasi tingkat produktivitas mahasiswa dan dapat menjadi pendukung dalam proses evaluasi akademik di lingkungan perguruan tinggi.
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.

Page 51 of 77 | Total Record : 764

 49   50   51   52   53 

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)