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
 51   52   53   54   55 
Pendekatan Hybrid SMOTE-Random Forest Untuk Prediksi Risiko Gagal Bayar Fintech Fadhil Ibnu Is’ad; Afu Ichsan Pradana; 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

Penilaian risiko kredit yang akurat merupakan instrumen krusial dalam mitigasi risiko finansial pada industri teknologi finansial (FinTech lending). Namun, dataset komersial umumnya mengalami kendala ketidakseimbangan kelas (imbalance data) akibat dominasi debitur lancar, yang menyebabkan algoritma pembelajaran mesin tradisional cenderung bias dan gagal mengidentifikasi debitur berisiko. Penelitian ini bertujuan untuk mengoptimalkan sensitivitas deteksi risiko gagal bayar melalui pendekatan Hybrid SMOTE-Random Forest. Metode penelitian diawali dengan tahap preprocessing berupa pembersihan data dan Min-Max Normalization terhadap dataset Lending Club sebanyak 200 sampel dengan 14 variabel prediktor. Masalah ketidakseimbangan kelas ditangani menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) berbasis algoritma k-Nearest Neighbors (k = 5) untuk membangkitkan sampel sintetis pada data latih. Proses klasifikasi dieksekusi menggunakan ensemble pohon keputusan Random Forest dengan skema pembagian data latih dan data uji melalui proporsi percentage split 70:30. Hasil eksperimen riil menunjukkan bahwa integrasi SMOTE berhasil meningkatkan performa model secara drastis dengan menekan angka False Negative menjadi hanya 1 data. Model Hybrid usulan berhasil mencapai metrik performa optimal pada data uji dengan nilai Akurasi global sebesar 95,00%, nilai Presisi sebesar 0,909, nilai Recall (sensitivitas) mencapai 0,952, serta skor harmonik F1-Score sebesar 0,930. Hasil ini membuktikan keandalan pendekatan hybrid sebagai sistem penilaian kredit cerdas yang presisif dan objektif untuk menekan laju kredit macet.
Analisis Karakteristik Visual Dataset dan Pola Kesalahan Deteksi untuk Evaluasi Generalisasi YOLOv8 pada Penyakit Daun Cabai Fajar Wahyu Hanafi; Rudi Susanto; Herliyani Hasanah; Wiji Lestari; Triyono
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

Model deteksi penyakit daun berbasis deep learning umumnya mencapai akurasi tinggi pada dataset dengan karakteristik serupa, namun performanya sering kali menurun pada citra lapangan akibat perbedaan karakteristik visual antara data pelatihan dan pengujian (domain shift). Penelitian ini bertujuan menganalisis perbedaan karakteristik visual dataset publik dan lapangan serta bagaimana perbedaan tersebut tercermin pada performa dan pola kesalahan deteksi YOLOv8, menggunakan dataset penyakit daun cabai (3.152 citra publik dan 800 citra lapangan). Metode karakteristik dataset dianalisis menggunakan statistik deskriptif terhadap brightness, sharpness, ukuran bounding box, dan jumlah objek per citra, dilanjutkan dengan evaluasi cross-domain dua model YOLOv8 (Model A dan Model B) pada data uji publik dan lapangan, serta analisis pola kesalahan berbasis Intersection over Union (IoU) terhadap false negative, false positive, dan misklasifikasi. Hasil penelitian menunjukkan dataset lapangan memiliki kecerahan dan ketajaman lebih rendah serta ukuran objek lebih kecil dibandingkan dataset publik, diikuti penurunan performa model pada pengujian lintas domain, terutama pada kelas keriting_daun dan virus_kuning. Analisis pola kesalahan memperlihatkan false negative lebih sering terjadi pada objek kecil dan kondisi crowding, sedangkan false positive serta misklasifikasi berkaitan dengan kemiripan karakteristik visual antar kelas. Temuan ini menunjukkan bahwa analisis karakteristik dataset dan pola kesalahan memberikan pemahaman lebih menyeluruh mengenai domain shift serta menjadi dasar pengembangan model dengan generalisasi lebih baik pada kondisi lapangan.
PENERAPAN METODE CONTENT-BASED FILTERING PADA SISTEM REKOMENDASI KURSUS CODING Fauzi Nur Azis; Bondan Wahyu Pamekas; Hanifah Permatasari
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

Perkembangan teknologi digital telah memperluas akses pembelajaran coding melalui berbagai platform daring. Namun, banyaknya pilihan kursus dengan topik dan tingkat pembelajaran yang beragam sering membuat pengguna kesulitan menentukan kursus yang sesuai dengan kebutuhan belajarnya. Tujuan utama penelitian ini adalah menerapkan metode Content-Based Filtering pada sistem rekomendasi kursus coding berbasis web. Sistem yang dikembangkan diharapkan mampu memberikan saran kursus yang sesuai dengan kebutuhan belajar pengguna berdasarkan karakteristik konten yang tersedia. Mekanisme rekomendasi pada penelitian ini memanfaatkan pembobotan TF-IDF untuk merepresentasikan fitur teks setiap kursus, kemudian menghitung tingkat kemiripannya menggunakan Cosine Similarity. Hasil perhitungan tersebut digunakan sebagai dasar dalam menentukan urutan rekomendasi kursus yang memiliki karakteristik konten paling relevan. Data penelitian ini berupa dataset publik kursus online pada domain web development yang telah diseleksi sesuai kebutuhan penelitian. Hasil penelitian menunjukkan bahwa TF-IDF mampu membentuk fitur dominan pada data kursus, sedangkan Cosine Similarity digunakan untuk mengurutkan kursus berdasarkan nilai kemiripan konten. Evaluasi sistem memperoleh skor akurasi sebesar 88,00%, presisi 86,67%, dan recall 78,57%. sehingga metode Content-Based Filtering dapat digunakan untuk membantu pengguna dalam memilih kursus coding yang sesuai.
KLASIFIKASI MENTAL HEALTH ISSUE PADA MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Faziz Ammarrafi Aryamada; Tommy Dwi 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

Masalah kesehatan mental yang semakin meningkat di kalangan mahasiswa menjadi semakin mengkhawatirkan. Jika tidak ditangani, masalah ini dapat berdampak buruk pada kinerja akademis, hubungan sosial, dan kualitas hidup secara umum. Penelitian ini mengklasifikasikan masalah kesehatan mental mahasiswa menggunakan algoritma K-Nearest Neighbor (KNN). Dataset yang digunakan berasal dari Kaggle, yang terdiri dari berbagai atribut seperti tingkat stres, kecemasan, depresi, dan faktor-faktor lain yang dapat mempengaruhi kesehatan mental. Dalam penelitian ini, data yang digunakan diproses dan dianalisis menggunakan perangkat lunak RapidMiner, yang memudahkan penerapan algoritma KNN. Hasil penelitian ini membuktikan bahwa algoritma KNN dapat menjadi cara yang efisien untuk mengklasifikasikan masalah kesehatan mental dengan tingkat akurasi yang tinggi dalam memprediksi hasil berdasarkan atribut yang diberikan. Temuan ini menyarankan bahwa deteksi dan klasifikasi dini masalah kesehatan mental dapat memungkinkan intervensi tepat waktu untuk meningkatkan kesejahteraan mental dan kualitas hidup mahasiswa. Hasil klasifikasi menggunakan KNN akurasi terbaik adalah 100%
Komparasi Algoritma untuk Klasifikasi Penyakit Jantung Faris Pratama Putra; Fitra Mustofa; M. Syailendra Surya Viadar; Natan Setyo Agung; 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

Abstract

Tingginya angka kematian akibat penyakit jantung diperparah oleh proses diagnosis konvensional yang membutuhkan ketelitian tinggi serta rentan terhadap risiko kesalahan manusia (human error). Penelitian ini bertujuan untuk melakukan analisis komparasi performa algoritma Logistic Regression, Decision Tree, dan Support Vector Machine (SVM) guna mengidentifikasi model klasifikasi risiko penyakit jantung yang paling optimal bagi domain medis. Eksperimen diimplementasikan menggunakan skrip Python interaktif yang menguji 1.025 baris sampel klinis lewat pembagian data 80:20, standardisasi fitur, serta pengujian silang 5-Fold Cross-Validation. Berdasarkan hasil pengujian sistem, algoritma Decision Tree mencatatkan nilai Test Accuracy tertinggi mencapai 98,5%. Namun, pengujian validasi silang mengungkap performa aslinya jatuh di angka 82,2%, yang membuktikan adanya fenomena overfitting parah akibat rekayasa duplikasi data latihan, sehingga model ini dieksklusi dari pemilihan akhir. Sementara itu, algoritma Logistic Regression menunjukkan performa yang cukup stabil dengan nilai Test Accuracy sebesar 81,0% dan CV Mean Accuracy 84,4%. Di sisi lain, algoritma SVM dengan Linear Kernel terbukti menghasilkan stabilitas performa terbaik dengan Test Accuracy 81,5% dan CV Mean Accuracy mencapai 85,6%. Meskipun akurasi globalnya berada di bawah Decision Tree, SVM Linear menjadi model paling unggul karena mencatatkan metrik Recall (sensitivitas) kelas sakit tertinggi sebesar 92,38% yang krusial untuk menekan persentase kesalahan diagnosis fatal berupa False Negative. Dengan demikian, algoritma SVM Linear disimpulkan sebagai instrumen alternatif pendukung keputusan klinis terbaik yang paling andal bagi tim kardiologi.
Perancangan Sistem Rekomendasi Pemilihan Komponen IoT Berdasarkan Kebutuhan Proyek Menggunakan Metode Content-Based Filtering Irfan Dwi Rangga Premana; Zackyannafi Nashru Romadhoni; Andika Wahyu Saputra; Dzaky Anggoro; Rio Mahesa; 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

Perkembangan Internet of Things (IoT) menghadirkan beragam komponen perangkat keras dengan karakteristik dan spesifikasi yang berbeda-beda, sehingga proses pemilihan komponen yang sesuai kebutuhan proyek menjadi semakin kompleks, terutama bagi mahasiswa dan pengembang pemula yang masih mengandalkan pencarian referensi secara manual. Penelitian ini bertujuan merancang dan mengimplementasikan sistem rekomendasi pemilihan komponen IoT berbasis kebutuhan proyek menggunakan metode Content-Based Filtering yang dipadukan dengan arsitektur Two-Pass Retrieval-Augmented Generation (RAG) Pipeline. Sistem dibangun di atas basis data SQLite berisi 220 entitas komponen IoT dengan tujuh atribut teknis, serta menerapkan pendekatan Controlled Vocabulary untuk menjaga konsistensi proses pencarian. Pada tahap pertama, model bahasa besar (LLM) Llama 3.3 mengekstraksi kata kunci dari deskripsi proyek pengguna, yang kemudian dicocokkan secara matematis menggunakan algoritma Cosine Similarity terhadap basis data komponen. Pada tahap kedua, LLM berperan sebagai Senior Hardware Engineer untuk menghasilkan penjelasan teknis berbasis prinsip fisika atas komponen yang direkomendasikan. Hasil pengujian terhadap lima skenario ekstrem menunjukkan sistem mampu memberikan rekomendasi presisi tinggi, seperti merekomendasikan Sensor Kelembapan Tanah (46,23%) untuk skenario irigasi, serta Sensor Detak Jantung MAX30102 (40,82%) untuk skenario instrumen medis portabel. Pendekatan Controlled Vocabulary terbukti efektif mengeliminasi risiko konfabulasi (artificial hallucination) LLM pada tahap seleksi awal hingga 0%, sementara tahap Explainable Generation mampu mengoreksi secara mandiri anomali hasil perhitungan matematis. Sistem ini diharapkan dapat membantu mahasiswa, peneliti, maupun pengembang dalam menentukan komponen IoT yang optimal secara lebih cepat, tepat, dan sesuai dengan kebutuhan implementasi proyek
Evaluasi Komparatif Algoritma Decision Tree dan Naive Bayes untuk Prediksi Churn Pelanggan pada Industri Telekomunikasi Irfan Harviansah; Higmatul Najib Ananda Saputra; Pratama Nur Hadiansah; Raihan Fadhil Aditya; 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

Abstract

Churn pelanggan merupakan tantangan signifikan bagi industri telekomunikasi karena biaya untuk memperoleh pelanggan baru jauh lebih besar dibandingkan biaya mempertahankan pelanggan lama. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi churn pelanggan menggunakan dataset Telco Customer Churn yang terdiri atas 7.032 data pelanggan setelah praproses, dengan 19 atribut prediktor. Metode penelitian meliputi eksplorasi data, pembersihan data, transformasi atribut kategorikal melalui Label Encoding, normalisasi atribut numerik dengan MinMaxScaler, pembagian data latih dan data uji sebesar 80:20 secara stratified, serta penanganan ketidakseimbangan kelas pada data latih menggunakan Synthetic Minority Oversampling Technique (SMOTE). Kedua algoritma dilatih pada data yang telah diseimbangkan dan diuji pada data uji asli, kemudian dievaluasi menggunakan matrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memberikan kinerja yang lebih baik dibandingkan Decision Tree pada seluruh matrik evaluasi, dengan Accuracy sebesar 0,7143, Precision 0,4763, Recall 0,7513, F1-Score 0,5830, dan AUC-ROC 0,8024, dibandingkan Decision Tree yang hanya mencapai Accuracy 0,7022, Precision 0,4528, Recall 0,5775, F1-Score 0,5076, dan AUC-ROC 0,6624. Selisih Recall yang signifikan menunjukkan bahwa Naive Bayes lebih mampu mengidentifikasi pelanggan yang benar-benar berpotensi churn, sehingga lebih sesuai untuk mendukung strategi retensi pelanggan pada industri telekomunikasi. Atribut Contract, InternetService, OnlineSecurity, dan TechSupport teridentifikasi sebagai faktor yang paling berpengaruh terhadap churn pada penelitian ini.
Penerapan Metode Content-Based Filtering Pada Sistem Rekomendasi Obat Non-Resep Berdasarkan Gejala Pengguna Irfan Ramadhan; Moh. Mutarom; 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

Perkembangan teknologi informasi di bidang kesehatan telah mendorong pemanfaatan sistem rekomendasi untuk membantu masyarakat memperoleh informasi obat secara lebih cepat dan tepat. Banyaknya pilihan obat non-resep yang tersedia di pasaran sering kali menyebabkan pengguna kesulitan dalam menentukan obat yang sesuai dengan gejala yang dialami. Penelitian ini bertujuan untuk menerapkan metode Content-Based Filtering pada sistem rekomendasi obat non-resep berdasarkan gejala pengguna. Data penelitian diperoleh melalui studi kasus pada apotek, berupa data obat non-resep yang meliputi nama obat, kategori obat, gejala, indikasi atau kegunaan, serta deskripsi penggunaan obat. Proses rekomendasi dilakukan melalui tahapan preprocessing data, pembobotan kata menggunakan TF-IDF, dan perhitungan tingkat kemiripan menggunakan Cosine Similarity. Hasil penelitian menunjukkan bahwa metode Content-Based Filtering yang dikombinasikan dengan TF-IDF dan Cosine Similarity mampu menghasilkan rekomendasi obat non-resep yang relevan berdasarkan tingkat kemiripan antara gejala pengguna dengan informasi obat. Sistem dapat mengurutkan rekomendasi berdasarkan nilai similarity sehingga membantu pengguna memperoleh alternatif obat yang sesuai secara lebih cepat dan tepat. Dengan demikian, metode yang diusulkan dapat diterapkan sebagai pendukung pengambilan keputusan dalam pemilihan obat non-resep berbasis web.
Rancang Bangun Sistem Rekomendasi Film IndonesiaMenggunakan Hybrid Filtering Berbasis Singular Value Decomposition dan Content-Based Filtering Firdaus, Muhammad Hanafi Afan; Suwita, Rahma Widhi Puja; Fawaid, Faqih Jendra; Faddly, Vicky Rachmad Nur; Amin, Ismail Fikrun; Atina, Vihi
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

Pertumbuhan platform streaming dan katalog film lokal membuat pengguna semakin sulit menemukan film Indonesia yang sesuai dengan preferensinya. Penelitian ini merancang CineNusa, prototipe sistem rekomendasi film Indonesia yang menggabungkan Content-Based Filtering (CBF) berbasis TF-IDF dan cosine similarity dengan Collaborative Filtering (CF) berbasis Singular Value Decomposition (SVD). Dataset yang digunakan adalah IMDb Indonesian Movies dari Kaggle yang berisi 1.262 film valid setelah pembersihan data. Karena dataset tidak menyediakan rating pengguna nyata, penelitian ini membangkitkan 17.461 rating sintetik dari 400 pengguna virtual berbasis rating IMDb dan noise Gaussian. Skor akhir rekomendasi dihitung dengan bobot 60% CBF dan 40% SVD. Evaluasi 5-fold cross-validation terhadap komponen SVD pada data rating sintetik menghasilkan RMSE rata-rata 0,3841 dan MAE rata-rata 0,2762. Sistem diimplementasikan sebagai aplikasi web berbasis Flask dengan fitur pencarian, rating film, rekomendasi personal, jelajah genre, mode swipe, dan perbandingan film. Hasil menunjukkan bahwa pendekatan hybrid SVD-CBF layak digunakan sebagai fondasi prototipe rekomendasi film Indonesia, tetapi validasi lanjutan dengan rating pengguna nyata tetap diperlukan.
Sistem Kendali Peralatan Elektronik Menggunakan Voice Recognition Zakiyuddin, Hisyam Arsyad; Maali, Izzul; Pratama, Ravinolddy Firza; 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

Perkembangan teknologi otomasi rumah pintar (smart home) saat ini menjadi solusi penting untuk meningkatkan efisiensi aktivitas manusia dan membantu aksesibilitas, khususnya dalam meminimalkan kelalaian pengelolaan interaksi fisik perangkat domestik. Penelitian ini bertujuan untuk merancang dan mengimplementasikan prototipe sistem kendali lampu pada dua ruangan, yaitu ruang tamu dan kamar tidur, yang dapat dioperasikan melalui perintah suara, teks, maupun kontrol manual berbasis aplikasi web. Metodologi yang digunakan meliputi integrasi perangkat keras berupa mikrokontroler ESP32 dan modul relai sebagai aktuator lampu, serta perangkat lunak berupa aplikasi web yang memanfaatkan Web Speech API untuk konversi suara menjadi teks, layanan Natural Language Processing (NLP) Dialogflow ES untuk mengenali maksud (intent) dan ruangan target pengguna, protokol Message Queuing Telemetry Transport (MQTT) melalui broker HiveMQ Cloud sebagai jalur kendali perangkat, serta Firebase Realtime Database sebagai media sinkronisasi status secara waktu nyata. Validasi sistem dilakukan melalui pengujian eksperimental yang mencakup kesesuaian kontrol manual pada dasbor aplikasi serta analisis waktu tanggap (response time) kontrol berbasis suara dan teks. Hasil pengujian menunjukkan bahwa seluruh percobaan kontrol manual berjalan tanpa selisih status antara perintah dan kondisi fisik lampu, sedangkan kontrol berbasis suara dan teks memiliki rata-rata waktu tanggap total sebesar 2.201,33 milidetik, dengan kontribusi layanan NLP mencapai sekitar 98,1% dari total waktu tersebut. Sistem juga terbukti memiliki ketahanan terhadap gangguan koneksi jaringan, ditandai dengan kemampuan penyambungan ulang (auto-reconnect) otomatis pada protokol MQTT tanpa kehilangan perintah pengguna. Hasil penelitian menunjukkan bahwa integrasi ESP32, NLP cloud, protokol MQTT, dan basis data waktu nyata mampu menghasilkan sistem kendali rumah pintar yang fungsional, responsif, dan andal untuk diterapkan pada skala rumah tangga.

Page 53 of 77 | Total Record : 764

 51   52   53   54   55 

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)