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
 52   53   54   55   56 
Sistem Cerdas Deteksi Kerusakan Jalan dengan Perbandingan Algoritma YOLOV8 dan SSD MobileNet Tualaka, Jupriola Jeskris Soleman; Atina, Vihi; Farida, Anisatul
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

Infrastruktur jalan raya yang aman dan nyaman merupakan fasilitas esensial bagi masyarakat, namun pengawasan kondisi jalan secara manual memiliki keterbatasan yang signifikan. Penelitian ini bertujuan untuk mengembangkan sistem cerdas pendeteksi kerusakan jalan raya guna mengenali berbagai jenis kerusakan seperti retak buaya, pelepasan butir, dan lubang. Sebagai solusi atas permasalahan tersebut, penelitian ini membandingkan kinerja dua algoritma deep learning berbasis Convolutional Neural Network (CNN) tipe one-stage detector, yaitu YOLOv8 dan SSD MobileNet. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM). Dataset yang digunakan sangat terbatas, yakni 45 citra kerusakan jalan yang diekstraksi dari Google Maps dan tangkapan kamera langsung, kemudian dikelola serta diaugmentasi menggunakan platform Roboflow. Hasil pengujian menunjukkan bahwa algoritma YOLOv8 memiliki tingkat responsivitas yang lebih tinggi dengan nilai mean Average Precision (mAP) pada IoU 0.50 berhasil mencapai angka 72 persen. Namun, metrik YOLOv8 menunjukkan volatilitas dan indikasi overfitting akibat menghafal dataset latih yang terlalu sempit. Di sisi lain, model SSD MobileNet mengalami kegagalan konvergensi secara mutlak dengan nilai mAP yang terus stagnan di angka 30 persen selama 100 epoch. Kegagalan ini disebabkan oleh ketidakmampuan algoritma SSD dalam menangani gangguan visual atau noise pada kondisi data yang sangat minim. Dapat disimpulkan bahwa kedua model saat ini belum siap untuk tahap implementasi produksi.
Analisis Sentimen Ulasan Pengguna Aplikasi Gojek di Google Play Store Menggunakan Algoritma Naïve Bayes Pratama, Kahfi Andhika; Pmungkas, Vicky Galih; Ependi, Desta Putra Sandhiya; Hanandita, Fahriyan Rizqi; Sari, Aprilisa Arum
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

Gojek merupakan salah satu platform layanan berbasis teknologi terbesar di Indonesia yang melayani jutaan pengguna setiap harinya. Ulasan pengguna di Google Play Store menjadi sumber informasi penting untuk menilai kepuasan dan persepsi pengguna terhadap layanan yang diberikan. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi Gojek di Google Play Store menggunakan algoritma Naïve Bayes. Dataset yang digunakan berjumlah 4.198 ulasan yang diperoleh dari platform Kaggle. Tahapan penelitian meliputi pengumpulan data, preprocessing teks (case folding, pembersihan teks, tokenisasi, stopword removal, dan stemming), pembobotan fitur menggunakan TF-IDF, klasifikasi sentimen dengan Naïve Bayes, serta evaluasi model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mengklasifikasikan sentimen dengan akurasi sebesar 85,4%, precision 84,7%, recall 85,1%, dan F1-Score 84,9%. Mayoritas ulasan pengguna bersifat positif, yang mengindikasikan tingkat kepuasan pengguna yang cukup tinggi terhadap aplikasi Gojek.
Implementasi Algoritma Decision Tree untuk Klasifikasi Penerimaan Beasiswa Berdasarkan Data Akademik dan Kondisi Sosial Ekonomi Mahasiswa Kevien Ollyvie Jolanda; Aurielia Vegayanta; Eka Yulianti; Himas Arya Rahmadhani
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

Proses seleksi penerima beasiswa di perguruan tinggi sering menghadapi kendala berupa banyaknya jumlah pendaftar dan beragamnya kriteria penilaian sehingga berpotensi menimbulkan subjektivitas dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan sistem klasifikasi kelayakan penerima beasiswa berbasis web menggunakan algoritma Decision Tree untuk membantu proses seleksi yang lebih objektif, cepat, dan transparan. Metode penelitian yang digunakan meliputi pengumpulan data mahasiswa, praproses data, pembangunan model Decision Tree menggunakan algoritma CART dengan kriteria Gini Impurity, evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score, serta implementasi model ke dalam aplikasi berbasis web. set terdiri atas 1.043 data mahasiswa dengan atribut Indeks Prestasi Kumulatif (IPK), penghasilan orang tua, keikutsertaan organisasi, Unit Kegiatan Mahasiswa (UKM), dan Jumlah Tanggungan. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mencapai nilai accuracy sebesar 92,9%, precision 89,5%, recall 92,8%, dan F1-score 91,1%. Sistem yang dikembangkan tidak hanya mampu memberikan hasil prediksi kelayakan penerima beasiswa secara otomatis, tetapi juga menyediakan visualisasi pohon keputusan sehingga proses klasifikasi lebih mudah dipahami oleh pengguna. Berdasarkan hasil tersebut, sistem yang dibangun dapat menjadi sistem pendukung keputusan yang efektif dalam membantu proses seleksi penerima beasiswa secara lebih objektif, efisien, dan transparan.
Penerapan Metode User-Based Collaborative Filtering pada Sistem Rekomendasi Buku Berbasis Dataset Publik Maulana Az Zahra Yusuf; 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

Perkembangan teknologi informasi telah meningkatkan jumlah koleksi buku digital yang tersedia, sehingga pengguna sering mengalami kesulitan dalam menemukan buku yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi buku menggunakan metode User-Based Collaborative Filtering dengan memanfaatkan dataset publik Book-Crossing. Tahapan penelitian meliputi preprocessing data, pembentukan User-Item Matrix, perhitungan tingkat kemiripan antar pengguna menggunakan metode Cosine Similarity, serta proses pemberian rekomendasi berdasarkan weighted recommendation score. Sistem dikembangkan menggunakan bahasa pemrograman Python dengan framework Streamlit sehingga menyediakan antarmuka bagi pengguna untuk memperoleh rekomendasi buku dan dashboard admin untuk menampilkan hasil analisis data. Kinerja sistem dievaluasi menggunakan Root Mean Square Error (RMSE), serta metrik Precision dan Recall. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan rekomendasi buku berdasarkan kemiripan preferensi pengguna dengan nilai RMSE sebesar 1,796, Precision sebesar 0,003, dan Recall sebesar 0,017. Selain itu, sistem berhasil menampilkan informasi analisis dataset, distribusi rating, buku terpopuler, pengguna paling aktif, serta visualisasi evaluasi model. Hasil penelitian menunjukkan bahwa metode User-Based Collaborative Filtering mampu diterapkan pada sistem rekomendasi buku berbasis dataset publik dan memberikan rekomendasi yang relevan sesuai pola penilaian pengguna.
Analisis Komparatif antara Long Short-Term Memory (LSTM) dan XGBoost dalam Estimasi Penjualan Toko Retail Mohammad Hassanal Bolqia; Nurul Faiqah; Rezty Amalia Aras; Aulia Rahmawati
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

Peramalan penjualan yang akurat merupakan kemampuan penting bagi bisnis modern karena menjadi dasar perencanaan persediaan, penjadwalan staf, dan proyeksi pendapatan. Penelitian ini membandingkan dua pendekatan peramalan yang banyak digunakan, yaitu jaringan Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost), pada dataset penjualan ritel open-source. Data penjualan harian diagregasi dari data transaksi tingkat pesanan, kemudian direkayasa menjadi fitur kalender, fitur lag, dan fitur rolling-window untuk XGBoost, serta diformat menjadi jendela sekuensial yang telah diskalakan untuk LSTM. Kedua model dilatih pada rentang waktu pelatihan yang berurutan secara kronologis dan dievaluasi pada periode pengujian menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa LSTM memperoleh MAE (Rp7.800) dan RMSE (10.800) yang sedikit lebih rendah dibandingkan XGBoost, namun justru menghasilkan MAPE (%25.100) yang lebih tinggi. Visualisasi prediksi menunjukkan bahwa LSTM cenderung menghasilkan prediksi yang hampir konstan mendekati rata-rata penjualan, sedangkan XGBoost dengan MAE (Rp8.600), RMSE (Rp11.500) dan MAPE (%23,200) mampu mengikuti sebagian fluktuasi jangka pendek meskipun kedua model masih kesulitan menangkap lonjakan penjualan ekstrem.
Analisis Klasifikasi Surat BPS Sragen Menggunakan TF-IDF dan Algoritma Multinomial Naïve Bayes pada E-Arsip Fitria Ayu Novitasari; Wiji Lestari; 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

Pengelolaan arsip surat pada Badan Pusat Statistik (BPS) Kabupaten Sragen masih dilakukan secara manual sehingga proses pengelompokan dan pencarian surat memerlukan waktu yang relatif lama serta berpotensi menimbulkan kesalahan klasifikasi. Penelitian ini bertujuan menerapkan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan algoritma Multinomial Naive Bayes untuk melakukan klasifikasi otomatis jenis surat pada sistem e-arsip berbasis web. Tahapan penelitian meliputi pengumpulan dataset surat, preprocessing teks, pembobotan kata menggunakan TF-IDF, serta proses klasifikasi menggunakan Multinomial Naive Bayes. Sistem dikembangkan menggunakan bahasa pemrograman Python dengan framework Flask. Dataset yang digunakan terdiri atas tiga kategori surat, yaitu pengumuman, undangan, dan permohonan. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan jenis surat secara otomatis dengan tingkat akurasi sebesar 85,71%. Hasil tersebut menunjukkan bahwa kombinasi metode TF-IDF dan algoritma Multinomial Naive Bayes cukup efektif dalam meningkatkan efisiensi pengelolaan arsip surat digital. Dengan demikian, sistem yang dikembangkan dapat membantu proses pengelompokan dan pencarian arsip surat secara lebih cepat, tepat, dan terstruktur pada BPS Kabupaten Sragen.
Sistem Rekomendasi Pemilihan Undangan Menggunakan Metode Content-Based Filtering Pada Toko Percetakan Undangan TRISNA Fiza Trisna Aqilla; Herliyani Hasanah; Nibras Faiq Muhammad
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 telah memberikan dampak besar terhadap berbagai sektor usaha, termasuk usaha percetakan undangan. Pada Toko Percetakan Undangan TRISNA, proses pemilihan undangan masih dilakukan secara manual menggunakan katalog fisik sehingga pelanggan membutuhkan waktu yang lama dalam menentukan desain yang sesuai. Selain itu, banyaknya variasi tema, jenis undangan, dan harga membuat pelanggan sering mengalami kesulitan dalam memilih produk yang tepat. Penelitian ini bertujuan untuk menerapkan metode Content-Based Filtering menggunakan Cosine Similarity dalam sistem rekomendasi pemilihan undangan. Metode tersebut digunakan untuk memberikan rekomendasi berdasarkan kesamaan atribut produk, seperti tema undangan, jenis undangan, harga, dan bentuk undangan melalui proses pembobotan TF-IDF. Hasil penelitian menunjukkan bahwa penerapan metode Content-Based Filtering dengan kalkulasi Cosine Similarity berhasil melakukan pemeringkatan produk secara objektif berdasarkan tingkat kemiripan karakteristik fisik dengan skor tertinggi mencapai 0,1701. Penerapan perhitungan komputasi ini terbukti efektif dalam mempercepat durasi pencarian produk, mengeliminasi kendala kelelahan mengambil keputusan (decision fatigue), serta mengoptimalkan efisiensi manajemen pelayanan transaksi pada Toko Percetakan Undangan TRISNA.
Sistem Rekomendasi Kombinasi Sparepart Untuk Bore Up Motor Menggunakan Metode Content-Based Filtering Galang Prambudi Raka Kusuma; Moh. Muhtarom; 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

Modifikasi mesin sepeda motor melalui proses bore up membutuhkan pemilihan kombinasi sparepart yang sesuai agar peningkatan performa mesin dapat tercapai secara optimal. Namun, banyaknya variasi komponen, perbedaan spesifikasi teknis, serta keterkaitan antar sparepart menyebabkan pengguna maupun mekanik mengalami kesulitan dalam menentukan kombinasi yang tepat. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi kombinasi sparepart bore up motor berbasis web menggunakan metode Content-Based Filtering. Metode tersebut diterapkan dengan memanfaatkan karakteristik atribut pada data kombinasi sparepart, meliputi jenis motor, kapasitas mesin, tipe penggunaan, dan rentang anggaran pengguna. Proses rekomendasi dilakukan dengan menghitung tingkat kemiripan antara kebutuhan pengguna dan data kombinasi sparepart menggunakan algoritma Cosine Similarity. Sistem dikembangkan menggunakan framework Next.js dengan bahasa pemrograman TypeScript, Tailwind CSS sebagai teknologi antarmuka, serta Firebase Firestore sebagai media penyimpanan data. Pengujian sistem dilakukan menggunakan metode Black Box Testing untuk memastikan fungsi sistem berjalan sesuai kebutuhan, sedangkan evaluasi rekomendasi dilakukan dengan membandingkan hasil rekomendasi sistem terhadap rekomendasi mekanik Bengkel Numoto. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan rekomendasi kombinasi sparepart berdasarkan tingkat kemiripan atribut dengan nilai similarity tertinggi sebesar 0,9324 pada kombinasi harian dan 0,8856 pada kombinasi balap. Berdasarkan hasil tersebut, metode Content-Based Filtering dapat diterapkan untuk membantu proses pemilihan kombinasi sparepart bore up motor secara lebih cepat, objektif, dan sesuai kebutuhan pengguna.
Implementasi AI Voice Assistant Berbasis ESP32 Pada Wearable Smart Cultural Mask Untuk Edukasi Budaya Indonesia Galih Enggal Jati; Naufal Danadyaksa; Ilham Nugroho; Maulana Shultan Mubayyin; Rudi Susanto
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 memberikan peluang besar dalam mendukung pelestarian dan penyebaran informasi budaya Indonesia kepada masyarakat, khususnya generasi muda. Namun, media edukasi budaya yang masih banyak menggunakan metode konvensional menyebabkan proses penyampaian informasi kurang interaktif dan belum mampu mengikuti perkembangan teknologi saat ini. Penelitian ini bertujuan untuk mengembangkan wearable Smart Cultural Mask berbasis Internet of Things (IoT) yang mengintegrasikan teknologi Artificial Intelligence (AI) Voice Assistant sebagai media edukasi budaya Indonesia. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan tahapan analisis kebutuhan, perancangan sistem, implementasi prototype, dan pengujian sistem. Smart Cultural Mask dikembangkan menggunakan ESP32 sebagai mikrokontroler utama, modul mikrofon digital INMP441 sebagai input suara, serta modul penguat audio MAX98357A dan speaker sebagai keluaran suara. Sistem bekerja dengan menerima perintah suara pengguna, kemudian data suara dikirim melalui koneksi WiFi menuju layanan AI Voice Assistant untuk diproses dan menghasilkan respons suara yang diteruskan kembali melalui speaker. Hasil implementasi menunjukkan bahwa prototype Smart Cultural Mask berhasil direalisasikan dan mampu menjalankan fungsi utama sistem, yaitu menerima input suara, melakukan komunikasi dengan layanan AI Voice Assistant, serta menghasilkan keluaran suara sebagai respons kepada pengguna. Berdasarkan pengujian Black Box Testing, seluruh fungsi sistem berhasil berjalan sesuai dengan rancangan, dengan waktu respons utama pada proses komunikasi AI sekitar 10 detik yang dipengaruhi oleh kondisi koneksi internet. Penelitian ini berfokus pada implementasi dan pengujian fungsional sistem, sehingga evaluasi terhadap performa AI Voice Assistant maupun efektivitas Smart Cultural Mask sebagai media edukasi budaya belum dilakukan dan menjadi ruang lingkup penelitian selanjutnya.
Klasifikasi Kesuksesan Film Berdasarkan Karakteristik Produksi Menggunakan Random Forest Garin Dani Saputra; Elsa Oktawiyani; Amanda Aditama Nurani; Alif Akbar Andriyansyah; Sultan Syah Afriyadi
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 industri perfilman global yang pesat memicu timbulnya risiko finansial yang tinggi bagi rumah produksi dan investor akibat ketidakpastian pasar. Kemampuan memproyeksikan potensi kesuksesan film sejak tahap pra-produksi menjadi instrumen manajemen risiko yang sangat krusial. Penelitian ini bertujuan membangun model klasifikasi kesuksesan film menggunakan algoritma Random Forest Classifier berdasarkan karakteristik produksinya. Siklus metodologi yang diadopsi adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup enam tahapan terstruktur. Dataset yang digunakan bersumber dari TMDB 5000 Movies. Label target biner kesuksesan film didefinisikan berdasarkan pencapaian skor evaluasi rating akhir lebih dari tujuh koma nol. Model dilatih menggunakan konfigurasi parameter n_estimators sama dengan seratus dan random_state sama dengan empat puluh dua dengan melibatkan fitur utama berupa budget, revenue, popularity, runtime, genre populer, dan keterlibatan aktor kelas atas. Berdasarkan hasil pengujian, model Random Forest berhasil mencatatkan performa akurasi global yang tinggi sebesar 83,8%. Hasil analisis feature importance menunjukkan bahwa atribut durasi film (runtime) dan tingkat popularitas di masyarakat merupakan dua parameter paling dominan dalam memengaruhi keputusan percabangan pohon keputusan. Model terbaik diserialisasi ke dalam format .pkl dan diimplementasikan ke dalam backend aplikasi web berbasis framework Flask sebagai sistem pendukung keputusan praktis secara real-time.

Page 54 of 77 | Total Record : 764

 52   53   54   55   56 

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)