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
 53   54   55   56   57 
Sistem Rekomendasi Tempat Wisata di Kota Surakarta Menggunakan Metode Hybrid Content-Based Filtering dan Collaborative Filtering Grestiana Ismi Rohkayu; Azzahra Zudhikta Ardiansyah; Nabil Dzaka Fahrizal Santoso; Nabila Hanun Fauziyah
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

Kota Surakarta memiliki beragam destinasi wisata yang dapat menjadi pilihan bagi wisatawan, namun banyaknya pilihan sering menyulitkan pengguna dalam menentukan destinasi yang sesuai dengan preferensi mereka. Penelitian ini bertujuan mengembangkan sistem rekomendasi tempat wisata berbasis chatbot Telegram menggunakan metode Content-Based Filtering dan Collaborative Filtering yang dikombinasikan dalam pendekatan Hybrid Recommendation System. Sistem dikembangkan menggunakan Platform Node.js dan Telegram Bot API dengan memanfaatkan data destinasi wisata serta preferensi pengguna untuk menghasilkan rekomendasi yang lebih personal Dataset yang digunakan terdiri dari 53 destinasi wisata di Kota Surakarta. Berdasarkan hasil rekomendasi, sistem menempatkan Pracima Tuin sebagai destinasi wisata dengan Hybrid Score tertinggi sebesar 0,436, diikuti oleh House of Danar Hadi sebesar 0,386, dan Masjid Agung Surakarta sebesar 0,249. Hasil pengujian menunjukkan sistem memperoleh nilai Mean Absolute Error (MAE) sebesar 0,160, Precision sebesar 0,000, dan Recall sebesar 0,300. Selain itu, hasil evaluasi menggunakan USE Questionnaire terhadap 10 responden memperoleh nilai Usability sebesar 82,6%, yang menunjukkan bahwa chatbot memiliki tingkat kemudahan penggunaan yang sangat baik. Berdasarkan hasil tersebut, sistem yang dikembangkan mampu memberikan rekomendasi wisata sesuai preferensi pengguna dan layak digunakan sebagai media rekomendasi destinasi wisata di Kota Surakarta.
Analisis Sentimen Komentar YouTube terhadap Trailer Kedua Grand Theft Auto VI Menggunakan TF-IDF dan Support Vector Machine Hafiz Pratama; Nanda Begti Rizal Nugroho; Agustina Purwatiningsih
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

Perilisan trailer kedua Grand Theft Auto VI oleh Rockstar Games menuai gelombang antusiasme publik yang masif di YouTube. Studi ini berupaya memilah polaritas komentar penonton atas trailer tersebut menjadi tiga golongan: positif, netral, serta negatif. Melalui YouTube Data API v3, data dihimpun lalu dilewatkan pada rangkaian penyaringan teks, pembuangan entri ganda, dan normalisasi, sehingga tersisa 6.445 komentar bersih. Penandaan polaritas ditempuh secara otomatis lewat pendekatan berbasis leksikon VADER, sementara ciri tekstualnya diekstraksi memakai Term Frequency-Inverse Document Frequency (TF-IDF) dan digolongkan dengan algoritma Support Vector Machine (SVM) berkernel linear. Ketimpangan kelas ditangani melalui pembobotan kelas seimbang berikut penalaan parameter via GridSearch. Berdasarkan evaluasi, model membukukan akurasi 73,55%, F1-score weighted 0,7245, dan F1-score macro 0,6715, disertai skor validasi silang lima lipatan 0,7054 ± 0,0100 yang menandakan model cukup stabil. Sebaran sentimen paling banyak ditempati kelas netral (53,6%), disusul positif (28,8%) dan negatif (17,5%). Hasil ini mengisyaratkan bahwa sebagian besar penonton merespons trailer dengan nada netral sampai antusias, sekaligus menyoroti kelemahan pelabelan leksikon saat berhadapan dengan sarkasme dan komentar negatif, yang berujung pada rendahnya performa kelas negatif.
Sistem Rekomendasi Pemilihan Ban Mobil Menggunakan Metode Case-Based Reasoning Berbasis K-Nearest Neighbors Ibnu Khairul Huda; Hisyam Arsyad Zakiyuddin; Izzul Maali; Afif Adam Mughnansyah; Ravinolddy Firza Pratama; 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

Menentukan ban mobil yang paling cocok kerap menjadi persoalan bagi konsumen umum karena banyaknya kombinasi spesifikasi teknis yang harus disesuaikan dengan kebutuhan berkendara. Penelitian ini mengusulkan sistem rekomendasi ban mobil yang mengombinasikan metode Case-Based Reasoning (CBR) dengan algoritma K-Nearest Neighbors (K-NN) pada tahap pengambilan kasus (retrieval). Proses dilakukan melalui empat tahap: pengumpulan data, normalisasi, perancangan model, dan penerapan pada platform web. Dari 574 catatan ban mentah, tersisa 446 catatan valid setelah pembersihan dan normalisasi. Kemiripan kasus baru dengan kasus tersimpan dihitung berdasarkan lima atribut berbobot: lebar ban, rasio aspek, diameter pelek, harga, dan jenis pemakaian. K-NN mengurutkan kandidat berdasarkan skor kemiripan dan menetapkan tiga teratas (K=3) sebagai rekomendasi. Pada uji coba dengan lebar 7,5 inci, rasio 65, pelek 15 inci, harga Rp1.500.000, dan kebutuhan CITY, sistem merekomendasikan tiga ban Bridgestone berukuran 185/65-15, yaitu B250HZ T (skor 0,9972), Turanza T005 (skor 0,9970), dan Turanza 6 (skor 0,9969), dengan seluruh skor kemiripan di atas 0,99. Pengukuran MAE dan RMSE menunjukkan galat di bawah 0,02, sementara simulasi confusion matrix mencatat nol false positive (`=1,00). Temuan ini menegaskan bahwa perpaduan CBR dan K-NN mampu bekerja akurat sebagai mesin rekomendasi ban mobil dan layak diterapkan pada aplikasi berbasis web.
Perancangan Sistem Rekomendasi Film Indonesia Menggunakan Content-Based Filtering Ikhsan Nur Purwanto; Muhammad Zamharir Rioga Putra; Galuh Wisma Safitri; Nur Elsa Widyaningrum; Joevan Maulana Florian
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 layanan hiburan digital menyebabkan jumlah pilihan film semakin banyak, sehingga pengguna sering mengalami kesulitan dalam menentukan film yang sesuai dengan minatnya. Penelitian ini bertujuan untuk merancang sistem rekomendasi film berdasarkan kemiripan konten dan metadata film menggunakan metode Content-Based Filtering. Data yang digunakan terdiri dari 20 data film dengan atribut judul film, tahun, genre, sinopsis singkat, kata kunci, sutradara, dan pemain utama. Lima variabel utama yang digunakan dalam proses rekomendasi adalah genre, sinopsis, kata kunci, sutradara, dan pemain utama. Tahapan perancangan meliputi pengumpulan data, preprocessing, pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), normalisasi vektor, perhitungan kemiripan antarfilm menggunakan Cosine Similarity, dan perancangan antarmuka. Hasil penelitian menunjukkan bahwa pada film acuan "Dilan 1990", film yang direkomendasikan adalah "Dilan 1991" dengan nilai similarity sebesar 0,568. Sementara itu, pada film acuan "KKN di Desa Penari", film yang direkomendasikan adalah "Badarawuhi di Desa Penari" dengan nilai similarity sebesar 0,304. Hasil tersebut menunjukkan bahwa rancangan metode dapat menggambarkan proses rekomendasi film berdasarkan kesamaan konten dan metadata. Namun, penelitian ini masih terbatas pada tahap perancangan dan menggunakan dataset kecil, sehingga hasilnya bersifat ilustratif dan belum dapat membuktikan efektivitas sistem secara empiris.
Prediksi Aktivitas Belajar Efektif Mahasiswa Menggunakan Algoritma Decision Tree Ilham Syauqi Hizbullah; Ardian Biahlil Badri; Rizqi Nur Hidayatullah; Muthia Lutfi Qurata'ain; Dafa Aminata
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 pembelajaran di perguruan tinggi memerlukan evaluasi mendalam untuk memastikan efektivitasnya. Penelitian ini bertujuan untuk memprediksi efektivitas belajar mahasiswa menggunakan pendekatan machine learning dengan algoritma Decision Tree. Data penelitian diperoleh dari kuesioner yang melibatkan 900 responden mahasiswa Universitas Duta Bangsa (UDB). Variabel yang dianalisis dalam penelitian ini meliputi semester, gender, metode belajar, durasi belajar, gangguan digital, lingkungan pendukung, tingkat pemahaman materi, dan efektivitas belajar sebagai variabel target. Tahapan penelitian meliputi studi literatur, pengumpulan data, preprocessing data, pembagian dataset menjadi data latih dan data uji, pembangunan model Decision Tree, evaluasi model menggunakan Confusion Matrix, Accuracy, Precision, Recall, F1-Score, ROC Curve, AUC-ROC, serta 5-fold Cross Validation, kemudian dilanjutkan dengan analisis feature importance. Hasil pengujian menunjukkan bahwa model Decision Tree mampu memprediksi efektivitas belajar dengan tingkat accuracy sebesar 83,33%, precision 94,87%, recall 82,22%, dan F1-Score sebesar 88,10%. Pengujian kurva karakteristik operasi penerima (Receiver Operating Characteristic) menghasilkan nilai AUC-ROC sebesar 0,8669, sementara validasi silang (5-fold cross-validation) memberikan rata-rata akurasi stabil di angka 81,89% ± 5,68%. Analisis kepentingan fitur menunjukkan bahwa metode belajar menjadi faktor yang paling dominan dalam menentukan efektivitas belajar mahasiswa. Penelitian ini membuktikan bahwa pendekatan berbasis data menggunakan Decision Tree dapat memberikan rekomendasi strategis bagi institusi pendidikan dalam mengoptimalkan sistem pembelajaran.
Implementasi Metode Forward Chaining Pada Sistem Irigasi dan Pemupukan Otomatis Untuk Tanaman Cabai Muhammad Faqih Habiburrohman; Rudi Susanto; Afu Ichsan Pradana
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

Fluktuasi cuaca ekstrem sering kali menjadi kendala utama dalam budidaya tanaman cabai, di mana pemberian irigasi dan pupuk yang tidak sesuai dengan kondisi lingkungan dapat memicu pembusukan akar dan plasmolisis nutrisi. Penelitian ini mengusulkan solusi berupa perancangan sistem irigasi dan pemupukan otomatis berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32. Kecerdasan sistem dibangun menggunakan metode Forward Chaining yang mengevaluasi pembacaan Capacitive Soil Moisture Sensor dan sensor DHT22. Fuzifikasi parameter lingkungan dipetakan ke dalam 12 basis aturan utama untuk menentukan ketepatan waktu aktuasi pompa air dan pompa pupuk NPK cair secara dinamis. Hasil pengujian menunjukkan bahwa mesin inferensi berhasil mengeksekusi penarikan kesimpulan secara majemuk dengan presisi. Selain itu, sistem terbukti handal dalam menjaga stabilitas operasional terhadap noise tegangan analog serta berhasil menjalankan protokol keamanan (failsafe) saat terjadi kegagalan transmisi data ke server.
ANALISIS SENTIMEN PADA GAME NEVERNESS TO EVERNESS DENGAN ALGORITMA NAIVE BAYES Muhammad Iqbal Afnan; Bondan Wahyu Pamekas; 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

Ulasan pengguna di Google Play Store merupakan sumber data berharga untuk mengevaluasi kualitas permainan, namun jumlah ulasan yang besar menyulitkan proses analisis sentimen secara manual. Neverness to Everness (NTE) merupakan game open-world RPG yang menarik perhatian komunitas pemain dengan ribuan ulasan di platform tersebut. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna game NTE menggunakan algoritma Naive Bayes Classifier dengan ekstraksi fitur TF-IDF. Data mentah dikumpulkan sebanyak 4.200 ulasan berbahasa Indonesia dari Google Play Store, kemudian diperoleh 3.855 ulasan valid setelah rating 3 (dianggap memiliki sentimen ambigu). Data diberi label semi-otomatis berdasarkan rating bintang (4–5 = positif, 1–2 = negatif). Preprocessing teks meliputi case folding, cleaning, normalisasi slang, stopword removal, stemming, dan tokenisasi menggunakan pustaka Sastrawi. Ekstraksi fitur dilakukan dengan TF-IDF yang menghasilkan 4.921 fitur unik. Mengingat distribusi sentimen yang sangat tidak seimbang (77,7% positif dan 22,3% negatif), teknik SMOTE (Synthetic Minority Over-sampling Technique) diterapkan pada 80% data training. Hasil pengujian pada 20% data testing menunjukkan bahwa algoritma Multinomial Naive Bayes mencapai tingkat akurasi 81,58% dengan recall kelas negatif mencapai 0,77. Berdasarkan confusion matrix, model berhasil memprediksi 133 ulasan negatif dan 496 ulasan positif dengan benar. Nilai precision kelas positif yang mencapai 0,93 menunjukkan bahwa prediksi sentimen positif oleh model memiliki tingkat kepercayaan yang tinggi. Temuan analisis aspek mengungkap bahwa pengguna sangat mengapresiasi gameplay dan grafis permainan, namun menyoroti perlunya optimalisasi teknis terkait performa (lag), bug, dan masalah server. Hasil penelitian ini dapat dimanfaatkan oleh pengembang sebagai dasar evaluasi untuk meningkatkan player experience.
Analisis Perbandingan Algoritma Oversampling: Smote Dan Adasyn Pada Random Forest Untuk Prediksi Stroke Musa Muhammad Isa Al’Azzam; Afu Ichsan Pradana; Arif Setiawan
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

Stroke merupakan penyebab utama kematian dan kecacatan secara global, menjadikan deteksi dini berbasis rekam medis sebagai tindakan preventif yang krusial. Dalam memodelkan data klinis, algoritma Machine Learning seringkali menghadapi masalah ketimpangan distribusi kelas (class imbalance) yang parah. Pada dataset stroke publik, ketidakseimbangan ini menyebabkan model klasifikasi terjebak pada accuracy paradox, di mana model memperoleh akurasi tinggi dengan cara memprediksi seluruh data sebagai kelas mayoritas (sehat), namun sama sekali gagal mendeteksi kelas minoritas (stroke). Penelitian ini secara komprehensif membandingkan efektivitas dua algoritma penyeimbangan data level sintetis, yaitu Synthetic Minority Over-sampling Technique (SMOTE) dan Adaptive Synthetic (ADASYN), yang diintegrasikan pada arsitektur Random Forest. Dataset yang digunakan adalah Healthcare Stroke Data (Kaggle) dengan komposisi 95,13% pasien sehat dan 4,87% pasien stroke (5.110 observasi). Metodologi penelitian mencakup pra-pemrosesan (imputasi median dan label encoding), penerapan oversampling eksklusif pada data latih, dan pengujian menggunakan data tak terlihat (unseen data). Hasil eksperimen menunjukkan bahwa model Baseline (tanpa oversampling) mencatat akurasi semu sebesar 95,11% namun memiliki metrik Recall yang sangat kritis (2,00%). Sebaliknya, integrasi algoritma SMOTE terbukti paling efektif memecahkan paradoks tersebut dengan mendongkrak Recall hingga 11 kali lipat menjadi 22,00% serta mencapai F1-Score 0,1864, meskipun menurunkan akurasi keseluruhan menjadi 90,61%. ADASYN menghasilkan kinerja yang sedikit lebih rendah dengan Recall 18,00% akibat sintesis data agresif pada wilayah perbatasan (decision boundary) yang menciptakan noise. Kesimpulan dari penelitian ini menegaskan bahwa penyeimbangan data secara merata melalui SMOTE sangat vital dalam sistem diagnostik medis yang memprioritaskan sensitivitas penemuan penyakit (Recall).
Perbandingan Algoritma Random Forest, Logistic Regression, Support Vector Machine, dan Gradient Boosting untuk Klasifikasi Popularitas Lagu Menggunakan TF-IDF Fikko Nanda Ramadhani; Naaq Shal Ramadanu; Adit Ramadan; Muhammad Ridwan Martana Putra; 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

Perkembangan platform musik digital menghasilkan data dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi melalui teknik data mining, salah satunya klasifikasi. Penelitian ini bertujuan membandingkan performa algoritma Random Forest, Logistic Regression, Support Vector Machine (SVM), dan Gradient Boosting dalam mengklasifikasikan popularitas lagu menggunakan dataset Top 500 Songs. Tahapan penelitian meliputi preprocessing data, pembentukan label berdasarkan posisi lagu pada tangga lagu menjadi kategori Top 10 dan Non Top 10, transformasi data menggunakan TF-IDF pada atribut deskripsi lagu, standardisasi fitur numerik menggunakan StandardScaler, pembagian data dengan rasio 80% data latih dan 20% data uji, serta pembangunan model klasifikasi. Evaluasi dilakukan menggunakan matrix Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh performa terbaik dengan nilai akurasi sebesar 84%, diikuti Support Vector Machine sebesar 82%, Random Forest sebesar 80%, dan Gradient Boosting sebesar 78%. Hasil penelitian menunjukkan bahwa algoritma Logistic Regression lebih efektif dibandingkan algoritma lainnya dalam mengklasifikasikan popularitas lagu pada dataset yang direpresentasikan menggunakan TF-IDF. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi untuk data teks pada bidang musik digital.
Penerapan Algoritma Random Forest Untuk Prediksi Performa Akademik Siswa Sekolah Dasar Nafi Maula Rif’at; Nibras Faiq Muhammad; Wiji Lestari
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

Performa akademik siswa merupakan salah satu indikator penting dalam mengevaluasi keberhasilan proses pembelajaran pada jenjang sekolah dasar. Namun, pemanfaatan data akademik yang tersedia di sekolah sering kali masih terbatas sebagai arsip administratif dan belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan. Penelitian ini bertujuan menerapkan algoritma Random Forest dalam mengklasifikasikan performa akademik siswa berdasarkan data nilai mata pelajaran dan absensi. Dataset yang digunakan terdiri dari 177 data siswa yang dikelompokkan ke dalam tiga kategori performa akademik, yaitu Tinggi, Sedang, dan Rendah. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, pembangunan model menggunakan Random Forest dengan optimasi hyperparameter menggunakan GridSearchCV berbasis 5-Fold Cross-Validation, serta evaluasi model menggunakan metrik evaluasi dan Confusion Matrix. Hasil validasi Stratified 5-Fold CV menunjukan rata-rata akurasi sebesar 90,79%, dengan standar deviasi 2,82%, mengindikasikan model yang stabil. Optimasi menggunakan GridSearchCV menghasilkan Best CV Score sebesar 92,93%. Evaluasi pada data pengujian menghasilkan akurasi 91,67% dengan nilai precision 92,01%, recall 91,67%, dan F1-score 91,75%. Analisis feature importance menunjukkan bahwa atribut IPAS, Bahasa Indonesia, dan Agama merupakan variabel paling berpengaruh dalam proses klasifikasi. Hasil penelitian menunjukkan bahwa algoritma Random Forest mampu mengklasifikasikan performa akademik siswa dengan baik serta akurat dan dapat dimanfaatkan sebagai alat bantu objektif dalam mendukung pengambilan keputusan pembelajaran berbasis data.

Page 55 of 77 | Total Record : 764

 53   54   55   56   57 

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)