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
 54   55   56   57   58 
Perancangan Sistem Rekomendasi Sarung Pria Berdasarkan Preferensi Pengguna Menggunakan Metode Constraint-Based Recommendation Muhammad Alive Muflih; Ahmad Saifudin; Dimas Adji Yoga Saputra; Hasan Azhary; Dony Ibnu Prakoso; 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 sarung pria sering kali menjadi tantangan bagi konsumen karena banyaknya variasi produk yang tersedia dengan karakteristik yang berbeda seperti merek, jenis, bahan, warna, ukuran, dan harga. Penelitian ini bertujuan merancang sistem rekomendasi sarung pria berdasarkan preferensi pengguna menggunakan metode Constraint-Based Recommendation. Pengembangan sistem menggunakan metode Prototype yang terdiri atas tahap identifikasi masalah, pengumpulan kebutuhan, analisis kebutuhan, perancangan, dan implementasi. Dataset penelitian menggunakan 30 data produk sarung yang berasal dari toko milik peneliti. Sistem bekerja dengan mencocokkan preferensi pengguna terhadap atribut produk dan menghitung nilai matching score untuk menentukan tingkat kesesuaian setiap produk. Berdasarkan skenario preferensi pengguna berupa merek Alima, bahan Sutera, dan ukuran Besar, sistem menghasilkan tiga rekomendasi terbaik, yaitu ALIMA Sarung Gunung Ekslusive Sutera dengan nilai 1, ALIMA Sarung Kawung Sutera dengan nilai 1, serta KETJUBUNG Sarung Crown dengan nilai 0,67. Hasil tersebut menunjukkan bahwa metode Constraint-Based Recommendation mampu menghasilkan rekomendasi yang relevan berdasarkan tingkat kesesuaian atribut produk terhadap preferensi pengguna sehingga dapat membantu proses pemilihan sarung secara lebih efektif dan objektif.
Prediksi Produksi Tanaman Perkebunan di Sumatera Selatan Menggunakan Algoritma Linear Regression Aria Juantito; M. Eka Wahyudi; Fajar Andrea Mukti; Pujianto
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

Sektor perkebunan merupakan salah satu sektor penting yang berkontribusi terhadap perekonomian Provinsi Sumatera Selatan melalui komoditas utama seperti kelapa sawit, karet, kelapa, kopi, dan kakao. Variasi produksi yang terjadi setiap tahun menyebabkan perlunya prediksi produksi sebagai dasar dalam mendukung perencanaan dan pengambilan keputusan di bidang pertanian. Penelitian ini bertujuan untuk memprediksi produksi tanaman perkebunan di 17 kabupaten/kota di Provinsi Sumatera Selatan menggunakan algoritma Linear Regression. Data yang digunakan merupakan data historis produksi tanaman perkebunan periode 2021–2025. Tahapan penelitian mengikuti metode Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, praproses, transformasi, pemodelan, dan evaluasi. Proses pemodelan dilakukan menggunakan aplikasi Orange Data Mining dengan skema evaluasi 10-Fold Cross Validation. Hasil evaluasi menunjukkan bahwa model Linear Regression menghasilkan nilai koefisien determinasi (R²) sebesar 1,000, Root Mean Square Error (RMSE) sebesar 0,373, dan Mean Absolute Error (MAE) sebesar 0,249. Nilai evaluasi tersebut menunjukkan bahwa model mampu mengikuti pola data yang digunakan dengan tingkat kesalahan prediksi yang rendah. Hasil penelitian ini menunjukkan bahwa algoritma Linear Regression dapat digunakan sebagai salah satu pendekatan untuk memprediksi produksi tanaman perkebunan di Provinsi Sumatera Selatan berdasarkan data historis yang tersedia.
Implementasi Algoritma XGBoost untuk Klasifikasi Customer Segment dalam Mengidentifikasi Nilai dan Loyalitas Pelanggan Nabil Abdul Majid; Muhammad Rifky Hafan; Trafrika Nining Erina; Savina Dyah Arwiana; 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

Customer Segment sangat diperlukan agar perusahaan dapat memahami sifat pelanggan dan merancang strategi pemasaran yang lebih efisien. Studi ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengelompokkan pelanggan ke dalam empat segmen, yaitu High_Value, Loyal, Regular, dan Occasional, dengan dasar karakteristik demografis serta perilaku pelanggan. Dataset yang digunakan merupakan Customer Segment Ritel Online dari Kaggle, dengan langkah penelitian mencakup pra-pemrosesan data, transformasi data, pemodelan dengan XGBoost, dan penilaian model. Temuan penelitian mengindikasikan bahwa model XGBoost dapat meraih akurasi hingga 75%. Analisis mendalam mengindikasikan bahwa purchase_frequency dan months_active adalah variabel yang paling berpengaruh dalam klasifikasi. Oleh karena itu, XGBoost sangat efisien dalam mengklasifikasikan segmen pelanggan dan dapat membantu dalam menentukan nilai serta kesetiaan pelanggan sebagai landasan untuk keputusan pemasaran.
Implementasi Artificial Intelligence pada Sistem Otomatisasi Dokumentasi Foto dan Video WhatsApp ke Google Drive Berbasis Cloud Computing Nabila Hulwana Zuhud; Dewi Tri Yuliana; Salma Putri Fadhilla
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 dokumen absensi kelas secara manual melalui grup WhatsApp seringkali tidak terstruktur, rawan hilang, dan menyulitkan pencarian arsip berdasarkan kelas maupun periode waktu tertentu. Penelitian ini bertujuan merancang dan mengimplementasikan sistem otomasi yang dapat menerima foto atau video absensi yang dikirim melalui grup WhatsApp, kemudian secara otomatis mengunggahnya ke Google Drive dengan struktur folder yang terorganisir berdasarkan nama kelas dan periode bulan-tahun. Sistem dikembangkan menggunakan Node.js dengan pustaka whatsapp-web.js untuk integrasi WhatsApp, Google Drive API dengan autentikasi OAuth 2.0 untuk penyimpanan berkas, serta model kecerdasan buatan Gemini untuk memahami variasi penulisan caption yang tidak baku. Metode pengembangan sistem menggunakan pendekatan Prototype, meliputi analisis kebutuhan, perancangan arsitektur, implementasi, pengujian, dan evaluasi. Hasil pengujian menunjukkan sistem berhasil mengklasifikasikan dan menyimpan berkas ke folder yang sesuai secara otomatis, serta mampu mengenali variasi caption yang tidak baku dengan bantuan model bahasa Gemini. Sistem ini diharapkan meningkatkan efisiensi pengelolaan dokumen absensi dibandingkan metode manual yang selama ini digunakan.
Prediksi cuaca Multi-Horizon 1-6 jam pada Wilayah Menggunakan Algoritma LightGBM Neo Ramadhani; Intan Yuniar Purbasari; 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

Perubahan cepat dalam kondisi cuaca memiliki dampak signifikan terhadap berbagai sektor dan aktivitas di suatu daerah, sehingga sangat penting untuk memiliki prakiraan cuaca jangka pendek yang tepat dan cepat di tingkat lokal. Penelitian ini menggunakan algoritma LightGBM untuk memprediksi empat parameter cuaca, yaitu suhu, kelembapan, curah hujan, dan kecepatan angin, pada beberapa batas waktu, yaitu 1, 3, dan 6 jam ke depan, di beberapa lokasi dengan karakteristik iklim yang beragam. Data cuaca yang diperoleh setiap menit diubah menjadi format per jam, kemudian dibersihkan dan diproses menjadi fitur terkait waktu, lokasi, serta kondisi cuaca saat ini, serta rolling statistics untuk menangkap dinamika sementara, guna melatih model multi output. Sebagai pembanding, kinerja model LightGBM diuji dengan dua baseline, yaitu yagn pertama adalah Random Forest serta persistence forecast. Kinerja model dievaluasi dengan menggunakan metrik MAE, RMSE, galat ternormalisasi (nRMSE), dan koefisien determinasi (R²) baik secara individual untuk setiap variabel maupun per batas waktu. Hasil pengujian menunjukkan bahwa model mampu menjelaskan sekitar 65% variasi dari keempat parameter (R² makro 0,65; nRMSE 0,49), di mana suhu (R² 0,98) dan kelembapan (R² 0,89) adalah parameter yang paling akurat, kecepatan angin tergolong sedang karena menyentuh R² 0,66, sedangkan curah hujan menjadi yang paling sulit diprediksi (R² 0,08). LightGBM mengungguli kedua baseline pada seluruh parameter termasuk pada curah hujan, yang dimana Random Forest dan persistence forecast justru menghasilkan R² negatif sehingga keunggulan tidak dipengaruhi oleh data Akurasi model mengalami penurunan seiring dengan bertambahnya batas waktu, dari R² 0,75 pada horizon 1 jam, menjadi 0,54 pada 6 jam, sehingga fokus model adalah pada prakiraan jangka pendek 1–6 jam. Dengan demikian, pendekatan gradient boosting berbasis LightGBM dinilai sangat efisien untuk prakiraan cuaca multi-horizon jangka pendek.
Komparasi Algoritma Prediksi Churn Pelanggan Berbasis Machine Learning Pada Aplikasi Billing Admin Nur Afrianto; Aprilisa Arum Sari; Margaretha Evi Yuliana
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

Pada perusahaan yang menerapkan model bisnis berbasis langganan, perpindahan pelanggan ke kompetitor menjadi permasalahan penting karena berdampak langsung terhadap stabilitas pendapatan dan keberlangsungan hubungan pelanggan. Penelitian ini bertujuan untuk membandingkan performa algoritma LightGBM dan Decision Tree dalam memprediksi churn pelanggan serta mengimplementasikan model terbaik ke dalam aplikasi Billing Admin. Pelaksanaan penelitian mengacu pada metodologi CRISP-DM yang terdiri atas tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset customer churn yang digunakan terdiri dari 2.800 data pelanggan dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Jika dibandingkan dengan Decision Tree, algoritma LightGBM terbukti menghasilkan performa yang lebih superior. Hal ini ditunjukkan oleh perolehan Accuracy 0,6274, Recall 0,6819, dan F1-Score 0,6770. Model LightGBM kemudian berhasil diintegrasikan ke dalam aplikasi Billing Admin berbasis CodeIgniter 4 menggunakan Flask API untuk melakukan prediksi churn pelanggan secara otomatis. Dengan demikian, model yang dihasilkan mampu membantu perusahaan dalam mengidentifikasi pelanggan yang berpotensi churn dan mendukung pengambilan keputusan dalam strategi retensi pelanggan.
Deteksi Dini Risiko Kesehatan Ibu Hamil Menggunakan Algoritma XGBoost dan Analisis Feature Importance Nurhayati; Agung Suryadi; Yunita Wisda Tumarta Arif; Aril Rizal Saputra
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

Risiko kesehatan pada ibu hamil merupakan salah satu kondisi yang perlu dideteksi sejak dini karena berkaitan dengan kesehatan ibu dan janin. Penelitian ini bertujuan untuk membangun model klasifikasi risiko kesehatan ibu hamil menggunakan algoritma Extreme Gradient Boosting (XGBoost) berdasarkan data kondisi kesehatan ibu hamil. Dataset yang digunakan terdiri dari 12 variabel klinis, yaitu Usia (Age), Tekanan Darah Sistolik (Systolic Blood Pressure), Tekanan Darah Diastolik (Diastolic Blood Pressure), Kadar Gula Darah (Blood Sugar), Suhu Tubuh (Body Temperature), Indeks Massa Tubuh (Body Mass Index), Riwayat Komplikasi (Previous Complications), Riwayat Diabetes Sebelumnya (Preexisting Diabetes), Diabetes Kehamilan (Gestational Diabetes), Kesehatan Mental (Mental Health), Denyut Jantung (Heart Rate), Dan Kategori Risiko (Risk Level). Target Klasifikasi Terdiri Dari Dua Tingkat Risiko Kehamilan, Yaitu Low Risk (Risiko Rendah) Dan High Risk (Risiko Tinggi). Tahapan penelitian meliputi pengumpulan data, preprocessing data, pembagian dataset, pemodelan menggunakan XGBoost, evaluasi model, dan analisis feature importance. Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan performa klasifikasi yang sangat baik dengan accuracy sebesar 99.16%, precision sebesar 0.979, recall sebesar 0.986, dan F1-Score sebesar 0.99. Hasil analisis feature importance menunjukkan bahwa variabel Blood Sugar, Gestational Diabetes, dan Preexisting Diabetes merupakan faktor yang paling berpengaruh terhadap tingkat risiko kesehatan ibu hamil. Berdasarkan hasil penelitian, algoritma XGBoost layak digunakan sebagai bagian dari sistem deteksi dini risiko kesehatan ibu hamil untuk membantu proses pengambilan keputusan dan pencegahan komplikasi secara lebih cepat dan tepat.
Analisis Performa Algoritma Decision Tree Berbasis SMOTE untuk Klasifikasi Membership Tier Pelanggan E-Commerce Nurul Faiqah; Andi Dwi Aprilya Bastiar; 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

Penelitian ini bertujuan untuk mengklasifikasikan membership tier menggunakan algoritma Decision Tree Classifier dengan optimasi teknik SMOTE kustom yang proporsional. Menggunakan dataset dari Kaggle yang mencakup 8.000 profil pelanggan dan 25.000 riwayat transaksi, teknik SMOTE kustom berhasil menyeimbangkan data latih dari 6.400 menjadi 8.800 sampel guna mengeliminasi bias kelas mayoritas (Free). Hasil pemodelan dengan pre-pruning (max_depth=4) menunjukkan bahwa rata-rata nilai pesanan (avg_order_value_usd) dengan ambang batas 66.232 USD menjadi akar penentu utama (root node). Evaluasi akhir melalui 5-Fold Cross Validation membuktikan skenario SMOTE kustom menghasilkan lonjakan nilai F1-Score Macro yang signifikan dibandingkan model konvensional. Model ini terbukti memiliki kemampuan generalisasi yang adil dan seimbang dalam mengenali kelas-kelas minoritas (Silver, Gold, dan Platinum), sehingga dapat dijadikan landasan strategis manajemen hubungan pelanggan (Customer Relationship Management) pada industri retail digital.
Penerapan Metode Knowledge-Based Filtering Pada Sistem Rekomendasi Penginapan Di Kota Surakarta Otto Santoso Putro; Dwi Hartanti; 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

Peningkatan volume wisatawan di Kota Surakarta memicu tingginya kebutuhan terhadap sarana akomodasi yang selaras dengan anggaran dan kriteria spesifik setiap pengunjung. Sistem pencarian pada umumnya masih mengandalkan rekam jejak penilaian masa lalu, sehingga sering kali memunculkan masalah cold start saat harus menyajikan rekomendasi kepada pengguna baru yang belum memiliki ulasan. Penelitian ini bertujuan untuk membangun sebuah sistem rekomendasi penginapan yang adaptif menggunakan metode knowledge-based filtering melalui pendekatan perhitungan kesesuaian case-based reasoning. Algoritma ini bekerja dengan cara memetakan pengetahuan secara langsung dari spesifikasi pencarian pengguna dan menghitung tingkat kecocokan (similarity score) terhadap 20 data penginapan di wilayah Kota Surakarta. Perhitungan rekomendasi didasarkan pada rumusan empat atribut utama dengan sebaran bobot yaitu harga sewa (0,35), ketersediaan fasilitas (0,25), standar rating (0,25), dan tipe kamar (0,15). Hasil pengujian sistem melalui simulasi studi kasus perhitungan komputasi membuktikan bahwa metode knowledge-based filtering beroperasi dengan transparan dan sistematis. Sistem terbukti mampu memvalidasi preferensi pengguna dan mengeksekusi perhitungan pembobotan nilai secara akurat, di mana pada pengujian kasus, penginapan Townhouse Oak dan Solo Grand City berhasil direkomendasikan sebagai pilihan utama dengan perolehan nilai kesesuaian tertinggi sebesar 1,00. Pendekatan algoritma ini menghasilkan keputusan akhir yang sangat objektif tanpa terhalang minimnya riwayat interaksi, terbukti kebal terhadap cold start, dan sangat layak diimplementasikan sebagai fondasi utama mesin pengambil keputusan personal bagi wisatawan.
Prediksi Performa Akademik Mahasiswa Berdasarkan Kebiasaan Gaming Menggunakan CatBoost Regressor Pradipta Aryasetya; Iqbal Abdul Aziz; Berkah Yordan Santoso; Achmad Ichwani; 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

Penelitian ini menyajikan pendekatan machine learning untuk memprediksi performa akademik mahasiswa berdasarkan kebiasaan bermain game dan faktor gaya hidup terkait menggunakan CatBoost Regressor. Penelitian ini menggunakan dataset Gaming vs Academic Performance yang terdiri atas 8.000 data dan 14 variabel yang merepresentasikan karakteristik mahasiswa, perilaku bermain game, kebiasaan belajar, durasi tidur, kehadiran, tingkat stres, dan nilai akademik. Dalam penelitian ini, nilai akademik digunakan sebagai variabel target, sedangkan prediktor yang dipilih meliputi jam belajar, jam bermain game, jam tidur, kehadiran, addiction score, dan tingkat stres yang telah dienkode. Tahap preprocessing meliputi standardisasi nama kolom, pembatasan nilai maksimum grades menjadi 100, serta pembentukan fitur rasio belajar terhadap bermain game untuk menangkap keseimbangan antara aktivitas akademik dan gaming. Optimasi hyperparameter dilakukan menggunakan Optuna, sedangkan performa model dievaluasi menggunakan 5-fold cross-validation dengan metrik Root Mean Square Error, Mean Absolute Error, dan R² score. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai rata-rata RMSE sebesar 5,5145, MAE sebesar 4,3139, dan nilai R² sebesar 0,9384, yang menunjukkan akurasi prediksi yang tinggi serta kemampuan penjelasan model yang kuat. Temuan ini menunjukkan bahwa variabel terkait gaming dan gaya hidup akademik memiliki kontribusi yang bermakna dalam prediksi nilai mahasiswa, serta menegaskan bahwa CatBoost Regressor efektif untuk tugas prediksi performa akademik pada konteks ini.

Page 56 of 77 | Total Record : 764

 54   55   56   57   58 

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)