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
 55   56   57   58   59 
Klasifikasi Minat Beli Konsumen Terhadap Perangkat Elektronik Menggunakan Algoritma Decision Tree Rafi Alif Nur Safa; Muhammad Andi Ghalib; Muh Devano Alfarizy; Bayu Tri Kusuma
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

Persaingan bisnis di era digital menuntut pengambilan keputusan berbasis data, termasuk dalam memprediksi minat beli konsumen terhadap produk elektronik yang selama ini sering bergantung pada intuisi subjektif. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan algoritma Decision Tree guna memprediksi minat beli pelanggan secara real-time sekaligus memberikan rekomendasi strategi pemasaran. Penelitian ini menerapkan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi enam tahapan, mulai dari Business Understanding hingga Deployment. Pemodelan dilakukan menggunakan Predict Consumer Electronics Sales Dataset yang mencakup 9.000 data historis. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki performa sangat baik dengan akurasi pengujian (testing accuracy) 95,28%, precision 96%, recall 97%, dan F1-Score 96%. Selisih akurasi pelatihan (training accuracy) sebesar 95,32% yang minimal membuktikan model terhindar dari overfitting. Sebagai bentuk kontribusi, sistem ini memiliki keunggulan dalam melampaui tingkat akurasi penelitian terdahulu, sekaligus menawarkan kebaruan melalui integrasi langsung ke dalam antarmuka web interaktif berbasis Flask yang sangat responsif (rata-rata waktu respons 22,92 ms). Kesimpulannya, integrasi machine learning ke dalam SPK ini memfasilitasi peralihan pendekatan bisnis menjadi data-driven, sehingga efektif membantu manajemen toko ritel dalam mengoptimalkan strategi pemasaran secara tepat sasaran.
Implementasi DETR pada Website Streamlit untuk Deteksi Fraktur Tulang pada Citra X-Ray Rahma Allysa Abelya; Faisal Muttaqin; Yisti Vita Via
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

Interpretasi citra X-Ray untuk mengidentifikasi lokasi fraktur tulang masih bergantung pada pengalaman dan keahlian tenaga medis sehingga berpotensi mengalami kesalahan, terutama pada area fraktur yang sulit diidentifikasi. Penelitian ini bertujuan untuk mengimplementasikan dan mengintegrasikan model Detection Transformer (DETR) dengan backbone ResNet-50 ke dalam aplikasi web berbasis Streamlit untuk memproses citra X-Ray dan menyajikan keluaran prediksi lokasi fraktur. Fokus penelitian diarahkan pada implementasi model dan integrasinya ke dalam sistem web interaktif serta pengujian fungsional aplikasi. Sebanyak 1.434 citra X-Ray dari dataset FracAtlas yang diperoleh melalui platform Kaggle digunakan dalam penelitian ini, meliputi 717 citra dengan anotasi fraktur dan 717 citra tanpa anotasi fraktur. Model DETR dilatih menggunakan pembagian data latih, validasi, dan uji dengan rasio 70:15:15, kemudian diintegrasikan ke dalam aplikasi web berbasis Streamlit. Tahapan sistem meliputi unggah citra, pra-pemrosesan menggunakan DetrImageProcessor, inferensi model DETR, post-processing hasil prediksi, serta visualisasi keluaran prediksi dalam bentuk bounding box dan confidence score. Pengujian fungsional menggunakan metode black-box dilakukan untuk memastikan kesesuaian fungsi aplikasi dan integrasi model dengan rancangan sistem. Hasil pengujian menunjukkan bahwa seluruh fitur utama aplikasi dapat berjalan sesuai dengan rancangan dan model DETR berhasil diintegrasikan ke dalam aplikasi web berbasis Streamlit sehingga proses inferensi serta visualisasi keluaran prediksi dapat dilakukan melalui antarmuka web secara interaktif. Evaluasi kuantitatif terhadap kinerja model menggunakan metrik object detection berada di luar fokus pengujian pada penelitian ini.
Analisis Sentimen Pengguna Aplikasi ChatGPT Berdasarkan Ulasan Google Play Store Menggunakan Metode TF-IDF dan Support Vector Machine (SVM) Rangga Yudha Syahbana; Wijiyanto; Agustina Srirahayu
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 kecerdasan buatan generatif seperti ChatGPT telah meningkatkan penggunaan aplikasi berbasis Artificial Intelligence (AI) dalam berbagai bidang, seperti pendidikan, pekerjaan, dan pencarian informasi. Meningkatnya jumlah pengguna menyebabkan munculnya berbagai ulasan yang berisi opini, pengalaman, serta tingkat kepuasan pengguna terhadap aplikasi tersebut. Oleh karena itu, diperlukan analisis sentimen untuk mengetahui kecenderungan opini pengguna berdasarkan ulasan yang diberikan. Penelitian ini bertujuan untuk membangun sistem analisis sentimen terhadap ulasan pengguna aplikasi ChatGPT menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) sebagai metode ekstraksi fitur dan Support Vector Machine (SVM) sebagai metode klasifikasi. Dataset yang digunakan berupa 5.000 ulasan pengguna aplikasi ChatGPT yang diperoleh dari Google Play Store. Tahapan penelitian meliputi pengumpulan dataset, pelabelan sentimen berdasarkan rating pengguna, preprocessing teks, pembobotan fitur menggunakan TF-IDF, klasifikasi menggunakan algoritma SVM, serta evaluasi model menggunakan Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menunjukkan bahwa kombinasi metode TF-IDF dan SVM menghasilkan nilai Accuracy sebesar 90,10%, Precision sebesar 87,19%, Recall sebesar 90,10%, dan F1-Score sebesar 88,38%. Sistem yang dikembangkan berhasil mengklasifikasikan ulasan pengguna ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral, sehingga dapat membantu memahami persepsi pengguna terhadap aplikasi ChatGPT berdasarkan ulasan yang diberikan.
Arsitektur Evolutionary Stacking Ensemble Berbasis Algoritma Genetik untuk Klasifikasi Penyakit Jantung Koroner Renna Novaria Widyastuti; Diah Intan Nuraini; Wisnu Aji Sanjaya; Diah Septiani
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

Deteksi dini penyakit jantung koroner memerlukan sistem klasifikasi yang akurat dan handal. Penelitian ini bertujuan mengoptimalkan kinerja arsitektur Stacking Ensemble melalui penerapan Algoritma Genetik. Dataset penelitian mencakup 56 atribut klinis rekam medis pasien. Algoritma Genetik secara iteratif melakukan penalaan hyperparameter untuk menemukan konfigurasi model terbaik dan mencegah overfitting. Hasil eksperimen menunjukkan model Evolutionary Stacking mencapai tingkat akurasi sebesar 85,25%, meningkat dibandingkan model baseline sebesar 81,97%. Sistem berhasil meningkatkan spesifisitas hingga 66,67% dan mereduksi kasus alarm palsu dari 9 menjadi 6 kasus. Kurva ROC mencatatkan nilai AUC sebesar 0,8734 yang mengonfirmasi stabilitas prediksi model. Kesimpulan penelitian ini menegaskan bahwa integrasi algoritma evolusioner efektif dalam menangani ketimpangan data medis. Arsitektur yang diusulkan terbukti mampu beroperasi sebagai instrumen pendukung keputusan klinis yang efisien bagi tenaga medis.
IMPLEMENTASI ALGORITMA CATBOOST UNTUK KLASIFIKASI KELOMPOK PENDAPATAN NEGARA (INCOME GRUP) BERDASARKAN INDIKATOR MALNUTRISI GLOBAL Vivi Apriya Mardani; Aprilisa Arum Sari; Ridwan Dwi Irawan
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 malnutrisi masih menjadi salah satu tantangan global yang berdampak terhadap kualitas sumber daya manusia dan pembangunan ekonomi suatu negara. Berbagai indicator melnutrisi, seperti stunting, wasting, underweight, overweight, undernourisment, dan food insecurity, memiliki keterkaitan dengan kondisi sosial ekonomi dan tingkat pendapatan suatu negara. Penelitian ini bertujuan untuk mengimplementasikan algoritma CatBoost dalam mengklaifikasikan kelompok pendapatan negara (income group) berdasarkan indicator malnutrisi global. Data penelitian diperoleh dari World Health Organization (WHO) dan World Bank yang terdiri atas empat ketegori kelompok pendapatan, yaitu Low Income, Lower-Middle-Income, Upper-Middle-Income, dan High Income. Metode penelitian menggunakan pendekatan machine learning dengan pembagian data sebesar 70% sebagai data pelatihan dan 30% sebagai data pengujian. Model dibangun menggunakan algoritma CatBoost dengan parameter iteration sebesar 100, depth sebesar 4, dan learning rate sebesar 0,05. Hasil penelitian menunjukkan bahwa model CatBoost memperoleh tingkat akurasi sebesar 93,33%. Selain itu, hasil classification rate menunjukkan nilai precision, racell, dan f1-score yang tinggi pada Sebagian besar kelas. Analisis feature importance menunjukkan bahwa indicator food insecurity moderate severe dan wastinhg merupakan variabel yang paling berpengaruh dalam menentukan kelompok pendapatan negara. Dengan demikian, algoritma CatBoost mampu mengklasifikasikan kelompok pendapatan negara berdasarkan indicator malutrisi global secara efektif dan akurat.
Prediksi Pola Penggunaan Waktu Mahasiswa Menggunakan Machine Learning Wildan Ariel Heradi; Aris Wahyu Prasetyo; Ericko Budhi Wirayudha; Muhammad Amir Yahya; Adzriel Bima Putra; Maulana Bintang Hayuka
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 waktu merupakan salah satu faktor yang berpengaruh terhadap produktivitas dan keberhasilan akademik mahasiswa. Pola penggunaan waktu yang kurang seimbang dapat berdampak pada menurunnya efektivitas belajar maupun aktivitas pendukung lainnya. Penelitian ini bertujuan membangun model prediksi pola penggunaan waktu mahasiswa serta membandingkan kinerja algoritma Decision Tree, K-Nearest Neighbor (KNN), dan Naive Bayes dalam proses klasifikasi. Data penelitian diperoleh melalui survei terhadap mahasiswa dan menghasilkan 518 data, yang setelah melalui tahap preprocessing berupa data cleaning, seleksi atribut, dan transformasi data menjadi 516 data valid. Variabel yang digunakan meliputi jam kuliah, jam belajar mandiri, jam santai atau hiburan, jam olahraga, dan jam organisasi, dengan target berupa kategori pola penggunaan waktu mahasiswa. Dataset dibagi menggunakan rasio 80:20 menjadi data latih dan data uji. Evaluasi dilakukan menggunakan Confusion Matrix dengan metrik akurasi sebagai dasar perbandingan kinerja model. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa terbaik dengan akurasi sebesar 95,19%, diikuti oleh K-Nearest Neighbor sebesar 88,46% dan Naive Bayes sebesar 77,88%. Temuan tersebut menunjukkan bahwa Decision Tree lebih efektif dalam mengenali pola penggunaan waktu mahasiswa pada dataset yang digunakan sehingga berpotensi dimanfaatkan sebagai pendekatan pendukung dalam analisis perilaku belajar mahasiswa.
Analisis Sentimen Terhadap Program Makan Bergizi Gratis Menggunakan Pendekatan Pseudo-Labeling dan Arsitektur Transformer Wisnu Aji Sanjaya; Yoka Romadani; Jeremy Marcello Waani; Nisrina Hanifa Setiono
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

Analisis sentimen terhadap kebijakan publik sering kali terkendala oleh ketimpangan distribusi data (class imbalance) yang ekstrem, sehingga model klasifikasi cenderung mengalami bias dan mengabaikan opini minoritas. Penelitian ini bertujuan untuk membangun model klasifikasi sentimen yang mampu mengurangi kecenderungan bias kelas mayoritas pada studi kasus Program Makan Bergizi Gratis di media sosial Twitter. Metodologi yang diusulkan mengintegrasikan teknik pseudo-labeling menggunakan IndoRoBERTa (Teacher Model) untuk mengekstraksi dan menyaring 18.385 cuitan menjadi korpus Silver Standard. Untuk mengatasi ketimpangan kelas tanpa manipulasi data (oversampling), penelitian ini menerapkan Cost-Sensitive Learning melalui modifikasi bobot Inverse Class Frequency pada fungsi Cross-Entropy Loss saat melakukan fine-tuning pada Student Model (IndoBERT dan XLM-RoBERTa). Hasil eksplorasi data menunjukkan kelas Netral mendominasi (50,4%), sementara kelas Negatif menjadi minoritas ekstrem (21,4%) yang memuat kritik rasional terkait beban anggaran. Hasil komputasi membuktikan bahwa arsitektur XLM-RoBERTa menunjukkan kinerja paling optimal dengan Akurasi global 87% dan Recall makro 87%, lebih tangguh dibandingkan IndoBERT. Evaluasi Confusion Matrix menegaskan bahwa penerapan penalti bobot berhasil menekan rasio kegagalan prediksi (False Negative) pada kelas minoritas hingga menyentuh angka 13,47%. Kesimpulannya, kerangka kerja hibrida ini efektif mendisiplinkan jaringan algoritma untuk mengurangi kecenderungan bias kelas mayoritas, sehingga menghasilkan instrumen kecerdasan buatan yang lebih proporsional untuk mendukung evaluasi opini kebijakan publik.
Pengembangan Color Guide Generator Berbasis Algoritma Yanwari Rahmad Mujianto; Email :
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 palet warna secara manual dari gambar referensi desain merupakan proses yang tidak efisien dan rentan inkonsistensi. Penelitian ini mengembangkan sistem Color Guide Generator berbasis Python yang mengekstraksi warna dominan dari gambar antarmuka menggunakan K-Means Clustering, mengklasifikasikannya ke dalam peran desain terstandar menggunakan Decision Tree, dan menghasilkan design token dalam format JSON serta elemen pendukung seperti CSS Variables dan konfigurasi Tailwind CSS. Model Decision Tree dilatih dari dataset HSL yang diekstrak dari tiga design system publik dan mencapai F1-score 0,98 untuk mode terang dan 0,92 untuk mode gelap. Validasi melalui User Acceptance Testing (UAT) terhadap 5 responden menghasilkan rata-rata skor 4,52 dari 5. Sistem ini terbukti mengotomatiskan proses penentuan warna yang sebelumnya dilakukan secara manual menjadi alur yang konsisten dan siap diintegrasikan ke dalam pengembangan antarmuka web.
ChiliCare: Prototype Aplikasi Diagnostik Penyakit Tanaman Cabai Berbasis Website Menggunakan Certainty Factor Yesi Nur Fitriana; Elvita Septian Sadila; Bonanza Cahya Daniswara; Fajar Suryani
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

Indonesia merupakan salah satu penghasil cabai terbesar di Asia Tenggara, namun serangan penyakit dan hama serta keterbatasan akses terhadap tenaga ahli pertanian menyulitkan petani dalam melakukan diagnosis secara mandiri. Penelitian ini bertujuan mengembangkan ChiliCare, aplikasi diagnosis penyakit tanaman cabai berbasis website menggunakan metode Certainty Factor (CF). Penelitian menerapkan metode waterfall yang meliputi studi literatur, analisis kebutuhan, perancangan, implementasi, dan pengujian. Sistem dibangun menggunakan HTML5, CSS3, Bootstrap 4, dan vanilla JavaScript tanpa backend server, dengan basis pengetahuan yang mencakup 8 penyakit, 16 gejala, dan nilai CF pakar. Algoritma CF diimplementasikan pada sisi klien untuk menghasilkan tingkat keyakinan diagnosis secara real time. Pengujian menggunakan black-box testing terhadap 12 skenario menunjukkan seluruh fungsi sistem berjalan sesuai rancangan dengan tingkat keberhasilan 100%. Hasil penelitian menunjukkan bahwa ChiliCare berhasil diimplementasikan sebagai aplikasi diagnosis berbasis web yang ringan, mudah diakses, dan mampu membantu petani memperoleh diagnosis penyakit beserta tingkat keyakinannya secara mandiri.
IMPLEMENTASI CONTENT-BASED FILTERING PADA PERANCANGAN SISTEM REKOMENDASI OBAT BERBASIS GEJALA PENYAKIT Yogi Putra Auditama; Agustina Purwatiningsih; Dwi Hartanti
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

Banyaknya informasi kesehatan di internet sering kali membuat masyarakat kesulitan memilih obat yang tepat untuk keluhan ringan, sehingga memicu risiko kesalahan swamedikasi. Penelitian ini bertujuan merancang sistem rekomendasi obat berbasis web menggunakan metode Content-Based Filtering. Proses pencocokan teks dilakukan melalui pembobotan Term Frequency–Inverse Document Frequency (TF-IDF) dan kalkulasi Cosine Similarity untuk mengukur kemiripan antara input gejala pengguna dengan deskripsi obat. Pengujian performa sistem dilakukan secara formal melalui lima skenario variasi input gejala keluhan ringan menggunakan Confusion Matrix. Hasil evaluasi menunjukkan sistem memperoleh rata-rata Precision sebesar 65%, Recall sebesar 100%, dan F1-Score sebesar 77%. Nilai Recall sebesar 100% menunjukkan bahwa seluruh obat yang relevan pada data uji berhasil direkomendasikan oleh sistem, sedangkan nilai Precision sebesar 65% menunjukkan masih terdapat beberapa rekomendasi yang kurang relevan. Secara keseluruhan, sistem mampu menghasilkan rekomendasi obat yang relevan untuk gejala penyakit ringan berdasarkan kemiripan deskripsi obat.

Page 57 of 77 | Total Record : 764

 55   56   57   58   59 

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)