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
 56   57   58   59   60 
Analisis Sentimen Instagram Persija Jakarta Menggunakan Metode Support Vector Machine (SVM) Penulis Tidak Terbaca
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

Media sosial Instagram telah menjadi platform utama bagi pendukung klub sepak bola dalam mengekspresikan opini dan emosi mereka. Tingginya volume komentar pada akun Instagram Persija Jakarta membutuhkan pendekatan otomatis untuk memahami sentimen publik secara efisien. Penelitian ini bertujuan untuk mengetahui tingkat akurasi metode Support Vector Machine (SVM) dalam mengklasifikasikan sentimen komentar pada akun Instagram resmi Persija Jakarta ke dalam tiga kategori, yaitu positif, negatif, dan netral. Data yang digunakan terdiri dari 6.000 komentar yang dikumpulkan dari 60 postingan, yaitu 30 postingan saat Persija menang dan 30 postingan saat kalah, dalam rentang waktu 1 Juli 2023 hingga 23 Mei 2026. Data kemudian diproses melalui tahapan preprocessing yang meliputi case folding, cleaning, normalisasi, tokenisasi, stopword removal, dan stemming, serta pelabelan sentimen secara otomatis menggunakan kamus INSET Lexicon yang kemudian divalidasi secara manual. Setelah proses tersebut, diperoleh 4.477 komentar yang digunakan dalam penelitian. Ekstraksi fitur dilakukan menggunakan metode TF-IDF yang menghasilkan 4.440 fitur. Dataset dibagi menjadi 3.581 data latih dan 896 data uji, kemudian diklasifikasikan menggunakan SVM dengan kernel linear. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 93,64%, dengan precision tertinggi sebesar 98% pada kelas positif dan recall tertinggi sebesar 99% pada kelas netral. Penelitian ini membuktikan bahwa metode SVM dengan kernel linear mampu mengklasifikasikan sentimen komentar Instagram berbahasa Indonesia secara efektif dengan tingkat akurasi yang tinggi pada konteks komunitas sepak bola Persija Jakarta.
Implementasi Algoritma Machine Learning untuk Rekomendasi Produk pada Sistem Penjualan Berbasis Web Menggunakan Dataset Publik Yuri Tri Wibowo; Nibras Faiq Muhammad; 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 informasi mendorong pemanfaatan sistem rekomendasi untuk membantu pengguna menemukan produk yang sesuai dengan preferensinya. Pada sistem penjualan berbasis web, pengguna sering mengalami kesulitan dalam memilih produk karena banyaknya pilihan yang tersedia. Penelitian ini bertujuan mengimplementasikan Machine Learning pada sistem sistem penjualan berbasis web untuk menghasilkan rekomendasi produk menggunakan dataset publik. Dataset yang digunakan berasal dari Book Recommendation data yang diperoleh dari platform Kaggle dan memanfaatkan data rating pengguna sebagai dasar rekomendasi. Metode yang di terapkan adalah Collaborative Filtering untuk menghitung tingkat kemiripan antar pengguna menggunakan Cosine Similarty dan Algoritma K-Nearest Neighbor untuk menentukan pengguna dengan preferensi yang paling mirip. Sistem dikembangkan menggunakan Framework Laravel sebagai platform web, MySQL sebagai basis data ,serta Phyton untuk proses perhitungan rekomendasi. Hasil penelitian menunjukkan bahwa sistem mampu mengolah data rating pengguna dan menghasilkan rekomendasi buku yang relevan berdasarkan pola preferensi pengguna lain yang memiliki karakteristik serupa. Implementasi metode Collaborative Filtering dan K-Nearest Neighbor pada sistem penjualan berbasis web dapat membantu pengguna memperoleh rekomendasi yang lebih personal sehingga meningkatkan pengalaman pengguna dalam proses pencarian produk.
Perbandingan Kinerja SVM dan Zara Zevira Wulandari; Isyiffah Falujjah Anugrah Putri; Jihan Nur Kencana Siwi; Bella Okta Sari Miranda; Alfilia Hilda Rahmatika
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

Dominasi Shopee di pasar e-commerce Indonesia punya konsekuensi langsung, yakni ulasan penggunanya di Google Play Store menumpuk terlalu cepat untuk dibaca dan dikategorikan satu per satu. Penelitian ini menguji apakah SVM atau MLP lebih cocok menjalankan Aspect-Based Sentiment Analysis (ABSA) terhadap 290.338 ulasan Shopee yang terkumpul sepanjang 2025. Teksnya dibersihkan, dilabeli ke lima aspek layanan, lalu diubah jadi representasi TF-IDF sebelum dataset dibagi 80:20 untuk pelatihan dan pengujian. Ada lima model yang dibandingkan dengan empat kernel SVM (Linear, Polynomial, RBF, Sigmoid) dan satu MLP. Sigmoid unggul tipis dengan akurasi 79,9%, diikuti RBF (79,2%), Linear (78,0%), Polynomial (76,4%), dan MLP di posisi terakhir dengan 75,56%. Satu masalah yang sama muncul di kelima model, yakni sentimen netral paling sulit dikenali, kerap tertukar dengan positif atau negatif, dan ini terlihat konsisten di seluruh confusion matrix. Hasilnya cukup jelas, SVM, khususnya kernel Sigmoid, lebih unggul untuk ABSA pada ulasan Shopee dibanding MLP. Adapun dari sisi sentimen itu sendiri, opini pengguna terhadap aplikasi ini didominasi kesan positif.
Analisis Perilaku Belanja Konsumen UMKM Pondok Gede Menggunakan Algoritma K-Means Clustering Alfriska Fefviana Sigit Saputra; Satriyo Wicaksono; Aughestin Neizza Frisenta; Ferdian Ady Sudrajat
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 menganalisis perilaku belanja konsumen pada UMKM Pondok Gede menggunakan algoritma K-Means Clustering berdasarkan data transaksi penjualan. Analisis ini dilakukan untuk mengidentifikasi pola transaksi konsumen sehingga dapat menjadi dasar dalam penyusunan strategi pemasaran yang lebih tepat sasaran. Dataset yang digunakan terdiri atas 7.233 data transaksi dengan atribut Jumlah Terjual, Harga Satuan, Total Penjualan, Kategori Produk, Metode Pembayaran, dan Channel Penjualan. Tahapan penelitian meliputi proses data preprocessing yang mencakup pembersihan data, penanganan nilai yang tidak valid, transformasi data kategorikal, serta normalisasi menggunakan metode Min-Max Scaling agar seluruh atribut berada pada skala yang sama. Selanjutnya, jumlah cluster optimal ditentukan menggunakan Elbow Method dan Silhouette Score sebelum dilakukan proses pengelompokan menggunakan algoritma K-Means. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga cluster dengan nilai Silhouette Score sebesar 0,5143, yang mengindikasikan kualitas pengelompokan berada pada kategori cukup baik. Setiap cluster memiliki karakteristik transaksi yang berbeda berdasarkan nilai pembelian, jenis produk, metode pembayaran, dan saluran penjualan. Hasil pengelompokan menghasilkan tiga segmen konsumen yang terdiri atas Cluster 0 sebanyak 1.555 transaksi, Cluster 1 sebanyak 2.939 transaksi, dan Cluster 2 sebanyak 2.739 transaksi. Masing-masing cluster menunjukkan karakteristik transaksi yang berbeda berdasarkan jumlah pembelian, nilai transaksi, kategori produk, metode pembayaran, dan channel penjualan sehingga dapat digunakan sebagai dasar dalam penyusunan strategi pemasaran yang lebih tepat sasaran.
Analisis Menggunakan Association Rule dengan Algoritma Apriori pada Data Transaksi Retail Andri Khoirul Manaf; Febrian Maulana; Nabilah Junita Eka Putri; Vhereyga Putra 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

Perkembangan bisnis retail menghasilkan data transaksi dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi mengenai pola pembelian pelanggan. Namun, data tersebut sering kali belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan. Penelitian ini bertujuan menerapkan metode Association Rule menggunakan algoritma Apriori untuk menemukan hubungan antarproduk yang sering dibeli secara bersamaan serta mengembangkan aplikasi berbasis Streamlit sebagai media analisis. Dataset yang digunakan merupakan data transaksi retail yang terdiri atas 38.765 baris data dan setelah proses preprocessing diperoleh 3.898 transaksi valid dengan 167 jenis produk. Proses analisis menggunakan parameter minimum support sebesar 8%, minimum confidence sebesar 50%, minimum lift sebesar 1, dan maximum rule length sebanyak 3 item. Hasil penelitian menunjukkan bahwa sistem berhasil menghasilkan 65 frequent itemset dan 11 association rule yang memenuhi seluruh parameter. Aturan terbaik diperoleh pada kombinasi other vegetables dan rolls/buns menuju whole milk dengan nilai support sebesar 8,21%, confidence sebesar 55,94%, dan lift sebesar 1,221. Nilai tersebut menunjukkan adanya hubungan asosiasi positif sehingga informasi yang diperoleh dapat dimanfaatkan untuk strategi product bundling, cross-selling, penataan tata letak produk, serta pengelolaan persediaan barang. Aplikasi yang dikembangkan juga mampu menampilkan hasil analisis, visualisasi network graph, rekomendasi produk, dan fasilitas ekspor laporan sehingga dapat membantu pengambilan keputusan bisnis berbasis data.
Penerapan Algoritma K-Means Pada Sistem Pengelompokan Data Penjualan Retail Berbasis Web Gregorius Sabian Aswendro; Medhika Heri Prasetyo; Tiyas Styaningrum; Anindyar Bintang Rahma Esa
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 data penjualan retail secara manual membutuhkan waktu yang lama dan rentan terhadap kesalahan interpretasi, terutama dalam memahami pola pembelian konsumen. Penelitian ini bertujuan untuk membangun sistem berbasis web yang mampu mengelompokkan data penjualan retail secara otomatis menggunakan algoritma K-Means Clustering berdasarkan karakteristik transaksi, meliputi jumlah barang, harga satuan, total nilai transaksi, kategori produk, lokasi transaksi, dan metode pembayaran. Dataset yang digunakan adalah data transaksi penjualan retail yang bersumber dari Kaggle, terdiri dari 12.575 baris data transaksi yang mencakup periode Januari 2022 hingga Januari 2025. Tahapan penelitian meliputi pengumpulan data, praproses data (data cleaning) untuk menangani 7.229 nilai kosong, seleksi dan encoding fitur transaksi, penentuan jumlah cluster optimal menggunakan elbow method, serta penerapan algoritma K-Means. Sistem diimplementasikan dalam bentuk aplikasi web yang menyediakan fitur unggah data, pembersihan data otomatis, proses clustering, dan visualisasi hasil berupa scatter plot serta profil tiap cluster. Hasil clustering membagi transaksi ke dalam dua kelompok, yaitu pembeli hemat, dan pembeli bernilai tinggi, yang masing-masing memiliki karakteristik pola pembelian yang berbeda. Evaluasi model menggunakan silhouette score dan Davies-Bouldin index menunjukkan bahwa pengelompokan yang terbentuk cukup baik untuk diinterpretasikan secara bisnis. Sistem ini diharapkan dapat membantu pengelola toko retail dalam mengambil keputusan bisnis yang lebih tepat sasaran berdasarkan pola pembelian yang dihasilkan.
Analisis Pola Ko-Eksistensi Tontonan Film Menggunakan Algoritma Apriori pada Dataset MovieLens Pandu Surya Abiansyah; Mukhlis Ash Shidiqi; Syahrul Yovi Distyanto; Arga Alwi
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 pilihan film pada layanan streaming saat ini sering kali membuat penonton kewalahan atau mengalami information overload. Akibatnya, pengguna justru kesulitan mencari film yang benar-benar pas dengan selera mereka. Oleh karena itu, penelitian ini dilakukan untuk menggali pola kebiasaan menonton pengguna menggunakan metode Association Rule Mining agar bisa menghasilkan rekomendasi yang lebih tepat sasaran. Kami memanfaatkan dataset publik MovieLens yang berisi sekitar 100.836 rating. Agar data yang diolah benar-benar mewakili film yang disukai (bukan sekadar ditonton), kami menerapkan filter rating minimal 4,0. Proses penyaringan ini menyisakan 604 transaksi valid yang kemudian diubah ke dalam bentuk matriks biner. Untuk pengolahan datanya sendiri, kami menggunakan algoritma Apriori berbasis bahasa pemrograman Python (library mlxtend). Adapun parameter yang ditetapkan adalah Minimum Support 10%, Minimum Confidence 50%, serta nilai Lift minimal 2,0. Dari hasil pemodelan, kami berhasil menemukan 1.007 aturan asosiasi yang terbukti valid secara statistik. Hubungan ko-eksistensi paling kuat terlihat pada film sekuel, khususnya antara Kill Bill: Vol. 2 dan Kill Bill: Vol. 1, yang mencatatkan nilai Confidence hingga 90,2% dan Lift Ratio 6,19. Secara keseluruhan, tingginya nilai Lift dari aturan-aturan tersebut membuktikan bahwa hubungan antar film ini memang memiliki keterikatan preferensi yang nyata, bukan sebatas kebetulan matematis. Sebagai langkah akhir, temuan rekomendasi ini berhasil kami integrasikan ke dalam sebuah purwarupa web interaktif berarsitektur Single Page Application (SPA). Kata kunci — Association Rule, Apriori, Python, Data Mining, MovieLens, Sistem Rekomendasi.
Model Sistem Clustering K-Means untuk Analisis Segmentasi Kepuasan Mahasiswa terhadap Fasilitas Kampus Ahnaf Qonitah; Guritno Wulandoro Suryosaputro; Zainal Arifin; Rafif Akbar Setiawan; Besarajanu Aryanto; Natasha Salsha Bila
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

Kepuasan mahasiswa terhadap fasilitas kampus merupakan salah satu indikator penting dalam evaluasi mutu layanan perguruan tinggi. Penelitian ini membangun model sistem clustering berbasis algoritma K-Means untuk mengelompokkan mahasiswa ke dalam beberapa segmen kepuasan tanpa memerlukan label kelas sebelumnya (unsupervised learning). Data penelitian berasal dari survei terhadap 543 mahasiswa dengan 13 indikator kepuasan berskala 1–5 yang mencakup ruang belajar, WiFi, kantin, olahraga, lingkungan, toilet, perpustakaan, dan parkir. Seluruh fitur distandardisasi menggunakan StandardScaler sebelum pelatihan model agar perbedaan skala antarfitur tidak mendominasi perhitungan jarak Euclidean. Jumlah klaster optimal ditentukan melalui kombinasi Elbow Method dan Silhouette Score pada rentang k = 2 sampai 7, dan dipilih k = 3 sebagai kompromi antara kualitas pemisahan dan interpretabilitas hasil. Model final dilatih dengan 50 kali inisialisasi terpisah (n_init = 50) dan menghasilkan Silhouette Score sebesar 0,203. Ketiga klaster diberi nama otomatis berdasarkan peringkat rata-rata skor keseluruhan, yaitu klaster Kritis (n = 80, rata-rata 2,07), Moderat (n = 236, rata-rata 2,94), dan Puas (n = 227, rata-rata 3,89). Hasil cross-tabulation dengan variabel kepuasan keseluruhan menunjukkan keselarasan yang baik antara hasil klaster dan persepsi kepuasan responden, sedangkan visualisasi Principal Component Analysis (PCA) mampu menjelaskan 59,1% variansi data dalam dua dimensi. Model ini dapat dimanfaatkan pihak kampus untuk memprioritaskan perbaikan fasilitas pada segmen yang paling kritis.
Segmentasi Perilaku Konsumsi Digital dan Dampaknya Terhadap Kesehatan Mental Menggunakan Algoritma Dinda Apriliani Putri; Albertus Radya Winny Putra; Devani Ula Ainurofiqi; Muhammad Afrizal Deviano 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

Peningkatan pesat dalam penggunaan perangkat digital telah berdampak signifikan terhadap kesehatan mental masyarakat. Penelitian ini bertujuan untuk mengelompokkan perilaku konsumsi digital serta menganalisis dampaknya terhadap kesehatan mental menggunakan algoritma clustering K-Means. Kumpulan data yang digunakan berasal dari 2.000 responden dan mencakup 19 variabel numerik yang meliputi pola penggunaan perangkat digital, aktivitas digital, kondisi tidur, aspek psikologis, serta indikator kesehatan mental. Seluruh data dinormalisasi menggunakan metode Min-Max Scaling sebelum proses clustering dilakukan. Jumlah cluster optimal ditentukan menggunakan Elbow Method, yang menghasilkan nilai K=3. Proses clustering mengategorikan responden ke dalam tiga kelompok: Pengguna Sehat (Healthy User) sebanyak 31,85%, Pengguna Moderat (Moderate User) sebanyak 37,60%, dan Pengguna Berisiko Tinggi (High-Risk User) sebanyak 30,55%. Kualitas clustering dievaluasi menggunakan Silhouette Score dengan nilai sebesar 0,0627, yang tergolong lemah namun wajar untuk data perilaku manusia yang bersifat kontinum. Sistem ini diimplementasikan sebagai aplikasi web menggunakan PHP dan MySQL, serta menyediakan fitur untuk operasi CRUD, normalisasi data, clustering, dan evaluasi hasil.
Implementasi Market Basket Analysis Menggunakan Algoritma FP-Growth pada Penjualan Erick Mikha Santosa; Andika Mahendra Yudhistira; Fajar Adit Pratama; Hawi Dian Putra Anugrah
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 data transaksi penjualan ritel sering kali hanya menjadi arsip digital tanpa dimanfaatkan secara optimal. Padahal, data tersebut menyimpan informasi strategis mengenai pola perilaku belanja konsumen. Penelitian ini bertujuan untuk mengimplementasikan teknik Market Basket Analysis (MBA) menggunakan algoritma Frequent Pattern Growth (FP-Growth) ke dalam sebuah sistem aplikasi berbasis web yang terintegrasi. Metode penelitian ini menggabungkan kerangka Knowledge Discovery in Databases (KDD) untuk pemrosesan data mining dan System Development Life Cycle (SDLC) untuk perancangan perangkat lunak. Menggunakan Retail Transaction Dataset yang memuat 30.000 riwayat transaksi, sistem mampu memproses unggahan data mentah menjadi format matriks secara mandiri dan memetakannya ke dalam visualisasi interaktif Graph FP-Tree. Pengujian algoritma dengan parameter minimum support 6% dan minimum confidence 40% berhasil mengekstraksi aturan asosiasi yang valid. Temuan terbaik menunjukkan korelasi positif yang kuat pada kombinasi produk Cereal dan Milk dengan nilai Lift Ratio 2.511. Inovasi dari sistem ini terletak pada kemampuannya menerjemahkan perhitungan matematis secara otomatis menjadi interpretasi bisnis, sehingga dapat memberikan rekomendasi strategis bagi pengelola toko terkait optimalisasi tata letak rak, perumusan paket promosi (bundling), dan pemeliharaan persediaan stok barang.

Page 58 of 77 | Total Record : 764

 56   57   58   59   60 

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)