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
 57   58   59   60   61 
Implementasi K-Means Clustering Untuk Segmentasi Pelanggan Menggunakan Customer Shopping Trend Dataset Nova Ethic Herliana; Septian Damar Pamudya; Erika Jonet Febrianto; Victorio Mikhael David Pratama
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 perdagangan digital menuntut perusahaan ritel memahami perilaku pelanggan secara mendalam untuk menyusun strategi pemasaran yang efektif. Penelitian ini bertujuan mengelompokkan pelanggan berdasarkan kemiripan pola perilaku belanja konsumen menggunakan algoritma K-Means clustering melalui pendekatan Knowledge Discovery in Databases (KDD). Eksperimen dilakukan terhadap 1.000 records data dari Customer Shopping Trends Dataset dengan memfokuskan analisis pada empat atribut numerik utama, yaitu Age, Purchase Amount (USD), Previous Purchases, dan Review Rating. Tahap pra-pemrosesan data diterapkan secara konsisten menggunakan metode StandardScaler untuk menyetarakan skala dimensi antar-fitur guna menghindari bias dimensi. Berdasarkan hasil pengujian menggunakan Elbow Method, jumlah kelompok paling optimal yang terbentuk adalah sebanyak tiga klaster (). Proses profiling berbasis nilai rata-rata berhasil mengidentifikasi Klaster 0 sebagai segmen "Loyal High-Spenders (Mature)", Klaster 1 sebagai segmen "Satisfied New or Occasional Shoppers", dan Klaster 2 sebagai segmen "Dissatisfied Moderate Shoppers" yang memiliki risiko tinggi melakukan migrasi ke kompetitor (customer churn risk). Pengujian kualitas menggunakan Silhouette Score menghasilkan nilai akhir sebesar 0,187, yang mengindikasikan bahwa hasil klasterisasi berada pada kategori struktur yang lemah (weak structure). Karakteristik batas pemisah yang cair dan saling tumpang tindih (overlapping) ini secara objektif merepresentasikan sifat asli distribusi data perilaku belanja manusia di dunia nyata yang bersifat kontinu dan seragam. Hasil segmentasi berbasis data komputasi ini memberikan implikasi manajerial yang berharga bagi manajemen perusahaan ritel dalam merumuskan strategi pemasaran dan retensi pelanggan yang lebih personal serta tepat sasaran.
PENERAPAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN TINGKAT KEMACETAN LALU LINTAS Fadia Aulia Azizah; Dwi Hartanti; 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

Peningkatan jumlah kendaraan yang tidak diimbangi dengan perkembangan infrastruktur jalan memicu lonjakan kemacetan lalu lintas. Untuk mengatasi masalah ini, diperlukan analisis data yang terstruktur guna memetakan pola kepadatan kendaraan. Penelitian ini menerapkan teknik data mining dengan pendekatan clustering melalui algoritma K-Means untuk mengelompokkan tingkat kemacetan berdasarkan data transportasi. Metodologi penelitian mengikuti tahapan CRISP-DM, yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Data yang digunakan bersumber dari Kaggle dengan variabel start point, end point, travel time, distance, dan waktu perjalanan. Validasi dan evaluasi kualitas klaster diuji menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil akhir dari penelitian ini diharapkan mampu membentuk klaster tingkat kemacetan yang representatif dengan nilai pengujian validitas klaster yang optimal. Melalui pendekatan kuantitatif ini, penelitian dapat memberikan gambaran pola kepadatan yang valid serta menjadi bahan rujukan strategis dalam pengelolaan lalu lintas yang lebih efektif.
Penerapan Metode Association Rule Mining dengan Algoritma Apriori untuk Menemukan Pola Pembelian Konsumen pada Sistem Informasi Retail Berbasis Web Fahrul Adi Nugroho; Tri Agustina Diva Sari; Roihan Arrafli; Prima Sandhika
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 menghasilkan peningkatan jumlah data transaksi pada sektor retail. Data transaksi yang tersimpan dalam sistem informasi retail umumnya hanya digunakan sebagai arsip dan laporan penjualan, sehingga potensi informasi yang terkandung di dalamnya belum dimanfaatkan secara optimal. Penelitian ini bertujuan menerapkan metode Association Rule Mining dengan algoritma Apriori untuk menemukan pola pembelian konsumen pada sistem informasi retail berbasis web. Data transaksi penjualan digunakan sebagai sumber data utama dalam proses analisis. Algoritma Apriori diterapkan untuk memperoleh frequent itemset berdasarkan nilai minimum support dan minimum confidence, kemudian membentuk association rule yang menunjukkan hubungan antar produk yang sering dibeli secara bersamaan. Sistem dikembangkan berbasis web untuk memudahkan pengelolaan data transaksi, proses analisis, dan penyajian hasil secara otomatis. Hasil penelitian menunjukkan bahwa algoritma Apriori menghasilkan puluhan aturan asosiasi yang valid dengan nilai Lift Ratio berkisar antara 2,28–2,70, di mana seluruh aturan memiliki Lift Ratio lebih dari 1 yang menunjukkan hubungan antar produk yang kuat. Aturan dengan Lift Ratio tertinggi sebesar 2,70 diperoleh pada kombinasi Cookie dan Cereal terhadap pembelian Milk. Hasil analisis dapat dimanfaatkan untuk mendukung strategi promosi, rekomendasi produk, pengelolaan persediaan, dan penataan produk pada toko retail, sehingga membantu pengambilan keputusan bisnis berbasis data.
Penerapan Metode Monte Carlo untuk Memprediksi Kebutuhan Stok Susu Pada Kafe FSA Space Fatimah Dewi Wulansari; Nailal Husna Khairul Bariyyah; Rivky Evandeto Teguh Afandy; Ambar Winarni
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

Persediaan bahan baku ialah aspek berarti dalam melindungi kelancaran operasional industri, paling utama pada usaha kafe yang mempunyai tingkatan permintaan pelanggan yang berubah- ubah tiap hari. Kafe FSA Space mengalami kesusahan dalam memastikan jumlah persediaan susu yang maksimal sebab belum terdapatnya tata cara perhitungan yang bisa memperkirakan kebutuhan secara pas. Riset ini bertujuan buat memprediksi kebutuhan stok susu pada kafe FSA Space memakai tata cara Monte Carlo. Riset memakai pendekatan kuantitatif dengan menggunakan informasi historis konsumsi susu sepanjang 31 hari yang diperoleh dari pencatatan operasional kafe. Tahapan riset meliputi perhitungan frekuensi pemakaian, distribusi probabilitas, probabilitas kumulatif, penentuan interval bilangan acak, dan penerapan simulasi Monte Carlo buat mendapatkan ditaksir kebutuhan susu pada periode selanjutnya. Hasil riset menampilkan kalau nilai expected konsumsi susu bersumber pada informasi historis sebesar 1, 645, sebaliknya hasil simulasi Monte Carlo menciptakan total kebutuhan sebanyak 54 satuan dengan rata- rata pemakaian sebesar 1, 742 satuan per hari. Hasil tersebut menampilkan kalau tata cara Monte Carlo sanggup membagikan cerminan kebutuhan stok susu bersumber pada pola pemakaian lebih dahulu sehingga bisa digunakan selaku bawah dalam memastikan jumlah persediaan yang lebih maksimal. Pelaksanaan tata cara ini diharapkan bisa menolong kafe FSA Space kurangi resiko kekurangan ataupun kelebihan persediaan dan menunjang kelancaran proses penciptaan.
Analisis Probabilitas Harga Gabah dan Produktivitas Padi Menggunakan Metode Monte Carlo di Jawa Tengah 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

Penerapan Model Recency, Frequency, Monetary (RFM) Pada Sistem Segmentasi Member Solo Paragon Mall Muflih Taqiuddin; Vihi Atina; 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

Pusat perbelanjaan modern menghadapi tantangan dalam mengelola data member secara efektif untuk mendukung strategi pemasaran yang tepat sasaran. Solo Paragon Mall memiliki 780 data member dan 1.500 data transaksi yang hanya digunakan untuk keperluan administratif. Penelitian ini menerapkan model Recency, Frequency, Monetary (RFM) dikombinasikan dengan algoritma K-Means Clustering untuk melakukan segmentasi member. Tahapan penelitian mengikuti proses Knowledge Discovery in Databases (KDD) yang meliputi selection, preprocessing, transformation, data mining, dan interpretation/evaluation. Skor RFM dihitung menggunakan metode kuantil (skala 1–5) dan digunakan sebagai fitur clustering. Jumlah klaster optimal ditentukan dengan Elbow Method, sedangkan kualitas clustering dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan terbentuknya 4 klaster segmen member, yaitu Champion, Loyal Customer, At Risk, dan Lost Customer. Segmen Champion yang berjumlah 110 member (29,3% dari total 376 member) berkontribusi terhadap 75,3% total pendapatan, sementara Lost Customer (27,7% member) hanya menyumbang 3,3% pendapatan. Nilai Davies-Bouldin Index pada pendeketan RFM + K-Means sebesar 1,013 dibandingkan dengan 0,525 pada K-Means standar, yang menunjukkan bahwa skoring RFM mampu menyeimbangkan bobot ketiga dimensi sehingga segmentasi yang dihasilkan lebih relevan secara bisnis. Hasil segmentasi divisualisasikan melalui sistem berbasis web agar manajemen dapat mengakses informasi segmen member secara real-time. Penelitian ini menghasilkan segmentasi member yang lebih informatif dan akurat dibandingkan K-Means standar, sehingga manajemen dapat merancang program loyalitas yang lebih tepat sasaran.
Sistem Segmentasi Pelanggan Berbasis Web Menggunakan Algoritma K-Means Clustering 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

Memahami karakteristik konsumen melalui segmentasi pelanggan menjadi strategi krusial bagi dunia bisnis untuk menyusun kebijakan pemasaran yang lebih terarah. Penelitian ini bertujuan merancang sistem berbasis web yang menerapkan algoritma K-Means Clustering dalam proses segmentasi pelanggan secara otomatis. Metode penelitian yang digunakan adalah Research and Development dengan pendekatan kuantitatif. React JS dipilih sebagai teknologi frontend dan Flask sebagai backend API yang memanfaatkan library scikit-learn untuk kebutuhan clustering. Data yang dipakai merupakan data simulasi pelanggan dengan atribut total belanja dan frekuensi transaksi. Evaluasi kualitas clustering dilakukan menggunakan Elbow Method dan Silhouette Score. Hasil pengujian memperlihatkan bahwa sistem mampu mengelompokkan pelanggan ke dalam tiga cluster dengan Silhouette Score 0,6792 yang menandakan kualitas clustering tergolong baik.
Analisis Pola Emas Sebagai Safe Haven dengan Metode Nur Rahman Saleh; Yola Aulia Wanergi; Adi Tegar Setiawan; Faizal Wiyatnodito
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

Emas merupakan salah satu instrumen investasi yang sering dijadikan aset perlindungan (safe haven) ketika terjadi ketidakpastian ekonomi global. Namun, perilaku emas sebagai safe haven tidak selalu menunjukkan pola yang konsisten pada setiap periode waktu, sehingga diperlukan metode analisis yang mampu mengidentifikasi pola tersebut secara sistematis. Penelitian ini bertujuan menganalisis perilaku emas sebagai asset safe haven melalui pendekatan K-Means Clustering berbasis indikator ekonomi global menggunakan dataset historis dari Kaggle berjudul Gold Price and Global Economic Indicators 2015–2026 yang terdiri dari 4.137 observasi harian. Variabel yang digunakan mencakup harga emas (XAU/USD), indeks dolar Amerika Serikat (DXY), harga minyak mentah, dan tingkat inflasi. Proses analisis mengikuti kerangka kerja CRISP-DM dengan evaluasi menggunakan Elbow Method, Davies-Bouldin Index, dan Silhouette Score yang menghasilkan nilai tertinggi sebesar 0,3867 pada k=3. Hasil analisis menunjukkan tiga cluster optimal yang merepresentasikan kondisi ekonomi berbeda, yaitu Safe Haven Penuh (Inflasi Tinggi), Penguatan Emas Tanpa Tekanan Inflasi, dan Dominasi Dolar AS. Indeks dolar Amerika Serikat terbukti menjadi faktor paling dominan dengan korelasi negatif sangat kuat sebesar -0,948, sementara inflasi memiliki pengaruh linear yang sangat lemah terhadap harga emas. Hasil penelitian diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit sebagai alat bantu rekomendasi keputusan investasi emas secara interaktif.
Analisis Klasterisasi Penjualan Global Berdasarkan Kategori Produk dan Negara Tujuan Menggunakan Metode K-Means Rafael Theo Santoso; Aji Kia Ramadhani; Dyah Purwaningsih; Arcco Putra Azhariansyah
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 melakukan analisis klasterisasi terhadap data penjualan global guna memetakan karakteristik wilayah negara tujuan dan preferensi kategori produk secara bersamaan. Metodologi yang digunakan Adalah Knowledge Discovery in Database (KDD) yang mengimplementasikan algoritma K-Means Clustering. Dataset yang dinalisis mencakup 2.000 transaksi ritel dari 10 negara tujuan dan 8 kategori produk. Pada tahap pra=pemrosesan, penggunaan StandardScaler dan Pricipal Component Analysis (PCA) berhasil mereduksi dimensi dengan menangkap 55,6% varians data sekaligus mengingkatkan kualitas klasterisasi secara substansial. Berdasarkan pengujian metode Elbow, didapatkan jumlah klister optimal sebanyak tiga (K=3). Evaluasi hasil klasterisasi menunjukkan pemisahan yang sangat baik dengan Silhouette Score sebesar 0,5412 dan Davies-Bouldin Index 0,5309. Hasil analisis mengidentifikasi tiga profil pasar utama: Klaster 1 (Pasar Mixed & Balanced) yang responsive terhadap diversifikasi produk, Klaster 2 (Pasar Beauty & Lifestyle) dengan dominasi produk kecantikan dan olahraga, serta Klaster 3 (Pasar Books & Education) yang berorientasi pada buku dan kebutuhan harian. Selain itu, penelitian ini juga menghasilkan aplikasi web interaktif berbasis Streamlit Bernama GlobeCluster. Secara praktis, hasil riset ini memberikan rekomendasi strategis berbasis data bagi pemangku kebijakan bisnis internasional untuk mengoptimalkan alokasi inventaris logistik.
PENERAPAN METODE WEIGHTED MOVING AVERAGE (WMA) UNTUK FORECASTING PENJUALAN MENU DAN REKOMENDASI BAHAN BAKU PADA CAFE DIGIDREAMS SPACE Ridlo Fauzi Rakhmadiant; Pramono -; 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

Penelitian ini bertujuan mengembangkan sistem peramalan penjualan menu dan rekomendasi kebutuhan logistik bahan baku pada Café DigiDreams Space guna mengatasi kendala ketidakseimbangan pasokan stok. Kebaruan penelitian ini terletak pada integrasi model peramalan runtun waktu harian dengan mesin konversi resep otomatis berregulasi stok pengaman (safety stock). Eksperimen pemodelan mengandalkan data transaksi harian selama 30 hari untuk memprediksi kebutuhan 7 hari ke depan pada kategori makanan, minuman, dan kudapan. Tahapan metodologi mencakup data cleaning, komputasi algoritma Weighted Moving Average (WMA), dan evaluasi akurasi menggunakan Mean Absolute Percentage Error (MAPE). Aplikasi berbasis web ini diimplementasikan menggunakan React JS dan FastAPI. Hasil pengujian menunjukkan performa model yang andal dengan rata-rata nilai MAPE keseluruhan sebesar 12,13% (kategori Baik). Fitur konversi resep pada sistem ini menghasilkan keluaran keputusan gramasi belanja bahan baku yang presisi, sehingga berpotensi membantu pihak manajemen dalam meminimalkan risiko stockout maupun overstock berbasis data historis. .

Page 59 of 77 | Total Record : 764

 57   58   59   60   61 

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)