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
 71   72   73   74   75 
Perhitungan Kendaraan Menggunakan Yolo Dari Ultralytics Untuk Sistem Pemantauan Lalu Lintas Rona Mahendra; Nibras Faiq Muhammad; 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

Pertumbuhan volume kendaraan di perkotaan memerlukan sistem pemantauan otomatis seperti Intelligent Transportation System (ITS). Namun, model deep learning sering menghadapi kendala ketidakseimbangan kelas (class imbalance) ekstrem yang menurunkan akurasi objek minoritas. Penelitian ini menerapkan arsitektur ringan YOLO26s dengan strategi random oversampling untuk mendeteksi empat kelas kendaraan: Bus, Mobil, Sepeda Motor, dan Truk. Dataset gabungan sejumlah 19.389 citra bersumber dari UA-DETRAC dan Roboflow, lalu dilatih memakai konfigurasi Distributed Data Parallel (DDP) pada dua GPU NVIDIA Tesla T4. Hasil pengujian membuktikan teknik oversampling meningkatkan performa model secara signifikan tanpa memicu overfitting. Nilai mAP@0.5 global meningkat dari 0,982 menjadi 0,993, dan mAP@0.5:0.95 naik dari 0,842 menjadi 0,911. Peningkatan krusial terjadi pada Recall kelas Truk yang melonjak dari 0,93 menjadi 0,98. Model juga mempertahankan efisiensi tinggi dengan kecepatan inferensi mencapai 85,51 FPS (11,69 ms), sehingga sangat ideal untuk implementasi pemantauan lalu lintas secara real-time.
Pengembangan Sistem Estimasi Gizi dan Kalori Berbasis MobilenetV3 dan Tensorflow Sholeh Abdul Irfan Torodipo; Nurchim -; Sri Sumarlinda
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

Manajemen nutrisi adalah faktor penentu dalam mencapai target kesehatan, baik untuk penurunan berat badan, pemeliharaan berat badan ideal, maupun peningkatan massa otot, namun masyarakat sering mengalami kesulitan mengidentifikasi kandungan gizi dan kalori makanan secara cepat dan akurat sehingga estimasi yang dihasilkan rawan bias. Penelitian ini bertujuan merancang dan mengembangkan sistem aplikasi estimasi gizi dan kalori berbasis Deep Learning yang mampu mengenali 34 kelas makanan Indonesia dan buah-buahan lokal dari citra digital secara otomatis dan real-time. Sistem dibangun menggunakan arsitektur MobileNetV3 dan framework TensorFlow dengan metode CNN dan Transfer Learning dua fase (feature extraction dan fine-tuning) serta augmentasi data, kemudian diimplementasikan sebagai Progressive Web App (PWA) dengan backend Flask dan frontend Vanilla JS yang mengintegrasikan hasil klasifikasi dengan basis data TKPI dan fatsecret. Dataset terdiri dari 5.690 citra yang dibagi 80:10:10, dan evaluasi pada 569 citra uji menghasilkan akurasi 95,08% serta Weighted Average F1-Score 95,1%, melampaui target awal 85%. Hasil ini membuktikan bahwa sistem yang dikembangkan layak digunakan sebagai solusi praktis pemantauan nutrisi harian berbasis citra, baik dari sisi akurasi model maupun kelengkapan fitur aplikasi. Penelitian selanjutnya dapat diarahkan pada penambahan deteksi multi-objek dalam satu frame serta integrasi sensor berat porsi untuk meningkatkan presisi estimasi kalori.
Penerapan Metode Decision Tree Dan Content-Based Filtering Untuk Rekomendasi Produk Berbasis Web Siva Dwi Septiana; Herliyani Hasanah; Nibras Faiq Muhammad
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

Pemanfaatan sistem rekomendasi pada platform e-commerce mempermudah pengguna untuk menentukan produk yang sesuai dengan kebutuhan dan preferensinya. Toko Kaka accessories merupakan toko yang bergerak dalam penjualan aksesoris wanita dengan beragam kategori produk. Banyaknya jumlah produk dan kategori produk mengakibatkan kesulitan dalam pemilihan kebutuhan bagi customer. Penelitian ini bertujuan mengembangkan sistem rekomendasi produk berbasis web dengan mengintegrasikan metode Decision Tree dan Content-Based Filtering. Metode Decision Tree digunakan untuk mengklasifikasikan kategori produk berdasarkan preferensi pengguna, sedangkan Content-Based Filtering digunakan untuk menghasilkan rekomendasi berdasarkan tingkat kemiripan atribut produk menggunakan Cosine Similarity. Dataset yang digunakan terdiri dari 100 produk aksesoris yang meliputi bando, gelang, jepit rambut, kalung, dan kuncir rambut. Sistem dikembangkan menggunakan framework Laravel, bahasa pemrograman Phyton, dan basis data MYSQL. Hasil pengujian menunjukkan bahwa Decision Tree memperoleh nilai accuracy sebesar 80%, Precision sebesar 71,43%, Recall sebesar 80%, dan F1-score sebesar 74,55%. Evaluasi sistem rekomendasi menghasilkan nilai Average Similarity sebesar 0,14, Maximum Similarity sebesar 0,86, Precision@10 sebesar 67,14%, dan Recommendation F1 sebesar 76,56%. Hasil penelitian menunjukkan kombinasi kedua metode mampu memberikan rekomendasi yang relevan dan membantu pengguna dalam menentukan produk yang sesuai dengan preferensinya.
Pengembangan Sistem Informasi Pengarsipan Surat Masuk danSurat Keluar Berbasis Web dengan Fitur Klasifikasi Otomatis Menggunakan Algoritma Naive Bayes di SMP Negeri 5 Sukoharjo Sri Rejeki; Sri Sumarlinda; Eko Purwanto
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

Sistem Rekomendasi Merek Parfum Lokal Menggunakan Content-Based Filtering dan Cosine Similarity Stefanus Ardi Prasetyo; Adi Lukman Maulana; Alvifah Diyan Safitri; Fauzi Bondan Prihananto; Tomy Anugrah Islami; 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

Pertumbuhan merek parfum lokal menghadirkan semakin banyak pilihan aroma, harga, dan karakter produk bagi konsumen. Namun, banyaknya informasi tersebut dapat menimbulkan information overload sehingga konsumen kesulitan menentukan parfum yang sesuai dengan preferensi aromanya. Penelitian ini merancang sistem rekomendasi merek parfum lokal menggunakan pendekatan Content-Based Filtering, yaitu rekomendasi disusun berdasarkan kemiripan karakteristik produk tanpa bergantung pada riwayat penilaian pengguna lain. Data deskripsi parfum, terutama informasi aroma atau notes, diproses melalui case folding, tokenization, stopword removal, dan stemming agar bentuk teks lebih seragam. Selanjutnya, metode Term Frequency-Inverse Document Frequency (TF-IDF) digunakan untuk mengubah deskripsi menjadi vektor numerik dan memberikan bobot pada kata kunci yang merepresentasikan karakter produk. Nilai kemiripan antarproduk dihitung menggunakan algoritma Cosine Similarity sehingga parfum dengan skor kesamaan tertinggi dapat ditampilkan sebagai rekomendasi. Hasil rancangan sistem menunjukkan bahwa rekomendasi terbaik selama uji coba dengan parameter user top note: grapefruit, mid note: fruity, base note: musk, gender: unisex, situasi: versatile menghasilkan rekomendasi terkuat, yaitu parfum Infinity dari merek Avila, dengan nilai similarity 70%. Setelah dilakukan evaluasi, sistem mendapat hasil 100% untuk precision, 71% untuk recall, dan menghasilkan Fi-Score sebesar 83%. Sistem dapat dikatakan cukup akurat dan diharapkan mampu menyajikan alternatif parfum lokal yang lebih relevan dengan minat pengguna, mempercepat proses pemilihan produk, dan mengurangi dampak information overload.
SISTEM REKOMENDASI PENYEWAAN MOBIL MENGGUNAKAN METODE CONTENT-BASED FILTERING UNTUK PREFERENSI PELANGGAN Syahrul Azhar Faisal; Aprilisa Arum Sari, S.T, M.Kom; Dwi Hartanti, M.Kom
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 pada sektor transportasi mendorong perusahaan jasa penyewaan mobil untuk meningkatkan kualitas layanan berbasis digital. PT. Star Trans Nusantara masih menerapkan proses penyewaan secara semi-manual melalui media sosial dan aplikasi perpesanan sehingga pelanggan mengalami kesulitan dalam memperoleh rekomendasi mobil yang sesuai dengan kebutuhan. Penelitian ini bertujuan mengembangkan sistem rekomendasi penyewaan mobil berbasis web menggunakan metode Content-Based Filtering dengan pendekatan Cosine Similarity untuk membantu pelanggan memilih mobil berdasarkan preferensi yang diinginkan. Metode penelitian meliputi studi literatur, wawancara, observasi, analisis kebutuhan, perancangan sistem menggunakan UML, implementasi sistem menggunakan PHP dan MySQL, serta evaluasi menggunakan Blackbox Testing. Proses rekomendasi dilakukan dengan membandingkan atribut preferensi pengguna dengan atribut mobil menggunakan representasi nilai vektor biner dan perhitungan tingkat kemiripan menggunakan Cosine Similarity. Hasil penelitian menunjukkan bahwa sistem berhasil memberikan rekomendasi mobil yang relevan sesuai preferensi pelanggan dengan skor similarity tertinggi sebesar 1.0000 pada mobil Elf Giga, sedangkan Hiace Premio dan Hiace Commuter memperoleh skor 0.8660. Hasil pengujian fungsional menunjukkan seluruh fitur sistem berjalan dengan baik dan valid. Sistem yang dikembangkan mampu mempermudah pelanggan dalam mencari dan menentukan pilihan mobil secara lebih cepat, efektif, dan sesuai kebutuhan.
Rancangan Sistem Rekomendasi Kelayakan Penerima Taufiq Nur Arifin; Dwi Hartanti; Eko Purwanto
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 kelayakan penerima bantuan memerlukan proses verifikasi yang konsisten agar bantuan dapat diprioritaskan kepada calon penerima yang sesuai. Penelitian ini bertujuan merancang model rekomendasi kelayakan penerima bantuan menggunakan algoritma Decision Tree. Data penelitian terdiri atas 147 data historis calon penerima bantuan pada Komunitas Sosial Kafilah yang telah diverifikasi oleh beberapa pengurus berdasarkan kriteria yang disepakati bersama. Atribut yang digunakan meliputi kondisi ekonomi, jumlah tanggungan, status pekerjaan, kondisi tempat tinggal, dan kondisi sosial, dengan keluaran berupa kategori layak dan tidak layak. Data kategorikal dikodekan secara manual berdasarkan tingkat kerentanan setiap kategori. Model dibangun menggunakan DecisionTreeClassifier dengan kriteria entropy dan dievaluasi menggunakan 5-fold stratified cross-validation. Optimasi parameter dilakukan menggunakan GridSearchCV pada setiap data latih. Hasil pengujian memperoleh rata-rata accuracy sebesar 93,20%, precision sebesar 90,97%, recall sebesar 95,71%, dan F1-score sebesar 92,96%. Kondisi ekonomi menjadi atribut paling dominan dengan nilai kepentingan sebesar 67,33%. Model menghasilkan aturan keputusan yang dapat diinterpretasikan sebagai rekomendasi awal bagi pengurus. Namun, rekomendasi model tidak menggantikan keputusan akhir pengurus dalam menentukan penerima bantuan.
Analisis Metode Content Based Filtering Untuk Sistem Rekomendasi Kandidat Karyawan Pada Nextylabs Tigar Riski Septiono; Joni Maulindar; 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

Perkembangan teknologi digital menuntut efisiensi tinggi pada sistem seleksi talenta di industri perangkat lunak. Namun, proses penyeleksian berkas administrasi pada software house Nextylabs saat ini masih dilakukan secara manual terhadap dokumen Curriculum Vitae (CV) pelamar yang bersifat tidak terstruktur. Kondisi tersebut menimbulkan risiko tingginya tingkat subjektivitas, potensi terjadinya human error, serta inefisiensi waktu pemrosesan seleksi awal kandidat. Penelitian ini bertujuan merancang dan mengimplementasikan pendekatan berbasis Large Language Model (LLM) Gemini AI dan metode Content-Based Filtering (CBF) untuk mengotomatisasi sistem rekomendasi seleksi awal kandidat karyawan di Nextylabs. Penelitian ini menggunakan pendekatan eksperimental dengan tahapan yang meliputi pengumpulan data sampel berupa 15 dokumen CV, ekstraksi fitur keterampilan (skills) menggunakan model Gemini AI, pembersihan teks (preprocessing), representasi pembobotan fitur menggunakan TF-IDF, serta kalkulasi nilai perankingan berbasis Cosine Similarity. Hasil penelitian menunjukkan bahwa integrasi metode yang diusulkan mampu menyederhanakan informasi kompetensi pelamar dari berkas tidak terstruktur menjadi daftar urutan rekomendasi yang objektif. Sistem ini berhasil menghasilkan nilai kemiripan tertinggi sebesar 94,21% pada kandidat utama dan mencapai tingkat akurasi klasifikasi relevansi (Precision) sebesar 100%.
Perancangan Sistem Rekomendasi Pemilihan Model Valen Purwaixna Saputra; Bayu Susilo Aji Nugroho; Adi Tegar Setiawan; Atik Setyaningsih; Febrian Maulana
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 Artificial Intelligence (AI) yang semakin pesat menghadirkan berbagai model AI dengan karakteristik dan kemampuan yang berbeda-beda sehingga pengguna sering mengalami kesulitan dalam menentukan model yang paling sesuai dengan kebutuhannya. Penelitian ini bertujuan untuk merancang sistem rekomendasi pemilihan platform Artificial Intelligence menggunakan metode Content-Based Filtering (CBF) berdasarkan kemiripan karakteristik setiap model AI. Dataset penelitian terdiri atas 40 model AI yang direpresentasikan menggunakan enam atribut, yaitu Context Window, Intelligence Index, Price, Speed (Token/s), Latency, dan End-to-End Response Time. Sebelum dilakukan proses perhitungan, seluruh atribut dinormalisasi menggunakan metode Min-Max Normalization untuk menyamakan rentang nilai data. Selanjutnya, tingkat kemiripan antar model dihitung menggunakan metode Cosine Similarity dan diurutkan berdasarkan nilai similarity tertinggi. Hasil penelitian menunjukkan bahwa model MiMo-V2-Omni-0327 memperoleh nilai similarity tertinggi sebesar 0,9945 terhadap model acuan MiMo-V2-Omni, diikuti oleh Step 3.7 Flash, MiniMax-M3, MiMo-V2.5-Pro, dan DeepSeek V4 Pro (High). Hasil tersebut menunjukkan bahwa metode Content-Based Filtering yang dipadukan dengan Cosine Similarity mampu menghasilkan rekomendasi model Artificial Intelligence berdasarkan kemiripan karakteristik setiap model sehingga dapat membantu pengguna dalam memilih platform AI yang sesuai dengan kebutuhannya.
Penerapan Algoritma K-Means Clustering untuk Segmentasi Pasien Berdasarkan Kondisi Kesehatan dan Frekuensi Kunjungan Kesehatan Muhammad Mei Ahsan Nur; Irgi Fahreza San Bondhy; Yusuf Febrianto; Desti Listia 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 teknologi informasi di bidang kesehatan menghasilkan data pasien dalam jumlah besar yang memerlukan teknik analisis untuk menemukan pola yang dapat mendukung pengambilan keputusan. Berdasarkan kajian pustaka, algoritma K-Means Clustering merupakan salah satu metode data mining yang efektif dalam mengelompokkan data berdasarkan tingkat kemiripan karakteristik sehingga banyak diterapkan pada segmentasi data kesehatan. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk melakukan segmentasi pasien berdasarkan kondisi kesehatan dan frekuensi kunjungan ke fasilitas layanan kesehatan. Metode penelitian yang digunakan adalah Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, preprocessing, transformasi data, data mining, dan evaluasi. Data penelitian berupa 2.000 data pasien yang diproses melalui pembersihan data, encoding, normalisasi, dan penentuan jumlah cluster menggunakan Elbow Method, kemudian dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster yang optimal adalah dua, yaitu kelompok pasien dengan kondisi kesehatan relatif baik dan frekuensi kunjungan rendah serta kelompok pasien dengan risiko kesehatan lebih tinggi dan frekuensi kunjungan lebih tinggi. Nilai Silhouette Score sebesar 0,1429 menunjukkan kualitas pemisahan cluster masih rendah, namun hasil segmentasi mampu memberikan informasi yang bermanfaat untuk mendukung pengambilan keputusan, penentuan prioritas pelayanan, dan pengelolaan sumber daya pada fasilitas kesehatan.

Page 73 of 77 | Total Record : 764

 71   72   73   74   75 

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)