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
 72   73   74   75   76 
Prototipe Sistem Monitoring Asap Rokok dan Karbon Monoksida Berbasis ESP32 Menggunakan Sensor MQ-2 dan MQ-7 Iqbal Syabudin; Andika Mahendra Yudhistira; Gaten Isnan Abdurrozaq; 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

Penelitian ini bertujuan untuk merancang dan menguji prototipe sistem deteksi pelanggaran merokok dan uap vape berbasis mikrokontroler ESP32 guna mengatasi kendala pengawasan manual. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan merancang prototipe ruang simulasi berbahan triplek yang mengintegrasikan sensor MQ-2 dan MQ-7. Sistem ini dilengkapi dengan otomatisasi sirkulasi udara melalui kipas DC, alarm buzzer, serta fitur kontrol manual menggunakan push button. Hasil pengujian sampel menunjukkan efektivitas sistem dalam merespons fluktuasi polutan; pada pengujian pertama, sistem aktif dalam kondisi waspada selama tiga menit saat kadar gas berada di atas 2500 ppm sebelum turun ke kondisi aman pada menit keempat dengan nilai 1861 ppm. Pengujian kedua menunjukkan respons instan pada menit pertama dengan nilai 2844 ppm dan berhasil menetralisir udara hingga 1847 ppm pada menit berikutnya. Data ini membuktikan bahwa integrasi sensor MQ-2 dan MQ-7 responsif dalam memicu aksi sistem secara otomatis. Kesimpulan utama penelitian ini adalah integrasi IoT dan notifikasi real-time melalui Blynk serta email telah teruji berfungsi dengan baik pada skala prototipe, dan berpotensi untuk dikembangkan lebih lanjut guna membantu pengawasan lingkungan tertutup.
Rancang Bangun AI Sales Agent Menggunakan Metode SDLC dan Large Language Model untuk Otomatisasi Penjualan Risky Mulya Nugraha; Kusnadi; Arif Nursetyo; Victor Asih; Rinaldi Adam
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

Proses penjualan berbasis percakapan pada bisnis retail masih menghadapi kendala seperti keterlambatan respon, inkonsistensi layanan, dan ketergantungan pada tenaga penjualan. Penelitian ini bertujuan merancang dan membangun AI Sales Agent menggunakan metode System Development Life Cycle (SDLC) dan Large Language Model (LLM) untuk otomatisasi penjualan end-to-end pada bisnis retail. Sistem dikembangkan dengan mengintegrasikan pendekatan Retrieval-Augmented Generation (RAG), knowledge base bisnis, dan Sales State Machine untuk menghasilkan interaksi penjualan yang kontekstual dan konsisten. Metode SDLC diterapkan melalui enam tahapan: planning, analysis, design, implementation, testing, dan maintenance. Pengujian dilakukan menggunakan Black Box Testing dan Scenario-Based Evaluation terhadap tujuh requirement fungsional dan non-fungsional. Hasil pengujian menunjukkan kecepatan respon rata-rata 4,2 detik, akurasi rekomendasi dengan cosine similarity 0,96, context understanding 100%, retrieval relevance Precision@K 0.90, task completion rate 90%, skalabilitas 20 percakapan simultan, dan ketersediaan sistem 24/7. Sistem berhasil mengotomatisasi proses penjualan melalui WhatsApp secara kontekstual, konsisten, dan skalabel.
Pengembangan Sistem Monitoring Emosi Berbasis Facial Expression Recognition Menggunakan Algoritma MTCNN dan MobileNetV2 Sarah Ika Puspita Arum; Febrian Sulistyo Budi; Jauza Kenar Indra Fawaid; Alfiyah Febrianti; Kevin De Rafael Rio Aryanto; Ilham Yusuf Faturochman
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

Gangguan kesehatan mental menjadi salah satu permasalahan global yang terus meningkat, sementara keterbatasan tenaga profesional menyebabkan proses pemantauan kondisi emosional belum dapat dilakukan secara optimal. Penelitian ini bertujuan mengembangkan sistem Monitoring Kondisi Emosi Pengguna berbasis Artificial Intelligence (AI) menggunakan metode Facial Expression Recognition (FER) untuk membantu pemantauan emosi secara otomatis dan real-time. Sistem memanfaatkan algoritma Multi-task Cascaded Convolutional Networks (MTCNN) untuk mendeteksi wajah dan model MobileNetV2 untuk mengklasifikasikan ekspresi wajah ke dalam tujuh kategori emosi, yaitu angry, disgust, fear, happy, neutral, sad, dan surprise. Model dilatih menggunakan dataset FER-2013 yang terdiri dari 35.887 citra wajah, kemudian diimplementasikan pada aplikasi berbasis webcam. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi sebesar 41%, dengan weighted precision sebesar 45%, weighted recall sebesar 41%, dan weighted F1-score sebesar 40%. Pengujian implementasi menunjukkan bahwa sistem mampu mendeteksi wajah, melakukan klasifikasi emosi secara otomatis, serta menampilkan hasil prediksi beserta tingkat kepercayaannya (confidence score) secara real-time. Penelitian ini menunjukkan bahwa kombinasi metode FER, algoritma MTCNN, dan model MobileNetV2 dapat diterapkan sebagai solusi awal untuk mendukung monitoring kondisi emosi pengguna secara otomatis. Pengembangan lebih lanjut diperlukan untuk meningkatkan akurasi model melalui optimasi algoritma, penambahan dataset, dan penyempurnaan proses pelatihan.
Prediksi Harga Bawang Merah di Jawa Timur menggunakan Metode Long Short Term Memory (LSTM) Siti Sri Wahyuni; Budi Nugroho; Chrystya Aji Putra
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

Bawang merah merupakan salah satu komoditas hortikultura strategis yang memiliki peran penting dalam pemenuhan kebutuhan pangan masyarakat Indonesia. Meskipun produksi bawang merah di Provinsi Jawa Timur cenderung meningkat, harga bawang merah masih mengalami fluktuasi yang cukup tinggi sehingga diperlukan metode prediksi yang mampu memodelkan pola data deret waktu secara akurat. Penelitian ini bertujuan menerapkan metode Long Short-Term Memory (LSTM) untuk memprediksi harga harian bawang merah di Provinsi Jawa Timur menggunakan data historis harga periode Januari 2015 hingga Maret 2026 yang diperoleh dari Sistem Informasi Ketersediaan dan Perkembangan Harga Bahan Pokok (SISKAPERBAPO). Model dibangun menggunakan delapan kombinasi parameter yang terdiri atas sequence length (7 dan 30 hari), hidden units (32 dan 64), serta epoch (50 dan 100) kemudian dievaluasi menggunakan MAE, RMSE, MAPE, dan R^2. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada sequence length 7 hari, hidden units 64, dan epoch 100 dengan nilai MAE sebesar 227,91, RMSE sebesar 372,55, MAPE sebesar 0,65%, dan R^2 sebesar 0,9973. Selain itu, hasil prediksi selama 30 hari ke depan menunjukkan kecenderungan penurunan harga secara bertahap. Hasil tersebut menunjukkan bahwa metode LSTM mampu memodelkan pola temporal data harga bawang merah dengan tingkat akurasi yang sangat baik sehingga berpotensi mendukung pengambilan keputusan dalam memantau pergerakan harga komoditas.
Penerapan Algoritma K-Means Clustering untuk Memprediksi Tingkat Kepuasan Pelanggan Hotel The Zuri Berdasarkan Ulasan Tiktok dan Google Maps Ade Wulandari; Ria Imro'atus Sholihah; Meiza Khairunnisa; 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

Kepuasan pelanggan merupakan indikator kritis dalam keberlanjutan bisnis perhotelan. Namun, sebagian besar penelitian terdahulu menganalisis ulasan pelanggan dari satu platform saja, sehingga menghasilkan gambaran yang tidak komprehensif. Penelitian ini bertujuan mengembangkan model klasterisasi kepuasan pelanggan Hotel The Zuri dengan menggabungkan data ulasan dari dua platform berbeda, yaitu TikTok dan Google Maps. Metode yang digunakan adalah algoritma K-Means Clustering yang dikombinasikan dengan teknik pemrosesan teks TF-IDF untuk representasi fitur tekstual. Data dikumpulkan sebanyak 4.040 ulasan yang diperoleh melalui teknik web scraping pada periode Januari Desember 2024. Proses preprocessing mencakup pembersihan teks, tokenisasi, penghapusan stopword berbahasa Indonesia dan Inggris, serta stemming menggunakan pustaka Sastrawi. Penentuan nilai k optimal dilakukan dengan metode Elbow, Silhouette Score, dan Davies-Bouldin Index, yang menghasilkan k=3 sebagai konfigurasi terbaik (Silhouette Score = 0,651). Tiga cluster yang terbentuk merepresentasikan segmen pelanggan sangat puas (29,8%), cukup puas (39,3%), dan tidak puas (30,9%). Temuan menunjukkan bahwa isu kebersihan dan kecepatan respons staf merupakan atribut paling berpengaruh pada klaster ketidakpuasan. Novelty penelitian ini terletak pada integrasi data lintas platform (TikTok dan Google Maps) yang memperkaya representasi ulasan dibandingkan pendekatan sumber tunggal.
Sistem E-commerce Terintegrasi Customer Relationship Management (CRM) pada Toko Samber Redjeki Surakarta Maria Rosario; Aprilisa Arum Sari; 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

Toko Samber Redjeki merupakan usaha ritel yang menjual berbagai produk Fast Moving Consumer Goods (FMCG), perlengkapan rumah, produk perawatan kulit, dan busana. Strategi penjualan toko masih bergantung pada marketplace pihak ketiga sehingga menimbulkan biaya administrasi lebih dari 10% per transaksi dan membatasi pengelolaan data pelanggan untuk mendukung pemasaran. Penelitian ini bertujuan merancang dan membangun sistem informasi E-commerce mandiri berbasis web yang terintegrasi dengan Customer Relationship Management (CRM). Pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka, sedangkan pengembangan sistem menggunakan metode System Development Life Cycle (SDLC) model Iteratif dengan PHP, MySQL, Laravel Framework, dan Tailwind CSS. Pengujian sistem dilakukan menggunakan Blackbox Testing dan User Acceptance Testing (UAT). Hasil penelitian menunjukkan sistem mampu mendukung pengelolaan penjualan secara mandiri sehingga mengurangi ketergantungan pada marketplace pihak ketiga. Implementasi CRM difokuskan pada tingkat operasional melalui pemanfaatan data Wishlist sebagai dasar pencatatan preferensi pelanggan (customer preference tracking) dan pengiriman promosi melalui integrasi WhatsApp. Seluruh fungsi sistem berjalan dengan baik, sedangkan pengujian UAT terhadap 12 pengguna memperoleh tingkat penerimaan sebesar 92,35% pada lingkungan implementasi penelitian.
Penerapan Algoritma Apriori untuk Analisis Pola Keranjang Belanja pada Data Transaksi Toko Buku Ramdan Oky Sulistyawan; Ahmad Faisal; Muhammad Fakhriy Najib; Adhelia Putri Fernanda; Frebtiara Siti Fatimah
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

Data penjualan di toko buku meningkat setiap harinya, namun biasanya hanya disimpan sebagai arsip, sehingga informasi terkait pola pembelian pelanggan belum dimanfaatkan secara maksimal. Penelitian ini bertujuan untuk menerapkan algoritma Apriori dalam menganalisis pola keranjang belanja berdasarkan dataset transaksi penjualan toko buku yang diperoleh dari platform Kaggle menggunakan algortima Apriori untuk menghasilkan aturan asosiasi yang dapat membantu pengambilan keputusan bisnis. Metode yang digunakan dalam penelitian ini adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) yang terdiri dari langkah-langkah Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Dataset yang diambil berisi 1.000 transaksi penjualan dengan parameter minimum support sebesar 15% dan minimum confidence sebesar 50%. Temuan penelitian menunjukkan bahwa algoritma Apriori menghasilkan 66 aturan asosiasi yang memenuhi syarat. Aturan dengan lift ratio tertinggi mencapai 1,38, menunjukkan hubungan positif antara pembelian Aksesoris Buku, Alat Tulis, dan Buku Anak-Anak, sedangkan nilai confidence tertinggi mencapai 91,9% pada aturan pembelian Buku Anak-Anak dan Buku Sejarah terhadap Alat Tulis. Semua aturan utama memiliki nilai lift ratio lebih dari satu, menunjukkan adanya hubungan signifikan antar produk. Hasil penelitian menunjukkan bahwa algoritma Apriori efektif dalam mengidentifikasi pola pembelian pelanggan dan dapat dijadikan sebagai dasar untuk merumuskan strategi promosi, penempatan produk, rekomendasi cross-selling, serta manajemen persediaan guna meningkatkan efektivitas penjualan di toko buku.
Penerapan Kecerdasan Buatan Dengan Metode K-Means Dalam Penentuan Target Client Di Perusahan CV.Project Master Muhammad Sholahudin; Herliyani Hasanah; 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

Kemajuan dalam teknologi informasi serta penerapan Kecerdasan Buatan (AI) mendorong organisasi untuk memaksimalkan data pelanggan sebagai landasan demi keputusan bisnis yang lebih efektif. Salah satu kendala yang dihadapi oleh CV. Project Master adalah proses identifikasi pelanggan yang masih tergolong manual, sehingga memakan waktu yang cukup lama dan kemungkinan adanya kesalahan selama proses analisis. Studi ini berupaya untuk mengevaluasi dan mengklasifikasikan informasi klien demi mendukung perusahaan dalam mengidentifikasi pelanggan secara lebih terstruktur, dan didukung oleh data, serta untuk mengembangkan prototipe sistem analisis pelanggan yang didukung oleh AI. Penelitian ini mengadopsi K-Means Clustering. Pendekatan ini memanfaatkan atribut data seperti jenis usaha, skala usaha, lama usaha, lokasi usaha, dan rating Google. Prosedur penelitian mencakup pengumpulan dan pra-pemrosesan data, transformasi, normalisasi, penentuan parameter klaster, implementasi algoritma K-Means untuk pengelompokan, evaluasi hasil klasterisasi, dan Prosedur penelitian mengikuti tahapan KDD, di mana hasil segmentasi diimplementasikan ke dalam sistem pada tahap Knowledge Presentation untuk mendukung pengambilan keputusan bisnis. Penelitian ini mengadopsi K-Means Clustering dengan memanfaatkan atribut rating Google, jumlah ulasan, dan status website. Prosedur penelitian mengikuti tahapan Knowledge Discovery in Databases yang meliputi selection, preprocessing, transformation, data mining, serta evaluation/interpretation. Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan 120 data calon client menjadi 3 cluster optimal berdasarkan evaluasi metode Elbow. Kualitas pengelompokan divalidasi dengan nilai Silhouette Score sebesar 0.2821, di mana proses mencapai kondisi konvergen pada iterasi ke-6. Implementasi sistem pada tahap knowledge presentation membuktikan bahwa segmentasi berbasis AI mampu meningkatkan efektivitas penentuan target client secara objektif dan terukur bagi CV. Project Master.
Analisis Segmentasi Transaksi Penjualan Produk Apple secara Global Menggunakan Algoritma K-Means Clustering Rizky Eka Adinagoro; Dhiwa Irsyad Sabilarrasyid; Muh. Lutfi Al-Hafizh; Arsa Lumaksana Aji; 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

Industri teknologi konsumen global menghasilkan volume data transaksi yang sangat besar, namun potensi data tersebut belum sepenuhnya dimanfaatkan untuk mendukung pengambilan keputusan bisnis yang strategis. Penelitian ini bertujuan untuk melakukan segmentasi terhadap data transaksi penjualan produk Apple secara global menggunakan algoritma K-Means Clustering, guna mengidentifikasi kelompok-kelompok transaksi yang memiliki kesamaan karakteristik dan menghasilkan wawasan yang dapat diterapkan dalam strategi penjualan. Dataset yang digunakan terdiri dari 11.500 baris dan 27 kolom yang mencakup periode tahun 2022 hingga 2024, meliputi 47 negara dan enam kategori produk Apple. Setelah proses pra-pemrosesan berupa penghapusan nilai kosong pada fitur clustering dan normalisasi menggunakan StandardScaler, diperoleh 8.140 data yang valid. Fitur yang digunakan sebagai input clustering meliputi revenue_usd, units_sold, discount_pct, dan customer_rating. Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method yang mengidentifikasi K = 4 sebagai nilai optimal, dan kualitas klaster divalidasi menggunakan Silhouette Score dengan nilai 0,3120. Hasil clustering menghasilkan empat segmen transaksi yang berbeda secara karakteristik, yaitu segmen transaksi bernilai tinggi dengan volume pembelian besar, segmen sensitif terhadap diskon, segmen dengan kepuasan pelanggan tinggi, serta segmen dengan kepuasan pelanggan rendah. Temuan penelitian menunjukkan bahwa tingkat kepuasan pelanggan tidak berkorelasi langsung dengan nilai transaksi maupun besaran diskon. Hasil segmentasi ini dapat dimanfaatkan sebagai dasar perancangan strategi pemasaran yang lebih tertarget sesuai karakteristik masing-masing segmen.
Segmentasi Pelanggan E-Commerce Menggunakan Algoritma K-Means Clustering Berbasis Analisis RFM Gaten Isnan Abdurrozaq; Riky Ardiva Dwitama Putra; Afriansyah Septyarno; Wasis Yoga Wicaksono
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

Sebagian besar perusahaan e-commerce masih memanfaatkan data transaksi sebatas laporan operasional tanpa segmentasi pelanggan yang memadai. Penelitian ini bertujuan menghasilkan model segmentasi pelanggan e-commerce yang objektif beserta interpretasi setiap segmen sebagai dasar strategi pemasaran. Metode yang digunakan mengombinasikan analisis Recency, Frequency, Monetary (RFM) dan algoritma K-Means Clustering pada dataset Online Retail (UCI Machine Learning Repository), melalui preprocessing, normalisasi StandardScaler, penentuan cluster optimal menggunakan Elbow Method, serta evaluasi dengan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Dari 541.909 data mentah diperoleh 397.884 transaksi valid milik 4.338 pelanggan. Hasil menunjukkan k = 5 sebagai cluster optimal (Silhouette Score 0,617; DBI 0,716; CHI 3.437,64), menghasilkan lima segmen yaitu Potential Customer (70,29%), Dormant Customer (24,48%), High-Value Active (4,91%), Loyal Customer (0,18%), dan Champions (0,14%). Integrasi RFM dan K-Means menghasilkan segmentasi pelanggan yang valid, objektif, mendukung penyusunan strategi pemasaran yang lebih tepat sasaran, serta mudah diterapkan.

Page 74 of 77 | Total Record : 764

 72   73   74   75   76 

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)