cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Anggun Fergina
Contact Email
anggun.fergina@nusaputra.ac.id
Phone
+6282214066121
Journal Mail Official
sentimeter@nusaputra.ac.id
Editorial Address
Program Studi Teknik Informatika Universitas Nusa Putra Sukabumi Jl. Raya Cibatu Cisaat No.21 Gedung B Lantai 4, Cibolang Kaler, Sukabumi Regency, Jawa Barat 43155
Location
Kab. sukabumi,
Jawa barat
INDONESIA
Prosiding SENTIMETER : Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer
Published by Universitas Nusa Putra
ISSN : -     EISSN : 3048006X     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
SENTIMETER merupakan kegiatan dalam bentuk seminar nasional dengan merepresentasikan kajian dan hasil penelitian baru di bidang Teknologi Informasi, Mekatronika dan Ilmu Komputer. Naskah atau makalah yang diterbitkan telah melalui kajian dari para mitra bestari dan telah lolos uji plagiasi. Jurnal ini menyediakan akses konten Teknik Informatika yang terbuka secara penuh dengan tujuan memberikan kontribusi pada penyebaran ilmu pengetahuan secara bebas untuk publik dan mendukung pertukaran pengetahuan secara global. SENTIMETER dikelola oleh Program Studi Teknik Informatika, Universitas Nusa Putra.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 16 Documents
 1   2 
Search results for , issue "Vol 4 (2025): Sentimeter 2025" : 16 Documents clear
Analisis Efektivitas Algoritma Pembelajaran Mesin dalam Deteksi Penipuan Transaksi Online Abdul Rahman Jainun; Taufik Hidayat; Abu Nur Al-Faruq; Lukas Febrian Laufra; Imam Sanjaya
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penipuan transaksi online merupakan ancaman serius dengan dampak finansial yang signifikan. Penelitian ini menganalisis efektivitas dua algoritma pembelajaran mesin, yaitu Random Forest (RF) dan Neural Networks (NN), dalam mendeteksi transaksi penipuan. Dataset yang digunakan terdiri dari 100.000 transaksi (10% di antaranya fraud) dari TranSecure Database 2023. Hasil eksperimen menunjukkan bahwa NN mencapai kinerja terbaik dengan akurasi 95%, presisi 0.93, dan recall 0.90, sedangkan RF menghasilkan akurasi 93%, presisi 0.91, dan recall 0.89. Tantangan utama meliputi kebutuhan data berkualitas tinggi dan adaptasi terhadap pola penipuan yang dinamis. Temuan ini membuktikan bahwa NN lebih unggul dalam menangani pola kompleks, meskipun memerlukan sumber daya komputasi lebih besar. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem deteksi penipuan yang lebih robust di industri keuangan digital.
Eksplorasi dan Analisis Data Mining untuk Prediksi Pola Konsumen Menggunakan Teknik Klasifikasi dan Clustering Muhammad Fajar Satria Adam; Bayu Putra; Syachra Indyra Puteri; Alfian Fajrissiddiq; Wafaunnisa; Lusiana Sani Parwati
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Di era digital saat ini, pemahaman yang mendalam terhadap perilaku konsumen menjadi faktor kunci dalam merancang strategi bisnis yang efektif. Penelitian ini bertujuan untuk menerapkan teknik data mining dalam memprediksi pola perilaku konsumen melalui pendekatan klasifikasi dan clustering. Dataset yang digunakan mencakup informasi demografis, riwayat transaksi, preferensi produk, serta interaksi digital konsumen. Metodologi yang digunakan menggabungkan pendekatan kuantitatif dan kualitatif, dengan menerapkan algoritma Random Forest dan Support Vector Machine (SVM) untuk klasifikasi, serta K-Means dan Hierarchical Clustering untuk segmentasi. Proses analisis diawali dengan data preprocessing seperti pembersihan data, normalisasi, dan seleksi fitur. Hasil klasifikasi menunjukkan bahwa algoritma Random Forest mampu mencapai akurasi hingga 85%, sementara SVM mencapai 82% dalam memprediksi kecenderungan pembelian konsumen. Selain itu, hasil clustering berhasil mengidentifikasi lima segmen konsumen dengan karakteristik perilaku yang berbeda, yang dapat menjadi dasar pengembangan strategi pemasaran yang lebih tepat sasaran. Temuan ini menunjukkan bahwa integrasi metode klasifikasi dan clustering dapat memberikan wawasan strategis yang bernilai bagi pengambilan keputusan bisnis berbasis data.
Implementasi Enkripsi Data End-to-End pada Komunikasi Perangkat IoT Berbasis Lightweight Cryptography Taufik Hidayat; Anggun Fergina
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Internet of Things (IoT) merupakan teknologi yang mengalami perkembangan pesat dalam beberapa tahun terakhir, dengan menghubungkan berbagai perangkat guna meningkatkan efisiensi dan kenyamanan di berbagai sektor, seperti rumah pintar, kesehatan, dan industri. Namun demikian, keamanan komunikasi menjadi tantangan utama, khususnya dalam aspek privasi, autentikasi, dan integritas data. Penelitian ini bertujuan untuk mengeksplorasi penerapan enkripsi data end-to-end (E2E) pada perangkat IoT dengan pendekatan kriptografi ringan (lightweight cryptography), yang berfokus pada peningkatan keamanan komunikasi. Metode yang digunakan mencakup studi komparatif terhadap berbagai algoritma kriptografi ringan yang dirancang khusus untuk perangkat dengan keterbatasan sumber daya. Penelitian yang dilakukan mengacu kepada hasil penelitian yang telah dilakuakn oleh penelitian terdahulu sehingga dapat diambil kesimpulan yang menunjukkan bahwa penggunaan algoritma tersebut dapat mengurangi retransmisi data, meningkatkan kinerja jaringan, serta menghemat konsumsi energi. Selain itu, integrasi teknologi blockchain terbukti mampu memperkuat pengelolaan kunci dan proses autentikasi, sehingga memberikan peningkatan signifikan terhadap keamanan dan transparansi sistem IoT. Penelitian ini memberikan kontribusi terhadap pengembangan solusi keamanan yang efisien dan dapat diterapkan secara luas pada perangkat IoT, guna melindungi data sensitif selama proses transmisi.
Klasifikasi Penyakit Tanaman Mangga Menggunakan Algorithma CNN Pada Citra Daun Daun Aldi Setiawan; Amanda Nursafitri; Ersa Vidya Afnarista; Hanifa Mulyasari; Vici Husnia Zahwa; Zeldi Suryadi
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Mangga (Mangifera indica L.) merupakan salah satu tanaman buah tropis yang berasal dari India dan dikenal kaya akan kandungan vitamin A, vitamin C, serta nutrisi penting lainnya. Namun, produktivitas tanaman mangga sering kali menurun akibat serangan berbagai jenis penyakit, baik yang disebabkan oleh parasit maupun non-parasit. Untuk mengatasi permasalahan ini, penelitian ini mengembangkan sistem cerdas berbasis Deep Learning dan Computer Vision yang mampu mendeteksi penyakit pada daun mangga secara otomatis. Proses klasifikasi dilakukan terhadap citra daun mangga yang telah melalui tahap augmentasi sebagai teknik pengolahan citra, kemudian dilatih menggunakan algoritma Convolutional Neural Network (CNN). Hasil pelatihan menunjukkan tingkat akurasi yang cukup tinggi, yakni 93% untuk data pelatihan dan 94% untuk data validasi. Dataset yang digunakan merupakan Mango Leaf Disease Dataset yang diperoleh dari Kaggle, terdiri dari 400 citra dan dibagi menjadi 3.200 data untuk pelatihan serta 800 data untuk validasi. Dataset ini mencakup delapan kategori, yaitu: Anthracnose, Bacterial Canker, Cutting Weevil, Die Back, Gall Midge, Healthy, Powdery Mildew, dan Sooty Mould. Tujuan utama dari penelitian ini adalah untuk mendukung kemajuan teknologi di bidang pertanian melalui pengembangan sistem deteksi penyakit tanaman yang lebih akurat dan efisien.
Peningkatan Skalabilitas Jaringan Ethereum melalui Implementasi Sharding Fadhlan Subhan Fadilah; Karimah Agustin; Angga Agustian; Abdul Rauf; Adrian Reza
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sebagai platform terkemuka untuk aplikasi terdesentralisasi (dApps) dan smart contract, blockchain Ethereum menghadapi tantangan signifikan dalam hal skalabilitas seiring dengan bertambahnya jumlah pengguna dan volume transaksi. Saat ini, jaringan hanya mampu memproses 15 transaksi per detik (TPS), suatu keterbatasan yang membuatnya sulit bersaing dengan sistem konvensional seperti Visa. Sharding diusulkan sebagai solusi untuk mengatasi masalah ini. Sharding membagi jaringan menjadi segmen-segmen lebih kecil (shard) yang memungkinkan transaksi diproses secara paralel, sehingga meningkatkan throughput tanpa membebani node individu. Studi ini menerapkan implementasi sharding dalam rencana peningkatan Ethereum 2.0, yang memperkenalkan komponen- komponen penting seperti beacon chain dan shard chain. Beacon chain menyinkronkan dan mengamankan shard, dengan setiap shard bertindak sebagai mini-blockchain. Dalam studi kasus ini, kami menganalisis kinerja sharding berdasarkan empat faktor utama: throughput, latensi, keamanan, dan interoperabilitas. Hasil awal menunjukkan bahwa sharding dapat secara signifikan meningkatkan skalabilitas jaringan, berpotensi meningkatkan TPS hingga ribuan kali lipat, mengurangi latensi, dan mempertahankan standar keamanan tinggi melalui pengelolaan validator. Namun, tantangan seperti komunikasi antar-shard dan ketersediaan data harus diatasi untuk memastikan operasi berjalan lancar. Studi ini menyimpulkan bahwa meskipun sharding adalah pendekatan yang menjanjikan untuk meningkatkan skalabilitas Ethereum, dibutuhkan lebih banyak upaya untuk mengoptimalkan kinerja dan integrasi lebih lanjut ke dalam jaringan yang ada.
Analisis Komparatif Akurasi dan Relevansi Alat AI Versi Gratis ChatGPT dan Gemini dalam Menyelesaikan Tugas Siswa Dzikri Hibatullah M; Nahla Salsabila Marwatillah; Abdulrahman Baiasy; Wira Harsa Abiyasa Rifki Ghani; Setiawati
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Alat AI seperti ChatGPT, Gemini mengubah cara mahasiswa di Universitas Nusa Putra menyelesaikan tugas akademik. Namun, keberagaman model AI ini menimbulkan kebingungan terkait akurasi dan relevansi. Penelitian ini bertujuan membandingkan ketiga alat AI tersebut, menganalisis efektivitasnya dalam menyediakan informasi yang akurat dan relevan untuk tugas mahasiswa. Dengan metode kualitatif, data dari mahasiswa Universitas Nusa Putra akan dikumpulkan melalui wawancara, survei, dan studi kasus, berfokus pada penerapan praktis alat-alat ini dalam konteks akademik. Studi ini juga akan mengkaji dampak AI terhadap integritas akademik dan kedalaman pembelajaran. Melalui identifikasi kekuatan dan keterbatasan masing-masing alat, penelitian ini akan memberikan rekomendasi untuk membantu mahasiswa memilih model AI yang paling sesuai untuk keperluan akademik.
Klasifikasi Tingkat Kematangan Buah Jeruk Menggunakan Arsitektur VGG16 Dimas Arbi Ardian; Allya Saffira; Tasya Evrillia; Fitri Sulistiawati; Ditia Mutiara Putri; Indra Yustiana
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Buah jeruk termasuk jenis buah yang terkenal digemari banyak orang dikarenakan memiliki rasa yang manis serta kandungan vitamin C yang melimpah. Untuk memenuhi kebutuhan Permintaan terhadap buah jeruk yang terus meningkat, diperlukan panen buah jeruk pada tingkat kematangan yang tepat guna menjaga kualitas dan masa simpannya. Namun, metode tradisional seperti pengamatan visual seringkali menyebabkan kesalahan dalam penentuan tingkat kematangan buah, yang dapat berdampak pada kualitas dan nilai jualnya. Oleh karenanya, penelitian ini dimaksudkan guna mendesain dan mengembangkan sebuah sistem klasifikasi tingkat kematangan buah jeruk memanfaatkan metode Convolutional Neural Network (CNN) dengan arsitektur VGG16 sebagai model pretrained. Pelatihan dan pengujian model ini menggunakan 180 citra jeruk yang dikelompokkan ke dalam 3 kelas yaitu, mentah, matang dan busuk yang terdiri dari 60 citra per kelasnya. Adapun hasil penelitian membuktikan bahwasanya model yang diterapkan berhasil memperoleh akurasi pelatihan sebesar 97% dan akurasi validasi sebesar 94%.
Pengembangan Aplikasi Pencatatan Harian: Solusi Meningkatkan Produktivitas Pengguna Menggunakan Metode Prototyping Rifqi Muzakki; Rendika Febrian; Muhammad N A Harpan; Aden R Rustam; Muhammad R Herdian; Alun Sujjada
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam era digital, kebutuhan akan aplikasi pencatatan harian yang interaktif dan efisien semakin meningkat. Banyak individu menghadapi tantangan dalam mengelola waktu dan tugas harian, yang berdampak negatif pada produktivitas. Penelitian ini bertujuan untuk mengembangkan aplikasi pencatatan harian interaktif menggunakan metode prototyping, yang memungkinkan pengumpulan umpan balik langsung dari pengguna untuk menciptakan solusi yang lebih relevan. Proses pengembangan dimulai dengan analisis kebutuhan pengguna melalui kuesioner, dilanjutkan dengan pembuatan prototipe awal aplikasi yang mencakup fitur-fitur seperti pencatatan teks, checklist, pengunggahan gambar, dan pengenalan suara (speech-to-text). Selanjutnya, prototipe diuji untuk mengukur efektivitas aplikasi berdasarkan umpan balik pengguna. Hasil penelitian menunjukkan bahwa aplikasi yang dikembangkan mampu meningkatkan produktivitas pengguna dalam mengelola waktu dan tugas harian mereka. Fitur-fitur seperti speech-to-text, sinkronisasi, dan pengingat dinilai sangat membantu, terutama dalam mendukung kebutuhan pencatatan harian yang lebih fleksibel dan interaktif. Namun, sebagian pengguna menyarankan peningkatan pada pengelolaan to-do-list dan efisiensi fitur penangkapan suara untuk memberikan pengalaman yang lebih baik. Aplikasi ini juga dinilai bermanfaat dalam berbagai situasi, mulai dari mencatat ide spontan hingga mencatat materi kuliah, dengan cara yang lebih terorganisir. Penelitian ini memberikan kontribusi teoretis dalam literatur pengembangan perangkat lunak berbasis prototyping dan mendorong adopsi teknologi modern seperti speech-to-text. Secara praktis, penelitian ini menawarkan solusi yang adaptif dan fungsional bagi pengguna modern. Dengan pengembangan fitur yang berkelanjutan, aplikasi ini memiliki potensi besar untuk memenuhi kebutuhan pencatatan harian yang terus berkembang di era digital.
Perbandingan Teknik Jaringan Syaraf Tiruan dalam Pengenalan Wajah Menggunakan Backpropagation dan Learning Vector Quantization Tri Hadianto; Muhammad Raihan Asshafwat; Muhammad Dafik Kholik Firdaus; Mirna Kamilah; Lufita Alvira; Ivana Lucia Kharisma
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan wajah telah menarik minat penelitian yang signifikan, terutama melalui penerapan jaringan saraf buatan (ANN) untuk tugas-tugas seperti keamanan dan autentikasi. Studi ini membandingkan kinerja dua algoritma ANN terkemuka Backpropagation dan Learning Vector Quantization (LVQ) dalam sistem pengenalan wajah. Meskipun kedua algoritma memetakan masukan ke keluaran yang benar, keduanya berbeda dalam mekanisme pembelajaran dan karakteristik. Penelitian ini mengevaluasi efektivitasnya dalam hal akurasi, kecepatan komputasi, dan ketahanan terhadap variasi wajah, memanfaatkan kumpulan data dari Kaggle dan Labeled Faces in the Wild. Hasilnya menunjukkan bahwa model Backpropagation mencapai akurasi validasi sebesar 97%, mengungguli LVQ yang mencatat 78%, menyoroti keunggulan model Backpropagation dalam menangkap pola gambar kompleks dan menangani data berdimensi tinggi.
Sistem Rekomendasi Film Menggunakan Algoritma K-Nearest Neighbors Maximillian Huang; Sany Noor Fauzianty; Naufal Nuryanto; Saila Julia; Fransiskus Octavianus Mado Hurint; Ivana Lucia Kharisma
Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer Vol 4 (2025): Sentimeter 2025
Publisher : Prosiding Seminar Nasional Teknologi Informasi, Mekatronika, dan Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemilihan film yang relevan dengan preferensi pengguna menjadi tantangan seiring meningkatnya jumlah pilihan film di berbagai platform. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi film berbasis algoritma K-Nearest Neighbors (KNN) guna memberikan rekomendasi yang lebih personal. Dataset yang digunakan dalam penelitian ini adalah movies_metadata.csv dan ratings_small.csv dari sumber publik. Model diuji dengan parameter k=5, 8, dan 10 menggunakan metrik kesamaan Cosine Similarity dan Euclidean Distance. Hasil pengujian menunjukkan bahwa konfigurasi k=10 dengan metrik Cosine Similarity memberikan hasil terbaik, dengan nilai Root Mean Square Error (RMSE) sebesar 1.0168. Sistem rekomendasi yang dikembangkan mampu memberikan rekomendasi film yang sesuai dengan preferensi pengguna berdasarkan data rating yang tersedia. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem rekomendasi untuk meningkatkan pengalaman pengguna dalam memilih film.

Page 1 of 2 | Total Record : 16

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol 4 (2025): Sentimeter 2025 Vol 3 (2024): Sentimeter 2024 Vol 2 (2023): Sentimeter 2023 Vol 1 (2022): Sentimeter 2022