Article Per Year (5 Year)
p-Index From 2021 - 2026
11.401
P-Index
This Author published in this journals
All Journal Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) SITEKIN: Jurnal Sains, Teknologi dan Industri InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING JMM (Jurnal Masyarakat Mandiri) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Nasional Komputasi dan Teknologi Informasi Data Science: Journal of Computing and Applied Informatics JURNAL MUTIARA AKUNTANSI Jurnal Teknologi Informasi dan Terapan (J-TIT) bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Sistem Komputer dan Informatika (JSON) Community Development Journal: Jurnal Pengabdian Masyarakat Ihsan: Jurnal Pengabdian Masyarakat Journal of Computer Science, Information Technology and Telecommunication Engineering (JCoSITTE) Indonesian Journal of Education, Social Sciences and Research (IJESSR) Jurnal Fibonaci: Jurnal Pendidikan Matematika Jurnal Ilmiah Wahana Pendidikan Djtechno: Jurnal Teknologi Informasi INCODING: Journal of Informatics and Computer Science Engineering Proceeding International Seminar of Islamic Studies Bulletin of Information Technology (BIT) J-Intech (Journal of Information and Technology) Jurnal Pengabdian Pada Masyarakat Indonesia (JPPMI) sudo Jurnal Teknik Informatika Hello World Jurnal Pengabdian Masyarakat Gemilang (JPMG) Blend Sains Jurnal Teknik Wahana Factory Jurnal Industri, Manajemen dan Rekayasa Sistem Industri QISTINA: Jurnal Multidisiplin Indonesia Jurnal Multidisiplin Teknologi dan Arsitektur Indonesian Journal of Education and Development Research Jurnal Ecotipe (Electronic, Control, Telecommunication, Information, and Power Engineering) Journal of Accounting Law Communication and Technology Journal of Mathematics, Computation and Statistics (JMATHCOS) Journal of Citizen Research and Development Journal of Education Transportation and Business Al'Adzkiya International of Computer Science and Information Technology Journal Journal of Information Technology
Ramadhani, Fanny
Program Studi Ilmu Komputer, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Negeri Medan
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Other

Published : 92 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 92 Documents
Search

 4   5   6   7   8 
ANALISIS FAKTOR KEPUTUSAN NASABAH BERLANGGANAN TERM DEPOSIT: PERBANDINGAN RANDOM FOREST DAN XGBOOST Wahyudi, Rizky; Impana Manik, Kristin; Alfin, Muhammad; Bush Henrydunan, John; Arnita, Arnita; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13881

Abstract

Pemasaran produk perbankan seperti term deposit memerlukan strategi yang tepat untuk meningkatkan tingkat langganan nasabah. Berbagai faktor yang memengaruhi keputusan nasabah menjadi tantangan bagi bank dalam menargetkan calon pelanggan potensial. Penelitian ini membandingkan performa Random Forest dan XGBoost dalam memprediksi keputusan nasabah menggunakan dataset Bank Marketing dari UCI Machine Learning Repository. Tahapan preprocessing mencakup pemeriksaan nilai hilang, penanganan outlier dengan IQR, transformasi fitur kategorikal menggunakan label encoding, dan oversampling dengan SMOTE. Evaluasi model dilakukan dengan accuracy, F1-Score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa XGBoost lebih unggul dibandingkan Random Forest, dengan accuracy 95,30%, F1-score 95,40%, dan ROC-AUC 95,29% pada rasio 80:20. Komunikasi dan durasi interaksi dalam pemasaran produk term deposit menjadi faktor paling signifikan dalam memengaruhi keputusan nasabah. Kesimpulan umum dari penelitian ini adalah XGBoost menjadi algoritma yang lebih efektif untuk prediksi keputusan nasabah berlangganan term deposit daripada Random Forest terutama dalam menangani data tidak seimbang dan hubungan non-linear.
ANALISIS SENTIMEN MASYARAKAT TERHADAP LARANGAN PENGECER MENJUAL LPG 3 KG BERSUBSIDI MENGGUNAKAN ALGORITMA NAÏVE BAYES Hidayatul Arifin, Muhammad; Amelia Vega S. Meliala, Ruth; Amanah, Fadilla; Aulia, Windy; Arnita, Arnita; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13883

Abstract

Kebijakan pemerintah yang melarang pengecer untuk menjual gas LPG 3 kg bersubsidi menghasilkan berbagai komentar di media sosial, terutama YouTube, di mana banyak komentar mengungkapkan kekhawatiran tentang kesulitan akses dan dampak ekonomi terhadap masyarakat kecil. Dengan menggunakan algoritma Naive Bayes, penelitian ini mengkaji sentimen publik terhadap kebijakan tersebut. Data dikumpulkan melalui proses scraping komentar YouTube; setelah itu, IndoBERT digunakan untuk melakukan pelabelan otomatis dan pembersihan data. Teknik SMOTE digunakan untuk mengatasi ketidakseimbangan kelas dalam dataset, sedangkan metode TF-IDF digunakan untuk mengekstraksi fitur teks. Hasil analisis menunjukkan bahwa 70% komentar bersentimen negatif, dan model multinomial Naive Bayes mencapai akurasi 85,67%. Penggunaan oversampling juga terbukti meningkatkan recall untuk kelas sentimen positif dan netral. Hasilnya menunjukkan bahwa untuk membuat kebijakan yang diterapkan lebih mudah dipahami dan diterima oleh masyarakat, pemerintah harus merevisi strategi komunikasi dan distribusi LPG bersubsidi.
PENERAPAN SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN TWITTER TERHADAP EFISIENSI ANGGARAN Ananda Hafika, Rizky; Agus Waruwu, Stefen; Advis Ambrosius Sitohang, Yuda; Yazid Noor, Muhammad; Haikal Al Majid, Muhammad; Arnita, Arnita; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13894

Abstract

Media sosial, khususnya Twitter, menjadi wadah utama bagi masyarakat untuk mengekspresikan opini terhadap kebijakan pemerintah, termasuk efisiensi anggaran. Analisis sentimen berbasis machine learning diperlukan untuk memahami respons publik secara otomatis. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat di Twitter terhadap kebijakan efisiensi anggaran menggunakan metode Support Vector Machine (SVM). Data yang digunakan telah melalui tahap preprocessing, labeling manual, dan untuk memastikan kualitas analisis. Sentimen yang diklasifikasikan terdiri dari tiga kategori: negatif, netral, dan positif. Hasil penelitian menunjukkan bahwa mayoritas sentimen masyarakat terhadap kebijakan ini bersifat negatif, menandakan ketidakpuasan atau ketidaksetujuan. Dalam perbandingan performa model SVM, Kernel Linear menunjukkan akurasi terbaik sebesar 81.46%, sedikit lebih tinggi dibandingkan Kernel RBF yang memperoleh 81.17%. Kernel Linear terbukti lebih stabil dalam mengklasifikasikan sentimen negatif dan netral, sementara Kernel RBF lebih unggul dalam menangani pola data yang kompleks tetapi kurang stabil dalam mengklasifikasikan sentimen positif. Oleh karena itu, model SVM dengan Kernel Linear dipilih sebagai model terbaik dalam penelitian ini. Penelitian ini memberikan wawasan mengenai persepsi publik terhadap kebijakan pemerintah serta menunjukkan efektivitas SVM dalam analisis sentimen media sosial.
PENERAPAN MODEL HYBRID MACHINE LEARNING ARIMA-LSTM (LONG SHORT-TERM MEMORY) DALAM PREDIKSI HARGA EMAS 5 TAHUN KE-DEPAN Zulfahrizan, Atta; Alby Savana HSB, Muhammad; Putra Paskah Halawa, Sovantri; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13914

Abstract

Emas merupakan aset lindung nilai yang banyak digunakan dalam investasi, namun prediksi harganya menjadi tantangan karena dipengaruhi oleh berbagai faktor ekonomi dan geopolitik. Fluktuasi harga yang tinggi menyebabkan perlunya model prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian ini bertujuan untuk mengembangkan model hybrid ARIMA-LSTM guna meningkatkan akurasi prediksi harga emas dalam lima tahun ke depan.Metode yang digunakan mencakup pengumpulan dan preprocessing data harga emas dari sumber daring. Model ARIMA diterapkan untuk menangkap pola linier dalam data historis, sedangkan LSTM digunakan untuk mengenali pola non-linier serta volatilitas harga. Evaluasi dilakukan dengan membandingkan performa model hybrid dengan model tunggal menggunakan metrik RMSE dan MAE.Hasil penelitian menunjukkan bahwa model hybrid ARIMA-LSTM memiliki tingkat akurasi lebih tinggi dibandingkan model ARIMA atau LSTM secara terpisah. Prediksi harga emas dalam lima tahun ke depan menunjukkan tren penurunan, dengan perkiraan harga akhir sebesar 1727.31 USD/troy ounce atau sekitar 832.477.500 RP/kg. Model ini diharapkan dapat memberikan wawasan yang lebih baik bagi investor dan pemangku kebijakan dalam pengambilan keputusan investasi.
Sebuah Evanthe, Hansel; Fhadillah, Fhadillah; Fauzan, Rosyid; Farezi, Nazwar; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.13992

Abstract

Pasar saham merupakan indikator penting dalam ekonomi, dengan harga saham yang fluktuatif mencerminkan berbagai faktor seperti sentimen pasar dan kondisi perusahaan. NVIDIA Corporation (NVDA) menjadi salah satu perusahaan teknologi yang menarik perhatian investor karena pertumbuhan signifikannya dalam industri semikonduktor dan AI. Namun, volatilitas tinggi menjadi tantangan dalam menentukan strategi investasi. Penelitian ini bertujuan untuk menganalisis pola pergerakan harga saham NVIDIA menggunakan klasterisasi K-Means dan memprediksi harga saham dengan model Long Short-Term Memory (LSTM). Permasalahan utama adalah kesulitan model prediksi dalam lonjakan harga ekstrem dan ketergantungan pada data historis. Tujuan penelitian adalah mengidentifikasi pola harga saham melalui klasterisasi dan menguji akurasi prediksi LSTM dengan berbagai skenario data latih. Metode yang digunakan meliputi pengumpulan data historis NVIDIA (2020–2025) dari Yahoo Finance, preprocessing data, klasterisasi K-Means dengan penentuan klaster optimal menggunakan metode Elbow, serta prediksi time-series dengan LSTM. Evaluasi dilakukan menggunakan RMSE dan MAPE. Hasil klasterisasi menunjukkan tiga klaster optimal dengan Silhouette Score 0.579, mengindikasikan pengelompokan yang cukup baik. Prediksi LSTM menghasilkan RMSE dan MAPE terendah pada 60% data latih (70.18 dan 9.61%), namun kesalahan meningkat seiring penambahan data latih akibat ketidakmampuan model menangkap lonjakan harga ekstrem. Disarankan untuk menambahkan fitur seperti volume perdagangan guna meningkatkan akurasi prediksi.
PENERAPAN POHON KEPUTUSAN C4.5 UNTUK MEMPREDIKSI TREN POPULARITAS GAME DI PLATFORM STEAM Drilanang, Mhd Ilyasyah; Sapta Warman Zai, Tri; Juliana Silalahi, Feby; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14083

Abstract

Pengembang dan penerbit game menghadapi kesulitan dalam menentukan game mana yang dapat menjadi populer atau trending seiring dengan meningkatnya jumlah game yang tersedia di platform distribusi digital seperti Steam. Banyak faktor yang memengaruhi popularitas suatu game, serta kurangnya alat prediksi yang efektif untuk membantu membuat keputusan tentang pengembangan dan pemasaran produk, menyebabkan masalah ini. Dengan menggunakan algoritma pohon keputusan C4.5, tujuan penelitian ini adalah untuk membangun model yang dapat memprediksi tren popularitas game. Pengumpulan data dari platform Steam digunakan. Data ini termasuk jumlah rekomendasi, ulasan positif, pencapaian game, dan harga. Setelah itu, data diproses melalui tahapan preprocessing, pemilihan fitur, dan pembagian dataset. Untuk pelatihan dan pengujian, rasio 80:20 digunakan. Untuk mencegah overfitting, model dibangun menggunakan DecisionTreeClassifier dengan parameter optimasi seperti kriteria pemisahan entropy dan kedalaman maksimum lima level. Hasil evaluasi menunjukkan bahwa model memiliki akurasi sebesar 92 persen, dengan jumlah rekomendasi dan ulasan positif yang paling penting. Studi ini dapat membantu pengembang game dan analis pasar memahami faktor utama yang memengaruhi popularitas game. Ini juga dapat menjadi dasar untuk membuat strategi pemasaran dan pengembangan produk yang lebih baik. Disarankan untuk ditambahkan fitur baru, seperti kategori game, dan teknik ensemble untuk meningkatkan prediksi.
OLAH DATA EKUASI MENGGUNAKAN KOMBINASI GRAPH NEURAL NETWORK (GNN) DALAM MACHINE LEARNING Prana Walidin, Adamsyach; Pebiana Putri, Fahra; Raffi Akbar, Muhammad; Fahmi Sagala, Khairul; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14096

Abstract

Pengolahan Data ini dikembangkan sebagai platform edukasi berbasis kecerdasan buatan yang membantu pengguna dalam menyelesaikan tugas akademik, seperti penyelesaian ekuasi matematis. Sistem ini memanfaatkan Graph Neural Network (GNN) untuk mengubah soal matematika menjadi representasi graf, memungkinkan model untuk memahami dan menyelesaikan persamaan secara lebih efektif. Implementasi awal telah mencapai Minimum Viable Product (MVP) dengan hasil yang menunjukkan bahwa pendekatan berbasis graf dapat diterapkan dalam konteks pendidikan. Menggunakan dataset soal ekuasi, dengan susunan graf yang didukung model machine learning, Ekuasi ditentukan menggunakan operator matematis yang sudah dideklarasikan pada model. Namun, masih terdapat beberapa tantangan, seperti validasi input dan optimasi model agar lebih akurat. Didapatkan hasil latih model dengan epoch error loss terbaik sebesar 0.374512 dalam pelatihan model. Model juga diukur menggunakan pertanyaan matematis dengan hasil yang akurat terhadap soal dengan tingkat akurasi sebesar 93,36%. Ke depannya, penelitian lebih lanjut dapat dilakukan dengan meningkatkan akurasi model, serta mengeksplorasi kombinasi GNN dengan Large Language Models (LLMs) untuk meningkatkan pemahaman terhadap soal yang lebih kompleks. Dengan pengembangan yang berkelanjutan, inovatif dalam membantu pelajar dan pengajar mengakses solusi berbasis AI yang lebih interaktif dan cerdas.
EVALUASI PERBANDINGAN TEKNIK OVERSAMPLING TERHADAP KINERJA RANDOM FOREST DALAM MENDETEKSI TRANSAKSI HARI SPESIAL DI E-COMMERCE Muslim Sinaga, Rizal; Afrrahman S. Effendi, Ali; Latifah Hasibuan, Najwa; Asro Harahap, Fatimah; Ramadhani, Fanny
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.14156

Abstract

Perkembangan pesat e-commerce, khususnya pada event-event spesial seperti Harbolnas dan Black Friday, mengarah pada permasalahan ketidakseimbangan data dalam klasifikasi transaksi. Pada hari biasa, jumlah transaksi lebih banyak dibandingkan dengan hari spesial, yang menyebabkan model machine learning cenderung bias. Penelitian ini bertujuan untuk membandingkan teknik-teknik oversampling seperti Random Oversampling, SMOTE, ADASYN, dan Borderline-SMOTE untuk menyeimbangkan data dalam klasifikasi transaksi e-commerce. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif, di mana dataset transaksi e-commerce diproses dengan berbagai teknik oversampling untuk memperbaiki ketidakseimbangan kelas. Data yang telah diproses kemudian digunakan untuk pelatihan model klasifikasi dengan algoritma Random Forest. Evaluasi dilakukan dengan metrik Precision, Recall, dan F1-Score untuk mengukur kinerja model dalam mengklasifikasikan data yang telah disesuaikan. Hasil penelitian menunjukkan bahwa teknik SMOTE memberikan hasil yang lebih baik dalam meningkatkan keseimbangan antara Precision, Recall, dan F1-Score, dibandingkan dengan teknik oversampling lainnya. Penelitian ini menyarankan penggunaan teknik SMOTE untuk meningkatkan akurasi dalam klasifikasi transaksi e-commerce pada hari spesial
Sistem Pakar Penyakit pada Anjing Menggunakan Metode Forward Chaining Siallagan, Sanri Yuliana; Situngkir, Silvia Wulandari; Siagian, Angel Agasari; Dewi, Sri; Ramadhani, Fanny
Journal of Citizen Research and Development Vol 2, No 1 (2025): Mei 2025
Publisher : CV. Rayyan Dwi Bharata

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57235/jcrd.v2i1.4163

Abstract

Kesehatan anjing  memerlukan perhatian khusus karena setiap jenis anjing dapat memiliki kecenderungan terhadap berbagai penyakit spesifik. Diagnosis yang cepat dan akurat sangat penting untuk mengurangi risiko komplikasi dan meningkatkan kualitas hidup hewan. Namun, diagnosa penyakit pada anjing  sering kali menghadapi tantangan karena beragam gejala yang dapat terjadi dan kompleksitas informasi medis yang diperlukan. Penelitian ini bertujuan untuk mengembangkan sebuah sistem pakar yang mampu mendiagnosis penyakit pada anjing secara efektif menggunakan metode forward chaining. Sistem ini diharapkan dapat membantu veterinaria dan pemilik hewan dalam memberikan diagnosis awal yang akurat berdasarkan gejala yang dilaporkan, serta mempermudah proses penanganan penyakit pada anjing. Metode forward chaining merupakan metode pencarian atau penarikan kesimpulan yang berdasarkan pada data atau fakta yang ada menuju ke kesimpulan. Metode forward chaining diterapkan untuk inferensi, di mana sistem mulai dari data gejala yang dimasukkan dan menggunakan aturan untuk menyimpulkan kemungkinan diagnosis. Sistem dikembangkan menggunakan platform perangkat lunak yang mendukung pembuatan sistem pakar dan diuji dengan kasus simulasi untuk menilai akurasi dan efektivitasnya. Hasil penelitian ini menunjukkan bahwa sistem ini terbukti efektif dalam mendiagnosis penyakit pada hewan peliharaan anjing melalui gejala awalnya. Sistem ini tidak hanya menunjukkan efisiensi proses diagnosis tetapi juga meningkatkan kesadaran pemilik hewan tentang kesehatan anjing peliharaannya.
Identifikasi Kendaraan Bermotor pada Dashcam Mobil Menggunakan Algoritma YOLO Ramadhani, Fanny; Satria, Andy; Dewi, Sri
Hello World Jurnal Ilmu Komputer Vol. 2 No. 4 (2024): Edisi Januari
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/helloworld.v2i4.466

Abstract

Identifikasi kendaraan bermotor merupakan tugas penting dalam pengembangan teknologi keselamatan jalan raya dan pemantauan lalu lintas. Dalam konteks ini, kamera dashboard (dashcam) pada mobil menjadi platform yang relevan untuk memperoleh data visual yang diperlukan. Penelitian ini bertujuan untuk mengimplementasikan algoritma You Only Look Once (YOLO) untuk mengidentifikasi kendaraan bermotor dalam rekaman video dari dashcam mobil. Metode ini memanfaatkan pendekatan deteksi objek berbasis deep learning yang memungkinkan deteksi objek secara real-time dengan tingkat keakuratan yang tinggi. Pada tahap pertama, dilakukan proses pengumpulan dan preprocessing dataset yang mencakup rekaman video dari dashcam mobil. Setelah itu, dilakukan pelatihan model YOLO menggunakan dataset yang telah disiapkan. Selama pelatihan, dilakukan proses optimisasi parameter untuk meningkatkan kinerja deteksi. Setelah model dilatih, dilakukan evaluasi menggunakan metrik seperti confusion matrix untuk mengevaluasi keakuratan deteksi. Hasil eksperimen menunjukkan bahwa algoritma YOLO berhasil mengidentifikasi kendaraan bermotor dengan tingkat keakuratan yang memuaskan dalam berbagai kondisi pencahayaan dan latar belakang jalan. Meskipun terdapat beberapa kendala seperti keakuratan yang menurun pada kondisi cahaya yang rendah, namun secara keseluruhan, implementasi algoritma YOLO pada dashcam mobil menunjukkan potensi besar untuk digunakan dalam aplikasi pemantauan lalu lintas dan keselamatan jalan raya. Penelitian ini memberikan kontribusi penting dalam pengembangan teknologi deteksi objek dalam konteks lalu lintas jalan raya menggunakan data visual dari dashcam mobil.
Co-Authors Abadi Simanullang, Paskah Adamsyach Prana Walidin Ade Amelia, Tasya Ade Andriani Ade Setiawan Adhi Guna, Ekin Advis Ambrosius Sitohang, Yuda Afiati Nasution, Nadrah Africano, Fernando Afrrahman S. Effendi, Ali Agata Putri Handayani Simbolon Agung Wijaya, Agung Agus Waruwu, Stefen Ahmad Rahmatika Al Hamidy Al Kautsar, Muhammad Zidane Al Khowarizmi Alby Savana HSB, Muhammad Alfin, Muhammad Ali Afrrahman S. Effendi Amanah, Fadilla Ambarwati, Nilasari Eka Amelia Br Siregar, Ririn Amelia Vega S. Meliala, Ruth Ananda Hafika, Rizky Ananta, Willy Pramudia Andika Maulana, Sandy Andy Satria Andy Satria Apandi, Khairul Aprilia, Adinda Putri ARNAH RITONGA Arnita Arnita Arnita Arnita Arnita Arnita Asri Angel Tumanggor Asro Harahap, Fatimah Atta Zulfahrizan Audy Priscilia, Selfi Aulia, Windy Ayu Sekar Ayu Syahfitri Ayu, Silvana Oyasi Azmi Lubis, Fauzan Baehaqi Budi Akbar, Muhammad Bush Henrydunan, John Daulay, Parhan Dechy Deswita Indriani.S Dedy Kiswanto Defiyanti, Aqilah Diah Retno Wahyuningrum Dian Damayanti Dian Septiana Dicky Apdilah Dimas Fadhlurohhman Dimas Prayoga Dina Aulia Dinda Kartika Djasmayena, Selvia Dly, Revidamurti Dobry Sianipar, Freyro Drilanang, Mhd Ilyasyah Dwi Zahra Putri, Raisya Elya Juni Arta Sinaga Elza Ahmad Erita Astrid Erlangga, Farizi Evanthe, Hansel Evelyn Keisha Silalahi Fahmi Ashari S. Sihaloho Fahmi Sagala, Khairul Fahra Pebiana Putri Farezi, Nazwar Fatma Hutagalung Fatma Sari Hutagalung Fauzan Azima Lubis Fauzan, Rosyid Fayadhilah, Muhammad Apta Feby Juliana Silalahi Fhadillah br.Hutagalung Fhadillah, Fhadillah Fitra, Muhammad Rizki Andrian Fransiska Sihombing, Esra Giovanni, Teuku Muhammad Grace Oktavia Hafiz, Alfin Haikal Al Majid, Muhammad Hansel Evanthe Hapzi Ali Harahap, Fatimah Asro Hasan, Afrizal Hermawan Syahputra Hermawan Syahputra Hermawan Syahputra Hidayat, Muhammad Ferdiansyah Hidayatul Arifin, Muhammad Husna Batubara, Shabrina Hutagalung, Fatma Sari Ichwanul Muslim Karo Karo Impana Manik, Kristin Indah Purnama Sari Indriani.S, Dechy Deswita Insan Pratama Siagian, Raihan Irya Shakila Syukron, Ananda Islamia, Aulia Ismail Hanif Batubara Iwan Agi Berutu Jailani Arsad John Pardamean Hutabarat, Felix Juliana Silalahi, Feby Khairul Fahmi Sagala Khildan Rifail Azis Latifah Hasibuan, Najwa Listia, Hijka Lubis, Muhammad Ghafur Rahman Lutfi Basit M Rosyid Fauzan M. Fahri Fahroza Manurung, Asrar Aspia Mardiana Mardiana Maulana, Raihan Mei Lammi Malau Mhd. Basri Mufit, Muhammad Ilham Muhammad Alby Savana HSB Muhammad Ashari Muhammad Habib Muhammad Naufal Musyafa Muhammad Raffi Akbar Tanjung Muhammad Ridho Muhammad Ridho Muhammad Rizki Alfahri Muhammad Rizki Andrian Fitra Muhammad Zidane Alkautsar Muslim Sinaga, Rizal Nadrah Afiati Nadrah Afiati Nasution Nadrah Afiati Nasution Najwa Latifa Hasibuan Najwatul Khoiriah Najwatul Khoiriah Nazwar Farezi Nico Pasaribu, Michael Nst, M. Fahri Fahroza Nurul Maulida Surbakti Nurul Maulida Surbakti Nurul Sasti Diningsih Oktavia, Grace Oktaviani, Nadya Sisil Oris Krianto Sulaiman Pebiana Putri, Fahra Permata Putri Pasaribu, Yohanna Pipit Putri Hariani MD Prana Walidin, Adamsyach Pratama, Ega Prihatin Ningsih Sagala Putra Paskah Halawa, Sovantri Putra, Samuel Anaya Putri Harliana Putri Maulidina Fadilah Putri Sartika Putri Tasya Agustina Raffi Akbar, Muhammad Rahel Lina Simanjuntak Rahma, Aulya Raihan Insan Pratama Siagan Ramadhan Manik, Albert Ramadhani, Sigi Pegi Ramadhani, Umaya Rangga Mahara Miko Ravindra Singh Richi, Alfina Riza Pahlawan Rizal Muslim Sinaga Rizki, Widya Selia Rushainy, Siti Raisha Sadion Tumpal Damanik Said . Iskandar Salamah Salamah salamah salamah Salsabila Zahra, Salsabila Sapta Warman Zai, Tri Selfi Audy Priscillia Siagian, Angel Agasari Siallagan, Sanri Yuliana Sinaga, Elya Juni Arta Sisti Nadia Amalia siti wulandari Sitompul, Dicky Sambora Sitorus, Rizki Risdah Situngkir, Silvia Wulandari Sovantri Putra Paskah Halawa Sri Dewi Sri Dewi Sri Dewi Sri Dewi Steviana Viviola Wicesti Nasution Sumita Wardani Surianto, Stacyana Jesika Susanto, Raoul Syahri, Alfin Theresia Romauli Siagian* Todo Simanjuntak Tri Sapta Warman Zai Trimuliani, Diva Tymoty Hutabarat, Peter Ukhti Nisa Vina Anggraini Wahyu Pratama, Rangga Wahyudi, Rizky Wardaniah, Sabina Warjaya, Angga Yazid Noor, Muhammad Zaki Zain Zulfahrizan, Atta