Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

14.357

P-Index

This Author published in this journals

All Journal Jurnal Dedikasi Jurnal Ilmu Komputer Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Simantec Jurnal sistem informasi, Teknologi informasi dan komputer Jurnal Teknologi Informasi dan Ilmu Komputer SMATIKA Proceeding of the Electrical Engineering Computer Science and Informatics Fountain of Informatics Journal Sistemasi: Jurnal Sistem Informasi Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Informatika Jurnal Pilar Nusa Mandiri Network Engineering Research Operation [NERO] Jurnal Komputer Terapan Syntax Literate: Jurnal Ilmiah Indonesia Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control SINTECH (Science and Information Technology) Journal METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) JURTEKSI EDUMATIC: Jurnal Pendidikan Informatika Jurnal Informatika Kaputama (JIK) JISKa (Jurnal Informatika Sunan Kalijaga) Journal of Electronics, Electromedical Engineering, and Medical Informatics Jurnal Repositor Community Development Journal: Jurnal Pengabdian Masyarakat Jurnal Perempuan & Anak Jurnal Dinamika Informatika (JDI) Makara Journal of Technology Jurnal Sistem Informasi Jurnal Informatika: Jurnal Pengembangan IT

Yufis Azhar

Universitas Muhammadiyah Malang

Author-ID : 237577

Agriculture, Biological Sciences & Forestry Humanities Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Public Health Social Sciences Other

Published : 139 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

KLASIFIKASI FITUR DALAM DOKUMEN REVIEW PRODUK DENGAN METODE LOCAL POINTWISE MUTUAL INFORMATION Yufis Azhar
Network Engineering Research Operation Vol 2, No 1 (2015): Nero
Publisher : Universitas Trunojoyo Madura

Ekstraksi fitur produk dalam suatu dokumen review merupakan permasalahan yang telah menarik perhatian banyak peneliti untuk memecahkannya. Permasalahan utama pada topik ini adalah bagaimana mengekstrak fitur yang relevan. Salah satu cara yang umumnya dilakukan adalah dengan mengkategorikan fitur-fitur yang telah terekstrak ke dalam kelas-kelas tertentu. Akan tetapi metode klasifikasi yang digunakan biasanya memiliki akurasi cukup rendah, hal ini dikarenakan sifat dokumen opini yang sangat bergantung pada domain yang sedang dibicarakan, Sehingga metode klasifikasi yang digunakanpun harus mampu beradaptasi dengan sifat tersebut. Dalam penelitian ini diusulkan suatu metode Local Pointwise Mutual Information (LPMI) yang merupakan modifikasi dari teknik PMI yang selama ini digunakan. Letak perbedaan utamanya adalah pada area pencarian PMI yang bersifat local (hanya di dataset) sehingga tidak keluar dari domain yang sedang dibicarakan oleh pemberi opini. Hasil pengujian menunjukkan bahwa teknik ini memiliki nilai precision dan recall yang baik dengan rata-rata di atas 80%.Kata Kunci: feature-based opinion mining, ekstraksi fitur, klasifikasi fitur, pointwise mutual information.

Pelabelan Klaster Fitur Secara Otomatis pada Perbandingan Review Produk Fahrur Rozi; Satrio Hadi Wijoyo; Septiyan Andika Isanta; Yufis Azhar; Diana Purwitasari
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1 No 2: Oktober 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Abstrak Penggunaan review produk sebagai suatu sumber untuk mendapatkan informasi dapat dimanfaatkan untuk mengoptimalkan pemasaran suatu produk. Situs belanja online merupakan salah satu sumber yang dapat digunakan untuk pengambilan review produk. Analisa terhadap produk dapat dilakukan dengan membandingkan antara dua buah produk berbeda berdasarkan fitur produk tersebut. Fitur dari suatu produk didapatkan melalui ekstraksi fitur dengan metode double propagation. Fitur yang terdapat dalam sebuah review sangat banyak serta terdapat beberapa kata yang memiliki arti yang sama yang mewakili suatu fitur tertentu, sehingga diperlukan suatu pengelompokan terhadap fitur tersebut. Pengelompokan suatu fitur produk dapat dilakukan secara otomatis tanpa memperhatikan kamus kata, yaitu dengan menggunakan teknik clustering. Hierarchical clustering merupakan salah satu metode yang dapat digunakan untuk pengelompokan terhadap fitur produk. Pengujian dengan metode hierarchical clustering untuk pengelompokan fitur menunjukkan bahwa metode average linkage memiliki nilai recall dan f-measure yang paling tinggi. Sementara untuk pengujian pelabelan menunjukkan bahwa semantic similarity antar fitur lebih berpengaruh dari pada kemunculan fitur di dokumen. Kata kunci: clustering, fitur produk, pelabelan Abstract Product review can be used as a source for acquire information and to optimize the marketing of product. Online shopping sites are one of source that can be used to get product reviews. Analysis of the product can be done by comparing two different products based on product’s features. Features of a product can be obtained through extraction of features with double propagation method. In the product review there are many feature that can be found, and there are some words that have the same meaning which represents a particular feature, so we need a grouping on the feature. Hierarchical clustering is one method that can be used for grouping the features of the product. Based on testing, hierarchical clustering method for grouping feature indicate that the average linkage method has the highest recall and f-measure. As for testing in labeling indicates that the semantic similarity between features is more influential than the appearance of features in the document. Keywords: clustering, features of the product, labeling

OTOMATISASI PERBANDINGAN PRODUK BERDASARKAN BOBOT FITUR PADA TEKS OPINI Yufis Azhar; Agus Zainal Arifin; Diana Purwitasari
Jurnal Ilmu Komputer Vol 6 No 2: September 2013
Publisher : Informatics Department, Faculty of Mathematics and Natural Sciences, Udayana University

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (507.538 KB)

Proses otomatisasi perbandingan produk berdasarkan teks opini dapat dilakukan dengan caramengekstrak fitur yang dimiliki produk tersebut. Fitur-fitur inilah yang umumnya dinilai kemudian digunakanuntuk membandingkan suatu produk dengan produk yang lain. Banyak peneliti yang menggunakan kamus kataopini untuk mengekstrak fitur tersebut. Akan tetapi hal tersebut tidak efektif karena sangat bergantung padakelengkapan kamus kata yang digunakan. Oleh karena itu, dalam penelitian ini diusulkan suatu metode untukmembandingkan produk berdasarkan bobot fitur produk tanpa harus menggunakan kamus kata opini yanglengkap. Caranya adalah dengan menjumlahkan bobot dari fitur-fitur unggul yang dimiliki oleh suatu produkuntuk mendapatkan skor tiap produk. Hasil yang didapat menunjukkan bahwa penerapan metode tersebut dapatmeningkatkan akurasi dari proses perbandingan dua buah produk sebesar 81% dari pada metode sebelumnyayang hanya 71%.

Sentiment Analysis on Work from Home Policy Using Naïve Bayes Method and Particle Swarm Optimization Rista Azizah Arilya; Yufis Azhar; Didih Rizki Chandranegara
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol 7, No 3 (2021): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v7i3.22080

At the beginning of 2020, the world was shocked by the coronavirus, which spread rapidly in various countries, one of which was Indonesia. So that the government implemented the Work from Home policy to suppress the spread of Covid-19. This has resulted in many people writing their opinions on the Twitter social media platform and reaping many pros and cons of the community from all aspects. The data source used in this study came from tweets with keywords related to work from home. Several previous studies in this field have not implemented feature selection for sentiment analysis, although the method used is not optimal. So that the contribution in this study is to classify public opinion into positive and negative using sentiment analysis and implement PSO for feature selection and Naïve Bayes for classifiers in building sentiment analysis models. The results showed that the best accuracy was 81% in the classification using Naive Bayes and 86% in the classification using naive Bayes based on PSO through a comparison of 90% training data and 10% test data. With the addition of an accuracy of 5%, it can be concluded that the use of the Particle Swarm Optimization algorithm as a feature selection can help the classification process so that the results obtained are more effective than before.

SISTEM REKOMENDASI PENYEWAAN PERLENGKAPAN PESTA MENGGUNAKAN COLLABORATIVE FILTERING DAN PENGGALIAN ATURAN ASOSIASI Gita Indah Marthasari; Yufis Azhar; Dwi Kurnia Puspitaningrum
Jurnal Simantec Vol 5, No 1 (2015)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v5i1.1008

ABSTRAKE-commerce berbasis web merupakan salah satu media yang efektif dalam jual beli. Banyak usaha yang telah memanfaatkan fasilitas ini. Salah satunya adalah bidang jasa persewaan alat-alat pesta. Untuk memberikan layanan yang lebih baik, e-commerce dilengkapi dengan fitur lain antara lain sistem rekomendasi. Sistem ini memudahkan konsumen menentukan barang untuk dibeli dengan cara menampilkan produk yang terkait dengan salah satu produk lain yang dibeli atau dilihat konsumen. Salah satu mekanisme untuk membangun sistem ini adalah collaborative filtering. Cara kerja collaborative filtering adalah dengan membangun sebuah basis data yang menyimpan produk-produk yang disukai konsumen. Transaksi baru yang dibuat oleh seorang konsumen akan dicocokkan dengan basis data tersebut untuk mengetahui data historis mana yang paling sesuai dengan data baru tersebut. Data historis yang paling sesuai akan ditampilkan sebagai rekomendasi bagi konsumen yang melakukan transaksi tersebut.Salah satu teknik yang dapat digunakan adalah penggalian aturan asosiasi menggunakan Algoritma Apriori. Pada penelitian ini, dibuat sebuah website persewaan alat-alat pesta dengan menerapkan sistem rekomendasi. Sistem rekomendasi dibangun menggunakan aturan-aturan yang dihasilkan oleh Algoritma Apriori. Untuk dapat menampilkan barang rekomendasi digunakan nilai support 20, sedangkan nilai confidence digunakan untuk menentukan N-teratas barang untuk direkomendasikan.Kata kunci : sistem rekomendasi, collaborative filtering, algoritma apriori. ABSTRACTWeb-based e-commerce is an effective media for buying and selling. Many businesses have taken the advantages of this facility. One of them is the party tools rental services. To provide better service, e-commerce is equipped with other features such as a recommendation mechanism. Thismechanism allows consumers specify the goods to be purchased by displaying products that are related to another purchased product or customer visits. One mechanism for establishing this system is collaborative filtering. Collaborative filtering works by building a database that stores the products which are preferred by consumers. New transactions made by a consumer will be matched with the database to find out which data are related the most. The most appropriate historical data to be displayed as a recommendation for consumers who conduct such transactions. One technique that can be used is extracting association rules using Apriori Algorithm. In this study, a website of party tools rental service is created to implement the recommendation system. A recommendation system built using rules generated by Apriori Algorithm. To be able to display items used on the value of the support 20, while the confidence value is used to determine the N-top items to be recommended.Keywords: recommender system, collaborative filtering, apriori algorithm.

Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter Mujaddid Izzul Fikri; Trifebi Shina Sabrila; Yufis Azhar
SMATIKA JURNAL Vol 10 No 02 (2020): SMATIKA Jurnal : STIKI Informatika Jurnal
Publisher : LPPM STIKI MALANG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32664/smatika.v10i02.455

Twitter is one of the social media that is widely used by the public as a communication media and obtain information. Through this social media, users can submit various opinions or comments on an issue. The opinions and comments that users submit through the tweets they send can be used for sentiment analysis. Therefore, in this study sentiment analysis of tweets related to the University of Muhammadiyah Malang (UMM) was carried out to determine public opinion about this campus. The analysis was carried out by classifying tweets that contain people’s sentiments regarding UMM. The classification method used in this study is Naïve Bayes and Support Vector Machine (SVM) by weighting the term using TF-IDF. The result of the two methods shows that Naïve Bayes gets better accuracy than SVM with an accuracy of 73,65%

Analisis Gempa Bumi Pada Pulau Jawa Menggunakan Clustering Algoritma K-Means Chita Nauly Harahap; Ferin Reviantika; Yufis Azhar
Jurnal Dinamika Informatika Vol 9 No 1 (2020): Jurnal Dinamika Informatika
Publisher : Universitas PGRI Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (664.812 KB)

Java Island is the most populated island in Indonesia with a population over 145 million. It causes mitigation of natural disaster is very important to decrease the damage. Earthquake become one of the natural disasater often happens in Java Island. The data is taken from Indonesian Agency Meteorology, Climatology and Geophysics (BMKG) twitter @infoBMKG with used #Gempa, data start from December 2018 to Maret 2020. The variabels are used is four namely Date, Latitude, Longitude, and Magnitude. Earthquake clustering based on location of earthquake used K-Means algorithm with using DBSCAN algorithm as comparison. The results are visualized using maps and outcome score of index sillhoute are indicate using K-Means more better.

Re-Ranking Image Retrieval on Multi Texton Co-Occurrence Descriptor Using K-Nearest Neighbor Yufis Azhar; Agus Eko Minarno; Yuda Munarko
Proceeding of the Electrical Engineering Computer Science and Informatics Vol 5: EECSI 2018
Publisher : IAES Indonesia Section

Some features commonly used to conduct image retrieval are color, texture and edge. Multi Texton Co-Occurrence Descriptor (MTCD) is a method which uses all three features to perform image retrieval. This method has a high precision when doing retrieval on a patterned image such as Batik images. However, for images focusing on object detection like corel images, its precision decreases. This study proposes the use of KNN method to improve the precision of MTCD method by re-ranking the retrieval results from MTCD. The results show that the method is able to increase the precision by 0.8% for Batik images and 9% for corel images.

Prediksi Harga Minyak Dunia Dengan Metode Deep Learning Muhammad Hussein; Yufis Azhar
Fountain of Informatics Journal Vol 6, No 1 (2021): Mei
Publisher : Universitas Darussalam Gontor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21111/fij.v6i1.4446

AbstrakPeramalan seri waktu mendapatkan banyak perhatian dari berbagai penelitian. Salah satu data seri waktu yang barubah setiap periode tertentu adalah minyak bumi. Secara umum harga minyak bumi dipengarui oleh dua hal yaitu permintaan dan pendapatan. Pada penelitian ini menggunakan state-of-the-art model Deep Learning LSTM (Long Short Term Memory) untuk meramalkan harga minyak dalam periode tertentu. Metode ini digunakan karena arsitekturnya dapat beradaptasi dengan belajar non-linear dari data seri waktu yang kompleks. Dataset yang digunakan adalah data Brent Oil Price yang selalu di update setiap minggu. Dataset ini berisi harga minyak brent dari tahun 1987 sampai sekarang. Beberapa model yang dibangun terbukti dapat meramalkan harga minyak dengan baik. Model terbaik yang didapatkan dari penelitian ini memiliki RMSE 0,0186 dan MAE 0,013.Kata kunci: LSTM, deep learning, peramalan, harga minyak Abstract[Forecasting World Oil Price with Deep Learning Method] Time series forecasting gets a lot of attention from various studies. One of the time-series data that changes every certain period is petroleum. In general, the price of petroleum is affected by two things, namely demand and income. This research uses a state-of-the-art Deep Learning LSTM (Long Short-Term Memory) model to predict the oil price in a certain period. This method is used because the architecture can adapt to non-linear learning from complex time series data. The dataset used is the Brent Oil Price data, which is always updated every week. This dataset contains the price of Brent oil from 1987 to the present. The models that were built proved to be able to predict oil prices well. The best models obtained from this study have RMSE 0.0186 and MAE 0.013.Keywords: LSTM, deep learning, forecasting, oil price

Analisis Prediksi Harga Saham PT. Telekomunikasi Indonesia Menggunakan Metode Support Vector Machine Widya Rizka Ulul Fadilah; Dewi Agfiannisa; Yufis Azhar
Fountain of Informatics Journal Vol 5, No 2 (2020): November
Publisher : Universitas Darussalam Gontor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21111/fij.v5i2.4449

AbstrakSaham merupakan salah satu bentuk investasi yang mana merupakan surat berharga yang menjadi bukti kepemilikan seseorang atas suatu perusahaan. Pergerakan saham dari waktu ke waktu relatif tidak menentu dan tidak pasti, namun masih dapat diprediksi. Prediksi harga saham ini akan sangat berguna bagi investor untuk mengetahui bagaimana alur investasi bekerja pada setiap harga pada masing-masing harga saham yang berubah dari waktu ke waktu. Model prediksi pergerakan harga saham yang akurat dapat membantu para investor dalam pertimbangan pengambilan keputusan transaksi saham karena pergerakan harga saham yang cenderung non linier ini akan menyulitkan investor dalam melakukan prediksi. Dalam penelitian ini dilakukan prediksi harga saham PT. Telekomunikasi Indonesia menggunakan metode algoritma Support Vector Machine yang ditingkatkan kinerjanya menggunakan kernel RBF. Dari hasil pengujian dengan metode Support Vector Machine dihasilkan tingkat akurasi sebesar 0.9641 dan RMSE sebesar 0.0932. Pengujian juga dilakukan menggunakan algoritma k-Nearest Neighbors dengan tingkat akurasi sebesar 0.945 dan RMSE sebesar 0.1162. Dengan itu diketahui bahwa algoritma SVM memiliki tingkat akurasi yang lebih tinggi dan tingkat error yang lebih rendah dibangdingkan metode KNN.Kata kunci: prediksi, harga saham, support vector machine. Abstract[Stock Price Prediction Analysis of PT. Indonesian Telecommunications Using Methods Support Vector Machine] Stock is a form of investment which is a form of securities which is a proof of someone's ownership of a company. The movement of shares from time to time is relatively uncertain, but still predictable. This stock price prediction will be very useful for investors to find out how the flow of investment works at each price on each stock price that changes from time to time. An accurate prediction model of stock price movements can help investors in considering the decision of stock transaction because the stock price movements that tend to be non-linear will make it difficult for investors to make predictions. In this research a prediction of the stock price of PT. Telekomunikasi Indonesia uses the Support Vector Machine algorithm method which is improved in performance using the RBF kernel. From the results of testing with the Support Vector Machine method the accuracy level is 0.9641 and the RMSE is 0.0932. Tests are also carried out using the k-Nearest Neighbors algorithm with an accuracy level of 0.945 and an RMSE of 0.1162. Therefore, it is known that the SVM algorithm has a higher level of accuracy and a lower error rate than the KNN method.Keywords: prediction, stock price, support vector machine.

Co-Authors A.A. Ketut Agung Cahyawan W Achmad Fauzi Saksenata Achmad Yusuf Adhigana Priyatama Aditya Dwi Maryanto Adnan Burhan Hidayat Kiat Afdian, Riz Agus Eko Minarno Agus Zainal Arifin Ahmad Annas Al Hakim Ahmad Darman Huri Ahmad Hanif Nurfauzi Ahmadu Kajukaro Akbi, Denar Regata Akmal Muhammad Naim Al-rizki, Muhammad Andi Alfin Yusriansyah Ali Sofyan Kholimi Amelia, Putri Juli Ananda Ayu Dianti Andhika Ade Verdiyanto Andhika Pranadipa Andi Shafira Dyah Kurniasari Andreawana Andreawana Andriani Eka Pramudita Annisa Annisa Annisa Fitria Nurjannah Aria Maulana Aris Muhandisin Arya, Tri Fidrian Audi Bayu Yuliawan Aulia Ligar Salma Hanani Bagas Aji Aprian Basuki, Setio Bayu Yuliawan, Audi Bintang, Rahina Chandranegara, Didih Rizki Chita Nauly Harahap Christian Sri Kusuma Aditya Christian Sri kusuma Aditya, Christian Sri kusuma Denny Risky Delis Putra Dewi Agfiannisa Diana Purwitasari Diana Purwitasari Doni Yulianto Dwi Anggraini Puspita Rahayu Dwi Kurnia Puspitaningrum DWI RAHMAWATI Dyah Anitia Dyah Ayu Irianti Eko Budi Cahyono Elfrida Ratnawati Elsyah Ayuningrum Elza Norazizah Evi Febrion Rahayuningtyas Fahrur Rozi Faizun Nuril Hikmah Faldo Fajri Afrinanto Fatimah Defina Setiti Alhamdani Fenny Linsisca Putri Feny Novia Rahayu Feranandah Firdausi Ferin Reviantika Ferin Reviantika Fikri, Ulul Fiqri Azmi Fachir Firdausi, Feranandah Firdausita, Nuris Sabila Firdausy, Aidia Khoiriyah Firdhansyah Abubekar Fitri Bimantoro Galang Aji Mahesa Galang Aji Mahesa Gita Indah Marthasari Haqim, Gilang Nuril Hardianto Wibowo Haris Diyaul Fata Harmanto, Dani Hermansyah Adi Saputra Hiu Adam Abdullah Hussin Agung Wijaya Ibrahim, Zaidah Ilham Rahmana Syihad Imam Halimi Irfan, Muhammad Ivan Dwi Nugraha Jahtra Hidayatullah Jalu Nusantoro Khoirir Rosikin Kiki Ratna Sari Laofin Aripa Lina Dwi Yulianti Linggar Bagas Saputro Lusianti, Aaliyah M Syawaluddin Putra Jaya M. Randy Anugerah Mahar Faiqurahman Maskur Maskur Maskur Maskur Masluha, Ida Maulina Balqis Meilina Agustina Mentari Mas'ama Safitri Moch Shandy Tsalasa Putra Moch. Chamdani Mustaqim Mochammad Hazmi Cokro Mandiri Mochammad Hazmi Cokro Mandiri Moh. Badris Sholeh Rahmatullah Muhammad Aji Purnama Wibowo Muhammad Al Reza Fahlopy Muhammad Andi Al-Rizki Muhammad Athaillah Muhammad Bima Al Fayyadl Muhammad Fadliansyah Muhammad Hussein Muhammad Misbahul Azis Muhammad Nuchfi Fadlurrahman Muhammad Riadi Muhammad Rifal Alfarizy Muhammad Rivaldi Asyhari Muhammad Rizal Muhammad Rizki Muhammad Rizky Iman Permana Muhammad Shalahuddin Zulva Muhammad Yusril Hasanuddin Mujaddid Izzul Fikri Nabillah Annisa Rahmayanti Nina Mauliana Noor Fajriah Novandha Yudyanto Noviani Sintia Duwi Trisna Nur Hayatin Nur Putri Hidayah Nuryasin, Ilyas Oktavia Dwi Megawati Otto Endarto Prakoso, Rahmat Putri, Ira Ekanda Rahma Ningsih Rangga Kurnia Putra Wiratama Ratna Sari Rifky Ahmad Saputra Riksa Adenia Riska Septiana Putri Rista Azizah Arilya Riz Afdian Rizal Arya Suseno Rizal Rakhman Mustafa Rozi, Fahrur S, Vinna Rahmayanti Saputri, Indah Sari Wahyunita Sari, Veronica Retno Sari, Zamah Satrio Hadi Wijoyo Satrio Hadi Wijoyo Septiyan Andika Isanta Setiono, Fauzan Adrivano Sheila Fitria Al asqalani Shintya Larasabi , Auliya Tara Silcillya Ayu Astiti Siti Maghfiroh Sucia, Dara Suryani Rachmawati Suseno, Jody Ririt Krido Susi Ekawati Syaifuddin Syaifuddin Syaifudin Zuhri Taufik Nurahman Tri Fidrian Arya Trifebi Shina Sabrila Trifebi Shina Sabrila ubay hakim arrafiq Ujilast, Novia Adelia Ulfah Nur Oktaviana Veronica Retno Sari Vinna Utami Putri Wahyu Priyo Wicaksono Wana Salam Labibah Wicaksono, Galih Wasis Widya Rizka Ulul Fadilah Wildan Suharso Wildan Suharso Wildan Suharso Yesicha Amilia Putri Yuda Munarko Yudhono Witanto Yurizal Rizqon Rifani Zaidah Ibrahim Zamah Sari

Title

Found 139 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 139 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 139 Documents
Search