Garuda - Garba Rujukan Digital

p-Index From 2021 - 2026

5.317

P-Index

This Author published in this journals

All Journal International Journal of Electrical and Computer Engineering International Journal of Advances in Applied Sciences Jurnal Ilmu Komputer Jurnal Sains dan Teknologi EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Infotech Journal Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Sistemasi: Jurnal Sistem Informasi Jurnal Teknologi dan Sistem Komputer Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Jurnal Informatika Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial Jurnal Pilar Nusa Mandiri JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Tekno Insentif Indonesian Journal of Electrical Engineering and Computer Science JIKA (Jurnal Informatika) Jurnal Responsif : Riset Sains dan Informatika Djtechno: Jurnal Teknologi Informasi Media Jurnal Informatika Journal of Artificial Intelligence and Digital Business Jurnal Ilmiah Teknik Informatika dan Komunikasi Jurnal Sistem Informasi dan Ilmu Komputer Jurnal Informatika Polinema (JIP) Vokasi UNESA Bulletin of Engineering, Technology and Applied Science

Toni Arifin

Universitas Adhirajasa Reswara Sanjaya

Author-ID : 2377558

Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Physics Social Sciences Transportation

Published : 59 Documents Claim Missing Document

Claim Missing Document

Articles

Title

IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI CITRA SEL PAP SMEAR MENGGUNAKAN ANALISIS TEKSTUR NUKLEUS Toni Arifin
Jurnal Informatika Vol 2, No 1 (2015): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

Abstract - Cervical cancer is the one of cause women death in the world. At least every 2 minutes 1 people death it cause of cervical cancer. One of prevention to early detection of cervical cancer is Pap Smear examination. Pap Smear test conducted to determine infection or abnormal cell that can turn into cancer cell. In this research used texture analysis data obtained from the result of image processing cell nucleus of normal and abnormal Pap Smear and 7 class Pap Smear cells is Normal Superficial (NS), Normal Intermediate (NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD), Moderate Dysplasia (MD), Carcinoma In Situ (CIS). Image data derived from the data Harlev is totaling 280 images. The method of this research is used classification K-nearest neighbor method and for testing is used Confusion Matrix to see how much accuracy is generated by using K-nearest neighbor method. The result accuracy of normal and abnormal classification is 73,10% and for class classification is 33,33%. Keywords: Texture Analysis, K-nearest neighbor , Classification, Pap Smear Cell, Cervical Cancer, Confusion Matrix. Abstrak - Kanker serviks merupakan salah satu penyebab kematian wanita di dunia. Setidaknya setiap 2 menit 1 orang di dunia meninggal karena kanker serviks. Salah satu cara pencegahan untuk mendeteksi secara dini kanker serviks adalah dengan melakukan Pemeriksaan Pap Smear. Tes Pap Smear dilakukan untuk melihat adanya infeksi atau sel-sel yang abnormal yang dapat berubah menjadi sel kanker. Pada penelitian ini menggunakan data analisis tekstur yang didapatkan dari hasil pengolahan citra inti sel Pap Smear normal dan abnormal dan 7 kelas sel Pap Smear yaitu Normal Superficial (NS), Normal Intermediate (NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD), Moderate Dysplasia (MD), Carcinoma In Situ (CIS). Data citra berasal dari data Harlev yang berjumlah 280 citra. Metode yang digunakan dalam penelitian ini adalah metode klasifikasi K-nearest neighbor dan untuk pengujiannya menggunakan Confusion Matrix untuk melihat seberapa besar akurasi yang dihasilkan dengan menggunakan metode K-nearest neighbor . Akurasi yang dihasilkan dari klasifikasi normal dan abnormal adalah 73,10% dan untuk akurasi klasifikasi kelas adalah 33,33%. Kata Kunci: Analisis Tekstur, K-nearest neighbor , Klasifikasi, Sel Pap Smear, Kanker Serviks, Confusion Matrix.

Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara Farizul Ma’arif; Toni Arifin
Jurnal Informatika Vol 4, No 1 (2017): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakOrganisasi Kesehatan Dunia (WHO) tahun 2004, menyatakan bahwa 5 besar kanker di dunia adalah kanker paru-paru, kanker payudara, kanker usus besar, kanker lambung, dan kanker hati. WHO mengestimasikan bahwa 84 juta orang meninggal akibat kanker dalam rentang waktu 2005-2015. Survei yang dilakukan WHO menyatakan 8 sampai 9% wanita mengalami kanker payudara. Hal itu membuat kanker payudara sebagai jenis kanker yang paling banyak ditemui pada wanita setelah kanker leher rahim. Pada penelitian ini dilakukan klasifikasi tingkat keganasan breast cancer dengan menggunakan metode optimasi fitur Backward Elimination dan Support Vector Machine (SVM), yang bertujuan untuk memudahkan ahli dalam mengidentifikasi kanker payudara. Berdasarkan hasil dan pembahasan yang telah dilakukan, dapat disimpulkan bahwa metode Support Vector Machine (SVM) adalah Algoritma yang baik diantara algoritma yang penulis telah uji untuk pengklasifikasian Kanker Payudara menggunakan Dataset WBC (Wisconsin Breast Cancer). Dimana nilai klasifikasi performansi Akurasi dan AUC nya adalah yang tertinggi, sedangkan untuk penggabungan algoritma seleksi fitur Backward Elimination dan Support Vector Machine (SVM) mendapatkan peningkatan Akurasi sebesar 14% sehingga nilai tingkat akurasi akhirnya sebesar 97.14% dan nilai AUC mencapai 0.995. Keywords: Kanker Payudara, Backward Elimination, Support Vector Machine, Klasifikasi. AbstractThe World Health Organization (WHO) in 2004, States that the 5 large world cancer is lung cancer, breast cancer, colon cancer, stomach cancer, and liver cancer. The who estimates that 84 million people died of cancer in 2005-2015 time frame. A survey conducted the WHO declares the 8 to 9% of women experiencing breast cancer. It makes breast cancer as the most common type of cancer found in women after cervical cancer. This research was conducted on the classification of the degree of malignancy of breast cancer by using Backward Elimination feature optimization method and Support Vector Machine (SVM), which aims for make it easier the expert in identifying breast cancer. Based on the results and discussion has been done, it can be concluded that the method of Support Vector Machine (SVM) is a good algorithm between the algorithms that the author has been testing for breast cancer classification using Dataset WBC (Wisconsin Breast Cancer). Where the value of classification Accuracy performance and his AUC is the highest, while for the merge feature selection algorithm Backward Elimination and Support Vector Machine (SVM) get an increased Accuracy of 14% accuracy level value so that the end of 102.72% and AUC values reach 0995. Keyword: Breast Cancer, Backward Elimination, Support Vector Machine, Classification.

ANALISA PERBANDINGAN METODE SEGMENTASI CITRA PADA CITRA MAMMOGRAM Toni Arifin
Jurnal Informatika Vol 3, No 2 (2016): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

AbstractCancer is a desaeas with a high prevalence in the world. As many 8,2 million people died of cancer. The prevalence of cancer was happened in woman that is breast cancer. Breast cancer is a malignancy derived from grandular cells, gland duct and supporting the breast tissues. There are many ways of detecting the presence of breast cancer which one is mammography test that aims to examine the human breast using low-dose X-rays. Observation mammography results in the form of mammogram images can be done with image processing, in this way the process of observation is not take a long time and error in the observation can be reduced. One of the process image processing is image segmentation, the step of image segmentation is an important in image analysis there force is needed method in process of image sementation. This observation is aims to analyze comparison of two image segmentation methods of mammogram images that is using Watershed method and Otsu method after that it will see the quality of image by calculating the signal to noise ratio and timing run of each method. The result of this observation is showed that the signal to noise ratio on the Watershed method 7,475 dB and Otsu method 6.197 dB and the conclution is Watershed method is better than Otsu method, whereas if viewed the timing run Watershed method 0,016 seconds is more faster than Otsu method.

Klasifikasi Statistikal Tekstur Sel Pap Smear Dengan Decesion Tree Toni Arifin; Dwiza Riana; Gita Indah Hapsari
Jurnal Informatika Vol 1, No 1 (2014): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

ABSTRAK Penelitian ini menyajikan analisis tekstur dan klasifikasi citra sel pap smear. Pada analisis tekstur difokuskan pada citra nukleus sel Pap smear, metode yang digunakan adalah metode Gray Level Co-occurrence Matrix (GLCM) dengan menggunakan lima parameter yaitu korelasi, energi, homogenitas dan entropi ditambah dengan menghitung nilai Brightness pada citra yang diproses. Citra yang digunakan dalam penelitian ini menggunakan data citra Harlev, yang terdiri dari 280 citra yang sudah dikategorikan ke dalam 7 kelas yaitu 3 kelas sel normal yang meliputi Normal Superficial, Normal Intermediate, and Normal Columnar dan 4 kelas lainnya adalah kategori kelas citra sel abnormal yang meliputi Mild (Light) Dyplasia, Moderate Dysplasia, Severe Dysplasia dan Carcinoma In Situ. Berdasarkan hasil pengolahan citra yang menghasilkan nilai matriks dari setiap parameter yang dihitung, citra sel Pap smear akan diklasifikasikan menurut jenisnya normal atau abnormal dan berdasarkan kelasnya dengan menggunakan decision tree yang diolah dengan algoritma clasifier J48 pada aplikasi weka. Untuk akurasi yang dihasilkan dari klasifikasi sel normal dan abnormal adalah 73% dan untuk akurasi klasifikasi tujuh kelas adalah 34,3%. Kata Kunci : Klasifikasi, Statistikal Tekstur, Sel Pap Smear, Decision Tree. ABSTRACT This research presents the texture analysis and classification of cells pap smear image. Texture analysis focused on the cell nucleus Pap smear image, the research method used the Gray Level Co-occurrence Matrix (GLCM) method, by using five parameter that include contrast, correlation, energy, homogeneity, entropy and brightness. The image used in this research using image data Harlev. The images from 280 subjects are categorized into seven classes. Three classes of which are normal cell image class categories that include Normal Superficial, Normal Intermediate, and Normal Columnar, and the other four classes are categories of abnormal cell image class that include Mild (Light) Dyplasia, Moderate Dysplasia, Severe Dysplasia and Carcinoma In Situ. Based on the results of image processing that produces a matrix of values of each parameter were calculated, Pap smear cell image will be classified according to the type of normal or abnormal and based on the class using the decision tree treated with algorithm clasifier J48 in weka applications. To the resulting accuracy of the classification normal and abnormal cells is 73% and for seven class classification accuracy is 34,3%. Keywords : Classification, Statistical Texture, Cell Pap Smear, Decision Tree

Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear Toni Arifin
Jurnal Informatika Vol 4, No 2 (2017): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakPenyakit kanker adalah salah satu penyebab kematian di seluruh dunia. Di indonesia Kanker serviks dan kanker payudara merupakan penyakit kanker dengan penderita terbanyak. Penyebab kanker serviks adalah virus HPV (Human Papilloma Virus) tipe 16 dan 18. Tes Pap Smear merupakan salah satu pencegahan kanker serviks secara dini. Pada pemeriksaan Pap Smear sel akan di amati di bawah mikroskop untuk membedakan sel normal dan abnormal, pada pemeriksaan ini ahli patologi terkadang kesulitan dalam pengamatan sel karena bentuk sel yang hampir mirip, dan pemeriksaan sel memakan waktu dan terkadang terjadi kesalahan. Tujuan dari penelitian ini adalah mengusulkan model klasifikasi untuk klasifikasi sel Pap Smear untuk memudahkan ahli patologi. Metode yang digunakan adalah kombinasi dari metode Particle Swarm Optimization untuk seleksi fitur dan Teknik Bagging untuk mengatasi jumlah kelas yang tidak seimbang. Dari kombinasi ke 2 metode tersebut di ujicoba dengan metode klasifikasi Decision Tree, Naïve Bayes dan K-NN untuk mengetahui perbandingan dari setiap metode klasifikasi. Hasil dari penelitian ini menunjukkan bahwa penggabungan metode Particle Swarm Optimization dan Teknik Bagging terbukti efektif untuk klasifikasi sel Pap Smear, itu di lihat dari hasil akurasi yang ditunjukkan. Klasifikasi dengan metode K-NN menghasilkan akurasi terbaik untuk klasifikasi sel normal dan abnormal yaitu 95,05%, sedangkan metode klasifikasi dengan akurasi terbaik untuk klasifikasi 7 kelas yaitu Decision Tree dengan 64,24%. Kata Kunci: Kanker Serviks, Pap Smear dan Klasifikasi. AbstractCancer is one of the leading causes of death in worldwide. In Indonesia cervical cancer and breast cancer is a cancer disease with most patients. The cause of cervical cancer is HPV virus (Human Papilloma Virus) types 16 and 18. Pap Smear test is one of the prevention of cervical cancer early. On Pap Smear examination the cells will be observed under a microscope to distinguish normal and abnormal cells, on this examination Pathologists sometimes find it difficult to observe cells because of the almost identical cell shape, and examination are time-consuming and sometimes faulty. The purpose of this research is to propose a classification model for Pap Smear to facilitate Pathologists. The method is used a combination of Particle Swarm Optimization for selection feature and Bagging technique to overcome an unbalanced of classes. From the combination of the two methods, we tested the classification method of Decision Tree, Naïve Bayes and K-NN to find out the comparison of each classification method. The result of this research indicate that the incorporation of Particle Swarm Optimization method and Bagging Technique proved effective for classification of Pap Smear cells, it is viewed from the accuracy shown results. Classification with K-NN method gives the best accuracy for normal and abnormal cell classification of 95,05%, while classification method with best accuracy for classification 7 class is Decision Tree with 64,24%. Keywords: Cervical Cancer, Pap Smear and Classification.

Sistem Pemilihan Mesin Cuci Berdasarkan Kebutuhan Konsumen Menggunakan Fuzzy Tahani dan Promethee Nur Huzumah; Toni Arifin
Jurnal Informatika Vol 5, No 1 (2018): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/ji.v5i1.2728

Abstrak Berdasarkan hasil survei terhadap kebutuhan mesin cuci pada tahun 2013 pertumbuhan mesin cuci nasional naik sebesar 28%, Menurut data Euro Monitor tahun 2017, penetrasi mesin cuci di Indonesia selama lima tahun terakhir terus meningkat. Sekitar 74% masyarakat di Kota besar seperti Jakarta telah mengandalkan mesin cuci untuk membantu membersihkan pakaian. Namun pada pembelian mesin cuci, sebagian besar masyarakat masih tertarik dengan harga yang murah tanpa mengetahui spesifikasi detail mengenai mesin cuci yang akan dibeli apakah sesuai kebutuhan atau tidak. Karena kurangnya kesadaran masyarakat, maka dibuat sebuah sistem pendukung keputusan menggunakan metode fuzzy tahani dan promethee untuk meningkatkan kualitas rekomendasi mesin cuci sesuai kebutuhan konsumen. Metode fuzzy tahani digunakan untuk melakukan pengurutan data mesin cuci berdasarkan kriteria yang menghasilkan nilai 0 sampai dengan 1. Setelah itu, metode promethee digunakan untuk mendapatkan bobot mesin cuci dan akan dilakukan pengurutan mesin cuci sesuai bobot yang didapat. Hasil penelitian ini menunjukkan bahwa adanya sistem pendukung keputusan yang dibangun, masyarakat yang ingin membeli mesin cuci dapat memilih dengan tepat, jelas dan objektif. Hasil akurasi yang dihasilkan adalah 90%. Kata Kunci: sistem pendukung keputusan, pemilihan mesin cuci, fuzzy tahani, promethee Abstract Based on results of survey about the needs of washing machines in 2013, the growth of national washing machines increased by 28%. According to Euro Monitor Data of 2017, penetration of washing machines in Indonesia over the last five years continues to increase. About 74 % of the people in big cities like Jakarta have relied on a washing machine to help clean clothes. However on the purchase of a washing machine, most of the people still interested in a cheap price without knowing detail specification of the washing machine which will be purchased whether as needed or not. Due the lack of public awareness, then made a decision support system using fuzzy tahani and promethee method to improve the quality of the washing machine recommendations according to needs of the consumers. Fuzzy tahani method is used to perform the washing machine data sorting based on the cirteria that yields a value of 0 to 1. After that, Promethee method is used to get weight of the washing machine and will do sorting machine according to the weight obtained. The results of this study indicate that a decision support system who has been built, people who want to buy a washing machine can choose the washing machine properly, cleary and objectively. The result of accuracy is 90%. Keywords: decision support system, washing machine selection, fuzzy tahani, promethee

KLASIFIKASI INTI SEL PAP SMEAR BERDASARKAN ANALISIS TEKSTUR MENGGUNAKAN CORRELATION-BASED FEATURE SELECTION BERBASIS ALGORITMA C4.5 Toni Arifin
Jurnal Informatika Vol 1, No 2 (2014): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

Abstract - Pap Smear is an early examination to diagnose whether there’s indication cervical cancer or not, the process of observations were done by observing pap smear cell under the microscope. There’s so many research has been done to differentiate between normal and abnormal cell. In this research presents a classification of pap smear cell based on texture analysis. This research is using the Harlev image which amounts to 280 images, 140 images are used as training data and 140 images other are used as testing. On the texture analysis used Gray level Co-occurance Matrix (GLCM) method with 5 parameters that is correlation, energy, homogeneity and entropy added by counting the value of brightness. For choose which the best attribute used correlation-based feature selection method and than used C45 algorithm for produce classification rule. The result accuracy of the classification normal and abnormal used decision tree C45 is 96,43% and errors in predicting is 3,57%. Keywords : Classification, Pap Smear cell image, texture analysis, Correlation-based feature selection, C45 algorithm. Abstrak - Pap Smear merupakan pemeriksaan dini untuk mendiagnosa apakah ada indikasi kanker serviks atau tidak, proses pengamatan dilakukan dengan mengamati sel pap smear dibawah mikroskop. Banyak penelitian yang telah dilakukan untuk membedakan antara sel normal dan abnormal. Dalam penelitian ini menyajikan klasifikasi inti sel pap smear berdasarkan analisis tektur. Citra yang digunakan dalam penelitian ini adalah citra Harlev yang berjumlah 280 citra, 140 citra digunakan sebagai data training dan 140 citra lain digunakan sebagai testing. Pada analisis tekstur mengunakan metode Gray level Co-occurrence Matrix (GLCM) menggunakan 5 parameter yaitu korelasi, energi, homogenitas dan entropi ditambah dengan menghitung nilai brightness. Untuk memilih mana atribut terbaik digunakan metode correlation-based feature selection lalu digunakan algoritma C45 untuk menghasikan rule klasifikasi. akurasi yang dihasilkan dari klasifikasi normal dan abnormal yang menggunakan decision tree C45 adalah 96,43% dan kesalahan dalam memprediksi adalah 3,57%. Kata Kunci: Klasifikasi, Citra sel Pap Smear, Analisis tekstur, Correlation-based feature selection, Algoritma C45.

METODE DATA MINING UNTUK KLASIFIKASI DATA SEL NUKLEUS DAN SEL RADANG BERDASARKAN ANALISA TEKSTUR Toni Arifin
Jurnal Informatika Vol 2, No 2 (2015): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

ABSTRACT - The Pap Smear test is done to see the presence of infection or changes in cells that can turn into cancer cells. In this research is using data on analysis results of texture image processing on previous research that is using a nucleus cell and inflammation cell in the image Pap Smear cell. The purpose of this research is to find the best method for classifying the nucleus cell and inflammation cell based on texture analysis GLCM (Gray Level Co-occurrence Matrix) in this research used of method Decision tree (C 4.5), Naive Bayes and k-Nearest Neighbour. The results of this research brings about the best methods for classification of the data nucleus cell and inflammation cell that is a method of Decision tree (C4.5) with accuracy 97,56% whereas results for Naive Bayes 90,89% and k-Nearest Neighbour 95,97%. Keywords: Data mining, classification, Pap Smear cell, Texture Analysis ABSTRAKSI - Tes Pap Smear dilakukan untuk melihat adanya infeksi atau perubahan sel-sel yang dapat berubah menjadi sel kanker. Pada penelitian ini menggunakan data analisis tekstur yang didapatkan dari hasil pengolahan citra pada penelitian sebelumnya yaitu menggunakan sel nukleus dan sel radang pada citra sel Pap Smear. Tujuan dari penelitian ini adalah mencari metode terbaik untuk mengklasifikasikan sel nukleus dan sel radang berdasarkan analisa teksur GLCM (Gray Level Co-occurrence Matrix) Metode yang digunakan dalam penelitian ini adalah metode Decision tree (C4.5), Naive Bayes dan k-Nearest Neighbour. Hasil dari penelitian ini didapatkan metode terbaik untuk klasifikasi data sel nukleus dan sel radang yaitu metode Decision tree (C4.5) dengan akurasi 97,56% sedangkan hasil untuk Naive Bayes 90,89% dan k-Nearest Neighbour 95,97%. Kata Kunci: Data mining, Klasifikasi, Sel Pap Smear, Analisa Tekstur

Co-Authors Ade Mubarok Adi Suparwo Agustin, Dari Dianata Al Huda Ramadhan Ali Akbar Rismayadi Angel, Reddis Ani Solihat Anshori, Muhammad Iqbal Anugrah, Gregian Bayu Asri Dwi Andini Asti Herliana, Asti Auliaddina, Siti Chusi Yanasari Daniel Ariesta Dwi Ariyandi Dwiza Riana Dwiza Riana Elin Sopiah Erfian Junianto Fahmi Permadi Achmad Fajar Nugraha Fakhri Habib Hawari Farizul Ma’arif Faslah Fadillah Fitriyani Fitriyani Fitriyani Fitriyani Fitriyani Fitriyani Gita Indah Hapsari Hendi Suhendi Hilda Farida Husniah Iedam Fardian Anshori, Iedam Fardian Ignatius Wiseto Prasetyo Agung Ihsan Mudzakir Imam Muhammad Mannar Shahih Insan Cahya Setia Maksum, Muhamad Shidiq Maya Nurjanah Mayangsari, Ariefa Diah Mayya Nurbayanti Shobary Muhamad Revin Reginal Harahap Muhamad Rifqi Alviandi Naufal Hidayah Surya Nur Huzumah Prasetya, Muhamad Azril Budi Prasetyo Agung, Ignatius Wiseto Puspitasari, Mila Rabbani, Muhammad Ihsan Rahayu Febryani Rahmaniza Maulana Rahmawati Rangga Sanjaya Rifki Ainul Yaqin Rina Resmiati Risman Risman Rivanto, Farhan Rizal Rachman, Rizal Rizki Tri Prasetio Rohidin, Rifki Siti Syalwah Sri Mulyani Suhadi, Enda Syarif Hidayatulloh Taufik Hidayatulloh Tiara Nurwulandari Tiki Ramdhani Tyas Widyani Pratiwi Wibowo, Ilham Rachmat Wildan Wiguna Wira Sanjaya Yudi Ramdhani Zakaria, Salman Ilyas

Title Search

Found 8 Documents Search Journal : Jurnal Informatika

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 8 Documents
Search
Journal : Jurnal Informatika