Article Per Year (5 Year)
p-Index From 2020 - 2025
10.954
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) IJCCS (Indonesian Journal of Computing and Cybernetics Systems) SITEKIN: Jurnal Sains, Teknologi dan Industri KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer Sinkron : Jurnal dan Penelitian Teknik Informatika INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Applied Information System and Management ILKOM Jurnal Ilmiah MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Journal of Economic, Management, Accounting and Technology (JEMATech) KOMPUTIKA - Jurnal Sistem Komputer Jambura Journal of Informatics JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) METIK JURNAL Building of Informatics, Technology and Science Dinasti International Journal of Education Management and Social Science Jurnal Tecnoscienza Jurnal Mnemonic Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics PRAJA: Jurnal Ilmiah Pemerintahan JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) JIKA (Jurnal Informatika) Jurnal Perangkat Lunak Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Jurnal TIKOMSIN (Teknologi Informasi dan Komunikasi Sinar Nusantara) Journal of Computer Networks, Architecture and High Performance Computing Jurnal Teknik Informatika (JUTIF) Jurnal Teknimedia: Teknologi Informasi dan Multimedia Journal of Electrical Engineering and Computer (JEECOM) JINAV: Journal of Information and Visualization International Journal of Artificial Intelligence and Robotics (IJAIR) Jurnal Informatika dan Teknologi Komputer ( J-ICOM) DEVICE Djtechno: Jurnal Teknologi Informasi JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer JURNAL STUDIA KOMUNIKA KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Journal Computer Science and Informatic Systems : J-Cosys Jurnal Mandiri IT Sulawesi Tenggara Educational Journal JURNAL PAI: Jurnal Kajian Pendidikan Agama Islam Jurnal Sisfotek Global International Journal Artificial Intelligent and Informatics Jurnal Informatika Teknologi dan Sains (Jinteks) Journal of Innovation Research and Knowledge Malcom: Indonesian Journal of Machine Learning and Computer Science Nusantara of Engineering (NOE) Jurnal Bangkit Indonesia Jurnal Multidisiplin Sahombu COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi JEC (Jurnal Edukasi Cendekia) Jurnal Informatika Polinema (JIP) Jurnal Informatika: Jurnal Pengembangan IT Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Jurnal Sistem Informasi Komputer dan Teknologi Informasi Jurnal TAM (Technology Acceptance Model) Jurnal Sistem Informasi dan Teknologi Informasi
Kusrini, Kusrini
Unknown Affiliation
Religion Aerospace Engineering Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Social Sciences Transportation Other

Published : 94 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 94 Documents
Search

 2   3   4   5   6 
Penerapan Data Sains Untuk Klasifikasi Wilayah Yang Terdampak Kerusakan Gempa Bumi Dengan Metode C.45 Swastikawati, Claudia; Pamoengkas, Muhamad Agoeng; Wahyudi, Alfian Cahyo; Kusrini, Kusrini
Journal of Economic, Management, Accounting and Technology (JEMATech) Vol 7 No 2 (2024): Agustus
Publisher : Fakultas Teknik dan Ilmu Komputer, Universitas Sains Al-Qur'an (UNSIQ) Wonosobo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32500/jematech.v7i2.7679

Abstract

Di Indonesia, gempa bumi sering terjadi karena interaksi plat tektonik. Energi seismik yang dicatat oleh seismograf diukur pada skala Richter (SR). Data dari BMKG dan BNPB selama semester pertama 2022 menunjukkan getaran energi seismik dari skala kecil hingga besar di sekitar Indonesia. Penelitian ini menggunakan metode C4.5 untuk klasifikasi dampak gempa, mengolah data historis mengenai wilayah, magnitudo, kedalaman, dan tingkat kerusakan. Proses penelitian mencakup pengumpulan data, pra-pemrosesan, pemilihan model, pelatihan model, dan penilaian kinerja menggunakan akurasi, presisi, recall, dan skor F1. Dataset berisi 62 catatan gempa dari BMKG dan dampak kerusakan di Jawa dari BNPB. Model C4.5 mencapai akurasi 62% pada tuning 8:2, meskipun menghadapi tantangan seperti variasi kondisi geografis, struktur bangunan, dan jumlah kejadian dalam satu hari. Hasil penelitian ini memberikan kontribusi berupa gabungan data bencana dari www.bmkg.go.id dan kerusakan dari https://gis.bnpb.go.id/. Selain itu, model C4.5 dapat dilakukan untuk skala kerusakan rumah akibat gempa bumi. Penelitian ini menghasilkan model prediksi yang akurat untuk mengklasifikasikan tingkat kerusakan bangunan, memberikan wawasan praktis untuk mitigasi bencana, dan mendukung pemerintah serta lembaga penanggulangan bencana dalam meningkatkan sistem peringatan dini dan distribusi bantuan.
Diagnosa Stunting Berdasarkan Gejala Medis Menggunakan Algoritma Naive Bayes, SVM dan K-NN Aris Subadi; Kusrini, Kusrini
Jurnal Informatika Polinema Vol. 10 No. 4 (2024): Vol. 10 No. 4 (2024)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v10i4.5628

Abstract

Stunting merupakan masalah kesehatan global yang signifikan, mempengaruhi pertumbuhan dan perkembangan anak-anak di seluruh dunia, termasuk Indonesia. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja algoritma machine learning dalam mendiagnosa stunting berdasarkan gejala medis. Tiga algoritma utama yang digunakan adalah Naive Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (K-NN). Dataset yang digunakan dalam penelitian ini terdiri dari data gejala medis yang relevan dengan stunting, yang dikumpulkan dari berbagai sumber terpercaya. Data tersebut diproses melalui tahap pembersihan, normalisasi, dan pembagian menjadi set pelatihan dan set pengujian. Setelah data diproses, setiap algoritma machine learning dilatih menggunakan set pelatihan dan kemudian diuji menggunakan set pengujian untuk mengevaluasi kinerjanya. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes memberikan skor akurasi tertinggi sebesar 90%, diikuti oleh SVM dengan akurasi 86,56%, dan K-NN dengan akurasi 79,43%. Analisis hasil menunjukkan bahwa Naive Bayes adalah algoritma yang paling efektif untuk diagnosa stunting berdasarkan gejala medis, karena memberikan akurasi tertinggi dan efisiensi dalam komputasi. SVM juga menunjukkan kinerja yang kuat dalam menangani data berdimensi tinggi, sementara K-NN memberikan hasil yang memuaskan meskipun dengan akurasi yang lebih rendah. Kesimpulan penelitian ini adalah bahwa Naive Bayes dapat menjadi pilihan utama untuk implementasi dalam sistem diagnosa stunting, dengan mempertimbangkan keunggulan dalam akurasi dan efisiensi. Penelitian ini memberikan kontribusi signifikan dalam bidang kesehatan dengan menyediakan model prediksi yang efektif untuk diagnosa stunting, serta memberikan rekomendasi praktis bagi tenaga medis dalam memanfaatkan teknologi machine learning. Validasi eksternal diusulkan sebagai langkah lanjutan untuk memastikan generalisasi model.
Klasifikasi Tsunami Gempa Bumi dengan Teknik Stacking Ensemble Machine Learning Sudarto, Sudarto; Kusrini, Kusrini
Jurnal Informatika Polinema Vol. 10 No. 4 (2024): Vol. 10 No. 4 (2024)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v10i4.5655

Abstract

Upaya untuk mendeteksi dan mengklasifikasikan tsunami secara dini sangat penting untuk mitigasi risiko dan pengurangan dampak bencana. Meskipun berbagai metode telah diusulkan untuk meningkatkan akurasi prediksi tsunami, tantangan utama masih terletak pada variasi akurasi antara model yang berbeda dan ketidakmampuan beberapa model untuk menangani data yang kompleks dan beragam. Teknik stacking ensemble menawarkan solusi dengan menggabungkan kekuatan beberapa model pembelajaran mesin untuk menghasilkan prediksi yang lebih akurat dan andal. Penelitian ini bertujuan untuk menguji efektivitas teknik stacking ensemble dalam klasifikasi tsunami yang disebabkan oleh gempa bumi. Teknik ini melibatkan penggabungan beberapa model pembelajaran mesin untuk meningkatkan akurasi prediksi. Dataset yang digunakan dalam penelitian ini adalah data tsunami pasca gempa bumi dari tahun 2001 hingga 2023 yang berasal dari Kaggle.com. Proses penelitian mencakup eksplorasi data awal (EDA), preprocessing, pembagian data menjadi set pelatihan dan pengujian, serta evaluasi model dasar Decision Tree, Random Forest, Neural Network, Support Vector Machine, Naive Bayes, dan K Nearest Neighbors. Hasil menunjukkan bahwa model stacking ensemble dengan Logistic Regression sebagai meta model memberikan kinerja terbaik dalam klasifikasi tsunami dengan akurasi sebesar 94%. Secara keseluruhan, stacking ensemble dapat meningkatkan akurasi prediksi dalam klasifikasi tsunami dan dapat digunakan sebagai dasar untuk pengembangan sistem peringatan dini tsunami yang lebih efektif.
Optimasi Algoritma C4.5 Menggunakan Metode Forward Selection Dan Stratified Sampling Untuk Prediksi Kelayakan Mahasiswa Penerima Beasiswa Bentar Candra P; Kusrini, Kusrini; Tonny Hidayat
KLIK: Kajian Ilmiah Informatika dan Komputer Vol. 4 No. 6 (2024): Juni 2024
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/klik.v4i6.1933

Abstract

Every prospective student has the opportunity to get a scholarship within an educational institution, but it is often not on target so a more accurate data mining approach is needed. However, the C4.5 algorithm has a weakness in its level of accuracy when managing large amounts of data so it needs to be optimized. This research aims to optimize the C4.5 algorithm using stratified sampling and forward selection methods in determining the eligibility of scholarship recipients. The data came from prospective students at Anwar Medika University with a sample size of 263 records which were then processed using the RapidMinner application for the C4.5 algorithm without optimization and the C4.5 algorithm with optimization of the stratified sampling + forward selection method. The research results show a higher level of accuracy in the C4.5 algorithm with optimization using the stratified sampling + forward selection method, namely 81.75% compared to the accuracy level in the C4.5 algorithm without optimization, namely 80.23%. Thus, the conclusion of this research is that the C4.5 algorithm with optimization using stratified sampling and forward selection methods is more effective and can overcome the shortcomings of the C4.5 algorithm without optimization
Flood Prediction Using Support Vector Regression (Case Study of Floodgates in Jakarta) Azi, Amanda; Saleh, Robby Febrianur; Ardana, Wildan Muhammmad; Kusrini, Kusrini
Journal of Computer Networks, Architecture and High Performance Computing Vol. 6 No. 3 (2024): Articles Research Volume 6 Issue 3, July 2024
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v6i3.4360

Abstract

Flood can be interpreted as an event that occurs suddenly and quickly enough where the water discharge in the drainage channel cannot be accommodated, so that the blocked area causes the water discharge in the drainage channel in several surrounding areas to overflow and is one of the natural disasters that occurs at an unexpected time and cannot be prevented, because of this, a prediction must be made to detect floods for the next day. Flood prediction is a crucial aspect of disaster management and mitigation, particularly in flood-prone areas such as Jakarta, Indonesia. This study aims to leverage Support Vector Regression (SVR) to predict flood events by analyzing various environmental and hydrological factors that influence flooding. The primary data sources include historical wheater data, river water levels, floodgate positions in Jakarta. The data preprocessing involved cleaning, handling missing values, and normalizing the datasets to ensure compatibility with the SVR model. Feature selection was conducted to identify the most relevant predictors of flooding, such as wheater data, and river water levels. The dataset was then split into training and testing sets, maintaining an 80-20 ratio to ensure robust model validation. An SVR model with a radial basis function (RBF) kernel was trained on the standardized training data. The model's performance was evaluated using Root Mean Squared Error (RMSE) as the primary metric. The RMSE produced in this study was 0.112 with an R Square accuracy of 0.977. The results indicated that the SVR model could effectively predict flood events with a reasonable degree of accuracy, demonstrating its potential as a valuable tool in flood forecasting.
Analisis Perbandingan Metode Naïve Bayes dan K-NN dalam Penentuan Lokasi Layanan Administrasi BPJS Kesehatan di Provinsi Maluku. Irfan, Andi Muhammad; Kusrini, Kusrini
Journal Computer Science and Information Systems : J-Cosys Vol 4, No 2 (2024): J-Cosys - September
Publisher : STMIK Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53514/jco.v4i2.535

Abstract

Untuk mencapai Universal Health Coverage (UHC) dimana 98% Penduduk telah memiliki Jaminan Kesehatan Nasional (JKN), menjadi tantangan tersendiri bagi daerah yang geografis dan jarak antar desa yang sangat jauh tentunya terkendala pemerataan pelayanan administrasi BPJS Kesehatan, BPJS Kesehatan telah membuat inovasi Program BPJS Keliling dan BPJS Online, Permasalahannya tidak semua desa dapat dilayani dengan BPJS Keliling dan BPJS Online, sehingga perlu dilakukan pemetaan terhadap desa-desa yang memenuhi syarat untuk dapat dilaksanakan BPJS Keliling dan BPJS Online, Penelitian ini menjelaskan teknik machine learning, khususnya algoritma K-NN dan Naïve Bayes, untuk mensupport pengambilan keputusan dengan pemilihan desa-desa mana yang cocok, layak dan potensial sehingga menghasilkan pelayanan publik yang efektif dan efisien.  Hasil percobaan menunjukkan bahwa kedua metode tersebut memiliki tingkat akurasi yang cukup baik, Naïve Bayes mampu mengklasifikasikan desa-desa dengan tingkat akurasi mencapai 94,33%. Performa K-NN tertinggi adalah data yang telah di normalisasi menggunakan Min-Max Scaler dengan akurasi sebesar 95,55%, nilai persisi sebesar 94,27%, nilai recall 95,90% Dan nilai f1 score 94,91%. Oleh karena itu, peneliti merekomendasikan penggunaan algoritma K-NN dengan persyaratan untuk melakukan normalisasi data menggunakan Min-Max Scaler terlebih dahulu, dan nilai k yang optimal adalah 8 untuk menentukan lokasi yang layak mendapatkan layanan Administrasi BPJS Kesehatan.
Perbandingan Efektifitas Algoritma K-Means Clustering-Topsis dan K-Medoids Clustering-Topsis dalam Menentukan Karyawan IT dengan Kinerja Terbaik Kasman, Haris Saktiawan; Kusrini, Kusrini
Journal Computer Science and Information Systems : J-Cosys Vol 4, No 2 (2024): J-Cosys - September
Publisher : STMIK Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53514/jco.v4i2.534

Abstract

Perkembangan ilmu pengetahuan dan teknologi yang semakin pesat di era revolusi industri 4.0 mendorong berbagai sektor untuk terus berinovasi berkembang mengikuti jaman, namun di PT. Ises Solusi Teknologi belum adanya metode untuk menentukan kinerja karyawan IT dengan baik. Untuk mengatasi permasalahan ini, diperlukan adanya algoritma yang efisien untuk menilai karyawan IT di PT. Ises Solusi Teknologi, sehingga bisa menentukan kinerja karyawan IT yang berkualitas. Tujuan dari penelitian ini adalah dengan melakukan perbandingan antara dua algoritma clustering sehingga dapat di pilih mana algoritma yang paling efisien untuk melakukan pengelompokkan cluster dan di akhir akan di ranking dengan Topsis untuk menilai kinerja karyawan IT terbaik di PT. Ises Solusi Teknologi. Metode pengelompokkan data kinerja karyawan yang dibuat menggunakan metode clustering k-means, k-medoids dengan menggunakan tiga atribut, yaitu: hasil dari dataset yang dikumpulkan berdasarkan kinerja tugas dan penilaian belajar diambil 3 kriteria profesi keahlian yaitu administrasi perkantoran, digital marketing dan desain grafis, kemudian diolah dengan bantuan google collabs kemudian di akhir menggunakan Sistem Pendukung Keputusan (SPK) Topsis untuk melihat ranking mana karyawan IT Terbaik, Pada tahap berikutnya mencari nilai davies bouldin index memakai bantuan google collabs pada setiap metode yang dipakai untuk melakukan perbandingan serta menentukan metode yang lebih optimal dalam clustering. Hasil nilai yang diperoleh dari metode davies bouldin index di setiap algoritma, yaitu: k-means sebesar -0.350, k-medoids sebesar -1.408, maka algoritma terbaik untuk pengelompokkan data kinerja karyawan IT dalam penelitian ini adalah algoritma k-means, karena memiliki nilai DBI yang terkecil.
Prediksi Banjir Di Dki Jakarta Dengan Menggunakan Algoritma K-Means Dan Random Forest Haris, Ruby; Haryo, Wasis; Wahyu Pujiharto, Eka; Yuza, Adela; Kusrini, Kusrini; Kusnawi, Kusnawi
Jurnal Informatika dan Teknologi Komputer (J-ICOM) Vol 5 No 1 (2024): Jurnal Informatika dan Teknologi Komputer ( JICOM)
Publisher : Universitas Samudra

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55377/j-icom.v5i1.8153

Abstract

This research aims to develop a flood prediction method that can be used to implement effective prevention and mitigation measures in dealing with frequent natural disasters in DKI Jakarta. The approach used in this study involves the utilization of Machine Learning techniques with a combination of K-Means and Random Forest algorithms. Historical data on water gates, water levels, and other relevant factors are used as inputs for the development of the flood prediction model. The K-Means method is employed to cluster the water level data, and the results of the K-Means clustering process are then used as parameters in the Random Forest method. A total of 20 experiments were conducted, varying the value of k from 1 to 20 in the K-Means algorithm. The experimental results show that the best accuracy and f-1 score were achieved at k=14, with an accuracy rate of 95% and an f-1 score of 90%. This indicates that the developed flood prediction model is capable of providing accurate and reliable predictions in identifying flood potential. This research holds significant implications for flood management in vulnerable cities. With an effective flood prediction method, prevention and mitigation measures can be implemented more efficiently, thereby reducing the negative impacts caused by floods.
Use of Data Mining Technology to Identify Narcotics Distribution Patterns Moningka, Nirwan; Kusrini, Kusrini
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 22, No 1 (2024): December 2024
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v22i1.32064

Abstract

The abuse of narcotics has become one of the significant social and health problems in various countries worldwide. Conventional methods relying on manual analysis or traditional approaches may not be effective enough in addressing this challenge. Therefore, a more sophisticated and efficient approach is needed to tackle this issue. Data mining uses techniques from statistics, machine learning, and pattern recognition to extract valuable information from large data sets. This research employs data collection methods from the Narcotics Investigation Directorate of the Maluku Regional Police from 2021 to 2023. This data includes profiles of narcotics users, such as the age of the perpetrators, gender, last education level, occupation, location of arrest, and type of narcotic. The aim is to identify the patterns of narcotic distribution in the Maluku Province using data mining techniques, namely the Apriori algorithm, Naive Bayes, Random Forest, and Support Vector Machine (SVM). The exclusion of the age variable was a correct decision, as it resulted in an increase in accuracy. This increase is likely due to the high variation in the age variable. The accuracy improvement was more evident in the Random Forest algorithm compared to Naive Bayes and SVM. Random Forest achieved satisfactory results with an accuracy of 0.96. This indicates that Random Forest is a good algorithm for predicting narcotics user data. These results suggest that the pattern of narcotics distribution is closely associated with specific factors, including the male gender, the highest level of education being high school, a self-employed occupation, arrest locations on public roads, and the type of narcotic being Shabu.
Analisis Perubahan Tutupan Lahan Menggunakan Metode Klasifikasi Terbimbing Pada Data Citra Penginderaan Jauh Kota Samarinda-Kalimantan Timur Gifari, Okta Ihza; Kusrini, Kusrini; Yuana, Kumara Ari
Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer Vol 18, No 2 (2023): Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jim.v18i2.5716

Abstract

Tutupan lahan merupakan ilmu tentang penggunaan suatu lahan untuk mencapai tujuan kesejahteraan dan kemajuan baik masyarakat ataupun lingkungan itu sendiri. Tutupan dan penggunaan lahan selalu berubah mengikuti perkembangan jumlah penduduk dan juga kebijakan yang dimiliki pemerintah suatu daerah itu sendiri. Kota Samarinda merupakan kota yang dimana tutupan lahannya berubah dengan cepat akibat pertumbuhan pendududuk yang pesat. Informasi tentang keadaan tutupan lahan sangat penting dalam perencanaan operasional dan penyelenggaraan evaluasi pada pemerintah. Sehingga diperlukannya analisis terhadap perubahan yang terjadi. Metode yang digunakan dalam penelitian ini adalah memanfaatkan teknologi penginderaan jauh yang kemudian diolah dengan menggunakan algoritma Maximum Likelihood Classification dan menghitung nilai kerapatan vegetasi dari suatu daerah yaitu NDVI (Normalized Difference Vegetation Index). Penentuan sampel untuk training area menggunakan metode plot area dan pengambilan sampel menggunakan metode random sampling. Hasil pengolahan menghasilkan tutupan lahan yang ada di Kota Samarinda didominasi dengan kelas tutupan lahan vegetasi alami yang mencakup 50% dari keseluruhan wilayah Kota Samarinda. Kerapatan vegetasi menunjukkan kehjijaun tingi pada interval 0.510494065 – 0.793650806 pada tahun 1994. Sedangkan pada tahun 2022 menunjukkan interval 0.143671161 – 0.249420762. Akurasi keseluruhan pada tahun 1994 menghasilkan nilai 97,02% sedangkan pada tahun 2022 menghasilkan nilai 99,01%.
Co-Authors AA Sudharmawan, AA Abdillah, Yahya Auliya Adhani, Muhammad Azmi Agastya, I Made Artha Ahmad Yusuf Alfatta, Hanif Alva Hendi Muhammad Andi Muhammad Irfan Andika, Roy Andriyanto, Rifki Angga Kurniawan Anggraeni, Meita Dwi Ardana, Wildan Muhammmad Ari Yuana, Kumara Arief Setyanto Arief, M Rudyanto Arief, Muhammad Rudyanto Arifuddin, Danang Aris Subadi Asnawi, Muhamad Fuat Azi, Amanda Aziz, Moh Abdul Bayu Setiaji Béjar, Rodrigo Martínez Bentar Candra P Bernadhed, Bernadhed Bisono, Hadi Hikmadyo Braeken, An Candra, Kurnia Khoirul da Silva, Bruno DHANI ARIATMANTO Dzulhijjah, Dwi Ahmad Eko Pramono Eko Purwanto Ema Utami Emha Taufiq Luthfi Fatkhurrochman, Fatkhurrochman Fauzi, Moch Farid Fauzy, Marwan Noor Febrianti, Winda Ferry Wahyu Wibowo fitriyanto, nur Gifari, Okta Ihza Halimi, Ahmad Hamdikatama, Bimantyoso Hanif Al Fatta Haris, Ruby Hartono, Anggit Dwi Haryo, Wasis Hasan, Nur Fitrianingsih Hasan, Nurul Rahmawati Herawati, Maimi Herlinawati, Noor Hulvi, Alfajri I Putu Agus Ari Mahendra Ilmawati, Fahma Inti Jeki Kuswanto Juwariyah, Siti Kasman, Haris Saktiawan Kurniasari, Iin Kusnawi , Kusnawi Kusnawi Kusnawi Lewu, Retzi Y. Listyanto, Ahmad Wildan López, Alba Puelles Lukman Bachtiar M. RUDYANTO ARIEF M. Suyanto, M. Madhika, Yudha Randa Mahendra, Awanda Putra Mangun, Syamsul Syahab Maradona, Maradona Mardiana Mardiana Martínez-Béjar, Rodrigo maulana, fahrizal Megantara, Muhamad Arldi MEI PARWANTO KURNIAWAN Metha, Halifa Sekar Mohamad Firdaus, Mohamad Mohammad Diqi Mohammad Rezza Pahlevi Moningka, Nirwan Mufti Ari Bianto Muhammad Resa Arif Yudianto Muktafin, Elik Hari Muzakir, Muhammad MZ, Reza Rafiq Nasiri, Asro Ni Nyoman Utami Januhari, Ni Nyoman Nugroho, Agung Nugroho, Hanantyo Sri Oktafiqurahman, Andi Olajuwon, Sayyid Muh. Raziq Onde, Mitrakasih La ode Oscar Samaratungga Pamoengkas, Muhamad Agoeng Pamungkas, Sapto Pradipta, Dody Prameswari, Sonia Anjani Prasetio, Agung Budi Prastyo, Rahmat Pratama, Muhammad Egy Puri, Fiyas Mahananing Putra, Andriyan Dwi Rachmawati Oktaria Mardiyanto Riduan, Nor Rizkayati, Anisa S, Muhamad Rois S, Muhammad Sabri Saleh, Robby Febrianur Samponu, Yohakim Benedictus Santosa, Hendriansyah Saputro, Moh. Rizal Bayu Sarawan, Tommy Selvy Megira, Selvy Semma, Andi Bahtiar Setiawan, Moh. Arif Ma'ruf Setyanto, Arif Solikin, Arif Fajar Sudarmawan, Sudarmawan Sudarto Sudarto Swastikawati, Claudia Syafutra, Arif Dwi Syaiful Huda Tampubolon, Jandri Tamuntuan, Virginia TONNY HIDAYAT Tri Nugroho, Arief triadin, Yusrinnatul Jinana Tukan, Ewaldus Ambrosius Ula, M. Izul Wahyu Pujiharto, Eka Wahyudi, Alfian Cahyo Wiwi Widayani, Wiwi Yossy Ariyanto Yuana, Kumara Ari Yuza, Adela Zakaria Zakaria Zuhri, Muhammad Rafli