Garuda - Garba Rujukan Digital

p-Index From 2020 - 2025

6.696

P-Index

This Author published in this journals

All Journal INFORMAL: Informatics Journal REFLEKSI EDUKATIKA Terampil : Jurnal Pendidikan dan Pembelajaran Dasar DWIJA CENDEKIA: Jurnal Riset Pedagogik Jurnal Kesehatan Holistic Jurnal Masyarakat Merdeka (JMM) Jurnal Fundadikdas (Fundamental Pendidikan Dasar) JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Kontribusia : Research Dissemination for Community Development Jurnal Peduli Masyarakat Community Development Journal: Jurnal Pengabdian Masyarakat Indonesian Journal of Global Health research Journal of Community Development Jurnal Kesehatan Journal of Social Outreach Jurnal Informatika dan Teknologi Pendidikan International Journal of Learning Reformation in Elementary Education JUSTIFY : Jurnal Sistem Informasi Ibrahimy J-ENSITEC (Journal of Engineering and Sustainable Technology) Jurnal Pengabdian Masyarakat Bangsa AL-UMRON: Jurnal Pengabdian kepada Masyarakat National Multidisciplinary Sciences Jurnal Aplikasi Sistem Informasi dan Elektronika Journal of Digital Literacy and Volunteering Jurnal Pengabdian Masyarakat Manage Jurnal Sistem Informasi Komputer dan Teknologi Informasi ABDIMASTEK Journal of Digital Literacy and Volunteering Computing and Information System Journal

Ginanjar Abdurrahman

Universitas Muhammadiyah Jember

Author-ID : 3361934

Religion Agriculture, Biological Sciences & Forestry Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 50 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4 5

Analisis Klasifikasi Kelahiran Caesar Menggunakan Algoritma Naive Bayes Ginanjar Abdurrahman; Johan Taruna Wijaya
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol 4, No 2 (2019): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v4i2.2616

Angka kematian Ibu (AKI) merupakan jumlah kematian ibu selama masa kehamilan hingga pasca melahirkan yang disebabkan kehamilan, persalinan atau pengelolaannya dan tidak disebabkan kecelakaan di setiap 100.000 kelahiran hidup. Kelahiran Caesar adalah alternatif terakhir dalam persalinan, dikarenakan faktor resiko yang tinggi. Walaupun resikonya tinggi, angka kelahiran Caesar mengalami peningkatan signifikan, khususnya di Indonesia. WHO menetapkan standar persalinan Caesar suatu negara berkisar 5-15 persen per seribu kelahiran di dunia. Machine learning merupakan cara mesin belajar dari data. Terdapat beberapa aplikasi machine learning yang telah dikembangkan. Salah satunya adalah machine learning WEKA. Weka merupakan software untuk data mining yang dilengkapi dengan algoritma standar machine learning termasuk klasifikasi. Pada penelitian ini dilakukan klasifikasi kelahiran Caesar menggunakan algoritma Naïve Bayes untuk menentukan apakah kelahiran akan diberikan tindakan operasi Caesar atau melahirkan secara normal. Dataset yang digunakan terdiri dari 80 data ibu hamil dengan 5 atribut, yakni: umur, jumlah tenaga medis, waktu melahirkan, tekanan darah, masalah hati. Hasil penelitian ini diharapkan dapat membantu dunia kesehatan khusunya untuk menentukan proses kelahiran perlu diberi tindakan operasi Caesar ataukah tidak dengan menyediakan model klasifikasi untuk melakukan prediksi secara medis. Hasil dari penelitian ini diharapkan dapat menunjang dunia kesehatan khususnya pada kasus ibu melahirkan dengan menyediakan model klasifikasi yang dapat digunakan untuk melakukan prediksi maupun pengambilan keputusan medis lainnya.Kata kunci: Kelahiran, Caesar, Klasifikasi, Naïve Bayes, Weka

Clustering Data Kredit Bank Menggunakan Algoritma Agglomerative Hierarchical Clustering Average Linkage Ginanjar Abdurrahman
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol 4, No 1 (2019): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v4i1.2418

Data mining adalah pengembangan model yang merepresentasikan penemuan pola menggunakan data historis. Model dapat diaplikasikan pada data untuk prediksi (klasifikasi dan regresi), segmentasi populasi (clustering), dan menentukan hubungan di dalam populasi (asosiasi). Dari beberapa model, salah satunya adalah clustering yang didefinisikan sebagai proses mengorganisir objek-objek menjadi satu kelompok yang anggotanya memiliki kemiripan tertentu. Similaritas ada dua, yakni similaritas berdasarkan bentuk dan jarak. Clustering mempunyai beberapa karakteristik, yaitu: partitioning, hierarchical, overlapping, dan hybrid. Hierarchical clustering adalah salah satu algoritma clustering dengan karakteristik setiap data harus termasuk dalam cluster tertentu, dan data yang termasuk dalam cluster tertentu tidak dapat berpindah ke cluster lain. Hierarchical clustering ada dua, yaitu divisive (top to down) dan agglomerative (down to top). Algoritma agglomerative ada empat yaitu single linkage, centroid linkage, complete linkage, dan average linkage. Salah satu dari algoritma agglomerative tersebut adalah average linkage. Algoritma ini merupakan algoritma terbaik di antara algoritma hierarchical yang lain, tetapi memiliki waktu komputasi tertinggi. Pada penelitian ini akan dilakukan clustering terhadap nasabah di suatu bank dengan algoritma agglomerative hierarchical clustering average linkage. Atribut data yang digunakan: status pengecekan, durasi kredit, sejarah kredit, tujuan kredit, besaran kredit, status tabungan, employment, komitmen, status personal, pihak lain, menetap sejak, kepemilikan property, umur, rencana pembayaran lainnya, status rumah, keberadaan kredit, pekerjaan, jumlah tanggungan, telepon rumah, pekerja luar negeri, dan kelas. Data dalam penelitian ini sebanyak 1000 instances, yang kemudian dijadikan sebagai data training sebanyak 25 %, 50 %, dan 75 %, sedangkan untuk data testing digunakan keseluruhan data. Kata kunci : Data mining, Dataset, Clustering, Agglomerative Hierarchical Clustering, Average Linkage ABSTRACT Data mining is the development of model that represents pattern discovery using historical data. The model can be applied to data for prediction (classification and regression), population segmentation (clustering), and determining relationships within the population (association). Of the several models, one of them is clustering which is defined as the process of organizing objects into one group whose members have similarities. There are two similarities, namely similarity based on shape and distance. Clustering has several characteristics, namely: partitioning, hierarchical, overlapping, and hybrid. Hierarchical clustering is a clustering algorithm with the characteristics of each data must be included in a particular cluster, and data included in a particular cluster cannot moved to another cluster. There are two hierarchical clustering, namely divisive (top to down) and agglomerative (down to top). There are four agglomerative algorithms, namely single linkage, centroid linkage, complete linkage, and average linkage. One of the agglomerative is average linkage. This algorithm is the best hierarchical algorithms, but has the highest computational time. In this study clustering of customers in a bank conducted with the agglomerative hierarchical clustering average linkage. Data attributes used: checking status, credit duration, credit history, credit goals, loan size, savings status, employment, commitment, personal status, other parties, settled since, property ownership, age, other payment plans, home status, credit availability, employment, number of dependents, landline, overseas workers and class. The data in this study were 1000 instances, which were then used as training data for 25%, 50%, and 75%, while for the testing data the entire data. Keywords: Data mning, datasets, clustering, agglomerative hierarchical clustering, average linkage

Klasifikasi Penyakit Diabetes Melitus Menggunakan Adaboost Classifier Ginanjar Abdurrahman
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia) Vol 7, No 1 (2022): JUSTINDO
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/justindo.v7i1.4949

Diabetes Melitus (DM) merupakan penyakit dengan ciri tingginya gula darah sewaktu dengan nilai ≥200 mg/dL, dan nilai gula darah puasa ≥126 mg/dL. Klasifikasi merupakan algoritma supervised learning untuk menemukan pola atau fungsi untuk mendeskripsikan dan memisahkan suatu kelas data dengan kelas data yang lainnya. Adaboost (Adaptive Boosting) merupakan salah satu algoritma machine learning yang dapat membangun pengklasifikasi kuat dengan mengombinasikan beberapa pengklasifikasi lemah. Algoritma ini juga dapat beradaptasi dengan data dan metode pengklasifikasi lainnya. Selain itu, algoritma ini juga dapat mengurangi tingkat error dari pengklasifikasi lemah sehingga dapat menaikkan nilai akurasi dari algoritma pembelajaran yang ada (boosting). Pada penelitian ini akan dilakukan klasifikasi penyakit DM menggunakan algoritma AdaBoost Classifier untuk menentukan apakah seseorang diklasifikasikan sebagai pasien diabetes atau sehat. Dataset diambil dari repositori UCI Machine Learning, terdiri dari 8 variabel input, 1 variabel target, serta 768 record. Hasil klasifikasi algoritma Adaboost Clasifier pada dataset hasil imputing mean menghasilkan akurasi sebesar 80.09 %, untuk dataset hasil imputing median menghasilkan akurasi sebesar 76.19 %, Sedangkan dataset hasil imputing modus, output yang dihasilkan sama dengan dataset yang mengandung missing values yang mengakibatkan algoritma Adaboost tidak bisa berjalan. Hal ini dikarenakan algoritma Adaboost sangat sensitif terhadap keberadaan missing values. Python mengenali NaN sebagai nilai modus untuk beberapa fitur, dengan demikian, nilai NaN tetap ada

Socialization of Qr Code Employee Attendance Applications Based on Android at the Balung Lor Village Office Jember Regency Reni Umilasari; Amalina Maryam Zakiyyah; Ginanjar Abdurrahman; Teguh Mutawaffi H.F.; Dody Wahyu Wirawan
Kontribusia : Research Dissemination for Community Development Vol 5 No 2 (2022): Kontribusia Agustus 2022
Publisher : OJS Universitas Muhammadiyah Gresik

Attendance can be said to be a sign of presence which is part of the reporting activities that exist within the institution. Attendance Qr Code is a creative idea to be environmentally friendly or paperless, where the technology is codular-based (website application development). Not only that, the implementation of Google access such as Google forms that use attendance data input and Google Spread sheets for data storage or databases, reporting is easy to manage, because basically Google Spread sheets or Excel can be accessed easily, of course the advantage of using this is free or no cost only with email from Google, no need to buy hosting and domain. So that the control process from the leadership can be carried out properly, the leadership can find out whether the employee is present or not.

Optimasi Algoritma XGBoost Classifier Menggunakan Hyperparameter Gridesearch dan Random Search Pada Klasifikasi Penyakit Diabetes Ginanjar Abdurrahman; Hardian Oktavianto; Mukti Sintawati
INFORMAL: Informatics Journal Vol 7 No 3 (2022): Informatics Journal (INFORMAL)
Publisher : Faculty of Computer Science, University of Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.19184/isj.v7i3.35441

Classification using XGBoost in this study was applied to diabetes data originating from the UCI Machine Learning website. The initial step in this research is to deal with missing values. Missing value is found in several features. These missing values need to be handled otherwise the XGBoost algorithm will not work. Missing value handling is done by adding a meaningful value as a substitute for the missing value. At the time of modeling, the dataset is divided into training data and test data. The training data used is 80% of the number of patients, while the test data is 20%. In this study, the dataset that had imputed missing values was subjected to three treatments, first without hyperparameters, secondly hyperparameter tuning using gridsearch, and third hyperparameter tuning using random search. In the first treatment, classification using XGBoost without hyperparameters obtained a negative log loss value of 25%, which means that the performance accuracy of the algorithm reaches 75%. As for the second treatment and the third treatment, namely by using gridsearch and random search, it produces the same negative log loss value, which is 5%, which means that the performance of the algorithm reaches 95%. Thus, the performance of gridsearch and random search can significantly increase the accuracy value

Analisis Sentimen Masyarakat Pada Komentar Produk Eiger Di Instagram Menggunakan Metode Naive Bayes Classifier Robbol Hidayatullah; Ulya Anisatur Rosyidah; Ginanjar Abdurrahman
National Multidisciplinary Sciences Vol. 1 No. 6 (2022): Proceedings SENSEI 2021
Publisher : Universitas Muhammadiyah Jember

Eiger atau PT Eigerindo Multi Produk Industri merupakan perusahaan yang memproduksi pakaian dan perlengkapan hiburan alam atau outdoor. Eiger dalam pemasarannya juga menggunakan media sosial yaitu Instagram. Dalam setiap produk yang diunggah pada laman akun Instagram Eiger yaitu @eigerindostore mendapatkan berbagai komentar dari masyarakat. Dalam hal ini penelitian memanfaatkan data komentar tersebut sebagai data penelitian ini yaitu sentimen analisis. Pada penelitian ini metode yang digunakan sebagai klasifikasi adalah Naive Bayes sedangkan metode yang digunakan dalam skenario pengujian adalah split data dengan data latih 80% dan data uji 20% dan skenario Cross Fold Validation dengan nilai k yaitu 2, 4, 5, 7 dan 10. Dari hasil implementasi metode Naive Bayes terhadap data komentar pada akun Instagram Eiger diperoleh hasil yaitu rata-rata akurasi yang diperoleh yaitu 85.27%, rata-rata presisi yang diperoleh adalah 88.29% dan rata-rata recall yang diperoleh adalah 81.26%. Nilai akurasi tertinggi diperoleh pada k = 10 dengan fold ke 10 yaitu 91.07%. Nilai presisi tertinggi diperoleh pada k = 10 fold ke 10 yaitu 90% dan nilai recall tertinggi diperoleh pada k = 7 fold ke 7 yaitu 91.67%

Text Mining Untuk Clustering Buku Di Perpustakaan Menggunakan Metode K-Means Alfathan Anggi Riyanto; Daryanto Daryanto; Ginanjar Abdurrahman
National Multidisciplinary Sciences Vol. 1 No. 6 (2022): Proceedings SENSEI 2021
Publisher : Universitas Muhammadiyah Jember

Perpustakaan merupakan sarana untuk memberikan layanan informasi untuk semua kalangan dengan tujuan mencerdaskan masyarakat dan memudahkan dalam memberikan informasi. Selama ini perpustakaan pusat Universitas Muhammadiyah Jember mengelompokkan data tugas akhir secara manual, karena belum adanya sistem untuk pengelompokan tugas akhir berdasarkan jenisnya, sehingga terkadang ada kendala atau membutuhkan waktu yang lebih lama dalam proses pencarian informasi tentang data tugas akhir mahasiswa. Oleh karena itu, pengelompokan data tugas akhir membutuhkan teknologi sistem cluster yang lebih efektif dan efisien. Sistem cluster yang diterapkan untuk mengelompokkan data-data tugas akhir bersifat sederhana dengan menggunakan metode K-Means. Data tugas akhir yang diperoleh pada tahun 2018 berjumlah 95 dokumen. Berdasarkan validitas cluster dengan perbandingan hasil DBI menggunakan 2 cluster sampai dengan 8 cluster di peroleh hasil DBI tertinggi pada percobaan dengan menggunakan 4 Cluster dengan memperoleh nilai DBI 0,87.

PENDAMPINGAN SISTEM INFORMASI PELAYANAN ADMINISTRASI (SIPA) DESA SUMBER PANDAN Ginanjar Abdurrahman; Amalina Maryam Zakiyyah; Reni Umilasari; Mukti Sintawati
Al-Umron : Jurnal Pengabdian Kepada Masyarakat Vol. 4 No. 1 (2023): AL-UMRON : Jurnal Pengabdian kepada Masyarakat
Publisher : LEMBAGA PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT (LPPM) UNIVERSITAS NAHDLATUL ULAMA SUNAN GIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32665/alumron.v4i1.1463

Corona virus disease 19 (Covid-19) mulai masuk Indonesia pada bulan maret 2020 dan menjadi pandemi di Indonesia. Hal ini mengakibatkan kebijakan pemerintah untuk membatasi mobilitas warga. Desa Sumber Pandan merupakan salah satu wilayah yang terdampak kebijakan pembatasan mobilitas warga tersebut, yakni kegiatan pengelolaan administrasi masyarakat di desa Sumber Pandan terkendala. Oleh karena itu, Kantor Desa Sumber Pandan memerlukan sistem informasi untuk pelayanan administrasi. Sistem informasi pelayanan administrasi ini kemudian dibangun dalam bentuk website, sehingga masyarakat tidak harus datang secara langsung ke Kantor Desa. Admin website tersebut nantinya dalah perangkat desa, dan pengguna adalah masyarakat desa sumber pandan. Setelah sistem informasi dibangun, perangkat desa ternyata mengalami kesulitan terkait teknis pengoperasian sistem pelayanan administrasi tersebut. Kegiatan ini bertujuan untuk memberikan pelatihan kepada perangkat desa agar dapat mengoperasikan sistem informasi pelayanan administrasi desa sumber pandan dengan baik. Kegiatan pengabdian kepada masyarakat ini berupa webinar (website seminar) dengan menggunakan platform google meet. Hasil Pengabdian dilihat berdasarkan perbandingan nilai pretest dan posttest. Hasil pretest dengan nilai terendah 43 dan nilai tertinggi 67. Setelah dilaksanakan penyampaian materi yang disertai dengan praktek, dan selanjutnya dilakukan posttest, terlihat peningkatan yang cukup baik. Hal ini dapat dilihat dari nilai terendah posttest sebesar 75 dan nilai tertinggi 90.

IMPLEMENTASI METODE FUZZY TIME SERIES UNTUK PERAMALAN KANDUNGAN PARTICULATE MATTER (PM2,5) DI UDARA Rafika Sari Yaslan; Ginanjar Abdurrahman; Rosita Yanuarti
IPTEQ Vol 2, No 1 (2020): JASIE
Publisher : Universitas Muhammadiyah Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32528/jasie.v1i1.3818

Polusi udara adalah masalah yang banyak dialami berbagai negara di dunia. Polusiudara terjadi karena adanya kandungan zat pencemar atau polutan dalam udara, salah satunyayaitu Particulate Matter (PM2,5) atau disebut juga partikel debu yang berukuran kurang dari2,5µm. Jika zat tersebut terhirup dan terakumulasi dalam jumlah banyak maka akanmenyebabkan banyak gangguan kesehatan atau bahkan kematian. Untuk dapat melakukanpencegahan sebelum terlambat, digunakan teknologi peramalan untuk mengetahui kandunganPM2,5 dimasa mendatang. Penelitian ini menerapkan metode Fuzzy Time Series untukmeramalkan kandungan PM2,5 dengan langkah pertama yaitu menentukan himpunan semesta,kemudian pembentukan interval, fuzzifikasi, bentuk FLR dan FLRG, didefuzzifikasi, laluhitung nilai hasil peramalan, dan terakhir ukur ketepatan hasil peramalan menggunakanMAPE, kemudian diimplementasikan pada sebuah sistem berbasis Web. Penelitian inimenggunakan 2 skenario pengujian sistem yaitu variasi periode data yang berpengaruhterhadap jumlah interval dan variasi nilai input konstanta D2 yang berpengaruh pada panjanginterval pada tahap pembentukan interval. Berdasarkan pengujian tersebut, kandungan PM2,5pada tanggal 1 Januari 2015 jam 00.00 WIB menggunakan periode data 6 bulan sebelumnyadan input konstanta D2 sebesar 10 adalah 12,884 µg/m3 dengan jumlah interval yangterbentuk sebanyak 17 interval dan panjang setiap intervalnya sebesar 31,3. Kemudian tingkatkesalahan MAPE yang dihasilkan sebesar 17,9164%. Karena memiliki tingkat kesalahanMAPE kurang dari 20%, maka peramalan pada penelitian ini termasuk peramalan yang baik.Kemudian untuk peramalan periode tahunan, grafik yang dibentuk mengandung pola datamusiman. Air pollution is a problem experienced by many countries in the world. Air pollutionoccurs because of the pollutants presence or pollutants in the air, one of them is Particulate Matter(PM2.5) or also known as dust particles that are less than 2.5µm in size. If these substances areinhaled and accumulate in large quantities, it will cause many health problems or even death. Tobe able to take precautions before it is too late, forecasting technology is used to determine thefuture PM2.5 content. This research applies the Fuzzy Time Series method to predict the PM2.5content with the first step, namely determining the set of universes, then interval formation,fuzzification, FLR and FLRG forms, defuzzification, then calculating the value of forecastingresults, and finally measuring the accuracy of forecasting results using MAPE, then implementedon a Web-based system. This study uses 2 system testing scenarios, namely the variation of thedata period that affects the number of intervals and the variation in the input value of the constantD2 which affects the length of the interval at the interval formation stage. Based on this test, thePM2.5 content on January 1, 2015 at 00.00 WIB uses the previous 6 months data period and theD2 constant input of 10 is 12.884 µg / m3 with the number of intervals formed as many as 17intervals and the length of each interval is 31.3. Then the resulting MAPE error rate is 17.9164%.Because it has an MAPE error rate of less than 20%, the forecasting in this study is a goodforecast. Then for forecasting the annual period, the graph that is formed contains seasonal datapatterns.

Desa Siaga Sehat Jiwa sebagai Intervensi Kesehatan Jiwa Berbasis Masyarakat Mad Zaini; Komarudin; Abdurrahman, Ginanjar
Jurnal Kesehatan Vol 12 No 2 (2023): Jurnal Kesehatan
Publisher : STIKES Ngesti Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46815/jk.v12i2.148

Mental health is a condition of physical, psychological, social, and spiritual well-being and freedom from pressure or stressors. This research aims to determine the effect of the mental health alert village program on the skills of mental health cadres, village officials and health workers in carrying out tasks in the program of mental health alert village in Botolinggo Village, Bondowoso Regency. The research design used was a quasi-experimental, using pre-post test without control group design. The subjects in this research included mental health cadres, village officials and health workers in the Botolinggo Village area. The population in this study were 137 people. Using purposive sampling techniques, a sample of 73 respondents were obtained. The results of the bivariate analysis shows that practical assistance is significantly affected by the skills of mental health cadres in carrying out early detection of mental health (p value=0.000), the skills of village officials in using the e-DSSJ application (p value=0.046) and the skills of health workers in managing mental health services (p value=0.000). It is recommended that the mental health alert village program can be implemented in every village to improve the level of mental health of the community.

Co-Authors Alfathan Anggi Riyanto Ali Muharom, Lutfi Amilia, Indi Rosifatul Anggar Wahyu Hadiyatullah Asih Mardati Asih Mardati, Asih Camerino, Wellen Daryanto Daryanto Daryanto Dasuki, Moh. Deviyati, Mike Yurike Dita Dinata, Noeril Agian Septa Dody Wahyu Wirawan Ega Yusni Habibie Fadholy, Rizal Agung Feruzi, Sadiki Moshi Fitri Indriani Fitriyah, Nur Qodariyah Hidayani, Nur Irawan, Dudi Johan Taruna Wijaya Komarudin Komarudin Komarudin Mad Zaini Marganingsih, Dirgahayu Moh. Dasuki Mohammad Hasan Mukti Sintawati Nurrohmah, Anisa Oktavianto, Hardian Rafika Sari Yaslan Rahman, MIftahur Rahman, Miftahur Robbol Hidayatullah Sahiruddin Sahiruddin Saifudin, Ilham Sari, Rosi Ernita Sari Savana, Bella Risma Khailla Septiara, Dhea Intan Sintawati, Mukti Sintawati, Mukti Teguh Mutawaffi H.F. Ulya Anisatur Rosyidah Umilasari, Reni Wahanggara, Victor Wibisono, Yusub Widiana, Aida Nur Wijaya, Guruh Wijaya, Johan Taruna Wijaya, Johan Taruna Yanuarti, Rosita ZAINUL ARIFIN Zakiyah, Amalina Maryam Zakiyyah , Amalina Maryam Zakiyyah, Amalina Maryam Zakiyyah, Amalina Maryam Zakiyyah, Amalina Masyam Zulcharnain, Robbi

Title

Found 50 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 50 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 50 Documents
Search