Claim Missing Document
Check
Articles

Found 43 Documents
Search
Journal : Journal of Informatics and Computer Science (JINACS)

Analisis Opini Vaksin COVID-19 menggunakan SVM Berbasis PSO pada Data Twitter Amrina Rosyada; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 2 No 04 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (762.435 KB) | DOI: 10.26740/jinacs.v2n04.p301-312

Abstract

Infeksi yang disebabkan Sars-Cov-2 mengakibatkan pandemi penyakit pernafasan di seluruh dunia dan belum ada pengobatan yang pasti hingga saat ini. Pemberian vaksin adalah salah satu intervensi untuk mencegah penyakit ini. Di Indonesia, pemerintah mewajibkan untuk melakukan vaksinasi. Pemberian vaksin ini mendapatkan banyak tanggapan dari berbagai kalangan masyarakat. Efektivitas dan efek samping pasca pemberian vaksin serta status penggunaan darurat pada vaksin menjadi salah satu yang menjadi pro-kontra di masyarakat. Hal-hal tersebut yang melandasi penelitian ini sangat perlu untuk dilakukan. Penelitian akan memfokuskan pada analisis sentimen tentang vaksin COVID-19 dengan algoritma SVM. Namun, algoritma ini mempunyai kelemahan dalam pemilihan fitur parameter yang menyebabkan penurunan kinerja dari model yang dibangun. Penerapan fitur Particle Swarm Optimization (PSO) dapat ditambahkan untuk melakukan optimasi dengan pemilihan dan penyetingan fitur parameter. Berkaitan dengan dataset, penelitian ini membagi kedalam 2 sentimen yaitu positif dan negatif. Data yang digunakan berasal dari media sosial twitter dengan pencarian tweet yang mengandung kata vaksin COVID-19 sebanyak 646 tweet yang telah dipilih dengan opini positif sebanyak 57,93% dan negative sebanyak 42,07%. Pengujian dilakukan dengan 2 cara yaitu dengan split dan cross-validation. Pada pengujian cross-validation, penelitian ini menghasilkan akurasi yang tinggi pada K=15. Berturut-turut level akurasi dari SVM dan SVM-PSO adalah sebesar 76,52% dan 80,63%. Hasil akurasi tertinggi pada teknik split dicapai dengan rasio 1:9. Level akurasi pada SVM dan SVM-PSO, berturut-turut, adalah sebesar 83.30% dan 84.80%. Hal ini mengindikasikan bahwa penerapan PSO pada SVM mampu menaikkan level akurasi sebesar 4,11% dan 1,5% dengan pengujian cross-validation dan split, secara berturut-turut. Kata Kunci— Text Mining, Vaksin COVID-19, Twitter, Support Vector Machine, Particle Swarm Optimization.
Mengenali Jenis Tanaman Obat Berbasis Pola Citra Daun dengan Algoritma K-Nearest Neighbors Ika Putri Arisanti; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 02 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (897.024 KB) | DOI: 10.26740/jinacs.v3n02.p95-103

Abstract

Abstrak—Indonesia merupakan salah satu negara yang memiliki keberanekaragaman tumbuhan yang meilmpah di muka bumi.. Beranekaragam jenis tumbuhan terdapat di Indonesia, termasuk dalam jenis tanaman obat. Namun, sedikit spesies digunakan sebagai bahan untuk pengobatan konvensional. Kondisi ini dipicu dengan banyaknya jenis tanaman herbal tetapi masih kurangnya pengetahuan masyarakat tentang jenis tanaman obat herbal. Proses identifikasi jenis tanaman sangat bergantung pada pengetahuan dari ahli botani dengan metode manual yang mengandalkan indra penglihatan berdasarkan ciri morfologi. Dengan kemajuan teknologi, pengenalan citra daun dapat dilakukan menggunakan computer vision. Seseorang dapat dengan mudah mengenali jenis tanaman obat melalui teknologi yang canggih. Proses pengenalan dapat diterapkan pada berbagai bagian tanaman, seperti buah, bunga, biji, daun atau lainnya. Penelitian ini mengusulkan proses pengenalan jenis tanaman obat berdasarkan pola citra daun. Proses identifikasi ini menggunakan metode K-NN (K-Nearest Neighbors). Uji coba dilakukan dengan menggunakan 15 jenis daun tanaman obat dengan masing-masing 20 citra yang berbeda untuk data latih. Proses pengujian dilakukan dengan menggunakan tahapan pre-processing, pelabelan, dan feature extraction terlebih dahulu. Proses identifikasi memanfaatkan strategi K-NN dengan memanfaatkan nilai k berbeda yaitu 1 sampai 10 dan parameter jarak Euclidean. Setelah dilakukan pengujian terhadap 75 citra daun diperoleh sebanyak 3 daun yang tidak sesuai dan 72 daun berhasil diidentifikasi dengan benar. Hasil uji coba menunjukkan bahwa nilai akurasi tertinggi diperoleh pada k=10 dengan akurasi sebesar 96%. Kata Kunci— Identifikasi, Pengolahan citra, K-Nearest Neighbors, Citra Daun, Tanaman Obat
NBC Berbasis Ekstraksi Fitur untuk Analisis Sentimen Masyarakat terhadap Fluktuasi Harga Saham Tazki Yatun Niyah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 02 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (693.76 KB) | DOI: 10.26740/jinacs.v3n02.p113-122

Abstract

Saat ini, banyak orang memulai investasi karena ingin mencapai kebebasan finansial. Investasi juga penting untuk melindungi aset dari penurunan nilai akibat inflasi. Investasi saham termasuk salah satu jenis investasi yang popular di Indonesia. Karena harganya yang terjangkau, investasi saham juga sangat mudah dilakukan dan sifatnya fleksibel. Berkaitan dengan investasi saham, banyak orang mencari informasi melalui media sosial, yang salah satunya adalah instagram. Banyak akun instagram yang membuat konten tentang edukasi saham yang sangat bermanfaat. Akun tersebut biasanya melakukan update tentang fluktuasi Indeks Harga Saham Gabungan (IHSG). Keadaan inilah yang menjadi penguat bahwa perlu dilakukannya penelitian ini. Penelitian ini fokus pada analisis sentimen masyarakat terhadap fluktuasi IHSG berdasarkan komentar instagram. Komentar pada media sosial ini perlu diklasifikasi karena beberapa unggahan yang sedang trend memantik ratusan komentar. Teknik klasifikasi yang diterapkan adalah teknik Naïve Bayes Classifier (NBC) dengan ekstraksi fitur N-Gram. Pengujian dilakukan menggunakan 2 cara yaitu pengujian menggunakan k-fold cross validation dan parameter dengan unigram, bigram dan trigram. Hasil ujicoba memperlihatkan cross-validation menghasilkan akurasi tertinggi sebesar 97%. Hasil ini dicapai pada penerapan bigram dengan k=8 dan trigram dengan k= 2, k=4, k=5. Untuk pengujian parameter, level akurasi tertinggi sekitar 97% dicapai pada penerapan trigram dengan α = 0,2 dan α = 0,3. Kata Kunci: Saham, Naïve Bayes Classifier, N-Gram, Instagram
Analisis Sentimen Rencana Pembelajaran Tatap Muka saat Pandemi Menggunakan Naïve Bayes dan Support Vector Machine Syarif Hidayatulloh; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 02 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (551.751 KB) | DOI: 10.26740/jinacs.v3n02.p155-163

Abstract

Virus Coronavirus Disease 19 (Covid-19) yang menyebabkan infeksi saluran pernafasan pada akhir tahun 2019 mengakibatkan pandemi pada hampir seluruh negara di dunia. Berbagai kebijakan diambil demi kesehatan masyarakat masing-masing negara. Salah satu kebijakan yang diambil negara Indonesia adalah kebijakan sekolah dari rumah yaitu pendidikan yang dilakukan dengan sistem daring. Sehingga, siswa tidak perlu pergi ke sekolah, tetapi siswa mengakses internet dengan perangkat tertentu. Namun, muncul permasalahan baru yaitu tidak optimalnya proses pembelajaran daring yang dipicu oleh beberapa faktor, antara lain perangkat yang tidak memadai, penyediaan anggaran kuota internet dan lain sebagainya. Setelah ditemukan vaksin, pemerintah mengeluarkan rencana kebijakan pembelajaran tatap muka dengan memberikan vaksin bagi guru dan siswa. Namun, pemberian vaksin masih belum maksimal sehingga menjadi pembicaraan masyarakat di media sosial twitter. Sentimen masyarakat tentang kebijakan ini dapat diklasifikasikan menjadi positif, negatif, dan netral. Penelitian ini memperoleh 900 data yang terdiri dari 41,78% sentimen positif, 44,44% sentimen negatif, dan 13,78% sentimen netral. Hal ini menunjukkan bahwa sebagian besar masyarakat kurang setuju dengan rencana kebijakan pembelajaran tatap muka. Teknik pengujian dilakukan dengan split data dan cross validation. Hasil uji coba menunjukkan bahwa metode Naïve Bayes memiliki hasil lebih baik dari pada Support Vector Machine pada kedua jenis pengujian. Pengujian dengan hasil rata-rata akurasi tertinggi sebesar 65,30%, nilai precision 51,09%, nilai recall 70,51%, dan F1-Score sebesar 48,69% untuk metode Naïve Bayes dengan pengujian split data. Sedangkan rata-rata akurasi sebesar 64,63%, nilai precision 50,87%, nilai recall 53,81%, dan F1-Score sebesar 49,88% untuk metode Support Vector Machine dengan pengujian split data. Metode Naïve Bayes rata-rata akurasinya lebih tinggi 0,67% pada pengujian split data, dan lebih tinggi 0,33% pada pengujian cross validation dibanding metode Support Vector Machine.
Klasifikasi Opini Pengguna Twitter Terhadap Sekolah Daring dengan Metode Naïve Bayes dan Support Vector Machine Muhamad Khafidhun Alim Muslim; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 02 (2021)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (823.172 KB) | DOI: 10.26740/jinacs.v3n02.p171-179

Abstract

Covid-19 atau Coronavirus Disease telah melanda negara Indonesia. Hal ini menyebabkan segala aktifitas terganggu, termasuk dalam dunia pendidikan. Sistem pembelajaran yang semula dilakukan tatap muka menjadi secara daring atau online. Sistem pembelajaran ini mendapatkan banyak tanggapan masyarakat. Fasilitas dan cara belajar mengajar menjadi perdebatan dimasyarakat. Hal ini menjadi landasan untuk melakukan penelitian ini. Penelitian ini memfokuskan pada analisa sentimen tentang sekolah daring dengan metode SVM dan NBC. Terkait dengan pengumpulan data, penelitian ini berasal dari 414 tweet yang terbagi dengan 3 sentimen, secara berturut-turut, yaitu positif, negatif, netral sebanyak 27.7%, 36.9%, 35.2%. Teknik evaluasi menggunakan 2 teknik yaitu split data dan cross-validation. Hasil uji menggunakan split data pada metode NBC mendapatkan nilai akurasi tertinggi yaitu pada rasio 4:6 dengan nilai sebesar 68%, untuk nilai presisi 74%, recall 65%, dan f1-score 68%. Sedangkan, penerapan metode SVM dengan kernel=linier mendapatkan kinerja tertinggi yaitu pada rasio 1:9 yaitu level akurasi sebesar 71,4%. presisi 73%, recall 70%, dan f1-score 71%. Untuk hasil uji dengan menggunakan cross-validation pada metode NBC, kinerja tertinggi yang dicapai pada k=10 dengan level akurasi sebesar 69,25%, presisi 86%, recall 79%, dan f1-score 81%. Sedangkan pada metode SVM dengan kernel linier, kinerja tertinggi dihasilkan pada k=10 dengan nilai akurasi sebesar 68,87%, presisi 74%, recall 68%, dan f1-score 69%.
Implementasi K-Nearest Neighbor dengan Pemilihan Fitur pada Aplikasi Prediksi Kelayakan Pengajuan Pinjaman Fani Fadillah Hermawan; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 04 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (439.359 KB) | DOI: 10.26740/jinacs.v3n04.p411-424

Abstract

Dalam kehidupan manusia tidak lepas dari yang dinamakan pemenuhan kebutuhan sehari-hari. Baik itu kebutuhan primer ataupun sekunder. Dalam pemenuhan kebutuhan tersebut pasti dibutuhkan dengan alat transaksi yang disebut dengan uang. Uang dapat didapatkan oleh manusia dari berbagai macam cara, mulai dari bekerja sebagai pencaharian utama atau primer hingga melakukan peminjaman uang sebagai pendapatan penunjang seorang manusia selain bekerja. Pada umumnya proses seleksi pemberian pinjaman, pihak kreditur akan melakukan proses seleksi dengan metode analisis kredit atau bisa disebut dengan prinsip 5C. Namun seiring dengan majunya komputerisasi proses tersebut bisa diprediksi dengan menggunakan salah satu metode dalam data mining. Metode tersebut adalah K-Nearest Neighbor dengan seleksi fitur menggunakan korelasi Pearson. Fitur dengan peringkat tiga teratas dengan hasil korelasi paling tinggi yang akan digunakan untuk proses prediksi. Penelitian ini bertujuan untuk membantu kreditur dalam memprediksi kelayakan pengajuan pinjaman seorang debitur. Selama uji coba dengan memakai fitur yang telah terseleksi dan nilai K sebesar 3. Pencatatan dilakukan saat hasil kinerja terendah hingga tertinggi algoritma K-NN. Kinerja terendah terjadi pada saat rasio perbandingan 5% data uji dan 95% data latih. Hal tersebut diindikasikan dengan hasil pengukuran MAE sebesar 0,26315789, Precission sebesar 76,92 , Recall sebesar 83,3 dan Accuracy sebesar 73,68%. Kemudian kinerja tertinggi terjadi pada saat rasio perbandingan 20% data uji dan 80% data latih. Hal tersebut diindikasikan dengan hasil pengukuran MAE sebesar 0, Precission sebesar 100 , Recall sebesar 100 dan Accuracy sebesar 100%.
Analisa Pemetaan Kriminalitas Kabupaten Bangkalan Menggunakan Metode K-Means dan K-Means++ Chindy Ayudia Sri Fastaf; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 3 No 04 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1025.157 KB) | DOI: 10.26740/jinacs.v3n04.p534-546

Abstract

Kriminalitas merupakan suatu permasalahan umum di kehidupan sehari-hari, tak terkecuali di Kabupaten Bangkalan. Bangkalan merupakan kabupaten yang terdiri dari 18 kecamatan, yang mana tindakan kriminalitas semakin meningkat di setiap tahun khususnya pencurian dengan pemberatan (curat) dan kasus pencurian kendaraan bermotor (curanmor). Maka dari itu perlu dilakukan pengelompokan daerah rawan kriminalitas dengan tujuan agar dapat membantu berupa pemberian informasi kepada pihak kepolisian setempat dalam upaya meningkatkan keamanan di Kabupaten Bangkalan. Dalam penelitian ini dengan menggunakan 10 dataset jenis kriminalitas dari 18 kecamatan di Kabupaten Bangkalan, dilakukan perbandingan antara dua metode clustering untuk memperoleh metode yang terbaik dalam pemetaan daerah kriminalitas. K-Means dan K-Means++ merupakan dua metode yang digunakan dalam penelitian ini. Dataset yang digunakan sebanyak 492 dari total kasus kriminalitas tahun 2021 di Kabupaten Bangkalan. Sebelum implementasi clustering, dilakukan validasi cluster dengan menentukan jumlah cluster optimum menggunakan metode Elbow. Hasil clustering pada 10 dataset jenis kriminalitas dengan menggunakan kedua metode terdapat perbedaan pemetaan pada 3 jenis kriminalitas yaitu penganiayaan, penipuan, dan perampokan. Selanjutnya dilakukan validitas dari kedua metode dengan menggunakan Silhouette Coefficient. Pada hasil validitas terdapat perbedaan nilai Silhouette pada 3 jenis kriminalitas yaitu penganiayaan, penipuan, dan perampokan. Hasil uji metode K-Means dan K-Means++ dengan Silhouette pada Penganiayaan sebesar 0,1683 dan 0,2314 secara berturut-turut, sedangkan pada hasil uji pada Penipuan masing-masing sebesar 0,2243 dan 0,2534, dan hasil uji pada Perampokan sebesar 0,4898 dan 0.4057. Berdasarkan hasil uji dengan Silhouette Coefficient, metode K-Means++ memberikan hasil uji yang lebih baik pada 2 jenis kriminalitas sedangkan metode K-Means lebih baik dalam 1 jenis kriminalitas.
Rancang Bangun Game Edukasi Ular Tangga Kepramukaan Berbasis Android Iqbaal Januar Eka Firmansyah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n02.p207-218

Abstract

Pendidikan adalah mengarahkan nilai-nilai, pengetahuan, pengalaman dan keterampilan kepada generasi muda sebagai usaha generasi tua dalam menyiapkan fungsi hidup generasi selanjutnya, baik jasmani maupun rohani. Salah satu wadah untuk mencapai tujuan pendidikan nasional adalah sekolah. Salah satu ekstrakurikuler yang sering diikuti oleh siswa serta menjadi ekstrakurikuler utama kebanyakan sekolah adalah Pramuka. Gerakan pramuka yang selama ini menempel pada pendidikan formal mulai dari SD hingga SMA terlihat terlalu menekan kepada pemahaman materi dan kurang menyenangkan, sehingga siswa merasa malas untuk ikut berpartisipasi dalam kegiatan pramuka. Pramuka yang dilakukan di sekolah-sekolah saat ini, hanya menjadi sebuah formalitas. Diperlukan metode pembelajaran baru yang dapat menarik siswa untuk mempelajari pramuka lebih dalam dan mempermudah siswa untuk memahami materi kepramukaan lebih baik. Salah satu metode pembelajaran yang efektif adalah dengan permainan atau game. Sedangkan pembelajaran dengan game dan permainan melalui aplikasi yang khusus untuk permainan edukasi masih sangat jarang ditambah generasi muda saat ini sudah tergiur akan kemudahan dan kepraktisan segala sesuatu yang dilakukan tergantung pada teknologi. Ular Tangga merupakan permainan papan India kuno yang populer di Indonesia, namun hanya sedikit yang memadukan permainan ular tangga dengan unsur pendidikan untuk perangkat Android. Penelitian ini ditujukan untuk mengimplementasikan permainan ular tangga ke dalam game berbasis android yang dapat dijadikan alternatif media pembelajaran materi kepramukaan. Alur penelitian yang digunakan dalam penelitian ini menerapkan metode SDLC Waterfall dengan penambahan serta pengubahan di bagian akhir bagan berupa testing dan evaluasi yang ada pada metode ADDIE. Game ini dibangun menggunakan game engine Unity dengan command bahasa pemrograman C# (C Sharp). Teknik pengumpulan data yang digunakan menggunakan kuesioner. Setelah game ini dibuat akan diujicobakan pada siswa pramuka tingkat Penegak dan Pandega menggunakan campuran tipe kuesioner terbuka dan kuesioner tertutup. Berdasarkan hasil uji coba oleh responden aplikasi Game Ular Tangga Kepramukaan dapat berjalan sesuai fungsinya. Diperoleh responden sejumlah 64 orang dan nilai rata-rata kepuasan responden yang didapat 88,31% yang menunjukkan kepuasan dari game ini. Responden menganggap game ini layak untuk dimainkan.
Perbandingan Cosine Similarity dan Euclidean Distance pada Model Rekomendasi Buku dengan Metode Item-based Collaborative Filtering. M Dzikri Hisyam Ilyasa; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 4 No 03 (2023)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n03.p264-274

Abstract

Model rekomendasi adalah metode penyaringan data atau informasi dengan menggunakan teknik analisis data untuk membantu pengguna dalam menemukan item yang diinginkan. Salah satu metode yang digunakan dalam model rekomendasi adalah item-based collaborative filtering. Metode ini merupakan teknik untuk menghitung nilai antara kesamaan item. Algoritma yang dapat digunakan untuk menghitung nilai kesamaan item pada penelitian ini adalah Cosine Similarity dan Euclidean Distance. Masalahnya adalah masih belum jelas algoritma kesamaan item mana yang lebih akurat antara model rekomendasi yang menggunakan Cosine Similarity atau Euclidean Distance. Tujuan dari penelitian ini adalah untuk mengetahui algoritma kesamaan item mana yang paling akurat antara Cosine Similarity dan Euclidean Distance. Dari hasil pengujian Mean Absolute Error (MAE) menggunakan K-Fold Cross Validation pada penelitian ini dapat disimpulkan bahwa rumus perhitungan Cosine Similarity mempunyai tingkat akurasi yang cukup baik yaitu 0.647352 dibandingkan dengan rumus perhitungan Euclidean Distance memilki nilai akurasi yaitu 0.676872 dengan skala MAE 0–1. Semakin kecil nilai MAE semakin tinggi akurasi prediksi yang dihasilkan. Hal ini menunjukan bahwa rumus perhitungan Cosine Similarity dapat menghasilkan rekomendasi yang lebih baik dari Euclidean Distance.
Clustering Bidang Keilmuan Menggunakan Kombinasi Metode Topsis dan Algoritma K-Means Hani Nafisah Amaliya; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol 4 No 04 (2023)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v4n04.p405-413

Abstract

Banyak orang tua dan guru saat ini semakin tanggap terhadap permasalahan belajar anak. Setiap anak memiliki keistimewaan dan perangai yang berbeda. Sehingga menyebabkan pola belajar dan pola asuh diterapkan berbeda pada setiap anak. Sebagian besar anak-anak memiliki kelemahan di suatu bidang. Namun, anak juga memiliki kelebihan di bidang yang lain. Oleh karena itu, pengelompokan bidang keilmuan dengan penerapan metode TOPSIS dan algoritma K-Means penting dilakukan guna menentukan pola belajar yang cocok bagi anak berdasarkan bidang keilmuan yang dikuasai. Penelitian ini melakukan pengelompokan atau clustering bidang keilmuan berdasarkan mata pelajaran menggunakan kombinasi metode TOPSIS dan algoritma K-Means. Kemudian, pengukuran kinerja atau performa dilakukan terhadap model yang menerapkan kombinasi antara metode TOPSIS dengan algoritma K-Means. Hasil penelitian menunjukkan bahwa metode TOPSIS sebagai metode dalam penjumlahan terbobot mampu mempegaruhi kinerja clustering bidang keilmuan berdasarkan mata pelajaran dengan algoritma K-Means menjadi lebih tinggi. Sehingga kombinasi metode TOPSIS dan algoritma K-Means terbukti lebih optimal dalam pengelompokan bidang keilmuan berdasarkan mata pelajaran dan dapat digunakan sebagai acuan dalam menentukan metode pembelajaran yang tepat berdasarkan bidang keilmuan yang dikuasai siswa.
Co-Authors Aditya Prapanca Agnes, Rifa Zaini Agus Prihanto Agus Prihanto Agus Setiawan Agustin Tjahyaningtijas, Hapsari Peni Alhakiim, Thomi Aditya Alpiana, Intan Ammar, Muhammad Zhafran Amrina Rosyada Andi Iwan Nurhidayat Anggraini, Lusiana Anita Qoiriah ANITA QOIRIAH Anita Qoiriah Anjani, Ayu Annisa Nur Hidayati ARI KURNIAWAN Arya Tandy Hermawan Asma Johan Asmunin Asmunin Atik Wintarti Atik Wintarti Aviana, Anisah Nurul Azalia, Virna Hari Nur Chindy Ayudia Sri Fastaf Eka Putra, Ricky Ervin Yohannes Esther Irawati Setiawan Esti, Esti Yogiyanti Fani Fadillah Hermawan Farid Baskoro Fatimah Nur Alifiah Firdaus Bagus Wicaksono Firdaus, Mohamad Adi Putra Hani Nafisah Amaliya Hanik Badriyah Hidayati,* Mohammad Hasan Machfoed,* Kuntoro,** Soetojo,*** Budi Santoso,**** Suroto,***** Budi Utomo****** Hapsari Peni Agustin Tjahyaningtijas Harahap, Satria Baladewa I Made Suartana Ika Putri Arisanti Iqbaal Januar Eka Firmansyah Ismail Johanes, Sugiharto Khahar, Abdul Khusna, Asmaul M Dzikri Hisyam Ilyasa M. Aziz Rizaldi Mas Arya Bhisma Rangga Douval Saputra Mauridhi H. Purnomo Mediana, Prissely Pravasstifany Muhamad Azis Thohari Muhamad Khafidhun Alim Muslim Muhammad Rifki Agustian Muhammad Zakia Avlach Muttaqin, Aziz Fiqri Nafisah, Nurun Naim Rahmawati Naim Rochmawati Naim Rochmawati Nanda Ade Handaya Nugroho, Supeno M. S. Praptama, Ervan Putri Alvina Putri, Rezky Arisanti Raden Mohamad Herdian Bhakti Rafli Aditya Pramana Raharko, Natasha Isnaeni Rahayu, Siskawati Rahmawati, Naim Rahulil, Muhammad Ramadhan, Dani Ricky Eka Putra Rina Harimurti Rochmawati, Naim S., Rahma Aziz Sadewa, Bagas Ahmad Salahuddin, Muhammad Rico Saputra, Ivan Rangga Shahputri, Vira Arum Solihin, Aziz Suartana, I Made Sukrisna Surya, Arum Ayu Suyatno, Dwi F. Syarif Hidayatulloh Tazki Yatun Niyah Tohari Ahmad Widi Aribowo Wiyli Yustanti Wiyli Yustanti Wiyli Yustanti Yogiyanti, Esti Yoyok Prastyo, Yoyok