Article Per Year (5 Year)
p-Index From 2021 - 2026
6.78
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi) Jurnal Nalar Pendidikan Techno.Com: Jurnal Teknologi Informasi Jurnal Edukasi dan Penelitian Informatika (JEPIN) Sistemasi: Jurnal Sistem Informasi Jurnal Khatulistiwa Informatika Jusikom : Jurnal Sistem Komputer Musirawas JUTIM (Jurnal Teknik Informatika Musirawas) Jurnal Teknologi Informasi MURA JURNAL PENDIDIKAN TAMBUSAI JUSIM (Jurnal Sistem Informasi Musirawas) Jurnal ICT : Information Communication & Technology Jurnal Sistem Informasi Kaputama (JSIK) JE (Journal of Empowerment) JATI (Jurnal Mahasiswa Teknik Informatika) JTIK (Jurnal Teknik Informatika Kaputama) Jurnal Generic JUSTIAN - Jurnal Sistem Informasi Akuntansi JUSTIN (Jurnal Sistem dan Teknologi Informasi) Ilmu Komputer untuk Masyarakat Jurnal Sains dan Teknologi Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Mestaka: Jurnal Pengabdian Kepada Masyarakat JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer Jurnal Penelitian dan Pengabdian Masyarakat Jotika Ladang Artikel Ilmu Komputer Jurnal Teknologi Informasi Mura Indonesian Journal of Social Development Jurnal Pengabdian Masyarakat Unama Jurnal Agroindustri Berkelanjutan Journal of Computer Science Artificial Intelligence and Communications Indonesian Community Service Journal of Computer Science (IndoComs) Jurnal Nasional Komputasi dan Teknologi Informasi
Wahyu Nugraha
Universitas Bina Sarana Informatika
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry 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 Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Social Sciences Other

Published : 51 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 51 Documents
Search

 2   3   4   5   6 
Optimalisasi Model Logistic Regression untuk Prediksi Diabetes Menggunakan Seleksi Fitur Berbasis Korelasi Nugraha, Wahyu; Syarif, Muhamad
Jurnal ICT: Information Communication & Technology Vol. 25 No. 2 (2025): JICT-IKMI, December , 2025
Publisher : LPPM STMIK IKMI Cirebon

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36054/jict-ikmi.v25i2.321

Abstract

Diabetes Mellitus is a pressing global health challenge, making early detection a key component of effective intervention. Machine learning has shown great potential in predicting diabetes risk. Among various models, Logistic Regression (LR) is often favored in a medical context due to its high interpretability, although its accuracy frequently lags behind more complex black-box models. LR performance is known to be highly sensitive to the quality and relevance of input features. This study aims to quantitatively evaluate the impact of a strict correlation-based feature selection strategy on the accuracy of the Logistic Regression model. Using the "Diabetes Health Indicators" dataset (N=100,000), this study compares two scenarios: (1) a baseline LR model using all features (All Input) and (2) an optimized LR model using only a subset of features (including engineered features) that have a high absolute correlation with diabetes diagnosis (Correlated Input). The results demonstrate a significant performance improvement. The All Input baseline model achieved an accuracy of 80.45%, while the Correlated Input model achieved an accuracy of 85.67%. This +5.22% absolute increase demonstrates that correlation-based feature selection effectively eliminates noise from irrelevant features, thus drastically improving the predictive power of the LR model. This study concludes that an optimized Logistic Regression with feature selection offers a strong balance between improved accuracy and the interpretability essential for clinical applications.
Meningkatkan Daya Saing UMKM Desa Punggur Besar Melalui Strategi Pemasaran Digital Berbasis Kecerdasan Buatan (AI) Anna, Anna; Annisa, Riski; Rahayuningsih, Panny Agustia; Nugraha, Wahyu
Mestaka: Jurnal Pengabdian Kepada Masyarakat Vol. 5 No. 1 (2026): Februari 2026
Publisher : Pakis Journal Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58184/mestaka.v5i1.838

Abstract

The Free Nutritious Meals Program is a social initiative managed by micro, small, and medium enterprises (MSMEs) in Punggur Besar Village to support the nutritional needs of schoolchildren. However, program managers face challenges in increasing visibility, transparency, and community engagement due to limited digital technology capabilities. This activity aims to empower program managers through AI-based digital marketing training that is easily accessible and relevant to their social context. The training was conducted offline at the Punggur Besar Village Office using participatory learning methods and hands-on practice using participants' own devices. Twenty program managers participated in the entire activity. All participants successfully created program-specific social media accounts, produced educational content, and documented activities with the help of AI tools. Eighty percent of participants were able to independently develop content narratives, and seventy-two percent began utilizing basic analytics to understand community responses to their content. The main benefits gained were increased digital communication capacity, strengthened program accountability, and increased confidence in interacting with the public online. This activity demonstrated that the use of AI in digital marketing can be adapted inclusively to strengthen community-based social programs, with the active involvement of managers as key actors in digital transformation at the village level.
Analisis Kinerja Algoritma Random Forest dengan Penerapan SMOTE pada Deteksi Penipuan Kartu Kredit Rini Afriani; Wahyu Nugraha; Rabiatus Saadah
Jurnal Nasional Komputasi dan Teknologi Informasi Vol. 9 No. 3 (2026): Juni, 2026
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/b5fp3v55

Abstract

Abstrak - Deteksi penipuan transaksi digital menghadapi tantangan besar berupa ketidakseimbangan kelas data (imbalanced data), di mana jumlah transaksi normal jauh melebihi transaksi penipuan. Ketimpangan ini menyebabkan algoritma machine learning cenderung berpihak pada kelas mayoritas. Penelitian ini bertujuan mengevaluasi kinerja algoritma Random Forest sebelum dan sesudah penerapan Synthetic Minority Over-sampling Technique (SMOTE) menggunakan dataset Credit Card Fraud Detection. Untuk mencegah kebocoran data (data leakage) dan memastikan stabilitas model, evaluasi dilakukan menggunakan Stratified 10-Fold Cross-Validation yang diintegrasikan dengan metode Pipeline. Hasil penelitian menunjukkan bahwa SMOTE secara signifikan meningkatkan kepekaan model dalam mengenali transaksi fraud, dibuktikan dengan kenaikan rata-rata Recall dari 0,7886 menjadi 0,8271 dan ROC-AUC dari 0,9497 menjadi 0,9719. Namun, peningkatan ini memicu fenomena trade-off, di mana rata-rata Presisi menurun drastis dari 0,9596 menjadi 0,8916 akibat lonjakan jumlah alarm palsu (False Positives). Dalam konteks industri finansial, trade-off ini dinilai sepadan demi meminimalkan risiko kerugian fatal akibat lolosnya transaksi penipuan (False Negatives). Kata kunci: Deteksi Penipuan; Random Forest; SMOTE; Imbalanced Data; Cross-Validation;   Abstract - Digital transaction fraud detection faces a major challenge in the form of class data imbalance, where normal transactions far outnumber fraudulent ones. This imbalance causes machine learning algorithms to be biased toward the majority class. This study evaluates the performance of the Random Forest algorithm before and after the application of the Synthetic Minority Over-sampling Technique (SMOTE) using the Credit Card Fraud Detection dataset. To prevent data leakage and ensure model stability, the evaluation was conducted using Stratified 10-Fold Cross-Validation integrated with a Pipeline method. The results show that SMOTE significantly increases the model's sensitivity in recognizing fraud, evidenced by an increase in the average Recall from 0.7886 to 0.8271 and ROC-AUC from 0.9497 to 0.9719. However, this improvement triggers a trade-off phenomenon, where the average Precision drops drastically from 0.9596 to 0.8916 due to a surge in false alarms (False Positives). In the financial industry context, this trade-off is considered acceptable to minimize the fatal risk of undetected fraudulent transactions (False Negatives). Keywords: Fraud Detection; Random Forest; SMOTE; Imbalanced Data; Cross-Validation;
Pipeline Ekstraksi Adaptif untuk Otomatisasi Administrasi Kependudukan Sistem Informasi Desa Reza Ikhsanda; Wahyu Nugraha; Rabiatus Saadah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1301

Abstract

Administrasi kependudukan di tingkat desa masih banyak bergantung pada pengetikan ulang data Kartu Keluarga secara manual sehingga lambat dan rentan kesalahan. Penelitian ini bertujuan mengembangkan PEDEs, sistem informasi desa berbasis web yang mengotomatisasi ekstraksi data Kartu Keluarga dari berkas PDF melalui pipeline ekstraksi adaptif. Sistem menganalisis struktur internal berkas PDF, lalu memilih jalur teks bila tersedia lapisan teks digital atau jalur visual dengan pra-pemrosesan citra bila berkas hanya berupa hasil pemindaian, kemudian melakukan ekstraksi dokumen semantik untuk menghasilkan data terstruktur berformat JSON. Stabilitas proses dijaga melalui sistem antrian dan pembatasan laju, sedangkan keakuratan dijaga melalui sanitasi otomatis dan verifikasi operator. Sistem dibangun menggunakan Laravel, Inertia.js, dan React serta memanfaatkan layanan Groq sebagai mesin ekstraksi semantik. Pengujian fungsional black-box terhadap 24 skenario seluruhnya berstatus sesuai. Pengujian akurasi pada 17 dokumen menghasilkan precision 92,00% dan F1-score rata-rata 85,44%, dengan 98,59% pada PDF digital dan 96,38% pada PDF hasil pemindaian. Dibandingkan proses manual, sistem memangkas waktu pemrosesan dari 120 detik menjadi 10 detik per dokumen (91,67%). Hasil ini menunjukkan pipeline ekstraksi adaptif mampu mempercepat administrasi kependudukan desa sekaligus menekan human error.
Analisis Komparasi Kinerja ARIMA dan DES Holt Menggunakan Multi-Split Validation pada Peramalan Harga BBM Indonesia Alpon Siyus; Wahyu Nugraha; Rabiatus Saadah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1367

Abstract

Harga Bahan Bakar Minyak (BBM) di Indonesia memiliki keterkaitan yang erat dengan pergerakan harga minyak mentah Brent Crude global, sehingga peramalan harga yang akurat menjadi penting dalam mendukung pengambilan keputusan dan perencanaan kebijakan energi. Penelitian ini bertujuan membandingkan kinerja metode Autoregressive Integrated Moving Average (ARIMA) dan Double Exponential Smoothing (DES) Holt dalam memprediksi harga BBM Indonesia menggunakan pendekatan Multi-Split Validation. Dataset yang digunakan adalah riyawat data harga BBM Indonesia periode Januari 2015 hingga April 2026 yang diperoleh dari Kaggle (World vs Asia Fuel Prices), terdiri atas 136 data bulanan. Penelitian menggunakan tiga skenario pembagian data latih dan data uji, yaitu 70:30, 80:20, dan 90:10. Proses pemodelan ARIMA dilakukan melalui uji stasioneritas, identifikasi parameter, Grid Search, dan uji diagnostik residual, sedangkan metode DES Holt menggunakan optimasi parameter alpha dan beta. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa metode ARIMA secara konsisten memberikan tingkat kesalahan prediksi yang lebih rendah dibandingkan DES Holt pada seluruh skenario pembagian data. Selain memiliki akurasi yang lebih baik, ARIMA juga menunjukkan kinerja yang lebih stabil terhadap perubahan proporsi data latih dan data uji. Dengan demikian, metode ARIMA lebih sesuai diterapkan pada peramalan harga BBM Indonesia pada dataset yang digunakan dalam penelitian ini.
Explainable Artificial Intelligence for Student Academic Performance Prediction Using Random Forest and SHAP Wahyu Nugraha; Rabiatus Sa’adah; Muhammad Hasanuddin
Journal of Computer Science, Artificial Intelligence and Communications Vol 3 No 1 (2026): May 2026
Publisher : Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/jocsaic.v3i1.174

Abstract

Predicting student academic performance has become an important application of educational data mining because it enables educational institutions to identify students who require academic support at an early stage. Although machine learning algorithms have demonstrated high predictive capability, many predictive models operate as black-box systems, making it difficult for educators to understand the factors influencing prediction outcomes. This study proposes an Explainable Artificial Intelligence (XAI) framework for student academic performance prediction by integrating the Random Forest algorithm with SHapley Additive exPlanations (SHAP). The proposed methodology consists of data collection, data preprocessing, feature selection, model development, performance evaluation, and model interpretation. Random Forest was employed as the primary classification algorithm due to its robustness and high predictive performance, while SHAP was utilized to provide transparent explanations of both global and local prediction results. The experimental evaluation demonstrated that the proposed model achieved high classification performance, obtaining an accuracy of 91.67%, precision of 90.32%, recall of 93.33%, and an F1-score of 91.80%. Furthermore, SHAP analysis identified Previous GPA, Final Examination Score, Attendance, Assignment Score, and Study Hours as the most influential factors affecting student academic performance. The integration of Random Forest and SHAP not only improves prediction reliability but also enhances model transparency by explaining the contribution of each feature to prediction outcomes. Consequently, the proposed framework supports evidence-based academic decision-making, facilitates early identification of at-risk students, and provides educators with interpretable insights for designing effective academic intervention strategies. These findings demonstrate that Explainable Artificial Intelligence can significantly improve the practical applicability and trustworthiness of machine learning models in educational environments.
Komparasi Algoritma Machine Learning untuk Prediksi Risiko Burnout Akademis Akibat Penggunaan Generative AI Ophelius Savero Rinyuakng Rolin; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1366

Abstract

Perkembangan Generative AI (GenAI) dalam pendidikan tinggi memunculkan fenomena baru berupa peningkatan risiko burnout akademis mahasiswa yang tidak lagi semata dipicu oleh beban belajar konvensional, melainkan oleh pola interaksi dengan kecerdasan buatan. Penelitian ini bertujuan membandingkan kinerja tiga algoritma Machine Learning, yaitu Logistic Regression, Random Forest Classifier, dan XGBoost, dalam mengklasifikasikan tingkat risiko burnout akademis (High, Medium, Low) berdasarkan data profil 50.000 mahasiswa dengan 16 atribut, termasuk durasi penggunaan GenAI mingguan (Weekly_GenAI_Hours) dan tingkat ketergantungan psikologis terhadap AI (Perceived_AI_Dependency). Metode penelitian meliputi eksplorasi data, pra-pemrosesan (encoding, normalisasi, pembagian data latih-uji 80:20), pelatihan model baseline, optimasi hyperparameter menggunakan GridSearchCV, serta evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan akurasi model berkisar antara 51,96% hingga 53,83%, dengan Logistic Regression baseline mencatatkan akurasi tertinggi (53,83%), diikuti XGBoost setelah tuning (53,62%) dan Random Forest setelah tuning (53,27%). Hyperparameter tuning terbukti meningkatkan akurasi model berbasis pohon secara signifikan, namun tidak pada model linear. Ekstraksi feature importance dari Random Forest dan XGBoost secara konsisten menempatkan Weekly_GenAI_Hours dan Perceived_AI_Dependency sebagai dua prediktor terkuat, jauh melampaui variabel akademik tradisional seperti IPK dan jam belajar. Analisis confusion matrix mengungkap tumpang tindih klasifikasi terutama pada kelas Medium. Temuan ini memberikan bukti empiris bahwa intensitas dan ketergantungan penggunaan GenAI merupakan determinan utama burnout akademis, sehingga dapat menjadi dasar objektif bagi kebijakan pembatasan penggunaan AI yang sehat di lingkungan pendidikan.
Komparasi Model Logistic Regression dan Random Forest pada Prediksi Penyakit Jantung Berdasarkan Analisis Fitur Klinis Arsenly Realino; Wahyu Nugraha; Rabiatus Sa’adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1400

Abstract

Penyakit jantung merupakan salah satu masalah kesehatan serius yang membutuhkan deteksi dini agar risiko keterlambatan penanganan dapat diminimalkan. Pemanfaatan Machine Learning memberikan peluang untuk membangun model prediksi berbasis fitur klinis pasien, namun pemilihan algoritma yang tepat masih menjadi isu penting karena performa model sangat dipengaruhi oleh karakteristik dataset. Penelitian ini bertujuan untuk membandingkan performa Logistic Regression dan Random Forest dalam memprediksi penyakit jantung serta menganalisis fitur klinis yang paling berkontribusi terhadap hasil klasifikasi. Dataset yang digunakan adalah Heart Disease Prediction Dataset berisi 270 data pasien, 13 fitur prediktor, dan 1 atribut target. Tahapan penelitian meliputi Exploratory Data Analysis, preprocessing, label encoding, pembagian data 80:20, standardisasi data pada Logistic Regression, pemodelan klasifikasi, optimasi Random Forest menggunakan GridSearchCV dengan 5-Fold Cross Validation, serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Logistic Regression memperoleh performa terbaik dengan accuracy 85,19%, precision 78,57%, recall 91,67%, F1-score 84,62%, dan ROC-AUC 89,86%. Random Forest memperoleh accuracy 81,48% dan meningkat menjadi 83,33% setelah tuning, tetapi belum mampu melampaui Logistic Regression. Fitur terpenting yang ditemukan adalah Chest Pain Type, Max HR, dan ST Depression. Dengan demikian, Logistic Regression dinilai lebih sesuai sebagai model pendukung deteksi dini penyakit jantung pada dataset klinis berskala terbatas.
Identifikasi Penyakit Tanaman Cabai Berdasarkan Ekstrasi Fitur Warna Tekstur Menggunakan SVM dan Random Forest Rafael Agrerio Firera; Wahyu Nugraha; Rabiatus Sa'adah
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1415

Abstract

Tanaman cabai (Capsicum annuum L.) merupakan komoditas hortikultura bernilai ekonomi tinggi di Indonesia, namun produktivitasnya kerap terganggu oleh penyakit daun yang selama ini masih diidentifikasi secara manual oleh petani, sehingga rentan terhadap keterlambatan dan kesalahan subjektif. Penelitian ini bertujuan membangun sistem identifikasi otomatis penyakit daun cabai menggunakan ekstraksi fitur warna dan tekstur yang dibandingkan performanya melalui algoritma Support Vector Machine (SVM) dan Random Forest (RF). Dataset yang digunakan berjumlah 400 citra daun cabai dari Kaggle yang terbagi merata ke dalam lima kelas: healthy, leaf curl, leaf spot, whitefly, dan yellowish. Setiap citra melalui pra-pemrosesan resize 128×128 piksel, kemudian diekstraksi menjadi 236 dimensi fitur yang terdiri atas 205 dimensi fitur warna (Histogram RGB, HSV, dan color moments) dan 31 dimensi fitur tekstur (GLCM, statistik grayscale, dan gradien Sobel). Data dibagi dengan skema 80:20 dan dievaluasi menggunakan akurasi, presisi, recall, F1-Score, confusion matrix, 5-Fold Cross Validation, serta analisis feature importance. Hasil pengujian menunjukkan SVM kernel RBF unggul dengan akurasi 70,00% dibandingkan Random Forest 60,00%, serta waktu pelatihan jauh lebih cepat (0,02 detik berbanding 0,58 detik). Analisis feature importance mengungkap bahwa kelompok fitur warna berkontribusi dominan sebesar 71,00% dibandingkan fitur tekstur 29,00%, membuktikan bahwa perubahan warna daun menjadi indikator utama penyakit cabai. Hasil 5-Fold Cross Validation menunjukkan penurunan akurasi menjadi 32,50% (SVM) dan 37,50% (RF), mengindikasikan perlunya penambahan volume dataset pada penelitian berikutnya.
Pemanfaatan Interactive Flat Panel dengan Mewujudkan Pembelajaran Digital Interaktif di Sekolah Luar Biasa Panny Agustia Rahayuningsih; Wahyu Nugraha; Riski Annisa; Anna Anna
Indonesian Community Service Journal of Computer Science Vol. 3 No. 2 (2026): Periode Juli 2026
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/indocoms.v3i2.13175

Abstract

Perkembangan teknologi digital menuntut transformasi media pembelajaran di lingkungan Sekolah Luar Biasa (SLB). Keterbatasan pemahaman guru terhadap integrasi teknologi interaktif sering kali membuat perangkat digital di sekolah tidak termanfaatkan secara optimal. Kegiatan Pengabdian kepada Masyarakat (PKM) ini bertujuan untuk meningkatkan kompetensi pedagogis digital guru di SLB Negeri Rasau Jaya, Kabupaten Kubu Raya, melalui pelatihan pemanfaatan Interactive Flat Panel (IFP) Hisense 75WM61FE. Metode pelaksanaan kegiatan meliputi tahap analisis situasi mitra, tahap perancangan materi pelatihan, tahap pelaksanaan workshop, serta tahap evaluasi kualitatif melalui praktik mandiri. Hasil kegiatan menunjukkan peningkatan pemahaman guru secara signifikan mengenai perbedaan fundamental antara IFP dengan media konvensional (TV/proyektor) beserta keunggulan spesifikasi teknisnya. Selain itu, guru juga berhasil menguasai dan mengoperasikan enam fitur utama perangkat, yaitu Smart Whiteboard, Screen Mirroring, Video Conference Built-in, Split Screen 4-Way, Multi-Touch 55 Titik, dan pemanfaatan Google Play Store. Melalui pelatihan ini, guru SLB Negeri Rasau Jaya kini mampu mengintegrasikan fitur-fitur inti IFP untuk menciptakan ekosistem pembelajaran digital yang interaktif dan kolaboratif bagi anak berkebutuhan khusus
Co-Authors Adharani, Yana Afrizal Nehemia Toscany Agung Sasongko Ali Mustopa, Ali Alpon Siyus Anna Anna Anna Anna, Anna Ardiyansyah Ardiyansyah Ardiyansyah Ardiyansyah Arrizal, Affandi Arsenly Realino Arum, Akhiar Wista Chindra Saputra Dian Palupi Rini Dyah Koesoemawardani Dzaky, Dewa Sheva Eva Meilinda Fahmi, Sonny Farida Febriati Febrianto, Feri Fibra Nurainy H, Nurhikmah Herti Yani, Herti Iqbal Iqbal Irfan Hassandi Jumail, Jumail Jumersyah Pratama, Raka Latifah Latifah M Irwan Bustami Mely Juniarti Muhamad Syarif Muhammad Hasanuddin Muhammad Iqbal Muhammad Sony Maulana Nurfia Oktaviani Syamsiah Nurhajijah Nurhajijah Nurjanatin Mubina Ophelius Savero Rinyuakng Rolin Panny Agustia Rahayuningsih Petrus Yoko Popy Meilina Pratama, Renaldi Purwaningtias, Deasy Putri, Khansa Aqilla Rabiatus Sa'adah Rabiatus Saadah Rabiatus Sa’adah Rafael Agrerio Firera Raja Sabaruddin Raja Sabaruddin Ramadhan, Atthilla Sulthan Reza Ikhsanda Rezki, Muhammad Rini Afriani Risdiansyah, Deni Riski Annisa Rizka Dahlia Rully Mujiastuti Sabarudin, Raja Safitri Linawati Samsul Rizal Saputra, Dicky Satia Suhada, Satia SIKA, XAVERIUS Siti Nurdiani Sitti Nurbaya Ambo Sri Murni Sri Murni Sri Murni Syamsidi, Iman Carrazzi Syarif , Muhamad Syarif, Muhamad Taufik Hidayatulloh Umi Khultsum Weiskhy Steven Dharmawan Zikri, Anharul