Garuda - Garba Rujukan Digital

Solusi Virtual Try-On Kacamata Berbasis AI dengan Integrasi Model Deep Learning untuk E-Commerce Fashion Arnata Nur Rasyid; Asmawati Asmawati; Widya Viona Septi Tanjung; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110772

Abstrak : Banyak pengguna menghadapi kesulitan dalam memilih kacamata secara daring karena tidak dapat memastikan apakah model tertentu sesuai dengan bentuk wajah mereka. Masalah ini sering menimbulkan ketidakpuasan pelanggan dan tingginya tingkat pengembalian produk. Penelitian ini bertujuan untuk mengembangkan solusi Virtual Try-On kacamata berbasis kecerdasan buatan (AI), yang mengintegrasikan model deep learning untuk menciptakan pengalaman belanja daring yang lebih interaktif dan personal. Sistem bekerja dengan mendeteksi bentuk wajah dari foto yang diunggah pengguna menggunakan model Face Shape Detection yang telah dilatih dan mencapai akurasi hingga 89% kemudian memberikan rekomendasi kacamata yang paling cocok berdasarkan sistem rekomendasi Rule-Based. Setelah pengguna memilih salah satu produk dari daftar tersebut, sistem memanfaatkan AI Nano Banana untuk menggabungkan citra wajah dan produk kacamata secara realistis. Teknologi utama yang digunakan meliputi EfficientNetB2 sebagai model CNN utama, InsightFace untuk deteksi wajah presisi tinggi, dan AdamW sebagai algoritma optimasi. Hasil pengujian menunjukkan bahwa sistem ini efektif dalam menghasilkan visualisasi try-on yang akurat dan memuaskan, serta berpotensi meningkatkan konversi penjualan di platform e-commerce fashion.====================================================Abstract : Many users experience difficulty in selecting eyeglasses online due to the inability to determine whether a particular model suits their facial shape. This issue often results in customer dissatisfaction and high product return rates. This study aims to develop an AI-based virtual try-on solution for eyeglasses by integrating deep learning models to create a more interactive and personalized online shopping experience. The system functions by detecting the user’s face shape from an uploaded photo using a pre-trained Face Shape Detection model that achieves an accuracy of up to 89%, followed by a rule-based recommendation system that suggests the most suitable eyeglass frames. Once the user selects a product from the recommended list, the system utilizes AI Nano Banana to realistically generate a composite image of the user's face wearing the selected eyeglasses. The core technologies implemented include EfficientNetB2 as the primary CNN model for visual feature extraction, InsightFace for high-precision face detection, and AdamW as the optimization algorithm. Experimental results demonstrate that the system effectively generates accurate and realistic try-on visualizations, which are not only satisfactory to users but also have the potential to increase sales conversion rates in fashion e-commerce platforms.

Design and Implementation of SDN Firewall Using Pox Controller and Open vSwitch Eka Stephani Sinambela; Jesika L Manurung; Grace Agnes Kesya; Harli J Sinabutar; Istas Pratomo Manalu; Gerry italiano wowiling; Frengki Simatupang; Marojahan M.T Sigiro
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.109296

Abstrak : Perkembangan Software-Defined Networking (SDN) menghadirkan paradigma baru dalam pengelolaan jaringan melalui pemisahan antara control plane dan data plane, yang memungkinkan penerapan mekanisme keamanan jaringan secara terpusat dan terprogram. Salah satu mekanisme keamanan penting dalam SDN adalah Firewall berbasis flow rules. Penelitian ini mengimplementasikan Firewall berbasis SDN dengan memanfaatkan POX Controller sebagai control plane dan Open vSwitch (OvS) sebagai data plane. Evaluasi dilakukan melalui skenario pengujian konektivitas yang melibatkan komunikasi antara controller, OvS, dan beberapa host dalam jaringan. Hasil pengujian menunjukkan bahwa seluruh skenario berjalan sesuai dengan aturan Firewall yang dirancang. Secara kuantitatif, mekanisme pemfilteran trafik berbasis IP Address mencapai tingkat keberhasilan 100%, ditunjukkan oleh keberhasilan pemblokiran akses dan tetap terjaganya konektivitas pada jalur yang diperbolehkan. Hasil ini membuktikan bahwa integrasi POX Controller dan OvS efektif digunakan sebagai Firewall sederhana berbasis SDN serta berpotensi dikembangkan untuk mekanisme keamanan yang lebih kompleks.==================================================Abstract :The development of Software-Defined Networking (SDN) introduces a new paradigm in network management by separating the control plane from the data plane, enabling centralized and programmable network security mechanisms. One essential security mechanism in SDN is a firewall based on flow rules. This study implements an SDN-based firewall using the POX Controller as the control plane and Open vSwitch (OvS) as the data plane. The system is evaluated through connectivity testing scenarios involving communication between the controller, OvS, and multiple hosts. Experimental results show that all test scenarios operate according to the defined firewall rules. Quantitatively, the IP address–based traffic filtering mechanism achieves a 100% success rate, as indicated by successful blocking of unauthorized access while maintaining permitted network connectivity. These results demonstrate that the integration of POX Controller and OvS is effective as a simple SDN-based firewall and has the potential to be extended to support more advanced network security mechanisms.

Sistem Identifikasi Jenis Tumbuhan Mangrove Menggunakan Metode Convolutional Neural Network (CNN) Imam Samudra; Tedy Rismawan; Irma Nirmala
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.109260

Abstrak : Mangrove merupakan tumbuhan pesisir yang berperan penting dalam menjaga keseimbangan ekosistem. Penelitian ini bertujuan membangun sistem identifikasi jenis tumbuhan mangrove berbasis citra daun dengan metode Convolutional Neural Network (CNN) untuk memudahkan dalam mengidentifikasi jenis mangrove. Dataset yang digunakan terdiri dari 810 citra daun mangrove, masing-masing 270 citra untuk tiga kelas: Acanthus Ilicifolius, Rhizophora Apiculata, dan Sonneratia Alba. Proses pelatihan model CNN dilakukan untuk mengenali pola dan karakteristik visual daun. Pengujian dilakukan menggunakan 81 data uji dengan dua skenario pengujian, yaitu tanpa menggunakan kamera Raspberry Pi dan dengan integrasi kamera Raspberry Pi. Hasil pengujian tanpa kamera Raspberry Pi mendapatkan akurasi 88%, sedangkan menggunakan kamera Raspberry Pi mencapai 96%. Peningkatan akurasi sebesar 8% membuktikan bahwa penerapan sistem pada perangkat keras Raspberry Pi mampu meningkatkan kinerja identifikasi. Selain itu, sistem dapat beroperasi secara portabel tanpa memerlukan koneksi internet, sehingga berpotensi untuk mengidentifikasi mangrove secara mudah di lapangan.=================================================Abstract : Mangroves are coastal plants that play an important role in maintaining ecosystem balance. This study aims to build a mangrove plant species identification system based on leaf images using the Convolutional Neural Network (CNN) method to facilitate the identification of mangrove species. The dataset used consists of 810 mangrove leaf images, 270 images each for three classes: Acanthus Ilicifolius, Rhizophora Apiculata, and Sonneratia Alba. The CNN model training process was carried out to recognize leaf patterns and visual characteristics. Testing was carried out using 81 test data with two test scenarios, namely without using a Raspberry Pi camera and with Raspberry Pi camera integration. The test results without a Raspberry Pi camera achieved 88% accuracy, while using a Raspberry Pi camera reached 96%. The 8% increase in accuracy proves that the implementation of the system on Raspberry Pi hardware is able to improve identification performance. In addition, the system can operate portable without requiring an internet connection, thus having the potential to easily identify mangroves in the field.

Integrasi Metode Analytical Hierarchy Process (AHP) dan Fuzzy Mamdani pada WebGIS Tawan Narkoba (Studi Kasus : BNNK Cilacap) Nugrahaini Nugrahaini; Ninik Agustin; Mochamad Taufiqurrochman Abdul Aziz Zein
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.109131

Abstrak : Penyalahgunaan narkoba merupakan isu yang sangat serius yang berdampak pada kesehatan, aspek sosial, serta keamanan masyarakat, sehingga diperlukan upaya yang terfokus dalam pencegahannya. Penelitian ini bertujuan untuk mengembangkan sebuah sistem informasi berbasis web untuk mengevaluasi tingkat kerawanan narkoba di Kabupaten Cilacap. Data untuk penelitian ini diperoleh melalui wawancara dengan Badan Narkotika Nasional Kabupaten (BNNK) Cilacap dan analisis literatur terkait laporan serta dokumen mengenai narkoba. Sistem ini menggunakan metode Analytical Hierarchy Process (AHP) untuk menetapkan bobot prioritas dari indikator–indikator yang mencakup jumlah bandar, pengedar, pengguna, klien sereta kos/THM (Tempat Hiburan Malam), serta menerapkan Fuzzy Mamdani untuk mengatasi ketidakpastian dalam evaluasi kerawanan. sistem yang dinamakan “Tawan Narkoba” dikembangkan dengan menggunakan PHP, framework CodeIgniter 4 (CI4), dan MySQL dengan arsitektur Model-View-Controller (MVC). Fitur utama dari sistem ini mencakup pengelolaan data indikator, otomatisasi perhitungan tingkat kerawanan, serta penyajian hasil dalam bentuk tabel dashboard. Hasil dari pengujian menunjukkan bahwa sistem mampu mengklasifikasikan tingkat kerawanan ke dalam kategori Siaga, Waspada, dan Rawan dengan akurasi 95% jika dibandingkan dengan penilaian dari BNNK. Kontribusi dari penelitian ini adalah penyediaan model evaluasi kerawanan narkoba yang berbasis AHP-Fuzzy Mamdani terintegrasi ke dalam sistem informasi web sebagai alat bantu dalam pengambilan keputusan.================================================Abstract : Drug abuse is a serious issue that has significant impacts on public health, social conditions, and community security, thereby requiring focused and systematic prevention efforts. This study aims to develop a web-based information system to evaluate the level of drug vulnerability in Cilacap Regency. The research data were obtained through interviews with the National Narcotics Agency of Cilacap Regency (BNNK Cilacap) and literature analysis of reports and official docuents related to drug abuse. The system employs the Analytical Hierarchy Process (AHP) method to determine the priority weights of indicators, including the number of dealers, distributors, users, client, and boarding houses/night entertainment venues (kos/THM), and applies the Fuzzy Mamdani method to addres uncertainty in vulnerability evaluation. The system, named “Tawan Narkoba”, was developed using PHP, the CodeIgniter 4 (CI4) framework, and MySQL, implementing the Model-View-Controller (MVC) architecture. The main features of the system include indicator data management, automated calculation of vulnerability levels, and visualization of results in the form of tables dashboard. The testing results indicate that the system is able to classify drug vulnerability levels into Alert, Caution, and High-Risk categories with an accuracy 95% when compared with assessments conducted by BNNK Cilacap. The contribution of this research lies in providing an AHP-Fuzzy Mamdani-based drug vulnerability evaluation model integrated into a web-based information system to support decision-making processes.

Perbandingan Tingkat Akurasi Algoritma Naïve Bayes, Decision Tree dan Random Forest dalam Analisis Sentimen Pengguna Aplikasi Samsat Digital Nasional Hilmi Ammar; Ade Davy Wiranata
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.111010

Abstrak : Penelitian ini menganalisis sentimen pengguna terhadap aplikasi Signal – Samsat Digital Nasional. Dari total 2.000 ulasan yang terkumpul, setelah melalui tahapan filter data diperoleh 1.743 data yang digunakan untuk analisis. Data tersebut kemudian dipecah menjadi 1.394 data pelatihan (alokasi 80%) dan 349 data pengujian (alokasi 20%). Tiga model klasifikasi yang digunakan dalam penelitian ini meliputi Naïve Bayes, Decision Tree, dan Random Forest. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi 92,9% serta keseimbangan tinggi dalam mengenali sentimen positif (f1-score 95,9%) dan negatif (f1-score 73,1%). Naïve Bayes mencapai akurasi 89,4% namun kurang seimbang, sedangkan Decision Tree memperoleh akurasi 86,8% dengan hasil yang lebih stabil dibandingkan Naïve Bayes. Secara keseluruhan, visualisasi data berdasarkan analisis menggunakan kamus lexicon menunjukkan bahwa 82,9% ulasan bersentimen positif dan didominasi oleh rating bintang lima, yang mengindikasikan bahwa pengalaman pengguna terhadap aplikasi Signal – Samsat Digital Nasional tergolong sangat baik.=====================================================Abstract :This research analyzes user sentiment towards the Signal – National Digital Samsat application. From a total of 2,000 collected reviews, after going through the data filtering stage, 1,743 data were obtained for analysis. The data was then split into 1,394 training data (80% allocation) and 349 testing data (20% allocation). Three classification models used in this study were Naïve Bayes, Decision Tree, and Random Forest. The results showed that Random Forest had the best performance with 92.9% accuracy and high balance in recognizing positive (f1-score 95.9%) and negative (f1-score 73.1%) sentiment. Naïve Bayes achieved 89.4% accuracy but was less balanced, while Decision Tree achieved 86.8% accuracy with more stable results than Naïve Bayes. Overall, data visualization based on analysis using the lexicon dictionary shows that 82.9% of reviews are positive and dominated by five-star ratings, which indicates that the user experience of the Signal – Samsat Digital Nasional application is classified as very good.

Front Matter IJAI Front Matter IJAI
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.114892

Sistem Pakar Dengan Metode Certainty Factor Untuk Mengetahui Gaya Belajar Anak Usia Dini Areta Reza Pradana; Hanifah Permatasari; Afu Ichsan Pradana
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.103964

Penerapan Metode Logistic Regression dalam Sistem Prediksi Risiko Stunting Anak Berbasis Web Rozakira Zulfa; Fadli Mahyudin; Arnawan Hasibuan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.106164

Abstrak : Stunting merupakan masalah gizi kronis yang berdampak signifikan terhadap pertumbuhan dan perkembangan anak, khususnya pada periode 1000 hari pertama kehidupan. Penelitian ini mengembangkan sistem berbasis web untuk memprediksi risiko stunting pada anak menggunakan metode Logistic Regression. Dataset mencakup fitur seperti jenis kelamin, usia, berat dan panjang lahir, berat badan, panjang badan, serta status konsumsi ASI. Data diproses melalui tahapan cleaning dan preprocessing sebelum pelatihan model. Logistic Regression dipilih karena kemampuannya melakukan klasifikasi biner, yaitu stunting atau tidak. Penilaian model dilakukan dengan memanfaatkan metrik accuracy, precision, recall, dan AUC. Hasil eksperimen menunjukkan model mencapai accuracy 69,9%, precision 78,4%, recall 85,4%, dan AUC 0,94, sehingga dapat digunakan sebagai alat bantu untuk deteksi dini stunting. Sistem berbasis web ini memudahkan akses bagi tenaga kesehatan dan orang tua untuk memantau status gizi anak dan memberikan rekomendasi intervensi yang tepat. Temuan ini menunjukkan bahwa penerapan Logistic Regression efektif dalam mendukung pencegahan stunting secara lebih terarah.================================================Abstract : Stunting is a chronic nutritional problem that significantly affects children's growth and development, particularly during the first 1,000 days of life. This study develops a web-based system to predict the risk of stunting in children using the Logistic Regression method. The dataset includes features such as gender, age, birth weight and length, body weight and length, and breastfeeding status. The data were processed through cleaning and preprocessing stages before model training. Logistic Regression was chosen for its ability to perform binary classification, i.e., stunted or not stunted. The model was evaluated using accuracy, precision, recall, and AUC metrics. Experimental results show that the model achieved accuracy of 69.9%, precision of 78.4%, recall of 85.4%, and AUC of 0.94, indicating its potential as a tool for early detection of stunting. This web-based system facilitates access for healthcare workers and parents to monitor children's nutritional status and provide appropriate intervention recommendations. The findings demonstrate that Logistic Regression is effective in supporting more targeted stunting prevention efforts.

Analisis Komparatif Sentimen Negatif Pengguna Platform E-Commerce Shopee dan Tokopedia selama Periode Diskon Faris Syahrendra; Cahyani Ayu Sulistyawati; Ginting Wibi Prasetyo; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110824

Abstrak : Fenomena potongan harga besar pada platform jual beli online sering kali menimbulkan kekecewaan bagi pengguna karena masalah dalam layanan, harga, dan pengiriman. Studi ini bertujuan untuk menganalisis dan membandingkan perasaan pengguna terhadap Shopee dan Tokopedia selama masa promosi dengan cara menggunakan pendekatan machine learning. Data ulasan diambil dari Google Play Store, yang terdiri dari 929 ulasan untuk Shopee dan 1.111 ulasan untuk Tokopedia. Dua algoritma untuk klasifikasi sentimen, yaitu Naive Bayes dan Neural Network, diimplementasikan dan dievaluasi dengan metode validasi silang 10-fold. Temuan yang berasal dari penilaian analitis menunjukkan bahwa model Naive Bayes menunjukkan tingkat akurasi dan presisi tertinggi yaitu 91,0%, sementara Neural Network memperoleh 83,9%. Selain itu, ulasan positif mendominasi sentimen terhadap Shopee (70%), sedangkan Tokopedia lebih banyak diwarnai oleh sentimen negatif (60%). Penemuan ini menandakan bahwa pengguna lebih puas dengan pengalaman diskon di Shopee dan memberikan masukan strategis untuk peningkatan layanan e-commerce.===============================================Abstract :Large-scale discount events on e-commerce platforms often lead to user disappointment due to issues with service, pricing, and delivery. This study aims to analyze and compare user sentiment towards Shopee and Tokopedia during promotional periods using a machine learning approach. Review data were sourced from the Google Play Store, consisting of 929 reviews for Shopee and 1,111 for Tokopedia. Two algorithms for sentiment classification, namely Naive Bayes and Neural Network, were implemented and evaluated using the 10-fold cross-validation method. Findings from analytical assessments indicate that the Naive Bayes model demonstrates the highest level of accuracy and precision at 91.0%, while the Neural Network obtained 83.9%. Furthermore, positive reviews dominated the sentiment towards Shopee (70%), whereas Tokopedia was largely characterized by negative sentiment (60%). These findings indicate that users are more satisfied with the discount experience on Shopee and provide strategic input for the improvement of e-commerce services.

Perbandingan Algoritma Machine Learning untuk Klasifikasi Risiko Penyakit Paru Berdasarkan Data Diagnostik Pasien Alwan Kapi Muntaha; Kevin Dwi Satria; Desiana Nuranudin Putri; Sumanto Sumanto; Roida Pakpahan; Imam Budiawan
IJAI (Indonesian Journal of Applied Informatics) Vol 10, No 1 (2025)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v10i1.110867

Abstrak : Penyakit paru-paru termasuk salah satu faktor utama penyebab tingginya angka kematian di seluruh dunia. Kondisi ini terjadi karena penyakit paru-paru sering kali sulit terdeteksi pada tahap awal akibat gejalanya yang tidak spesifik. Perkembangan teknologi machine learning memberikan peluang untuk membantu proses diagnosis secara otomatis dengan memanfaatkan data diagnostik pasien. Penelitian ini bertujuan untuk mengklasifikasikan risiko penyakit paru menggunakan berbagai algoritma machine learning pada aplikasi Orange3, serta menentukan model dengan akurasi terbaik. Dataset yang digunakan terdiri dari 5.000 data pasien dengan 18 atribut yang mencakup faktor demografis, gaya hidup, riwayat medis, dan kondisi klinis seperti kadar oksigen, tingkat stres, dan kebiasaan merokok. Lima algoritma diuji, yaitu iDecision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), dan Neural Network. Hasil pengujian menunjukkan bahwa Neural Network menghasilkan nilai akurasi tertinggi sebesar 89,15%, diikuti oleh Decision Tree (85,12%) dan Naïve Bayes (83,63%). Temuan ini membuktikan bahwa Neural Network lebih unggul dalam mengenali pola kompleks antarvariabel dan mampu memberikan prediksi yang lebih akurat. Dengan demikian, penelitian ini menegaskan potensi penerapan machine learning berbasis data diagnostik non-citra sebagai sistem pendukung keputusan untuk diagnosis dini penyakit paru.=================================================Abstract : Lung disease is a major contributing factor to high mortality rates worldwide. This is because lung disease is often difficult to detect in its early stages due to its nonspecific symptoms. The development of machine learning technology provides an opportunity to assist the automated diagnosis process by utilizing patient diagnostic data. This study aims to classify the risk of lung disease using various machine learning algorithms in the Orange3 application, and determine the model with the best accuracy. The dataset used consists of 5,000 patient data with 18 attributes covering demographic factors, lifestyle, medical history, and clinical conditions such as oxygen levels, stress levels, and smoking habits. Five algorithms were tested: Decision Tree, Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), and Neural Network. The test results showed that Neural Network produced the highest accuracy value of 89.15%, followed by Decision Tree (85.12%) and Naïve Bayes (83.63%). These findings prove that Neural Network is superior in recognizing complex patterns between variables and is able to provide more accurate predictions. Thus, this study confirms the potential of applying machine learning based on non-image diagnostic data as a decision support system for early diagnosis of lung disease.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Fendi Aji Purnomo

Contact Email
fendi_aji@mipa.uns.ac.id

Phone
-

Journal Mail Official
ijai@mipa.uns.ac.id

Editorial Address
-

Location
Kota surakarta,

Jawa tengah

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Fendi Aji Purnomo

Contact Email fendi_aji@mipa.uns.ac.id

Phone -

Journal Mail Official ijai@mipa.uns.ac.id

Editorial Address -

Location Kota surakarta, Jawa tengah INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Fendi Aji Purnomo

Contact Email
fendi_aji@mipa.uns.ac.id

Phone
-

Journal Mail Official
ijai@mipa.uns.ac.id

Editorial Address
-

Location
Kota surakarta,

Jawa tengah

INDONESIA