Garuda - Garba Rujukan Digital

Analisis Perbandingan Klasifikasi Algoritma CART dengan Algoritma C 4.5 Pada Kasus Penderita Kanker Payudara Fitria Melani; Sulastri Sulastri
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2379

Kanker menjadi salah satu jenis penyakit berbahaya penyebab terjadinya kematian. Dari jumlah keseluruhan kasus kanker di dunia, jenis kanker yang banyak diderita manusia dengan presentase kasus mencapai 11,7% tercatat sebagai kanker payudara. Hal ini dapat terjadi dikarenakan kanker payudara tidak didiagnosa lebih awal. Maka dari itu, jika penyakit kanker payudara dapat diidentifikasi lebih cepat, maka resiko yang mungkin terjadi dapat diminimalisir. Seiring dengan kemajuan teknologi saat ini, data – data pasien kanker payudara dapat diolah dan dimanfaatkan untuk menemukan informasi yang berguna bagi kehidupan masyarakat. Dalam melakukan pengolahan data ada beragam cara yang dapat digunakan, contohnya dengan menggunakan teknik pengolahan data mining. Data mining memiliki bermacam – macam metode yang dapat diterapkan bergantung dengan tujuan dalam penggunaannya, Klasifikasi menjadi salah satu metode yang paling sering dipergunakan dalam teknik data mining. Dalam data mining teknik klasifikasi memiliki beragam model algoritma dengan tingkat kinerja yang bervariasi. Permasalahan dalam penelitian ini berfokus tentang bagaimana cara dalam melakukan analisis perbandingan model algoritma klasifikasi pada dataset kanker payudara yang diambil dari platform Kaggle.com. Penelitian ini bertujuan membandingkan algoritma CART dan C 4.5 untuk mendapatkan hasil performa yang optimal. Implementasi pada penelitian ini menggunakan bahasa pemrograman R dengan software Rstudio. Dalam 6 kali percobaan dengan probabilitas dataset yang berbeda menghasilkan model pohon keputusan dengan nilai Accuracy, Recall, Precision dan Error rate yang berbeda. Dari percobaan yang dilakukan, didapatkan rata-rata tingkat performa algoritma CART sebesar 72 %, sedangkan algoritma C 4.5 sebesar 73%, sementara itu variabel yang paling berpengaruh dalam kematian pasien kanker payudara adalah Survival Months. Berdasarkan hasil analisis perbandingan yang telah dilakukan dapat diketahui bahwa tingkat performa dari algoritma C 4.5 lebih baik dan stabil jika dibandingkan dengan tingkat performa dari algoritma CART.

Klasifikasi Pemberian Beasiswa Berprestasi Menggunakan Perbandingan Tiga Algoritma Nanda Tri Haryati; Edi Surya Negara; Tri Basuki Kurniawan
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2211

Program Indonesia Pintar (PIP) merupakan program kerjasama dari tiga kementrian yaitu Kementrian Pendidikan dan Kebudayaan (Kemendikbud), Kementrian Sosial (Kemensos) dan Kementrian Agama (Kemenag). PIP melalui Kartu Indonesia Pintar (KIP) adalah pemberian bantuan tunai pendidikan kepada anak usia sekolah yang berasal dari keluarga miskin, rentan miskin, pemilik Kartu Keluarga Sejahtera (KKS), Program Keluarga Harapan (PKH), yatim piatu, penyandang disabilitas dan korban bencana alam/musibah. PIP merupakan bagian dari penyempurnaan program Bantuan Siswa Miskin (BSM) dengan tujuan untuk menjamin agar seluruh anak usia sekolah dari keluarga kurang mampu terdaftar sebagai penerima bantuan sampai anak lulus jenjang pendidikan menengah, baik melalui jalur pendidikan formal maupun non formal. Bantuan yang akan di terima yaitu berupa dana dengan besaran yang telah ditentukan sesuai tingkatan pendidikan. Banyaknya jumlah siswa yang mengajukan permohonan untuk menerima beasiswa dan kriteria penilaian yang banyak pula maka tidak semua siswa yang mengajukan permohonan beasiswa dapat dikabulkan. Permasalahan yang biasanya dihadapi oleh sekolah sehubungan dengan penentuan beasiswa adalah tidak adanya sistem yang dapat membantu untuk melakukan penyeleksian atau penentuan penerima beasiswa secara otomatis sesuai dengan kriteria-kriteria yang telah ditentukan. Untuk menyelesaikan hal ini, salah satu solusi yang akan digunakan adalah dengan mempelajari pola dari data siswa yang menerima beasiswa dan data siswa yang tidak menerima beasiswa. Dari data-data tersebut dapat dibentuk satu model yang dapat digunakan untuk mepredisksi siswa siswa mana yang kemungkinan akan menerima beasiswa pada tahun berikutnya. Dalam penelitian ini dilakukan perbandingan dari 3 (tiga) algoritma klasifikasi untuk membantu menentukan prediksi siswa penerima beasiswa, sehingga pihak sekolah dapat dengan mudah menentukan data siswa mana yang akan diajukan. Algoritma yang dipilih untuk dibandingkan yaitu algoritma Naïve Bayes, Random Forest dan Support Vector Machine dengan tujuan untuk mengetahui algoritma mana yang paling baik dalam hal tingkat akurasi dan berdasarkan literatur yang ada, tiga algoritma ini adalah algoritma yang umum digunakan dalam penelitian sejenis. Dari ke-3 algorithma tersebut, algoritma Random Forest memberikan nilai akurasi yang paling tinggi, yaitu 75%, diikuti oleh algoritma Support Vector Machine sebesar 59% dan nilai akurasi terendah yaitu algoritma Naïve Bayes sebesar 55%. Berikutnya, dengan menggunakan algoritma Random Forest, algoritma yang menghasilkan model dengan akurasi paling tinggi, dilanjutkan proses pemilihan fitur (feature selection) untuk melihat fitur mana yang paling memberikan pengaruh kepada label keputusan dan fitur mana yang tidak, yang selanjutkan dapat diabaikan atau tidak ikut dalam proses pembentukan model. Hasil yang diperoleh, menunjukkan fitur yang paling berpengaruh yaitu fitur penghasilan, sedangkan fitur mtk dan bhs_inggris dapat diabaikan, karena tidak memberikan pengaruh yang besar kepada label keputusan. Setelah itu, dilakukan pembandingan hasil model sebelum dilakukan pemilihan fitur dengan model setelah dilakukan pemilihan fitur dalam hal tingkat akurasi dan kecepatan proses menggunakan algoritma Random Forest. Hasil perbandingan menunjukan hasil peningkatan akurasi dan penuruan waktu proses yang cukup signifikan.

Analisis Sentimen Terhadap Program Kampus Merdeka Menggunakan Algoritma Naive Bayes Classifier Di Twitter Elisa Febriyani; Herny Februariyanti
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2061

The independent campus program or independent learning campus independence (MBKM) is a new policy launched in January 2019 by the ministry of education, culture, research, and technology of the republic of Indonesia. This policy is the government's strategy in improving the quality of students to respond to the needs of the times along with significant changes in technology, the world of work, social and culture. As a new breakthrough in the world of higher education, this program is very much discussed on social media. Currently, many people use social media Twitter to provide feedback or opinions on a government policy or trend that is developing. This independent campus program has reaped the pros and cons of the community, especially on Twitter social media since its inception. This study aims to analyze the sentiment of public opinion on the independent campus program on twitter to determine the level of accuracy in the method and the proportion of sentiment as an evaluation of the algorithm, performance and program of the independent campus itself. Data collection using the vicinitas.io website was carried out in real time with #kampus merdeka and #mbkm from tweets and retweets of twitter users during November 2021 to March 2022. Analysis of 501 tweet data was carried out by classifying text in negative and positive forms using the naive bayes classifier algorithm. . The implementation of the classification in the Naive Bayes algorithm is carried out in several stages, namely text preprocessing, TF-IDF calculations, classification calculations, and K-fold cross validation. K-fold is used for applications that are used to get maximum accuracy results. The program is made in the python programming language on the google colab tools provided by google. The visualization of the results displayed in this study is a word cloud with the most dominant word results appearing on positive sentiments, namely campus, merdeka, mbkm, and programs, while on negative sentiments, namely campus, money, pocket, and conversion. Based on the results of the research, the classification that can be done by the system gets 272 positive sentiment classification results and 229 negative sentiment opinions with an average accuracy of 60%, precision 64%, recall 58% and f1-score 58%.

Analisis Perbandingan Sistem Pendukung Keputusan Menggunakan Metode Smart Dan Profile matching Pemilihan Supplier Vapor Zandra Nur Arif; Lukman Bachtiar
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2144

Toko garage vapor sampit merupakan toko yang berjualan vapor dan segala peralatan vapor di sampit, Kotawaringin Timur, Kalimantan Tengah. Dalam pemilihan supplier, toko ini masih memilih supplier dengan perkiraan saja dan perkiraan ini kurang efektif. Di toko garage vapor perlu dilakukan pengambilan keputusan untuk menentukan supplier terbaik. Proses pengambilan keputusan supplier ini dilakukan ketika setiap stok barang tersisa sedikit atau sudah mencapai batas minimum. Oleh karena itu pengambilan keputusan harus selalu dilakukan pada saat ingin menambah stok barang dari supplier. Adapun beberapa kriteria-kriteria yang dinilai yaitu harga, diskon, ongkir, waktu pengiriman, pengemasan. Oleh sebab itu toko garage ini membutuhkan sistem pendukung keputusan agar dalam memilih supplier menjadi lebih akurat dan bisa menguntungkan toko ini. Dari permasalahan tersebut dibuatlah sebuah analisis perbandingan, metode yang digunakan pada Sistem Pendukung Keputusan (Decision support system) yaitu Metode Profile matching dan Smart (Simple Multi Attribute Rating Technique). Kedua metode tersebut sama-sama bisa digunakan dalam pemilihan Supplier. Kedua metode ini dibandingkan untuk menentukan metode mana yang tepat dan lebih akurat dan dapat diterapkan dalam pemilihan supplier. Ketika sudah menemukan hasil perbandingan metode mna yang terbaik diharpkan metode tersebut bisa membantu menyelesaikan masalah dalam pemilihan supplier. Berdasarkan hasil dari perhitungan menggunakan metode Smart menghasilkan ururan perangkingan yaitu Alternatif TKL 7 dan TKL 8 mendapatkan nilai paling tertinggi dengan nilai yang sama 0,6. Tertinggi kedua yaitu TKL 2 dengan nilai 0,5666666667. Tertinggi ketiga yaitu TKL 3 dengan nilai 0,558333333. Tertinggi keempat yaitu TKL 4 dengan nilai 0,508333333. Tertinggi kelima yaitu TKL 5 dengan nilai 0,383333333. Dan nilai terendah yaitu TKL 6 dengan nilai 0,333333333. Berdasarkan hasil perhitungan menggunakan metode Profile matching yaitu peringkat 1 Grandline Vapor dengan nilai 4,49, peringkat 2 Gudang Vaporrizer dengan nilai 4,37, peringkat 3 JVS dan Hero57 dengan nilai yang sama yaitu 4,11, peringkat 4 Majelis Vaping dengan nilai 4,09, peringkat 5 Twentyone Vape dengan nilai 3,88, peringkat 6 Angkasa Vapor dengan nilai 8,855, dan peringkat terakhir yaitu Jem Vape Store dengan nilai 3,6. Berdasarkan hasil dari perbandingan menggunakan metode MSE, metode Smart mendapatkan nilai deviasi paling tinggi yaitu 2568.345972 dibandingkan metode Profile matching dengan nilai 1646.774725. Dari hasil perbandingan tersebut metode Smart memiliki keakuratan yang lebih baik dibandingkan metode Profile matching karena diperbandingan metode MSE nilai dengan deviasi tertinggi adalah metode terbaik. Jadi metode Smart lebih layak (direkomendasikan) dalam pemilihan Supplier di Toko Garage Vapor Sampit.

Pengembangan Sistem Informasi Inventory Obat dan CRM Pada Apotek Sentosa Dan Klinik Pratama Tobias Alexander; Eka Prasetyaningrum
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2171

Apotek Sentosa adalah salah satu tempat pelayanan kefarmasian yang menerima penerimaan resep, pelayanan resep, dan peracikan obat. Sedangkan Klinik Pratama adalah salah satu fasilitas kesehatan yang menyediakan pelayanan kesehatan perorangan baik itu yang pasien BPJS maupun pasien umum. Apotek Sentosa dan Klinik Pratama berlokasi di Jl.Gatot Subroto No.25 Sampit, Kabupatan Kotawaringin Timur, Kalimantan Tengah. Selama ini pada Apotek Sentosa dan Klinik Pratama masih menggunakan sistem konvensional dalam pengelolaan stok barang dan pendataan pendaftaran pasien. Sehingga para pelanggan Apotek Sentosa tidak dapat mengetahui update obat serta pasien Klinik Pratama tidak dapat mengetahui update jadwal dokter yang sedang buka praktek. Oleh karena itu, penelitian ini bertujuan untuk membangun sebuah sistem yang saling terintegrasi guna meningkatkan loyalitas pelanggan melalui penerapan sistem inventory dan CRM (Customer Relationsship management). Bentuk implementasi dari sistem inventory yang diterapkan adalah dengan mencatat segala kegiatan transaksi penerimaan barang, persediaan barang agar dapat lebih terkontrol sehingga bisa menghindari stok barang yang telah kadaluarsa. Selain itu dengan adanya sistem inventory para pelanggan juga dapat mengetahui stok barang yang tersedia pada Apotek Sentosa. Kemudian, implementasi CRM pada Apotek Sentosa dan Klinik Pratama juga dapat dimanfaatkan sebagai media promosi ke pelanggan dan pasien. Dengan adanya sisten CRM pasien dapat mengetahui update jadwal dokter yang sedang praktek, pendaftaran data pasien secara online serta tersedia media kritik dan saran untuk pasien kepada pihak Apotek dan Klinik Pratama. Dalam pembuatan sistem pada penelitian ini, penulis menggunakan metode Dynamic Sistem Development Method (DSDM). Yang dimana dengan metode Dynamic Sistem Development Method (DSDM) aplikasi yang dibangun berdasarkan kebutuhan dan memerlukan komunikasi antara pengguna dan pengembang aplikasi.

Sistem Informasi Geografis Pemetaan Hasil Penjualan Sales Lapangan Dengan Leaflet.js dan OpenStreetMap Putu Novendra Krisna Wiharadhita; I Gede Putu Krisna Juliharta; I Gede Juliana Eka Putra
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2110

Maps have become part of human life along with the development of technology and information. In the digital era, paper-based maps are slowly being shifted since the advent of the internet, with the emergence of online mapping platforms. The use of this map is increasingly relevant to the existence of a Geographic Information System. Geographic Information System is one of the main needs of various organizations. By using a Geographic Information System, a data can be displayed in real terms with a geographical map as the basis, where various business fields will use it, for example, the sales of a service. PT ICON+ in the Bali and Nusra regions uses field sales to make sales, and the final sales results are carried out manually via the WhatsApp application in a group chat, which is ineffective due to the large number of messages in one group chat. In its development, researchers use a number of frameworks and libraries to develop this geographic information system. For developing this Geographic Information System, Laravel is used, which is a PHP framework for building a web-based system. Another library, leaflet.js also used for building an interactive mapping system that uses OpenStreetMap as a map used by the system. The application development cycle uses a framework named Scrum, which is effective in developing a software within a certain deadline. The final result of this research, produces a Geographic Information System that is able to map the Internet service network of the company PT. ICON+ and the amount of sales made based on the service network pole, data on the network service cluster mapping, and data export features.

Implementasi Algoritma Apriori Untuk Analisis Data Transaksi Penjualan Pada Toko Berbasis Desktop Clara Falisha Suardi; Hasyrif S Y; Sunardi Sunardi
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2148

Toko Clara adalah toko kelontong yang menjual berbagai kebutuhan sehari-hari masyarakat secara umum, seperti sembako, kebutuhan dapur, alat listrik serta berbagai kebutuhan rumah tangga lainnya. Proses untuk menempatkan barang dagangan yang dilakukan oleh pemilik toko Clara masih dilakukan secara manual. Hal ini berdampak pada penurunan konsumen toko Clara, karena banyaknya toko kelontong yang lebih modern. Maka penelitian ini ditujukan guna melihat pola konsumen dalam membeli barang yang memiliki keterkaitan ketika berbelanja yang akan digunakan untuk proses penempatan barang berdasarkan pola tersebut. Untuk melihat pola belanja konsumen di toko Clara peneliti menggunakan algoritma apriori untuk melakukan analisis transaksi penjualan. Algoritma apriori merupakan suatu proses untuk mencari pola hubungan antara satu atau lebih item dalam suatu dataset. Algoritma apriori termasuk dalam aturan asosiasi dalam data mining. Proses analisis dengan menggunakan algoritma apriori yakni mencari kombinasi itemset untuk mengetahui pola frekuensi tinggi kemudian dibentuk suatu aturan asosiatif yang diterapkan pada aplikasi yang dibuat. Hasil dari penelitian dengan menggunakan algoritma apriori pada aplikasi yang telah dibuat terdapat sebanyak 2 aturan asosiatif dari gabungan 2-itemset yakni rokok surya besar-korek gas dengan nilai confidence 86% dan korek gas-rokok surya besar dengan nilai confidence 67 %. Dapat disimpulkan bahwa ketika konsumen membeli rokok surya besar, kemungkinan akan membeli korek gas. Serta ketika konsumen membeli korek gas, kemungkinan akan membeli rokok surya besar. Informasi tersebut yang akan digunakan dalam strategi penempatan barang pada toko Clara.

Rancang Bangun Sistem Informasi Inventory Barang Menggunakan Metode First In First Out Nunu Nugraha Purnawan; Slamet Rahayu
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2111

Perkembangan teknologi didukung dengan perkembangan software dan hardware yang semakin maju akan banyak membantu dalam pengolahan data barang, sehingga memudahkan staff mengelola data barang. Pada pengelolaan data barang saat ini pada PT Subang Energi Abadi masih dilakukan secara manual. Sehingga ditemukan masalah diantaranya data duplikat dan kehilangan pencatatan data. Dalam pengelolaan data barang, masalah yang ada yaitu jika barang yang harus keluar dari gudang, terkadang bukan barang yang pertama masuk dalam gudang, sehingga menimbulkan penurunan kualitas atau penyusutan pada stok barang yang lama. Proses permintaan barang masih menggunakan form manual yang melibatkan banyak pihak sehingga dianggap menyulitkan pihak PT SEA. Dari perihal tersebut, maka dibutuhkannya Sistem Informasi Inventory Barang menggunakan metode First In First Out. Sistem ini dibuat mengacu pada metode SDLC (System Development Life Cycle) dengan model waterfall yang memiliki ciri khas berurutan dalam pengerjaannya. Pembuatan pemodelan dirancang menggunakan UML, kemudian dibuatnya user interface menggunakan Mockup, selanjutnya diimplementasikan dalam bentuk bahasa pemrograman dengan menggunakan framework codeigniter dalam format MCV (Model, Controller, View) , dan database MySql dalam mengelola database. Pengujian dilakukan dengan jenis blackbox dan UAT bertujuan untuk mengetahui keberhasilan sistem. Pengujian blackbox memperoleh keberhasilan 100%. Pengujian UAT memperoleh nilai rata-rata 98% yang menyatakan bahwa sistem tersebut sudah layak untuk digunakan. Hasil akhir dari Proyek Akhir ini berupa rancangan dan implementasi sistem infromasi inventory barang yang mampu membantu pihak yang bersangkutan dalam mengelola inventory barang.

Rancangan Model Bisnis Produk Dengan Menggunakan Metode Lean Startup (Studi Kasus Startup HealthyTips) I Wayan Arby Arinatha; I Putu Agus Swastika; Tiawan Tiawan
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2130

HealthyTips merupakan Startup yang bergerak pada produksi makanan sehat berupa sayur box, jus buah dan berbagi informasi seputar kesehatan. Penelitian ini bertujuan untuk pengembangan untuk merancang model bisnis produk Startup HealthyTips berupa Lean Canvas dengan metode Lean Startup. Metode dalam proses analisi data yaitu menggunakan metode kualitatif. Data primer diperoleh dari melakukan proses wawancara semi terstruktur dengan jumlah 10 informan. Pada tahapan penelitian ini menggunakan tahapan pada metode Lean Startup yaitu Build, Measure dan Learn untuk melakukan pengembangan dan inovasi produk HealthyTips. Pada tahap Build merupakan tahap membuat Minimum Viable Product (MVP), Measure merupakan tahap validasi dengan mengumpulkan data validasi dengan menggunakan tool Empathy Map, Javeline Board dengan hasil valid 8 dari 10 orang menyatakan produk valid dan pada tahap Learn yaitu merupakan hasil tolak ukur untuk melakukan inovasi terhadap produk dan melakukan inovasi model bisnis dengan tool Lean Canvas. Lean Canvas merupakan model bisnis adaptasi dari Business Model Canvas digunakan karena memang valid untuk di implementasikan pada sebuah Startup. Metode Lean Startup dapat untuk mengurangi kegagalan dan biaya yang akan dikeluarkan oleh Startup untuk pengembangan produk sesuai dengan masukan dan keinginan dari pelanggan.

Study The SVM Kernel For Classification Of Covid-19 Vaccine Data On Twitter Styawati Styawati; Andi Nurkholis; Syahirul Alim; Nadiya Safitri
Jurnal Tekno Kompak Vol 17, No 1 (2023): Februari
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jtk.v17i1.2254

The rapid development of Covid-19 in Indonesia in 2020 caused the government too blige all Indonesian people to carry out the Covid-19 vaccination. The public's response to the policy, some agree and some disagree. The response is widely pouredon social media, one of whichis Twitter. Social media Twitter is ranked 5th in the category of the most used social media with a user percentage of 56%. This shows that there is a very large opportunity for data sources that can be used to find out positive and negative public sentiment regarding the Indonesian government's policy regarding Covid-19 vaccination. The method used to classify in this research is Support Vector Machine with various kernels. The kernels used are Linear, RBF, Polynomial, and Sigmoid. The classification results using the kernel are that the RBF kernel produces an accuracy of 88.8%, the Linear kernel produces an accuracy of 88.3%, the Sigmoid kernel produces an accuracy of 87% and the Polynomial kernel produces an accuracy of 85.5%. Based on the classification process that has been carried out, the highest accuracy is generated by the RBF kernel and the lowest accuracy is generated by the Polynomial kernel.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Zaenal Abidin, S.Kom., M.T.

Contact Email
teknokompak@teknokrat.ac.id

Phone
-

Journal Mail Official
teknokompak@tekokrat.ac.id

Editorial Address
-

Location
Kota bandar lampung,

Lampung

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Zaenal Abidin, S.Kom., M.T.

Contact Email teknokompak@teknokrat.ac.id

Phone -

Journal Mail Official teknokompak@tekokrat.ac.id

Editorial Address -

Location Kota bandar lampung, Lampung INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Zaenal Abidin, S.Kom., M.T.

Contact Email
teknokompak@teknokrat.ac.id

Phone
-

Journal Mail Official
teknokompak@tekokrat.ac.id

Editorial Address
-

Location
Kota bandar lampung,

Lampung

INDONESIA