Garuda - Garba Rujukan Digital

Article Per Year (5 Year)

All

Tematik : Jurnal Teknologi Informasi Komunikasi

tematik
Website

Published by POLITEKNIK LP3I BANDUNG

ISSN : 23559055 EISSN : 24433640 DOI : 10.38204

Core Subject : Science,

Computer Science & IT

TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi merupakan jurnal ilmiah sebagai bentuk pengabdian dalam hal pengembangan bidang Teknologi Informasi Dan Komunikasi serta bidang terkait lainnya. TEMATIK - Jurnal Teknologi Informasi Dan Komunikasi diterbitkan oleh LPPM dan Program Studi Manajemen Informatika di Politeknik LP3I Bandung. Redaksi mengundang para dosen, peneliti dan professional dari dunia industri dan kerja untuk menulis karya ilmiah dan pengalaman praktis di lapangan terkait implementasi Informatika dan Komputer.

Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi

Articles 264 Documents

23 24 25 26 27

Studi Komparatif Algoritma Machine Learning dengan Teknik Bagging dan AdaBoost pada Klasifikasi Kanker Payudara Pramudita, Rully; Safitri, Nadya; Nazah, Vina Zahrotun
TEMATIK Vol. 12 No. 1 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Juni 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i1.2435

This study aims to evaluate and compare the performance of five Machine Learning classification algorithms—Support Vector Machine (SVM), Neural Network (NN), Logistic Regression (LR), Decision Tree (DT), and K-Nearest Neighbors (KNN)—in detecting breast cancer using the Breast Cancer Wisconsin (Diagnostic) dataset. The evaluation was conducted in stages, beginning with baseline model training, followed by optimization using Bagging ensemble techniques, and further enhanced with the Adaboost algorithm. Model performance was assessed using accuracy, confusion matrix, ROC curve, and Area Under Curve (AUC) metrics. The results show that Logistic Regression demonstrated the most consistent performance, achieving 97.1% accuracy and the highest AUC of 99.7% after Adaboost was applied. Decision Tree also showed noticeable improvement in both accuracy and AUC. In contrast, Neural Network and KNN models were found incompatible with Adaboost. These findings highlight that the effectiveness of ensemble techniques is highly dependent on the nature of the base algorithm. This research contributes to a better understanding of how to select and combine classification algorithms with appropriate optimization strategies to improve the accuracy of breast cancer diagnosis.

Peningkatan Keterampilan Santri Preneurship Dalam Rangka Membangun Pesantren Yang Mandiri di Era Digital Ma'sum, Hadiansyah; Sholihannisa, Lulu Ulfa; Sahi, Ahmad
TEMATIK Vol. 10 No. 2 (2023): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2023
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar

Sistem pendidikan Islam di Indonesia dikembangkan melalui pesantren. Sejarah mencatat pesantren telah berdiri jauh sebelum berdirinya negara kesatuan Republik Indonesia. Dalam proses pendidikan di pesantren lebih fokus pada pembelajaran agama, dan pendidikan karakter santri yang beriman dan bertakwa. Tempat penelitian di Pondok Pesantren Miftakhul Khoer yang mengelola Madrasah Tsanawiyah dan Madrasah Aliyah yang berada di Desa Biru Kec Majalaya Kab. Bandung belum produktif mandiri secara ekonomi dan belum efektif secara penggunaan teknologi. Urgensi program ini untuk meningkatkan keterampilan santri agar memiliki kemampuan entrepreneur di era digital. Tujuan dalam program ini melakukan peningkatan keterampilan kepada santri menjadi wirausaha sesuai potensi yang dimiliki dalam rangka membangun pesantren yang mandiri di era digital. Metode yang dilaksanakan terdiri: 1) Persiapan; 2) Pelaksanan; 3) Monitoring; dan 4) Evaluasi. Hasil dari penelitian ini membangun Sistem Informasi Administrasi Pesantren (SIAP) dan peningkatan keterampilan santri sampai mampu membuat kerajinan tangan dari manik-manik dan seni luki kaligrafi sebagai ciri khas muatan lokal pesantren, kemudian mendapatkan pelatihan manajemen pemasaran digital di marketplace.

Perbandingan Kinerja VGG 16 dan ResNet untuk Pengenalan Ekspresi Wajah Mahasiswa Berbasis CNN pada Smart Learning Environment Dian Ade Kurnia; Fatihanursari Dikananda; Saeful Anwar; Dadang Sudrajat; Abdul Aziz
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2590

Perkembangan teknologi kecerdasan buatan (AI) dan visi komputer telah membuka peluang besar dalam penerapan pengenalan ekspresi wajah pada berbagai bidang. Dalam konteks pendidikan tinggi, keterlibatan mahasiswa selama proses belajar menjadi faktor penting yang masih sulit diukur secara objektif menggunakan metode konvensional. Namun pada kenyataannya, penelitian sebelumnya masih jarang menguji performa arsitektur CNN populer secara langsung di lingkungan pembelajaran nyata dengan kondisi pencahayaan dan pose yang beragam. Penelitian ini berkontribusi dengan membandingkan kinerja dua arsitektur deep learning, yaitu VGG-16 dan ResNet, dalam klasifikasi ekspresi wajah mahasiswa pada Smart Learning Environment. Penelitian dilakukan dengan pendekatan eksperimen kuantitatif melalui lima tahapan, yaitu pengumpulan data wajah mahasiswa di kelas, preprocessing berupa cropping, resizing, dan augmentasi, pengembangan model CNN, pelatihan menggunakan data split 80% training dan 20% validasi, serta evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa VGG-16 unggul dalam mengenali ekspresi suka dengan nilai F1-score tertinggi sebesar 85%, sedangkan ResNet relatif lebih baik pada ekspresi bosan dengan F1-score 73,2%. Sementara itu, keduanya sama-sama lemah dalam mengenali ekspresi tidak suka. Temuan ini mengimplikasikan bahwa VGG-16 lebih sesuai digunakan untuk mendukung analisis keterlibatan mahasiswa secara real-time dalam Smart Learning Environment berbasis AI.

Implementasi Framework COBIT 2019 Pada Audit Sistem Informasi Akademik Universitas Kebangsaan Republik Indonesia Fachrully Adira Muhammad; Saputra, Yogi; Putri, Novianti Indah; Arujisaputra, Erwin Teguh; Husain, Adam; Dauni, Popon
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2618

Transformasi digital pada pendidikan tinggi menuntut tata kelola sistem akademik yang terstandar dan terukur, namun banyak institusi menhadapi tantangan dalam dokumentasi formal dan standarisasi proses teknologi informasi. Penelitian ini bertujuan untuk mengaudit Sistem Informasi Akademik (SIAKAD) Universitas Kebangsaan Republik Indonesia (UKRI) menggunakan framework COBIT 2019 guna mengidentifikasi kesenjangan kapabilitas dan strategi perbaikan terstruktur. Penelitian menggunakan pendekatan kuantitatif dengan metode triangulasi, seperti observasi, wawancara, dan kuesioner, yang melibatkan 23 responden, diantaranya 4 internal stakeholder dan 19 mahasiswa. Berfokus pada enam subdomain, yaitu APO02, APO05, APO12, DSS04, MEA01, dan MEA03. Penilaian capability level menunjukkan seluruh subdomain berada pada level 1 – performed process dengan nilai rata-rata berkisar 3,4-4,0 dalam skala Likert (1-5), yang setelah triangulasi data mengonfirmasi proses telah berjalan namun belum terdokumentasi formal. Analisis gap menunjukkan kesenjangan 3 level antara kondisi aktual (level 1) dan target (level 4 – predictable process). Penelitian menghasilkan rekomendasi perbaikan komprehensif yang meliputi penyusunan dokumentasi formal, pembentukan sistem pengelolaan terstruktur, dan implementasi pengukuran kinerja berbasis data. Roadmap pengembangan lima tahun (2026-2030) dirancang melalui lima fase, yaitu Assessment dan Awareness, Dokumentasi dan Integrasi, Implementasi dan Uji Proses, Penetapan dan Integrasi Audit, serta Standarisasi dan Prediktabilitas. System blueprint memetakan transformasi dari kondisi as-is menuju kondisi to-be dengan strategi perbaikan spesifik untuk setiap subdomain. Penelitian ini memberikan kontribusi praktis berupa panduan terstruktur untuk meningkatkan kapabilitas SIAKAD UKRI dari level 1 ke level 4 dalam periode lima tahun, sekaligus menyediakan instrumen audit yang dapat direplikasi oleh institusi pendidikan tinggi lain untuk mewujudkan tata kelola sistem informasi akademik yang berkelanjutan dan terukur.

Evaluasi Faktor Pengaruh Keputusan Konsumen dalam Pembelian Sepeda Motor Listrik Menggunakan Analitical Hierarcy Process Dimas Fathurohman; Lukman Abdul Azizul Hakim; Muhammad Syadif; Aulia Putri Antariksa
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2625

Penelitian ini bertujuan untuk mengidentifikasi faktor dominan yang berperan dalam mempengaruhi keputusan pembelian kendaraan listrik melalui penerapan metode Analytical Hierarchy Process (AHP). Struktur hierarki penelitian terdiri dari lima kriteria utama, yaitu pengetahuan konsumen, harga kendaraan, infrastruktur, insentif pemerintah, dan biaya operasional, yang kemudian dianalisis melalui perbandingan berpasangan berdasarkan penilaian responden. Hasil pengolahan data menunjukkan bahwa pengetahuan konsumen merupakan faktor dengan bobot tertinggi (0,2850), diikuti oleh harga kendaraan (0,1925), infrastruktur (0,1854), insentif pemerintah (0,1725), dan biaya operasional (0,1633). Temuan ini menegaskan bahwa pemahaman konsumen memiliki peran sentral dalam mempercepat penerimaan kendaraan listrik, sementara harga dan infrastruktur tetap menjadi faktor penentu penting. Meskipun hasil penelitian memberikan gambaran prioritas yang jelas, namun terdapat beberapa keterbatasan, antara lain keterbatasan jumlah responden dan potensi subjektivitas dalam penilaian pairwise comparison. Selain itu, penelitian hanya mempertimbangkan lima kriteria utama, sehingga belum mencakup faktor lain seperti regulasi lingkungan, dukungan teknologi, dan aspek sosial. Penelitian selanjutnya disarankan untuk melibatkan responden yang lebih beragam dan mengintegrasikan metode AHP dengan pendekatan multi-kriteria lain guna menghasilkan hasil yang lebih komprehensif. Secara keseluruhan, penelitian ini berkontribusi dalam memberikan dasar empiris bagi pemerintah, produsen, dan pemangku kepentingan untuk merumuskan strategi percepatan penggunaan kendaraan listrik, dengan menekankan pentingnya edukasi konsumen, kebijakan harga yang kompetitif, serta penguatan infrastruktur pendukung.

Analisis Algoritma Machine Learning untuk Gagal Jantung dengan Interpretability SHAP dan LIME I Gede Sugita Aryandana; Leni Anggraini Susanti; Putu Eka Suryadana; Wayan Gede Suka Parwita
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2627

Kesehatan adalah keadaan sejahtera secara fisik, mental, dan sosial yang memungkinkan setiap individu dapat menjalani kehidupan secara produktif. Di antara berbagai dimensi kesehatan, kesehatan fisik menjadi aspek yang paling fundamental karena berperan penting dalam menjaga kualitas hidup manusia. Salah satu indikator utama dari kesehatan fisik adalah fungsi jantung, yang memiliki peran vital dalam mendukung aktivitas dan kinerja tubuh. Gangguan pada fungsi jantung tidak hanya berdampak pada kondisi fisik, tetapi juga dapat memengaruhi kesejahteraan mental dan sosial individu sehingga menyebabkan gagal jantung. Untuk mendeteksi gagal jantung secara dini, diperlukan penelitian dalam penerapan algoritma Machine Learning sebagai metode analisis yang dapat mendukung ketepatan serta efisiensi dalam proses diagnosis. Instrumen yang digunakan dalam algoritma Machine Learning adalah SHAP dan LIME, dengan memanfaatkan dataset medis pasien penderita gagal jantung sebagai objek analisis. Hasil penelitian ini bahwa algoritma random forest merupakan algoritma terbaik dalam memprediksi resikok gagal jantung. Hasil accuracy dari algoritma random forest menunjukkan nilai sebesar 0.8334 secara keseluruhan diikuti dengan nilai rata-rata precission sebesar 0,8125, nilai rata-rata recall sebesar 0,793, nilai rata-rata f1-scorenya sebesar 0,8015 dan nilai UACnya sebesar 0.90. Berdasarkan hasil klasifikasi selanjutnya dilakukan interpretability metode SHAP dan LIME. Hasil metode SHAP memberikan gambaran mendalam mengenai pengaruh variabel utama seperti time, serum creatinine, ejection fraction, dan age terhadap risiko gagal jantung. Hasil metode LIME memberikan hasil secara lokal yang artinya dalam kasus ini, metode LIME menyoroti serum creatinine sebagai variabel utama yang meningkatkan prediksi kematian.

Analisis Sentimen Terhadap Ulasan Aplikasi TikTok menggunakan Fine Tuning IndoBERT Adriansyah Pramana; Asep Id Hadiana; Gunawan Abdillah
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2629

Aplikasi TikTok merupakan salah satu platform media sosial paling populer di Indonesia dengan jutaan ulasan pengguna di Google Play Store. Ulasan ini berisi opini, kritik, apresiasi, maupun keluhan. Ulasan tersebut berpotensi menjadi sumber data penting untuk memahani persepsi pengguna, namun sulit dianalisis secara manual karena jumlahnya yang sangat besar dan penggunaan bahasa Indonesia. Penelitian ini memiliki tujuan untuk menganalisis sentimen terhadap ulasan TikTok menggunakan pendekatan deep learning dengan fine-tuning IndoBERT. Dataset sebanyak 100.002 ulasan diperoleh melalui platform Kaggle dan dilabeli otomatis berdasarkan rating positif, netral dan negatif. Tahapan pra-processing mencakup cleaning, case folding, normalisasi, tokenisasi menggunakan tokenizer IndoBERT. Model IndoBERT kemudian di fine-tune menggunakan data latih sebanyak 80% dan diuji dengan data uji sebanyak 20%. Evaluasi dilaksanakan dengan memakai metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil penelitian memperlihatkan bahwasanya IndoBERT mampu mencapai akurasi 78% dengan performa tinggi pada kelas positif F1-score 0,87 dan negatif F1-score 0,76, namun masih rendah pada kelas netral F1-score 0,00. IndoBERT efektif dalam membedakan sentimen positif dan negatif pada ulasan TikTok, serta dapat berkontribusi secara praktis bagi pengembang aplikasi dalam memahami kebutuhan dan pengalaman pengguna.

Analisis Kinerja Differential Privacy pada Data Resep Medis Menggunakan Laplace dan Gaussian Mechanism Muhammad Akmal Ramadhan; Asep Id Hadiana; Edvin Ramadhan
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2634

Perlindungan data medis menjadi prioritas utama di era digital karena tingginya risiko kebocoran dan penyalahgunaan informasi pasien. Regulasi seperti HIPAA, GDPR, dan Undang-Undang Kesehatan No. 36 Tahun 2009 mewajibkan penerapan keamanan, namun tantangan teknis dalam implementasi masih besar. Differential Privacy (DP) menawarkan pendekatan matematis untuk menjamin privasi dengan menambahkan noise terkontrol sehingga keberadaan individu sulit diidentifikasi tanpa mengurangi nilai analisis data. Penelitian ini bertujuan mengevaluasi efektivitas DP pada dataset prescriptions. Data yang diuji bersumber dari database rekam medis publik MIMIC-III yang mencakup ribuan catatan resep. Empat atribut sensitif (row_id, subject_id, hadm_id, icustay_id) dianalisis menggunakan variasi parameter ε = {0.1, 0.5, 1.0, 5.0}. Evaluasi dilakukan menggunakan Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) untuk menilai trade-off antara privasi dan akurasi. Hasil penelitian menunjukkan bahwa Laplace mechanism lebih stabil dibanding Gaussian dengan nilai RMSE konsisten lebih rendah, terutama pada ε kecil hingga sedang. Gaussian menghasilkan error tinggi pada ε kecil dan baru mendekati Laplace pada ε besar. Kebaruan penelitian ini terletak pada analisis kuantitatif langsung menggunakan RMSE untuk membandingkan kinerja mekanisme Laplace dan Gaussian pada atribut-atribut identitas rekam medis, memberikan bukti empiris praktis yang melengkapi studi sebelumnya yang seringkali bersifat teoretis atau tinjauan umum. Temuan ini menegaskan bahwa pemilihan mekanisme dan parameter ε sangat menentukan kualitas data medis yang diproteksi. Secara praktis, penelitian ini merekomendasikan penggunaan Laplace mechanism dengan ε = 0.5–1.0 untuk implementasi Differential Privacy pada sistem rekam medis elektronik. Konfigurasi

Penerapan Metode Moving Average Untuk Analisis Dan Visualisasi Tren Diagnosis Penyakit Harian Data Rekam Medis R Ramadhan Destyanto; Asep Id Hadiana; Gunawan Abdillah
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2638

Seiring berjalannya waktu, digitalisasi di sektor kesehatan telah menghasilkan jumlah besar Electronic Medical Records (EMR) yang berpotensi dimanfaatkan untuk analisis tren penyakit. Penelitian ini berfokus pada penerapan metode moving average untuk menganalisis dan memvisualisasikan pola diagnosis harian, dengan menekankan perbandingan antara Simple Moving Average (SMA) dan Exponential Moving Average (EMA). Kedua metode ini penting karena mampu menghaluskan fluktuasi data harian, menonjolkan pola utama, serta membantu mendeteksi perubahan tren yang relevan bagi pemantauan penyakit secara real-time. Dataset yang digunakan terdiri atas 995 catatan transaksi diagnosis pasien dari periode observasi tertentu dari rumah sakit TMC Tasikmalaya. Tahapan penelitian mencakup pembersihan data, agregasi frekuensi diagnosis harian, transformasi ke bentuk deret waktu, penyaringan penyakit dengan jumlah kasus memadai, serta penerapan model SMA dan EMA untuk proses perataan data. Hasil analisis menunjukkan bahwa diagnosis “demam tidak spesifik” menempati peringkat tertinggi secara konsisten di semua metode, dengan nilai rata-rata berkisar antara 0,2041–0,2050. Secara kuantitatif, EMA dengan rentang 7 hari terbukti paling optimal karena mampu menyeimbangkan tingkat kesalahan prediksi dan kestabilan tren, dengan nilai Root Mean Square Error (RMSE) sebesar 0,1645 dan Mean Absolute Error (MAE) sebesar 0,0714, menunjukkan adaptivitas yang lebih tinggi dibanding SMA dalam menangkap perubahan harian. Temuan ini menegaskan potensi integrasi EMA-7 ke dalam sistem pemantauan penyakit real-time di rumah sakit, guna mendukung identifikasi dini peningkatan kasus dan pengambilan keputusan berbasis data. Dengan demikian, penelitian ini memperlihatkan peran penting metode moving average dalam analisis tren diagnosis medis serta membuka peluang pengembangan lebih lanjut dalam sistem pendukung keputusan di sektor kesehatan.

Prediksi Risiko Tekanan Darah Tinggi dengan Menerapkan Artificial Neural Network Ilham Kurniawan; Abdussomad, Abdussomad; Wibowo, Agung
TEMATIK Vol. 12 No. 2 (2025): Tematik : Jurnal Teknologi Informasi Komunikasi (e-Journal) - Desember 2025
Publisher : LPPM POLITEKNIK LP3I BANDUNG

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.38204/tematik.v12i2.2663

Hypertension is a chronic disease that serves as a major risk factor for cardiovascular disorders and requires early detection to prevent serious complications. This study aims to develop an Artificial Neural Network (ANN) model for binary classification of individuals with and without hypertension. The training data were used to train the model while monitoring the accuracy and validation loss metrics, whereas model performance was evaluated using accuracy, precision, recall, and F1-score metrics. The results indicate that the ANN model achieved an accuracy of 87.8%, demonstrating a balanced ability to identify both hypertensive and non-hypertensive patients. The confusion matrix shows a high number of correct predictions in both classes, confirming the model’s effectiveness in supporting binary classification for health data. These findings suggest that ANN has the potential to serve as an effective approach to support medical decision support systems, particularly in the early detection of hypertension and in reducing long-term complication risks through more timely interventions.

Page 26 of 27 | Total Record : 264

23 24 25 26 27

Filter by Year

2014 2025

Filter By Issues

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Hadiansyah

Contact Email
kanghadiansyah@plb.ac.id

Phone
+6285220199772

Journal Mail Official
tematik@plb.ac.id

Editorial Address
Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location
Kota bandung,

Jawa barat

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Hadiansyah

Contact Email kanghadiansyah@plb.ac.id

Phone +6285220199772

Journal Mail Official tematik@plb.ac.id

Editorial Address Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location Kota bandung, Jawa barat INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Hadiansyah

Contact Email
kanghadiansyah@plb.ac.id

Phone
+6285220199772

Journal Mail Official
tematik@plb.ac.id

Editorial Address
Program Studi Manajemen Informatika Politeknik LP3I Bandung Jl. Pahlawan No. 59 Bandung 40123 Telp. (022) 2506500, Fax. (022) 2512564 Email : tematik@plb.ac.id

Location
Kota bandung,

Jawa barat

INDONESIA