Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

4.738

P-Index

This Author published in this journals

All Journal Jurnal Ekonomi Pembangunan JURNAL MATEMATIKA STATISTIKA DAN KOMPUTASI Jurnal Pendidikan Ekonomi (JUPE) Jurnal Matematika dan Statistika serta Aplikasinya (Jurnal MSA) Sistemasi: Jurnal Sistem Informasi Paradigma JIKO (Jurnal Informatika dan Komputer) Jurnal Komputasi Faktor Exacta Indonesian Journal of Artificial Intelligence and Data Mining Indonesian Journal of Statistics and Its Applications Jurnal Teknoinfo International Journal of Remote Sensing and Earth Sciences (IJReSES) Jurnal Aplikasi Statistika & Komputasi Statistik EIGEN MATHEMATICS JOURNAL Jurnal Saintika Unpam : Jurnal Sains dan Matematika Unpam Sains, Aplikasi, Komputasi dan Teknologi Informasi J-3P (Jurnal Pembangunan Pemberdayaan Pemerintahan) Jurnal Statistika dan Aplikasinya Business Economic, Communication, and Social Sciences Journal (BECOSS) Engineering, Mathematics and Computer Science Journal (EMACS) Jurnal Kependudukan Indonesia

Nooraeni, Rani

Politeknik Statistika STIS

Author-ID : 2378281

Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities 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 Engineering Environmental Science Industrial & Manufacturing Engineering Mathematics Medicine & Pharmacology Physics Public Health Social Sciences Other

Published : 35 Documents Claim Missing Document

Claim Missing Document

Articles

1 2 3 4

Analisis Sentimen Publik dari Twitter Tentang Kebijakan Penanganan Covid-19 di Indonesia dengan Naive Bayes Classification Ni Putu Gita Naraswati; Rani Nooraeni; Delvira Cindy Rosmilda; Dinda Desinta; Fadhilatul Khairi; Riska Damaiyanti
Sistemasi: Jurnal Sistem Informasi Vol 10, No 1 (2021): Sistemasi: Jurnal Sistem Informasi
Publisher : Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer

AbstrakBeberapa bulan terakhir, penanganan COVID-19 menjadi salah satu permasalahan kompleks yang dihadapi oleh hampir seluruh negara di dunia. Menilik dari hal tersebut, pemerintah membentuk kebijakan guna mencegah semakin meluasnya penyebaran virus diantaranya Pembatasan Sosial Berskala Besar (PSBB), wajib masker, dan jam malam. Kebijakan tersebut mendapat tanggapan yang beragam, tidak terkecuali di media sosial seperti twitter. Berdaarkan hal tersebut, penelitian ini bertujuan untuk menganalisis sentimen publik dari cuitan Twitter mengenai penanganan COVID-19 di Indonesia. Adapun metode yang digunakan Naïve Bayes Classification karena memiliki algoritma yang sederhana dengan akurasi yang tinggi. Hasil penelitian menunjukkan, masyarakat lebih banyak memberikan sentimen negatif terhadap kebijakan penanganan COVID-19 khususnya PSBB, wajib masker, dan jam malam. Pada sentimen positif, tiga kata dengan frekuensi kemunculan terbanyak yaitu demo, jakarta, dan kerja. Sedangkan pada sentimen negatif yaitu jakarta, demo, dan orang. Kemunculan kata “demo” dan “jakarta” pada kedua sentimen menunjukkan bahwa tweet masyarakat mengenai kebijakan penanganan COVID-19 tidak lepas dari peristiwa/kejadian saat pengumpulan data dilakukan. Selain itu, tingginya frekuensi kata “jakarta” pada sentimen negatif juga menunjukkan bahwa pelaksanaan kebijakan penanganan COVID-19 di Jakarta belum dilaksanakan secara optimal. Berdasarkan hasil evaluasi, diperoleh tingkat akurasi klasifikasi sebesar 87,34%, sensitivitas sebesar 93,43%, dan spesifisitas 71,76% yang berarti metode ini sudah cukup baik.Kata Kunci: COVID-19, naïve bayes classification, kebijakan, text mining, twitter AbstractIn recent months, handling COVID-19 has become one of the complex problems faced by almost all countries in the world. In view of this, the government formed policies to prevent the spread of the virus, including Large-Scale Social Restrictions (PSBB), mandatory masks, and curfews. This policy received various responses, including on social media such as Twitter. Based on this, this study aims to analyze public sentiment from Twitter tweets regarding the handling of COVID-19 in Indonesia. The method used is the Naïve Bayes Classification because it has a simple algorithm with high accuracy. The results showed that the public gave more negative sentiments towards the policy of handling COVID-19, especially PSBB, mandatory masks, and curfews. On the positive sentiment, the three words with the highest frequency were “demo”, “jakarta”, and “work”. Meanwhile, the negative sentiment is “jakarta”, “demo”, and “orang”. The appearance of the words "demo" and "jakarta" in both sentiments shows that the public's tweet regarding the policy for handling COVID-19 cannot be separated from the events / incidents when data collection was carried out. In addition, the high frequency of the word “jakarta” in negative sentiments also shows that the implementation of policies for handling COVID-19 in Jakarta has not been implemented optimally. Based on the evaluation results, the classification accuracy rate is 87.34%, the sensitivity is 93.43%, and the specificity is 71.76%, which means that this method is good enough.Keywords: COVID-19, naïve bayes classification, policy, text mining, twitter

Analisis Sentimen Data Twitter Mengenai Isu RUU KPK Dengan Metode Support Vector Machine (SVM) Rani Nooraeni; Heny Dwi Sariyanti; Aulia Fikri Fadhilah Iskandar; Siti Fatimatul Munawwaroh; Suciarti Pertiwi; Yulianus Ronaldias
Paradigma Vol 22, No 1 (2020): Periode Maret 2020
Publisher : LPPM Universitas Bina Sarana Informatika

Komisi Pemberantasan Korupsi (KPK) merupakan lembaga independen di Indonesia yang dibentuk pada tahun 2002 untuk mengatasi masalah korupsi di Indonesia. KPK bertanggungjawab kepada publik dan menyampaikan laporannya secara terbuka dan berkala kepada presiden, DPR, dan BPK. Skor CPI Indonesia dari tahun 2015-2018 masih cenderung stagnan yakni berturut-turut 36, 37, 37 dan 38. Sidang Paripurna DPR menyepakati dilakukannya revisi UU KPK menjadi RUU Inisiatif DPR. Polemik yang terjadi sebagai akibat dari ketidakterbukaan DPR atas keputusannya untuk melakukan revisi UU KPK menimbulkan berbagai respon dari masyarakat. Salah satu media yang dapat digunakan untuk melihat respons masyarakat terkait isu ini adalah Twitter. Untuk menganalisis respon masyarakat dengan menggunakan data Twitter, dapat dilakukan dengan analisis sentiment. Metode pengklasifikasian yang digunakan adalah Support Vector Machine (SVM) Radial Basis Function.

Analysis of Multidimensional Poverty Indicators in Indonesia with Association Rules Diana Agustin; Aulia Adita Rahma; Frengky Sele; Raihan Fitrika Azzahra; Rhevita Lula Eksanti; Zahrotul Firdaus; Rani Nooraeni
Jurnal Ekonomi Pembangunan Vol. 18 No. 2 (2020): JURNAL EKONOMI PEMBANGUNAN
Publisher : Pusat Pengkajian Ekonomi dan Kebijakan Publik

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/jep.v18i2.14244

This study was conducted to find patterns of relationships between 14 multidimensional poverty indicators in Indonesia from 2015-2019. To provide a more specific description of the relationship pattern, association rules with the apriori algorithm is used as the analysis method. The preprocessing stage to transform data was carried out using fuzzy functions and data reduction with Multiple Correspondence Analysis (MCA) to support the association analysis process. The results obtained are 15 relationship patterns or rules between items from the multidimensional poverty indicator with a support value of 60%-80% and 100% confidence. This means that the relationship pattern is significantly formed from objects with a strong relationship between the items and can represent poverty records in the last five years. The relationship pattern consists of four combinations of things. Suppose there is a high category decrease in the percentage of poor people indicator, a low category decrease in the open unemployment indicator, a high category increase in the percentage of households indicator according to the source of lighting from electricity, and a low category increase in the percentage indicator of households according to the broadest wall, not bamboo / other. In that case, there is a reduction in multidimensional poverty in Indonesia.

PREDIKSI KASUS COVID-19 MELALUI ANALISIS DATA GOOGLE TREND DI INDONESIA: PENDEKATAN METODE LONG SHORT TERM MEMORY (LSTM) Lisa Widyarsi; Ivana Yoselin Purba Siboro; Peterson Hamonangan Immanuel Sihotang; Satria Dirgantara; Yakobus Natanael Tarigan; Yuniar Putri Awaliyah Risky; Rani Nooraeni
JURNAL SAINTIKA UNPAM Vol 3, No 2 (2021)
Publisher : Program Studi Matematika FMIPA Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/jsmu.v3i2.7786

Salah satu faktor yang diperlukan untuk menekan angka kasus COVID-19 adalah tingginya perhatian atau atensi masyarakat. Hal tersebut terlihat dari intensitas pencarian informasi publik mengenai COVID-19 di platform online bernama Google Trend. Makalah ini bertujuan untuk mendeskripsikan kondisi wabah COVID-19 di masyarakat dengan menggunakan data Google Trend dan memprediksi kasus COVID-19 baik dengan metode nowcasting maupun forecasting dengan menggabungkan data atensi publik dari Google Trend dengan data resmi pertumbuhan COVID-19 di Indonesia. Data yang digunakan berupa data time series harian dari tanggal 1 April hingga 30 September 2020. Metode Regresi Linear Berganda juga digunakan untuk membandingkan hasil prediksi dengan LSTM. Hasil regresi time series menghasilkan RMSE 1060,80. Selain metode analisis time series, prediksi penambahan kasus COVID-19 juga dilakukan menggunakan metode LSTM dengan empat skenario, di mana skenario pertama menghasilkan RMSE 526,59, skenario kedua menghasilkan RMSE 528,81, skenario ketiga menghasilkan RMSE 528,81. RMSE 483,25 dan skenario terakhir menghasilkan RMSE 482,21. Prediksi menggunakan metode LSTM dengan scnario keempat menghasilkan RMSE, sehingga metode LSTM merupakan metode keempat dengan prediksi yang cukup baik.

Analysis of User Sentiment of Twitter to Draft KUHP Nawang Indah Cahyaningrum; Danty Welmin Yoshida Fatima; Wisnu Adi Kusuma; Sekar Ayu Ramadhani; Muhammad Rizqi Destanto; Rani Nooraeni
Jurnal Matematika, Statistika dan Komputasi Vol. 16 No. 3 (2020): JMSK, MAY, 2020
Publisher : Department of Mathematics, Hasanuddin University

Twitter is one of social media where its user can share many responses for a phenomenon through a tweet. This research used 5000 tweets from Twitter users in Bahasa Indonesia with keyword “RUU KUHP(Draft Law of KUHP)” from 16th of September until 22nd of September 2019. That tweets were processed using Rstudio software with sentiment analysis that is one of Text Mining methods. This research aims to classify Twitter users’ responses to RUU KUHP to be negative sentiment, poisitive negative, and neutral. Also, this research also aims to know about topics’ frequencies that were related to RUU KUHP through visualization with bar plot and also wordcloud. This research also aims to know words that are associated with the most frequent words. Form this research, can be known that Twitter users’ responses to RUU KUHP tend to have neutral sentiment that means they did not take side between agreeing or disagreeing. From this research, also can be known about 10 most frequent words, there are kpk, tunda, dpr, pasal, kesal, jokowi, presiden, masuk, ya, and sahkan. Beside that, can be known the other words that are associated with them and also their probability.

Penerapan Metode Random Forest dalam Pengklasifikasian Penerima Kartu BPJS Kesehatan Penerima Bantuan Iuran (PBI) di Kabupaten Karangasem, Provinsi Bali 2017 Qonita Raihananda; I Wayan Edy Darma Putra; Monica Seftaviani Sijabat; Sifa Rofatunnisa; Ibnu Maruf; Hermarwan Hermarwan; Rani Nooraeni
Jurnal Matematika, Statistika dan Komputasi Vol. 17 No. 2 (2021): JANUARY 2021
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/jmsk.v17i2.11710

BPJS Kesehatan is a social security facility provided by the government to all people who are registered as members. BPJS Kesehatan membership is divided into two, namely BPJS for Contribution Assistance Recipients (BPJS PBI) and BPJS Non-Contribution Assistance Recipients (BPJS Non-PBI). In 2019, Bali Province is targeted to achieve Universal Health Coverage of 95 percent so that the Bali Provincial Government has budgeted funds worth IDR 945 billion to finance JKN - KBS services which are integrated with JKN - KIS. Karangasem is one of the four districts in Bali Province that received the most percentage of financing, which is 51 percent of the total budget needed when compared to other areas. This study aims to classify the BPJS-PBI recipient community based on education variables, employment indicators, age, and per capita expenditure in Karangasem Regency in 2017. The classification method used in this study is the random forest method. The results showed that the per capita expenditure variable had the largest contribution in classifying the status of PBI participants. The model that is formed produces an accuracy of 0.8017. This means that the model can predict 80.17 percent testing data correctly.

PENERAPAN METODE RANDOM FOREST UNTUK KLASIFIKASI WANITA USIA SUBUR DI PERDESAAN DALAM MENGGUNAKAN INTERNET (SDKI 2017) Intan Maulida Khoirun Nisa'; Rani Nooraeni
Jurnal MSA ( Matematika dan Statistika serta Aplikasinya) Vol 8 No 1 (2020): Volume 8 Nomor 1
Publisher : Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/msa.v8i1.13162

Internet adalah salah satu media penyebarluasan pengetahuan mengenai alat kontrasepsi. Alat kontrasepsi diketahui sebagai pengendali fertilitas. Faktannya, masih terdapat 32 persen desa di Indonesia yang belum dapat mengakses internet. Berdasarkan data SDKI 2017, tingkat fertilitas di desa relatif lebih tinggi daripada di kota. Fertilitas yang tinggi di daera perdesaan disebabkan oleh rendahnya pengetahuan mengenai penggunaan alat kontrasepsi. Berdasar pada data SDKI pula, kebutuhan alat atau cara KB belum terpenuhi di perdesaan. Oleh karena itu, penelitian ini bertujuan untuk mengetahui faktor-faktor yang memengaruhi WUS di pedesaan dalam menggunakan internet menggunakan model random forest. Model rabdom forest dapat digunakan untuk memprediksi variabel prediktor. Model yang dibentuk menggunakan 80 persen dari data total dengan jumlah data sebanyak 35.939 data dan data testing yang digunakan sebanyak 8.984 data. Terdapat tiga variabel yang digunakan dalam penelitian ini yaitu umur, tingkat pendidikan yang ditamatkan, dan indeks kekayaan. Seluruh variabel yang didapat dari SDKI tahun 2017 dengan beberapa modifikasi. Dalam model yang terbentuk, variabel yang memiliki kontribusi terbesar adalah tingkat pendidikan yang ditamatkan.

PENERAPAN METODE RESAMPLING DALAM MENGATASI IMBALANCED DATA PADA DETERMINAN KASUS DIARE PADA BALITA DI INDONESIA (ANALISIS DATA SDKI 2017) Andriansyah Muqiit WS; Rani Nooraeni
Jurnal MSA ( Matematika dan Statistika serta Aplikasinya) Vol 8 No 1 (2020): Volume 8 Nomor 1
Publisher : Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/msa.v8i1.13452

Data yang memiliki rasio yang tidak berimbang antara data satu dengan data lainnya dapat dikatakan sebagai imbalanced. Metode Synthetic Minority Oversampling Technique (SMOTE) merupakan metode yang populer diterapkan dalam rangka menangani imbalanced. Pada penelitian ini penulis ingin membandingkan model data sebelum dan data sesudah dilakukan oversampling menggunakan analisis regresi logistik berganda. Data yang digunakan adalah data sekunder dari hasil Survei Demografi dan Kesehatan (SDKI) tahun 2017. Variabel respon (dependent) yang digunakan adalah balita mengalami diare dalam dua minggu terakhir sebelum pencacahan. Variabel penjelas dikelompokkan menjadi dua yaitu faktor sosio-demografi dan faktor lingkungan. Variabel penjelas yang termasuk ke dalam faktor sosio-demografi antara lain jenis kelamin balita, umur balita, umur ibu, dan tingkat pendidikan ibu. Sedangkan variabel penjelas yang merupakan faktor lingkungan antara lain sumber air minum, jenis fasilitas toilet, jenis lantai rumah utama, dan daerah tempat tinggal. Berdasarkan penelitian yang telah dilakukan dapat disimpulkan bahwa model dengan data hasil SMOTE pada uji parsial menghasilkan lebih banyak variabel yang signifikan dibandingkan dengan model dengan data tanpa SMOTE.

ANALISIS SPASIAL ANGKA MORBIDITAS JAWA TENGAH MENURUT KABUPATEN/KOTA TAHUN 2017 Aprilia Lutviana Dewi; Rani Nooraeni; Aprillia Anis Saputri; Emalia Septiani Hirma; Firza Refo Adi Pratama; Fiqih Tri Mahendra
Jurnal MSA ( Matematika dan Statistika serta Aplikasinya) Vol 8 No 1 (2020): Volume 8 Nomor 1
Publisher : Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/msa.v8i1.13749

Morbiditas merupakan salah satu indikator yang digunakan untuk mengukur derajat kesehatan penduduk. Penduduk di pulau Jawa memiliki derajat kesehatan lebih baik dibandingkan wilayah lain. Namun angka morbiditas di Jawa Tengah pada tiga tahun terakhir ini lebih tinggi daripada angka morbiditas Indonesia. Penelitian ini bertujuan untuk menganalisis angka morbiditas Provinsi Jawa Tengah secara spasial untuk menelusuri faktor-faktor yang mempengaruhi angka morbiditas Provinsi Jawa Tengah menurut kabupaten/kota secara spasial tahun 2017. Metode analisis yang digunakan adalah analisis deskriptif dengan peta tematik dan analisis autokorelasi spasial. Autokorelasi spasial diukur melalui indeks Moran. Sedangkan untuk analisis variabel-variabel secara spasial yang mempengaruhi angka morbiditas dilakukan dengan model Spatial Autoregressive Model karena terdapat dependensi lag pada kabupaten/kota di Jawa Tengah. Dengan pemodelan SAR, didapatkan variabel prediktor yang signifikan memengaruhi variabel respon yaitu morbiditas pada alfa 11% adalah variabel kemiskinan atau X3 dan variabel rasio fasilitas kesehatan per 30000 penduduk atau X5 dengan nilai R2 46%.

Penerapan Metode Naïve Bayes dalam Analisis Persepsi Masyarakat mengenai Rencana Pengesahan RUU Omnibus Law di Bidang Investasi dan Ketenagakerjaan Tahun 2020 di Indonesia Najia Helmiah; Rani Nooraeni; Aldi Rochman Nulkarim; Nufaisa Munia; Amalia Susanti; Amran Pratama Putra; Febi Taufiqurrahman
Jurnal MSA ( Matematika dan Statistika serta Aplikasinya) Vol 8 No 2 (2020): Volume 8 Nomor 2
Publisher : Universitas Islam Negeri Alauddin Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/msa.v8i2.16743

Saat ini, RUU Omnibus Law di Indonesia menjadi kontroversi, khususnya mengenai RUU Cipta Kerja karena dianggap memiliki dampak negative bagi pekerja/buruh. Hal tersebut terlihat dari banyaknya unjuk rasa yang dilakukan dalam rangka menolak RUU tersebut. Penyampaian pendapapat tidak hanya dilakukan melalui unjuk rasa, tetapi juga dapat melalui media social. Salah satunya adalah twitter. Sehingga, penelitian ini bertujuan untuk mengklasifikasikan opini masyarakat mengenai rencana pengesahan RUU Omnibus Law melalui data twitter. Analisis sentiment, asosiasi kata, dan metode Naïve Bayes Classifier diterapakan untuk mengetahui kata-kata yang sering dicuitkan mengenai Omnibus Law dan keterkaitan antar kata, serta mengklasifikasikan opini masyarakat terhadap rencana pengesahan RUU Omnibus Law baik secara emosional maupun secara polaritas. Data yang digunakan adalah data cuitan twitter dari tanggal 5 Januari 2020 hingga 30 Agustus 2020 dengan data hasil preprocessing sebanyak 8820 tweets. Hasilnya menunjukan bahwa sebagaian besar kata dalam tweet membahas tentang ketenagakerjaan. Berdasarkan analisis asosiasi kata, kata investasi memiliki keterkaitan yang erat dengan pertumbuhan ekonomi serta kemudahan regulasi, sedangkan kata cipta memiliki keterkaitan erat dengan penciptaan lapangan pekerjaan, dan kata buruh memiiki keterkaitan erat dengan penolakan. Kemudian, berdasarkan analisis sentiment, 54% cuitan terklasifikasi sebagai sentiment negative dan 46% cuitan terklasifikasi sebagai sentiment positif. Dengan metode Naïve Bayes, model yang terbentuk dapat mengklasifikasikan 87.1% cuitan twitter dengan benar atau dengan kata lain tingkat akurasi model sebesar 87.1%.

Co-Authors Adinda Hermambang Aditya Firman Baktiar Adrian Firmansyah Afifatul Ilma Widyatami Aisyah Nur Fahira Aldi Rochman Nulkarim Amalia Susanti Amelia Syahadati Amirah Balqis Safiruddin Amran Pratama Putra Ana Pangestika Andriansyah Muqiit WS Anindia Wahyu Inayah Annisa Putri Ramadhanty Aprilia Lutviana Dewi Apriliansyah Mahmud Aprillia Anis Saputri Arul Fathurrahman Arya Damar Prakasa Arya Wahyu Nugroho Astrid C. A. Pangaribuan Astry Julyana Eliawati Aulia Adita Rahma Aulia Fatin Afifah Aulia Fikri Fadhilah Iskandar Ayufi Reyza Zakaria Cesaria Dewi Choirul Ummah Danty Welmin Yoshida Fatima Delvira Cindy Rosmilda Dewi Retno Oscarini Diana Agustin Dinda Desinta Diva Arum Mustika Dwi Cahyo Firmansyah Elina Mayasari Elvera Wahyu Triana Emalia Septiani Hirma Emban Permata Siam Ersa Budi Sutanto Eunike Sola Gratia Evita Dyah Wardhani Fadhilatul Khairi Fajar Hari Dwiono Fathin Nadillah Fathul Sanusi Febi Taufiqurrahman Fiqih Tri Mahendra Firza Refo Adi Pratama Frengky Sele Galang Madya Putra Galuh Sri Natungga Dewi Susilo Putri Garinca Firgiana Santoso Geraldi Putra Prasetya Balebu Ghita Nurfalah Ghytsa Alif Jabir Gona Asri Wijayanti Helen Fricylya Br Tobing Heny Dwi Sariyanti Hermarwan Hermarwan Herpanindra Fadhilah I Wayan Edy Darma Putra Ian Tryaldi Halim Ibnu Maruf Iffati Uzma Indonesian Journal of Statistics and Its Applications IJSA Ineke Kristin Dwi Astuti Intan Maulida Khoirun Nisa' Isdhani Nurrahmah Ivana Yoselin Purba Siboro Krisna Dwi Agung Kuncoro Dwi Dhanutama Lady Deborah Latifah Hasanah Lisa Widyarsi M. Alfa Rizki Machsus Machsus Margareth Dwiyanti Simatupang Marita Mutiara Sinsyi Megananda Ghowo Rizky Meilani Thereza Saragih Mikha Aprilio Miko Oktavio Wijaya Monica Seftaviani Sijabat Muhamad Bagus Adji Briliyanto Muhamad Zidan Nuralifian Muhammad Rizqi Destanto Mula Warman Mustika Putri Muti Nurjannah Fitri Nada Nabila Rosyad Nadhifan Humam Fitrial Najia Helmiah Nawang Indah Cahyaningrum Ni Luh Putu Yayang Septia Ningsih Ni Putu Gita Naraswati Noval Irgi Zekha F Novert Cyril Lengkong Nufaisa Munia Nurfitri Aulia Nurhidayatul Fitri Nurul Hanifah Septiani Ouditiana Safitri Peterson Hamonangan Immanuel Sihotang Pramudya Kusuma Putri Tareka Navasha Qonita Raihananda Raihan Fitrika Azzahra Rhevita Lula Eksanti Ria Dotul Ilmia Ridson Alfarizal Pulungan Riska Damaiyanti Rizka Wulandari Roy Pratama Wijaya Salsa Vira Satria Dirgantara Satria Kurnia Areka Sekar Ayu Ramadhani Sifa Rofatunnisa Siti Andhasah Siti Andhasah Siti Fatimatul Munawwaroh Sri Rahayu Yogyana Sinurat Suciarti Pertiwi Syifa Rahmawati Hakim Takdir Viana Mei Reistiani Vina Astriani Wilda Maria Ulfa Windri Wucika Bemi Wisnu Adi Kusuma Yakobus Natanael Tarigan Yolanda Rizkie A Yolanda Rizkie Aprilia Yongki Ramanda Putra Yulianus Ronaldias Yuniar Putri Awaliyah Risky Yusuf Yahya Zahrotul Firdaus

Title

Found 35 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 35 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 35 Documents
Search