Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

11.095

P-Index

This Author published in this journals

All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) JURNAL SISTEM INFORMASI BISNIS Jurnal Pendidikan Teknologi dan Kejuruan Techno.Com: Jurnal Teknologi Informasi Jurnas Nasional Teknologi dan Sistem Informasi CESS (Journal of Computer Engineering, System and Science) Register: Jurnal Ilmiah Teknologi Sistem Informasi KLIK (Kumpulan jurnaL Ilmu Komputer) (e-Journal) InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Informatika Upgris E-Dimas: Jurnal Pengabdian kepada Masyarakat JOIN (Jurnal Online Informatika) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) SemanTIK : Teknik Informasi JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING JIKO (Jurnal Informatika dan Komputer) AKSIOLOGIYA : Jurnal Pengabdian Kepada Masyarakat JURNAL MEDIA INFORMATIKA BUDIDARMA JURNAL ILMIAH INFORMATIKA SINTECH (Science and Information Technology) Journal Jurnal Infomedia Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer ALGORITMA : JURNAL ILMU KOMPUTER DAN INFORMATIKA J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) IJISTECH (International Journal Of Information System & Technology) KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) The IJICS (International Journal of Informatics and Computer Science) JURIKOM (Jurnal Riset Komputer) JURTEKSI Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) TIN: TERAPAN INFORMATIKA NUSANTARA Brahmana : Jurnal Penerapan Kecerdasan Buatan Jurnal Tunas Journal of Computer Networks, Architecture and High Performance Computing Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Revolusi Indonesia JiTEKH (Jurnal Ilmiah Teknologi Harapan) IJISTECH RESOLUSI : REKAYASA TEKNIK INFORMATIKA DAN INFORMASI JPM: JURNAL PENGABDIAN MASYARAKAT DEVICE Journal of Informatics Management and Information Technology KLIK: Kajian Ilmiah Informatika dan Komputer J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Penelitian Inovatif BEES: Bulletin of Electrical and Electronics Engineering JOMLAI: Journal of Machine Learning and Artificial Intelligence Jurnal Krisnadana STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Jurnal Krisnadana Journal of Informatics, Electrical and Electronics Engineering

Wanto, Anjar

STIKOM Tunas Bangsa, Pematangsiantar, Indonesia.

Author-ID : 621424

Aerospace Engineering Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 123 Documents Claim Missing Document

Claim Missing Document

Articles

2 3 4 5 6

Model Jaringan Saraf Tiruan untuk Estimasi Penduduk Miskin di Indonesia Sebagai Upaya Pengentasan Kemiskinan Anjar Wanto; Jaya Tata Hardinata
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Penelitian ini bertujuan menentukan model arsitektur jaringan terbaik yang tepat untuk melakukan estimasi Penduduk Miskin di Indonesia menggunakan salah satu algoritma jaringan saraf tiruan, yakni dengan metode Bayesian Regulation. Metode ini melakukan fungsi pelatihan jaringan dengan cara memperbarui bobot dan nilai bias menurut pengoptimalan LevenbergMarquardt. Data yang digunakan pada penelitian ini adalah data penduduk miskin tiap provinsi di Indonesia tahun 2012 sampai tahun 2018 berdasarkan semester, yang bersumber dari Badan Pusat Statistik Indonesia (BPS). Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan yang digunakan dengan metode Bayesian Regulation, antara lain 10-5-10-2, 10-10-15-2, 10-15-10-2, 10-15-20-2, dan 10-25-25-2. Dari 5 model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-25-25-2 (10 adalah input layer, 25 adalah jumlah neuron hiden layer pertama dan 25 selanjutnya juga merupakan jumlah neuron hiden layer kedua, 2 adalah output layer). Tingkat akurasi dari model arsitektur ini adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan 0,00005189. Dari penentuan model terbaik ini selanjutnya akan dapat digunakan untuk mengestimasi penduduk miskin di Indonesia sebagai upaya dini pemerintah dalam pengentasan kemiskinan.

Analisis Metode Trend Parabolic untuk Proyeksi Indeks Pembangunan Manusia di Indonesia Ika Okta Kirana; Zulaini Masruro Nasution; Anjar Wanto
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Penelitian ini membahas tentang analisis metodeTrend Parabolic untuk melakukan proyeksi terhadap IndeksPembangunan Manusia di Indonesia. Hal ini karena IndeksPembangunan Manusia (IPM) merupakan indikator yang sangatpenting dalam mengukur keberhasilan sebagai upaya membangunkualitas hidup penduduk/masyarakat pada sebuah wilayah/negara,termasuk Indonesia. Data yang digunakan adalah data IndeksPembangunan Manusia di Indonesia yang diperoleh dari BPS tahun2010-2018. Variabel yang digunakan adalah data IPM di Indonesiatahun 2010 hingga tahun 2018. Selanjutnya data ini akan dianalisisdan diproyeksi menggunakan metode Trend Parabolic untuk tahunyang sama yakni tahun 2010-2018. Setelah itu dilakukan analisisperbandingan data Indeks Pembangunan Manusia data asli dengandata hasil proyeksi. Setelah dilakukan perhitungan, diperoleh selisihantara data asli dengan data hasil proyeksi sangat dekat sekali,dengan tingkat MSE sebesar 0,017. Sehingga dapat disimpulkanbahwa metode Trend Parabolic sangat baik digunakan untukmelakukan proyeksi Indeks Pembangunan Manusia tahun 2019 danseterusnya.

Penerapan Metode Resilient dalam Menentukan Model Arsitektur Terbaik untuk Prediksi Pengangguran Terbuka di Indonesia Widodo Saputra; Jaya Tata Hardinata; Anjar Wanto
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2019: Peran Sains Data Dari Perspektif Akademisi dan Praktisi
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

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

Metode Resilient merupakan salah satu metode Jaringan Saraf Tiruan yang sering digunakan untuk melakukan sebuah prediksi, terutama pada data times series (berkelanjutan). Metode ini mampu melakukan prediksi dengan belajar dari data-data yang sudah pernah terjadi sebelumnya dengan terlebih dahulu membentuk model arsitektur jaringan yang tepat. Oleh karena itu, penelitian ini akan membahas tentang model arsitektur jaringan terbaik yang tepat untuk melakukan prediksimenggunakan metode Resilient. Metode ini pengembangan dari metode Backpropagation. Data yang digunakan pada penelitian ini adalah data pengangguran terbuka menurut pendidikan tertinggi yang ditamatkan di Indonesia tahun 2005-2018 berdasarkan semester, yang bersumber dari Survei Angkatan Kerja Nasional (Sakernas) yang diperoleh dari website Badan Pusat Statistik Indonesia. Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan yang digunakan dengan metode Resilient, antara lain 12-6-2, 12-12-2, 12-18-2, 12-24-2, 12-12-12-2, 12-12-18-2, 12-18-18-2 dan 12-18-24-2. Dari 8 model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 12-18-2 (12 adalah input layer, 18 adalah jumlah neuron hiden layer dan 2 adalah output layer). Tingkat akurasi dari model arsitektur untuk semester 1 dan semester 2 ini adalah 75% dengan nilai MSE sebesar 0,00052083 dan 0,00105823.

Pelatihan Pemanfaatan Mendeley Desktop Sebagai Program Istimewa Untuk Akademisi Dalam Membuat Citasi Karya Ilmiah Agus Perdana Windarto; Dedy Hartama; Anjar Wanto; Iin Parlina
Aksiologiya: Jurnal Pengabdian Kepada Masyarakat Vol 2, No 2 (2018): Agustus
Publisher : Universitas Muhammadiyah Surabaya

Desktop mendeley application is actually an application intended to facilitate the creation of citations and a list of libraries commonly used by the authors, so the authors will be pressed error in making the bibliography and facilitate in obtaining the writings to be cited. In addition to creating scientific papers, this application can also be used to manage the files of online journal articles that are the output of a scientific work. Furthermore, participants can utilize this application for the purpose of making a bibliography or collection of abstracts of certain fields of journal articles subscribed. Training activities undertaken in Community Service activities show that participants have a material understanding and the potential to make refernsi managers better and maximum by utilizing mendeley desktop applications.

Optimasi Prediksi Dengan Algoritma Backpropagation Dan Conjugate Gradient Beale-Powell Restarts Anjar Wanto
Jurnal Nasional Teknologi dan Sistem Informasi Vol 3, No 3 (2017): Desember 2017
Publisher : Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v3i3.2017.370-380

Optimization of a prediction (forecasting) is very important to do so that the predicted results obtained to be better and quality. In this study, the authors optimize previous research that has been done by the author using backpropagation algorithm. The optimization process will use Conjugate Gradient Beale-Powell Restarts. Data to be predicted is Consumer Price Index data based on health group from Medan Central Bureau of Statistics from 2014 until 2016. Previous research using 8 architectural models, namely: 12-5-1, 12-26-1, 12-29 -1, 12-35-1, 12-40-1, 12-60-1, 12-70-1 and 12-75-1 with best architectural models 12-70-1 with an accuracy of 92%. In contrast to previous research concentrating on finding accuracy using backpropagation, this study will optimize the backpropagation with Conjugate Gradient Beale-Powell Restart, which not only focuses on accuracy but also the convergence of the two algorithms and the translation of predicted results, which is not done in a previous study. This research will use the same architectural model as the previous research and will get the result with the accuracy of 92% with the best architectural model that is 12-70-1 (same as previous research). Thus, this model is good enough for prediction even with different algorithms, since the accuracy of converging backpropagation with Conjugate Gradient Beale-Powell Restarts.

ESTIMASI PENDUDUK MISKIN DI INDONESIA SEBAGAI UPAYA PENGENTASAN KEMISKINAN DALAM MENGHADAPI REVOLUSI INDUSTRI 4.0 Anjar Wanto; Jaya Tata Hardinata
CESS (Journal of Computer Engineering, System and Science) Vol 4, No 2 (2019): JULI 2019
Publisher : Universitas Negeri Medan

Kemiskinan merupakan masalah serius yang dihadapi Indonesia. Oleh karena itu, penulis mencoba membantu pemerintah dengan melakukan analisa untuk melihat tingkat perkembangan penduduk miskin di Indonesia untuk tahun yang akan datangi. Metode yang digunakan untuk melakukan hal ini adalah jaringan saraf tiruan Bayesian Regulation. Metode ini merupakan pengembangan dari metode backpropagation yang sering digunakan untuk mengestimasi data. Data yang digunakan adalah data penduduk miskin di Indonesia tahun 2012-2018, yang bersumber dari Badan Pusat Statistik Indonesia. Berdasarkan data ini akan dibentuk dan ditentukan model arsitektur jaringan yang digunakan dengan metode Bayesian Regulation, antara lain 10-5-10-2, 10-10-10-2, 10-10-15-2, 10-10-20-2, 10-15-10-2, 10-15-15-2, 10-15-20-2, 10-20-20-2, 10-25-25-2 dan 10-30-30-2. Dari 10 model ini setelah dilakukan pelatihan dan pengujian diperoleh hasil bahwa model arsitektur terbaik adalah 10-25-25-2. Tingkat akurasi dari model arsitektur ini adalah 94,1% dan 61,8% dengan nilai MSE sebesar 0,00013571 dan 0,00005189. Hasil penelitian ini berupa estimasi penduduk miskin untuk 5 tahun yang akan datang

MEMANFAATKAN ALGORITMA K-MEANS DALAM MENENTUKAN PEGAWAI YANG LAYAK MENGIKUTI ASESSMENT CENTER UNTUK CLUSTERING PROGRAM SDP Iin Parlina; Agus Perdana Windarto; Anjar Wanto; M.Ridwan Lubis
CESS (Journal of Computer Engineering, System and Science) Vol 3, No 1 (2018): Januari 2018
Publisher : Universitas Negeri Medan

Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan. Teknik Data mining mempunyai beberapa metode dalam mengelompokkan salah satu teknik yang dipakai penulis saat ini adalah K-Means. Dalam hal ini penulis mengelompokan data daftar program SDP tahun 2017 untuk mengetahui manakah pegawai yang layak lolos dalam program SDP sehingga dapat melakukan Registrasi Asessment Center. Pengelompokan tersebut berdasarkan kriteria – kriteria data Program SDP. Pada penelitian ini, penulis menerapkan algoritma K-Means Clustering untuk pengelompokan data Program SDP di PT.Bank Syariah. Dalam hal ini, pada umumnya untuk memamasuki program SDP tersebut disesuaikan dengan ketentuan dan parameter Program SDP saja, namun dalam penelitian ini pengelompokan disesuaikan dengan kriteria – kriteria Program SDP seperti kedisiplinan pegawai, Target Kerja Pegawai, Kepatuhan Program SDP. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok SDP pada Program SDP yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok Lolos, Hampir Lolos dan Tidak Lolos. Terdapat pusat cluster dengan Cluster-1= 8;66;13, Cluster-2= 10;71;14 dan Cluster-3=7;60;12. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal.

PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA KABUPATEN/KOTA DI PROVINSI RIAU Anjar Wanto
KLIK- KUMPULAN JURNAL ILMU KOMPUTER Vol 5, No 1 (2018)
Publisher : Lambung Mangkurat University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20527/klik.v5i1.129

Provinsi Riau yang kaya akan Sumber Daya Alam ternyata tidak sebanding dengan jumlah penduduk miskin yang menempati di sejumlah kabupaten/kota di Riau. Contohnya seperti pada tahun 2013 terdapat ± 68.600 penduduk miskin di kabupaten Kampar, atau merupakan yang tertinggi dibandingkan kabupaten/kota lainnya. Oleh karena itu dibutuhkan langkah-langkah strategis agar jumlah penduduk miskin tidak bertambah sepanjang tahun, salah satu nya adalah dengan melakukan prediksi jumlah penduduk miskin untuk tahun-tahun selanjutnya. Cara ini dilakukan agar angka kemiskinan bisa semakin ditekan dengan cara melakukan penganggulangan sejak dini. Data yang akan diprediksi adalah data jumlah kemiskinan kabupaten/kota di Provinsi Riau yang bersumber dari Badan Pusat Statistik Provinsi Riau tahun 2010 sampai dengan 2015. Algoritma yang digunakan untuk melakukan prediksi adalah jaringan saraf tiruan Backpropagation. Algoritma ini memiliki kemampuan untuk mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Ada 5 model arsitektur yang digunakan pada algoritma backpropagation ini, antara lain 4-2-5-1 yang nanti nya akan menghasilkan prediksi dengan tingkat akurasi 8%, 4-5-6-1=25%, 4-10-12-1=92%, 4-10-15-1=100% dan 4-15-18-1=33%. Arsitektur terbaik dari ke 5 model ini adalah 4-10-12-1 dengan tingkat keakurasian mencapai 100% dan tingkat error yang digunakan 0,001-0,05. Sehingga model arsitektur ini cukup baik digunakan untuk memprediksi jumlah kemiskinan. Keywords: Penerapan, Jaringan Saraf Tiruan, Backpropagation, Prediksi, KemiskinanRiau is rich in Natural Resources is not comparable with the number of poor people who occupy in a number of districts/cities in Riau. For example, in 2013 there were ± 68,600 poor people in Kampar district, or the highest compared to other districts. Therefore, strategic steps are needed so that the number of poor people will not increase throughout the year, one of them is to predict the number of poor people for the next years. This way is done so that the poverty rate can be further suppressed by doing the countermeasures early on. The data to be predicted is the data of the number of poverty districts/cities in Riau Province sourced from the Central Bureau of Statistics of Riau Province in 2010 until 2015. Algorithm used to make prediction is the Backpropagation. This algorithm has the ability to remember and make generalizations of what has been there before. There are 5 architectural models, among others 4-2-5-1 which later will produce predictions with an accuracy rate of 8%, 4-56-1=25%, 4-10-12-1=92%, 4-10-15-1=100% and 4-15-18-1=33%. The best architecture of the 5 models is 4-10-12-1 with 100% accuracy and error rate of 0.001-0.05. So this model of architecture is good enough used to predict the amount of poverty. Kata kunci: Implementation, Artificial Neural Network, Backpropagation, Prediction, Poverty

Artificial Neural Network Pada Industri Non Migas Sebagai Langkah Menuju Revolusi Industri 4.0 Iin Parlina; Anjar Wanto; Agus Perdana Windarto
InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Vol 4, No 1 (2019): InfoTekJar September
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/infotekjar.v4i1.1682

The research conducted aims to make predictions with artificial neural metwork (backpopagation) and sensitivity analysis in the non-oil processing industry for the value of industrial exports. Data was obtained from the Badan Pusat Statistik (BPS) in collaboration with the Ministry of Industry of the Republic of Indonesia in the last 7 years (2011-2017). The process is carried out by dividing the data into 2 parts (training and testing) to obtain the best architectural model. The data processing uses the help of Matlab 6.0 software. Model selection is done by try and try to get the best architectural model. In this study using 7 architectural models (15-2-1; 15-5-1; 15-10-1; 15-15-1; 15-2-5-1; 15-5-10-1 and 15- 10-5-1) who have been trained and tested. By using the help of Matlab 6.0 software, the best architectural model is obtained 15-2-1 with an accuracy rate of 93%, epoch training = 189,881, MSE testing = 0.001167108 and MSE training = 0,000999622. The best architecture will be continued to predict the non-oil industry based on the most dominant export value using sensitivity analysis. From the architectural model a prediction of 5 out of 15 non-oil and gas industries contributes: Food Beverage Industry, Textile Apparel Industry, Basic Metal Industry, Rubber Industry, Rubber and Plastic Goods and Metal Goods Industry, Not Machines and Equipment , Computers, Electronics and Optics.

Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia Imelda Asih Rohani Simbolon; Fikri Yatussa’ada; Anjar Wanto
Jurnal Informatika Upgris Vol 4, No 2: Desember (2018)
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v4i2.2423

Illiteracy is one of the most serious issues in Indonesia. The government's ignorance of illiterate people makes the illiteracy rate quite high. It should be one of the government's targets for reducing illiteracy in order to reduce the number of illiterate people. Illiteracy rate in Indonesia itself has reached 34.55% in Papua province. One way to suppress illiteracy rate in Indonesia is by predicting illiterate figures for subsequent years. The data to be predicted is the data of illiterate figures of each province in Indonesia which is sourced from the Indonesian Central Bureau of Statistics from 2011 to 2017. The method used in the prediction is Backpropagation Neural Network. Data analysis was done with the help of matlab software R2011b (7.13). This study uses 5 architectures, 4-5-1, 4-6-1, 4-9-1, 4-14-1 and 4-18-1. From these 5 models the best network architecture is 4-14-1 with 91% accuracy and Mean Squared Error 0,00274166.

Co-Authors Abdi Rahim Damanik Agung Pratama Agung Wibowo Agung Yusuf Pratama Agus Perdana Windarto Andi Sanggam Sidabutar Arifah Hanum Asro Pradipta Ayu Artika Fardhani Azwar Anas Manurung Azwar Anas Manurung Bahrudi Efendi Damanik Bil Klinton Sihotang Cici Astria Daniel Sitorus Dedi Kusbiantoro Dedi Suhendro Dedi Suhendro Dedy Hartama Dedy Hartama Dedy Hartama Dedy Hartama Dedy Hartama Deri Setiawan Desi Insani Natalia Simanjuntak Dewi, Rafiqa Dinda Nabila Batubara Edu Wardo Saragih eko hartato Eko Hartato Eko Kurniawan Eko Purwanto Elfin Efendi Eva Desiana Fajar Ramadan Fikri Yatussa’ada Fitri Anggraini Flora Sabarina Napitupulu GS , Achmad Daengs Gumilar Ramadhan Pangaribuan Hartama, Dedy Hartama, Dedy Herlan F Silaban Heru Satria Tambunan Heru Satria Tambunan Hutasoit, Rahel Adelina Hutasoit, Rahel Adelina Ihsan Maulana Muhamad Iin Parlina Iin Parlina Iin Parlina Iin Parlina Iin Parlina Iin Parlina Ika Okta Kirana Ika Okta Kirana Ika Okta Kirana Ika Okta Kirana Ika Okta Kirana Ika Purnama Sari Ilham Syahputra Saragih Imelda Asih Rohani Simbolon Indra Gunawan Indra Gunawan Indra Gunawan Indra Gunawan Indra Satria Indra Satria Indri Sriwahyuni Purba Irawan Irawan Irfan Christian Saragih Irfan Sudahri Damani, Irfan Sudahri Jalaluddin Jalaluddin Jalaluddin Jalaluddin Jaya T Hardinata Jaya Tata Hardinata Jonas Rayandi Saragih Jonas Rayandi Saragih Joni Wilson Sitopu Jufriadif Na`am, Jufriadif Juli Wahyuni Khairunnissa Fanny Irnanda Kirana, Ika Okta M Mesran M Safii M. Safii M.Ridwan Lubis Marseba Situmorang Martina Silaban Mesran, Mesran Meychael Adi Putra Hutabarat Mhd Ali Hanafiah Mhd Gading Sadewo Mhd. Billy Sandi Saragih Mhd. Buhari Sibuea Mora Malemta Sitomorang Muhammad Aliyul Amri Muhammad Aliyul Amri Muhammad Julham Muhammad Julham Muhammad Mahendra Muhammad Ridwan Lubis Muhammad Ridwan Lubis Muhammad Ridwan Lubis Muhammad Ridwan Lubis Muhammad Syafiq Muhammad Wijaya Nasution, Rizki Alfadillah Nasution, Zulaini Masruro Ni Luh Wiwik Sri Rahayu Ginantra Nur Ahlina Febriyati Nur Arminarahmah Nur Arminarahmah Nuraysah Zamil Purba Nurhayati Nurhayati Okprana, Harly Okta Andrica Putra Poningsih Poningsih Poningsih Poningsih Poningsih Poningsih Poningsih Poningsih Poningsih R Tri Hadi Febriyanto Rahmat W Sembiring Rahmat W. Sembiring Rapianto Sinaga Ratih Puspadini Reza Pratama Rita Mawarni Rizky Khairunnisa Sormin Ronal Watrianthos Roulina Simarmata Roy Chandra Telaumbanua Ruri Eka Pranata S Solikhun S Solikhun S Sumarno Sadewo, Mhd Gading Safruddin Safruddin Saifullah Saifullah Samuel Palentino Sinaga Samuel Palentino Sinaga Sandy Putra Siregar Saputra Ramadani Saragih, Irfan Christian Saragih, Jonas Rayandi Saragih, Mhd. Billy Sandi Sari, Riyani Wulan Sari, Riyani Wulan Sarjon Defit Sigit Anugerah Wardana Silfia Andini Silitonga, Hotmalina Silitonga, Hotmalina Solikhun Solikhun Solikhun Solikhun Solikhun Solikhun Solikhun Solikhun Solikhun, Solikhun Suhada Suhada Suhada Suhada Sumarno Sumarno Sumarno Sumarno Sumarno Sumarno Sundari Retno Andani Sunil Setti Surya Hendraputra Susi Fitryah Damanik Syafri Maradu Manurung Syafrika Deni Rizki Syahri Ramadhan Tia Imandasari Titin Handayani Sinaga Tri Febri Damayanti Tri Welanda Vasma Vitriani Sianipar Venny Vidya utari Vitri Roma Sari Wida Prima Mustika Widodo Saputra Widya Tri Charisma Gultom Widyasuti, Meilin Widyasuti, Meilin Winanjaya, Riki Yuhandri Yuhandri, Yuhandri Yuli Andriani Yuri Widya Paranthy Zulaini Masruro Nasution Zulaini Masruro Nasution Zulaini Masruro Nasution Zulaini Masruro Nasution Zulia Almaida Siregar

Title

Found 123 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 123 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 123 Documents
Search