Artikel Skripsi

Universitas Nusantara PGRI Kediri

IMPLEMENTASI EKSTRAKSI CIRI STATISTIK UNTUK IDENTIFIKASI

KEMATANGAN BUAH BERDASARKAN
TEKSTUR KULIT BUAH

SKRIPSI

Diajukan Untuk Memenuhi Sebagian Syarat Guna

Memperoleh Gelar Sarjana Komputer (S.Kom)
Pada Program Studi Teknik Informatika

Disusun Oleh :

SISKA FITRI ANDRIANI

NPM : 12.1.03.02.0310

FAKULTAS TEKNIK (FT)

UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA
UN PGRI KEDIRI
2016

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 1||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 2||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 3||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

IMPLEMENTASI EKSTRAKSI CIRI STATISTIK UNTUK IDENTIFIKASI

KEMATANGAN BUAH BERDASARKAN
TEKSTUR KULIT BUAH
Siska Fitri Andriani
12.1.03.02.0310
Teknik – Teknik Informatika
sfa9669@gmail.com
Rini Indriati, M.Kom. dan Patmi Kasih, M.Kom.
UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

Semangka (Citrullus Lanatus Tunb/ Citrullus Vulgaris Schrad) adalah tanaman buah yang
tumbuh merambat yang berkembang pesat di Indonesia. Semangka F1 Nina merupakan jenis semangka
berbiji yang banyak ditanam oleh petani di Indonesia terutama di sentra penanaman semangka. Semangka
memiliki banyak manfaat yang menjadikan semangka menjadi salah satu buah yang dicari oleh
masyarakat. Banyaknya permintaan buah semangka membuat semangka banyak dibudidayakan di
Indonesia.
Adanya kemiripan tekstur kulit buah semangka yang matang dengan yang belum matang dan sifat
manusia yang subyektif mengakibatkan orang kesulitan dalam mengidentifikasi tingkat kematangan
semangka. Dari permasalahan tersebut, maka dilakukan penelitian untuk mendeteksi kematangan
semangka berdasarkan tekstur kulit buah. Penerapan metode ekstraksi ciri statistik orde pertama dengan
5 parameter ciri yaitu Mean (μ), Variance (σ2), Skewness (α3), Kurtosis (α4), dan Entropy (H) digunakan
sebagai metode untuk mengenali kematangan semangka dari segi tekstur kulit buah. Data dalam
penelitian ini sejumlah 140 dimana 100 untuk data training dan 40 untuk data testing, yang diambil dari
kamera handphone dan diformat *bmp dengan ukuran 130x130 pixels.
Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan
mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan
antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk
tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur).
Berdasarkan hasil pengujian dengan menggunakan 40 sampel yang terdiri dari 20 citra semangka belum
matang dan 20 citra semangka matang menunjukkan bahwa hasil untuk pengujian semangka belum
matang mencapai 95%, sedangkan untuk semangka matang mencapai 75%. Secara keseluruhan tingkat
keberhasilan aplikasi pengolahan citra untuk identifikasi kematangan semangka berdasarkan tekstur kulit
buah dengan metode ekstraksi ciri statistik yaitu sebesar 85%.

Kata Kunci : Semangka, Kematangan Buah, Tekstur Kulit, Ekstraksi Ciri Statistik

I. LATAR BELAKANG memiliki banyak manfaat yang menjadikan

semangka menjadi salah satu buah yang
Semangka (Citrullus Lanatus Tunb/
dicari oleh masyarakat. Banyaknya
Citrullus Vulgaris Schrad) adalah tanaman
permintaan buah semangka membuat
buah yang tumbuh merambat yang
semangka banyak dibudidayakan di
berkembang pesat di Indonesia. Semangka
Indonesia.

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 4||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
Adanya kemiripan tekstur kulit perluasan mempunyai sifat kemiripan
buah semangka yang matang dengan yang dengan permukaan asalnya (Yuda Permadi
belum matang mengakibatkan orang dan Murinto, 2015).
kesulitan dalam mengidentifikasi buah B. Penajaman Citra (Sharping)
semangka. Karena manusia bersifat Operasi penajaman citra atau
subyektif dalam menentukan kematangan sharping pada dasarnya adalah
buah semangka, menyebabkan penilaian penjumlahan hasil deteksi tepi dengan citra
kematangan buah semangka berbeda dari aslinya. Dengan demikian bagian tepi
satu orang dengan orang yang lainnya. obyek akan terlihat lebih berbeda dengan
Dari permasalahan tersebut, penulis latarnya, sehingga citra terkesan lebih
merasa perlu melakukan penelitian untuk tajam. Disini banyaknya penambahan
mendeteksi kematangan buah semangka komponen citra tepi diatur dengan suatu
berdasarkan tekstur kulit buah. derajat penajaman (α). Dengan nilai α,
tingkat ketajaman citra dapat disesuaikan
II. METODE dengan keinginan(Balza Achmad, 2005).
A. Tekstur Citra C. Ekstraksi Ciri Statistik
Tekstur dicirikan sebagai distribusi Suatu proses klasifikasi citra
spasial dari derajat keabuan didalam berbasis analisis tekstur pada umumnya
sekumpulan pixel-pixel yang bertetangga. membutuhkan tahapan ekstraksi ciri, yang
Jadi, tekstur tidak dapat diidentifikasikan terdiri dari tiga macam metode salah
untuk sebuah pixel, melainkan suatu citra satunya metode statistik. Metode statistik
dianggap sebagai suatu kesatuan. Dapat menggunakan perhitungan statistik
pula dikatakan bahwa tekstur (texture) distribusi derajat keabuan (histogram)
adalah sifat-sifat atau karakteristik yang dengan mengukur tingkat kekontrasan,
dimiliki oleh suatu daerah yang cukup granularitas, dan kekasaran suatu daerah
besar sehingga secara alami sifat tersebut dari hubungan ketetanggaan antar piksel di
dapat berulang dalam daerah tersebut. dalam citra. Paradigma statistik ini
Pengertian dari tekstur dalam hal ini adalah penggunaannya tidak terbatas, sehingga
keteraturan pola-pola tertentu yang sesuai untuk tekstur-tekstur alami yang
terbentuk dari susunan pixel-pixel dalam tidak terstruktur dari sub pola dan
citra. Suatu permukaan dikatakan himpunan aturan (mikrostruktur) (Siska
mempunyai informasi tekstur, jika Riantini Arief, 2011).
luasannya diperbesar tanpa mengubah Dari nilai-nilai pada histogram
skala, maka sifat-sifat permukaan hasil yang dihasilkan dapat dihitung beberapa

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 5||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
parameter ciri, antara lain adalah mean, σ4 : standar deviasi dari nilai
variance, skewness, kurtosis, dan entropy
intensitas keabuan
(Abdul Fadlil, 2012).
fn : nilai intensitas keabuan
1. Mean (μ)
μ : nilai mean
Menunjukkan ukuran dispersi dari suatu
P(fn) : nilai histogram
citra.
𝑁 D. Kematangan Buah Semangka
𝜇 = ∑ 𝑓𝑛 𝑃(𝑓𝑛) (1) Buah semangka yang matang dapat
𝑛=0
ditandai dengan semangka yang berat,
2. Variance (σ2)
setelah terjadi perubahan warna kulit buah
Menunjukkan variasi elemen pada
yang agak kehijauan atau putih menjadi
histogram dari suatu citra.
𝑁
hijau terang, kulitnya halus, semangka
𝜎 2 = ∑(𝑓𝑛 − 𝜇)2 𝑃(𝑓𝑛) (2) yang bebas luka goresan terutama pada
𝑛=0
bagian daging buah semangka, ketuk
3. Skewness (α3)
semangka dengan jari atau satu tangan
Menunjukkan tingkat kemencengan atau
sambil mendengarkan suara. Bila
kemiringan relatif kurva histogram dari
menghasilkan gema, itu menunjukkan
suatu citra.
daging semangka padat. Jika warnanya
𝑁
1
𝛼3 = 3 ∑(𝑓𝑛 − 𝜇)3 𝑃(𝑓𝑛) (3) agak kusam, maka semangka tersebut
𝜎
𝑛=0
sudah matang (Andri Daniel, cetakan
4. Kurtosis (α4)
pertama).
Menunjukkan tingkat keruncingan relatif
E. Euclidean Distance
kurva histogram dari suatu citra.
Distance atau jarak digunakan
𝑁
1 untuk menentukan tingkat kesamaan
𝛼4 = ∑(𝑓𝑛 − 𝜇)4 𝑃(𝑓𝑛) − 3 (4)
𝜎4
𝑛=0 (similarity degree) atau ketidaksamaan
5. Entropy (H) (disimilarity degree) dua vektor fitur.
Menunjukkan ukuran ketidakaturan bentuk Tingkat kesamaan berupa suatu nilai score
dari suatu citra dan berdasarkan score tersebut dua vektor
𝑁
2 fitur akan dikatakan mirip atau tidak
𝐻 = − ∑ 𝑃(𝑓𝑛) log 𝑃(𝑓𝑛) (5)
𝑛=0 (Darma Putra, 2010).
Dimana: Rumus dari euclidean distance :

σ3 : standar deviasi dari nilai 𝑛

𝑑𝑖𝑗 = √∑(𝑥𝑖𝑘 − 𝑥𝑗𝑘 )2 (6)

intensitas keabuan 𝑘=1

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 6||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
III. HASIL DAN KESIMPULAN Proses testing dilakukan dengan
A. Perancangan Sistem mengambil citra tekstur buah semangka,
Berikut flowchart sistem yang digunakan kemudian dilakukan penajaman citra untuk
untuk menggambarkan bagaimana memperbaiki gambar. Setelah itu citra
perangkat lunak bekerja dalam proses dikonversi ke grayscale dan histogram
pengidentifikasi kematangan buah citra tingkat keabuan. Dan dilakukan
semangka. perhitungan menggunakan 5 parameter ciri
yaitu mean, variance, skewness, kurtosis,
dan entropy. Hasil dari perhitungan 5
parameter ciri kemudian data dibandingkan
dengan nilai minimal ekstraksi ciri
menggunakan Euclidean Distance.

C. Uji Coba Sistem

Gambar 1. Flowchat Sistem Dalam penelitian ini menggunakan
B. Implementasi Sistem citra kulit buah semangka jenis semangka
Sebelum melakukan proses testing, F1 Nina. Dimana untuk menentukan
perlu dilakukan proses training. Dimana tingkat kematangan buah semangka dapat
pada proses ini dilakukan proses dilihat dari tekstur kulit buah semangka.
penajaman citra, konversi citra ke Citra tekstur kulit buah semangka
grayscale, histogram. Hasilnya nanti berukuran 130x130 pixel dengan format
proses menggunakan 5 parameter ciri orde *bmp. Menggunakan 140 citra tekstur kulit
pertama yaitu mean, variance, skewness, buah semangka, 100 citra sebagai data
kurtosis, dan entropy. Setelah didapatkan training. Dan 40 citra tekstur kulit buah
data training, kemudian dihitung nilai semangka digunakan sebagai data testing.
minimal ekstraksi ciri yang akan Dari citra tekstur kulit buah semangka
digunakan sebagai pembanding dalam belum matang dan matang telah diambil
menentukan proses testing. sample masing-masing sebanyak 20 buah.

Tabel 1. Nilai Minimal Ekstraksi Ciri

Nilai Minimal
Matang Belum Matang
Mean 816 8250
Variance 4218006528 4357031250
(a) (b)
Skewness -0,192450 -0,123091
Kurtosis -2,991870 -2,993631 Gambar 2. Citra Kulit Buah Semangka
Entropy -853,929284 -1145,255458 (a) Matang (b) Belum Matang

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 7||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
Perhitungan 5 parameter ciri Belum
16  36 Matang (66) 
Matang (66)
mampu mendeteksi tekstur kulit semangka
Belum
17  37 Matang (67) 
dengan membandingkan nilai hasil Matang (67)

perhitungan nilai minimal ekstraksi ciri 18

Belum
 38 Matang (68) 
Matang (68)
dengan nilai perameter data testing
Belum
19  39 Matang (69) 
menggunakan euclidean distance. Berikut Matang (69)

Belum
dapat dilihat hasil deteksi kematangan 20  40 Matang (70) 
Matang (70)
buah semangka.
Dari hasil deteksi kematangan buah
Tabel 2. Hasil Deteksi Kematangan
semangka dapat diketahui akurasi
Buah Semangka
kebenaran aplikasi. Dimana untuk
Citra Citra
No Hasil No Hasil
Tekstur Asli Tekstur Asli menghitung akurasi data diketahui dari:
Belum 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑖𝑡𝑟𝑎 𝑢𝑗𝑖 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖
1  21 Matang (51)  𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100% (7)
Matang (51) 𝑁
Belum Dimana N adalah jumlah seluruh
2  22 Matang (52) 
Matang (52)
citra yang diujikan. Jika diketahui : N = 40,
Belum
3  23 Matang (53) 
Matang (53) Hasil yang benar = 34, Hasil yang salah =
Belum 6 maka akurasi sistem ini dapat dilihat
4  24 Matang (54) 
Matang (54)
pada tabel 3 :
Belum
5  25 Matang (55) 
Matang (55)
Tabel 3. Akurasi Sistem
Belum
6  26 Matang (56) 
Matang (56)
AKURASI DATA TESTING
Belum
7  27 Matang (57) 
Matang (57) Input Benar (  ) Salah (  )
Belum
8  28 Matang (58)  Belum
Matang (58) 19 1
Matang
Belum
9  29 Matang (59) 
Matang (59) Matang 15 5
Belum
10  30 Matang (60)  34
Matang (60) = 𝑥 100%
Akurasi 40
Belum (%)
11  31 Matang (61)  = 85%
Matang (61)

Belum
12  32 Matang (62) 
Matang (62) Dari tabel akurasi sistem tersebut
13
Belum
 33 Matang (63)  didapatkan tingkat akurasi untuk
Matang (63)
identifikasi kematangan mentimun
Belum
14  34 Matang (64)
Matang (64)  berdasarkan perhitungan tekstur citra
Belum dengan metode ekstraksi ciri statistik yaitu
15  35 Matang (65)
Matang (65) 
mencapai 85%.

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 8||

D. Interface
Tampilan form utama aplikasi pengolahan
citra untuk identifikasi kematangan buah
semangka berdasarkan tekstur kulit buah
dengan metode ekstraksi ciri statistik yaitu
seperti Gambar 3. dibawah ini :
Gambar 3. Form Utama
Pada form utama terdapat 4 tombol
yaitu tombol training digunakan untuk
mendapatkan nilai ekstraksi ciri yang
digunakan untuk data training. Tombol
testing digunakan untuk proses testing
dimana proses ini adalah
pengenalan citra testing. Tombol database
digunakan untuk memanggil form hasil
ekstraksi ciri yang berisi data training.
Nilai minimal digunakan untuk memanggil
nilai minimal ekstraksi ciri
didapatkan dari nilai hasil ekstraksi ciri.
Gambar 4. Form Training
Form training digunakan untuk
menginputkan data training yang disimpan
pada tabel hasil ekstraksi ciri. Tombol citra
digunakan untuk menginputkan
training, tombol tajamkan
menajamkan citra dengan teknik sharping.
Siska Fitri Andriani | 12.1.03.02.0310
Teknik – Teknik Informatika
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kemudian tombol proses digunakan untuk
memproses citra training. Nomor id
digunakan untuk mengurutkan nomor id.
Combobox input nama apakah citra
training termasuk nilai matang atau belum
matang. Tombol simpan digunakan untuk
menyimpan data training dalam database.
Gambar 5. Form Testing
Form testing digunakan untuk
melakukan proses testing. Didalam form
ini terdapat tombol refresh untuk
merefresh nilai hasil ekstraksi ciri dan nilai
proses minimal ekstraksi ciri. Kemudian tombol
ambil citra digunakan untuk menginputkan
citra testing. Tombol tajamkan untuk
menajamkan citra dengan teknik sharping.
Kenali digunakan untuk mrmulai proses
yang pengenalan citra testing. Tombol nilai
digunakan untuk memunculkan form hasil
pertitungan citra testing.
Gambar 6. Nilai Perhitungan Citra
Testing
Nilai perhitungan citra testing yang
diproses pada form testing terdiri dari nilai
citra
grayscale, histogram tingkat keabuan,
untuk
mean, variance, skewness, kurtosis, dan
simki.unpkediri.ac.id
|| 9||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
entropy. Nilai euclidean distance E. Kesimpulan
merupakan nilai jarak kedekatan citra Dari hasil uji coba Sistem,
testing dengan nilai minimal ekstraksi ciri didapatkan beberapa simpulan yakni:
yang menggunakan euclidean distance 1. Proses identifikasi kematangan buah
dapat dilihat pada matang dan tidak semangka dapat dilakukan dengan
matang. mengekstraksi ciri tekstur kulit buah
semangka. Proses ini dapat dilakukan
dengan melakukan penajaman citra
yang bertujuan untuk memperbaiki
kualitas citra. Kemudian dilakukan
konversi citra ke grayscale, dan
dilakukan proses histogram tingkat
Gambar 7. Form Hasil Ekstraksi Ciri keabuan dan dapat dihitung nilai
Form Hasil Ekstraksi Ciri mean,variance, skewness, kurtosis, dan
menampilkan tabel yang menyimpan entropy.
semua data terdahulu yang digunakan 2. Aplikasi bantu pengolahan citra dapat
untuk menentukan nilai minimal ekstraksi dibuat dengan tingkat akurasi aplikasi
ciri dari masing-masing nilai parameter. sebesar 85% kebenaran aplikasi dan
Tabel ini langsung terhubung dengan 15% kesalahan aplikasi.
database MySQL. 3. Metode Ekstraksi Ciri Statistik dapat
dilakukan dengan baik dengan
penambahan proses penajaman citra.
Proses ini digunakan untuk
mempertajam tekstur kulit citra buah
semangka.
4. Dalam hal pengolahan citra, untuk
Gambar 8. Form Nilai Minimal
mengurangi kesalahan pada sistem
Ekstraksi Ciri
maka perlu ditambahkan pengenalan
Nilai minimal ekstraksi ciri
ciri warna agar memperkecil kesalahan
didapatkan dari nilai hasil ekstraksi ciri.
sistem.
Nilai minimal ekstraksi ciri ini digunakan
5. Ekstraksi Ciri Statistik Orde Pertama,
untuk menghitung jarak kedekatan dengan
didalam aplikasi ini, mempunyai nilai
citra testing menggunakan euclidean
parameter ciri dengan selisih yang kecil.
distance.
Sehingga masih sering terjadi kesalahan

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 10||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri
dalam pengenalan maka, perlunya Kadir, Abdul. 2001. Dasar Pemrograman
Delphi. Yogyakarta: ANDI.
menambahkan metode lain agar lebih
Kadir, Abdul. 2004. Dasar Aplikasi
akurat dalam proses pengidentifikasian. Database MySQL Delphi.
Yogyakarta:ANDI
IV. DAFTAR PUSTAKA Novitasari. Tanpa tahun.
AnalisisIdentifikasi Serviks Noemal
Achmad, Ir. Balza. 2005. Teknik Dan Abnormal Berdasarkan Filter
Pengolahan Citra Digital Gabor Dan Ekstraksi Ciri Tekstur
menggunakan DELPHI. Yogyakarta: Statistik. Depok: Universitas
Ardi Publishing. Gunadarma.
Ahmad, Usman. 2009. 10 Langkah Nurchasanah. 2006. Teknik Antarmuka
Membuat Program Pengolah Citra Mikrokontroller dengan Komputer
Menggunakan Visual C#. Berbasis Delphi. Semarang: Salemba
Yogyakarta: Graha Ilmu. Infotek
Ardy. 2011. Analisis Tekstur dengan Nurhayati, Oky Dwi. 2015. Analisis Citra
Metode GLCM (Gray Level Co- Digital Ct Scan Dengan Metode
occurence Matrix). (online). Ekualisasi Histogram Dan Statistik
Tersedia: Orde Pertama.Universitas
https://utekqu.wordpress.com/2011/0 Diponegoro Semarang. V(5)
1/23/ analisis-tekstur-dengan-
metode-glcm/, diakses 24 Nopember Malik, Jamaludin. 2016. Kumpulan
2015. Latihan Pemrograman Delphi.
Yogyakarta: ANDI
Arief, Siska Riantini. 2011. Analisis
Tekstur dan Ekstraksi Ciri. Bandung: Permadi, Yuda. Murinto. 2015. Aplikasi
Institut Teknologi Telkom Bandung. Pengolahan Citra Untuk Identifikasi
Kematangan Mentimun Berdasarkan
Budi. Lmga Agro Grosir Belanja Online Tekstur Kulit Buah Menggunakan
Produk Pertanian (Benih, Bibit, Metode Ekstraksi Ciri Statistik.
Pupuk, Pestisida) Harga Murah: Universitas Ahmad Dahlan. V (9)
Semangka Berbiji. Kediri: LGMA
AGRO. (online). Tersedia: Purnomo, Adi. Sulistyo Pusputodjati, SSi,
http://www.lmgaagro.web.id/p/sema SKom., MSc.(CS). Aplikasi
ngka-berbiji-bulat.html, diakses 02 Pemrograman C# Untuk Analisis
Maret 2016. Tekstur Kayu Parquet Dengan
Menggunakan Metode Gray Level
Daniel, S.P. Andri. Cetakan Pertama. Co-occurence Matrix(GLCM).
Intensif Bertanam Semangka Tanpa Universitas Gunadarma.
Biji (Ari, Ed.). Yogyakarta: Pustaka
Baru Press. Putra, Darma. 2010. Pengolahan Citra
Digital. Yogyakarta: CV ANDI
Fadlil, Abdul. 2012. Modul Kuliah OFFSET. (Online). Tersedia:
Pengenalan Pola. Yogyakarta: https://books.google.co.id/books?id,
Universitas Ahmad Dahlan. diakses 02 Desember 2015
Febrianto, Yogi. Tanpa tahun. Wardani, Nevyta Selvyana. 2014. Deteksi
Pengklasifikasian Kualitas Keramik Kelayakan Buah Jeruk Manis
Berdasarkan Ekstraksi Fitur Tekstur Menggunakan Euclidean Distance
Statistik. Depok: Universitas Berbasis Ekstraksi Fitur. Skripsi.
Gunadarma. Tidak dipublikasikan. Kediri:
Universitas Nusantara PGRI Kediri.

Siska Fitri Andriani | 12.1.03.02.0310 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 11||