Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 6, Juni 2019, hlm. 6230-6237 http://j-ptiik.ub.ac.id

Aplikasi Data Mining untuk Memprediksi Mahasiswa Berpotensi Drop Out

menggunakan Algoritme K-Nearest Neighbor (K-NN)
Mardiani Putri Agustini1, Ahmad Afif Supianto2, Welly Purnomo3

Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1mardianipa@gmail.com, 2afif.supianto@ub.ac.id, 3wepe@ub.ac.id

Abstrak
Drop out atau putus studi merupakan permasalahan yang berkaitan dengan keberhasilan studi
mahasiswa. Hal tersebut juga dialami pada program studi Sistem Informasi Universitas Brawijaya. Hasil
wawancara yang telah dilakukan dengan Ketua Program Studi Sistem Informasi bahwa telah terjadi
pemberhentian studi atau drop out setiap tahunnya. Adanya mahasiswa yang drop out dapat
menyebabkan turunnya kualitas dan mutu perguruan tinggi. Oleh karena itu, sebagai penanganan
terhadap masalah tersebut diperlukan sistem yang mampu membantu pengambilan keputusan untuk
memprediksi mahasiswa yang berpotensi drop out. Sistem ini diharapkan dapat membantu pihak
program studi Sistem Informasi Universitas Brawijaya dalam mengambil keputusan dan menjadi bahan
evaluasi dini serta memberikan penanganan lebih awal terhadap mahasiswa yang berpotensi drop out.
Salah satu teknik untuk prediksi adalah menggunakan data mining. Klasifikasi menggunakan algoritme
K-Nearest Neighbor (K-NN) merupakan salah satu metode data mining yang dapat digunakan untuk
memprediksi potensi drop out mahasiswa. Hasil pemrosesan dengan bantuan tool Weka didapatkan nilai
kedekatan terbaik menggunakan algoritme K-NN adalah k=5. Hasil evaluasi algoritme yang didapatkan
menggunakan confusion matrix adalah tingkat akurasi sebesar 99.2337%. Hasil nilai AUC dari kurva
ROC menunjukkan nilai sebesar 0.8918. Hasil pengujian usability yang dihasilkan menggunakan SUS
adalah 67.5.
Kata kunci: prediksi, data mining, klasifikasi, k-nearest neighbor, system usability scale
Abstract
Drop out is a problem related to the success of student learning. This problem has also happened in
Information System study program at Brawijaya University. The results of interviews were conducted
with the Head of the Information System Study Program that there was a drop out every year. The
existence of students who drop out can cause a decrease in the quality of higher education. Therefore,
as handling of these problems needs a system that capable to help make decisions to predict on students
who have the potential to drop out so prevention can be done. This system is expected to be able to help
the Brawijaya Information System Study Program in making decisions, become the material for early
evaluation and provide early treatment for students who have the potential to drop out. One technique
for predicting is to use data mining. Classification using K-Nearest Neighbor (K-NN) algorithm is one
of data mining method that can be used to predict student drop out potential. The results of processing
with the help of Weka tool found the best proximity value using the K-NN algorithm is k=5. The results
of evaluating algorithms obtained using confusion matrix have an accuracy rate of 99.2337%. The AUC
value result of ROC curve shows a value of 0.8918. The level of usability testing generated by utilizing
SUS is 67.
Keywords: prediction, data mining, classification, k-nearest neighbor, system usability scale

studinya. Mahasiswa menjadi salah satu aspek

1. PENDAHULUAN penting dalam evaluasi keberhasilan
Tolak ukur kualitas program studi pada penyelenggaraan program studi di perguruan
perguruan tinggi salah satunya dapat dilihat dari tinggi. Umumnya mahasiswa mempunyai
keberhasilan mahasiswa dalam menjalankan kualitas tersendiri yang sangat beragam satu

Fakultas Ilmu Komputer

Universitas Brawijaya 6230
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sama lain. Kualitas ini sangat berpengaruh
terhadap studi mahasiswa. Mahasiswa dengan
kualitas tertentu dapat rentan terkena drop out.
Hasil wawancara yang telah dilakukan dengan
Ketua Program Studi Sistem Informasi, dimana
terdapat permasalahan yang dialami berkaitan
dengan keberhasilan studi mahasiswa, yaitu
terjadi pemberhentian studi atau drop out setiap
tahunnya. Masalah ini dapat memberikan
dampak yang merugikan bagi mahasiswa dan
pihak program studi, yang mana dapat
menyebabkan turunnya kualitas dan mutu
program studi. Selain itu, salah satu aspek
penilaian BAN-PT dalam menentukan akreditasi
program studi S1 yaitu dari persentase
mahasiswa yang drop out.
Oleh karena itu, sebagai penanganan
terhadap masalah tersebut diperlukan
identifikasi sejak dini untuk mengetahui
mahasiswa mana saja yang memiliki potensi
terancam drop out sehingga dapat dilakukan
pencegahan. Salah satu solusi yang dapat
membantu permasalahan ini yaitu dengan
membuat sistem yang dapat digunakan dalam
melakukan suatu prediksi terhadap mahasiswa
yang berpotensi terancam drop out. Dalam
memudahkan melakukan prediksi ini dapat
menggunakan pendekatan data mining. Metode
data mining yang dapat digunakan untuk
melakukan prediksi drop out salah satunya yaitu
dengan memanfaatkan metode klasifikasi.
Penelitian dengan topik prediksi
pengunduran diri menggunakan algoritme data
mining pernah dilakukan sebelumnya oleh
Ndaumanu (2014). Dalam penelitian yang
dilakukan tersebut digunakan algoritme K-
Nearest Neighbor. Berdasarkan hasil uji coba
yang dilakukan didapat akurasi prediksi sebesar
79%. Penelitian lain yang pernah dilakukan oleh
Yukslturk (2014) yang melakukan klasifikasi
mahasiswa drop out menggunakan empat
pendekatan data mining. Hasil akurasi penelitian
ini dari metode K-Nearest Neighbor, Decision
Tree, Neural Network, dan Naive Bayes masing-
masing adalah 87%, 79.9%, 76.8%, dan 73.9%.
Penelitian yang dilakukan (Bayer, 2012)
menggunakan data perilaku social dan pengujian
tingkat akurasi dengan 10-folds cross-
validation. Hasil dengan tingkat akurasi tertinggi
diperoleh pada semester 7 menggunakan metode
K-NN dan PART yaitu lebih dari 90%.
Oleh karena itu, dalam penelitian yang akan
dilakukan ini akan dilakukan prediksi dengan
menggunakan pendekatan data mining
menggunakan algoritme K-Nearest Neighbor
Fakultas Ilmu Komputer, Universitas Brawijaya
6231
untuk melakukan penelusuran terhadap data-
data mahasiswa guna menemukan dan
menghasilkan pola drop out dari mahasiswa.
Algoritme K-Nearest Neighbor dipilih karena K-
NN marupakan salah satu algoritme klasifikasi
dengan rumus sederhana dan mampu
memberikan hasil yang cukup baik dalam
beberapa kasus.
Hasil prediksi ini akan diimplementasikan
pada dashboard sistem guna memberi
kemudahan dalam menampilkan informasi.
Hasil ini diharapkan dapat membantu
mendukung pihak program studi Sistem
Informasi menjadi bahan membantu
pengambilan keputusan dan bahan evaluasi dini
serta memberikan tindak penanganan lebih awal
kepada mahasiswa yang diprediksi berpotensi
terancam drop out.
2. LANDASAN PUSTAKA
2.1. Data Mining
Data mining merupakan salah satu bidang
keilmuan yang menyatukan teknik dari
pembelajaran mesin, pengenalan pola, statistik,
database, dan visualisasi untuk penanganan
permasalahan pengambilan informasi dari
database yang besar (Larose, 2005).
Data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat
dilakukan (Larose, 2005), yaitu:
1. Deskripsi, untuk menggambarkan pola
serta kecenderungan yang ada di dalam
data
2. Klasifikasi, terdapat target variabel
kategori
3. Estimasi, hampir sama dengan
klasifikasi kecuali variabel target
estimasi lebih ke arah numerik daripada
ke arah kategori
4. Prediksi, hampir sama dengan
klasifikasi dan estimasi, kecuali di
dalam prediksi nilai dari hasil akan ada
di masa mendatang
5. Pengklasteran, pengelompokan record,
pengamatan atau memperhatikan dan
membentuk kelas objek-objek yang
memiliki kemiripan
6. Asosiasi, bertugas menentukan atribut
yang muncul dalam satu waktu
2.2. Algoritme K-Nearest Neighbor
K-Nearest neighbor (K-NN) merupakan
metode berdasarkan analogi penatihan, dimana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
data pelatihan disimpan sehingga klasifikasi
yang baru dapat diperoleh dengan
membandingkan dengan data yang memiliki
kemiripan dalam data pelatihan. Prinsip kerja K-
NN adalah mencari jarak terdekat antara data
yang akan dievaluasi dengan k tetangga
(neighbor) terdekatnya dalam data pelatihan
(Larose, 2005).
Dalam K-NN penentuan nilai k sangat
berpengaruh dalam proses klasifikasi (Larose,
2005). Nilai k pada K-NN berarti jumlah
tetangga terdekat yang dilibatkan dalam
penentuan prediksi label kelas pada data uji.
Tahapan dalam menggunakan algoritme K-NN
sebagai berikut (Kustiyahningsih, 2010):
1. Tentukan parameter k
2. Hitung jarak antara data yang akan
dievaluasi dengan semua data pelatihan.
Parameter jarak yang umum digunakan
adalah jarak Euclidean distance dengan
persamaan
𝑑(𝑥1 , 𝑥2 ) = √∑𝑛𝑖=1(𝑥1𝑖 − 𝑥2𝑖 )2 (1)
3. Urutkan jarak yang terbentuk dari yang
terdekat
4. Tentukan jarak terdekat sampai urutan k
5. Pasangkan kelas yang bersesuaian
6. Cari jumlah kelas dari tetangga yang
berdekatan dan tetapkan kelas tersebut
sebagai kelas data yang dievaluasi
3. METODOLOGI
Metodologi pada penelitian ini dapat
dilihat pada Gambar 1.
Gambar 1. Metodologi Penelitian
1. Identifikasi masalah
Melakukan identifikasi permasalahan
terkait objek penelitian yaitu pada
program studi Sistem Informasi
Fakultas Ilmu Komputer, Universitas Brawijaya
6232
Universitas Brawijaya.
2. Studi literatur
Tahap studi literatur dilakukan untuk
mencari teori yang relevan serta kajian
pustaka terdapat penelitian sebelumnya
untuk mendukung penyelesaian
penelitian.
3. Analisis kebutuhan
Tahap ini dilakukan untuk mencari
fungsi yang diperlukan atau dibutuhkan
pada sistem yang akan dibuat.
4. Pengumpulan data dan pengolahan data
Tahap pengumpulan data dalam
penelitian ini dilakukan menggunakan
metode dokumentasi dengan mengambil
data dari objek penelitian. Data yang
berhasil dikumpulkan adalah data
mahasiswa program studi Sistem
Informasi tahun angkatan 2011-2016
sebanyak 1347 records. Proses yang
dilakukan pada tahap pengolahan data
dimulai dari seleksi data yaitu pemilihan
atribut yang didasarkan dari hasil
wawancara yang dilakukan kepada
Kaprodi SI. Kemudian dilakukan
pembersihan data untuk menghilangkan
missing value sehingga didapatkan data
yang bersih yang akan digunakan untuk
proses klasifikasi. Data bersih dari
proses cleaning yang siap digunakan
dalam klasifikasi sebanyak 522 records
data. Selanjutnya dilakukan proses
transformasi data yaitu mengubah data
menjadi bentuk kategorikal yang
didasarkan dari hasil wawancara dengan
Kaprodi SI.
5. Perancangan sistem
Tahap perancangan yang dilakukan
yaitu perancangan sesuai dengan
kebutuhan sistem yang telah
didefinisikan.
6. Implementasi
Sistem nantinya dibangun berdasarkan
hasil perancangan sistem yang telah
dilakukan sebelumnya. Pada tahapan ini
sistem akan akan diimplementasikan
dengan memanfaatkan dan
menggunakan framework laravel yang
dikombinasikan tools Weka untuk
memproses mining.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
7. Pengujian
Pada tahap pengujian yang dilakukan
yaitu pengujian dari sisi sistem dengan
menggunakan black-box testing dan
usability testing. Pengujian usability
dilakukan menggunakan kuesioner SUS
yang diisi oleh responden. Kemudian
evaluasi dan validasi algoritme juga
dilakukan menggunakan confusion
matrix dan juga kurva ROC.
8. Kesimpulan dan saran
Tahap terakhir dalam penelitian ini
dilakukan penarikan kesimpulan
berdasarkan rumusan masalah yang ada
dan dilakukan pemberian saran untuk
penelitian mendatang.
4. HASIL DAN PEMBAHASAN
4.1. Analisis Kebutuhan
Analisis kebutuhan bertujuan untuk
menjelaskan kebutuhan sistem yang harus
dipenuhi saat pengguna melakukan interaksi
dengan sistem. Proses analisis kebutuhan
dilakukan terhadap calon pengguna dari sistem
yang akan dibangun yaitu Ketua Program Studi
Sistem Informasi (Kaprodi SI). Hasil analisis
kebutuhan dalam bentuk use case dapat dilihat
pada Gambar 2.
Gambar 2. Diagram use case
Berdasarkan hasil analisis kebutuhan,
terdapat 6 kebutuhan fungsional, yaitu login,
melihat informasi drop out, membuat model,
membuat prediksi, melihat histori model, dan
logout.
Fakultas Ilmu Komputer, Universitas Brawijaya
6233
4.2. Pemodelan Proses Bisnis
Pemodelan proses bisnis ini terdapat
aktivitas yang melibatkan adanya sistem
informasi prediksi drop out mahasiswa. Jika
Kaprodi SI ingin melakukan prediksi, maka
Kaprodi SI harus mengunggah file data prediksi
dalam sistem dan sistem akan melakukan
prediksi terhadap data tersebut berdasarkan
model yang ada pada sistem. Proses bisnis ini
ditunjukkan oleh Gambar 3.
Pemodelan proses bisnis selanjutnya adalah
untuk melakukan pembuatan model baru pada
sistem untuk melakukan klasifikasi. Proses
dimulai dari Kaprodi SI mengunggah file data
training ke sistem. Selanjutnya sistem akan
menyimpan data dalam database dan
menghasilkan model baru. Proses bisnis ini
ditunjukkan oleh Gambar 4.
4.3. Pengumpulan Data
Pengumpulan data dalam penelitian ini
dilakukan melalui teknik dokumentasi dengan
mengambil data yang diperoleh dari database
Fakultas Ilmu Komputer Universitas Brawijaya.
Data yang diperoleh sebanyak 1347 records data
mahasiswa program studi Sistem Informasi dari
angkatan tahun 2011 sampai dengan 2016.
Atribut yang terdapat dalam setiap data berisi
data akademik dan demografi, diantaranya
sebagai berikut.
Tabel 1. Atribut dari Tahap Pengumpulan Data
Data Atribut
Data ID Mhs, Jalur Masuk, IP Beban
Akademik semester 1 sampai dengan
semester 5, SKS Beban semester 1
sampai dengan semester 5, IPK
Beban semester 1 sampai dengan
semester 5, SKSK Beban semester 1
sampai dengan semester 5, IP Lulus
semester 1 sampai dengan
semester 5, SKS Lulus semester 1
sampai dengan semester 5, IPK
Lulus semester 1 sampai dengan
semester 5, SKSK Lulus semester 1
sampai dengan semester 5, IPK
Lulus, Predikat, Yudisium, Asal
Sekolah, Status Mahasiswa
Data Jenis Kelamin, Kota Asal, Pekerjaan
Demografi Ayah, Pekerjaan Ibu, Pendidikan
Ayah, Pendidikan Ibu, Pendapatan
Ayah, Pendapatan Ibu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6234

Gambar 3. Pemodelan Proses Bisnis Melakukan Prediksi

Gambar 4. Pemodelan Proses Bisnis Pembuatan Model

4.4. Perancangan Sistem
Pada penelitian ini perancangan terbagi
menjadi perancangan database dan perancangan
antarmuka. Pada perancangan database berisi
gambaran dari database yang akan digunakan
untuk menyimpan data-data mahasiswa yang
dipakai sebagai training dan testing yang akan
dimasukkan ke sistem. Perancangan antarmuka
dilakukan agar dapat membuat sistem yang
menyediakan tampilan agar mudah untuk
dimengerti oleh pengguna dengan harapan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pengguna nantinya dapat mudah memahami
sistem yang dibuat.
4.5. Implementasi Sistem
Pada implementasi ini sistem dibangun
berdasarkan perancangan sistem yang telah
dilakukan. Implementasi dilakukan dalam
bentuk website menggunakan framework
Laravel serta menggunakan Weka CLI untuk
melakukan pemrosesan algoritme. Hasil dari
implementasi menunjukkan tampilan empat fitur
utama pada sistem. Fitur pertama ialah tampilan
dari halaman dashboard yang memuat informasi
drop out mahasiswa setiap angkatan. Tampilan
dari halaman dashboard tersebut dapat dilihat
dalam Gambar 5 dan Gambar 6.
Gambar 5. Visualisasi Halaman Informasi Drop Out
Gambar 6. Visualisasi Halaman Informasi Drop Out
(lanjutan)
Fitur kedua yaitu implementasi halaman
untuk generate model. Halaman ini terdiri dari
form untuk mengunggah file training dan hasil
generate model yang menampilkan akurasi dari
model yang dibuat. Fitur ketiga berisi
implementasi halaman untuk membuat prediksi
dari data mahasiswa. Halaman ini terdiri dari
form untuk mengunggah file yang akan
diprediksi. Selanjutnya, hasil prediksi
ditampilkan ke dalam bentuk tabel yang
menampilkan mahasiswa yang berpotensi
terancam drop out. Tampilan halaman hasil
prediksi dapat dilihat dalam Gambar 7 dan
Gambar 8. Fitur keempat adalah halaman untuk
melihat histori model yang pernah dibuat dalam
sistem serta tingkat akurasinya.
Fakultas Ilmu Komputer, Universitas Brawijaya
6235
Gambar 7. Visualisasi Halaman Hasil Prediksi
Gambar 8. Visualisasi Halaman Hasil Prediksi
(lanjutan)
4.6. Evaluasi dan Validasi Algoritme
Evaluasi dan validasi algoritme yang
diimplementasikan dilakukan menggunakan
confusion matrix dan kurva ROC. Evaluasi
confusion matrix dengan tool Weka dilakukan
menggunakan tipe test 10-folds cross-validation
dan nilai kedekatan k=5 menghasilkan akurasi
sebesar 99.2337%. Sedangkan hasil nilai AUC
dari kurva ROC didapatkan nilai 0.8918
sehingga masuk dalam kategori klasifikasi
“Good classification” karena berada pada nilai
AUC 0.80 – 0.90.
4.7. Pengujian Black-box
Pengujian black-box dilakukan pada fungsi
sistem berdasarkan kebutuhan fungsional sistem
yang telah didefinisikan (Agarwal, 2010).
Pengujian black-box hanya melihatkan observasi
output untuk nilai input tertentu serta tidak
melakukan upaya untuk melakukan analisa
terhadap kode program. Hasil pengujian black-
box terhadap empat fitur utama serta fitur
authentikasi menunjukkan status valid. Seluruh
kebutuhan fitur yang telah didefinisikan dapat
diproses serta ditampilkan ke sistem sesuai
output yang diinginkan atau diharapkan.
4.8. Pengujian Usability
Metode untuk melakukan pengujian
usability yaitu menggunakan kuesioner System
Usability Scale (SUS) yang terdiri dari 10
pertanyaan dengan nilai skala satu sampai
dengan lima. Tujuan dari kuesioner SUS adalah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
untuk memberi gambaran persepsi pengguna
terhadap tingkat usability suatu sistem.
Responden dalam pengisian kuesioner SUS
adalah Kaprodi SI.
Hasil yang diperoleh dari nilai skor SUS
yang diberikan Kaprodi SI terhadap sistem yang
telah dibuat adalah 67.5. Sehingga dari skor
tersebut menunjukkan sistem yang dibuat bisa
diterima Kaprodi SI dengan kategori sistem
Good dan grade scale D serta tingkat
acceptability masuk ke dalam kategori High.
5. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Kesimpulan yang diperoleh berdasarkan
hasil penelitian yang telah dilakukan sebagai
berikut:
1. Dari penelitian ini berhasil dibuat sistem
untuk membantu Kaprodi SI dalam
melakukan prediksi terhadap mahasiswa
yang berpotensi drop out. Dalam sistem
yang dibangun memiliki enam fitur,
diantaranya login, melihat informasi drop
out, melakukan generate model, membuat
prediksi, melihat histori model, dan logout.
Pengujian usability pada sistem dilakukan
terhadap responden Kaprodi SI dengan
menggunakan kuesioner System Usability
Scale (SUS) menghasilkan skor sebesar
67.5. Berdasarkan skor tersebut, dapat
disimpulkan bahwa sistem yang telah dibuat
dapat diterima dengan baik oleh Kaprodi SI
dalam memprediksi potensi drop out
mahasiswa serta termasuk pada kategori
adjective ratings Good dengan grade scale
D dengan tingkat penerimaan sistem atau
acceptability ranges masuk dalam kategori
High.
2. Hasil evaluasi dan validasi algoritme K-NN
untuk prediksi potensi drop out mahasiswa
menggunakan confusion matrix sebesar
99.2337%. Sedangkan evaluasi kurva ROC
didapatkan nilai AUC sebesar 0.8918 yang
berarti klasifikasi dikategorikan dalam
“Good classification” karena berada pada
nilai AUC 0.80 – 0.90.
5.2. Saran
Saran yang dapat diberikan untuk penelitian
selanjutnya adalah:
1. Melakukan prediksi menggunakan
algoritme lain selain K-Nearest Neighbor,
sehingga nanti dapat melakukan
Fakultas Ilmu Komputer, Universitas Brawijaya
6236
perbandingan terkait performansi akurasi
antar algoritme untuk memprediksi potensi
drop out mahasiswa pada program studi
Sistem Informasi Universitas Brawijaya.
2. Melakukan pengembangan terhadap sistem
yang telah dibangun dari sisi pengguna lain
misalnya mahasiswa untuk melakukan
prediksi atau akademik untuk melakukan
pembaruan informasi drop out.
Pengembangan sistem dengan lebih
memperhatikan aspek pada user interface,
user
6. DAFTAR PUSTAKA
Agarwal, B. B., et al., 2010. Software
Engineering and Testing: An
Introduction. Jones and Bartlett
Publishers.
BAN-PT., 2008. Naskah Akreditasi Program
Studi Sarjana. Jakarta.
Bayer, J., et al., 2012. Predicting Drop-out from
Social Behavior of Students. Proceeding
of the 5th International Conference on
Educational Data Mining. 103-109.
Gorunescu, F., 2011. Data Mining Concept,
Models and Techniques Volume 12.
Romania: Springer.
Larose, D. T., 2005. Discovering Knowledge in
Data: An Introduction to Data Mining.
New Jersey: John Wiley & Sons, Inc.
Kustiyahningsih, Y., & Syafa’ah, N., 2010.
Sistem Pendukung Keputusan untuk
Menentukan Jurusan pada Siswa SMA
Menggunakan Metode KNN dan Smart.
Madura, Indonesia. 19-28.
Ndaumanu, R. I., et al., 2014. Analisis Prediksi
Tingkat Pengunduran Diri Mahasiswa
dengan Metode K-Nearest Neighbor.
JATISI, 1-1 September, Yogyakarta,
Indonesia. 1-15.
Tan, P., et al., 2006. Introduction to Data
Mining. New York: Pearson Addison-
Wesley.
Yukselturk, E., et al., 2014. Predicting Dropout
Student: An Application of Data Mining
Methods in an Online Education
Program. European Journal of Open,
Distance and E-Learning. 17-1, Turkey.
118-133.
Anonymous, 2017. Pedoman Akademik
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 6237

Fakultas Ilmu Komputer Universitas

Brawijaya. Malang.

Fakultas Ilmu Komputer, Universitas Brawijaya