PAPER NAME
PROPOSAL RENISAAFIXXX.docx
28 Pages 191.9KB
Mar 23, 2024 8:42 PM GMT+7 Mar 23, 2024 8:43 PM GMT+7
Summary
PROPOSAL PENELITIAN
1
PROGRAM STUDI TEKNIK KOMPUTER
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
FAKULTAS TEKNIK
UNIVERSITAS NEGERI MAKASSAR
2023
4
DAFTAR ISI
ii
6
DAFTAR GAMBAR
iii
6
DAFTAR TABEL
iv
7
BAB I
PENDAHULUAN
A. Latar Belakang
Pada masa globalisasi saat ini, kemajuan teknologi tengah berkembang
dengan pesat. Hal tersebut dapat membantu manusia untuk melakukan
pekerjaannya dengan lebih mudah, efektif, serta lebih efisien dalam berbagai
pekerjaan. Salah satu contohnya yaitu dalam melakukan manajemen stok barang
di sebuah perusahaan, termasuk PDAM (Andrean et al., 2019).
10
PDAM atau singkatan dari Perusahaan Daerah Air Minum merupakan
salah satu instansi milik pemerintah yang termasuk dalam Badan Usaha Milik
Daerah (BUMD). PDAM terdapat di berbagai wilayah di Indonesia, salah satunya
PDAM Kota Makassar Wilayah Pelayanan VI yang dikelola oleh otoritas
pemerintah daerah kota Makassar, Provinsi Sulawesi Selatan, Indonesia. PDAM
bertanggung jawab dalam memenuhi kebutuhan air bersih untuk masyarakat,
termasuk dalam penyediaan, pengembangan atau manajemen infrastruktur, hingga
pendistribusian air bersih ke masyarakat (Annisa et al., 2022).
1
berlebihan. Akumulasi persediaan yang berlebihan tersebut dapat memiliki
dampak yang merugikan pada aspek finansial di sebuah perusahaan termasuk
PDAM, karena dapat mengakibatkan pemborosan sumber daya dan modal yang
seharusnya dialokasikan untuk kebutuhan lain yang lebih mendesak atau strategis
(Mulkan et al., 2023). Oleh karena itu, pengelolaan stok material harus dilakukan
dengan cermat dan terencana guna mengoptimalkan penggunaan sumber daya dan
mencegah terjadinya kerugian yang tidak diinginkan.
2
data transaksi yang terdapat pada Toko SS BABYSHOP. Kemudian dilakukan
melakukan pengelompokan stok barang dengan membaginya ke dalam 5 cluster
untuk menentukan persediaan barang di Toko SS BABYSHOP. Dari penelitian
51
tersebut, diperoleh hasil yang menunjukkan tren penjualan barang dari yang
paling banyak hingga yang paling sedikit sehingga penyediaan barang di toko
tersebut dapat dilakukan dengan tepat. Namun, karena pusat cluster dipilih secara
acak, terdapat perbedaan antara hasil perbandingan perhitungan manual dan
SPSS. Selain itu, penelitian ini juga belum sampai ke tahap pengujian hasil
clustering yang diperoleh (Andre Prayoga Rizkyandri et al., 2023)
47
Kemudian penelitian oleh Rosi Kusuma Serli, Imron, Bambang
Wijonarko, dan M.Sinta Nurhayati yang dilakukan untuk menganalisis persediaan
barang di PT. Brothersindo Saudara Sejati dengan algoritma K-Means Clustering.
Penelitian tersebut menggunakan data transaksi bulan januari hingga desember
tahun 2022 dari perusahaan tersebut. Dengan metode yang digunakan diperoleh
hasil dengan dua cluster yaitu cluster 1 yang menunjukkan produk yang paling
sedikit terjual dan cluster 2 menunjukkan produk yang paling laris terjual
sehingga dapat menjadi referensi bagi perusahaan untuk meningkatkan efisiensi
6
dalam mengelola stok barang. Namun, dalam penelitian ini, belum dilakukan
tahap pengujian terhadap hasil clustering yang diperoleh sehingga keakuratannya
masih belum teruji (Kusuma Serli et al., 2023).
19
Penelitian selanjutnya yang menggunakan algoritma K-Means Clustering
adalah penelitian yang dilakukan oleh Intan Safira, Ratna Salkiawati, dan Wowon
58
Priatna di Toko Raja Bekasi. Penelitian tersebut menggunakan algoritma K-Means
Clustering untuk memahami pola persediaan barang di toko tersebut dengan
menerapkannya pada 10 sampel jenis barang yang telah diambil sebelumnya dan
57
mengelompokkannya menjadi 3 cluster. Hasil clusteringnya kemudian di evaluasi
menggunakan metode Davies-Bouldin Index atau DBI dan memperoleh nilai DBI
yaitu sebesar 1,856, dimana nilai tersebut merupakan hasil yang baik karena nilai
DBI nya mendekati nilai 0 (jurnal 4).
3
Penelitian lain mengenai clustering dengan algoritma K-Means yaitu
penelitian yang dilakukan oleh Fauzia Allamatull Fitri dan Sukma Wardhana
34
tahun 2021. Penelitian ini mengimplementasikan algoritma K-Means untuk
mengklasterisasi data penjualan di Toko Usaha Mandiri. Berdasarkan algoritma
yang digunakan, maka diperoleh hasil clustering yaitu cluster 1 yang mencakup 11
data dengan nilai persentase sebesar 62%, cluster 2 mencakup 56 data dengan
nilai persentase 8%, dan cluster 3 yang mencakup 25 data dengan nilai persentase
8
30%, serta evaluasi hasil clustering dengan metode Davies Bouldin Index dengan
nilai 0.201 (Fithri & Wardhana, 2021).
Selanjutnya adalah penelitian oleh Niken Wulandari, Intan Nur Farida, dan
33
Umi Mahdiyah tahun 2022. Penelitian ini menggunakan metode K-Means
Clustering untuk melakukan prediksi terhadap persediaan barang di Toko N-Case
dengan menggunakan data penjualan selama 6 bulan dari 10 jenis case di toko
tersebut. Berdasarkan hasil dari metode tersebut diperoleh 3 cluster, di mana
43
cluster 1 menunjukkan tingkat penjualan rendah, cluster 2 menunjukkan tingkat
penjualan sedang, dan cluster 3 menunjukkan tingkat penjualan tinggi. Adapun
evaluasi clusternya menggunakan metode DBI yang menghasilkan nilai rata – rata
sebesar 0,2782 (Wulandari et al., 2022).
4
Berdasarkan hasil yang diperoleh dari beberapa penelitian terkait
penerapan algoritma K-Means Clustering yang telah dipaparkan di atas, secara
keseluruhan, metode ini dapat digunakan untuk melakukan prediksi terhadap stok
barang sehingga dapat mengoptimalisasi pengelolaan stok barang di sebuah toko
atau perusahaan.
5
28
C. Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu:
6
42
BAB II
TINJAUAN PUSTAKA
A. Kajian Teori
1. PDAM Kota Makassar Wilayah Pelayanan VI
10
PDAM atau singkatan dari Perusahaan Daerah Air Minum merupakan
salah satu instansi milik pemerintah yang termasuk dalam Badan Usaha Milik
56
Daerah (BUMD). PDAM terdapat di berbagai provinsi, kabupaten, dan
kotamadya di Indonesia, termasuk di Kota Makassar. PDAM Kota Makassar
memiliki satu kantor pusat yang berlokasi di Jl. DR. Ratulangi No.3 dan memiliki
enam kantor wilayah pelayanan yang salah satunya adalah Kantor Wilayah
Pelayanan VI yang berlokasi di Komp. Ruko Mahkota Mas No. 15 RT 001 RW01,
Bangkala, Kecamatan Manggala, Kota Makassar, Sulawesi Selatan.
7
memiliki kesamaan yang tinggi, namun secara signifikan objek tersebut berbeda
dengan objek – objek yang berada di cluster yang lain. Tujuannya adalah untuk
memahami struktur data, mengidentifikasi pola – pola yang tidak terlihat
sebelumnya, dan memberikan pemahaman yang berharga dalam pengambilan
48
sebuah keputusan, terutama dalam sebuah perusahaan. Clustering termasuk salah
satu hal yang penting dalam analisis data karena dapat membantu dalam
menyederhanakan data yang kompleks, menemukan pola – pola atau informasi
yang belum terlihat, dan mendukung segmentasi pasar dan strategi bisnis (Han et
al., 2012).
Menurut Jiawei Han et al., terdapat berbagai metode clustering yang terdiri
dari beberapa kategori, seperti metode partisi, hierarkis, metode berbasis density,
21
dan metode berbasis grid (Han et al., 2012). Adapun algoritma clustering yang
umum digunakan adalah sebagai berikut:
a. K-Means Clustering
b. Hierarchical Clustering
8
DBSCAN merupakan algoritma clustering yang membentuk cluster
berdasarkan tingkat kepadatan data dengan memperhitungkan jarak centroid
61
dalam membentuk sebuah cluster. Algoritma ini mengelompokkan daerah –
daerah yang memiliki tingkat kepadatan yang tinggi menjadi cluster – cluster
bebas dengan memperhitungkan keberadaan noise, yang menandai daerah yang
kurang padat dan memisahkan cluster (Hasibuan & Gaol, 2020).
3. Algoritma K-Means
9
b. Menentukan titik pusat cluster secara acak sebagai sebagai centroid awal
sejumlah k cluster.
20
c. Menghitung jarak dari setiap objek terhadap setiap centroid di setiap cluster
dengan menggunakan perhitungan metrik jarak Euclidean Distance.
16
d(xi,yi) = √∑𝑛𝑖=1(𝑥𝑖, 𝑦𝑖)2 , dimana i = 1, 2,3, … n.
dengan d adalah jarak, i adalah jumlah data, y adalah centroid, x adalah
centroid, dan n adalah jumlah objek.
d. Menentukan centroid yang paling dekat untuk setiap objek dan alokasikan
objek tersebut ke centroid tersebut.
e. Melakukan iterasi untuk menentukan posisi centroid baru hingga konvergensi
tercapai, yaitu ketika centroid tidak lagi berubah secara signifikan atau jumlah
iterasi yang ditentukan tercapai.
4. Evaluasi Clustering
10
a. Hitung rata – rata jarak antara sebuah titik data (i) dengan semua titik data lain
dalam cluster yang sama (ai).
3 1
a(i) = |𝐴|−1 ∑𝑗 ∈A,j≠i d(i, j)
di mana,
j = titik data lain dalam sebuah cluster A
d(i, j) = jarak titik data i dan titik data j.
b. Hitung rata – rata jarak antara titik data (i) tersebut dengan semua titik data
dalam cluster terdekat dan mengambil nilai yang paling kecil.
1
d(i,C) = |𝐴|−1 ∑𝑗 𝐽 ∈ Cd(i, j)
di mana,
d(i,C) = rata – rata jarak antara titik data i dengan keseluruhan objek yang
24
berada dalam cluster lain C dengan A ≠ C.
b(i) = min C ≠ Ad(i, C)
5
c. Hitung Silhouette Coefficient s(i) dengan menggunakan rumus berikut.
(𝑏(𝑖)−𝑎(𝑖))
s(i) =
max(𝑎(𝑖),𝑏(𝑖))
11
B. Kerangka Pikir
FAKTA
Proses pengelolaan stok material di PDAM saat ini tidak optimal dan dapat
memengaruhi kelancaran operasional. Jumlah penggunaan material seperti
pipa, katup, maupun peralatan lainnya merupakan fakor kunci dalam
memastikan ketersediaan air yang memadai, sedangkan fluktuasi
permintaan dan kebutuhan material dapat menjadi kompleks dan sulit
diprediksi.
SOLUSI
12
22
BAB III
METODE PENELITIAN
A. Jenis Penelitian
Pada penelitian ini, metode yang digunakan adalah teknik data mining.
30
Data mining merupakan salah satu pendekatan analisis data yang digunakan untuk
menggali informasi yang tersembunyi dan pola – pola yang bermanfaat dari
sejumlah data yang besar (Han et al., 2012). Proses penelitian dimulai dengan
pengumpulan data mentah yang relevan dengan topik penelitian, diikuti dengan
55
tahap preprocessing untuk membersihkan dan mempersiapkan data agar siap
untuk di analisis lebih lanjut. Selanjutnya adalah memilih dan menerapkan
berbagai algoritma data mining yang sesuai dengan fokus penelitian yang ingin
dilakukan, seperti algoritma klasifikasi, clustering, atau asosiasi, untuk
mengidentifikasi pola – pola, relasi, atau informasi penting lainnya dalam dataset.
Tahap terakhir dalam proses ini adalah evaluasi dan interpretasi hasil dari teknik
data mining yang telah diterapkan untuk memastikan keandalan dan relevansi
informasi yang ditemukan dalam analisis data tersebut.
Adapun fokus penelitian teknik data mining pada penelitian ini adalah
untuk menerapkan teknik – teknik tersebut untuk menganalisis data historis
penggunaan material di PDAM, dengan tujuan untuk mengidentifikasi pola
permintaan dengan lebih baik dan menghasilkan prediksi stok material yang lebih
tepat dan efisien.
62
B. Waktu dan Tempat Penelitian
Penelitian ini akan berlangsung sekitar dua bulan di dua lokasi yang
32
berbeda yaitu Lab. Sistem Cerdas Jurusan Teknik Informatika dan Komputer,
Fakultas Teknik, Universitas Negeri Makassar dan Kantor PDAM Kota Makasar
Wilayah Pelayanan VI.
13
18
C. Alat dan Bahan
2
Adapun alat dan bahan yang akan digunakan dalam penelitian ini adalah
sebagai berikut.
1. Perangkat Keras
D. Prosedur Penelitian
11
Prosedur penelitian dalam penelitian ini terdiri dari beberapa tahap, yaitu
identifikasi masalah, pengumpulan data, pengumpulan data, pengolahan data
1
dengan data mining, evaluasi dan visualisasi hasil yang dapat dilihat pada gambar
2.1.
14
1. Identifikasi Masalah
Data yang digunakan dalam penelitian ini diperoleh dari PDAM Kota
Makassar Wilayah Pelayanan VI berupa data historis penggunaan material bagian
14
distribusi dan kehilangan air. Adapun beberapa contoh data yang akan digunakan
dalam penelitian ini terdapat pada tabel berikut.
15
Dapat dilihat pada tabel 3.1 bahwa terdapat 7 atribut yaitu sebagai berikut.
a. No yaitu nomor
b. Hari/Tgl adalah hari dan tanggal pekerjaan tersebut dilakukan
c. BPP adalah nomor surat
d. SPK Kegiatan merupakan jenis pekerjaan yang dilakukan
e. Material, memiliki 3 atribut yaitu Jenis yang merupakan jenis material yang
digunakan, Jml adalah jumlah material yang digunakan, St adalah satuan
material digunakan seperti buah, meter, dan roll.
f. Petugas merupakan nama petugas PDAM yang bertanggung jawab dalam
pekerjaan tersebut.
g. Ket atau keterangan merupakan nama petugas PDAM yang bertanggung
jawab untuk meminta material yang dibutuhkan dari gudang PDAM untuk
pekerjaan tersebut.
Data tersebut terdiri dari 1.120 SPK (Surat Perintah Kerja) bulan Januari
2023 hingga Desember 2023 dengan penggunaan material yang berbeda dalam
setiap pekerjaannya. Selain itu, dilakukan pula wawancara dengan petugas teknis
PDAM untuk mendapatkan pemahaman yang lebih mendalam mengenai kondisi
14
infrastruktur dan kebutuhan material di PDAM. Studi literatur juga dilakukan
untuk mengumpulkan referensi dari berbagai sumber seperti buku, jurnal, maupun
artikel yang berkaitan dengan penerapan algoritma K-Means dalam analisis
clustering. Studi literatur ini ini bertujuan untuk mendapatkan topik penelitian,
sehingga penelitian ini memiliki dasar teoritis yang kuat dan relevan dalam bidang
tersebut.
3. Preprocessing Data
45
Preprocessing data pada penelitian ini dilakukan dengan tiga tahap yaitu
37
data cleaning, data selection, dan data transformation.
a. Data Cleaning
16
53
yang sama digunakan secara berulang. Hal ini dilakukan untuk memastikan
kebersihan dan kualitas data yang akan digunakan.
31
b. Data Selection
17
52
Berdasarkan tabel 3.2 di atas, dapat dilihat bahwa terdapat 126 jenis
material yang digunakan selama bulan Januari 2023 hingga Desember 2023.
35
4. Penerapan Algoritma Clustering
44
Gambar 3. 2 Flowchart Algoritma K-Means
18
20
c. Menghitung jarak dari setiap objek terhadap setiap centroid di setiap cluster
dengan menggunakan perhitungan metrik jarak Euclidean Distance.
16
d(xi,yi) = √∑𝑛𝑖=1(𝑥𝑖, 𝑦𝑖)2 , dimana i = 1, 2,3, … n.
dengan d adalah jarak, i adalah jumlah data, y adalah centroid, x adalah
centroid, dan n adalah jumlah objek.
d. Menentukan centroid yang paling dekat untuk setiap objek dan alokasikan
objek tersebut ke centroid tersebut.
e. Melakukan iterasi untuk menentukan posisi centroid baru hingga konvergensi
tercapai, yaitu ketika centroid tidak lagi berubah secara signifikan atau jumlah
iterasi yang ditentukan tercapai.
5. Evaluasi Hasil Clustering
64
Evaluasi terhadap hasil clustering dilakukan dengan menggunakan metode
Silhouette Coefficient untuk menilai kualitas pengelompokan dalam hal seberapa
baik setiap titik data cocok dengan cluster yang ditetapkan dibandingkan dengan
1
cluster lainnya. Silhouette Coefficient terdiri dari beberapa tahapan yaitu sebagai
berikut (Handoyo et al., 2014).
a. Hitung rata – rata jarak antara sebuah titik data (i) dengan semua titik data lain
dalam cluster yang sama (ai).
19 1
a(i) = |𝐴|−1 ∑𝑗 ∈A,j≠i d(i, j)
di mana,
1
j = titik data lain dalam sebuah cluster A
d(i, j) = jarak titik data i dan titik data j.
b. Hitung rata – rata jarak antara titik data (i) tersebut dengan semua titik data
dalam cluster terdekat dan mengambil nilai yang paling kecil.
1
d(i,C) = |𝐴|−1 ∑𝑗 𝐽 ∈ Cd(i, j)
di mana,
d(i,C) = rata – rata jarak antara titik data i dengan keseluruhan objek yang
berada dalam cluster lain C dengan A ≠ C.
b(i) = min C ≠ Ad(i, C)
19
5
c. Hitung Silhouette Coefficient s(i) dengan menggunakan rumus berikut.
(𝑏(𝑖)−𝑎(𝑖))
s(i) =
max(𝑎(𝑖),𝑏(𝑖))
6. Visualisasi Hasil
20
DAFTAR PUSTAKA
Annisa, K., Ginting, B. S., & Syar, M. A. (2022). Penerapan Data Mining
Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya
Menggunakan Metode Clustering Pada Pdam Langkat. ALGORITMA: Jurnal
Ilmu Komputer Dan Informatika, 6(1), 112–129.
Fithri, F. A., & Wardhana, S. (2021). Cluster Analysis of Sales Transaction Data
Using K-Means Clustering At Toko Usaha Mandiri. Jurnal PILAR Nusa
Mandiri, 17(2), 113–118.
https://doi.org/https://doi.org/10.33480/pilar.v17i2.2273
Gideon Manik, T., Isti Rahayu, W., & Siti Fathonah, R. N. (2023). Perbandingan
Metode Fuzzy C-Cmeans Dan K-Means Clustering Pada Data Penggunaan
Obat Di R.S National Hospital Surabaya. JATI (Jurnal Mahasiswa Teknik
Informatika), 7(1), 591–597. https://doi.org/10.36040/jati.v7i1.6430
Han, J., Kamber, M., & Pei, J. (2012). DATA MINING : Concepts and
Techniques Third Edition. In Data Mining, Concepts and Techniques (3rd
ed.). Morgan Kaufmann Publishers is an imprint of Elsevier.
21
Handoyo, R., M, R. R., & Nasution, S. M. (2014). PERBANDINGAN METODE
CLUSTERING MENGGUNAKAN METODE SINGLE LINK DAN K-
MEANS PADA PENGELOMPOKAN DOKUMEN. Jurnal Sifo Mikroskil,
Vol. 15(2), 73–83. https://doi.org/https://doi.org/10.55601/jsm.v15i2.161
Kusuma Serli, R., Imron, Wijonarko, B., & Nurhayati, M. S. (2023). Analisis
Persediaan Barang Menggunakan Clustering K Means Pada PT.
Brothersindo Saudara Sejati. JURNAL TEKNIKA, 17(2), 569–580.
https://doi.org/https://doi.org/10.5281/zenodo.10275405
Mulkan, M. B. I., Meilen, H., Putra, A. M., Sepriansyah, A. A. G., & Rahman, M.
A. (2023). APLIKASI PERAMALAN STOK BARANG PADA CV.
SARANA USAHA MANDIRI DENGAN METODE SINGLE MOVING
AVERAGE. Jurnal Sains Komputer Dan Sistem Informasi, 1(2), 38–44.
https://doi.org/https://doi.org/10.61674/jursakomsi.v1i2.120
22
JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS
CLUSTERING. PROSIDING SEMINAR NASIONAL MULTI DISIPLIN
ILMU & CALL FOR PAPERS UNISBANK (SENDI_U), 978–979.
Ramdhan, D., Dwilestari, G., Dana, R. D., Ajiz, A., & Kaslani, K. (2022).
Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means.
MEANS (Media Informasi Analisa Dan Sistem), 7(1), 1–9.
https://doi.org/10.54367/means.v7i1.1826
Sholeh, M., & Aeni, K. (2023). Perbandingan Evaluasi Metode Davies Bouldin,
Elbow dan Silhouette pada Model Clustering dengan Menggunakan
Algoritma K-Means. STRING (Satuan Tulisan Riset Dan Inovasi Teknologi),
8(1), 56–65. https://doi.org/10.30998/string.v8i1.16388
Yu, S.-S., Chu, S.-W., Wang, C.-L., Chan, Y.-K., & Chuang, C.-Y. (2014). A
Modified K-means Algorithms - Bi-Level K-Means Algorithm. International
Conference on on Soft Computing in Information Communication
Technology (SCICT 2014), Scict, 10–13. https://doi.org/10.2991/scict-
23
14.2014.3
24
Similarity Report ID: oid:29615:55074203
TOP SOURCES
The sources with the highest number of matches within the submission. Overlapping sources will not be
displayed.
123dok.com
1 3%
Internet
digilib.unila.ac.id
2 1%
Internet
unars on 2024-03-18
4 <1%
Submitted works
ojs.unpkediri.ac.id
5 <1%
Internet
etheses.uin-malang.ac.id
6 <1%
Internet
docplayer.info
7 <1%
Internet
Sources overview
Similarity Report ID: oid:29615:55074203
ejournal.unama.ac.id
9 <1%
Internet
eprints.umm.ac.id
10 <1%
Internet
repository.its.ac.id
11 <1%
Internet
repo.itera.ac.id
14 <1%
Internet
repository.ub.ac.id
17 <1%
Internet
repository.iainambon.ac.id
18 <1%
Internet
jurnal.iaii.or.id
20 <1%
Internet
Sources overview
Similarity Report ID: oid:29615:55074203
jurnal.peneliti.net
21 <1%
Internet
nilaisiswa.files.wordpress.com
22 <1%
Internet
journal.sinov.id
26 <1%
Internet
eprints.unisbank.ac.id
28 <1%
Internet
sumbar.bpk.go.id
29 <1%
Internet
ojs.unm.ac.id
32 <1%
Internet
Sources overview
Similarity Report ID: oid:29615:55074203
proceeding.unpkediri.ac.id
33 <1%
Internet
ojs.unud.ac.id
37 <1%
Internet
nikeshoescom.us.com
38 <1%
Internet
scribd.com
39 <1%
Internet
Sources overview
Similarity Report ID: oid:29615:55074203
core.ac.uk
45 <1%
Internet
digilibadmin.unismuh.ac.id
46 <1%
Internet
jurnal.polsri.ac.id
47 <1%
Internet
repo.untribkalabahi.ac.id
48 <1%
Internet
repositori.uin-alauddin.ac.id
49 <1%
Internet
repository.stmikroyal.ac.id
50 <1%
Internet
repository.usd.ac.id
51 <1%
Internet
zh.scribd.com
52 <1%
Internet
Sources overview
Similarity Report ID: oid:29615:55074203
ejournal.itn.ac.id
57 <1%
Internet
eprints.mercubuana-yogya.ac.id
58 <1%
Internet
geograf.id
59 <1%
Internet
journal.irpi.or.id
60 <1%
Internet
ml.scribd.com
61 <1%
Internet
rachmaferdiana.wordpress.com
62 <1%
Internet
repository.potensi-utama.ac.id
63 <1%
Internet
repository.uin-suska.ac.id
64 <1%
Internet
Sources overview