universitas gunadarma program studi teknik …sap.gunadarma.ac.id/upload/it-045240.pdf · 2020. 11....

UNIVERSITAS GUNADARMA PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI

RENCANA PEMBELAJARAN SEMESTER (RPS) Nama Mata Kuliah Kode Mata Kuliah Bobot (sks) Semester Tgl Penyusunan

Pengantar Alogoritma Deep Learning

IT045240 2 8 Agustus 2018

Otorisasi Nama Koordinator Pengembang RPS

Koordinator Bidang Keahlian (Jika Ada)

Ketua Program Studi

Prof. Dr.-Ing. Adang Suhendra, S.Kom., M.Sc

Capaian Pembelajaran (CP) CPL-PRODI (Capaian Pembelajaran Lulusan Program Studi) Yang Dibebankan Pada Mata Kuliah

CPPS 5

Kemampuan merancang algoritma yang efisien dan efektif serta mengimplementasikannya dengan bahasa

pemrograman dan teknologi Informatika dalam membangun sistem komputasi berbasis desktop, web dan

mobile.

CPPS 9 Kemampuan menunjukkan kinerja mandiri, bermutu, dan terukur dengan memahami konsep sistem cerdas

yang mencakup kecerdasan buatan, machine learning, fuzzy logic, deep learning dan data analyst.

CPMK (Capaian Pembelajaran Mata Kuliah)

CPMK 5.1 Kemampuan merancang algoritma yang efisien dan efektif.

CPMK 9.1 Kemampuan menunjukkan kinerja mandiri, bermutu, terukur mencakup kecerdasan buatan dan fuzzy logic.

CPMK 9.2 Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data

analyst.

Deskripsi Singkat MK Mata Kuliah ini menitikberatkan pada penerapan pemahaman algoritam deep leanring dengan menggunakan bahasa pemrograman Python dengan pembahasan teori dan kasus dituangkan dalam program atau aplikasi. Topik utama dalam mata kuliah ini adalah perbedaan antara machine learning dan deep learning, penggunaan Python dan library untuk deep learning, pemanfaatan online dan offline dari platform deep learning, model-model deep learning seperti CNN, RNN, LTSM, RBM dan Autoencoder, serta pemanfataan accelerated hardware pada Deep Learning

Bahan Kajian / Materi Pembelajaran

1. Mengetahui dasar-dasar machine Learning.

2. Mengetahui Aljabar Linear dan Dasar Pemograman Python.

3. Mengetahui Dasar Neural Network.

4. Mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network.

5. Mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung

Deep Learning.

6. Memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN).

7. Memahami lebih dalam dan mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long

Short Term Memory (LSTM).

8. Memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM).

9. Memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE). 5. Accelerated Deep Learning.

Daftar Referensi Utama :

1. Python Data Science:https:/courses.cognitiveclass.ai/courses/course-v1:Cognitiveclass+PY0101EN+v2/info

2. Deep Learning Fundamental: https://courses.cognitiveclass.ai/courses/course-

v1:DeepLearning.TV+ML0115EN+v2.0/info

3. Machine Learning With Python: https://courses.cognitiveclass.ai/courses/course-

v1:CognitiveClass+ML0101ENv3+2018/info

4. Deep Learning with Tensorflow: https://courses.cognitiveclass.ai/courses/course-

v1:CognitiveClass+ML0120ENv2+2018/info

5. Aurlien Gron. 2017. Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and

Techniques to Build Intelligent Systems (1st ed.). O'Reilly Media, Inc..

6. Nikhil Buduma and Nicholas Locascio. 2017. Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms (1st ed.). O'Reilly Media, Inc..-database/12.2/dbseg/index.html

7. Francois Chollet. 2017. Deep Learning with Python (1st ed.). Manning Publications Co., Greenwich, CT, USA.

Media Pembelajaran Perangkat Lunak Perangkat Keras

Komputer, Laptop, Proyektor

Nama Dosen Pengampu

Mata Kuliah Prasyarat (Jika Ada)

Mata Kuliah: Pengantar Alogoritma Deep Learning ( IT045240) / 2 SKS

CAPAIAN PEMBELAJARAN MATA KULIAH PENGANTAR ALOGORITMA DEEP LEARNING: 1. Kemampuan merancang algoritma yang efisien dan efektif.

2. Kemampuan menunjukkan kinerja mandiri, bermutu, terukur mencakup kecerdasan buatan dan fuzzy logic.

3. Kemampuan memahami konsep sistem cerdas yang mencakup machine learning, deep learning dan data analyst.

[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning (mg ke1)


EVALUASI AKHIR SEMESTER (mg ke 16)



Pengantar Alogoritma Deep Learning (AK045329)/3 SKS

EVALUASI TENGAH SEMESTER (mg ke 11)


[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Aljabar Linear dan Dasar Pemograman Python (mg ke2-3)

[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Dasar Neural Network (mg ke4)

[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network (mg ke5)

[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN) (mg ke8,9)

[CPPS 5, 9 CPMK 5.1, 9.1, 9.2]: Mahasiswa mampu memahami dan mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep Learning (mg ke6,7)

Minggu Ke-

CP-MK Materi Pembelajaran Metode / Strategi

Pembelajaran

Penilaian Referensi

Indikator Bentuk Bobot 1.

Mahasiswa mampu memahami dan mengetahui dasar- dasar machine Learning

- Perbedaan antara

Artificial

Intelegence,

Machine Learning,

dan Deep learning

- Jenis-Jenis Machine

learning

(supervised,

unsupervised,

reinforcement,

batch proses,

online proses,

incremental

learning)

- Contoh Penerapan

Deep Learning pada

kehidupan sehari-hari

- Tahapan-tahapan

pengolahan data pada

- Bentuk: Kuliah

Metode: Ceramah, Problem Based Learning, Self-Learning (V-Class), Diskusi Kelompok

- Mahasiswa mampu

menjelaskan

perbedaan antara

Artificial Intelegence,

Machine Learning,

dan Deep learning

- Mahasiswa mampu

menjelaskan

perbedaan antara

Jenis-Jenis Machine

learning (supervised,

unsupervised,

reinforcement, batch

proses, online proses,

incremental learning)

- Mahasiswa mampu menjelaskan contoh

Penerapan Deep

Presentasi, Latihan dan Tugas

10 % [1],[3],[5],[6]

Deep learning (Data

Preparation, Data

Cleansing, Train

Model, Evaluasi,

Produk)

Learning pada

kehidupan sehari-

hari

2-3. Mahasiswa mampu memahami dan mengetahui Aljabar Linear dan Dasar Pemograman Python

- Dasar Aljabar Linear

(Matrix, Transpose

Matrix, Inverse

Matrix)

- Kalkulus Dasar

(Matematika

Kalkulus, Gradient

dan Univarete

differentiation)

- Dasar python untuk

deep

learning(numpy,

pandas, matplotlib)

dan IDE

- Bentuk: Kuliah


- Mahasiswa mampu

menjelaskan dasar

aljabar linear

(Matrix, Transpose

Matrix, Inverse

Matrix)

- Mahasiswa mampu

menjelaskan

kalkulus dasar

- Mahasiswa mampu

menjelaskan dasar

python untuk deep

learning seperti

numpy, pandas,

matplotlib


10% [1],[3],[5],[7]

4. Mahasiswa mampu memahami dan mengetahui Dasar Neural Network

- Konsep Dasar

Neural Network

- Terminologi Erro

Cost/ Cost Function

- Algoritma

Gradient Decent

- Multi-layer

perceptron neural

network dan

- Bentuk: Kuliah


- Mahasiswa mampu menjelaskan dan mengetahui konsep dasar neural network dan komponen pendukungnya Perceptron serta terminologi Weight,Bias, Activation Function


10% [2],[4],[6],[7]

algoritma training

backpropagation.

- Mahasiswa mampu menjelaskan cara mengimplementasikan perceptron untuk logika AND dan OR Mahasiswa mampu menjelaskan dan memahami algoritma step function dan sigmoid function

- Mahasiswa mampu mampu menjelaskan dan menyebutkan perceptron, multiperceptron, gradient decent,

- Mahasiswa mampu menjelaskan dan memahami algoritma training multilayer perceptron

5. Mahasiswa mampu memahami dan mengetahui Pemanfaatan Tensorflow Sebagai Salah satu library yang untuk Neural Network

- Sejarah Tensorflow

- Arstitektur Tensorflow

- Program atau

Aturan Dasar

Tensorflow

- Contoh

Implementasi

Machine Learning

dan Deep learning

pada Tensorlofw

- Bentuk: Kuliah


- Memahami Arsistektur Tensorflow

- Mahasiswa mampu menyebutkan dan Menjelaskan fungsi dasar dari Tensorlof

- Mahasiswa mampu menjelaskan cara mengimplementasikan fungsi-fungsi dasar Tensorflow pada Deep learning


10% [2],[3],[4],[5]

6-7. Mahasiswa mampu memahami dan mengetahui Pemanfaatan Python serta Model-Model Deep Learning Secara Umum dan Library Pendukung Deep Learning

- Overview Python

- Konsep Dasar Learning

- Model-Model

Arsitektur Deep

Net (CNN, RNN,

RBM,

DBN,AE,RNTN)

- Library-library Deep

Learning pada

Python: Tensorflow,

Keras, H2O, Torch,

Cafee

- Platform Deep

- Bentuk: Kuliah


- Mahasiswa mampu menjelaskan dan memahami dan mengerti pemanfaatan pemograman Python pada Deep Learnig

- Mahasiswa mampu menjelaskan dan memahami pentingnya Deep Leanring

- Mahasiswa mampu menjelaskan dan menyebutkan model-model Deep learning secara umum

- Mahasiswa


10% [1][2],[3],[4],[5],[6],[7]

mampu menjelaskan dan menyebutkan fungsi dari masing-

Learning

Terintegrasi (AWS,

H2O,

Deeplearning4

j,

predictionIO)

- Online Platform

Deep

Learning(Deepcognit

io n, Tensorflow

Playground)

masing library - Mahasiswa

mampu menjelaskan dan menyebutkan fungsi dari platform terintegrasi

- Mahasiswa mampu menjelaskan dan menyebutkan pemanfaatan dari platform online

8-9. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Convolutional Neural Netwok (CNN)

- Cara manusia

memahami

gambar

- Operasi konvolusi

- Cara kerja arsitektur

Convolutional

Neural Network

(Convolution Layer,

Max Pooling Layer,

Fully Connected

Layer)

- Proses training CNN

- Implementasi

arsitektur

Convolutional Neural

Network

menggunakan

tensorflow

- Bentuk: Kuliah


- Mahasiswa

mampu

menjelaskan dan

mengetahui cara

manusia

memahami

gambar

- Mahasiswa

mampu

menjelaskan dan

mengetahui

memahami

operasi konvolusi

- Mahasiswa mampu

menjelaskan dan

memahami cara

kerja arsitektur


10% [2],[4],[6],[7]

Convolutional

Neural Network

(Convolution Layer,

Max Pooling Layer,

Fully Connected

Layer)

- Mahasiswa

mampu

menjelaskan dan

memahami

proses training

CNN

- Mahasiswa mampu menjelaskan cara mengimplementasikan arsitektur Convolutional Neural Network menggunakan tensorflow

10. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Recurrent Neural Network (RNN) dan Long Short Term Memory (LSTM)

- Data Sequential

- Dasar Recurent

Neural Network

(RNN)

- Long Short

Term Memory

(LSTM)

- Bentuk: Kuliah


- Mahasiswa

mampu

menjelaskan dan

memahami

permasalahan

data sequential

- Mahasiswa mampu

menjelaskan dan

memahami cara

kerja arsitektur

Recurrent Neural

Network (RNN) dan

mengetahui

masalah mendasar

pada arsitektur ini

- Mahasiswa mampu

menjelaskan dan

memahami

arsitektur Long Short

Term Memory

(LSTM) sebagai

pengganti RNN

- Mahasiswa mampu

menjelaskan dan

mengetahui

manfaat LSTM

dalam language

modelling

- Mahasiswa mampu menjelaskan cara


10% [2],[4],[6],[7]

mengimplementasikan RNN dan LSTM menggunakan tensorflow

11. UJIAN TENGAH SEMESTER

12-13. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Restricted Boltzman Machine (RBM)

- Arsitektur

Restricted

Blotzmann

Machine (RBM)

- Kasus-kasus yang

bisa diselesaikan

dengan arsitektur

RBM

- Cara training RBM

- Bentuk: Kuliah


- Mahasiswa mampu

menjelaskan dan

memahami

arsitektur

Restricted

Blotzmann Machine

(RBM)

- Mahasiswa mampu

menjelaskan dan

memahami kasus

yang bisa


10% [2],[4],[6],[7]

diselesaikan dengan

arsitektur RBM

- Mahasiswa mampu menjelaskan dan memahami cara

- Implementasikan

RBM menggunakan

tensorflow

training RBM

- Mahasiswa mampu menjelaskan cara mengimplementasikan RBM menggunakan tensorflow

14. Mahasiswa mampu memahami lebih dalam dan mengimplementasikan arsitektur Autoencoder (AE)

- Dasar arsitektur

Autoencoder

(AE) diciptakan

- Permasalahan

dimensi dan

dimensionality

reduction dengan

PCA

- Arsitektur

Autoencod

er

- Kasus-kasus yang

dapat diselesaikan

dengan

Autoencoder (AE)

- Mengimplementasik

an AE menggunakan

tensorflow

- Bentuk: Kuliah


- Mahasiswa

mampu

menjelaskan dan

memahami

motivasi awal

arsitektur

Autoencoder (AE)

diciptakan

- Mahasiswa mampu

menjelaskan dan

mengetahui

permasalahan

dimensi dan

dimensionality

reduction dengan

PCA

- Mahasiswa mampu

menjelaskan dan

memahami

arsitektur

Autoencoder

- Mahasiswa

mampu


10% [2],[4],[6],[7]

menjelaskan dan

mengetahui

kasus- kasus yang

dapat diselesaikan

dengan

Autoencoder (AE)

- Mahasiswa mampu menjelaskan cara mengimplementasikan AE menggunakan tensorflow

15. Mahasiswa mampu memahami dan mengetahui Accelerated Deep Learning

- Gpu dan CPU - Perbandingan

antara CPU dan GPU

- Bentuk: Kuliah


- Mahasiswa

mampu

menjelaskan dan

memahami GPU

sebagai pemroses

alternatif yang

lebih cepat

dibanding CPU

- Mahasiswa mampu menjelaskan cara mempraktikkan dan memperbandingkan secara langsung Deep Learning dengan menggunakan CPU


10% [2],[4],[6],[7]

GPU

16. UJIAN AKHIR SEMESTER SEMESTER

FORMAT RANCANGAN TUGAS 1

Nama Mata Kuliah : PENGANTAR ALGORITMAPengantar Algoritma Deep Learning SKS : 2 Program Studi : Teknik Informatika Pertemuan ke : 2 Fakultas : Teknologi Industri

A. TUJUAN TUGAS : - Memahami implementasi Aljabar Linear dan Kalkulus Dasar pada bahasa Python. - Memahami implementasi library Numpy, Pandas, dan Matplotlib

B. URAIAN TUGAS : a. Obyek Garapan

- Implementasi Aljabar Linear (Matrix, Operasi Matrix, Transpose Matrix) - Implementasi library Python untuk Numpy, Pandas, dan Matplotlib

b. Metode atau Cara pengerjaan - Latihan di kelas :

Melakukan percobaan terkait pemanfaatan numpy, pandas dan maplotlib - Tugas :

Carilah beberapa referensi terkait pemanfaatan aljabar linear dan kalkulus dasar serta implementasi library python untuk numpy, pandas dan matplotlib

Rangkumlah referensi tersebut dapat menjelaskan aljabar linear (matrix, opearasi matrix, transpose matrix) serta contoh pemanfaatan pada Python dengan menggunakan jupyter

Kumpulkan hasil rangkuman tersebut pada pertemuan berikutnya c. Deskripsi Luaran tugas yang dihasilkan :

Makalah yang dicetak dengan format lembar judul, kata pengantar, daftar isi, isi dari tugas, dan daftar pustaka dengan font Times New Roman, ukuran 12

C. KRITERIA PENILAIAN (10 %) - Kelengkapan isi rangkuman - Kebenaran isi rangkuman

GRADING SCHEME COMPETENCE

KRITERIA 1: Kelengkapan isi rangkuman DIMENSI Sangat Memuaskan Memuaskan Bata

s Kurang

Memuaskan

Di bawah standard SKOR

Kelengkapan konsep Lengkap dan terpadu

Lengkap Masih kurang Hanya Tidak ada konsep 5

beberapa aspek yang

menunjukkan

belum terungkap sebagian konsep saja

KRITERIA 2 :Kebenaran isi rangkuman

DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaska

n

Di bawah standard SKOR

Kebenaran konsep Diungkapkan dengan Diungkap dengan Sebagian besar Kurang dapat Tidak ada konsep yang

5

tepat, terdapat aspek tepat tetapi deskriptif konsep sudah mengungkapkan disajikan penting, analisis dan terungkap, namun aspek penting, membantu masih ada yang melebihi halaman, memahami konsep terlewatkan tidak ada proses merangkum hanya mencontoh


Nama Mata Kuliah : Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 4-5 Fakultas : Teknologi Industri

A. TUJUAN TUGAS :

Mampu mengerti dasar neural network dan pemanfaatan Tensorflow

B. URAIAN TUGAS :

a. Obyek Garapan Dasar Neural Network dan Pemanfaatan Tensorflow


Menerapkan program sederhana Melakukan instalasi Tensorflow

- Tugas : Menerapkan fungsi-fungsi tensorflow.

c. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.

C. KRITERIA PENILAIAN ( 10 %)

- Kelengkapan isi Laporan


Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 8,9 Fakultas : Teknologi Industri

A. TUJUAN TUGAS :

- Melakukan pembuatan program CNN untuk kasus image prosessing B. URAIAN TUGAS :

a. Obyek Garapan Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing


Membuat tahapan implementasi program CNN Melakukan analisa terkait hasil program CNN dengan Keras dan Tensorflow

- Tugas : Membuat Laporan terkait langkah-langkah penerapan CNN beserta dengan analisanya.

c. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.

C. KRITERIA PENILAIAN ( 15 %) - Presentasi terkait implementasi CNN - Kesesuaian dengan tahapan implementasi - Output aplikasi


Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke 10 Fakultas : Teknologi Industri

A. TUJUAN TUGAS :

- Melakukan pembuatan program LTSM atau RNN B. URAIAN TUGAS :

d. Obyek Garapan Penerapan CNN dengan menggunakan library keras atau tensorflow untuk kasus image processing

e. Metode atau Cara pengerjaan - Latihan di kelas :

Membuat tahapan implementasi program LTSM atau RNN Melakukan analisa terkait hasil program LTSM atau RNN dengan Keras dan Tensorflow

- Tugas : Membuat Laporan terkait langkah-langkah penerapan LTSM atau RNN beserta dengan analisanya.

f. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.


- Presentasi terkait implementasi LTSM atau RNN - Kesesuaian dengan tahapan implementasi - Output aplikas


Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke : 12,13 Fakultas : Teknologi Industri

B. TUJUAN TUGAS :

- Melakukan pembuatan program RBM B. URAIAN TUGAS :

g. Obyek Garapan Penerapan RBM dengan menggunakan library keras atau tensorflow untuk kasus image processing

h. Metode atau Cara pengerjaan - Latihan di kelas :

Membuat tahapan implementasi program RBM Melakukan analisa terkait hasil program RBM dengan Keras dan Tensorflow

- Tugas : Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya.

i. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.


- Presentasi terkait implementasi RBM - Kesesuaian dengan tahapan implementasi - Output aplikas


Nama Mata Kuliah : Pengantar Algoritma Deep Learning SKS 2 Program Studi : Teknik Informatika Pertemuan ke 14 Fakultas : Teknologi Industri

C. TUJUAN TUGAS :

- Melakukan pembuatan program Autoencoder B. URAIAN TUGAS :

j. Obyek Garapan Penerapan Autoencoder dengan menggunakan library keras atau tensorflow untuk kasus image processing

k. Metode atau Cara pengerjaan - Latihan di kelas :

Membuat tahapan implementasi program Autoencoder Melakukan analisa terkait hasil program Autoencoder dengan Keras dan Tensorflow

- Tugas : Membuat Laporan terkait langkah-langkah penerapan RBM beserta dengan analisanya.

l. Deskripsi Luaran tugas yang dihasilkan : Laporan berisi kode dan output program.


- Presentasi terkait implementasi Autoencoder - Kesesuaian dengan tahapan implementasi - Output aplikasi

KRITERIA 1 : Tingkat kreatifitas

DIMENSI Sangat Memuaskan Memuaskan Batas Kurang Memuaskan Di bawah standard SKOR

Pemilihan Kasus Kasus yang dipilih Kasus yang dipilih Kasus yang dipilih Kasus mencontoh Kasus/Objek yang 2

dan variasi kompleks dan kompleks walau sederhana dari buku/orang lain dipilih secara asal program yang sangat jarang sering ditemui dibuat ditemui

KRITERIA 2 : Tingkat Ketepatan penulisan


Ketepatan dan Tepat dan teliti Tepat dan teliti Tepat dan teliti Kurang tepat dan Tidak tepat dalam 2 ketelitian dalam dalam dalam menggunakan teliti dalam menggunakan penulisan menggunakan menggunakan sintaks dan tidak ada menggunakan sintaks sintaks program sintaks dan sintaks dan sedikit variasi jawaban sintaks

terdapat variasi variasi jawaban jawaban

KRITERIA 3 : Tingkat kesesuaian


Kesesuaian tepat/sesuai tepat/sesuai tepat/sesuai dengan Kurang tepat/sesuai Tidak tepat/sesuai 2 output program dengan output yang dengan output yang output yang dengan output yang dengan output

diharapkan dan diharapkan dan diharapkan dan tidak diharapkan yang diharapkan terdapat variasi sedikit variasi ada variasi jawaban jawaban jawaban

universitas gunadarma program studi teknik …sap.gunadarma.ac.id/upload/it-045240.pdf · 2020. 11....

Documents