Sistem Peringkas Berita Otomatis Berbasis Text Mining .
Sistem Peringkas Berita Otomatis berbasis TextMining menggunakan Generalized Vector SpaceModel: Studi Kasus Berita diambil dari MediaMassa OnlineBudhi Kurniawan Wangsa1, Darmawan Utomo2 , Saptadi Nugroho3Program Studi Sistem Komputer,Fakultas Teknik Elektronika dan KomputerUniversitas Kristen Satya Wacana, Salatiga1budhi.wangsa.ftje@gmail.co.id, 2darmawan@staff.uksw.edu, 3saptadi nugroho@yahoo.com,RingkasanMakalah ini akan membahas mengenai sistem yang memiliki fungsi utama membentukringkasan dari dokumen secara otomatis dengan menggunakan metode yang bersifat textmining. Sistem akan menggunakan berita sebagai dokumen sumber yang akan dibentukringkasannya. Sistem ini bersifat desktop based dan menggunakan internet sebagai sumberpencarian dokumen berita. Pencarian akan menggunakan focused crawler dan bersifat textmining yakni hanya diambil teks beritanya saja. Metode generalized vector space model (GVSM)adalah metode untuk menilai tingkat kemiripan tiap kalimat terhadap suatu topik dokumen.Dengan metode GVSM ini dapat diketahui kalimat mana yang lebih berbobot terhadapsuatu dokumen sehingga dapat dilakukan peringkasan dengan memperhatikan tingkatkemiripan kalimat. Dari hasil perancangan dan pengujian didapat tingkat kesuksesanfocused crawler sebesar 53% sementara dari kuesioner hasil ringkasan menggunakan metodeGVSM dinilai secara rata-rata 2,71 dari skala 1-4 oleh empat puluh orang responden. Sistemmampu meringkas sebanyak 754 berita dari 797 berita yang didapat atau sekitar 94% dariberita yang didapat. Sehingga didapat kesimpulan bahwa sistem yang dirancang mampumencari berita secara terarah sekaligus meringkas berita dengan hasil yang dapat diterima.Kata Kunci: focused crawler, generalized vector space model, peringkasan otomatis.1.Latar BelakangDunia informasi yang semakin tidak mengenal batas ruang dan waktu membuatsemua orang bisa mengakses informasi kapan saja dan di mana saja. Salah satu informasiyang sangat banyak dicari adalah berita. Dalam prosesnya pengguna yang mengaksesberita yang ingin dicari melalui internet biasa menggunakan bantuan mesin pencariseperti Google, Bing, dan berbagai mesin pencari lainnya. Akan tetapi hasil yang didapathanya berupa halaman web yang mengandung informasi berita secara umum sepertijudul dan link menuju berita tersebut.Ringkasan adalah suatu pokok permasalahan dari suatu paragraf ataupun suatudokumen [1]. Dengan melihat sebuah ringkasan saja seorang pembaca dapat memahamigaris besar dari suatu berita tanpa perlu membaca secara detil berita tersebut. Secara231
Technรฉ Jurnal Ilmiah Elektroteknika Vol. 13 No. 2 Oktober 2014 Hal 231 โ 241umum pembaca dari suatu berita hanya fokus melihat pada garis besar suatu berita yangdicari sebelum melihat lebih detil lagi berita hasil pencarian [2].Pembentukan ringkasan secara otomatis bisa dilakukan dengan berbagai macammetode. Metode yang paling umum dilakukan adalah dengan mencari pokok pikiranutama atau kalimat utama dari setiap paragraf berita. Salah satu cara pencariandilakukan dengan melakukan perhitungan menggunakan metode natural languageprocessing (NLP) yaitu GVSM. Inti utama pada metode GVSM adalah melihat nilaikemiripan dokumen terhadap suatu query pencarian. Pembobotan nilai dilakukandengan melakukan pengecekan istilah satu persatu dimana istilah tersebut akan dicarijumlahnya dalam dokumen tersebut. Semakin banyak ditemukan maka istilah tersebutakan mendapat bobot yang lebih besar [3].2.Perancangan SistemPerancangan terdiri dari perancangan focused crawler dan perancangan peringkasberita otomatis.Gambar 1. Blok diagram sistem yang dirancang.232
Sistem Peringkas Berita Otomatis berbasis Text Mining menggunakan GeneralizedVector Space Model: Studi Kasus Berita diambil dari Media Massa OnlineBudhi Kurniawan Wangsa, Darmawan Utomo, Saptadi NugrohoDari diagram pada Gambar 1 dapat diperjelas blok beserta masukan dan keluarandari sistem. Secara berurutan blok-blok yang ada pada sistem ini adalah focused crawler,kemudian pembentuk ringkasan, dan terakhir penyortir topik. Blok-blok tersebut akanberjalan secara berurutan dari awal hingga akhir proses.Masukan dari blok pertama adalah query pencarian dari pengguna yang akandijadikan patokan pencarian oleh sistem. Keluaran adalah halaman-halaman yangberasal dari situs-situs media massa Indonesia yang tersebar di internet. Crawler bertugasmencari dan menyalin halaman halaman berita dari situs media massa yang sesuai dankemudian disimpan pada database. Crawler yang digunakan bersifat focused yang berartibahwa crawler akan mencari hasil yang paling relevan dengan query pencarian. Halamanhalaman akan diambil teksnya saja karena teks adalah bagian yang akan diproses olehsistem di blok kedua. Link dari halaman-halaman juga akan disimpan sebagai acuan yangakan disertakan juga di akhir proses.Blok selanjutnya yang akan dijalankan oleh sistem adalah peringkas berita. Masukanyang akan digunakan dari blok ini ada dua yaitu halaman-halaman hasil pencarian yangdilakukan oleh blok pertama dan kata-kata yang bersumber dari database thesaurus.Masukan pertama berfungsi sebagai dokumen masukan utama yang akan diprosesmenjadi suatu ringkasan. Dokumen yang berupa teks berita hasil pencarian akandibentuk ringkasannya menggunakan algoritma GVSM.2.1.Focused CrawlerPada bagian ini akan dijelaskan mengenai perancangan hingga perealisasian focusedcrawler menggunakan algoritma genetik. Focused crawler adalah modifikasi dari webcrawler biasa yaitu web crawler yang memiliki proses seleksi dalam penelusuran halamanhalaman web. Focused crawler bisa membedakan hasil yang relevan dan tidak relevan.Focused crawler pada umumnya membutuhkan suatu masukan untuk dijadikan patokanpencarian. Masukan yang sangat mempengaruhi focused crawler adalah link yang menjadiacuan pencarian. Dengan berpatokan pada link tersebut maka crawler akan mencarihalaman yang memiliki kemiripan tinggi dengan halaman pada link tersebut. Kemiripanbisa dilihat dari domain link yang ditelusuri atau juga dari isi halaman yang ditelusuri.Penerapan algoritma genetik pada focused crawler adalah pada pembentukan populasibaru dari populasi awal hasil pencarian. Populasi awal yang dimaksud adalah kumpulanhalaman-halaman web hasil pencarian yang paling pertama. Setelah itu dilakukan duaproses yaitu mutasi dan rekombinasi (cross over) untuk mendapatkan populasi baru yangjuga memiliki relevansi dengan masukan. Proses rekombinasi dari halaman halaman webmenggunakan sebuah variabel cross over sebagai salah satu patokan. Masing masing URLakan memiliki cross-over rate sendiri. Variabel cross-over adalah total nilai Jscore darisemua web yang memuat URL yang sedang dihitung nilai cross-over rate-nya. URLdengan cross-over rate terbesar kembali masuk ke dalam antrian crawler.Proses mutasi adalah proses pencarian secara meta-search. Potongan potongan katakunci dari halaman-halaman web pada populasi awal akan digunakan sebagai patokan.Potongan potongan tersebut kemudian dijadikan query dalam pencarian pada tiga mesinpencari yaitu Bing, Yahoo, dan Google. Sepuluh hasil terbaik dari setiap mesin pencariakan dimasukkan ke dalam antrian crawler. Proses mutasi menggunakan variabelmutation rate sebagai variabel kemungkinan terjadinya mutasi.Berdasarkan hasil penelitian dan pengujian, nilai mutation rate yang besar akanmenambah halaman web hasil pencarian di mesin pencari menjadi lolos seleksi.233
Technรฉ Jurnal Ilmiah Elektroteknika Vol. 13 No. 2 Oktober 2014 Hal 231 โ 241Sementara nilai cross-over rate yang besar akan menambah kemungkinan halamanhalaman web baru yang saling berkaitan [4].Pencarian menggunakan focused crawler bersifat text mining yakni hanya diambil teksberitanya saja. Dalam melakukan text mining dibutuhkan langkah langkah secara urutyaitu: tokenizing, filtering, stemming, analyzing [5]. Tokenizing adalah tahap pemecahankalimat menjadi kata-kata penyusun. Sementara filtering adalah proses seleksi kata-katayang dianggap penting dan kemudian akan dilakukan stemming yaitu diambil kata dasardari kata- kata hasil filtering. Analyzing adalah proses analisa keterhubungan kata-katadengan dokumen atau paragraf. Proses analyzing inilah yang membutuhkan metodemetode natural language processing (NLP) untuk mendapatkan hasil yang tepat dan sesuaidengan tata bahasa yang berlaku [6].2.2.Perancangan Peringkas Berita OtomatisPada bagian ini akan dibahas mengenai perhitungan dengan metode GVSM danperancangan peringkas berita otomatis menggunakan metode GVSM.2.2.1. Perhitungan Metode GVSMGeneralized vector space model (GVSM) adalah salah satu bentuk pemodelan aljabaryang biasa digunakan untuk menggambarkan teks dan dokumen ke dalam bentukvektor. Metode ini biasa digunakan untuk menentukan nilai kemiripan dokumenterhadap suatu kata query. Pada metode GVSM hasil akhir yang merupakan nilaikemiripan atau relevansi suatu dokumen dinyatakan dalam suatu nilai yaitu similaritycoefficient (SC). Rumus perhitungan SC pada GVSM adalah sebagai berikut :SC q,๐ ๐ n(( nj 1 i 1 (๐๐๐ *๐ ๐๐ ))*(๐๐ ๐๐ ))n (๐ )2๐๐j 1n (๐ )2j 1 ๐๐SCwqjdijtfij similarity coefficient nilai kata j terhadap query q tfqj * idfj nilai kata j pada kalimat i tfij * idfj term frequency kemunculan kata j pada kalimat diidfj inverse document frequency logddj jumlah total kalimat jumlah kalimat yang mengandung kata j2๐ก๐ 1 ๐๐๐2tj 1 (๐ ๐๐ ) Lwqj(1)ddj panjang vektor query Ldij panjang vektor kalimati indeks kalimatj indeks kataq indeks queryDimana ts dan tj bisa ditentukan secara berbeda beda dalam setiap penggunaannya.Beberapa penelitian menggunakan korelasi antar istilah pada indeks istilah sebagaiinputan. Sementara pada penelitian Tsatsaronis menggunakan pembobotan tambahanyaitu keterkaitan secara semantik menggunakan aplikasi Thesaurus yaitu wordnet [7].Sehingga metode GVSM menjadi metode VSM yang memiliki nilai tambah dari segiketerkaitan secara bahasa dan tidak hanya menghitung similarity coefficient secaramatematis berdasarkan pada jumlah kemunculan tapi juga berdasarkan kepadakaitannya dengan tata bahasa.234
Sistem Peringkas Berita Otomatis berbasis Text Mining menggunakan GeneralizedVector Space Model: Studi Kasus Berita diambil dari Media Massa OnlineBudhi Kurniawan Wangsa, Darmawan Utomo, Saptadi NugrohoDalam penelitian ini vektor ts dan tj ditentukan sebagai vektor frekuensi kata padakalimat (tj) pada suatu kalimat yang sedang dalam proses perhitungan nilai SC danvektor jumlah sinonim (ts) dari masing-masing kata pada vektor tj, Kata yangdimasukkan hanya jika kata tersebut juga berkaitan dengan query. Jika kata tidakberkaitan maka kata tidak dimasukkan ke dalam vektor. Nilai perkalian titik (skalar)kedua vektor tersebut akan dijadikan pengali pada pembilang dari perhitungan SC.Dimensi vektor sinonim disamakan dengan dimensi vektor kata. Dengan kata lainsemakin banyak sinonim dari kata yang frekuensinya besar dan juga berkaitan denganquery pada suatu kalimat akan menyebabkan kalimat tersebut memiliki nilai SC yanglebih besar.2.2.2. Perancangan User Interface pada SistemUI pada sistem ini terbagi ke dalam beberapa form yang terpisah. Tujuan form yangdibuat terpisah agar memudahkan pengerjaan sistem dan juga memudahkan penggunamemilih form yang sesuai dengan kebutuhan. Form dirancang dengan jenis Windows Formmenggunakan bahasa pemrograman Visual C# .NET. Dengan menggunakan compilerMicrosoft Visual Studio 2010 dan berbasis pada .NET Framework 4.Berikut modul-modul UI yang ada pada sistema. Form Awal (frmAdmin)b. Form Crawling (frmCrawling)c. Form Summarizer (frmSummarizer)d. Form Debugging Mode Summarizer (frmSummarizerTrial)Form frmSummarizer trial adalah bagian yang berfungsi melihat rincian prosesperingkasan seperti tertampil pada Gambar 2.Sementara form frmSummarizer adalah form yang berfungsi meringkas berita dalamjumlah banyak sekaligus dan juga melihat jumlah berita yang gagal diringkas. Sejumlah6% berita yang tidak teringkas dikarenakan berbagai faktor antara lain berita tidak adaisinya, atau berita terlalu kotor karena banyak tag HTML yang tidak dapat dibersihkan.Form frmSummarizer tertampil pada Gambar 3.Hasil akhir dari proses peringkasan yang dapat dilihat dengan mudah olehpengguna ada pada frmAdmin dimana pengguna dapat mencari berita dengan judulyang sesuai dan sudah terkategori secara otomatis. Dengan hasil akhir tertampil padaGambar 4.235
Technรฉ Jurnal Ilmiah Elektroteknika Vol. 13 No. 2 Oktober 2014 Hal 231 โ 241Gambar 2. Tampilan frmSummarizerTrialGambar 3. Tampilan frmSummarizerGambar 4. Tampilan frmAdmin236
Sistem Peringkas Berita Otomatis berbasis Text Mining menggunakan GeneralizedVector Space Model: Studi Kasus Berita diambil dari Media Massa OnlineBudhi Kurniawan Wangsa, Darmawan Utomo, Saptadi Nugroho3.Pengujian dan AnalisisPada bagian ini akan dijelaskan dua pengujian yang telah dilakukan yaitu pengujianfocused crawler dan pengujian hasil ringkasan berita.3.1.Pengujian Focused CrawlerFocused crawler diuji dengan memperhatikan beberapa bagian penting yang berkaitanantara lain parameter dari pengguna dan juga melihat jenis-jenis keluaran untuk tiap-tiapmasukan yang berbeda-beda. Beberapa parameter dibuat sama dengan penelitian focusedcrawler sebelumnya sedangkan beberapa parameter disesuaikan dengan penelitian ini.Keluaran yang didapat juga merupakan hasil modifikasi dari focused crawler sebelumnyasehingga setiap keluaran perlu diperhatikan secara detail.Parameter yang merupakan bagian utama dari focused crawler dan tidak mengalamiperubahan untuk setiap percobaan adalah sebagai berikut :1. populationSize adalah ukuran populasi, banyaknya halaman web yang membentuksebuah populasi pada implementasi Algoritma Genetik.2. generationSize adalah ukuran generasi, banyaknya perulangan (iterasi)pembentukan populasi yang dilakukan pada tahap Algoritma Genetik.3. crossoverRate adalah probabilitas cross-over, peluang terjadinya rekombinasi padatahap Algoritma Genetik.4. mutationRate adalah probabilitas mutasi, peluang terjadinya mutasi pada tahapAlgoritma Genetik [4].Keempat parameter tersebut diatur didalam sebuah file bernama App.config dankemudian akan diambil oleh program untuk kemudian digunakan dalam proses crawling.Nilai-nilai untuk keempat parameter tersebut antara lain :1. populationSize : 100(dalam range 1-100)2. generationSize : 100(dalam range 1-100)3. crossoverRate: 0.7(dalam range 0-1)4. mutationRate: 0.7(dalam range 0-1)Pengujian focused crawler ditekankan pada seberapa baik crawler bisa mendapatkanberita-berita yang relevan dengan masukan selama proses crawling. Masukan yangdiberikan berbeda-beda setiap kali pengujian dan yang membedakan antara setiapmasukan adalah domain lexicon dan keyword dari setiap percobaan pencarian. Sementarabeberapa percobaan memiliki juga kesamaan yaitu dalam topik berita yang dicari. Sesuaidengan pembatasan topik pada penelitian ini difokuskan ke dalam enam topik. Sehinggadalam proses pencarian dan juga menentukan jenis berita yang akan dicari tetapmengacu pada enam topik yang sudah ditentukan. Keenam topik yang dijadikanpatokan dalam pengujian adalah sebagai berikut :1. Politik2. Kriminal3. Kesehatan4. Olahraga5. Pemerintahan6. EkonomiUntuk masing-masing topik tersebut akan dilakukan pencarian sebanyak lima kalidengan keyword dan domain lexicon yang berbeda-beda untuk menentukan pencarian.237
Technรฉ Jurnal Ilmiah Elektroteknika Vol. 13 No. 2 Oktober 2014 Hal 231 โ 241Setelah dilakukan pencarian maka akan dilihat pula keluaran dari sistem dan dilakukanpenilaian terhadap sistem.Dalam menentukan keyword dan juga domain lexicon digunakan cara manual yaitumemilih langsung halaman web apa yang akan dijadikan domain lexicon atau dengan katalain menjadi titik awal crawling dan juga menentukan keyword apa yang sesuai dengandomain lexicon yang sudah ditentukan.Penilaian terhadap hasil crawling adalah berupa tingkat kesuksesan. Tingkatkesuksesan adalah perbandingan berapa banyak berita yang relevan dengan jumlahberita. Penilaian mengenai apakah suatu berita relevan atau tidak dilakukan secaramanual dengan membaca satu persatu berita yang disimpan setiap pencarian. Tingkatkesuksesan dalam satuan persentase keberhasilan dengan nilai tertinggi 100% dan nilaiterendah 0%. Ringkasan dari hasil pengujian focused crawler ditampilkan pada Tabel 1berikut.Tabel 1. Ringkasan Pengujian Focused CrawlerTopik Berita1KesehatanTingkat Kesuksesan Percobaan ke(Dalam satuan %)2345Rata-Rata(Dalam satuan 2,538,2Kriminal31,439,255,57,648,536,5Dalam Satuan %Sementara perbandingan rata-rata tingkat kesuksesan pencarian untuk tiap-tiap topikberita digambarkan dalam diagram pada Gambar 5.80706050403020100Rata Rata TingkatKesuksesanTOPIKGambar 5. Rata-Rata Tingkat Kesuksesan Pencarian Tiap TopikDari Tabel 1 dapat diambil rata-rata kesuksesan percobaan dari keseluruhan topikadalah 53%. Nilai tersebut lebih rendah dari target yang dipasang. Ada empat faktoryang menyebabkan rendahnya nilai tersebut antara lain.1. Berita yang sudah masuk tidak akan masuk lagi sehingga mengakibatkankemungkinan berita-berita yang dicari pada pencarian terakhir sudah diambiloleh crawler pada pencarian pencarian awal. Misalkan di awal sudah ditemukanberita mengenai melemahnya rupiah maka jika pada pencarian berikutnya238
Sistem Peringkas Berita Otomatis berbasis Text Mining menggunakan GeneralizedVector Space Model: Studi Kasus Berita diambil dari Media Massa OnlineBudhi Kurniawan Wangsa, Darmawan Utomo, Saptadi Nugrohomencari topik melemahnya rupiah jumlah berita menurun karena sudah diambilpada pencarian pertama.2. Starting page yang ideal sangat sedikit.3. Gaya bahasa dan judul yang beragam4. Judul topik yang merupakan headline (misalkan: Korupsi Banten) banyaktercantum di banyak halaman berita lain sehingga menyebabkan halaman beritalain ikut terambil3.2.Pengujian Peringkasan BeritaPada pengujian sistem peringkas berita poin yang diujikan adalah ringkasan dariberita. Pengujian ini menggunakan bantuan kuesioner untuk mempercepat pengumplandata dari responden. Bahan yang digunakan responden untuk menilai meliputiringkasan berita, berita asli, dan judul berita. Sementara responden memberi identitasberupa nama dan latar belakang pekerjaan. Responden yang diminta untuk mengisikuesioner berjumlah empat puluh orang responden dengan latar belakang pekerjaanyang berbeda-beda. Jumlah berita yang diberikan pada responden untuk dinilai adalahsejumlah lima berita dengan masing masing berita memiliki ringkasan dan berita asli itusendiri. Selain itu responden juga diminta memberikan komentar tambahan serta kalimatyang seharusnya ada atau tidak ada dalam suatu ringkasan.Penilaian dilakukan dengan metode klasifikasi yaitu responden memberikanpenilaian terhadap masing masing berita dengan klasifikasi sebagai berikut. Sementarauntuk data berita yang disertakan dalam kuesioner dijabarkan dalam Tabel 3.Tabel 2. Kriteria PenilaianKriteriaNilaiSangat Baik4Baik3Buruk2Sangat Buruk1Tabel 3. Data Berita pada KuesionerNo Berita12345Judul BeritaWakil Ketua MK Yakin Tak Ada Lagi Hakim Konstitusi Terjerat KasusIndonesia Juara Umum Yamaha ASEAN Cup Race 2013Gempa 67 SR Guncang Maluku Tak Berpotensi TsunamiDr Lo Kalau Mau Kaya Ya Jangan Jadi Dokter tapi PedagangBelajar Bahasa Inggris Sambil Rayakan didikanResponden pada pengujian hasil ringkasan ini terdiri dari 40 orang responden yangterbagi dalam kategori pekerjaan yang berbeda-beda. Dari semua pekerjaan tersebutdapat dikelompokkan untuk mempermudah melihat gambaran dari ragam sampel.Kategori kategori pekerjaan dari responden antara lain :a. Karyawan dimana termasuk didalamnya karyawan swasta, pegawai negeri sipil,desainer interior, dan manager.b. Pengajar atau akademisi yaitu antara lain guru, pengajar kursus, dosen, danasisten laboratorium.c. Wiraswasta, pengusaha, wiraswasta komputer, kontraktor dan retailer obatd. Pekerjaan lain seperti pendeta, ibu
Dalam penelitian ini vektor t s dan t j ditentukan sebagai vektor frekuensi kata pada kalimat (t j) pada suatu kalimat yang sedang dalam proses perhitungan nilai SC dan vektor jumlah sinonim (t s) dari masing-masing kata pada vektor t j, Kata yang dimasukkan hanya jika kata tersebut juga berkaitan dengan query. Jika kata tidak
sistem organ, kelainan dan penyakit. Sistem โ sistem pada manusia dan hewan 1. Sistem pencernaan 2. Sistem ekskresi 3. Sistem pernapasan 4. Sistem peredaran darah 5. Sistem saraf dan indera 6. Sistem gerak 7. Sistem imun 8. Sistem reproduksi 9. Keterkaitan antar sistem organ dan homeostasis 10. Kelain
Dua berita pada edisi ini merupakan liputan khusus yang fokus utamanya mengedepankan liputan berita investigasi. Secara lebih rinci, berita-berita yang menjadi objek dalam penelitian ini adalah sebagai berikut: No. Majalah Judul Berita 1. Tempo Edisi 30 November โ 6 Desember 2015 Gerilya Setya Menjaga Singgasana 2. Tempo Edisi 7 Desember โ 13 Desember 2015 Balik Kanan Pendukung Komandan 3 .
Menginstalasi Sistem Operasi Berbasis Textmerupakan modul teori dan atau praktikum yang membahas tentang penginstalan sistem operasi berbasis text, mulai dari pengenalan sistem operasi, berbasis text, persiapan penginstalan, pelaksanaan penginstalan dan mengoperasikan serta trouble shooting sistem operasi berbasis Text.
sistem operasi jaringan berbasis text redhat linux 9, melaksanakan instalasi sistem operasi jaringan redhat linux 9 berbasis text, mengecek hasil instalasi dengan menjalankan sistem operasi jaringan. Dengan menguasai modul ini diharapkan peserta diklat mampu menginstalasi sistem operasi pada komputer yang terhubung dalam jaringan dengan baik.
majalah Tempo edisi Juni-Juli 2014, di mana terdapat 9 edisi majalah yang diterbitkan. Kemudian dari 9 edisi itu diambil 7 sampel berita yang isinya lebih terfokus pada kedua pasangan capres-cawapres. Hasil dari penelitian ini, majalah Tempo mengonstruksi berita-berita Pilpres 2014 dengan lebih banyak mengulas dua tema besar, yaitu; pertama, tentang calon presiden Prabowo Subianto, koalisi .
PEMBANGUNAN BERBASIS MASYARAKAT (SIPBM) Rangga Perdhana, SE Kasubbid Pendidikan dan Pemerintahan BAPPEDA KAB. SITUBONDO. S I PENDIDIKAN B M. 3 Sistem Informasi Pendidikan Berbasis Masyarakat Sistem Informasi Pembangunan Berbasis Masyarakat Jumlah anak pra sekolah yang akan memasuki P
atap gedung elektro, Fakultas Teknik, Universitas Negeri Jakarta, pada bulan Juli 2017 sampai dengan Januari 2018. Hasilnya, Sistem dapat melakukan penyiraman, mengalirkan nutrisi hidroponik, dan melakukan pengkabutan secara otomatis dengan tegangan yang bekerja sebesa
2 For referenced ASTM standards, visit the ASTM website, www.astm.org, or contact ASTM Customer Service at service@astm.org. For Annual Book of ASTM Standards volume information, refer to the standardโs Document Summary page on the ASTM website. 1
