Portofolio Proyek Skripsi



Prediksi Jumlah Kuantitas Pembelian

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanBack-Propagation
Total waktu pengerjaan6 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan perkiraan jumlah order dengan menggunakan data offer / permintaan dari periode sebelumnya. Data offer tersebut memiliki beberapa kriteria seperti PO Qty, Outstanding Qty, Stock Qty, Series Score, Film Status Score, dan Grade Score, dan memiliki sebuah kolom Order Qty sebagai output. Pada saat proses prediksi, pengguna akan memilih terlebih dahulu data offer manakah yang akan diprediksi outputnya, kemudian sistem akan mengambil semua data pada offer-offer sebelumnya sebagai data latih, melakukan pelatihan bobot, dan kemudian memprediksi nilai output berupa Order Qty dari masing-masing data offer tersebut. Data kolom Order Qty kemudian dapat disimpan ke dalam database agar dapat digunakan sebagai data latih untuk prediksi data offer pada periode-periode berikutnya.Metode yang digunakan adalah metode Backpropagation. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Penjadwalan Mata Kuliah

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanPSO (Particle Swarm Optimization)
Total waktu pengerjaan4 hari
Deskripsi Proyek
Ada sejumlah inputan data mata kuliah, dosen, kelas, waktu, ruang, dan tabel ajar yang tersedia. Data-data ini kemudian akan diproses untuk memperoleh jadwal kuliah yang paling baik. Jadwal kuliah yang tersedia memiliki batasan bahwa pada hari dan jam yang sama, tidak boleh ada matakuliah, dosen, dan ruang yang berada pada saat bersamaan. Selain itu terdapat beberapa batasan khusus dari segi sks, kode kelas, dan slot waktu yang harus dipenuhi agar tidak menghasilkan jadwal perkuliahan yang bentrok.Metode yang digunakan adalah metode PSO (Particle Swarm Optimization). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy dummy

Klasifikasi Nodul Tiroid

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanGSA (Gravitational Search Algorithm) dan SVR (Support Vector Regression)
Total waktu pengerjaan5 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan klasifikasi nodul tiroid dengan menggunakan 9 macam kriteria input yaitu Convexity, Solidity, Aspek Rasio, Dispersy, Turtoisy, Circularity, Compactness, Rectangularity, dan Selisih Kode Rantai. Keseluruhan data dengan 9 macam kriteria input ini akan dilatih dengan menggunakan 2 macam teknik, yaitu hanya menggunakan SVM saja, atau dengan menggunakan SVM yang dioptimasi dengan GSA. Akan tetapi masing-masing teknik memiliki pengujian kernel secara sendiri-sendiri, sehingga terdapat 5 macam proses pengujian, yaitu pengujian SVM dengan kernel Linear/Polynomial/RBF, dan pengujian GSA-SVM dengan kernel Polinomial/RBF. Hasil akurasi pengujian, beserta dengan waktu perhitungan, akan ditampilkan sebagai output.Metode yang digunakan adalah metode GSA (Gravitational Search Algorithm) dan SVR (Support Vector Regression). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Analisis Pendapat Pengguna Twitter

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanN-Gram dan Naive Bayes
Total waktu pengerjaan5 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah mengklasifikasikan tweet terhadap sebuah perusahaan penyedia jasa ekspedisi. Data yang digunakan adalah data tweet dari berbagai sumber yang sudah diekspor ke dalam bentuk file dokumen bertipe excel. Pada saat proses analisa, pengguna akan memilih sebuah jenis ekspedisi, dan kemudian sistem akan melakukan proses perhitungan untuk menentukan apakah data tweet terhadap ekspedisi tersebut memiliki kecenderungan positif, negatif, atau netral. Hasil kesimpulan akan ditampilkan pada layar, beserta dengan hasil pengelompokan masing-masing tweet terhadap status tersebut.Metode yang digunakan adalah metode N-Gram dan Naive Bayes. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Implementasi Enkripsi / Dekripsi pada Citra Digital

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
Metode TambahanRijndael
Total waktu pengerjaan2 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan enkripsi dan dekripsi terhadap citra bertipe jpg, bmp, atau png. Pada halaman enkripsi, pengguna dapat memilih citra input beserta dengan kata kunci, dan kemudian sistem akan melakukan enkripsi untuk citra tersebut sehingga hasil file enkripsi tidak dapat dibuka oleh perangkat lunak apapun. Pada halaman dekripsi, pengguna dapat memasukkan citra input berupa citra yang telah dienkripsi sebelumnya, beserta dengan memasukkan kata kunci untuk file tersebut, dan sistem akan melakukan dekripsi untuk mengembalikan citra seperti semula.

Screenshot Hasil Implementasi

Optimasi Rute Distribusi

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanBCO (Bee Colony Optimization)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Proyek ini hanya dikerjakan dalam 3 hari karena hanya meneruskan contoh skrip yang telah tersedia.Fungsi utama aplikasi ini adalah untuk melakukan pencarian jalur berdasarkan titik-titik yang dipilih. Pengguna akan memilih lokasi-lokasi distribusi yang ingin dituju, kemudian sistem akan melakukan pencarian jalur sehingga mendapatkan jalur dengan jarak yang paling pendek. Hasil pencarian jalur akan digambar pada peta, beserta dengan nilai jarak untuk melalui rute tersebut.Metode yang digunakan adalah metode BCO (Bee Colony Optimization). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Permainan Congklak

Bahasa PemrogramanMicrosoft Visual Basic .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseTidak ada
Metode TambahanGreedy Algorithm
Total waktu pengerjaan4 hari
Deskripsi Proyek
Ini adalah aplikasi permainan untuk bermain congklak. Aturan-aturan yang digunakan juga sama seperti aturan pada umumnya. Pemain akan mengambil biji congklak dari salah satu lubang pemain, kemudian secara bergiliran akan bergerak searah jarum jam untuk meletakkan biji congklak pada lubang-lubang berikutnya sampai biji congklak ditangan sudah habis. Jika pada lubang terakhir masih terdapat biji congklak maka pemain akan mengambil biji congklak tersebut dan melakukan hal yang sama seperti diatas. Hal tersebut berulang sampai biji terakhir terletak di lubang yang kosong, kemudian permainan dilanjutkan oleh musuh. Musuh juga akan melakukan hal yang sama sampai kondisi berhenti tercapai, kemudian permainan beralih kepada pemain. Pemenang permainan adalah pemain dengan jumlah biji pada lubang besar paling banyak.Metode yang digunakan adalah metode Greedy Algorithm.

Screenshot Hasil Implementasi
dummy dummy

Prediksi Produksi Padi Sawah

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanHolt Winters dan Back-Propagation
Total waktu pengerjaan7 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan perkiraan jumlah produksi padi, dengan kriteria-kriteria yang digunakan sebagai input adalah Luas Tanam, Curah Hujan, Luas Serangan Hama Tikus, Intensitas Serangan, dan Luas Panen. Selain itu juga terdapat data wilayah untuk mencatat nilai kriteria input diatas pada masing-masing wilayah. Pada saat melakukan prediksi, sistem akan melakukan pelatihan terlebih dahulu dengan menggunakan data latih sesuai dengan parameter wilayah dan periode yang diinputkan. Tahap pelatihan pertama adalah menggunakan Holt Winters, dengan hasil berupa nilai prediksi untuk periode tertentu, kemudian data output ini akan dijadikan data latih untuk algoritma Backpropagation, dengan hasil adalah bobot pelatihan. NIlai bobot ini yang kemudian digunakan untuk memprediksikan jumlah produksi padi pada periode yang baru.Metode yang digunakan adalah metode Holt Winters dan Backpropagation. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Klasifikasi Tekstur Citra

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanGabor Filter dan SVR (Support Vector Regression)
Total waktu pengerjaan2 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan klasifikasi terhadap 3 buah jenis tekstur, yaitu tekstur bunga-bunga, kotak-kotak, dan volcadot. Data yang digunakan adalah sejumlah data citra dari masing-masing jenis tekstur tersebut. Karena program tidak memiliki desain GUI, maka proses pelatihan dan pengujian dilakukan dengan menggunakan file terpisah. Proses pelatihan membutuhkan pembacaan input folder yang berisi semua citra sesuai dari masing-masing jenis dan menghasilkan obyek SVM, sedangkan proses pengujian membutuhkan obyek SVM dan input citra yang diuji. Hasil pengujian ditampilkan dalam figure beserta jenis tekstur dan waktu pengujian.Metode yang digunakan adalah metode Gabor Filter dan SVR (Support Vector Regression). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy dummy

Klasifikasi Data Penjualan

Bahasa PemrogramanJava
SoftwareNetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
DatabaseTidak ada
Metode TambahanK-Means++ Clustering
Total waktu pengerjaan3 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan pengelompokan data berdasarkan input jumlah cluster yang dapat disesuaikan oleh pengguna. Data yang digunakan adalah data barang dengan 3 kriteria, yaitu total jual, total beli, dan total laba. Hasil pengelompokan kemudian ditampilkan dalam tab yang berbeda untuk memudahkan cara pembacaan data barang pada cluster tersebut.

Screenshot Hasil Implementasi
dummy

Distribusi Air Minum

Bahasa PemrogramanJava
SoftwareNetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
DatabaseTidak ada
Metode TambahanPermasalahan Knapsack dan Floyd-Warshall
Total waktu pengerjaan3 hari
Deskripsi Proyek
Fungsi utama aplikasi ini terbagi dalam 2 macam, yaitu bagaimanakah cara memaksimalkan barang yang dibawa oleh masing-masing lori, dan bagaimanakah rute yang harus ditempuh untuk meminimalkan biaya perjalanan dari lori tersebut. Penyelesaian permasalahan pertama dilakukan dengan teknik Knapsack 0/1, sedangkan penyelesaian permasalahan kedua dilakukan dengan algoritma Floyd Warshall. Akan tetapi, kedua proses ini tidak saling berhubungan sehingga pengguna dapat melakukan pencarian rute tanpa harus menghitung lori yang diperlukan dari proses pertama.

Screenshot Hasil Implementasi
dummy

Sistem Informasi Manajemen Barang Bukti

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanTidak ada
Total waktu pengerjaan2 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah hanya untuk melakukan pencatatan penyimpanan dan pengeluaran barang bukti secara digital. Ada 3 fitur utama yang dibutuhkan dalam aplikasi. Halaman penyerahan digunakan untuk menambahkan barang bukti ke dalam sistem, halaman peminjaman dan pengembalian digunakan untuk transaksi yang terjadi untuk masing-masing barang bukti, dan kemudian halaman giat kontrol digunakan sebagai kontrol berkala untuk pengecekan kondisi dari masing-masing barang bukti yang tersimpan dalam sistem. Untuk masing-masing proses diatas juga tersedia laporan yang dapat dipilih secara mingguan, bulanan, atau tahunan untuk mengetahui transaksi apa sajakah yang terjadi selama periode waktu tersebut.

Screenshot Hasil Implementasi
dummy

Implementasi Indoor Positioning

Bahasa PemrogramanPython
SoftwarePython 3.5.0
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanFuzzy k-NN (k-Nearest Neighbors)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Proyek ini hanya dikerjakan dalam 3 hari karena hanya merupakan improvisasi dari contoh skrip yang telah tersedia. Fungsi utama aplikasi ini adalah untuk melakukan pengujian akurasi terhadap data yang tersedia. Data yang digunakan adalah data hasil pembacaan card BLE (Bluetooth Low Energy) yang dibaca dengan 6 reader berbeda sebanyak beberapa kali. Data ini kemudian diuji sebanyak 3 kali dengan algoritma Fuzzy k-NN untuk 3 macam cara filter, yaitu tanpa menggunakan Kalman Filter, hanya menggunakan Kalman Filter untuk data latih, dan yang terakhir adalah menggunakan Kalman Filter baik untuk data latih maupun data uji.Metode yang digunakan adalah metode Fuzzy k-NN. Tutorial metode ini dapat dilihat pada link diatas. Sebenarnya pada skrip contoh sudah tersedia perhitungan dengan algoritma k-NN yang menggunakan teknik k-Fold Cross Validation, beserta sistem filter dengan Kalman Filter.

Screenshot Hasil Implementasi
dummy dummy

Prediksi Harga Saham

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanBack-Propagation dan GA (Genetic Algorithm) / Algoritma Genetika
Total waktu pengerjaan8 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan pengujian prediksi untuk harga penutupan saham. Data yang digunakan adalah data saham dengan 5 kriteria input yaitu Open, High, Low, Offer, dan Bid, dan 1 kriteria output yaitu Close. Sistem akan melakukan pelatihan bobot menggunakan Algoritma Genetika, dan kemudian bobot tersebut akan dipakai kembali dalam proses pengujian dengan menggunakan Algoritma Backpropagation. Hasil perhitungan adalah nilai prediksi untuk kriteria Close dari masing-masing data yang digunakan.Metode yang digunakan adalah metode Backpropagation dan Algoritma Genetika. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Diagnosa Hama dan Penyakit Tanaman Padi

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanBackward Chaining
Total waktu pengerjaan3 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan diagnosa hama dan diagnosa penyakit dari tanaman padi. Oleh sebab itu diperlukan data gejala, solusi, dan aturan untuk masing-masing hama dan penyakit tanaman padi. Pada saat proses diagnosa, pengguna akan memilih gejala mana sajakah yang dialami oleh tanaman padi, dan kemudian sistem akan melakukan proses perhitungan untuk mencari hasil diagnosa beserta solusi yang dapat digunakan untuk mengatasi hama atau penyakit tersebut.Metode yang digunakan adalah metode Backward Chaining. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Optimalisasi Disposisi Petugas

Bahasa PemrogramanMicrosoft Visual Basic .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseMicrosoft SQL Server 2012
Metode TambahanKuhn-Munkres / Hungaria
Total waktu pengerjaan6 hari
Deskripsi Proyek
Fungsi utama dari aplikasi ini adalah untuk mencari sistem penugasan petugas sehingga semua petugas mendapatkan pekerjaan yang seimbang. Terdapat 3 data yang digunakan yaitu data petugas, data lembaga pemasyarakatan (lapas), dan data jenis kasus pidana. Kemudian masing-masing petugas akan memiliki tingkat keahlian untuk mengerjakan setiap masing-masing kasus pidana dengan rentang tertentu. Pengguna akan mengisi data klien dari masing-masing lapas dan mengumpulkannya dalam waktu 1 minggu, dan kemudian pada minggu berikutnya sistem akan melakukan perhitungan untuk mencari sistem penugasan terbaik sehingga petugas dapat mengunjungi semua klien dengan jenis kasus pidana yang lebih dikuasai.Metode yang digunakan adalah metode Kuhn-Munkres / Hungaria. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy dummy

Prediksi Konsentrasi Polutan

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanSVR (Support Vector Regression)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan uji akurasi terhadap data konsentrasi polutan yang tersedia. Sistem akan melakukan pelatihan sistem support vector berdasarkan data latih, dan kemudian melakukan pengujian nilai prediksi terhadap masing-masing data tersebut. Hasil perbandingan antara data sebenarnya dengan nilai prediksi kemudian akan ditampilkan dalam grafik. Setelah itu, sistem dapat digunakan untuk memprediksikan 5 data konsentrasi polutan pada periode berikutnya.Metode yang digunakan adalah metode SVR (Support Vector Regression). Tutorial dari metode SVR dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy dummy

Integrasi Kriptografi dengan Steganografi

Bahasa PemrogramanMicrosoft Visual Basic .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseTidak Ada
Metode TambahanSerpent dan LSB (Least Significant Bit)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Fungsi utama dari aplikasi ini adalah untuk melakukan enkripsi berbagai macam tipe file, dan kemudian hasilnya akan disisipkan ke dalam sebuah citra bertipe bmp. Citra yang diberi sisipan tidak boleh mengalami kerusakan citra sehingga tetap dapat dilihat seperti biasa. Proses selanjutnya adalah proses ekstraksi, dimana file terenkrip akan diekstrak dari citra, dan kemudian dilakukan dekripsi agar kembali menjadi seperti semula. Hasil file ini harus dapat dilihat kembali sama seperti bentuk aslinya.Metode enkripsi yang digunakan adalah metode Serpent, sedangkan metode penyisipan citra yang digunakan adalah metode LSB (Least Significant Bit). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Identifikasi Daun

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode Tambahank-NN (k-Nearest Neighbors)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Terdapat 2 macam daun yang dijadikan sebagai data input, yaitu daun salam dan daun alpukat. Masing-masing citra dari daun salam dan daun alpukat kemudian akan dicari nilai fitur berdasarkan konversi warna dari komponen warna RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value) dan Lab (Light, Kromatik *a, Kromatik *b). Citra input kemudian juga akan melalui hal yang sama, dan kemudian nilainya akan dibandingkan dengan masing-masing citra daun yang tersedia. Setelah melakukan proses perbandingan dan mendapatkan jawaban jenis daun, keterangan berupa nama daun, nama latin, dan kegunaan daun tersebut akan ditampilkan pada layar.Metode yang digunakan adalah metode k-NN (k-Nearest Neighbors). Tutorial dari masing-masing metode dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy

Sistem Pendeteksi Plagiat

Pengguna dengan status koordinator memiliki akses pada halaman kelola akun dan proposal mahasiswa. Koordinator memiliki hak akses utuh untuk memanipulasi data koordinator dan data semua admin yang tersedia. Halaman proposal mahasiswa digunakan untuk memanipulasi data input proposal yang sudah disimpan oleh pengguna yang tidak login. Koordinator juga dapat melihat hasil perhitungan skor kemiripan atas masing-masing data proposal tersebut
Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode TambahanStemming Arifin dan Jaro-Winkler Distance
Total waktu pengerjaan2 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah melakukan pendeteksian plagiat terhadap data yang sudah tersedia pada database.
  • Pengguna yang tidak login hanya dapat melakukan pengecekan kemiripan dan penyimpanan data proposal. Inti perhitungan aplikasi terdapat pada halaman pengecekan kemiripan, dimana sistem akan melakukan pendeteksian apakah teks yang diinputkan oleh user ternyata memiliki kemiripan dengan salah satu data jurnal yang tersedia pada database. Hasil perhitungan skor kemiripan kemudian akan diurutkan berdasarkan nilai proximity, dan hasilnya ditampilkan pada layar. Setelah pengguna mengetahui bahwa tidak ada data yang terlalu mirip dengan teks yang diinputkan, maka pengguna tersebut kemudian dapat melakukan penyimpanan data proposal.
  • Pengguna dengan status admin hanya memiliki akses pada halaman edit akun dan kelola skripsi. Admin dapat melakukan edit data username dan password dirinya sendiri pada halaman edit akun, dan kemudian halaman kelola skripsi digunakan untuk melakukan manipulasi data terhadap data jurnal yang sudah tersedia pada database.

  • Screenshot Hasil Implementasi
    dummy
    dummy

    Lihat Portofolio Sebelumnya


    Tertarik menggunakan jasa kami? Informasi lebih lanjut mengenai fasilitas dan harga yang ditawarkan dapat dilihat pada Fasilitas dan Harga Hubungi kami di Hubungi Kami