Portofolio Proyek Skripsi

Perhitungan Insentif Karyawan

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	SAW (Simple Additive Weighting)
Total waktu pengerjaan	5 hari
Terdapat 6 kriteria yang digunakan dalam perhitungan skor insentif, yaitu Tanggung Jawab, Kedisiplinan, Komunikasi, Kerjasama, Adaptasi, dan Kerapihan. Pengguna dengan status Manager memiliki hak akses untuk memberikan nilai kriteria pada setiap karyawan yang telah ditentukan sebelumnya. Pengguna dengan status Personalia memiliki hak akses untuk melakukan perhitungan skor hasil insentif, tetapi sebelumnya harus melakukan pemilihan periode waktu penilaian. Sistem kemudian akan melakukan perhitungan skor hasil insentif, melakukan pengurutan berdasarkan skor tertinggi, dan kemudian menampilkan hasilnya pada layar. Fitur lain adalah fitur laporan dimana pengguna dapat melihat kembali hasil perhitungan insentif pada periode sebelumnya, dan melakukan proses pencetakan laporan apabila diperlukan.Metode yang digunakan adalah metode SAW (Simple Additive Weighting). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

dummy

dummy

Pengukur Kinerja Karyawan

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	AHP (Analytic Hierarchy Process) dan TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution)
Total waktu pengerjaan	10 hari
Terdapat 6 kriteria yang digunakan sebagai sistem pengukur kinerja karyawan, dan masing-masing kriteria juga memiliki beberapa sub-kriteria. Masing-masing karyawan kemudian akan diberikan penilaian berdasarkan masing-masing sub kriteria yang telah ditentukan sebelumnya. Pada saat proses perhitungan kinerja karyawan, pengguna dapat memilih periode waktu penilaian, kemudian sistem akan melakukan perhitungan skor kinerja karyawan berdasarkan data karyawan yang tersedia pada periode tersebut. Hasil perhitungan skor tersebut kemudian akan diurutkan berdasarkan skor tertinggi dan hasilnya akan ditampilkan pada layar.Metode yang digunakan adalah metode AHP (Analytic Hierarchy Process) and TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

Klasifikasi Jenis Jerawat

Deskripsi Proyek
Bahasa Pemrograman	Mathworks Matlab
Software	Mathworks Matlab R2015a
Database	Tidak ada
Metode Tambahan	GLCM (Gray-Level Co-occurence Matrix)
Total waktu pengerjaan	5 hari
Ada berbagai data jenis jerawat yang dikategorikan ke dalam 5 jenis, yaitu Blackheads, Cyst, Papules, Pustule, dan Whiteheads. Proses pertama adalah proses pelatihan, dimanan sistem akan melakukan pelatihan terhadap masing-masing citra jenis jerawat untuk mendapatkan nilai fitur dari masing-masing jenis jerawat. Selanjutnya adalah proses pengujian, dimana pengguna akan memasukkan sebuah citra yang tidak diketahui jenis jerawatnya, dan kemudian sistem akan melakukan perhitungan untuk mendapatkan kesimpulan mengenai jenis jerawat pada citra tersebut. Proses pengujian juga memperhitungkan faktor sudut, sehingga pengguna dapat mengetahui letak sudut jerawat yang paling menentukan jawaban jenis tersebut.Metode yang digunakan adalah metode GLCM (Gray-Level Co-occurence Matrix). Tutorial dari masing-masing metode dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Pengamanan File Teks pada Gambar

Deskripsi Proyek
Bahasa Pemrograman	Microsoft Visual Basic .NET
Software	Microsoft Visual Studio 2012
Database	Tidak ada
Metode Tambahan	Spread Spectrum dan LSB (Least Significant Bit)
Total waktu pengerjaan	3 hari
Fungsi utama aplikasi ini adalah untuk menyisipkan data file teks kedalam sebuah citra tanpa merusak citra tersebut. Input yang digunakan adalah citra bertipe bmp dan file teks yang akan disisipkan. Sistem kemudian akan melakukan penyisipan file ke dalam citra tersebut. Proses berikutnya adalah proses ekstraksi file teks dari citra hasil pemrosesan. Setelah melakukan ekstraksi, sistem kemudian akan melakukan pembacaan file tersebut. Teks hasil ekstraksi tentu saja harus kembali seperti aslinya dan tidak mengalami perubahan karakter.Metode yang digunakan adalah metode Spread Spectrum dan LSB (Least Significant Bit). Kedua algoritma ini akan dibandingkan untuk mendapatkan algoritma manakah yang memiliki hasil lebih baik dilihat dari beberapa faktor seperti waktu penyisipan, ukuran citra, dan lain-lain.

Screenshot Hasil Implementasi

Diagnosa Penyakit Hewan Ternak Sapi

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	Naive Bayes
Total waktu pengerjaan	2 hari
Fungsi utama aplikasi ini adalah untuk melakukan diagnosa penyakit hewan ternak berdasarkan gejala-gejala yang diinputkan oleh pengguna. Setelah pengguna menginputkan gejala-gejala yang timbul, maka sistem akan melakukan perhitungan menggunakan input gejala tersebut dan kemudian mendapatkan sebuah kesimpulan diagnosa, yaitu penyakit hewan ternak tersebut beserta gejala-gejala dan solusi untuk mencegah penyakit tersebut. Hasil diagnosa ini kemudian dapat disimpan ke dalam database apabila diperlukan.Metode yang digunakan adalah metode Naive Bayes. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

dummy

Topic Modelling

Deskripsi Proyek
Bahasa Pemrograman	Java
Software	NetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
Database	Tidak ada
Metode Tambahan	Stemming Nazief & Andriani dan NMF (Non-Negative Matrix Factorization)
Total waktu pengerjaan	5 hari
Fungsi utama aplikasi ini adalah untuk mendapatkan topik dari sekumpulan artikel yang tersedia dalam database. Setelah melakukan pemilihan tanggal berita, maka sistem akan mengumpulkan semua artikel pada tanggal tersebut, kemudian melakukan proses perhitungan untuk mendapatkan skor dari masing-masing topik. Skor tersebut kemudian akan diurutkan berdasarkan skor tertinggi, dan kemudian akan 5 topik terbaik akan ditampilkan pada layar. Proses perhitungan juga dicatat dalam log untuk memudahkan pengguna menganalisa nilai variabel dan skor yang terjadi pada saat proses perhitungan.

Screenshot Hasil Implementasi

dummy

Prediksi Curah Hujan

Deskripsi Proyek
Bahasa Pemrograman	Microsoft Visual Basic .NET
Software	Microsoft Visual Studio 2012
Database	Tidak ada
Metode Tambahan	K-Means Clustering dan RBF (Radial Basis Function) / Radial Nets
Total waktu pengerjaan	1 minggu
Fungsi utama aplikasi ini adalah untuk melakukan uji akurasi data curah hujan. Data pelatihan yang digunakan adalah data curah hujan pada tahun 2015, dan data pengujian yang digunakan adalah data curah hujan tahun 2016. Pada saat melakukan proses pengujian, aplikasi akan melakukan pelatihan untuk mendapatkan sistem jaringan, dan kemudian menggunakan sistem tersebut untuk menghitung prediksi terhadap masing-masing data uji. Nilai perbandingan antara data sebenarnya dengan data hasil prediksi kemudian ditampilkan pada grafik. Proses perhitungan dicatat dalam log untuk memudahkan pengguna menganalisa nilai variabel dan skor yang terjadi pada saat proses perhitungan.Metode yang digunakan adalah metode K-Means Clustering dan RBF (Radial Basis Function). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Peringkasan Teks Bahasa Indonesia

Deskripsi Proyek
Bahasa Pemrograman	Java
Software	NetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
Database	Tidak ada
Metode Tambahan	Stemming Nazief & Andriani dan NMF (Non-Negative Matrix Factorization)
Total waktu pengerjaan	5 hari
Fungsi utama aplikasi ini adalah untuk mendapatkan kalimat-kalimat inti dari sekumpulan teks input. Setelah memilih file bertipe txt dan membaca isi dari file tersebut, sistem kemudian akan melakukan proses perhitungan dan kemudian mendapatkan semacam skor dari masing-masing kalimat tersebut. Skor tersebut kemudian akan diurutkan berdasarkan skor tertinggi, dan jawaban hasil ringkasan sejumlah kalimat dengan skor yang cukup tinggi. Proses perhitungan dicatat dalam log untuk memudahkan pengguna menganalisa nilai variabel dan skor yang terjadi pada saat proses perhitungan.

Screenshot Hasil Implementasi

dummy

dummy

Implementasi Watermark

Deskripsi Proyek
Bahasa Pemrograman	Java
Software	NetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
Database	Tidak ada
Metode Tambahan	DCT (Discrete Cosine Transform) dan LSB (Least Significant Bit)
Total waktu pengerjaan	5 hari
Fungsi utama aplikasi ini adalah untuk memasukkan watermark yang berupa pesan ke dalam citra tanpa merusak citra tersebut. Input yang digunakan adalah citra bertipe bmp dan teks pesan rahasia yang akan disisipkan. Sistem kemudian akan melakukan penyisipan teks ke dalam citra tersebut. Proses berikutnya adalah proses ekstraksi pesan watermark tersebut dari citra hasil pemrosesan. Teks hasil ekstraksi tentu saja harus kembali seperti aslinya dan tidak mengalami perubahan karakter.Metode yang digunakan adalah metode DCT (Discrete Cosine Transform) dan LSB (Least Significant Bit). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

Implementasi Steganografi Untuk Enkripsi Pesan pada Citra Digital

Deskripsi Proyek
Bahasa Pemrograman	Mathworks Matlab
Software	Mathworks Matlab R2015a
Database	Tidak ada
Metode Tambahan	MLSB (Modified Least Significant Bit) dan TTVC (Triple Transposition Vigenere Cipher)
Total waktu pengerjaan	10 hari
Fungsi utama aplikasi ini adalah untuk memasukkan pesan rahasia yang telah dienkripsi ke dalam citra digital tanpa merusak citra tersebut. Input yang digunakan adalah citra bertipe bmp, teks pesan rahasia yang akan disisipkan, dan 3 kata kunci yang digunakan dalam proses enkripsi tersebut. Sistem kemudian akan melakukan enkripsi teks tersebut dan melakukan penyisipan teks ke dalam citra tersebut. Hasil citra ini kemudian dapat dilakukan proses ekstraksi untuk mendapatkan pesan rahasia dari citra tersebut. Teks hasil ekstraksi tentu saja harus kembali seperti aslinya dan tidak mengalami perubahan karakter. Fitur terakhir adalah perhitungan nilai MSE (Mean Squared Error) dari kedua citra sebelum dan sesudah dilakukan proses penyisipan pesan.

Screenshot Hasil Implementasi

dummy

Penyisipan Pesan Rahasia ke dalam QR Code

Deskripsi Proyek
Bahasa Pemrograman	Java
Software	NetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
Database	Tidak ada
Metode Tambahan	Spread Spectrum dan LSB (Least Significant Bit)
Total waktu pengerjaan	5 hari
Fungsi utama aplikasi ini adalah untuk memasukkan pesan rahasia ke dalam citra QR Code tanpa merusak citra tersebut. Input yang digunakan adalah citra QR Code bertipe bmp dan teks pesan rahasia yang akan disisipkan. Sistem kemudian akan melakukan penyisipan teks ke dalam citra QR Code tersebut. Hasil citra ini kemudian dapat disimpan untuk kemudian dilakukan ujicoba secara manual apakah masih berfungsi dengan baik. Proses berikutnya adalah proses ekstraksi pesan rahasia dari citra hasil pemrosesan. Teks hasil ekstraksi tentu saja harus kembali seperti aslinya dan tidak mengalami perubahan karakter.Metode yang digunakan adalah metode Spread Spectrum dan LSB (Least Significant Bit). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

dummy

Perhitungan Insentif Karyawan

Deskripsi Proyek
Bahasa Pemrograman	Microsoft Visual Basic .NET
Software	Microsoft Visual Studio 2012
Database	Microsoft SQL Server 2012
Metode Tambahan	SAW (Simple Additive Weighting)
Total waktu pengerjaan	2 hari
Proyek ini hanya dikerjakan dalam 2 hari karena hanya merupakan pembetulan dari contoh apilikasi yang telah tersedia. Fungsi utama aplikasi ini adalah untuk melakukan perhitungan skor karyawan berdasarkan beberapa kriteria input, yaitu Jumlah Kehadiran, Jumlah Terlambat, Nilai LMS, Jumlah Rekap, dan Jumlah Print Log. Setelah memasukkan semua data karyawan sesuai dengan bulan yang sedang dipilih, maka sistem akan melakukan perhitungan pada data bulan tersebut untuk mendapatkan skor karyawan, dan melakukan pengurutan berdasarkan skor karyawan yang tertinggi. Hasil proses perhitungan ini kemudian dapat dilihat pada laporan karyawan yang dapat dilakukan filter per bulan untuk mengetahui karyawan mana saja yang layak untuk mendapatkan insentif.Metode yang digunakan adalah metode SAW (Simple Additive Weighting). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Peramalan Jumlah Penumpang Kereta Api

Deskripsi Proyek
Bahasa Pemrograman	Mathworks Matlab
Software	Mathworks Matlab R2015a
Database	Tidak ada
Metode Tambahan	SVR (Support Vector Regression) dan GRNN (General Regression Neural Network)
Total waktu pengerjaan	2 hari
Fungsi utama aplikasi ini adalah untuk memprediksikan jumlah penumpang kereta api pada periode setelah periode terpilih. Sistem akan menghitung nilai prediksi menggunakan algoritma yang telah ditentukan, kemudian menghitung nilai tingkat kesalahan antara nilai prediksi ini dengan nilai sebenarnya yang telah tersedia. Untuk menghindari nilai prediksi yang sangat dipengaruhi oleh nilai prediksi periode terakhir, maka cara perhitungan nilai prediksi adalah dilakukan dengan menggunakan periode bulan, sehingga data pada bulan terpilih tidak terpengaruh dari data bulan sebelumnya yang telah dihitung. User kemudian dapat melakukan perbandingan antar kedua metode tersebut dan menarik kesimpulan metode manakah yang lebih mendekati nilai sebenarnya. Jika user ternyata melakukan perhitungan data pada periode terakhir, maka sistem akan menyimpan nilai prediksi sebagai nilai pada periode selanjutnya.Metode yang digunakan adalah metode SVR (Support Vector Regression) dan GRNN (General Regression Neural Network). Tutorial dari metode SVR dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

dummy

Pencarian Buku pada Pusat Perpustakaan

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	Stemming Arifin dan TF-IDF (Term Frequency – Inverse Document Frequency)
Total waktu pengerjaan	2 hari
Fungsi utama aplikasi ini adalah menampilkan urutan data buku yang paling relevan dengan kata kunci yang diinputkan. Setelah memasukkan kata kunci yang digunakan, sistem akan melakukuan proses perhitungan pada semua data buku dan menampilkan urutan data buku yang paling relevan dengan kata kunci tersebut. Kriteria yang diperhitungkan adalah kriteria judul buku, kode panggil, nama pengarang, nama penerbit, dan sinopsis.

Screenshot Hasil Implementasi

Pencarian Nama File

Deskripsi Proyek
Bahasa Pemrograman	Java
Software	NetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
Database	Tidak ada
Metode Tambahan	A* (A-Star)
Total waktu pengerjaan	4 hari
Fungsi utama aplikasi ini adalah untuk melakukan pencarian file seperti fitur pencarian file pada sistem operasi pada umumnya. Input yang disediakan adalah input alamat sebagai titik awal pencarian, dan input teks sebagai bagian dari nama file yang akan dicari. Sistem akan melakukan perhitungan dan menampilkan semua file yang memiliki teks sesuai dengan input yang telah dicatat sebelumnya. Kemudian untuk masing-masing file yang ditampilkan akan memiliki 2 fitur dasar, yaitu untuk membuka folder dari file tersebut, dan untuk membuka file tersebut.Metode yang digunakan adalah metode A* (A-Star). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Penjadwalan Mata Kuliah

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	BCO (Bee Colony Optimization)
Total waktu pengerjaan	10 hari
Ada sejumlah inputan data mata kuliah, dosen, ruangan, hari, waktu, 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.Metode yang digunakan adalah metode BCO (Bee Colony Optimization). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Deteksi Warna Kulit Untuk Identifikasi Ras Manusia

Deskripsi Proyek
Bahasa Pemrograman	Mathworks Matlab
Software	Mathworks Matlab R2015a
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	Ruang Warna YCbCr dan Back-Propagation
Total waktu pengerjaan	1 minggu
Ada berbagai data citra manusia yang dikategorikan ke dalam 3 ras, yaitu Kaukasoid, Mongoloid, dan Negroid. Pada figure pelatihan, masing-masing data citra yang terpilih akan disimpan ke dalam database, dan kemudian akan langsung dilatih untuk mendapatkan nilai bobot pelatihan. Selanjutnya pada figure Pengujian, akan diinputkan citra manusia yang belum diketahui ras nya, dan sistem akan melakukan perhitungan untuk mendapatkan nilai output dengan menggunakan nilai bobot hasil pelatihan dari masing-masing ras. Ras yang memiliki nilai output yang paling mendekati angka 1 akan terpilih sebagai jawaban.Metode yang digunakan adalah metode Ruang Warna YCbCr dan Back-Propagation. Tutorial dari masing-masing metode dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

dummy

Penentuan Kelayakan Pemberian Kredit

Deskripsi Proyek
Bahasa Pemrograman	Microsoft Visual Basic .NET
Software	Microsoft Visual Studio 2012
Database	Microsoft SQL Server 2012
Metode Tambahan	C4.5, Naive Bayes, AdaBoost (Adaptive Boosting)
Total waktu pengerjaan	10 hari
Fungsi utama aplikasi ini adalah untuk menentukan apakah calon customer dengan inputan kriteria-kriteria tertentu dapat dianggap layak untuk melakukan kredit sepeda motor. Input data terdiri dari beberapa kriteria, yaitu Umur, Jumlah Pinjaman, Jangka Waktu (Bulan), Sektor Ekonomi, Jenis Kredit, Jenis Jaminan, Type Bunga, Tunggakan Pokok, dan Tunggakan Bunga. Sistem akan melakukan pelatihan data menggunakan sekumpulan data latih tertentu, dan kemudian melakukan pengujian terhadap data uji untuk mendapatkan status kelayakan dari masing-masing data uji tersebut.Tutorial dari masing-masing metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

Penentuan Daerah Kerentanan Gempa Bumi

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	XAMPP 5.6.11 (bisa dicoba menggunakan versi yang lebih rendah)
Metode Tambahan	FIS (Fuzzy Inference System): Tipe Tsukamoto
Total waktu pengerjaan	5 hari
Fungsi utama aplikasi ini adalah untuk menentukan daerah mana saja yang mengalami kerentanan terhadap gampa bumi. Ada 4 kriteria yang diperhitungkan, yaitu : Faktor Kerentanan Lingkungan yang memiliki 2 sub kriteria yaitu Kemiringan Tanah dan Jenis Penggunaan Lahan Faktor Kerentanan Fisik yang memiliki 2 sub kriteria yaitu Panjang Jaringan Jalan dan Kepadatan Pemukiman Faktor Kerentanan Sosial yang memiliki 4 sub kriteria yaitu Kepadatan Penduduk, Jumlah Penduduk Usia Renta, Jumlah Penduduk Wanita, Jumlah Penduduk Penyandang Cacat Faktor Kerentanan Ekonomi yang memiliki 2 sub kriteria yaitu Jumlah Penduduk Miskin dan Luas Lahan Pertanian Setelah user menginputkan data daerah beserta dengan nilai pada masing-masing sub kriteria, maka sistem akan melakukan perhitungan untuk mendapatkan skor kerentanan atas daerah tersebut, dan melakukan klasifikasi apakah daerah tersebut termasuk sebagai daerah yang rawan gempa atau tidak.Metode yang digunakan adalah metode FIS (Fuzzy Inference System): Tipe Tsukamoto. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

dummy

(Tutorial) Motivation

Deskripsi Proyek
Bahasa Pemrograman	PHP: Hypertext Preprocessor
Software	Microsoft Notepad
Browser	Google Chrome, Mozilla Firefox
Database	Tidak ada
Metode Tambahan	Associate Rule / Analisa Asosiasi
Total waktu pengerjaan	4 hari
Fungsi utama aplikasi ini adalah untuk mengetahui relasi jawaban apakah yang ditemukan dari semua responden yang tersedia. Masing-masing responden akan memberikan jawaban terhadap 30 pertanyaan dengan rentang nilai antara 0 (Sangat Jarang) sampai dengan 10 (Sangat Sering). Sistem kemudian akan melakukan perhitungan dan menemukan berbagai aturan yang memenuhi syarat tingkat kecocokan pada semua data jawaban kuisioner.Metode yang digunakan adalah metode Associate Rule / Analisa Asosiasi. Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

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