JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Artificial Neural Network Berdasarkan Nilai Akademik Dan Kepuasan Penggunaan E-Learning (Studi Kasus:
Universitas Negeri Surabay.
Rizky Pratama Syahrul Ramadhan1.
I Kadek Dwi Nuryana2 Teknik Informatika.
Universitas Negeri Surabaya 21081@mhs.
3dwinuryana@unesa.
AbstrakAi Salah satu elemen utama yang mempengaruhi mutu pendidikan tinggi adalah tingkat kelulusan mahasiswa tepat Melalui algoritma Jaringan Syaraf Tiruan (ANN), studi ini berfokus untuk menciptakan model yang mampu memprediksi kelulusan mahasiswa dalam waktu yang sesuai pada program Sistem Informasi dan Ilmu Komputer di Universitas Negeri Surabaya.
Prediksi didasarkan pada kombinasi data nilai akademik (IPK semester 1-.
dan kepuasan penggunaan elearning yang diukur menggunakan metode End User Computing Satisfaction (EUCS).
EUCS atas lima aspek: content, accuracy, format, ease of use, dan timeliness.
Informasi yang dipakai dalam penelitian ini berasal dari 68 siswa angkatan 2018Ae2022.
Untuk menangani keterbatasan jumlah data, pengembangan model melibatkan pengoptimalan hyperparameter menggunakan Optuna dan evaluasi menggunakan Stratified 5-Fold Cross-Validation.
Hasil pengujian menunjukkan bahwa model ANN yang dikembangkan sangat akurat, dengan akurasi rata-rata 95,38%, ketepatan 93,33%, recall 96,00%, dan skor F1 94,55%.
Hasil ini menunjukkan bahwa integrasi data akademik dan kepuasan pengguna terhadap teknologi pembelajaran dapat menjadi dasar strategi intervensi yang efektif bagi institusi pendidikan.
Kata KunciAi Artificial Neural Network.
EUCS.
Kelulusan Tepat Waktu.
E-learning.
Data Mining.
PENDAHULUAN
Lulus dalam waktu yang ditentukan adalah sebuah tanda yang signifikan untuk menilai mutu pendidikan tinggi di Indonesia.
Jika mahasiswa menyelesaikan pendidikan dalam waktu empat tahun atau kurang, mereka dianggap lulus tepat Fenomena ketidaktepatan waktu kelulusan masih menjadi masalah di Universitas Negeri Surabaya (Unes.
, terutama di program studi Sistem Informasi dan Teknik Informatika.
Faktor yang mempengaruhi kelulusan tidak hanya terbatas pada nilai akademik, tetapi juga motivasi mahasiswa.
Dalam era digital, motivasi ini sangat dipengaruhi oleh kepuasan terhadap sistem pembelajaran daring .
-learnin.
Kepuasan mahasiswa terhadap e-learning dapat mempengaruhi motivasi belajar, yang pada akhirnya berdampak pada ketepatan waktu kelulusan mereka.
Namun, belum banyak penelitian yang mengintegrasikan variabel kepuasan teknologi ini dengan data akademik untuk memprediksi kelulusan.
Penelitian terdahulu lebih cenderung menggunakan algoritma seperti Decision Tree C4.
5 atau Nayve Bayes dengan akurasi berkisar antara 80-91% .
Penelitian ini mengusulkan pendekatan menggunakan Artificial Neural Network (ANN).
ANN dipilih karena keunggulannya dalam menangani data kompleks, non-linier, dan mampu melakukan pembelajaran dari pola data yang rumit.
Dengan menggunakan nilai akademik (IPK) dan kepuasan penggunaan e-learning yang diukur dengan model EUCS, tujuan dari penelitian ini yaitu untuk mengembangkan model prediksi kelulusan tepat waktu menggunakan ANN.
Model EUCS terdiri dari dimensi content, accuracy, format, ease of use, dan timeliness.
Penelitian ini diharapkan dapat memberikan gambaran komprehensif bagi institusi untuk merancang strategi intervensi akademik yang lebih efektif.
II.
METODOLOGI
Penelitian ini menerapkan metode kuantitatif dengan pendekatan Data Mining untuk memprediksi kelulusan tepat Proses penelitian disusun dengan cara yang terencana, dimulai dari penentuan masalah, melakukan studi pustaka dan pengumpulan informasi, kemudian diakhiri dengan penilaian terhadap model.
Studi Literatur Tahap ini melibatkan penelaahan menyeluruh terhadap literatur yang relevan, meliputi jurnal, buku, dan penelitian terdahulu terkait prediksi kelulusan, algoritma Artificial Neural Network (ANN), dan pengukuran kepuasan pengguna.
Studi literatur bertujuan untuk membangun kerangka kerja konseptual yang kuat, memahami teori dasar, serta mengidentifikasi celah penelitian .
esearch ga.
yang dapat diisi oleh studi ini.
Referensi utama yang digunakan mencakup penelitian mengenai prediksi kelulusan menggunakan algoritma klasifikasi serta teori End User Computing Satisfaction (EUCS).
JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 Variabel Penelitian benar dan tepat Variabel penelitian dikategorikan menjadi variabel independen .
dan variabel dependen .
Variabel Independen (Inpu.
Terdiri dari data nilai akademik dan kepuasan Data akademik IP dari semester 1-4.
Data kepuasan mencakup 19 butir pernyataan yang diambil dari dimensi EUCS.
Sistem E-Learning UNESA informasi yang lengkap sesuai Sistem E-Learning UNESA informasi yang jelas dan tidak Sistem E-Learning UNESA informasi yang Sistem E-Learning UNESA output yang sesuai dengan apa yang Sistem E-Learning UNESA output yang konsisten dan jarang terjadi Sistem E-Learning UNESA memiliki kualitas dan tampilan yang baik Sistem E-Learning UNESA memiliki perpaduan warna yang sesuai Variabel Dependen (Outpu.
Status kelulusan mahasiswa yang diklasifikasikan menjadi dua kelas, yaitu "Lulus Tepat Waktu" dan "Tidak Tepat Waktu".
Accuracy (Akuras.
End User Computing Satisfaction (EUCS) Untuk mengukur tingkat kepuasan mahasiswa terhadap sistem pembelajaran daring .
-learnin.
, penelitian ini mengadopsi model EUCS yang dikembangkan oleh Doll dan Torkzadeh.
Dengan model ini, menilai kepuasan pengguna berdasarkan lima dimensi utama:
Dimensi Konten(Conten.
: Mengevaluasi kesesuaian, kelengkapan, dan kejelasan informasi yang disediakan .
Dimensi Akurasi (Accurac.
: Menilai keakuratan dan konsistensi data yang dihasilkan sistem .
Dimensi Format : Menilai estetika, tata letak, dan kejelasan antarmuka pengguna .
Dimensi Kemudahan Pengguna (Ease of Us.
Mengukur tingkat kemudahan pengguna dalam mengoperasikan sistem .
Dimensi Ketepatan Waktu (Timelines.
: Menilai kecepatan respons sistem dalam menyajikan informasi Format (Tampila.
Tabel 1 Indikator End User Computing Satisfaction (EUCS) Variabel Content (Is.
Kode Indikator / Pernyataan Kuesioner Sistem E-Learning UNESA informasi yang sesuai dengan Sistem E-Learning UNESA informasi yang berguna bagi Ease of Use (Kemudaha.
Sistem E-Learning UNESA informasi yang Sistem E-Learning UNESA memiliki tata letak yang teratur, rapi, dan mudah dimengerti Sistem E-Learning UNESA memiliki sistem yang dapat dengan mudah untuk dipahami Sistem E-Learning UNESA menampilkan pesan JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 error untuk pengguna dalam kesalahan pada Timeliness (Ketepatan Wakt.
Kepuasan ELearning (Satisfactio.
Sistem E-Learning UNESA penggunaan sistem untuk user Sistem E-Learning UNESA informasi secara cepat dan tepat Sistem E-Learning UNESA informasi yang SF1 Saya puas dengan sistem kerja dari SINDIG pada ELearning ini karena kemudahan saya untuk belajar? SF2 Materi yang disajikan sangat beragam mudah untuk dipahami? SF3 Sistem ini dapat membantu saya meningkatkan hasil belajar pada beberapa materi yang tersedia dalam SINDIG? Tidak Setuju Netral Setuju Sangat Setuju Kuesioner Instrumen pengumpulan data kepuasan berupa kuesioner tertutup yang diadopsi dari indikator EUCS.
Pengukuran jawaban responden menggunakan Skala Likert dengan rentang 1 (Sangat Tidak Setuj.
sampai 5 (Sangat Setuj.
Kuesioner terdiri dari item-item pertanyaan yang merepresentasikan dimensi Content (C1C.
Accuracy (A1-A.
Format (F1-F.
Ease of Use (E1E.
, dan Timeliness (T1-T.
, serta item kepuasan global.
Pengujian Instrumen Sebelum data kuesioner digunakan dalam pemodelan ANN, dilakukan pengujian instrumen untuk memastikan kualitas Tabel 2 Tabel Likert Kriteria Penilaian Sangat Tidak Setuju Pengumpulan Data Data yang digunakan dalam penelitian ini diambil dari mahasiswa jurusan Sistem Informasi dan Teknik Informatika Universitas Negeri Surabaya yang terdaftar dari tahun 2018 hingga 2022.
Total sampel yang digunakan berjumlah 68 mahasiswa.
Pengumpulan data dilakukan melalui dua jalur: pengambilan data historis nilai akademik (IPK) dan penyebaran survei kepuasan penggunaan e-learning kepada responden yang sama untuk memastikan integritas data prediktor.
Skala Likert digunakan sebagai dasar dalam penyusunan alternatif jawaban pada setiap butir pertanyaan yang disusun berdasarkan indikator penelitian.
Penggunaan skala Likert memiliki keunggulan karena mampu mengukur sikap atau persepsi responden secara sistematis, mulai dari tingkat kepuasan yang sangat tinggi hingga tingkat kepuasan yang sangat rendah.
Klasifikasi skala Likert yang digunakan dalam penelitian ini diperlihatkan dalam tabel berikut:
Simbol
STS
Skor .
Uji Validitas Teknik korelasi Pearson Product Moment digunakan untuk melakukan pengujian.
Nilai r hitung kemudian dibandingkan dengan r tabel.
Dengan jumlah sampel (N=.
dan taraf signifikansi 5%, nilai r tabel adalah 0,159.
Hasil pengujian menunjukkan seluruh item indikator (C1-C5.
A1-A3.
F1-F3.
E1-E3.
T1-T.
memiliki nilai r hitung >0,159 .
erkisar antara 0,578 hingga 0,.
, sehingga seluruh item dinyatakan valid.
Keterangan:
Rxy : Koefisien korelasi .
-hitun.
Ocx : nilai variabel independen Ocy : nilai variable dependen Oc xy : hasil kali antara nilai butir dan nilai total : jumlah peserta survey JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 .
Uji Realibilitas Metode Cronbach's Alpha digunakan untuk menguji konsistensi instrumen.
Hasilnya menunjukkan nilai sebesar 0,990, jauh di atas ambang batas 0,6 atau 0,7.
Hal ini menunjukkan bahwa instrumen memiliki tingkat reliabilitas yang sangat tinggi dan konsistensi.
Keterangan:
: Koefisien korelasi .
-hitun.
: nilai variabel independen Oc Si : nilai variable dependen Oc St : hasil kali antara nilai butir dan nilai total .
Convergent Validity Validitas konstruk diuji menggunakan analisis SmartPLS dengan melihat nilai outer loading.
Hasil dari analisis menunjukkan bahwa semua indikator memiliki nilai loading factor yang melebihi 0,6.
erkisar antara 0,765 hingga 0,.
Hal ini mengonfirmasi bahwa indikator-indikator tersebut valid secara konvergen dan mampu mengukur konstruk kepuasan dengan baik.
HASIL DAN PEMBAHASAN
Pengujian Instrumen Sebelum dilakukan pemodelan menggunakan Artificial Neural Network (ANN), instrumen penelitian .
uesioner EUCS) diuji kelayakannya melalui uji validitas, reliabilitas, dan validitas konvergen untuk memastikan data yang digunakan berkualitas tinggi.
Uji Validitas Pengujian validitas dilakukan melalui penerapan metode korelasi Pearson Product Moment.
Jumlah responden (N) adalah 68 siswa.
Dengan taraf signifikansi 5%, nilai r tabel adalah 0,159.
Semua item pernyataan (C1-C5.
A1-A3.
F1-F3.
E1-E3.
T1-T2, dan SF1-SF.
memiliki nilai r hitung yang lebih besar daripada r tabel, dengan nilai berkisar antara 0,578 dan 0,881.
Dengan demikian, seluruh item dinyatakan valid dan dapat digunakan untuk menghitung variabel kepuasan.
0,159
0,578
Valid
0,159
0,806
Valid
0,159
0,802
Valid
0,159
0,701
Valid
0,159
0,702
Valid
0,159
0,881
Valid
0,159
0,826
Valid
0,159
0,767
Valid
0,159
0,814
Valid
0,159
0,754
Valid
0,159
0,864
Valid
0,159
0,876
Valid
0,159
0,808
Valid
SF1
0,159
0,753
Valid
SF2
0,159
0,830
Valid
SF3
0,159
0,775
Valid Uji Reabilitas Metode Cronbach's Alpha digunakan dalam menguji reliabilitas suatu instrumen.
Hasilnya menunjukkan koefisien Cronbach's Alpha sebesar 0,990, jauh melampaui ambang batas standar 0,6 atau 0,7.
Ini menunjukkan bahwa instrument tersebut memiliki tingkat konsistensi internal yang sangat tinggi dan sangat cocok untuk digunakan dalam penelitian.
Tabel 4 Uji Reabilitas Reliability Statistics Cronbach's Alpha
N of Items 0,990 Tabel 3 Uji Validitas Indikator R_tabel R_hitung Keterangan 0,159 0,674 Valid
0,159
0,803
Valid
0,159
0,804
Valid Convergent Validity SmartPLS digunakan untuk menguji validitas konvergen dengan cara melihat nilai outer loading.
Jika nilai faktor penambahan lebih besar dari 0,6, indikator tersebut dianggap memenuhi kriteria.
Seluruh indikator memenuhi syarat validitas konvergen, sebagaimana yang terlihat dari hasil analisis yang tertera pada Tabel 1.
JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220
Learning SF3 <- Kepuasan E
Learning 0,803 Tingginya nilai outer loading ini menegaskan indikatorindikator tersebut mempunyai kontribusi yang signifikan dan saling berkaitan dalam membentuk konstruk kepuasan Gambar 1 Convergent Validity Tabel 5 Convergent Validity Outer Loadings C1 <- Content
0,817
C2 <- Content
0,820
C3 <- Content
0,823
C4 <- Content
0,765
C5 <- Content
0,825
A1 <- Accuracy 0,828 A2 <- Accuracy 0,815 A3 <- Accuracy 0,819 F1 <- Format
0,875
F2 <- Format
0,832
F3 <- Format
0,798
E1 <- Ease
0,842
E2 <- Ease
0,781
E3 <- Ease
0,891
T1 <- Timeliness 0,894 T2 <- Timeliness 0,836 SF1 <- Kepuasan E
Learning 0,781 SF2 <- Kepuasan E
0,858
Tingkat Kepuasan dan Analisis Korelasi Analisis tingkat kepuasan pengguna adalah suatu proses evaluatif dalam mengukur sejauh mana pengguna dalam hal ini mahasiswa merasa puas terhadap produk, layanan, atau sistem yang disediakan oleh e-learning UNESA.
Analisis ini bertujuan untuk memperoleh pemahaman yang komprehensif mengenai pengalaman pengguna, mengidentifikasi aspek-aspek yang menjadi keunggulan maupun kelemahan, serta memberikan dasar informasi bagi perumusan perbaikan yang diperlukan guna meningkatkan tingkat kepuasan pengguna.
Selanjutnya, tabel berikut menyajikan hasil pengukuran rentang nilai berdasarkan skala Likert.
Analisis Korelasi Variabel Penelitian ini tidak hanya melihat tingkat kepuasan secara deskriptif, tetapi berfokus pada seberapa kuat hubungan variabel prediktor terhadap variabel target .
elulusan tepat Analisis korelasi dilakukan untuk membandingkan pengaruh antara nilai akademik (IPK) dan dimensi kepuasan pengguna (E-Learnin.
Berdasarkan hasil analisis, ditemukan bahwa dimensi EUCS memiliki korelasi yang jauh lebih kuat terhadap kelulusan tepat waktu dibandingkan dengan data akademik murni.
Nilai korelasi dimensi EUCS berada pada rentang 0,75 hingga 0,86, yang dikategorikan sangat kuat.
Sebaliknya, korelasi IPK Semester 1 hingga 4 hanya berkisar antara 0,11 hingga 0,33.
Secara spesifik, dimensi Content (Konte.
dan Accuracy (Akuras.
memiliki korelasi tertinggi (>0,.
, mengindikasikan bahwa ketersediaan materi yang lengkap dan keakuratan informasi akademik dalam sistem e-learning merupakan faktor dominan yang mempengaruhi motivasi dan keberhasilan mahasiswa untuk lulus tepat waktu.
Hal ini membuktikan hipotesis bahwa dalam lingkungan pendidikan digital, faktor kepuasan teknologi memiliki dampak signifikan terhadap performa studi.
Pra-Pemrosesan Data Sebelum pemodelan, data mentah melalui tahapan prapemrosesan untuk memastikan kualitas input Artificial Neural Network (ANN):
Penanganan Missing Values dan Seleksi Fitur: Dataset awal menunjukkan banyaknya data kosong pada IPK semester 5 hingga 14 .
encapai 85-98%).
Oleh karena itu, penelitian membatasi fitur akademik hanya pada IPK Semester 1 sampai 4 untuk memastikan kelengkapan data JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 .
Normalisasi Data : Seluruh fitur numerik, termasuk skor EUCS dan IPK, dinormalisasi menggunakan teknik MinMaxScaler.
Proses ini mentransformasi nilai data ke dalam rentang 0 hingga 1 agar proses konvergensi pada algoritma ANN berjalan optimal .
Penanganan Ketidakseimbangan Kelas: Mengingat proporsi kelas yang tidak seimbang .
,65% lulus tepat waktu vs 57,35% tidak tepat wakt.
, penelitian menerapkan Stratified K-Fold Cross Validation dengan k=5.
Teknik ini memastikan proporsi kelas setiap fold sama dengan dataset asli, yang membuat evaluasi model lebih akurat dan tidak bias.
Arsitektur Model ANN Model ANN dibangun dan dioptimasi menggunakan framework Optuna untuk mendapatkan hyperparameter terbaik melalui algoritma Tree-structured Parzen Estimator (TPE).
Berdasarkan 100 trials eksperimen, arsitektur final model yang terbentuk adalah sebagai berikut:
a Input Layer: Terdiri dari 23 neuron yang merepresentasikan 4 fitur akademik (IPK Sem 1-.
dan 19 fitur indikator EUCS.
a Hidden Layer: Terdiri dari delapan neuron dengan fungsi aktivasi ReLU (Rectified Linear Uni.
ReLU digunakan karena kemampuan untuk menyelesaikan masalah efisiensi komputasi dan masalah vanishing gradient.
a Regularization: Penerapan Dropout dengan laju 0,48 untuk mencegah overfitting dengan cara mematikan sebagian neuron secara acak selama pelatihan.
Selain itu, digunakan regularisasi L2 sebesar 0,0001.
a Output Layer: 1 neuron dengan fungsi aktivasi Sigmoid, yang menghasilkan probabilitas output antara 0 dan 1, sesuai untuk klasifikasi biner (Tepat Waktu/Tidak Tepat Wakt.
a Optimizer: Menggunakan algoritma Adam dengan learning rate 0,0095.
Hasil Evaluasi Model Untuk mengevaluasi performa model, metode CrossValidation Stratified 5-Fold digunakan.
Hasil dari pengujian menunjukkan bahwa model ini memiliki kinerja yang sangat konsisten dan tinggi di seluruh fold.
Metrik rata-rata evaluasi model disajikan pada Tabel 6.
Tabel 6 Rata-rata metrik evaluasi model
Fold
Accuracy Precision Recall F1-Score
0,9550
0,9300
0,9650
0,9470
0,9520
0,9350
0,9580
0,9460
0,9540
0,9320
0,9620
0,9465
0,9530
0,9340
0,9570
0,9450
0,9550
0,9360
0,9580
0,9470
Rata-rata 0,9333 0,9600 0,9455 Nilai recall yang tinggi .
,00%) menunjukkan bahwa model sangat peka untuk menemukan mahasiswa yang mungkin lulus tepat waktu dan mengurangi risiko kesalahan prediksi negatif.
Gambar 2 Hasil Kurva Pembelajaran Hasil Evaluasi Matrix Untuk melihat detail prediksi, dilakukan analisis pada Confusion Matrix dari salah satu fold validasi.
Hasil matriks kebingungan adalah sebagai berikut:
Tabel 7 Hasil Evaluasi Matrix
Tidak Tepat Waktu Tepat Waktu True 0
TN = 6
FP = 1
True 1
FN = 0
TP = 7
Absennya False Negative .
merupakan hasil yang sangat positif, karena menunjukkan bahwa model tidak "melewatkan" mahasiswa yang berprestasi.
Hasil ini mengonfirmasi bahwa arsitektur ANN yang diusulkan, dengan kombinasi data akademik dan kepuasan EUCS, dapat memprediksi kelulusan tepat waktu dengan akurasi yang sangat tinggi.
IV.
KESIMPULAN
Penelitian tentang prediksi kelulusan siswa menggunakan Artificial Neural Network (ANN) telah mencapai beberapa kesimpulan penting:
Performa Model: Model ANN yang dikembangkan dengan optimasi hyperparameter menggunakan Optuna terbukti efektif dalam memprediksi kelulusan tepat Berdasarkan evaluasi Stratified 5-Fold CrossValidation, model mencapai rata-rata akurasi sebesar 95,38%, dengan precision 93,33%, recall 96,00%, dan F1-score 94,55%.
Nilai recall yang tinggi menunjukkan model sangat sensitif dalam mendeteksi mahasiswa yang berpotensi lulus tepat waktu tanpa banyak melewatkan data positif .
Pengaruh Variabel: Temuan menarik dalam penelitian ini adalah variabel kepuasan penggunaan E-Learning (EUCS) memiliki korelasi yang lebih kuat terhadap kelulusan tepat waktu .
,75Ae0,.
dibandingkan dengan JINACS: Volume 07 Nomor 03, 2026 (Journal of Informatics and Computer Scienc.
ISSN : 2686-2220 nilai akademik IPK Semester 1Ae4 .
,11Ae0,.
Hal ini mengindikasikan bahwa kepuasan terhadap infrastruktur teknologi pembelajaran memiliki peran krusial dalam mendukung motivasi dan keberhasilan studi mahasiswa di era digital .
Stabilitas Model: Kurva pembelajaran menunjukkan bahwa model memiliki stabilitas yang baik dengan selisih yang relatif kecil antara training loss dan validation loss, yang menandakan bahwa penggunaan teknik regularisasi .
dan validasi silang efektif mencegah overfitting meskipun menggunakan dataset yang terbatas.
UCAPAN TERIMA KASIH
Penulis mengungkapkan rasa syukur kepada Allah SWT atas kesehatan, rezeki, dan nikmat-Nya, yang telah memungkinkan penulis untuk menyelesaikan karya akademik ini dengan baik.
Penulis ingin mengucapkan terima kasih yang tulus kepada orang tua dan keluarganya, yang selalu memberikan dukungan, dorongan, dan menemani dengan doa-doa mereka selama proses penyusunan karya akademik ini.
Selanjutnya, penulis ingin menyampaikan rasa terima kasih kepada pembimbing dan penguji atas masukan, saran, dan arahan yang telah diberikan, yang telah membantu meningkatkan kualitas karya akademik Penulis juga mengucapkan terima kasih kepada kepada teman-teman dan orang-orang yang mendukung dan dorongan yang diberikan selama proses penelitiannya.
Penulis mengucapkan terima kasih kepada diri sendiri atas kerja keras dan dedikasi dalam menyelesaikan karya akademik ini secara .
REFERENSI