DSS – Pertemuan 06 – Materi

Gede Surya Mahendra - Home

DSS – Pertemuan 06 – Materi

Stiki Logo - Short

Mata Kuliah : Decision Support System

Kode Mata Kuliah : MKB-219

Program Studi : Teknik Informatika

STIMIK STIKOM Indonesia

PERTEMUAN 06

Untuk tampilan lebih baik, dapat mendownload file PDF pada link yang tersedia

Kemampuan Akhir yang Diharapkan :

Mahasiswa dapat memahami metode-metode yang digunakan untuk memecahkan model-model DSS

Bahan Kajian:

  • Ketepatan memahami pengelompokan model-model DSS.
  • Ketepatan memahami metode penyelesaian masalah dengan model pencocokan profil
  • Ketepatan memahami metode penyelesaian masalah dengan model algoritma simpleks
  • Ketepatan memahami metode penyelesaian masalah dengan model AHP.

Metode Pembelajaran:

  • Pembelajaran diskusi dan discovery terkait dengan materi metode untuk memecahkan model DSS

Pengalaman Pembelajaran:

  • Memahami pengelompokan model-model DSS.
  • Memahami metode penyelesaian masalah dengan model pencocokan profil
  • Memahami metode penyelesaian masalah dengan model algoritma simpleks
  • Memahami metode penyelesaian masalah dengan model AHP.

Kriteria Penilaian dan Indikator:

  • Kemampuan untuk memahami metode yang digunakan untuk memecahkan model DSS sesuai dengan materi yang disampaikan

 

Download File Materi PDF

Download File Slide Perkuliahan PDF

 

TINJAUAN

  1. Analytical Hierarchy Process (AHP)
    1. Kelebihan metode AHP
    2. Kelemahan metode AHP
    3. Prosedur Analythical Hierarchy Process
  2. Studi Kasus DSS Menggunakan Metode Analythical Hierarchy Process (AHP)
    1. Contoh Soal AHP / Identifikasi
    2. Menentukan prioritas elemen
    3. Menghitung nilai bobot kriteria () / Sintesis
    4. Mengukur Konsistensi
    5. Menghitung nilai Consistency Index
    6. Menghitung eigen vector alternatif
    7. Menghitung Nilai Akhir
    8. Melakukan perangkingan

MATERI

Analytical Hierarchy Process (AHP)

Analytical Hierarchy Process (AHP) diusulkan oleh Saaty (1977, 1980) untuk memodelkan proses pengambilan keputusan subjektif berdasarkan beberapa atribut dalam sistem hierarki. Sejak saat itu, AHP telah banyak digunakan dalam perencanaan perusahaan, pemilihan portofolio, dan analisis manfaat / biaya oleh instansi pemerintah untuk tujuan alokasi sumber daya. Harus digarisbawahi bahwa semua masalah keputusan dianggap sebagai struktur hierarki dalam AHP. Tingkat pertama menunjukkan tujuan dari masalah keputusan tertentu. Di tingkat kedua, tujuan diuraikan dari beberapa kriteria dan tingkat yang lebih rendah dapat mengikuti prinsip ini untuk dibagi ke dalam subkriteria lainnya. Oleh karena itu, bentuk umum AHP dapat digambarkan seperti pada Gambar 6. 1. AHP memiliki keunikan di bandingkan metode lainnya, dalam pembobotan kriteria, bobot dari setiap kriteria bukan ditentukan di awal tetapi ditentukan menggunakan rumus dari metode ini berdasarkan skala prioritas (tingkat kepentingan) yang bersumber dari tabel saaty. Berikut ini adalah tabel tingkat kepentingan yang digunakan ditampilkan pada Tabel 6. 1

Gambar 6. 1 Sistem hirarki dalam MADM

Tabel 6. 1 Skala Saaty

No Nilai Kepentingan / Intensitas Keterangan / Linguistik
1 1 Sama penting (equal)
2 3 Cukup penting (moderat)
3 5 Lebih penting (strong)
4 7 Sangat lebih penting (demonstrated)
5 9 Mutlak lebih penting (extreme)
6 2,4,6,8 Nilai tengah diantara nilai berdekatan (intermediate value)

Dan dalam metode ini terdapat nilai Random Index. Adapun tabel nilai Random Index dari metode Analythical Hierarchy Process, berdasarkan Alonso-Lamata RI Values, yang disajikan pada Tabel 6. 2

Tabel 6. 2 Random Index

Jumlah Elemen Random Index Jumlah Elemen Random Index Jumlah Elemen Random Index
3 0,5245 16 1,5978 29 1,6777
4 0,8815 17 1,6086 30 1,6809
5 1,1086 18 1,6181 31 1,6839
6 1,2479 19 1,6265 32 1,6867
7 1,3417 20 1,6341 33 1,6893
8 1,4056 21 1,6409 34 1,6917
9 1,4499 22 1,647 35 1,694
10 1,4854 23 1,6526 36 1,6962
11 1,5141 24 1,6577 37 1,6982
12 1,5365 25 1,6624 38 1,7002
13 1,5551 26 1,6667 39 1,702
14 1,5713 27 1,6706
15 1,5838 28 1,6743

Kelebihan metode AHP

  • Kesatuan (Unity), AHP membuat permasalahan yang luas dan tidak terstruktur menjadi suatu model yang fleksibel dan mudah dipahami.
  • Kompleksitas (Complexity), AHP memecahkan permasalahan yang kompleks melalui pendekatan sistem dan pengintegrasian secara deduktif
  • Saling ketergantungan (Inter Dependence), AHP dapat digunakan pada elemen-elemen sistem yang saling bebas dan tidak memerlukan hubungan linier.
  • Struktur Hirarki (Hierarchy Structuring), AHP mewakili pemikiran alamiah yang cenderung mengelompokkan elemen sistem ke level-level yang berbeda dari masing-masing level berisi elemen yang serupa.
  • Pengukuran (Measurement), AHP menyediakan skala pengukuran dan metode untuk mendapatkan prioritas.
  • Konsistensi (Consistency), AHP mempertimbangkan konsistensi logis dalam penilaian yang digunakan untuk menentukan prioritas.
  • Sintesis (Synthesis), AHP mengarah pada perkiraan keseluruhan mengenai seberapa diinginkannya masing-masing alternatif.
  • Trade Off, AHP mempertimbangkan prioritas relatif faktor-faktor pada sistem sehingga orang mampu memilih altenatif terbaik berdasarkan tujuan mereka.
  • Penilaian dan Konsensus (Judgement and Consensus), AHP tidak mengharuskan adanya suatu konsensus, tapi menggabungkan hasil penilaian yang berbeda.
  • Pengulangan Proses (Process Repetition), AHP mampu membuat orang menyaring definisi dari suatu permasalahan dan mengembangkan penilaian serta pengertian mereka melalui proses pengulangan.
  • Struktur yang berhirarki, sebagai konsekuensi dari kriteria yang dipilih, sampai pada subkriteria yang paling dalam.
  • Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan.
  • Memperhitungkan daya tahan atau ketahanan output analisis sensivitas pengambilan keputusan.
  • Metode AHP memiliki keunggulan dari segi proses pengambil keputusan dan akomodasi untuk atribut atribut baik kuantitatif dan kualitatif.
  • Metode AHP juga mampu menghasilkan hasil yang lebih konsisten dibandingkan dengan metode metode lainnya.
  • Metode pengambilan keputusan AHP memiliki sistem yang mudah dipahami dan digunakan.

Kelemahan metode AHP

  • Orang yang dilibatkan adalah orang –orang yang memiliki pengetahuan ataupun banyak pengalaman yang berhubungan dengan hal yang akan dipilih dengan menggunakan metode AHP
  • Untuk melakukan perbaikan keputusan, harus di mulai lagi dari tahap awal.
  • Ketergantungan model AHP pada input utamanya. Input utama ini berupa persepsi seorang ahli sehingga dalam hal ini melibatkan subyektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut memberikan penilaian yang keliru.
  • Metode AHP ini hanya metode matematis tanpa ada pengujian secara statistik sehingga tidak ada batas kepercayaan dari kebenaran model yang terbentuk.

Prosedur Analythical Hierarchy Process

Pada dasarnya, prosedur atau langkah-langkah dalam metode AHP adalah sebagai berikut:

  1. Mengidentifikasi masalah dan menentukan solusi yang diinginkan, lalu menyusun hierarki dari permasalahan yang dihadapi. Penulisan hierarki adalah dengan menetapkan tujuan yang merupakan sasaran sistem secara keseluruhan pada level teratas.
  2. Menentukan prioritas elemen
    1. Langkah pertama dalam menentukan prioritas elemen adalah membuat perbandingan pasangan, yaitu membandingkan elemen secara berpasangan sesuai kriteria yang diberikan.
    2. Matriks perbandingan berpasangan diisi menggunakan bilangan untuk merepresentasikan kepentingan relative dari suatu elemen terhadap elemen yang lainnya.
  3. Sintesis,

Pertimbangan-pertimbangan terhadap perbandingan berpasangan disintesiskan untuk memperoleh keseluruhan prioritas. Hal-hal yang dilakukan dalam langkah ini adalah:

    1. Menjumlahkan nilai-nilai dari setiap kolom pada matriks
    2. Membagi setiap nilai dari kolom dengan total kolom yang bersangkutan untuk memperoleh normalisasi matriks.
    3. Menjumlahkan nilai-nilai dari setiap baris dan membaginya dengan jumlah elemen untuk mendapatkan nilai rata-rata.
  1. Mengukur Konsistensi

Dalam membuat keputusan, penting untuk mengetahui seberapa baik konsistensi yang ada karena kita tidak menginginkan keputusan berdasarkan pertimbangan dengan konsistensi yang rendah. Hal-hal yang dilakukan dalam langkah ini adalah :

    1. Kalikan setiap nilai pada kolom pertama dengan prioritas relative elemen pertama, nilai pada kolom kedua dengan prioritas relative elemen kedua dan seterusnya
    2. Jumlahkan setiap baris
    3. Hasil dari penjumlahan baris dibagi dengan elemen prioritas relatif yang bersangkutan
    4. Jumlahkan hasil bagi di atas dengan banyaknya elemen yang ada, hasilnya disebut λmaks
  1. Menghitung Consistency Indeks CI dengan rumus:

Dimana n = banyak elemen

  1. Hitung Rasio Konsistensi/Consistency Ratio (CR) dengan rumus:

Dimana :

CR = Consistency Ratio

CI = Consistency Index

IR = Index Random Consistency

  1. Memeriksa konsistensi hierarki.

Jika nilainya lebih dari 10%, maka penilaian data judgment harus diperbaiki. Namun jika rasio konsistensi () kurang atau sama dengan 0.1, maka hasil perhitungan bisa dinyatakan benar.

 

Studi Kasus DSS Menggunakan Metode Analythical Hierarchy Process (AHP)

Contoh Soal AHP / Identifikasi

Pada bagian Promosi di perusahaan yang bergerak di bidang perjalanan wisata ingin melakukan pemilihan terhadap objek wisata di daerahnya sebagai rekomendasi bagi tourist pemula dari mancanegara. Adapun objek wisata yang sedang di analisis terdapat 5 kandidat, dengan 4 kriteria penilaian. Kriteria tersebut adalah keindahan alam (C1), keindahan budaya (C2), kemananan (C3), dan sarana prasarana (C4). Berikut adalah data alternatif untuk masing-masing objek wisata.

Tabel 6. 3 Data Alternatif Obek Wssata

No Alternatif C1 (Keindahan Alam) C2 (Keindahan Budaya) C3 (Keamanan) C4
(Sarana Prasarana)
(Likert 1-5) (Likert 1-5) (Likert 1-3) Desimal
1 A1
(Wisata 01)
3
(Cukup Baik)
4

(Baik)

2

(Cukup Baik)

0,8
2 A2
(Wisata 02)
4
(Baik)
5

(Sangat Baik)

2

(Cukup Baik)

0,75
3 A3
(Wisata 03)
5
(Sangat Baik)
5

(Sangat Baik)

1

(Buruk)

0,6
4 A4
(Wisata 04)
3
(Cukup Baik)
5

(Sangat Baik)

3

(Baik)

0,7
5 A5
(Wisata 05)
5
(Sangat Baik)
3

(Cukup Baik)

3

(Baik)

0,75

Menentukan prioritas elemen

Untuk mendapatkan nilai matriks perbandingan, decision maker dapat membandingkan satu demi satu kriteria untuk mendapatkan perbandingan yang diinginkan. Misalnya, apabila keindahan alam (C1) dibandingkan dengan keindahan budaya (C2), decision maker menilainya sama penting (equal). Kemudian C1 dibandingkan dengan C3 dinilai dengan lebih penting (strong) untuk C3. C1 dibandingkan dengan C4, dinilai cukup penting (moderat) untuk C4. Beranjak ke kriteria kedua, apabila C2 dibandingkan dengan C3, dihasilkan lebih penting (strong) untuk C3, dan C2 dibandingkan dengan C4, dihasilkan cukup penting (moderat) untuk C4. Ketika C3 dibandingkan dengan C4, dihasilkan cukup penting (moderat) untuk C3. Sehingga berdasarkan kondisi tersebut dihasilkan matriks perbandingan berpasangan yang disajikan dalam sebuah tabel sebagai berikut.

Tabel 6. 4 Matriks Perbandingan Berpasangan Antar Kriteria

C1
(Keindahan Alam)
C2
(Keindahan Budaya)
C3

(Keamanan)

C4
(Sarana Prasarana)
C1
C2 Sama Penting (Equal)
C3 Lebih penting (Strong) Lebih penting (Strong) Cukup penting (Moderat)
C4 Cukup penting (Moderat) Cukup penting (Moderat)

Tabel 6. 5 Matriks Perbandingan Berpasangan Antar Kriteria (Skala Saaty)

C1 C2 C3 C4
C1 1 1 1/5 1/3
C2 1 1 1/5 1/3
C3 5 5 1 3
C4 3 3 1/3 1

Menghitung nilai bobot kriteria () / Sintesis

Tabel 6. 6 Matriks Perbandingan Berpasangan Antar Kriteria (Skala Saaty) Yang Belum Ternormalisasi

C1 C2 C3 C4
C1 1 1 0,2 0,333
C2 1 1 0,2 0,333
C3 5 5 1 3
C4 3 3 0,333 1
10 10 1,733 4,667

Menghitung nilai bobot kriteria berdasarkan tabel normalisasi matriks perbandingan berpasangan yaitu sebagai berikut:

Tabel 6. 7 Matriks Perbandingan Berpasangan Antar Kriteria (Skala Saaty) Yang Sudah Ternormalisasi

C1 C2 C3 C4
C1 1/10 1/10 0,2/1,733 0,333/4,667
C2 1/10 1/10 0,2/1,733 0,333/4,667
C3 5/10 5/10 1/1,733 3/4,667
C4 3/10 3/10 0,333/1,733 1/4,667

Berikut ini adalah bobot kriteria yaitu sebagai berikut:

 

Maka berikut ini adalah nilai rata-rata dari matriks perbandingan kriteria yaitu sebagai berikut:

  1. C1
  2. C2
  3. C3
  4. C4

Maka Nilai Bobot Kriteria ()

Mengukur Konsistensi

Dengan mengalikan matriks perbandingan berpasangan dengan eigen vector, dapat menghasilkan dengan langkah-langkah sebagai berikut:

 

 

 

 

Menghitung nilai Consistency Index

 

 

 

 

  1. Menghitung nilai Consistency Ratio & Konsistensi Hirarki

 

 

Karena rasio konsistensi () kurang atau sama dengan 0,1 maka hasil perhitungan bisa dinyatakan benar atau dinyatakan konsisten

Menghitung eigen vector alternatif

Tabel 6. 8 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 1 Dan Alternatifnya

A1 A2 A3 A4 A5 Alternatif C1
A1 1 3/4 3/5 3/3 3/5 A1 3
A2 4/3 1 4/5 4/3 4/5 A2 4
A3 5/3 5/4 1 5/3 5/5 A3 5
A4 3/3 3/4 3/5 1 3/5 A4 3
A5 5/3 5/4 5/5 3/5 1 A5 5

Tabel 6. 9 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 1 Yang Belum Ternormalisasi

A1 A2 A3 A4 A5
A1 1,000 0,750 0,600 1,000 0,600
A2 1,333 1,000 0,800 1,333 0,800
A3 1,667 1,250 1,000 1,667 1,000
A4 1,000 0,750 0,600 1,000 0,600
A5 1,667 1,250 1,000 1,667 1,000
6,667 5,000 4,000 6,667 4,000

Tabel 6. 10 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 1 Yang Ternormalisasi Dan Eigen Vectornya

A1 A2 A3 A4 A5 Eigen Vector C1
A1 1,000 0,750 0,600 1,000 0,600 0,1500
A2 1,333 1,000 0,800 1,333 0,800 0,2000
A3 1,667 1,250 1,000 1,667 1,000 0,2500
A4 1,000 0,750 0,600 1,000 0,600 0,1500
A5 1,667 1,250 1,000 1,667 1,000 0,2500

Tabel 6. 11 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 2 Dan Alternatifnya

A1 A2 A3 A4 A5 Alternatif C2
A1 1 4/5 4/5 4/5 4/3 A1 4
A2 5/4 1 5/5 5/5 5/3 A2 5
A3 5/4 5/5 1 5/5 5/3 A3 5
A4 5/4 5/5 5/5 1 5/3 A4 5
A5 3/4 3/5 3/5 3/5 1 A5 3

Tabel 6. 12 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 2 Yang Belum Ternormalisasi

A1 A2 A3 A4 A5
A1 1,000 0,800 0,800 0,800 1,333
A2 1,250 1,000 1,000 1,000 1,667
A3 1,250 1,000 1,000 1,000 1,667
A4 1,250 1,000 1,000 1,000 1,667
A5 0,750 0,600 0,600 0,600 1,000
5,500 4,400 4,400 4,400 7,333

Tabel 6. 13 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 2 Yang Ternormalisasi Dan Eigen Vectornya

A1 A2 A3 A4 A5 Eigen Vector C2
A1 0,182 0,182 0,182 0,182 0,182 0,1818
A2 0,227 0,227 0,227 0,227 0,227 0,2273
A3 0,227 0,227 0,227 0,227 0,227 0,2273
A4 0,227 0,227 0,227 0,227 0,227 0,2273
A5 0,136 0,136 0,136 0,136 0,136 0,1364

Tabel 6. 14 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 3 Dan Alternatifnya

A1 A2 A3 A4 A5 Alternatif C3
A1 1 2/2 2/1 2/3 2/3 A1 2
A2 2/2 1 2/1 2/3 2/3 A2 2
A3 2/1 1/2 1 1/3 1/3 A3 1
A4 2/3 3/2 3/1 1 3/3 A4 3
A5 2/3 3/2 3/1 3/3 1 A5 3

Tabel 6. 15 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 3 Yang Belum Ternormalisasi

A1 A2 A3 A4 A5
A1 1,000 1,000 2,000 0,667 0,667
A2 1,000 1,000 2,000 0,667 0,667
A3 0,500 0,500 1,000 0,333 0,333
A4 1,500 1,500 3,000 1,000 1,000
A5 1,500 1,500 3,000 1,000 1,000
5,500 5,500 11,000 3,667 3,667

Tabel 6. 16 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 3 Yang Ternormalisasi Dan Eigen Vectornya

A1 A2 A3 A4 A5 Eigen Vector C3
A1 0,182 0,182 0,182 0,182 0,182 0,1818
A2 0,182 0,182 0,182 0,182 0,182 0,1818
A3 0,091 0,091 0,091 0,091 0,091 0,0909
A4 0,273 0,273 0,273 0,273 0,273 0,2727
A5 0,273 0,273 0,273 0,273 0,273 0,2727

Tabel 6. 17 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 4 Yang Belum Ternormalisasi Dan Alternatifnya

A1 A2 A3 A4 A5 Alternatif C4
A1 1 0,80/0,75 0,80/0,60 0,80/0,70 0,80/0,75 A1 0,80
A2 0,75/0,80 1 0,75/0,60 0,75/0,70 0,75/0,75 A2 0,75
A3 0,60/0,80 0,60/0,75 1 0,60/0,70 0,60/0,75 A3 0,60
A4 0,70/0,80 0,70/0,75 0,70/0,60 1 0,70/0,75 A4 0,70
A5 0,75/0,80 0,75/0,75 0,75/0,60 0,75/0,70 1 A5 0,75

Tabel 6. 18 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 4 Yang Belum Ternormalisas

A1 A2 A3 A4 A5
A1 1,000 1,067 1,333 1,143 1,067
A2 0,938 1,000 1,250 1,071 1,000
A3 0,750 0,800 1,000 0,857 0,800
A4 0,875 0,933 1,167 1,000 0,933
A5 0,938 1,000 1,250 1,071 1,000
4,500 4,800 6,000 5,143 4,800

Tabel 6. 19 Matriks Perbandingan Berpasangan Antar Alternatif Kriteria 4 Yang Ternormalisasi Dan Eigen Vectornya

A1 A2 A3 A4 A5 Eigen Vector C4
A1 0,222 0,222 0,222 0,222 0,222 0,2222
A2 0,208 0,208 0,208 0,208 0,208 0,2083
A3 0,167 0,167 0,167 0,167 0,167 0,1667
A4 0,194 0,194 0,194 0,194 0,194 0,1944
A5 0,208 0,208 0,208 0,208 0,208 0,2083

Menghitung Nilai Akhir

Menghitung nilai akhir / nilai preferensi dengan cara melakukan perkalian matriks antara eigen vector dari masing-masing alternatif dengan bobor kriteira yang telah ditentukan sebelumnya, sebagai berikut:

Tabel 6. 20 Matriks Eigen Vector Alternatif Dan Bobot Kriteria

Alternatif C1 C2 C3 C4 Wj
A1 Wisata01 0,1500 0,1818 0,1818 0,2222 0,0967
A2 Wisata02 0,2000 0,2273 0,1818 0,2083 0,0967
A3 Wisata03 0,2500 0,2273 0,0909 0,1667 0,5549
A4 Wisata04 0,1500 0,2273 0,2727 0,1944 0,2516
A5 Wisata05 0,2500 0,1364 0,2727 0,2083

Nilai Akhir A1

 

Nilai Akhir A2

 

Nilai Akhir A3

 

Nilai Akhir A4

 

Nilai Akhir A5

 

Melakukan perangkingan

Berdasarkan hasil perhitungan Nilai Akhir maka berikut ini adalah tabel perangkingan nilai Alternatif.

Tabel 6. 21 Perangkingan Analythical Hierarchy Process

No Nama Alternatif Nilai Akhir Keterangan
1 A1 (Wisata 01) 0,1889 Peringkat ke-4
2 A2 (Wisata 02) 0,1946 Peringkat ke-3
3 A3 (Wisata 03) 0,1385 Peringkat ke-5
4 A4 (Wisata 04) 0,2368 Peringkat ke-2
5 A5 (Wisata 05) 0,2411 Peringkat ke-1

Gambar 6. 2 Grafik Perangkingan Analythical Hierarchy Process

Daftar Pustaka

  • Alinezhad, A., & Khalili, J. (2019). New Methods and Applications in Multiple Attribute Decision Making (MADM) (1st ed.). Switzerland: Springer.
  • Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan (1st ed.). Yogyakarta: Penerbit ANDI.
  • Nofriansyah, D., & Defit, S. (2017). Multi Criteria Decison Making (MCDM) pada Sistem Pendukung Keputusan. Yogyakarta: DeePublish.
  • Turban, E., Aronson, J. E., & Liang, T.-P. (2007). Decision Support Systems and Intelligent Systems (7th ed.). New Delhi: Prentice-Hall, Inc.
  • Tzeng, G.-H., & Huang, J.-J. (2011). Multiple Attribute Decision Making, Method and Applications (1st ed.). Abingdon, UK: Taylor & Francis Group.

 

Download File Materi PDF

Download File Slide Perkuliahan PDF

 34 total views,  2 views today

Tags: ,

Leave a Reply

Your email address will not be published. Required fields are marked *