Clustering Artikel Web Kesehatan Dengan Algoritma Self Organizing Maps
CLUSTERING ARTIKEL WEB KESEHATAN DENGAN
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
INDRA CHARISMA
121402088
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
CLUSTERING ARTIKEL WEB KESEHATAN DENGAN
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
INDRA CHARISMA
121402088
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
i
PERSETUJUAN
Judul
: CLUSTERING ARTIKEL WEB KESEHATAN
DENGAN ALGORITMA SELF ORGANIZING MAPS
Kategori
: SKRIPSI
Nama
: INDRA CHARISMA
Nomor Induk Mahasiswa
: 121402088
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Amalia, ST., M.T
Dani Gunawan, ST., M.T
NIP. 19791221 201404 2 001
NIP. 19820915 201212 1 002
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
ii
PERNYATAAN
CLUSTERING ARTIKEL WEB KESEHATAN DENGAN
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 27 Agustus 2016
Indra Charisma
121402088
Universitas Sumatera Utara
iii
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT yang telah memberikan
rahmat serta restu-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat
untuk memperoleh gelar Sarjana.
Pertama, penulis ingin mengucapkan terima kasih kepada Bapak Dani Gunawan,
ST., M.T selaku pembimbing pertama dan Ibu Amalia, ST., M.T selaku pembimbing
kedua yang telah meluangkan waktu serta tenaganya untuk membimbing penulis dalam
penelitian serta penulisan skripsi ini. Tanpa inspirasi serta motivasi yang diberikan dari
kedua pembimbing, tentunya penulis tidak akan dapat menyelesaikan skripsi ini.
Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim Sitompul,
M.Sc sebagai dosen pembanding pertama dan Ibu Dr. Elviawaty Muisa Zamzami, ST.,
M.T, M.M, sebagai dosen pembanding kedua yang telah memberikan masukan serta
kritik yang bermanfaat dalam dalam penulisan skripsi ini. Ucapan terima kasih juga
ditujukan kepada semua dosen serta pegawai di lingkungan Fakultas Ilmu Komputer
dan Teknologi Informasi yang telah membantu serta membimbing penulis selama
proses perkuliahan.
Penulis tentunya tidak lupa berterima kasih kepada kedua orang tua penulis, yaitu
Bapak Tiharman dan Ibu Elmida, S.Pd.I yang telah membesarkan penulis dengan sabar
dan penuh kasih sayang, serta doa dan dukungan berupa moral maupun materiil yang
selalu menyertai selama ini. Penulis juga berterima kasih kepada seluruh anggota
keluarga penulis yang namanya tidak dapat disebutkan satu persatu.
Terima kasih juga penulis ucapkan kepada teman-teman yang telah memberikan
dukungan dan bantuan selama masa perkuliahan ini, khususnya Yana Trisha Andini
Harahap, Atras Najwan, Maliki Khoirul, Daniel Bonoffi, Imam Muttaqin, M. Wardana,
Reza Ramadiansyah, Joko Kurnianto, Reza Taqyuddin serta seluruh teman-teman
mahasiswa Teknologi Informasi lainnya yang namanya tidak dapat disebutkan satu
persatu.
Universitas Sumatera Utara
iv
ABSTRAK
Web harvesting dari sebuah mesin web crawler untuk artikel kesehatan berbahasa
Indonesia dapat menjadi sumber informasi kesehatan yang cost-effective di Indonesia.
Agar dapat dimanfaatkan secara optimal seperti untuk machine learning, maka
beberapa tahapan harus dilakukan seperti text pre-processing dan clustering
berdasarkan topiknya. Pada penelitian ini metode yang digunakan terbagi menjadi
empat tahapan. Tahapan pertama yaitu text pre-processing yang terdiri dari tokenizing,
case-folding, filtering, phrase detection, dan stemming. Tahapan kedua yaitu
pembobotan kata dari setiap artikel yang ada dengan menggunakan metode TFIDF.
Tahapan ketiga yaitu ekstraksi kata kunci dari setiap artikel. Tahapan terakhir yaitu
proses clustering dengan algoritma Self Organizing Maps yang dibagi menjadi dua
proses. Proses pertama dari clustering adalah memisahkan artikel kesehatan ke dalam
dua korpus yaitu artikel kesehatan yang berhubungan dengan anak dan artikel kesehatan
umum. Proses kedua clustering yaitu mengelompokkan artikel kesehatan pada setiap
korpus tersebut berdasarkan topiknya. Pada penelitian ini jumlah artikel yang di-cluster
adalah sebanyak 533 artikel. Hasil dari penelitian ini adalah dua korpus baru yang berisi
cluster -cluster sesuai dengan topik pada setiap korpus. Kemudian artikel-artikel yang
memiliki kesamaan term akan berada pada cluster yang sama.
Kata kunci: Text mining, Clustering, TFIDF, Self Organizing Maps, Multiword
Expression
Universitas Sumatera Utara
v
HEALTH WEB ARTICLE CLUSTERING WITH SELF ORGANIZING MAPS
ALGORITHM
ABSTRACT
Web harvesting from a web crawler machine for Indonesian health article can be a costeffective health information source in Indonesia. In order to be optimally used for such
machine learning, then some processes like text pre-processing and clustering have to
be done. The method used in this research divided into four steps. First step is text preprocessing that consist of tokenizing, case folding, filtering, phrase detection, and
stemming. Second step is term weighting for all terms in all articles in corpus using
TFIDF method. Third step is keyphrase extraction from each article. The last step is
clustering with self organizing map algorithm, this step divided by two processes. The
first process of this clustering was to seperate the articles into health article related to
children corpus and general health article corpus. The second process of this clustering
was to categorize article each of corpuses based on its topic. In this reseach, the number
of articles are clustered is 533 articles. The results of this study are two new corpuses
containing clusters according to the topics in each corpus. Then the articles that have
similar terms will be on the same cluster
Keywords: Text mining, Clustering, TFIDF, Self Organizing Maps, Multiword
Expression
Universitas Sumatera Utara
vi
DAFTAR ISI
Hal.
PERSETUJUAN
i
PERNYATAAN
ii
UCAPAN TERIMA KASIH
iii
ABSTRAK
iv
ABSTRACT
v
DAFTAR ISI
vi
DAFTAR TABEL
viii
DAFTAR GAMBAR
ix
BAB 1 PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Tujuan Penelitian
3
1.4. Batasan Masalah
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
6
2.1. Text Mining
6
2.2. Text Pre-Processing
6
2.2.1. Tokenizing
6
2.2.2. Case-folding
7
2.2.3. Filtering
7
2.2.4. Phrase Detection
8
2.2.5. Stemming
9
2.3. Algoritma Stemming Nazief Andriani
9
2.4. Automatic Keyphrase Extraction
12
2.5. Term Frequency-Inverse Document Frequency (TF-IDF)
13
Universitas Sumatera Utara
vii
2.6. Self Organizing Maps (SOM)
14
2.7. Penelitian Terdahulu
16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
19
3.1. Data Acquisition (Pengumpulan data)
19
3.2. Analisis Sistem
20
3.2.1. Text Pre-Processing
21
3.2.2. Term Weighting
24
3.2.3. Keyphrase Extraction
27
3.2.4. Clustering dengan Algoritma Self Organizing Maps
27
3.3 Perancangan Sistem
32
3.3.1. Perancangan sistem bagian belakang (back-end)
32
3.3.2. Perancangan sistem bagian depan (front-end)
32
BAB 4 IMPLEMENTASI DAN PENGUJIAN
34
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
34
4.2. Hasil Text Pre-Processing
34
4.3. Keyphrase Extraction
37
4.4. Clustering dengan SOM
38
4.5. Implementasi Sistem Bagian Depan
46
BAB 5 KESIMPULAN DAN SARAN
47
5.1. Kesimpulan
47
5.2. Saran
47
DAFTAR PUSTAKA
49
Universitas Sumatera Utara
viii
DAFTAR TABEL
Tabel 2.1. Tabel Kombinasi Awalan dan Akhiran yang Tidak Diijinkan
10
Tabel 2.2. Tabel Aturan Peluruhan Kata Dasar (Nazief & Adriani, 1996)
10
Tabel 2.3. Penelitian Terdahulu
17
Tabel 3.1. Detail Artikel yang Didapatkan dari Hasil Web Crawler
19
Tabel 3.2. Contoh Artikel Untuk Perhitungan TF-IDF
24
Tabel 3.3. Hasil dari Penghitungan TF
25
Tabel 3.4. Contoh Penghitungan DF
26
Tabel 3.5. Contoh Penghitungan IDF
26
Tabel 3.6. Contoh Penghitungan TF-IDF pada Setiap Artikel
27
Tabel 3.7. Contoh Perhitungan Nilai Vektor Untuk Setiap Artikel
28
Tabel 4.1. Contoh Hasil Dari Keyphrase Extraction
37
Tabel 4.2. Contoh Artikel Hasil dari Proses Awal Clustering
39
Tabel 4.3. Term Parameter pada Proses Akhir Clustering
40
Tabel 4.4. Hasil Percobaan pada Proses Akhir Clustering
41
Tabel 4.5. Contoh Artikel Hasil dari Clustering pada Korpus C0
42
Tabel 4.6. Contoh Artikel Hasil dari Clustering pada Korpus C1
44
Universitas Sumatera Utara
ix
DAFTAR GAMBAR
Gambar 2.1. Proses Tokenizing
7
Gambar 2.2. Proses Case Folding
7
Gambar 2.3. Proses Filtering Stop-Word
8
Gambar 2.4. Proses Phrase Detection
8
Gambar 2.5. Proses Stemming
9
Gambar 3.1. Arsitektur Umum
20
Gambar 3.2. Flowchart Proses Phrase Detection
22
Gambar 3.3. Flowchart Metode Multiwords Expression Candidate
23
Gambar 3.4. Rancangan Sistem Bagian Depan Sistem
33
Gambar 4.1. Artikel yang Belum Dilakukan Text Pre-Processing
35
Gambar 4.2. Hasil Proses Tokenizing dan Case-Folding
36
Gambar 4.3. Hasil Proses Filtering
37
Gambar 4.4. Artikel Hasil Text Pre-Processing
37
Gambar 4.5. Grafik Hasil Pemisahan Artikel pada Proses Awal Clustering
39
Gambar 4.6. Grafik Hasil Clustering pada Korpus C0
41
Gambar 4.7. Grafik Hasil Clustering pada Korpus C1
42
Gambar 4.8. Tampilan Sistem Bagian Depan
46
Universitas Sumatera Utara
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
INDRA CHARISMA
121402088
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
CLUSTERING ARTIKEL WEB KESEHATAN DENGAN
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
INDRA CHARISMA
121402088
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
i
PERSETUJUAN
Judul
: CLUSTERING ARTIKEL WEB KESEHATAN
DENGAN ALGORITMA SELF ORGANIZING MAPS
Kategori
: SKRIPSI
Nama
: INDRA CHARISMA
Nomor Induk Mahasiswa
: 121402088
Program Studi
: S1 TEKNOLOGI INFORMASI
Departemen
: TEKNOLOGI INFORMASI
Fakultas
: FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Amalia, ST., M.T
Dani Gunawan, ST., M.T
NIP. 19791221 201404 2 001
NIP. 19820915 201212 1 002
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110 200801 1 010
Universitas Sumatera Utara
ii
PERNYATAAN
CLUSTERING ARTIKEL WEB KESEHATAN DENGAN
ALGORITMA SELF ORGANIZING MAPS
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 27 Agustus 2016
Indra Charisma
121402088
Universitas Sumatera Utara
iii
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT yang telah memberikan
rahmat serta restu-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat
untuk memperoleh gelar Sarjana.
Pertama, penulis ingin mengucapkan terima kasih kepada Bapak Dani Gunawan,
ST., M.T selaku pembimbing pertama dan Ibu Amalia, ST., M.T selaku pembimbing
kedua yang telah meluangkan waktu serta tenaganya untuk membimbing penulis dalam
penelitian serta penulisan skripsi ini. Tanpa inspirasi serta motivasi yang diberikan dari
kedua pembimbing, tentunya penulis tidak akan dapat menyelesaikan skripsi ini.
Penulis juga mengucapkan terima kasih kepada Bapak Prof. Dr. Opim Salim Sitompul,
M.Sc sebagai dosen pembanding pertama dan Ibu Dr. Elviawaty Muisa Zamzami, ST.,
M.T, M.M, sebagai dosen pembanding kedua yang telah memberikan masukan serta
kritik yang bermanfaat dalam dalam penulisan skripsi ini. Ucapan terima kasih juga
ditujukan kepada semua dosen serta pegawai di lingkungan Fakultas Ilmu Komputer
dan Teknologi Informasi yang telah membantu serta membimbing penulis selama
proses perkuliahan.
Penulis tentunya tidak lupa berterima kasih kepada kedua orang tua penulis, yaitu
Bapak Tiharman dan Ibu Elmida, S.Pd.I yang telah membesarkan penulis dengan sabar
dan penuh kasih sayang, serta doa dan dukungan berupa moral maupun materiil yang
selalu menyertai selama ini. Penulis juga berterima kasih kepada seluruh anggota
keluarga penulis yang namanya tidak dapat disebutkan satu persatu.
Terima kasih juga penulis ucapkan kepada teman-teman yang telah memberikan
dukungan dan bantuan selama masa perkuliahan ini, khususnya Yana Trisha Andini
Harahap, Atras Najwan, Maliki Khoirul, Daniel Bonoffi, Imam Muttaqin, M. Wardana,
Reza Ramadiansyah, Joko Kurnianto, Reza Taqyuddin serta seluruh teman-teman
mahasiswa Teknologi Informasi lainnya yang namanya tidak dapat disebutkan satu
persatu.
Universitas Sumatera Utara
iv
ABSTRAK
Web harvesting dari sebuah mesin web crawler untuk artikel kesehatan berbahasa
Indonesia dapat menjadi sumber informasi kesehatan yang cost-effective di Indonesia.
Agar dapat dimanfaatkan secara optimal seperti untuk machine learning, maka
beberapa tahapan harus dilakukan seperti text pre-processing dan clustering
berdasarkan topiknya. Pada penelitian ini metode yang digunakan terbagi menjadi
empat tahapan. Tahapan pertama yaitu text pre-processing yang terdiri dari tokenizing,
case-folding, filtering, phrase detection, dan stemming. Tahapan kedua yaitu
pembobotan kata dari setiap artikel yang ada dengan menggunakan metode TFIDF.
Tahapan ketiga yaitu ekstraksi kata kunci dari setiap artikel. Tahapan terakhir yaitu
proses clustering dengan algoritma Self Organizing Maps yang dibagi menjadi dua
proses. Proses pertama dari clustering adalah memisahkan artikel kesehatan ke dalam
dua korpus yaitu artikel kesehatan yang berhubungan dengan anak dan artikel kesehatan
umum. Proses kedua clustering yaitu mengelompokkan artikel kesehatan pada setiap
korpus tersebut berdasarkan topiknya. Pada penelitian ini jumlah artikel yang di-cluster
adalah sebanyak 533 artikel. Hasil dari penelitian ini adalah dua korpus baru yang berisi
cluster -cluster sesuai dengan topik pada setiap korpus. Kemudian artikel-artikel yang
memiliki kesamaan term akan berada pada cluster yang sama.
Kata kunci: Text mining, Clustering, TFIDF, Self Organizing Maps, Multiword
Expression
Universitas Sumatera Utara
v
HEALTH WEB ARTICLE CLUSTERING WITH SELF ORGANIZING MAPS
ALGORITHM
ABSTRACT
Web harvesting from a web crawler machine for Indonesian health article can be a costeffective health information source in Indonesia. In order to be optimally used for such
machine learning, then some processes like text pre-processing and clustering have to
be done. The method used in this research divided into four steps. First step is text preprocessing that consist of tokenizing, case folding, filtering, phrase detection, and
stemming. Second step is term weighting for all terms in all articles in corpus using
TFIDF method. Third step is keyphrase extraction from each article. The last step is
clustering with self organizing map algorithm, this step divided by two processes. The
first process of this clustering was to seperate the articles into health article related to
children corpus and general health article corpus. The second process of this clustering
was to categorize article each of corpuses based on its topic. In this reseach, the number
of articles are clustered is 533 articles. The results of this study are two new corpuses
containing clusters according to the topics in each corpus. Then the articles that have
similar terms will be on the same cluster
Keywords: Text mining, Clustering, TFIDF, Self Organizing Maps, Multiword
Expression
Universitas Sumatera Utara
vi
DAFTAR ISI
Hal.
PERSETUJUAN
i
PERNYATAAN
ii
UCAPAN TERIMA KASIH
iii
ABSTRAK
iv
ABSTRACT
v
DAFTAR ISI
vi
DAFTAR TABEL
viii
DAFTAR GAMBAR
ix
BAB 1 PENDAHULUAN
1
1.1. Latar Belakang
1
1.2. Rumusan Masalah
2
1.3. Tujuan Penelitian
3
1.4. Batasan Masalah
3
1.6. Metodologi Penelitian
3
1.7. Sistematika Penulisan
4
BAB 2 LANDASAN TEORI
6
2.1. Text Mining
6
2.2. Text Pre-Processing
6
2.2.1. Tokenizing
6
2.2.2. Case-folding
7
2.2.3. Filtering
7
2.2.4. Phrase Detection
8
2.2.5. Stemming
9
2.3. Algoritma Stemming Nazief Andriani
9
2.4. Automatic Keyphrase Extraction
12
2.5. Term Frequency-Inverse Document Frequency (TF-IDF)
13
Universitas Sumatera Utara
vii
2.6. Self Organizing Maps (SOM)
14
2.7. Penelitian Terdahulu
16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
19
3.1. Data Acquisition (Pengumpulan data)
19
3.2. Analisis Sistem
20
3.2.1. Text Pre-Processing
21
3.2.2. Term Weighting
24
3.2.3. Keyphrase Extraction
27
3.2.4. Clustering dengan Algoritma Self Organizing Maps
27
3.3 Perancangan Sistem
32
3.3.1. Perancangan sistem bagian belakang (back-end)
32
3.3.2. Perancangan sistem bagian depan (front-end)
32
BAB 4 IMPLEMENTASI DAN PENGUJIAN
34
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
34
4.2. Hasil Text Pre-Processing
34
4.3. Keyphrase Extraction
37
4.4. Clustering dengan SOM
38
4.5. Implementasi Sistem Bagian Depan
46
BAB 5 KESIMPULAN DAN SARAN
47
5.1. Kesimpulan
47
5.2. Saran
47
DAFTAR PUSTAKA
49
Universitas Sumatera Utara
viii
DAFTAR TABEL
Tabel 2.1. Tabel Kombinasi Awalan dan Akhiran yang Tidak Diijinkan
10
Tabel 2.2. Tabel Aturan Peluruhan Kata Dasar (Nazief & Adriani, 1996)
10
Tabel 2.3. Penelitian Terdahulu
17
Tabel 3.1. Detail Artikel yang Didapatkan dari Hasil Web Crawler
19
Tabel 3.2. Contoh Artikel Untuk Perhitungan TF-IDF
24
Tabel 3.3. Hasil dari Penghitungan TF
25
Tabel 3.4. Contoh Penghitungan DF
26
Tabel 3.5. Contoh Penghitungan IDF
26
Tabel 3.6. Contoh Penghitungan TF-IDF pada Setiap Artikel
27
Tabel 3.7. Contoh Perhitungan Nilai Vektor Untuk Setiap Artikel
28
Tabel 4.1. Contoh Hasil Dari Keyphrase Extraction
37
Tabel 4.2. Contoh Artikel Hasil dari Proses Awal Clustering
39
Tabel 4.3. Term Parameter pada Proses Akhir Clustering
40
Tabel 4.4. Hasil Percobaan pada Proses Akhir Clustering
41
Tabel 4.5. Contoh Artikel Hasil dari Clustering pada Korpus C0
42
Tabel 4.6. Contoh Artikel Hasil dari Clustering pada Korpus C1
44
Universitas Sumatera Utara
ix
DAFTAR GAMBAR
Gambar 2.1. Proses Tokenizing
7
Gambar 2.2. Proses Case Folding
7
Gambar 2.3. Proses Filtering Stop-Word
8
Gambar 2.4. Proses Phrase Detection
8
Gambar 2.5. Proses Stemming
9
Gambar 3.1. Arsitektur Umum
20
Gambar 3.2. Flowchart Proses Phrase Detection
22
Gambar 3.3. Flowchart Metode Multiwords Expression Candidate
23
Gambar 3.4. Rancangan Sistem Bagian Depan Sistem
33
Gambar 4.1. Artikel yang Belum Dilakukan Text Pre-Processing
35
Gambar 4.2. Hasil Proses Tokenizing dan Case-Folding
36
Gambar 4.3. Hasil Proses Filtering
37
Gambar 4.4. Artikel Hasil Text Pre-Processing
37
Gambar 4.5. Grafik Hasil Pemisahan Artikel pada Proses Awal Clustering
39
Gambar 4.6. Grafik Hasil Clustering pada Korpus C0
41
Gambar 4.7. Grafik Hasil Clustering pada Korpus C1
42
Gambar 4.8. Tampilan Sistem Bagian Depan
46
Universitas Sumatera Utara