IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 22 IReceived June 1 st ,2012; Revised June 25 th , 2012; Accepted July 10 th , 2012 e-ISSN: 2528-4053 Implementasi Metode K-Means Dalam Pemetaan Kelompok Mahasiswa Melalui Data Aktivitas Kuliah Rosmini1, Abdul Fadlil2, Sunardi3 1Magister Teknik Informatika Universitas Ahmad Dahlan, Yogyakarta 2Sistem Informasi STMIK PPKIA Tarakanita Rahmawati, Tarakan 3Teknik Elektro Universitas Ahmad Dahlan, Yogyakarta 1rosmini@ppkia.ac.id, 2fadlil@uad.ac.id, 3sunardi@uad.ac.id Abstract The graduation rate is very important in the accreditation process to improve the quality of a college. Student group mapping can be done to monitor learning outcomes by looking at student activities. This is important so students can complete their study of education and graduate on time. Data Clustering is one method of Data Mining which is unsupervised. There are two types of clustering data that is often used in the process of data clustering hierarchical (hierarchy) data clustering and non-hierarchical (non hierarchy) data clustering. K-Means is one method of clustering / grouping non hierarchy. The technique of grouping data is simple and fast. In this study built a system to classify students based on lecture activities using K-Means method which aims to predict the study period of students by mengkompokannya to facilitate the study program in supervising and evaluating the development of student studies. The data used as sample amounted to 20 student data, while the criteria used are GPA, presense, campus organization, tuition fee, job and status as a parameter or measuring tool to facilitate in grouping students. From the results of research that has been done obtained 2 clusters that is cluster A with a prediction on time graduated consisting of 10 students and cluster B, graduating not on time which amounted to 10 students. Keywords : Data Mining, K-Means, Mapping, Akitivitas Lecture Abstrak Tingkat kelulusan sangat penting dalam proses akreditasi untuk meningkatkan kualitas suatu perguruan tinggi. Pemetaan kelompok mahasiswa dapat dilakukan untuk memantau hasil belajar dengan melihat aktivitas kuliah mahasiswa. Hal ini penting dilakukan agar mahasiswa dapat menyelesaikan studi pendidikan dan lulus tepat waktu. Data Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non-hierarchical (non hirarki) data clustering. K-Means merupakan salah satu metode clustering/pengelompokan non hirarki. Teknik pengelompokkan datanya sederhana dan cepat. Pada penelitian ini dibangun sebuah sistem untuk mengelompokan mahasiswa berdasarkan aktivitas kuliah menggunakan metode K-Means yang bertujuan untuk memprediksi masa studi mahasiswa dengan mengelompokannya agar memudahkan program studi dalam mengawasi dan mengevaluasi perkembangan studi mahasiswa. Data yang dijadikan sampel berjumlah 20 data mahasiswa, adapun kriteria yang digunakan yaitu IPK, presensi, organisasi kampus, tanggungan biaya kuliah, pekerjaan dan status sebagai parameter atau alat ukur untuk memudahkan dalam mengelompokan mahasiswa. Dari hasil penelitian yang telah lakukan diperoleh 2 cluster yaitu cluster A dengan prediksi lulus tepat waktu yang terdiri dari 10 mahasiswa dan cluster B, lulus tidak tepat waktu yang berjumlah 10 mahasiswa. Kata kunci: Data Mining, K-Means, Pemetaan, Akitivitas Kuliah IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 23 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 1. PENDAHULUAN Suatu perguruan tinggi yang berkualitas apabila telah memenuhi standar nasional pendidikan tinggi (akreditasi) yaitu dapat dilihat dari rata-rata lama studi mahasiswanya dan tingkat kelulusan. Berdasarkan peraturan di dalam buku II standard dan prosedur tentang akreditasi institusi perguruan tinggi oleh BAN-PT (Badan Akreditasi Nasional Perguruan Tinggi), menyatakan bahwa salah satu aspek atau standar penilaian akreditasi adalah mahasiswa dan lulusan. Standar penilaian yaitu penerimaan mahasiswa baru dan kelulusan (masa studi, IPK). Maka, jumlah mahasiswa dan kelulusan sangat penting dalam proses akreditasi untuk meningkatkan kualitas suatu perguruan tinggi. [1] Data Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical (hirarki) data clustering dan non- hierarchical (non hirarki) data clustering. [5] K-Means merupakan salah satu metode clustering/pengelompokan non hirarki. Teknik pengelompokan datanya sederhana dan cepat. Ada banyak pendekatan untuk membuat cluster, diantaranya adalah membuat aturan yang mendikte keanggotaan dalam grup yang sama berdasarkan tingkat persamaan diantara anggota - anggotanya. Pendekatan lainnya adalah dengan membuat sekumpulan fungsi yang mengukur beberapa properti dari pengelompokan tersebut sebagai fungsi dari beberapa parameter dari sebuah clustering. Pada penelitian ini dibangun sebuah sistem untuk mengelompokan mahasiswa berdasarkan aktivitas kuliah menggunakan metode K-Means. Manfaat penelitian ini adalah memprediksi waktu masa studi mahasiswa dengan mengelompokannya agar dapat melakukan tindakan pencegahan terhadap mahasiswa yang memiliki kecenderungan menyelesaikan studi tidak tepat waktu dan diharapkan memudahkan program studi dalam mengawasi dan mengevaluasi perkembangan studi mahasiswa. Beberapa penelitian oleh penelitian sebelumnya yang berkaitan dengan prediksi waktu masa studi mahasiswa yang dijadikan acuan antara lain, menurut peneliti pertama yaitu Danny Himawan (2014) seorang mahasiswa dinyatakan lulus tepat waktu jika dapat menyelesaikan pendidikan selama 8 semester atau 4 tahun[1]. Peneliti kedua yaitu Dwi A dkk (2017) memprediksi masa studi dengan data kasus yaitu jumlah SKS yang sudah ditempuh saat semester 7, IPK mahasiswa, matakuliah konsentrasi yang diambil mahasiswa dan asal sekolah mahasiswa[2]. Peneliti ketiga yaitu Siska Haryati dkk (2015) memprediksi masa studi mahasiswa dengan memantau hasil belajar berupa nilai IPK dan jumlah SKS dengan menggunakan metode algoritma C4.5[3]. Peneliti keempat yaitu Silvia Lorena dkk (2014) memprediksi masa studi mahasiswa berdasar nilai akademis dengan menggunakan metode algoritma C4.5[4]. 2. METODE PENELITIAN 2.1 Pengumpulan Data Data yang dibutuhkan dalam penelitian ini adalah data IPK, Presensi, Tanggungan biaya Kuliah, Organisasi Kampus, Pekerjaan dan Status. Untuk kebutuhan pengolahan data, maka jenis file yang digunakan adalah file Microsoft Excel (.xls atau.xlsx), dapat dilihat pada tabel 1 sebagai berikut : IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 24 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 Tabel 1. Kriteria Akademis Dan Non Akademis Kriteria Keterangan C01 IPK C02 Presensi C03 Tanggungan Biaya Kuliah C04 Organisasi Kampus C05 Pekerjaan C06 Status 2.2. Konsep Teori 2.2.1. Konsep Data Mining Data Mining merupakan teknologi baru yang sangat berguna untuk membantu perusahaan-perusahan menemukan informasi yang sangat penting dari gudang data mereka. Beberapa aplikasi data mining fokus pada prediksi, mereka meramalkan apa yang akan terjadi dalam situasi baru dari data yang menggambarkan apa yang terjadi di masa lalu.[7] 2.2.2. Implementasi Metode K-Means Berikut adalah langkah-langkah perhitungan dengan metode K-Means : 1. Tentukan jumlah cluster 2. Alokasikan data ke dalam cluster secara random 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid/rata-rata terdekat 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan Salah satu alternatif penerapan K-Means dengan beberapa pengembangan teori- teori penghitungan terkait adalah Eucledian Distance (L2-Norm). Jarak antara dua titik dirumus sebagai berikut : Keterangan : d = determinan (Eucledian Distance) x = titik pusat cluster y = data n = jumlah data i = data ke- Jarak yang terpendek antara centroid dengan dokumen menentukan posisi cluster suatu dokumen. Misalnya dokumen A mempunyai jarak yang paling pendek ke centroid 1 dibanding ke yang lain, maka dokumen A masuk ke grup 1. Hitung kembali posisi centroid baru untuk tiap-tiap centroid (Ci..j) denga mengambil rata- rata dokumen yang (1)  = −=−= n i ii yxyxyxd 1 2 2 )(),( IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 25 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 Kriteria Akademis IPK Presensi Status Non Akademis Tunggakan Biaya Kuliah Organisasi Pekerjaan Proses pengelompokan menggunakan fungsi jarak Perhitungan K-Means Output A B masuk pada cluster awal (Gi..j). Iterasidilakukan terus hingga posisi group tidak berubah. Berikut rumus dari penentuan centroid. Keterangan : x1 = nilai data record ke-1 x2 = nilai data record ke-2 Σx = jumlah data record 2.3. Perancangan Sistem Pada gambar rancangan sistem dapat dilihat proses dari sistem yang akan dibuat pertama menentukan kriteria yang akan menjadi inputan. Inputan tersebut digunakan dalam proses selanjutnya yaitu perhitungan k-means. Setelah proses perhitungan clustering selesai maka, ada 2 output atau hasil yaitu A dan B. Gambar 1. Rancangan Sistem 3. HASIL DAN PEMBAHASAN Tahap pertama yang akan dilakukan pada penelitian ini yaitu menentukan domain bagi masing-masing kriteria, yang bertujuan untuk mengelompokkan data nilai dari masing-masing mahasiswa. Tabel 2. IPK Parameter Ukuran Bobot Nilai < 1.00 1.01 – 2.00 2.01 – 3.00 3.01 – 3.50 3.51 – 4.00 1 2 3 4 5  +++ = x xxx iC X ..... )( 21 (2) IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 26 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 Tabel 3. Presensi Tabel 4. Tanggungan Biaya Kuliah Tabel 5. Organisasi Kampus Tabel 6. Pekerjaan Tabel 7. Status Tabel 8. Pengelompokan Nilai Histori No Nama Kriteria C01 C02 C03 C04 C05 C06 1 Qolbiah Fitri 5 5 5 1 2 2 2 Marhani 4 5 5 4 2 2 3 Siti Marlina 4 4 5 4 2 2 4 Nuryati 4 4 5 4 2 2 5 Yuliana Fatmawati 4 4 4 3 2 2 6 Novita Lestari 4 3 5 1 1 2 7 Eka Andika 4 2 5 3 1 2 8 Muhammad Habibi 4 5 3 4 2 2 9 Dwi Mei Nengtiyas 4 4 4 4 1 2 10 Abdul Malik 3 3 5 2 1 1 Parameter Ukuran Bobot Nilai 10 11 12 13 14 1 2 3 4 5 Parameter Ukuran Bobot Nilai < 1.000.000 1.100.000 – 2.000.000 2.100.000 – 2.500.000 2.550.000 – 3.500.000 > 3.500.000 5 4 3 2 1 Parameter Ukuran Bobot Nilai Sangat Aktif Aktif Cukup Kurang Tidak Aktif 1 2 3 4 5 Parameter Ukuran Bobot Nilai Bekerja Tidak Bekerja 1 2 Parameter Ukuran Bobot Nilai Pernah Cuti Tidak Pernah Cuti 1 2 IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 27 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 11 Cucun Kurnia 4 5 4 4 2 2 12 Muhammad Aldy Yansyah 4 4 4 1 1 2 13 Rezky Indah Lestari 4 3 4 4 2 2 14 Fahrozi Rahman 4 3 4 3 1 2 15 Rahmat Agung Wicaksono 4 4 1 1 2 2 16 Hamdan 3 3 2 4 1 1 17 Bima Kusuma Aji 5 5 3 4 2 2 18 Riswandi 3 3 2 4 2 2 19 Darusman 4 4 2 4 2 2 20 Vikram 4 4 2 4 2 2 Penentuan awal cluster secara acak : 1. Data ke- 1 sebagai pusat Cluster Ke-A Qolbiah Fitri [5,5,5,1,2,2] (Tepat Waktu) 2. Data ke- 10 sebagai pusat Cluster Ke-B Abdul Malik [3,3,5,2,1,1] (Tidak Tepat Waktu) Setelah dilakukan pengelompokan berdasarkan masing-masing cluster kemudian hitung jarak masing-masing. [6] Tabel 9. Perhitungan Jarak Cluster No NIM C01 C02 C03 C04 C05 C06 A B Jarak Terpendek 1 Qolbiah Fitri 5 5 5 1 2 2 0,00 3,32 0,00 2 Marhani 4 5 5 4 2 2 3,16 3,32 3,16 3 Siti Marlina 4 4 5 4 2 2 3,32 2,83 2,83 4 Nuryati 4 4 5 4 2 2 3,32 2,83 2,83 5 Yuliana Fatmawati 4 4 4 3 2 2 2,65 2,45 2,45 6 Novita Lestari 4 3 5 1 1 2 2,45 1,73 1,73 7 Eka Andika 4 2 5 3 1 2 3,87 2,00 2,00 8 Muhammad Habibi 4 5 4 4 2 2 3,32 3,46 3,32 9 Dwi Mei Nengtiyas 4 4 4 4 1 2 3,61 2,83 2,83 10 Abdul Malik 3 3 5 2 1 1 3,32 0,00 0,00 11 Cucun Kurnia 4 5 4 4 2 2 3,32 3,46 3,32 12 Muhammad Aldy Yansyah 4 4 3 1 1 2 2,65 2,83 2,65 13 Rezky Indah Lestari 4 3 4 4 2 2 3,87 2,83 2,83 14 Fahrozi Rahman 4 3 4 3 1 2 3,32 2,00 2,00 15 Rahmat Agung Wicaksono 4 4 1 1 2 2 4,24 4,58 4,24 16 Hamdan 3 3 2 4 1 1 5,29 3,61 3,61 17 Bima Kusuma Aji 5 5 3 4 2 2 3,61 4,24 3,61 18 Riswandi 3 3 2 4 2 2 5,10 3,87 3,87 19 Darusman 4 4 2 4 2 2 4,47 4,12 4,12 20 Vikram 4 4 2 4 2 2 4,47 4,12 4,12 IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 28 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 Misalnya menghitung jarak (distance) A, B untuk data pertama menggunakan Eulidean Distance : A = √ (5-5)2 + (5-5)2 + (5-5)2 + (1-1)2 + (2-2)2 + (2-2)2 =0,00 (minimum) B = √ (5-5)2 + (5-5)2 + (5-5)2 + (1-1)2 + (2-2)2 + (2-2)2 = 3,32 Selanjutnya pada tiap cluster yang menjadi centroid awal pada iterasi 1 menggunakan persamaan 01, dapat dilihat pada Tabel 10. Tabel 10. Pengelompokan Data/Persamaan 01 No A B 1 1 0 2 1 0 3 0 1 4 0 1 5 0 1 6 0 1 7 0 1 8 1 0 9 0 1 10 0 1 11 1 0 12 1 0 13 0 1 14 0 1 15 1 0 16 0 1 17 1 0 18 0 1 19 1 0 20 1 0 Tabel 11. Penentuan Pusat Cluster Baru No NIM C01 C02 C03 C04 C05 C06 1 Qolbiah Fitri 5 5 5 1 2 2 2 Marhani 4 5 5 4 2 2 3 Siti Marlina 4 4 5 4 2 2 4 Nuryati 4 4 5 4 2 2 5 Yuliana Fatmawati 4 4 4 3 2 2 6 Novita Lestari 4 3 5 1 1 2 (3)  = −=−= n i ii yxyxyxd 1 2 2 )(),( IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 29 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 7 Eka Andika 4 2 5 3 1 2 8 Muhammad Habibi 4 5 4 4 2 2 9 Dwi Mei Nengtiyas 4 4 4 4 1 2 10 Abdul Malik 3 3 5 2 1 1 11 Cucun Kurnia 4 5 4 4 2 2 12 Muhammad Aldy Yansyah 4 4 3 1 1 2 13 Rezky Indah Lestari 4 3 4 4 2 2 14 Fahrozi Rahman 4 3 4 3 1 2 15 Rahmat Agung Wicaksono 4 4 1 1 2 2 16 Hamdan 3 3 2 4 1 1 17 Bima Kusuma Aji 5 5 3 4 2 2 18 Riswandi 3 3 2 4 2 2 19 Darusman 4 4 2 4 2 2 20 Vikram 4 4 2 4 2 2 Setelah proses perhitungan dan pembagian kelompok cluster dilakukan, maka pusat cluster baru dapat dibentuk dengan cara menghitung rata-rata kriteria dari masing-masing kelompok cluster yang sama. Misalnya menghitung pusat cluster baru (cendroid) menggunakan rumus sebagai berikut : 5+4+4+4+4+4+5+4+4 9 4+4+4+4+4+4+3+4+4+3+3 11 Rata-rata dari kelompok data cluster 1 masuk sebagai nilai A, begitu pula dengan data cluster 2 masuk sebagai nilai B. Maka diperoleh pusat cluster baru/centroid baru seperti pada Tabel 12. Tabel 12. Pusat Cluster Baru/Centroid Baru Centroid Baru C1 C2 C3 C4 C5 C6 A 4,22 4,56 3,22 3,00 1,89 2,00 B 3,73 3,27 4,09 3,27 1,45 1,82 Setelah pusat cluster baru terbentuk, maka perhitungan dilanjutkan untuk menghitung jarak data ke pusat cluster yang baru sekaligus penentuan kelompok cluster. Apabila masih ada perubuhan kelompok cluster maka perhitungan terus dilanjutkan. Pada penulisan ini, perhitungan berhenti pada iterasi ke-3 karena sudah tidak mengalami perubahan kelompok cluster. Data akhir yang didapatkan dapat dilihat pada Tabel 13. = 4.22 adalah nilai dari C01 = 3.7 adalah nilai dari C01 A = (4) B =  +++ = x xxx iC X ..... )( 21 IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 30 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 Tabel 13. Hasil Akhir No NIM C01 C02 C03 C04 C05 C06 A B Cluster 1 Qolbiah Fitri 5 5 5 1 2 2 2,79 3,38 A 2 Marhani 4 5 5 4 2 2 2,05 2,24 A 3 Siti Marlina 4 4 5 4 2 2 2,05 1,56 B 4 Nuryati 4 4 5 4 2 2 2,05 1,56 B 5 Yuliana Fatmawati 4 4 4 3 2 2 0,89 1,11 A 6 Novita Lestari 4 3 5 1 1 2 3,16 2,54 B 7 Eka Andika 4 2 5 3 1 2 3,16 1,62 B 8 Muhammad Habibi 4 5 4 4 2 2 1,34 2,06 A 9 Dwi Mei Nengtiyas 4 4 4 4 1 2 1,61 1,20 B 10 Abdul Malik 3 3 5 2 1 1 3,06 1,96 B 11 Cucun Kurnia 4 5 4 4 2 2 1,34 2,06 A 12 Muhammad Aldy Yansyah 4 4 3 1 1 2 2,28 2,73 A 13 Rezky Indah Lestari 4 3 4 4 2 2 1,95 1,01 B 14 Fahrozi Rahman 4 3 4 3 1 2 1,89 0,66 B 15 Rahmat Agung Wicaksono 4 4 1 1 2 2 3,10 4,00 A 16 Hamdan 3 3 2 4 1 1 2,86 2,50 B 17 Bima Kusuma Aji 5 5 3 4 2 2 1,41 2,65 A 18 Riswandi 3 3 2 4 2 2 2,53 2,41 B 19 Darusman 4 4 2 4 2 2 1,73 2,46 A 20 Vikram 4 4 2 4 2 2 1,73 2,46 A 4. KESIMPULAN Berdasarkan hasil akhir pengelompokan data setelah proses clustering, dapat disimpulkan sebagai berikut : 1. Cluster A adalah mahasiswa yang lulus tepat waktu sedangkan cluster B adalah mahasiswa yang lulusnya tidak tepat waktu. 2. Data pengelompokan mahasiswa ini merupakan masukan bagi dosen wali dalam membimbing dan mengawasi proses belajar mahasiswa agar bisa lulus tepat waktu. 5. SARAN Berikut ini beberapa saran yang dapat dipergunakan untuk pengembangan penelitian selanjutnya: 1. Pada penelitian ini dapat dikembangkan menjadi sebuah aplikasi menggunakan bahasa pemrograman. 2. Untuk pengembangan penelitian selanjutnya dapat dikembangkan menggunakan perbandingan alogritma / metode lainnya. DAFTAR PUSTAKA [1] Danny, H. (2014). Aplikasi Data Mining Menggunakan Algoritma ID3 Untuk Mengklasifikasi Kelulusan Mahasiswa. Semarang : Universitas Dian Nuswantoro IT Journal Research and Development Vol.3, No.1, Agustus 2018 DOI : 10.25299/itjrd.2018.vol3(1).1773 31 Title of manuscript is short and clear, implies research results (First Author) e-ISSN: 2528-4053 [2] Dwi, A., Uning, L dan Edy S. (2017). Implementasu Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5. Jurnal SCRIPT, Vol.5 No.1 [3] Siska, H., Aji, S dan Eko, S. (2015). Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algorritma C4.5. Jurnal Media Infotama, Vol.11 No.2. [4] Selvia, L., Wendi, Z dan Ida, H. (2014). Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Memprediksi Masa Studi Mahaiswa Berdasarkan Data Nilai Akademik. Prosiding Seminar Nasional Aplikasi & Teknologi (SNAST) 2014. [5] Yudi, A, PhD. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika vol.3, pp.47-60. [6] Rosmini, Abdul, F dan Sunardi. (2017). Perancangan Metode K-Means Clustering Dalam Pemberian Dispensasi Pembayaran Kuliah. Seminar Nasional Teknologi Informasi dan Komunikasi (SEMANTIKOM). [7] Mundayani., Des, S. (2016). SPK Penyeleksian Calon Presiden Mahasiswa Universitas Islam Riau Menggunakan Metode Fuzzy-AH. IT Journal Research and Develoment (ITJRD). ISSN : 2528-4061.