KOMPUTASI JARAK MINIMUM

Mike Susmikanti
*
ABSTRAK
KOMPUTASI JARAK MINIMUM. Perhitungan jarak minimum diperlukan pada beberapa
aplikasi seperti aplikasi logika samar (fuzzy logic), pengolahan citra (image processing) untuk bidang
kedokteran, jaringan saraf (neural network) dan pengolahan sumber bumi khususnya serta sistim
informasi geografi umumnya. Metoda jarak minimum yang dikemukakan di sini didasarkan pada konsep
vektor dan matrik sehingga dapat memudahkan perhitungan dan kesamaannnya dalam ruang dimensi-n
untuk banyak data. Pertama-tama dalam hal ini dikemukakan jarak antara dua titik, jarak antara satu titik
dengan titik-titik lain yang membentuk bidang dalam ruang Euclidean-n. Selanjutnya perhitungan jarak
minimum di sini akan memberikan jarak terdekat bagi titik tersebut dengan suatu bidang serta posisi dari
titik tersebut pada bidang. Konsep jarak minimum tersebut di atas dapat digunakan selanjutnya untuk
persoalan analisis pengelompokan dalam penerapan logika samar menggunakan metoda Mahalanobis
Distance. Metoda ini menyarankan penggunaan titik-titik terdekat tetapi masih di dalam anggota
kelompok yang sama dengan memperhatikan matrik kovarian karena ada kemungkinan data berasal dari
kelompok yang berbeda.
ABSTRACT
MINIMUM DISTANCE COMPUTATION. Minimum distance calculation is used for many
applications such as neural network, fuzzy logic, image processing for medical science, geology source
processing and geografy information system. The minimum distance we discuss here is based on the
concept of some geometric interpretation of vectors and matrices, that may be helpful in computation and
analogy in Euclidean n-space. The first we calculate the distance between two points, the distance
between one point and other points in the same plane in Euclidean n-space which are defined as the
minimum distances. Then the calculation of minimum distance will give the minimum distance of the
point and a plane as well as a position of the point in the plane. The minimum distance concept above
can be used in the cluster analysis problem in fuzzy logic application using the Mahalanobis distance
method. This method suggests the nearest points but they are still in same subsets with respect to
covarian matrix rule, since the data probability come from different subsets.
PENDAHULUAN
Perhitungan jarak minimum dirasakan banyak diperlukan dalam berbagai
bidang di antaranya pada tehnik clustering atau pengelompokan yang digunakan pada

*
Pusat Pengembangan Teknologi Informatika dan Komputasi - BATAN
sistem jaringan saraf (neural network), logika samar (fuzzy logic) dan pengolahan citra
(image processing) untuk bidang kedokteran, pengolahan sumber bumi khususnya dan
sistim informasi geografi umumnya dan lain-lain. Adapun analisis pengelompokan
yang sifatnya deterministik dapat digunakan metoda statistik, akan tetapi untuk tehnik
pengelompokan yang bersifat stochastik dapat digunakan fuzzy logic sebagai suatu
pendekatan fungsi.
Dalam analisis berikut ini akan digunakan beberapa interpretasi geometrik dari
vektor-vektor yang mungkin dapat membantu dalam perhitungan jarak minimum
(minimum distance) ini, dan selanjutnya dapat diperluas untuk ruang berdimensi n
atau ruang-n. Salah satu keunggulan interpretasi geomerik dari vektor-vektor adalah
situasi untuk ruang berdimensi dua atau berdimensi tiga secara analog dapat diperluas
menjadi ruang-n. Interpretasi vektor secara geometrik dalam ruang-n dapat dipandang
sebagai suatu titik dalam ruang koordinat-n dan dapat diartikan pula sebagai suatu
segmen garis dari titik pusat ke titik tertentu yang direpresentasikan sebagai vektor.
Konsep jarak minimum tersebut di atas dapat digunakan selanjutnya untuk
persoalan analisis pengelompokan dalam penerapan logika samar menggunakan
metoda Mahalanobis Distance. Metoda ini menyarankan penggunaan titik-titik
terdekat tetapi masih di dalam anggota kelompok yang sama dengan memperhatikan
matrik kovarian karena ada kemungkinan data berasal dari kelompok yang berbeda.
METODA JARAK MINIMUM
Jarak antara dua titik (vektor ) a dan b dalam ruang Euclidean-n didefinisikan
sebagai :
d = [

=
n
i 1
(a
i
b
i
)
2
]
1/2
atau dapat ditulis dalam bentuk vektor
d = [ ( a - b )
T
( a - b) ]

di mana a = (a
1
, a
2
, ., a
n
) dan b = (b
1
, b
2
, ., b
n
)
Kumpulan titik-titik yang melalui 2 titik a dan b dalam ruang Euclidean-n
didefinisikan sebagai
L = { x : x = b + ( 1- ) a ; R }
Segmen garis yang menghubungkan 2 titik a dan b dalam ruang Euclidean-n
adalah kumpulan dari titik-titik l yang didefinisikan dengan :
l = { x : x = b + ( 1- ) a ; 0 1 }
Jarak antara titik p dan suatu garis l yang melalui titik a dan b (gambar 1), di
mana titik x pada garis l ialah :
D
x
= [ ( p x )
T
( p x ) ]

.
Jarak terdekat dari suatu titik p ke garis l dalam ruang Euclidean-n
(gambar 1) :
D

= minimum [ ( p x )
T
( p x ) ]
1/2
x l
Gambar 1. Jarak terdekat dari titik p terhadap garis l yang dinyatakan dengan D
Bidang yang melalui n titik-titik b
1
, b
2
, ., b
n
sedemikian sehingga matrik
B = [b
1
, b
2
, ., b
n
] mempunyai rank n, didefinisikan sebagai kumpulan titik-titik P
yaitu :
P = { Y : Y =

=
n
i 1

i
b
i
;

=
n
i 1

i = 1 ;

i
R }
Bidang dalam ruang Euclidean-n dengan dimensi k yang melalui titik a
1
, a
2
, .,
a
k
, O (titik pusat), didefinisikan sebagai kumpulan titik-titik P
k
n
:
P
k
n
= { Y : Y =

=
k
i 1

i
a
i
;
i
R , i = 1, 2, ., k}
Dalam bentuk vektor, persamaan untuk P
k
n
, dapat ditulis
Y = A ; R
k
; A = [ a
1
, a
2
, ., a
k
],
p
D
D
x
a
b
l
Proyeksi l
p
( gambar 2) didefinisikan sebagai
l
p
= { y : y = c ; 0 1 } (1)
O
Gambar 2. Proyeksi dari titik a terhadap garis L yang dinyatakan dengan lp.
Sudut antara dua segmen garis a dan b dalam ruang Euclidean-n :
cos =
b b a a
b a
T T
T
.
Untuk menghitung l
p,
diperlukan terlebih dahulu menghitung titik c yaitu titik
dengan posisi yang akan menghasilkan jarak minimum, dari suatu titik tertentu
terhadap titik-titik yang membentuk bidang.
Misal c pengganda skalar dari garis b yang dapat dinyatakan sebagai c = b.
Misal d adalah segmen garis dari 0 ke c dan b* adalah unit vektor dengan arah dari O
ke b , maka c = d b*.
Dapat diperoleh bahwa : c = (
b b
b a
T
T
) b.
Dengan cara yang sama, apabila l adalah segmen garis dari a
1
ke a
2
dalam ruang
euclidean-n dan L adalah garis dari b
1
dan b
2
dalam ruang euclidean-n (gambar 3,
maka proyeksi dari l pada L didefinisikan dengan segmen garis l
p
dari O ke c adalah :
c = [
) ( ) (
) ( ) (
1 2 1 2
1 2 1 2
b b b b
b b a a
T
T


] (b
2
b
1
).
l
l
p
a

b
L
X
1
X
2
c
Gambar 3. Proyeksi segmen garis l pada garis L yang dinyatakan dengan posisi titik c
Misal P
k
n
adalah bidang yang melalui titik pusat dan titik b
1
, , b
k
dalam
ruang euclidean-n dan B = [ b
1
, , b
k
]. Misalkan l adalah segmen garis dari titik
pusat ke titik a. Maka titik c merupakan titik proyeksi dari l pada P
k
n
yang dapat
ditentukan posisinya dengan perhitungan ;
C = B ( B
T
B )
-1
B
T
a (2)
yang merupakan proyeksi dari titik a ke bidang P
k
n
. Titik c merupakan titik akhir dari
proyeksi l pada P
k
n
. Sehingga c adalah titik pada P
k
n
yang mempunyai jarak minimum
dari titik a.
Berarti bahwa jarak dari suatu titik a ke bidang P
k
n
yang dinyatakan dengan d,
dapat didefinisikan sebagai jarak minimum dari titik a ke titik c yang terletak pada
bidang P
k
n
sebagai
d = [ ( a B ( B
T
B )
-1
B
T
a )
T
( a B ( B
T
B )
-1
B
T
a ) ]
1/2
(3)
MAHALANOBI S DI STANCE
Dalam suatu sistim fuzzy, tehnik pengelompokan dapat memberikan
pendekatan untuk data yang samar. Salah satu metoda yang dapat digunakan dalam
tehnik pengelompokan yaitu Mahalanobis Distance.
Sistem fuzzy merupakan kumpulan yang memenuhi aturan dalam memetakan
input menjadi output, yang apabila dinyatakan dalam bentuk fungsi merupakan
l
l
p
a

b
L
c
fungsif : X Y. Pola fuzzy dapat didefinisikan sebagai berikut : jika input x adalah
pola A maka output y adalah pola B. Ruang Cartesian-product A x B memenuhi
berlakunya aturan fuzzy untuk ruang Input-Output : X x Y (gambar 4). Aturan fuzzy
dapat mempunyai bentuk elipsoida dalam ruang sistim input-output. Sistim fuzzy
memberikan pendekatan fungsi yang diwakili oleh grafik. Penyebaran data
membentuk bidang elipsoida yang kemungkinan tumpang tindih (gambar 4).
Gambar 4. Penyebaran data pada ruang Input-Output XXY
Sistim Mahalanobis memberikan suatu kumpulan untuk mengetahui apakah
sampel data termasuk sebagai anggota kumpulan. Mahalanobis distance
menghasilkan gabungan kumpulan data yang memenuhi aturan kovariasi-samar
elipsoida. Dapat diperoleh proyeksi pada kumpulan fuzzy yang memenuhi, dengan
memperhatikan struktur korelasi diantara input.
Bidang elipsoida menentukan keberadaan semua titik z yang memenuhi
) ( ) (
2
c z A c z
T
=
Eigenvektor dan eigenvalue dari matrik A mendefinisikan bentuk elipsoida dalam
ruang input dan output dimensi-q. q = n + p, n merupakan jumlah input dan p
merupakan jumlah output. Matrik A dimisalkan matrik positif-definite. adalah
Y
X
A
1
A
2 A
3
B
1
B
2
B
3
bilangan nyata yang positif, sedangkan c adalah pusat elipsoida. Dalam hal ini
dimungkinkan adanya kehilangan struktur korelasi di antara komponen input.
Matrik kovariansi Kj dapat digunakan untuk mengukur penyebaran data. Matrik
kebalikan K
j
-1
membantu mendefinisikan elipsoida E sebagai lokasi semua titik z yang
memenuhi :
) ( ) (
1
2
j j
T
j
m z K m z e =

Dengan proyeksi elipsoida pada sumbu x
1
dan x
2
, diperoleh dua vektor yaitu vektor u
dan v yang berjarak sama dari titik pusat (gambar 5).
Gambar 5. Proyeksi Elipsoida pada sumbu X
1
& X
2
.
Bentuk elipsoida di atas disarankan dengan Mahalanobis distance sebagai dasar
untuk kumpulan fungsi a(x) yang similar di mana penyebaran datanya kemungkinan
saling tumpang tindih.
) ( ) ( ) ( ) (
1 2 i
j
i
j
T i
j
m x K m x x d =

n : vektor
i
j
m mempunyai sub matrik kovarian
i
j
K
d(x) : jarak input vektor x terhadap rata-rata pusat
i
j
m berskala kovariansi
A
1
A
2
X
2
X
1
Pusat
v
u 12
8 5 10 12
7
13
10
15
PEMBAHASAN
Suatu bidang dapat dibentuk dari suatu titik pusat dan dua titik, masing-masing
titik b
1
(1,1,0) yang dinyatakan dalam bentuk vektor b
1
T
= [1,1,0] dan titik b
2
(1,0,1)
yang dinyatakan dalam vektor b
2
T
= [1,0,1]. Kumpulan vektor-vektor b dapat dibentuk
menjadi matriks B sebagai berikut
B =

1 0
0 1
1 1
Dapat ditentukan persamaan garis l
p
, sebagai proyeksi dari l pada bidang P
2
3
dimana l
adalah segmen garis dari titik pusat ke titik a(1,1,1) dengan menggunakan persamaan
(1) tersebut di atas. Adapun titik a dapat dinyatakan dalam bentuk vektor a
T
= [1,1,1].
Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut
a =

1
1
1
Persamaan garis l
p
dapat dihitung dengan sebelumnya menentukan terlebih dahulu
posisi titik yang merupakan proyeksi dari l pada bidang P
2
3
. Misalkan posisi titik yang
merupakan proyeksi dari l pada bidang P
2
3
dinyatakan sebagai titik c. Maka posisi
titik c dapat dihitung dengan menggunakan persamaan (2) sebagai berikut
B
T
B =

1 0 1
0 1 1

1 0
0 1
1 1
=

2 1
1 2
(B
T
B
)-1
=

6667 . 0 3333 . 0
3333 . 0 6667 . 0
C =

1 0
0 1
1 1

6667 . 0 3333 . 0
3333 . 0 6667 . 0

1 0 1
0 1 1

1
1
1
=

6667 . 0
6667 . 0
3333 . 1
Persamaan untuk proyeksi l
p
adalah :
Y =

6667 . 0
6667 . 0
3333 . 1
0 1
Jarak terdekat dari titik a terhadap bidang P
2
3
yang didefinisikan sebagai d yaitu jarak
minimum dari titik a ke titik c dengan posisi (1,3333,0.6667,0.6667), dapat dihitung
dengan menggunakan persamaan (3) tersebut di atas.
d = [{(1,1,1)(1.3333,0.6667,0.6667)}
T
{ (1,1,1)(1.3333,0.6667,0.6667)}]
1/2
d = [(-0.3333,0.3333,0.3333)
T
(-0.3333,0.3333,0.3333)]
1/2
d = [0.3333]
1/2
Sehingga diperoleh jarak minimum dari titik a ke titik c, adalah :
d = 0.58.
Misalkan suatu bidang dilalui oleh beberapa titik masing b
1
(1,0,1), b
2
(0,1,1)
dan b
3
(1,1,0). Agar syarat ruang vektor P terpenuhi yaitu mengandung vektor nol,
maka salah satu titik harus digeser menjadi titik pusat yaitu dimisalkan titik b
1
(1,0,1)
menjadi titik pusat O(0,0,0). Sehingga titik-titik lain yaitu b
2
menjadi b
1
(-1,1,0) dan b
3
menjadi b
2
(0,1,-1). Dapat ditentukan jarak minimum dari titik a(1,1,1) terhadap
bidang tersebut di atas, yang sebelumnya titik a digeser pula menjadi a(0,1,0). Dalam
bentuk matrik titik a dapat dinyatakan sebagai berikut
a =

0
1
0
Maka posisi titik c dapat dihitung dengan menggunakan persamaan (2) sebagai
berikut
B
T
B =

1 1 0
0 1 1

1 0
1 1
0 1
=

2 1
1 2
(B
T
B
)-1
=

6667 . 0 3333 . 0
3333 . 0 6667 . 0
C =

1 0
1 1
0 1

6667 . 0 3333 . 0
3333 . 0 6667 . 0

1 1 0
0 1 1

0
1
0
=

3333 . 0
6667 . 0
3333 . 0
Karena salah satu vektor b digeser sebelumnya, maka hasil posisi titik c harus
dikembalikan ke bentuk semula yaitu sebelum digeser. Sehingga posisi titik c menjadi;
C = (-0.3333,0.6667,-0.3333) + (1,0,1) = (0.6667,0.6667,0.6667)
Diperoleh jarak minimum dari titik a ke titik c(0.6667,0.6667.0.6667) adalah :
d = [{(1,1,1)-(0.6667,0.6667,0.6667)}
T
{ (1,1,1)-(0.6667,0.6667,0.6667)}]
1/2
d = [(0.3333,0.3333,0.3333)
T
(0.3333,0.3333,0.3333)]
1/2
d = 0.58.
Untuk persoalan diatas apabila titik a diambil titik lain yaitu a(0,0,0), maka
titik a sebelumnya digeser menjadi a(-1,0,-1), karena satu titik b yaitu titik b
1
digeser
menjadi titik pusat. Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut;
a =

1
0
1
Maka posisi titik c dapat dihitung dengan menggunakan persamaan (2) sebagai
berikut;
B
T
B =

1 1 0
0 1 1

1 0
1 1
0 1
=

2 1
1 2
(B
T
B
)-1
=

6667 . 0 3333 . 0
3333 . 0 6667 . 0
C =

1 0
1 1
0 1

6667 . 0 3333 . 0
3333 . 0 6667 . 0

1 1 0
0 1 1

1
0
1
=

3333 . 0
6667 . 0
3333 . 0
Karena salah satu vektor b digeser sebelumnya, maka hasil posisi titik c harus
dikembalikan ke bentuk semula yaitu sebelum digeser. Sehingga posisi titik c menjadi;
C = (-0.3333,0.6667,-0.3333) + (1,0,1) = (0.6667,0.6667,0.6667)
Sehingga diperoleh jarak minimum dari titik a ke titik c, adalah :
d = [{(0,0,0)-(0.6667,0.6667,0.6667)}
T
{(0,0,0)-(0.6667,0.6667,0.6667)}]
1/2
d = [{-0.6667,-0.6667,-0.6667}
T
{-0.6667,-0.6667,-0.6667}]
1/2
d = [1.3334]
1/2
d = 1.15.
Pada permasalahan lain, misalnya ingin ditentukan proyeksi dari a
1
(1,0,-1) ke a
2
(2,-1,1) pada bidang P
2
3
yang dilalui titik O(0,0,0), x
1
=[1,1,1] dan x
2
=[1,-1,1].
Perhitungan diatas dapat digunakan secara umum yaitu dengan sebelumnya
membentuk vektor a menjadi vektor a
2
a
1
yang diperoleh nilainya adalah a(1,-1,2).
Konsep ini sama dengan menggeser titik a
1
menjadi titik asal atau titik pusat 0(0,0,0).
Dalam bentuk matrik titik a dapat dinyatakan sebagai berikut
a =

2
1
1
Maka posisi titik c dapat dihitung dengan menggunakan persamaan (2) sebagai
berikut
B
T
B =

1 1 1
1 1 1

1 1
1 1
1 1
=

3 1
1 3
(B
T
B
)-1
=

375 . 0 125 . 0
125 . 0 375 . 0
C =

1 1
1 1
1 1

375 . 0 125 . 0
125 . 0 375 . 0

1 1 1
1 1 1

2
1
1
=

5 . 1
1
5 . 1
Dari perhitungan diatas, diperoleh bahwa proyeksi dari a
1
(1,0,-1) ke a
2
(2,-1,1) pada
bidang P
2
3
yang dilalui titik O(0,0,0), x
1
=[1,1,1] dan x
2
=[1,-1,1] adalah titik c dengan
posisi c(1.5,-1,1.5).
Dalam persoalan filter terhadap pengaruh noise untuk suatu alat, yang telah
dihitung matrik kovarian dari input data diperoleh
K =

2 1
1 2
Mahalanobis distance dari titik x (1,1) terhadap titik pusat, dengan matrik kovarin di
atas diperoleh :
)) 0 , 0 ( ) 1 , 1 ((
5 4
4 5
)) 0 , 0 ( ) 1 , 1 (( ) (
1
2

T
x d
d (x) = 0.47
Mahalanobis distance untuk titik (-1,1) terhadap titik pusat, dengan matrik kovarian
(penyebaran data) yang sama, diperoleh :
)) 0 , 0 ( ) 1 , 1 ((
5 4
4 5
)) 0 , 0 ( ) 1 , 1 (( ) (
1
2

T
x d
d ( x ) = 1.41
Jika dilihat secara Ruang-Euclidian posisi titik (-1,1) dan titik (1,1), mempunyai jarak
yang sama dengan titik pusat. Akan tetapi jarak mahalanobis untuk titik (1,1) lebih
kecil dibandingkan jarak dari (-1,1). Hal ini disebabkan dengan perhitungan
Mahalanobis distance diperhatikan pula faktor penyebaran datanya. Sehingga posisi
titik (1,1) yang terpilih karena jika dilihat pula dari proyeksi bidang elipsoida, maka
titik tersebut termasuk dalam bidang tersebut.
KESIMPULAN
1. Perhitungan jarak minimum dapat digunakan pada tehnik clustering
(pengelompokan) dalam logika samar (fuzzy logic) khususnya, dan pengolahan
citra (image processing) umumnya.
2. Perhitungan jarak di antara dua titik dapat diperluas menjadi perhitungan mencari
jarak minimum dari satu titik ke beberapa titik yang membentuk bidang.
3. Apabila l adalah segmen garis dari a
1
ke a
2
dalam ruang euclidean-n dan L adalah
garis dari b
1
dan b
2
dalam ruang euclidean-n. Dapat ditentukan proyeksi dari l
pada L yang memberikan posisi terdekat dari segmen garis l dan garis L
4. Apabila suatu bidang dilalui oleh beberapa titik dan titik-titik tersebut tidak
melalui titik pusat maka agar syarat suatu ruang vektor terpenuhi yaitu harus
mengandung vektor nol, maka salah satu titik harus digeser menjadi titik pusat,
yang diikuti oleh titik-titik lain. Kemudian hasil posisi titik proyeksi harus
dikembalikan ke bentuk semula demikian pula titik yang diproyeksikan.
5. Sistim Mahalanobis sangat baik untuk input data yang berkorelasi.
6. Mahalanobis Distance membantu analisis pengelompokan dalam konsep jarak
minimum untuk data yang berkorelasi, dengan memperhitungkan matrik kovarian.
DAFTAR PUSTAKA
1. BANDEMER, HANS; GOTTWALD, SIEGFRIED, Fuzzy Sets, Fuzzy Logic,
Fuzzy Methods with Applications, John Wiley & Sons Ltd., England (1995)
2. GRAYBILL, FRANGKLIN A., Introduction to Matrices with Application in
Statistics, Colorado State University, Wadsworth Publishing Company, Inc.,
Belmont, California (1969)
3. KOSKO, BART, Fuzzy Engineering, University of Southern California,
Prentice-Hall, Inc., New Jersey, (1997)
4. ROMLI, UPT-LAGG, BPP TEKNOLOGI, Clustering Analysis, Lokakarya
Komputasi dalam Sains dan Teknologi Nuklir VI, BATAN, Jakarta (1996)
DISKUSI
M. SYAMSA ARDISASMITA
Jika suatu titik-titik terkorelasi kuat, bagaimana pengaruhnya terhadap pengukuran
jarak Mahalanobis?
MIKE SUSMIKANTI
Jarak Mahalanobis dapat digunakan tergantung pada data. Bilamana sampel data
menyebar atau noise, kovariansi dari cluster akan besar. Hal ini akan memberikan
elipsoida yang besar. Sebaliknya bila penyebaran data-data menyempit/rapat,
kovariansi dari cluster akan kecil berarti elipsoidanya kecil. Penyebaran data dapat
merubah ukuran dari bidang elipsoida. Berarti setiap matrik kovariansi membentuk
elipsoida. Jadi, jika suatu titik-titik terkorelasi kuat maka jarak Mahalanobis akan
kecil.
MUSTANGIMAH
Dikatakan bahwa jarak minimum banyak diaplikasikan dalam clustering. Dalam
clustering secara berhirarki atau non-hirarki jarak minimum ini dapat diterapkan untuk
memperoleh hasil yang terbaik?
MIKE SUSMIKANTI
Dapat diterapkan pada clustering non-hirarki. Jarak Mahalanobis merupakan
pengembangan dari clustering non-hirarki K-mean.
DAFTAR RIWAYAT HIDUP
1. Nama : MIKE SUSMIKANTI
2. Tempat/Tanggal Lahir : Jakarta, 12 November 1956
3. Instansi : P2TIK - BATAN
4. Pekerjaan / Jabatan : Bidang Matematika dan Komputasi/
Pranata Komputer
5. Riwayat Pendidikan : (setelah SMA sampai sekarang)
FMIPA-UI, Jurusan Matematiak Statistika (S1)
STIE-IGI, Jurusan Manajemen (S2)
6. Pengalaman Kerja :
Staf Pengolahan Data Biro Bina Program
Ka. Sub. Bidang Statistik, Bidang Analis Sistem
Staf Bidang Komputasi (Pranata Komputer)
7. Organisasi Professional : -
HOME KOMPUTASI DALAM SAINS DAN TEKNOLOGI NUKLIR X