cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Published by Universitas Brawijaya
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering
Jurnal Pengembangan Teknlogi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya merupakan jurnal keilmuan dibidang komputer yang memuat tulisan ilmiah hasil dari penelitian mahasiswa-mahasiswa Fakultas Ilmu Komputer Universitas Brawijaya. Jurnal ini diharapkan dapat mengembangkan penelitian dan memberikan kontribusi yang berarti untuk meningkatkan sumber daya penelitian dalam Teknologi Informasi dan Ilmu Komputer.
Arjuna Subject : -
Articles 7,013 Documents
 698   699   700   701   702 
Analisis Perbandingan Performa MongoDB dan MySQL dalam Pengembangan Sistem Informasi Manajemen Peternakan Puyuh (Studi Kasus: CV. Slamet Quail Farm) Januar Athallah, Azril; Agi Putra Kharisma; Tri Ananta, Mahardeka
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

CV. Slamet Quail Farm merupakan perusahaan yang bergerak di bidang peternakan dan budidaya puyuh yang hingga saat ini masih melakukan pencatatan operasional secara manual, sehingga rentan terhadap kehilangan data dan menyulitkan analisis cepat dan akurat. Penelitian ini bertujuan mengembangkan sistem informasi manajemen peternakan puyuh berbasis web sekaligus menganalisis perbandingan performa MongoDB dan MySQL sebagai Database Management System (DBMS) dalam menangani operasi Data Manipulation Language (DML). Pengujian dilakukan pada empat operasi DML, yaitu CREATE, READ, UPDATE, dan DELETE, pada tiga modul sistem (mortalitas, pakan, dan produksi telur) dengan indikator waktu respons, penggunaan CPU, dan penggunaan memori. Analisis statistik menggunakan uji normalitas Shapiro-Wilk yang dilanjutkan dengan Uji T Independen atau Uji Mann-Whitney U sesuai distribusi data. Hasil pengujian menunjukkan MongoDB lebih unggul pada waktu respons operasi CREATE, UPDATE, dan DELETE, sedangkan MySQL lebih cepat pada operasi READ. Pada penggunaan CPU, hanya operasi READ yang menunjukkan perbedaan signifikan dengan keunggulan MySQL. Pada penggunaan memori, MySQL lebih hemat pada operasi CREATE, READ, dan UPDATE, sedangkan MongoDB lebih hemat pada operasi DELETE. Pemilihan DBMS yang optimal bergantung pada pola penggunaan sistem.
Analisis Komparatif Sumber Daya Progressive Web App dan Flutter untuk Aplikasi Kasir Azmi, Ahmad Faiz Ali; Kharisma, Agi Putra; Al Huda, Fais
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peningkatan adopsi teknologi lintas platform mendorong pelaku usaha, khususnya UMKM, untuk mengembangkan aplikasi kasir (Point of Sale/POS) yang efisien. Dua pendekatan utama yang populer saat ini adalah Progressive Web App (PWA) berbasis Next.js dan Flutter. Namun, perbandingan empiris efisiensi sumber daya antara keduanya dalam konteks aplikasi kasir yang identik secara fungsional masih terbatas. Penelitian ini bertujuan untuk mengukur dan membandingkan utilisasi CPU dan konsumsi RAM antara aplikasi kasir berbasis PWA dan Flutter secara kuantitatif.Penelitian menggunakan pendekatan eksperimental kuantitatif dengan mengembangkan dua aplikasi kasir yang identik secara fungsional dan antarmuka. Kedua aplikasi diuji pada perangkat Samsung Galaxy A52 dalam lima skenario beban kerja yang terkontrol: Idle (S1), Browsing (S2), Transaction (S3), Burst (S4), dan Heavy Load (S5). Pengumpulan data dilakukan menggunakan Android Debug Bridge (ADB) dengan interval sampling 3 detik sebanyak 30 iterasi per skenario. Analisis statistik meliputi statistik deskriptif, uji normalitas Shapiro-Wilk, uji komparatif Mann-Whitney U, dan perhitungan ukuran efek Cohen's d.Hasil uji Shapiro-Wilk menunjukkan seluruh data tidak berdistribusi normal, sehingga digunakan uji Mann-Whitney U. Seluruh pengujian menghasilkan p-value < 0,05, sehingga kedua H₁ diterima. Untuk CPU, Flutter secara konsisten lebih efisien dengan penggunaan rata-rata 5,36%–18,14%, sementara PWA mencapai 14,00%–57,47%. Perbedaan ini meningkat seiring kompleksitas skenario dengan ukuran efek dari Small (d = −0,23) pada S1 hingga Large (d = −0,88) pada S3 dan S5, yang berarti Flutter menggunakan CPU 52,8%–70,7% lebih rendah. Untuk RAM, perbedaan bersifat progresif: pada skenario ringan selisih kurang dari 2 MB (Negligible), namun pada S5 (Heavy Load) PWA menggunakan 11,59 MB lebih banyak (ukuran efek Very Large, d = −1,20), mengindikasikan potensi akumulasi memori pada PWA.Flutter terbukti lebih unggul dalam efisiensi sumber daya dibandingkan PWA pada seluruh skenario, dengan keunggulan yang semakin signifikan pada beban kerja berat dan berkelanjutan. Temuan ini memberikan dasar empiris bagi pengembang dan pelaku UMKM dalam memilih platform teknologi yang optimal untuk aplikasi kasir.
Pengukuran dan Reduksi Tingkat Halusinasi pada Large Language Model (LLM) Berbasis Retrieval-Augmented Generation (RAG) Rahmansyah, Farhan; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis tingkat halusinasi pada Large Language Model berbasis Retrieval-Augmented Generation (RAG) serta mengevaluasi efektivitas berbagai strategi mitigasi dalam menurunkan tingkat halusinasi tersebut. Halusinasi merupakan permasalahan utama pada model bahasa karena menghasilkan informasi yang tidak akurat atau tidak didukung oleh fakta, sehingga menurunkan reliabilitas sistem. Oleh karena itu, diperlukan pendekatan yang mampu meningkatkan akurasi sekaligus keterpercayaan model. Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan membandingkan performa baseline RAG dan beberapa strategi mitigasi, yaitu Hybrid Retrieval, Prompt Engineering, Citation Forcing. Eksperimen dilakukan menggunakan tiga dataset, yaitu RAGTruth, HaluEval, dan DROP, yang merepresentasikan berbagai skenario tugas seperti question answering, summarization, dan reasoning. Evaluasi dilakukan menggunakan metrik Hallucination Rate, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa baseline RAG masih menghasilkan tingkat halusinasi yang signifikan. Penerapan strategi mitigasi terbukti mampu menurunkan tingkat halusinasi secara konsisten, dengan Hybrid Retrieval sebagai metode yang paling efektif dalam meningkatkan relevansi dokumen dan mengurangi kesalahan faktual. Selain itu, kombinasi strategi mitigasi memberikan peningkatan performa yang lebih baik dibandingkan penerapan tunggal. Integrasi strategi mitigasi dalam pipeline RAG dapat meningkatkan akurasi dan reliabilitas model secara signifikan. Pendekatan ini berpotensi diterapkan dalam berbagai domain untuk menghasilkan sistem LLM yang lebih terpercaya.
Hybrid Network Intrusion Detection System Berbasis Suricata dan Autoencoder untuk Deteksi Slow HTTP Denial of Service Ryo Adi Tarta, I Gusti Ngurah; Data, Mahendra; Amron, Kasyful
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Serangan Slow HTTP Denial of Service (DoS) merupakan ancaman keamanan jaringan yang sulit dideteksi karena mengeksploitasi protokol HTTP. Penelitian ini mengembangkan Hybrid Network Intrusion Detection System (HNIDS) yang mengintegrasikan Suricata dan Autoencoder untuk mendeteksi tiga varian Slow HTTP DoS, yaitu Slowloris, Slowread, dan Slow POST. Suricata berperan sebagai deteksi lapis pertama dengan pendekatan signature-based detection. Autoencoder berperan sebagai deteksi lapis kedua dengan pendekatan pembelajaran mesin melalui packet trace collection. Tiga model Autoencoder dilatih menggunakan data serangan dari setiap varian. Pengujian dilakukan pada lingkungan virtual Proxmox dengan data lalu lintas normal dari dataset CICIDS2017. Pengujian membandingkan tiga konfigurasi NIDS, yaitu NIDS berbasis Suricata, NIDS berbasis Autoencoder, dan HNIDS. Hasil pengujian menunjukkan HNIDS mencapai recall 0,99 dan hanya gagal mendeteksi 43 dari 17.047 flow serangan. HNIDS mengurangi false negative sebesar 89% dibandingkan NIDS berbasis Autoencoder dan 86% dibandingkan NIDS berbasis Suricata, dengan konsekuensi false positive rate meningkat menjadi 0,16. Distribusi latensi deteksi HNIDS secara konsisten berada di antara kedua NIDS lainnya pada seluruh rentang distribusi, dengan latensi sebesar 174 detik pada persentil ke-99.. Kendala yang ditemukan adalah klasifikasi multiclass Autoencoder yang kesulitan membedakan Slowloris dan Slow POST, serta aturan Suricata yang masih menghasilkan false positive.
Prediksi Network Traffic Penyedia Layanan Internet PT APEX Menggunakan Algoritma Long Short Term Memory Syafiq, Roid Muhammad; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Akses internet telah menjadi kebutuhan mendasar manusia, bahkan disebut sebagai “data is the new oil” untuk menggambarkan betapa berharganya data network traffic bagi penyedia layanan (Shevchuk, 2021). PT Adisesha Palladium Interchange Network (APEX) sebagai penyedia internet di Malang menghadapi urgensi untuk mengelola dan memprediksi traffic jaringan secara akurat agar mampu bersaing di Jawa Timur. Penelitian ini membandingkan pendekatan linear seperti ARIMA, yang terbukti menghasilkan kesalahan signifikan (Zhao, 2022), dengan pendekatan non-linear berbasis deep learning, khususnya Long Short-Term Memory (LSTM), yang mampu menangani dependensi jangka panjang pada data time series (Fleischer, 2021). Hasil pengujian menunjukkan bahwa LSTM memiliki performa terbaik dibandingkan ARIMA, SVM, RNN, dan GRU, dengan tingkat kesalahan terendah serta akurasi tertinggi pada dataset MAWI dan APEX. Kesimpulannya, LSTM dapat beradaptasi dengan karakteristik data yang berbeda dan menjadi model prediksi paling kompetitif untuk kebutuhan perusahaan, sekaligus membuka peluang peningkatan kualitas layanan melalui pengelolaan traffic data yang lebih presisi.
Deteksi Objek APD Menggunakan Model YOLOV11n Dengan Pendekatan Adaptasi Domain Dataset Virtual SURBAKTI, PRAMA; Yudistira, Novanto; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Deteksi Alat Pelindung Diri (APD) pada lingkungan industri migas menghadapi tantangan utama berupa objek berukuran kecil dan variasi visual yang rumit pada citra lapangan. Penggunaan dataset virtual mampu mengatasi keterbatasan data latih, namun perbedaan karakteristik visual memicu terjadinya fenomena domain gap. Penelitian ini bertujuan mengevaluasi penerapan model YOLOv11n menggunakan pendekatan adaptasi domain melalui metode Correlation Alignment (CORAL) dan strategi Head Freezing. Metode penelitian yang digunakan adalah eksperimen komputasi Transfer Learning Virtual-to-Real dengan membandingkan model baseline dan beberapa skenario pelatihan dari dataset virtual VW-PPE ke dataset riil. Evaluasi dilakukan berbasis analisis statistik deskriptif secara data-driven (Q1 dan Q3) untuk mendefinisikan skala objek secara objektif. Hasil penelitian menunjukkan bahwa Skenario D (Skenario Head Freezing) mencapai nilai mAP@50 sebesar 0.6904, sedikit lebih unggul dari baseline (0.6900) namun mencatatkan peningkatan Presisi yang signifikan menjadi 0.7396. Skenario ini terbukti sangat efektif meningkatkan akurasi deteksi pada objek berukuran mikro (Small Object), seperti peningkatan mAP@50 sebesar 11.3% pada kelas tidak menggunakan sepatu keselamatan (no safety shoes). Penelitian ini menyimpulkan bahwa adaptasi domain berbasis CORAL dan Head Freezing mampu menstabilkan fitur geometri objek kecil dan mencegah terjadinya catastrophic forgetting pada model deteksi.
Analisis Perbandingan User Satisfaction Antara BCA Mobile Dan myBCA Menggunakan Metode End-User Computing Satisfaction (EUCS) Rafiandi, Hilman Dzaki; Prakoso, Bondan Sapta; Rusydi, Alfi Nur
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Transformasi digital di sektor perbankan mendorong pengembangan aplikasi modern untuk melengkapi sistem legacy yang telah digunakan sebelumnya. Perubahan ini menyebabkan perbedaan karakteristik antara aplikasi yang menekankan kemudahan penggunaan dengan aplikasi modern yang menawarkan integrasi fitur yang lebih luas. PT Bank Central Asia Tbk. (BCA) mengimplementasikan kedua pendekatan tersebut melalui aplikasi BCA Mobile sebagai aplikasi legacy dan myBCA sebagai platform modern berbasis omni-channel. Penelitian ini bertujuan untuk menganalisis dan membandingkan tingkat kepuasan pengguna antara BCA Mobile dan myBCA menggunakan metode End-User Computing Satisfaction (EUCS). Penelitian menggunakan pendekatan kuantitatif dengan desain paired sample, di mana responden yang sama menilai kedua aplikasi. Instrumen penelitian menggunakan lima dimensi EUCS yaitu content, accuracy, format, ease of use, dan timeliness. Analisis data dilakukan menggunakan uji Paired Sample T-Test dan regresi linear berganda. Hasil penelitian menunjukkan terdapat perbedaan tingkat kepuasan pengguna yang signifikan antara kedua aplikasi. Pada BCA Mobile, dimensi format, ease of use, dan timeliness berpengaruh signifikan terhadap kepuasan pengguna, sedangkan pada myBCA dimensi content dan timeliness berpengaruh signifikan. Temuan ini menunjukkan bahwa masing-masing aplikasi memiliki keunggulan pada dimensi tertentu tanpa menunjukkan superioritas secara keseluruhan. Oleh karena itu, pengembangan layanan digital banking perlu menyeimbangkan inovasi fitur dengan kemudahan penggunaan.
Perbandingan Performa Metode Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam Memperkirakan Harga Saham PT. Telkom Indonesia Tbk. (TLKM) Taufiqqur Rohman, Yanuar; Yudi Setiawan, Nanang; Wisnu Brata, Dwija
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pasar modal Indonesia memiliki peran vital, dengan saham sebagai instrumen investasi yang diminati namun memiliki volatilitas tinggi. Penelitian ini membandingkan algoritma deep learning arsitektur Recurrent Neural Network (RNN), yaitu Long Short-Term Memory F(LSTM) dan Gated Recurrent Unit (GRU), untuk memprediksi harga penutupan saham PT Telkom Indonesia Tbk (TLKM). Penelitian kuantitatif ini memanfaatkan 1.384 data historis harian saham TLKM dari Yahoo Finance (1 Januari 2020 hingga 1 Oktober 2025). Tahapan pemrosesan data meliputi pembersihan, normalisasi Min-Max Scaler, dan pembagian rasio data uji, latih, serta validasi. Pengujian model memvariasikan parameter time step (5, 10, 20, 40, 60) dan rasio data validasi (10%, 15%). Berdasarkan hasil pengujian metrik evaluasi Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE), model GRU menunjukkan performa lebih unggul dibandingkan LSTM. Skenario terbaik model LSTM dicapai pada time step 20 dan rasio validasi 10% (RMSE 66,66; MAPE 1,90%). Performa terbaik GRU berada pada time step 40 dan rasio validasi 10% (RMSE 61,22; MAPE 1,74%). Hasil metrik evaluasi tersebut sejalan dengan hasil prediksi model GRU yang lebih mendekati harga aktual dibandingkan model LSTM.
Sistem Monitoring Keselamatan Kerja : Deteksi Alat Perlindungan Diri (APD) Menggunakan YOLO Dengan Penjelasan Berbasis LLM Zamzami, Fayadh Rizqi; Yudistira, Novanto; Widodo, Agus
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tingginya angka kecelakaan kerja akibat ketidakpatuhan penggunaan Alat Pelindung Diri (APD) mendorong kebutuhan sistem monitoring otomatis yang dapat menghasilkan interpretasi bermakna bagi petugas Keselamatan dan Kesehatan Kerja (K3). Penelitian ini mengembangkan sistem monitoring keselamatan kerja yang mengintegrasikan model You Only Look Once (YOLO) dengan Large Language Model (LLM) dalam satu pipeline sistematis. YOLO bertugas mendeteksi delapan kelas APD dari citra masukan, kemudian hasilnya diteruskan sebagai masukan kontekstual kepada LLM untuk menghasilkan penjelasan tekstual berbahasa Indonesia yang dapat ditindaklanjuti. Dataset PPE-Dataset-for-Workplace-Safety ditingkatkan melalui augmentasi untuk mengatasi ketidakseimbangan kelas. Sebanyak 16 varian model YOLO dari tiga generasi (YOLOv8, YOLOv10, YOLOv11) dievaluasi menggunakan metrik Precision, Recall, mAP, dan latency, sementara enam varian LLM dievaluasi menggunakan Feasibility Score berbasis skala Likert pada lima aspek. Hasil menunjukkan seluruh 16 model YOLO mencapai mAP ≥99,39% tanpa overfitting signifikan, dengan YOLOv8m sebagai model terbaik yang menawarkan keseimbangan optimal antara akurasi (mAP50-95 98,13%) dan efisiensi komputasi. Seluruh enam varian LLM menghasilkan nilai kelayakan di atas 4,00, dengan Bahasa-4b-chat meraih skor tertinggi sebesar 4,51, mengonfirmasi bahwa pipeline YOLO-LLM yang dikembangkan layak sebagai komponen interpretasi otomatis dalam sistem monitoring K3 berbasis kecerdasan buatan.
Pengembangan Dashboard Business Intelligence Berbasis ClickHouse-Metabase Untuk Monitoring Data Akademik & Manajemen (Studi Kasus: SMP Islam Al-Azhar 20) Aqila, Keira Kayla; Sianturi, Riswan Septriayadi; Herlambang, Admaja Dwi
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemanfaatan data dalam pengelolaan pendidikan menuntut sistem informasi yang mampu mengintegrasikan, mengolah, dan menyajikan data secara cepat serta mudah dipahami sebagai dasar pengambilan keputusan. SMP Islam Al-Azhar 20 menghadapi fragmentasi data akademik dan manajemen yang masih tersebar pada berbagai berkas Excel di beberapa unit sekolah, sehingga proses rekapitulasi berjalan lambat, tidak konsisten, dan menghambat pengambilan keputusan berbasis data. Penelitian ini bertujuan mengembangkan Dashboard Business Intelligence berbasis ClickHouse dan Metabase untuk mendukung monitoring data akademik dan manajemen secara terpusat, interaktif, dan mudah dipahami. Penelitian ini merupakan penelitian implementatif dengan pendekatan Business Intelligence Roadmap, meliputi tahap Justification, Planning, Business Analysis, Design, Construction, dan Deployment. Sistem dikembangkan menggunakan ClickHouse sebagai analytical store, Metabase sebagai platform visualisasi, Power Query untuk ETL, dan Docker untuk kontainerisasi. Hasil implementasi menghasilkan Dashboard Analitik Akademik Siswa dan Dashboard Analitik Manajemen. Pengujian performa ClickHouse Benchmark menunjukkan seluruh nilai P99 berada di bawah 100 ms, dengan performa tertinggi 323,50 QPS pada domain akademik dan 430,64 QPS pada domain manajemen. Pengujian usability menggunakan DATUS menghasilkan indeks 99% berkategori “Sangat Baik”, tanpa kesalahan fungsional, dengan rata-rata penyelesaian tugas 10,81 detik. Sistem dinilai layak sebagai alat bantu monitoring data sekolah.

Page 701 of 702 | Total Record : 7013

 698   699   700   701   702 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026 Vol 10 No 01 (2026): Januari 2026 Vol 10 No 5 (2026): Mei 2026 Vol 10 No 4 (2026): April 2026 Vol 10 No 3 (2026): Maret 2026 Vol 10 No 2 (2026): Februari 2026 Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025 Vol 9 No 12 (2025): Desember 2025 Vol 9 No 11 (2025): November 2025 Vol 9 No 10 (2025): Oktober 2025 Vol 9 No 9 (2025): September 2025 Vol 9 No 8 (2025): Agustus 2025 Vol 9 No 7 (2025): Juli 2025 Vol 9 No 6 (2025): Juni 2025 Vol 9 No 5 (2025): Mei 2025 Vol 9 No 4 (2025): April 2025 Vol 9 No 3 (2025): Maret 2025 Vol 9 No 2 (2025): Februari 2025 Vol 9 No 1 (2025): Januari 2025 Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024 Vol 8 No 10 (2024): Oktober 2024 Vol 8 No 9 (2024): September 2024 Vol 8 No 8 (2024): Agustus 2024 Vol 8 No 7 (2024): Juli 2024 Vol 8 No 6 (2024): Juni 2024 Vol 8 No 5 (2024): Mei 2024 Vol 8 No 4 (2024): April 2024 Vol 8 No 3 (2024): Maret 2024 Vol 8 No 2 (2024): Februari 2024 Vol 8 No 1 (2024): Januari 2024 Vol 7 No 13 (2023): Publikasi Khusus Tahun 2023 Vol 7 No 9 (2023): September 2023 Vol 7 No 8 (2023): Agustus 2023 Vol 7 No 7 (2023): Juli 2023 Vol 7 No 6 (2023): Juni 2023 Vol 7 No 5 (2023): Mei 2023 Vol 7 No 4 (2023): April 2023 Vol 7 No 3 (2023): Maret 2023 Vol 7 No 2 (2023): Februari 2023 Vol 7 No 1 (2023): Januari 2023 Vol 7 No 14 (2023): Antrian Publikasi Vol 6 No 13 (2022): Publikasi Khusus Tahun 2022 Vol 6 No 12 (2022): Desember 2022 Vol 6 No 11 (2022): November 2022 Vol 6 No 10 (2022): Oktober 2022 Vol 6 No 9 (2022): September 2022 Vol 6 No 8 (2022): Agustus 2022 Vol 6 No 7 (2022): Juli 2022 Vol 6 No 6 (2022): Juni 2022 Vol 6 No 5 (2022): Mei 2022 Vol 6 No 4 (2022): April 2022 Vol 6 No 3 (2022): Mei 2022 Vol 6 No 2 (2022): Februari 2022 Vol 6 No 1 (2022): Januari 2022 Vol 5 No 13 (2021): Publikasi Khusus Tahun 2021 Vol 5 No 12 (2021): Desember 2021 Vol 5 No 11 (2021): November 2021 Vol 5 No 10 (2021): Oktober 2021 Vol 5 No 9 (2021): September 2021 Vol 5 No 8 (2021): Agustus 2021 Vol 5 No 7 (2021): Juli 2021 Vol 5 No 6 (2021): Juni 2021 Vol 5 No 5 (2021): Mei 2021 Vol 5 No 4 (2021): April 2021 Vol 5 No 3 (2021): Maret 2021 Vol 5 No 2 (2021): Februari 2021 Vol 5 No 1 (2021): Januari 2021 Vol 5 No 13 (2021) Vol 4 No 13 (2020): Publikasi Khusus Tahun 2020 Vol 4 No 12 (2020): Desember 2020 Vol 4 No 11 (2020): November 2020 Vol 4 No 10 (2020): Oktober 2020 Vol 4 No 9 (2020): September 2020 Vol 4 No 8 (2020): Agustus 2020 Vol 4 No 7 (2020): Juli 2020 Vol 4 No 6 (2020): Juni 2020 Vol 4 No 5 (2020): Mei 2020 Vol 4 No 4 (2020): April 2020 Vol 4 No 3 (2020): Maret 2020 Vol 4 No 2 (2020): Februari 2020 Vol 4 No 1 (2020): Januari 2020 Vol 3 No 12 (2019): Desember 2019 Vol 3 No 11 (2019): November 2019 Vol 3 No 10 (2019): Oktober 2019 Vol 3 No 9 (2019): September 2019 Vol 3 No 8 (2019): Agustus 2019 Vol 3 No 7 (2019): Juli 2019 Vol 3 No 6 (2019): Juni 2019 Vol 3 No 5 (2019): Mei 2019 Vol 3 No 4 (2019): April 2019 Vol 3 No 3 (2019): Maret 2019 Vol 3 No 2 (2019): Februari 2019 Vol 3 No 1 (2019): Januari 2019 Vol 2 No 12 (2018): Desember 2018 Vol 2 No 11 (2018): November 2018 Vol 2 No 10 (2018): Oktober 2018 Vol 2 No 9 (2018): September 2018 Vol 2 No 8 (2018): Agustus 2018 Vol 2 No 7 (2018): Juli 2018 Vol 2 No 6 (2018): Juni 2018 Vol 2 No 5 (2018): Mei 2018 Vol 2 No 4 (2018): April 2018 Vol 2 No 3 (2018): Maret 2018 Vol 2 No 2 (2018): Februari 2018 Vol 2 No 1 (2018): Januari 2018 Vol 2 No 8 (2018) Vol 2 No 6 (2018) Vol 1 No 12 (2017): Desember 2017 Vol 1 No 11 (2017): November 2017 Vol 1 No 10 (2017): Oktober 2017 Vol 1 No 9 (2017): September 2017 Vol 1 No 8 (2017): Agustus 2017 Vol 1 No 7 (2017): Juli 2017 Vol 1 No 6 (2017): Juni 2017 Vol 1 No 5 (2017): Mei 2017 Vol 1 No 4 (2017): April 2017 Vol 1 No 3 (2017): Maret 2017 Vol 1 No 2 (2017): Februari 2017 Vol 1 No 1 (2017): Januari 2017 More Issue