cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Muhammad Nur Akbar
Contact Email
muhammad.akbar@uin-alauddin.ac.id
Phone
+6285242044250
Journal Mail Official
instek@uin-alauddin.ac.id
Editorial Address
Jl. H. M. Yasin Limpo No. 36 Samata, Gowa, Sulawesi Selatan
Location
Kab. gowa,
Sulawesi selatan
INDONESIA
JURNAL INSTEK (Informatika Sains dan Teknologi)
Published by Universitas Islam Negeri Alauddin Makassar
ISSN : 25411179     EISSN : 25811711     DOI : https://doi.org/10.24252/instek.v6i2
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering
The Scope topics include, but are not limited to : Agent System and Multi-Agent Systems Analysis & Design of Information System Artificial Intelligence Big Data and Data Mining Cloud & Grid Computing Computer Vision Cryptography Decision Support System DNA Computing E-Government E-Business E-Learning Embedded System Enterprise System Green software development Green computing Green Information Technology Human Computer Interaction Image Processing & Computer Vision Informatics Theory Information System IT for Education IT for Industry IT for Chemical Mechatronics Mobile Computing & Applications Natural Language Processing Network & Data Communications Open Source System Semantic Web Social Networking & Application Soft Computing Software Engineering Software Entrepreneurship Web Engineering Wireless Communication Mikrokontroller elektronic and telecomonunication
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 341 Documents
 31   32   33   34   35 
PLATFORM INTERNET OF THINGS MULTI-AGENT ROBOT SYSTEM BERBASIS KECERDASAN BUATAN UNTUK PENGAWASAN DATA CENTER Nur Afif; Mustikasari; Asep Indra Syahyadi; Andi Khalil Gibran
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 10 No 2 (2025): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v10i2.64230

Abstract

Penelitian ini mengusulkan Multi-Agent Robot System (MARS) berbasis Internet of Things (IoT) untuk meningkatkan pengawasan lingkungan pada data center. Sistem ini memanfaatkan agen robot bergerak yang dilengkapi dengan NodeMCU ESP32, Raspberry Pi, serta sensor suhu, gas, dan api guna mengatasi keterbatasan sistem pengawasan statis konvensional, khususnya pada penempatan sensor yang tetap dan cakupan area yang terbatas. Metodologi penelitian mencakup perancangan arsitektur multi-agen kolaboratif, integrasi komunikasi berbasis IoT, serta pengembangan algoritma navigasi dengan kemampuan penghindaran rintangan. Hasil pengujian menunjukkan bahwa agen navigasi mencapai tingkat keberhasilan sebesar 80% dalam melakukan patroli area pemantauan, sementara agen deteksi suhu, gas, dan api menunjukkan tingkat keberhasilan fungsional sebesar 100%. Sistem mencatatkan waktu respons rata-rata sebesar 2,5 detik dalam pengiriman notifikasi anomali. Analisis kinerja sensor menunjukkan deviasi rata-rata pembacaan suhu sebesar 0,5°C serta variasi pembacaan relatif setara ±2 ppm pada skala internal sensor gas, yang mengindikasikan kemampuan sistem sebagai peringatan dini yang andal, bukan sebagai alat kuantifikasi gas absolut. Secara keseluruhan, hasil ini menunjukkan bahwa pendekatan MARS-IoT yang diusulkan mampu memberikan solusi pengawasan real-time yang lebih fleksibel, akurat, dan responsif dibandingkan dengan sistem pengawasan data center konvensional.
KLASIFIKASI TINGKAT PEMROSESAN MAKANAN BERBASIS TEKS KOMPOSISI MENGGUNAKAN STRATEGI WEIGHTED ENSEMBLE LARGE LANGUAGE MODELS Khairul Hudha Nasution; Indra Budi
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.64305

Abstract

Klasifikasi tingkat pemrosesan makanan merupakan langkah krusial dalam mitigasi risiko kesehatan global akibat konsumsi makanan ultra-proses. Meskipun label komposisi tersedia pada kemasan, penulisan yang kecil, tidak terstruktur, typo serta terminologi kimia yang kompleks memiliki kecenderungan menyulitkan penilaian manual oleh konsumen. Pemanfaatan Large Language Models (LLM) menawarkan potensi efisiensi deteksi otomatis, namun mengandalkan satu arsitektur model tunggal memiliki risiko tinggi akibat variabilitas performa. Penelitian ini bertujuan untuk mengevaluasi efektivitas strategi Weighted Ensemble Learning dibandingkan model tunggal dalam memprediksi skor pemrosesan makanan (FPro) pada dataset GroceryDB. Eksperimen dilakukan menggunakan lima arsitektur LLM dengan skala parameter kecil hingga sedang (Gemma-3-4B, Llama-3.2-3B, Qwen3-4B, R1-Distill-1.5B, dan Phi-2) melalui pendekatan Weighted Voting berbasis kinerja historis. Hasil evaluasi menunjukkan adanya disparitas ekstrem pada kinerja model tunggal, di mana model berkapasitas rendah (Phi-2) mengalami kegagalan penalaran dengan F1-score hanya 10%, sementara model dengan kemampuan instruksi tinggi (Gemma) mencapai 68%. Penerapan strategi Ensemble berhasil memitigasi kelemahan model individual melalui mekanisme koreksi silang, meningkatkan akurasi F1-score menjadi 70% dan menghasilkan prediksi yang lebih stabil serta robust dibandingkan jika hanya mengandalkan satu model terbaik sekalipun.
CLASSIFICATION OF HUMAN AND AI-GENERATED INDONESIAN POP SONGS BASED ON SPECTROGRAM USING CONVOLUTIONAL NEURAL NETWORK Faris Nur Tsani; Wahyu Syaifullah Jauharis Saputra; Alfan Rizaldy Pratama
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.65432

Abstract

Pesatnya perkembangan teknologi kecerdasan buatan (AI) memicu lonjakan produksi lagu generatif yang menyerupai karya manusia, sehingga menghadirkan tantangan signifikan terhadap orisinalitas dan hak cipta musik. Penelitian ini bertujuan mengklasifikasikan lagu Pop Indonesia kategori human-generated dan AI-generated menggunakan pendekatan Convolutional Neural Network (CNN) berbasis arsitektur ResNet-18. Dataset terdiri dari 100 lagu berformat MP3 yang terbagi seimbang antara karya manusia dan karya AI dari platform Suno dan Udio. Data audio diproses melalui teknik segmentasi overlapping window berdurasi 10 detik dengan overlap 5 detik, kemudian diekstraksi menjadi citra spektrogram Short-Time Fourier Transform (STFT). Total data yang dihasilkan mencapai 4.282 segmen audio. Hasil pelatihan selama 100 epoch menunjukkan bahwa model mencapai konvergensi dengan train accuracy 100% dan validation accuracy 95,09%. Pada tahap pengujian menggunakan data yang belum pernah dilihat sebelumnya, model menunjukkan performa unggul dengan tingkat akurasi 93,01%. Temuan ini mengonfirmasi bahwa penggunaan representasi spektogram dalam arsitektur CNN mampu menangkap perbedaan fitur frekuensi dan temporal secara efektif untuk mengidentifikasi musik berbasis AI pada genre Pop Indonesia.
MODEL DETEKSI DDOS BERBASIS MACHINE LEARNING YANG EFISIEN, INTERPRETABLE, DAN SIAP IMPLEMENTASI OPERASIONAL Andri Yudha Pratama; Khalifatur Rauf; Enny Itje Sela
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.65922

Abstract

Serangan Distributed Denial of Service (DDoS) menjadi ancaman serius bagi kontinuitas bisnis digital, sehingga membutuhkan sistem deteksi yang akurat, responsif, dan dapat diinterpretasikan. Sebagian besar penelitian terdahulu berfokus pada maksimalisasi akurasi melalui model kompleks, namun kerap mengabaikan efisiensi komputasi dan actionability yang esensial bagi implementasi real-time. Penelitian ini mengevaluasi sembilan skenario deteksi pada dataset CIC-DDoS2019 melalui kombinasi metode seleksi fitur (Pearson, ANOVA, RFE) dan algoritma machine learning (Decision Tree, Random Forest, Logistic Regression). Hasilnya mengungkapkan adanya trade-off signifikan antara kompleksitas model dan latensi deteksi. Penelitian ini mengidentifikasi Skenario E4 (RFE + Decision Tree) sebagai model terbaik berdasarkan trade-off akurasi, latensi, dan memori, dengan recall serangan 0,9999, latensi 900 µs (sekitar 38 kali lebih cepat dari Random Forest), dan efisiensi memori 5.760 Byte. Kontribusi utama penelitian ini mencakup evaluasi multi-objektif yang mengintegrasikan akurasi, latensi, memori, interpretabilitas, dan robustness; pemetaan fitur SHAP ke dalam matriks mitigasi Defense-in-Depth; serta bukti empiris trade-off antara efisiensi operasional dan ketahanan model terhadap serangan adaptif. Analisis SHAP menunjukkan keputusan model didasarkan pada fitur identitas, anomali TCP flag, dan pola idle time. Namun, uji robustness mengindikasikan kerentanan terhadap manipulasi input, menegaskan perlunya strategi mitigasi tambahan dalam kerangka Defense-in-Depth agar model tidak hanya unggul secara statistik, tetapi juga operasional dan adaptif terhadap ancaman cerdas.
USER CONTINUANCE INTENTION IN THE TRAVELOKA MOBILE APPLICATION: A MODIFIED UTAUT2–ECM MODEL Adhitya Eka Putra; Achmad Luthfi; Samidi
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66084

Abstract

Pertumbuhan pesat aplikasi perjalanan berbasis mobile meningkatkan persaingan antar platform online travel agent serta mendorong pentingnya pemahaman terhadap faktor-faktor yang memengaruhi keberlanjutan penggunaan aplikasi. Meskipun Traveloka memiliki posisi pasar yang kuat di Indonesia, penelitian empiris yang mengkaji perilaku penggunaan berkelanjutan dengan model teoretis terintegrasi masih terbatas. Penelitian ini menganalisis continuance intention pengguna menggunakan model integrasi Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) dan Expectation Confirmation Model (ECM) yang diperluas dengan konstruk Trust dan Application Quality sebagai faktor kunci. Data dikumpulkan dari 277 pengguna aktif melalui survei daring dan dianalisis menggunakan Partial Least Squares Structural Equation Modeling (PLS-SEM). Hasil penelitian menunjukkan bahwa Habit dan Trust berpengaruh signifikan terhadap continuance intention, sedangkan Performance Expectancy dan Application Quality tidak berpengaruh signifikan secara langsung. Confirmation berpengaruh signifikan terhadap Performance Expectancy dan Satisfaction yang selanjutnya berkontribusi terhadap pembentukan Trust. Temuan ini menegaskan bahwa kebiasaan dan kepercayaan pengguna memiliki peran lebih dominan dibandingkan persepsi kinerja dalam mempertahankan penggunaan aplikasi, sementara Trust dan Application Quality tetap menjadi konstruk penting dalam model yang dikembangkan.
MODEL SISTEM PENDUKUNG KEPUTUSAN HYBRID MCDM (AHP-SAW) UNTUK PENENTUAN PRIORITAS FORMASI JABATAN CALON APARATUR SIPIL NEGARA DAERAH Cahyani, Almaun Tri; Saraswati, Galuh Wilujeng; Mahmud, Wildan
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66147

Abstract

Penentuan formasi jabatan Calon Aparatur Sipil Negara (CASN) di pemerintah daerah sering bersifat subjektif dan belum terintegrasi dengan data analisis beban kerja dan analisis jabatan. Kondisi ini menyebabkan ketimpangan distribusi pegawai serta ketidakefisienan dalam perencanaan sumber daya manusia. Penelitian ini bertujuan merancang Sistem Pendukung Keputusan (SPK) untuk menentukan prioritas formasi jabatan secara objektif dan berbasis data. Metode yang digunakan adalah pendekatan Multi-Criteria Decision Making (MCDM) dengan mengintegrasikan Analytic Hierarchy Process (AHP) untuk pembobotan tujuh kriteria dan Simple Additive Weighting (SAW) untuk perangkingan 168 alternatif jabatan dari 62 unit organisasi (OPD). Data penelitian bersumber dari analisis jabatan, analisis beban kerja, serta data kepegawaian aktual. Hasil penelitian menunjukkan bahwa model menghasilkan bobot kriteria yang konsisten dengan nilai Consistency Ratio (CR) sebesar 0,0453. Jabatan Pemadam Kebakaran Pemula pada OPD-62 memperoleh nilai preferensi tertinggi (Vi = 0,5973) sebagai prioritas utama. Implementasi sistem dalam bentuk dashboard analitik dapat mendukung pengambilan keputusan yang lebih objektif, transparan, dan berbasis data.
PENERAPAN MODEL DEEP LEARNING BILSTM UNTUK KLASIFIKASI MULTI-KELAS PADA DATA ADUAN MASYARAKAT Garda, Kautsa Adi; Saraswati, Galuh Wilujeng; Lutfina, Erba
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66293

Abstract

Layanan Pengaduan Masyarakat merupakan suatu kanal layanan yang dipergunakan masyarakat untuk melaporkan suatu kejadian pelanggaran dan masalah yang tidak sesuai dengan aturan tertulis maupun tidak tertulis. Pemerintah Kota Kediri melalui Dinas Komunikasi dan Informatika mempunyai suatu sistem layanan pengaduan online untuk menampung keluhan, saran, serta aspirasi masyarakat. Keberagaman dan tingginya volume aduan menuntut operator untuk meneruskan laporan kepada banyak pilihan instansi terkait sekaligus. Oleh karena itu, perlu adanya sistem yang mampu melakukan klasifikasi otomatis terhadap teks aduan masyarakat. Penelitian ini bertujuan untuk otomatisasi klasifikasi teks aduan menggunakan algoritma Bidirectional Long Short-Term Memory (BiLSTM) dengan skema multiclass sebanyak 21 kelas. Pembagian data dilakukan dengan rasio 80:20 untuk data training dan testing, kemudian 10% dari data pelatihan digunakan sebagai data validation. Penelitian ini menggunakan Word2Vec untuk pembobotan kata, Random Oversampling untuk balancing data serta membandingkan uji parameter batch size dan optimizer. Berdasarkan hasil dari 8 skenario pengujian, diperoleh skenario model dengan akurasi tertinggi sebesar 0,6977 (70%). Nilai tersebut tergolong cukup baik mengingat jumlah kelas yang relatif banyak dan variasi penggunaan bahasa daerah dan slang pada data aduan. Secara keseluruhan, BiLSTM menunjukkan kinerja yang memadai untuk klasifikasi teks multiclass.
HYBRID ANOVA-SHAP APPROACH FOR MODEL-AGNOSTIC FEATURE SELECTION IN GALLSTONE DISEASE PREDICTION Kusuma, Edi Jaya; Nurmandhani, Ririn; Manglapy, Yusthin Meriantti; Ika Pantiawati; Widianawati, Evina
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66622

Abstract

Penyakit batu empedu merupakan kondisi yang cukup umum terjadi, namun sering kali tidak terdeteksi hingga muncul komplikasi, sehingga pentingnya deteksi dini menjadi semakin penting. Penelitian ini bertujuan untuk mengusulkan pendekatan seleksi fitur hibrid yang bersifat model-agnostik dengan menggabungkan metode statistik (ANOVA) dan explainable machine learning (multi-model SHAP) untuk meningkatkan kinerja prediksi batu empedu sekaligus tetap menjaga interpretabilitas model. Kerangka yang diusulkan diuji menggunakan dataset klinis yang terdiri dari 319 pasien dengan 38 variabel, yang mencakup data demografis, bioimpedansi, dan parameter laboratorium. Proses seleksi fitur dilakukan melalui beberapa konfigurasi bobot (\alpha=0.3,\ 0.5,\ 0.7) guna melihat keseimbangan antara kontribusi statistik dan berbasis model. Hasil penelitian menunjukkan bahwa fitur seperti C-Reactive Protein (CRP), Vitamin D, Bone Mass, serta parameter fungsi hati secara konsisten berperan dalam prediksi, yang menggambarkan keterkaitan antara inflamasi, metabolisme, dan fungsi hati dalam pembentukan batu empedu. Performa terbaik diperoleh pada \alpha=0.7 khususnya metode Gradient Boosting dengan akurasi 0.8646 dan recall 0.875, sedangkan \alpha=0.5 menghasilkan nilai AUC tertinggi sebesar 0.905. Secara keseluruhan, pendekatan ini memberikan solusi yang cukup andal dan mudah dipahami untuk mendukung deteksi dini.
APLIKASI PEMBELAJARAN LOGIKA PEMROGRAMAN BERBASIS ANDROID DENGAN GAME-BASED LEARNING: INTEGRASI ADDIE DAN UCD Ayza, Falya Charismatul; Erba Lutfina; Wildan Mahmud
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66739

Abstract

Pembelajaran logika pemrograman kerap mengalami hambatan akibat sifat materi yang abstrak dan rendahnya interaktivitas pembelajaran, sehingga berdampak pada pemahaman pengguna. Penelitian ini bertujuan mengembangkan aplikasi pembelajaran berbasis Android dengan pendekatan game-based learning untuk meningkatkan pemahaman logika pemrograman pada pengguna pemula. Metode yang digunakan adalah integrasi model ADDIE dan User-Centered Design guna memastikan proses pengembangan yang sistematis dan berorientasi pengguna. Analisis data dilakukan secara deskriptif kuantitatif. Aplikasi yang dikembangkan memuat materi terstruktur, latihan interaktif, sistem level dan skor, serta umpan balik adaptif. Berdasarkan pengujian fungsional dengan pendekatan black-box testing, seluruh fitur sistem terbukti berjalan sesuai dengan spesifikasi yang dirancang. Evaluasi usability pada 15 responden menggunakan System Usability Scale memperoleh skor rata-rata 82,4 yang termasuk kategori sangat baik. Selain itu, hasil pre-test dan post-test menunjukkan peningkatan nilai rata-rata dari 65 menjadi 82. Temuan ini menunjukkan bahwa aplikasi yang dikembangkan efektif dalam meningkatkan pemahaman logika pemrograman serta memberikan pengalaman belajar yang lebih interaktif dan adaptif dalam proses pembelajaran.
SISTEM KLASIFIKASI KOMENTAR MEDIA SOSIAL UNTUK DETEKSI DINI CYBERBULLYING MENGGUNAKAN TF-IDF DAN SUPPORT VECTOR MACHINE Okta Vianda, Famela; Profesio Putra, Fajri
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66745

Abstract

Cyberbullying merupakan permasalahan yang terus meningkat pada berbagai platform media sosial, khususnya pada kolom komentar yang ditandai dengan penggunaan bahasa informal, singkatan, dan istilah slang yang beragam. Kondisi ini menyebabkan proses identifikasi komentar bermuatan perundungan menjadi kompleks dan kurang efektif jika dilakukan secara manual. Selain itu, metode klasifikasi berbasis deep learning yang memiliki akurasi tinggi umumnya membutuhkan sumber daya komputasi yang besar, sehingga kurang efisien untuk implementasi deteksi dini secara otomatis. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis machine learning menggunakan Support Vector Machine (SVM) dengan representasi fitur Term Frequency–Inverse Document Frequency (TF-IDF). Dataset yang digunakan terdiri dari 8.000 komentar berbahasa Indonesia yang diperoleh dari platform YouTube dan TikTok, sehingga merepresentasikan lingkungan multiplatform dengan variasi bahasa yang tinggi. Tahapan pengolahan data meliputi preprocessing teks (cleaning, normalisasi, tokenisasi, filtering, dan stemming), ekstraksi fitur menggunakan TF-IDF, serta klasifikasi menggunakan SVM dengan kernel linear. Model dievaluasi menggunakan skema pembagian data 70:30 dengan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 80,75%, precision 83% pada kelas cyberbullying, serta F1-score sebesar 0,81. Hasil ini menunjukkan bahwa SVM mampu memberikan performa yang stabil dalam menangani data teks berdimensi tinggi dengan kompleksitas bahasa yang beragam. Kontribusi utama penelitian ini terletak pada penggunaan dataset multiplatform berbahasa Indonesia serta evaluasi efektivitas SVM dalam mendukung sistem deteksi dini cyberbullying yang efisien secara komputasi.

Page 34 of 35 | Total Record : 341

 31   32   33   34   35 

Filter by Year

2016 2026


Reset
Filter By Issues
All Issue Vol 11 No 1 (2026): APRIL Vol 10 No 2 (2025): OCTOBER Vol 10 No 1 (2025): APRIL Vol 9 No 2 (2024): OCTOBER Vol 9 No 1 (2024): APRIL Vol 8 No 2 (2023): OCTOBER Vol 8 No 1 (2023): APRIL Vol 7 No 2 (2022): OCTOBER Vol 7 No 1 (2022): APRIL Vol 6 No 2 (2021): OCTOBER Vol 6 No 1 (2021): APRIL Vol 5 No 2 (2020): OCTOBER Vol 5 No 1 (2020): APRIL Vol 4 No 2 (2019): OCTOBER Vol 4 No 1 (2019): APRIL Vol 3 No 1 (2018): Volume.3, Nomor.1.April 2018 Vol 3 No 2 (2018): OCTOBER Vol 2 No 2 (2017): Volume 2, Nomor 2, oktober 2017 Vol 2 No 1 (2017): Volume 2, Nomor 1, April 2017 Vol 1 No 1 (2016): Volume.1, Nomor.1, Oktober 2016 More Issue