cover
Contact Name
Mesran
Contact Email
mesran.skom.mkom@gmail.com
Phone
+6282161108110
Journal Mail Official
jurikom.stmikbd@gmail.com
Editorial Address
STMIK Budi Darma Jalan Sisingamangaraja No. 338 Simpang Limun Medan - Sumatera Utara
Location
Kota medan,
Sumatera utara
INDONESIA
JURIKOM (Jurnal Riset Komputer)
JURIKOM (Jurnal Riset Komputer) membahas ilmu dibidang Informatika, Sistem Informasi, Manajemen Informatika, DSS, AI, ES, Jaringan, sebagai wadah dalam menuangkan hasil penelitian baik secara konseptual maupun teknis yang berkaitan dengan Teknologi Informatika dan Komputer. Topik utama yang diterbitkan mencakup: 1. Teknik Informatika 2. Sistem Informasi 3. Sistem Pendukung Keputusan 4. Sistem Pakar 5. Kecerdasan Buatan 6. Manajemen Informasi 7. Data Mining 8. Big Data 9. Jaringan Komputer 10. Dan lain-lain (topik lainnya yang berhubungan dengan Teknologi Informati dan komputer)
Articles 1,169 Documents
Chrome Extension Deteksi Spam Judi Online Pada Platform YouTube Menggunakan Ekstraksi Fitur dan Machine Learning Muhammad Taufiq Ramadhan; Muhammad Naufal; Feri Agustina
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9944

Abstract

Penelitian mengklasifikasikan chat judi online pada fitur live chat YouTube menggunakan machine learning, karena pesan spam promosi judi sulit dimoderasi secara manual akibat volumenya yang tinggi dan bersifat real-time. Model klasifikasi teks dibangun dan dibandingkan menggunakan ekstraksi fitur Count Vectorizer dan TF-IDF yang dikombinasikan dengan Support Vector Machine (SVM) dan Random Forest pada data live chat YouTube berlabel biner “JUDOL” dan “NORMAL”. Evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan Stratified K-Fold Cross Validation. Kata seperti “slot”, “gacor”, “freebet”, dan “wisdomtoto” menjadi indikator penting pesan judi online. Seluruh kombinasi menghasilkan akurasi di atas 99,8% pada Stratified 10-Fold Cross Validation dengan perbedaan antar-metode dalam kisaran simpangan baku. Count Vectorizer dengan SVM memperoleh rata-rata F1-score CV tertinggi (0,9990 ± 0,0010) serta akurasi dan F1-score 99,92% pada data uji independen. Model terbaik dideploy pada Chrome Extension yang terhubung dengan REST API lokal, dengan latensi inferensi rata-rata 0,46 ms per pesan, throughput 2.164 pesan per detik, dan latensi end-to-end 3,19 ms pada lingkungan 1 vCPU. Sistem tetap stabil hingga 200 pesan per detik sehingga mendukung penyaringan spam pada siaran langsung bervolume tinggi. Namun, repetisi template spam pada dataset dapat memengaruhi tingginya performa, sehingga generalisasi terhadap pola spam baru perlu diuji lebih lanjut.
AlgoMetrics: Platform Web Evaluasi Kinerja Algoritma Linear Search dan Binary Search pada Sistem Informasi Akademik Rohana Labora Munthe; Amsal Tampubolon; Ronald Hutasoit; Febryan Panjaitan; Lamhot Sitorus
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9973

Abstract

Sistem Informasi Akademik (SIAKAD) menangani pengelolaan data mahasiswa dalam jumlah besar sehingga diperlukan mekanisme pencarian yang efektif. Penelitian ini bertujuan mengembangkan AlgoMetrics, yaitu platform berbasis web untuk menganalisis dan membandingkan kinerja algoritma Linear Search dan Binary Search dalam pencarian data mahasiswa. Penelitian menggunakan metode eksperimen dengan dataset berformat JSON yang terdiri atas 1.000, 5.000, dan 10.000 entri. Pengujian dilakukan dalam tiga skenario, yaitu pencarian ketika target berada pada posisi pertama, posisi terakhir, dan ketika data tidak ditemukan. Kinerja kedua algoritma dievaluasi berdasarkan jumlah operasi perbandingan dan waktu eksekusi. Hasil pengujian pada dataset berisi 10.000 entri dengan target di posisi akhir menunjukkan bahwa Linear Search melakukan 10.000 perbandingan dengan waktu eksekusi 207,30 μs, sedangkan Binary Search hanya memerlukan 14 perbandingan dengan waktu eksekusi 1,00 μs. Ketika data tidak ditemukan, Linear Search tetap melakukan 10.000 perbandingan, sementara Binary Search membutuhkan 13–14 perbandingan dalam tiga kali pengujian. Secara keseluruhan, Binary Search memerlukan lebih sedikit perbandingan dan mencatat waktu eksekusi yang lebih cepat pada skenario yang diuji. Namun, penerapan algoritma ini mensyaratkan dataset telah diurutkan berdasarkan Nomor Induk Mahasiswa (NIM). Dengan demikian, AlgoMetrics dapat dimanfaatkan sebagai sarana eksperimen untuk mengevaluasi dan membandingkan kinerja kedua algoritma pencarian.
Framework Game-Based Learning Berbasis AI-IoT Menggunakan R&D dan Design Science Research Untuk Sekolah Menengah Herin Dwibima Aprianto; Lubna; Anindhiasti Ayu Kusuma Asri
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9977

Abstract

Pemanfaatan Game-Based Learning (GBL), Artificial Intelligence (AI), dan Internet of Things (IoT) di pendidikan menengah memerlukan rancangan sistem yang tidak hanya menarik secara pedagogis, tetapi juga terstruktur sebagai artefak teknologi informasi. Penelitian ini bertujuan merancang prototipe website GBL berbasis AI-IoT yang mendukung automated assessment, AI feedback, recommendation, dan learning analytics menggunakan pendekatan Research and Development (R&D) yang dijalankan dengan kerangka Design Science Research Methodology (DSRM). Tahapan yang dilaporkan meliputi problem identification, objectives of solution, design and modelling, serta prototype development, sedangkan demonstration dan evaluation belum dilaksanakan dan diposisikan sebagai agenda penelitian lanjutan. Data kebutuhan dikumpulkan melalui kuesioner terhadap 51 peserta didik dan 12 guru yang dipilih secara purposive, serta wawancara semi-terstruktur terhadap lima guru. Validitas isi instrumen ditelaah sebelum pengumpulan data, sedangkan kebutuhan administrator diperlakukan sebagai peran sistem yang diturunkan secara analitis, bukan sebagai data responden. Hasil analisis kebutuhan menunjukkan learning analytics, automated assessment, dan AI feedback sebagai tiga kebutuhan dengan prioritas tertinggi pada kedua kelompok responden, dengan rerata kebutuhan keseluruhan sebesar 3,95 (tinggi) pada peserta didik dan 4,58 (sangat tinggi) pada guru. Berdasarkan temuan tersebut, penelitian menghasilkan artefak konseptual berupa design requirements, arsitektur website berlapis, model modul, model alur data pembelajaran, dan wireframe prototipe dashboard learning analytics. Komponen AI dan IoT dibatasi pada rancangan layanan dan telemetry berbasis perangkat lunak tanpa pengujian akurasi maupun sensor fisik. Seluruh hasil masih berstatus rancangan dan prototipe awal sehingga belum merepresentasikan efektivitas pembelajaran, akurasi layanan AI, maupun tingkat usability yang teruji. Kontribusi penelitian ini adalah menyediakan landasan teknis yang dapat ditelusuri dari kebutuhan pengguna menuju modul sistem bagi pengembangan website pembelajaran adaptif yang mengintegrasikan GBL engine, telemetry/IoT layer, automated assessment service, AI recommendation service, dan analytics dashboard. Artefak yang dihasilkan menjadi dasar bagi validasi ahli, uji usability, dan implementasi terbatas pada penelitian berikutnya
Building Energy Consumption Prediction Using Grid Search-Optimized XGBoost: A Comparative Evaluation with Random Forest on Synthetic Data Adinda Putri Pratiwi; Didi Susilo Budi Utomo; Rihartanto Rihartanto
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.9980

Abstract

The rising energy demands of buildings necessitate systems for efficient energy usage. Consequently, accurate prediction methods are required to assist in energy planning, control, and optimization. This study aims to predict energy consumption using the XGBoost algorithm, with parameter optimization performed via Grid Search. Additionally, Random Forest is employed as a benchmark and comparative method, and feature importance analysis is conducted to identify the variables that most significantly influence energy consumption. The dataset used is a synthetic dataset obtained from Kaggle. The dataset simulates environmental conditions and energy use in buildings. The results indicate that the best-performing model is the parameter-optimized XGBoost, which outperformed both Random Forest and the default XGBoost model. Specifically, the optimized XGBoost model achieved an MAE of 4.0029 ± 0.0127, an RMSE of 4.9352 ± 0.0104, and an R² of 0.6026 ± 0.0017. Feature importance analysis identified temperature as the most important feature for predicting energy consumption in the evaluated model. However, because the study is using synthetic data rather than real data from actual building measurements, the findings may not fully represent real-world buildings and should not be directly generalized without further validation. Further evaluation using real-world building energy consumption data is necessary to assess the practical applicability of the approach.
Analisis Komparatif Kualitas Jaringan Kabel dan Nirkabel Berdasarkan Standar TIPHON pada Aplikasi Konferensi Video Muhammad Faiz Burhanuddin; Tiara Fitriana; Imelda Imelda
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10009

Abstract

Meningkatnya aktivitas komunikasi daring telah menyebabkan meningkatnya kebutuhan akan koneksi internet yang kuat dan andal, terutama untuk aplikasi konferensi video waktu nyata. Diasumsikan bahwa perbedaan sifat jaringan kabel dan nirkabel akan memengaruhi kualitas layanan yang diterima pengguna selama sesi konferensi, sehingga pengujian diperlukan untuk menetapkan media yang lebih unggul. Oleh karena itu, tujuan penelitian ini adalah untuk memberikan analisis komparatif jaringan kabel dan nirkabel pada kinerja Kualitas Layanan (QoS) selama sesi konferensi video sesuai dengan standar Telecommunications and Internet Protocol Harmonization Over Networks (TIPHON). Pendekatan yang diadopsi adalah eksperimen perbandingan, di mana empat metrik QoS, yaitu throughput, packet loss, delay, dan jitter, diukur secara langsung selama sesi konferensi video. Data jaringan telah ditangkap dan dikumpulkan menggunakan program penganalisis protokol jaringan Wireshark. Kemudian data pengukuran diperiksa dan dibandingkan untuk menilai perbedaan kinerja kedua media komunikasi berdasarkan kategori indeks standar TIPHON yang telah ditentukan. Hasil penelitian menunjukkan bahwa jaringan kabel menghasilkan nilai throughput rata-rata sebesar 1,380 Mb/s, sedangkan jaringan nirkabel rata-rata sebesar 1,331 Mb/s (throughput jaringan kabel 3,68% lebih tinggi). Nilai delay jaringan kabel rata-rata sebesar 4,71 ms, sedangkan jaringan nirkabel rata-rata sebesar 5,11 ms (delay jaringan kabel 7,83% lebih rendah). Packet loss pada kedua jaringan sama-sama 0%. Nilai jitter jaringan kabel rata-rata sebesar 6,674 ms, sedangkan jaringan nirkabel rata-rata sebesar 6,897 ms (jitter jaringan kabel 3,23% lebih rendah). Dengan demikian, pada kondisi pengujian penelitian ini, jaringan kabel menunjukkan throughput lebih tinggi dan delay lebih rendah, sedangkan packet loss menunjukkan hasil yang setara. Dengan demikian, pemilihan media komunikasi yang tepat merupakan isu penting dalam menentukan kinerja dan kualitas layanan komunikasi digital.
Implementasi Model Sentence-BERT untuk Peningkatan Semantic Retrieval pada Sistem Question Answering Layanan Helpdesk Ticketing Adhityah Anugrah; Julian Supardi
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10021

Abstract

Sistem Question Answering (QA) terutama closed-domain QA memberikan efisiensi dan konsistensi pada layanan helpdesk untuk menyajikan jawaban yang relevan dan akurat. Secara tradisional sistem QA sangat bergantung pada kesamaan kata antara query dan dokumen, sehingga rentan terhadap permasalahan lexical gap. Untuk mengatasi keterbatasan tersebut, pendekatan semantik dikembangkan guna menangkap kesamaan makna secara kontekstual. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja metode retrieval berbasis leksikal, yaitu Term Frequency-Inverse Document Frequency  (TF-IDF) dan Best Matching 25 (BM25), dengan pendekatan semantik menggunakan Sentence Bidirectional Encoder Representations from Transformers (SBERT) pada sistem closed-domain QA. Evaluasi dilakukan menggunakan dataset helpdesk yang dikumpulkan secara mandiri, serta divalidasi menggunakan dataset benchmark, seperti SQuAD v1.1, IDK-MRC, TechQA, dan COVID-QA. Kinerja sistem diukur menggunakan metrik information retrieval standar, meliputi Recall@k, Mean Reciprocal Rank (MRR), dan Normalized Discounted Cumulative Gain (NDCG). Hasil eksperimen menunjukkan bahwa SBERT memberikan kinerja yang sangat kompetitif dan secara umum mencapai hasil terbaik pada dataset yang dievaluasi. Pada dataset Helpdesk, SBERT mencapai Recall@1 99,814%, MRR 99,902%, dan NDCG@3 99,922%. Namun, pada dataset TechQA, TF-IDF dan BM25 menghasilkan Recall@1 yang lebih tinggi dibandingkan SBERT. Temuan ini menunjukkan keunggulan pendekatan semantik tidak selalu berlaku pada setiap dataset, terutama ketika pertanyaan dan jawaban memiliki kemiripan leksikal yang kuat. Secara keseluruhan, hasil penelitian menunjukkan SBERT merupakan pendekatan yang efektif dan kompetitif untuk sistem closed-domain QA.
Comparative Evaluation of TensorFlow Lite Quantization Variants for MobileNetV2-Based Batik Motif Classification: Accuracy, Model Size, and Inference Latency Dewi Handayani Untari Ningsih; Eri Zuliarso; Jati Sasongko Wibowo; Dwi Budi Santoso; Hari Murti
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10047

Abstract

Convolutional Neural Network (CNN) models achieve high accuracy in visual recognition, but their size and computational cost limit deployment on mobile devices, so batik motif recognition remains difficult to bring to artisans and small creative enterprises. This study evaluates how post-training quantization with TensorFlow Lite affects the classification accuracy, model size, and inference latency of a MobileNetV2 transfer-learning model for batik motif recognition, in order to identify the deployment configuration that offers the best balance among the three. The experimental workflow adapted a pre-trained MobileNetV2 network to the Batik Wastra Nusantara dataset, which covers batik designs originating from different parts of Indonesia with substantial variation in color, ornamentation, and pattern complexity, converted the trained model into Dynamic Range, Float16, and Int8 TensorFlow Lite variants, and compared them under identical conditions. Evaluation on 644 valid images from 14 motif classes produced a test accuracy of 43.08%, corresponding to 28 of the 65 test images, a macro F1-score of 41.65%, and a weighted F1-score of 40.39%. Across the four model formats the accuracy spans only three test images, from 41.54% to 46.15%, a range that lies well inside the confidence interval implied by a 65-image test subset, so the variants cannot be separated on accuracy at this sample size. The deployment metrics differ substantially: relative to the unquantized reference, the Float16 variant reduced model size from 19.04 MB to 4.29 MB (77.47%) and inference latency from 205.52 ms to 28.60 ms (86.08%), while the Int8 variant was the fastest at 14.87 ms and the Dynamic Range variant the smallest at 2.41 MB. These findings indicate that the benefit of TensorFlow Lite optimization lies in storage and latency rather than in accuracy, and that the accuracy attainable on this dataset is constrained by its limited size and the visual similarity among motifs. The study contributes the deployment measurements, namely model size and inference latency for each quantization variant, that comparable batik classification studies do not report, and identifies dataset expansion as the prerequisite for reaching production-level accuracy in AI-based digital innovation for Indonesia’s creative industries.
Pengembangan dan Replikasi Optimalisasi e-Lades dengan Integrasi AI untuk Efisiensi Administrasi Desa Pintar di Deli Serdang Demonius Sarumaha; Emy Hariati; Satriandi
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10084

Abstract

Pelayanan administrasi di sebagian besar desa Kabupaten Deli Serdang masih dilakukan secara manual, kurang transparan, dan belum menyediakan akses informasi potensi desa secara memadai, sehingga penyelesaian dokumen sederhana dapat memakan waktu 3-5 hari. Penelitian ini melanjutkan pengembangan aplikasi e-Lades yang sebelumnya berhasil diimplementasikan di Desa Amplas dengan mengoptimalkan sistem melalui integrasi Artificial Intelligence dalam bentuk Chatbot untuk direplikasi ke beberapa desa lain. Tujuan penelitian adalah membangun modul Chatbot AI berbasis mekanisme Knowledge Injection yang mampu menjawab pertanyaan tata cara administrasi dan potensi desa secara otomatis dan real-time melalui website e-Lades, serta mengotomatisasi proses pengajuan surat hingga pengiriman dokumen resmi ke WhatsApp pemohon. Metode yang digunakan adalah Rapid Application Development hybrid yang dikombinasikan dengan Chatbot AI. Pada alur pengajuan surat, warga sebagai pemohon mengisi biodata dan mengunggah dokumen persyaratan melalui website e-Lades, yang kemudian diperiksa dan diverifikasi oleh perangkat desa; apabila sesuai, sistem secara otomatis menerbitkan dokumen dalam format PDF dan mengirimkannya langsung ke WhatsApp pemohon. Adapun Chatbot AI pada website berfungsi menjawab pertanyaan warga seputar tata cara administrasi serta potensi desa (UMKM dan wisata) menggunakan model bahasa besar melalui API key, dilengkapi mekanisme fallback ke berkas knowledge.txt sebagai rujukan jawaban apabila token API key habis, sehingga layanan tetap dapat berjalan. Sistem diuji pada tiga desa pilot dengan pendekatan pre-test dan post-test. Hasil pengujian awal prototipe menunjukkan chatbot mampu menjawab skenario pertanyaan administratif dengan akurasi yang memenuhi ambang batas internal, waktu respons di bawah lima menit, serta mekanisme fallback yang berfungsi baik ketika token API key habis. Evaluasi awal juga mengindikasikan potensi peningkatan efisiensi waktu layanan dan tingkat adopsi pengguna yang sejalan dengan target Desa Pintar. Penelitian ini diharapkan menghasilkan model replikasi digitalisasi administrasi desa berbasis AI yang dapat direplikasi ke tingkat kabupaten.
Perancangan Aplikasi e-DigiMath Berbasis Web dengan Intergrasi AI Gamifikasi untuk Meningkatkan Minat Belajar Siswa Madrasah Ibtidaiyah di Era Digital Hendra; Demonius Sarumaha; Leni Malinda
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10085

Abstract

Rendahnya literasi numerik dan minat belajar siswa Madrasah Ibtidaiyah (MI) disebabkan oleh keterbatasan media pembelajaran yang masih bersifat statis dan tidak adaptif terhadap kemampuan individual siswa. Penelitian ini bertujuan merancang dan mengembangkan prototipe aplikasi web e-DigiMath serta mengukur tingkat kelayakan media dan respons pengguna. Metode yang digunakan adalah Research and Development (R&D) dengan model ADDIE, yang diimplementasikan di MIS Chairul Bariyyah. Solusi yang ditawarkan meliputi integrasi kuis numerik berjenjang otomatis, mekanisme reward-penalty berbasis poin dan jeda waktu (cooldown 3 menit), serta chatbot AI adaptif sebagai asisten belajar virtual. Uji coba langsung terhadap sekitar 30 siswa kelas tinggi menunjukkan seluruh siswa mampu memulai dan mengikuti alur dari level Mudah, dengan sebagian siswa berhasil mencapai level Sulit dalam sesi yang sama, mengindikasikan mekanisme adaptif berjalan sesuai rancangan; pengukuran kuantitatif kelayakan ahli dan peningkatan minat belajar melalui instrumen pretest-posttest masih dalam tahap pelaksanaan lebih lanjut. Penelitian ini berkontribusi pada penguatan literasi numerik berbasis teknologi AI yang selaras dengan Kurikulum Merdeka di sekolah dasar/MI
Pemodelan Topik Ulasan Tidak Terstruktur TikTok Shop Seller Center Menggunakan LDA dan BERTopic Berbasis Coherence Score Salsabila Savitri; Nur Cahyo Hendro Wibowo; Maya Rini Handayani
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10101

Abstract

Ulasan aplikasi social commerce di Google Play Store merupakan teks tidak terstruktur yang sulit dianalisis secara manual. Penelitian ini memodelkan topik ulasan aplikasi TikTok Shop Seller Center dengan Latent Dirichlet Allocation (LDA) dan BERTopic, lalu membandingkannya dengan tiga ukuran coherence score, yaitu C_V, UMass, dan C_NPMI. Kontribusi penelitian ini adalah perbandingan kedua metode dengan kriteria pemilihan parameter, data masukan, dan prosedur evaluasi yang sama. Sebanyak 2.480 ulasan diambil dengan google-play-scraper pada 14 Juli 2026 (tanggal ulasan 13 Juni 2022 sampai 13 Juli 2026). Setelah case folding, cleaning, tokenisasi, penghapusan stopword, dan stemming dengan Sastrawi, tersisa 2.234 dokumen. Pencarian jumlah topik LDA pada k = 2 sampai 15 memilih k = 3 dengan C_V 0,6107, sedangkan pengujian min_cluster_size BERTopic pada 10, 15, 20, 25, dan 30 memilih nilai 15 dengan lima topik dan C_V 0,6011. Pada evaluasi akhir dengan 10 kata teratas per topik, LDA memperoleh C_V 0,6107, UMass -2,0906, dan C_NPMI 0,0133, sedangkan BERTopic memperoleh 0,6011, -4,1687, dan 0,0040. LDA lebih tinggi pada ketiga ukuran, tetapi selisih C_V dan C_NPMI kecil, sedangkan selisih UMass lebih jelas. Topik yang muncul berkaitan dengan jual-beli dan pengelolaan toko, pesanan, pengiriman, potongan biaya, serta akun dan kemudahan penggunaan. Interpretasi topik belum divalidasi oleh pakar atau penilai manusia dan perlu dilakukan pada penelitian selanjutnya.

Filter by Year

2015 2026


Filter By Issues
All Issue Vol. 13 No. 5 (2026): Oktober 2026 Vol. 13 No. 4 (2026): Agustus 2026 Vol. 13 No. 3 (2026): Juni 2026 Vol. 13 No. 2 (2026): April 2026 Vol. 13 No. 1 (2026): Februari 2026 Vol. 12 No. 6 (2025): Desember 2025 Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol 12, No 3 (2025): Juni 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol 12, No 2 (2025): April 2025 Vol. 12 No. 2 (2025): April 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol 12, No 1 (2025): Februari 2025 Vol 11, No 6 (2024): Desember 2024 Vol. 11 No. 6 (2024): Desember 2024 Vol 11, No 5 (2024): Oktober 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol 11, No 4 (2024): Augustus 2024 Vol. 11 No. 4 (2024): Augustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol 11, No 3 (2024): Juni 2024 Vol 11, No 2 (2024): April 2024 Vol. 11 No. 2 (2024): April 2024 Vol 10, No 3 (2023): Juni 2023 Vol 10, No 2 (2023): April 2023 Vol 10, No 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol 9, No 5 (2022): Oktober 2022 Vol 9, No 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol 8, No 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol 8, No 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 6 (2020): Desember 2020 Vol. 7 No. 5 (2020): Oktober 2020 Vol 7, No 5 (2020): Oktober 2020 Vol 7, No 4 (2020): Agustus 2020 Vol 7, No 3 (2020): Juni 2020 Vol 7, No 2 (2020): April 2020 Vol 7, No 1 (2020): Februari 2020 Vol 6, No 6 (2019): Desember 2019 Vol 6, No 5 (2019): Oktober 2019 Vol 6, No 4 (2019): Agustus 2019 Vol 6, No 3 (2019): Juni 2019 Vol 6, No 2 (2019): April 2019 Vol 6, No 1 (2019): Februari 2019 Vol 5, No 6 (2018): Desember 2018 Vol 5, No 5 (2018): Oktober 2018 Vol 5, No 4 (2018): Agustus 2018 Vol 5, No 3 (2018): Juni 2018 Vol. 5 No. 2 (2018): April 2018 Vol 5, No 2 (2018): April 2018 Vol 5, No 1 (2018): Februari 2018 Vol. 5 No. 1 (2018): Februari 2018 Vol 4, No 5 (2017): Oktober 2017 Vol 4, No 4 (2017): Agustus 2017 Vol 3, No 6 (2016): Desember 2016 Vol 3, No 5 (2016): Oktober 2016 Vol 3, No 4 (2016): Agustus 2016 Vol 3, No 1 (2016): Februari 2016 Vol 2, No 6 (2015): Desember 2015 More Issue