cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Andy Sapta
Contact Email
sapta@royal.ac.id
Phone
-
Journal Mail Official
lppm_stmik@royal.ac.id
Editorial Address
-
Location
Kab. asahan,
Sumatera utara
INDONESIA
JURTEKSI
Published by STMIK Royal Kisaran
ISSN : 24071811     EISSN : 25500201     DOI : -
Core Subject : Science,
Computer Science & IT
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) is a scientific journal which is published by STMIK Royal Kisaran. This journal published twice a year on December and June. This journal contains a collection of research in information technology and computer system.
Arjuna Subject : -
Articles 717 Documents
 68   69   70   71   72 
WEB-BASED SUPPLY CHAIN MANAGEMENT SYSTEM IMPLEMENTATION USING FEFO METHOD IN CV. SAHABAT JAYA SUKSES Dea Tantri Puspita; Nuriadi Manurung; Rohminatin, Rohminatin
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4419

Abstract

Abstract: Distributors in the Fast Moving Consumer Goods (FMCG) sector, such as CV. Sahabat Jaya Sukses, face significant challenges in inventory control, particularly related to product expiration and stock discrepancies caused by manual recording. This study aims to design and implement a web-based Supply Chain Management (SCM) system that integrates the flow of goods from suppliers to retailers by applying the First Expired First Out (FEFO) method to minimize financial losses due to expired products. The research methodology employs the Waterfall model, which is selected because of its structured and systematic development stages and its suitability for systems with clear and stable requirements, facilitating effective analysis, design, implementation, and testing processes. The research stages include requirements analysis, system design, implementation, and testing. The results show that the SCM system successfully integrates data across the entire supply chain, automates inventory recording, and effectively prioritizes product distribution based on the nearest expiration dates. Black Box testing confirms that all system functionalities, including FEFO logic, operate properly, thereby improving operational efficiency and data accuracy. Keywords: supply chain management; FEFO; web-based system; distributor; inventory controls Abstrak: Distributor di sektor Fast Moving Consumer Goods (FMCG) seperti CV. Sahabat Jaya Sukses menghadapi tantangan dalam pengendalian persediaan, khususnya terkait produk kedaluwarsa dan selisih stok akibat pencatatan manual. Penelitian ini bertujuan merancang dan mengimplementasikan sistem Supply Chain Management (SCM) berbasis web yang mengintegrasikan aliran barang dari pemasok hingga pengecer dengan menerapkan metode First Expired First Out (FEFO) untuk meminimalkan kerugian akibat produk kedaluwarsa. Metodologi penelitian menggunakan model Waterfall yang dipilih karena memiliki tahapan pengembangan yang terstruktur, sistematis, dan sesuai dengan kebutuhan sistem yang jelas serta stabil, sehingga memudahkan proses perancangan, implementasi, dan pengujian. Tahapan penelitian meliputi analisis kebutuhan, desain sistem, implementasi, dan pengujian. Hasil penelitian menunjukkan bahwa sistem SCM berhasil mengintegrasikan data di seluruh rantai pasok, mengotomatisasi pencatatan stok, serta memprioritaskan distribusi barang berdasarkan tanggal kedaluwarsa terdekat. Pengujian Black Box membuktikan bahwa seluruh fungsi sistem, termasuk logika FEFO, berjalan dengan baik sehingga meningkatkan efisiensi operasional dan akurasi data. Kata kunci: distributor; FEFO; manajemen rantai pasok; pengendalian stok; sistem berbasis web
SENTIMENT ANALYSIS OF CUSTOMER REVIEWS ON E-COMMERCE APPLICATIONS: LAZADA, TOKOPEDIA, AND BLIBLI Ihza, Andika; Arifin, Muhammad; Setiawan, Arif
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4422

Abstract

Abstract: The rapid growth of e-commerce in Indonesia has increased consumer interactions with digital platforms, particularly Lazada, Tokopedia, and Blibli, resulting in a large volume of customer reviews that reflect consumer experiences and perceptions but have not been optimally utilized in business decision-making. The main issue addressed in this study is how to process customer review data to generate meaningful information regarding consumer opinions. This research aims to apply web scraping techniques to collect customer review data and conduct sentiment analysis to identify trends in consumer opinions across the three e-commerce platforms. The dataset consists of 3,000 customer reviews, with 1,000 reviews collected from each platform, covering aspects such as shopping experience, service quality, delivery process, and customer satisfaction. The research methodology includes data collection through web scraping, text preprocessing for data cleaning and normalization, sentiment analysis using machine learning approaches, and visualization of sentiment results. The findings indicate differences in the distribution of positive, negative, and neutral sentiments across platforms, reflecting variations in consumer experiences and service strategies. These results demonstrate that sentiment analysis based on customer reviews can serve as strategic input to improve service quality, business performance, and marketing strategies in Indonesia’s e-commerce sector. Keywords: customer reviews; digital services; e-commerce; sentiment analysis; web scarping Abstrak: Pertumbuhan pesat e-commerce di Indonesia meningkatkan interaksi konsumen dengan platform digital, khususnya Lazada, Tokopedia, dan Blibli, yang menghasilkan ulasan pelanggan dalam jumlah besar sebagai cerminan pengalaman dan persepsi konsumen, namun belum dimanfaatkan secara optimal dalam pengambilan keputusan bisnis. Permasalahan utama penelitian ini adalah bagaimana mengolah data ulasan tersebut agar dapat memberikan informasi yang bermakna mengenai opini konsumen. Penelitian ini bertujuan menerapkan web scraping untuk mengumpulkan data ulasan pelanggan serta melakukan analisis sentimen guna mengidentifikasi tren opini konsumen pada ketiga platform e-commerce tersebut. Data yang digunakan berjumlah 3.000 ulasan pelanggan, dengan masing-masing platform diwakili oleh 1.000 ulasan yang mencakup pengalaman berbelanja, kualitas layanan, proses pengiriman, dan tingkat kepuasan pelanggan. Metode penelitian meliputi pengambilan data menggunakan web scraping, pra-pemrosesan teks untuk pembersihan dan normalisasi data, analisis sentimen dengan pendekatan pembelajaran mesin, serta visualisasi hasil sentimen. Hasil penelitian menunjukkan adanya perbedaan distribusi sentimen positif, negatif, dan netral pada setiap platform, yang mencerminkan variasi pengalaman konsumen dan strategi layanan. Temuan ini menunjukkan bahwa analisis sentimen berbasis ulasan pelanggan dapat menjadi masukan strategis untuk meningkatkan kualitas layanan, kinerja bisnis, dan strategi pemasaran e-commerce di Indonesia. Kata kunci: customer reviews; digital services;e-commerce;sentiment analysis;web scarping
RANDOM FOREST BASED SYSTEM FOR PREDICTING AND RECOMMENDING INMATE REHABILITATION PROGRAMS Syahrul Farhan; Nurul Rahmadani; Mardalius
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4432

Abstract

Abstract: Rehabilitation programs are essential in correctional systems to equip inmates with the skills and behavioral readiness required for social reintegration. However, rehabilitation program assignment in many correctional institutions remains dependent on manual and subjective assessments, which may result in inconsistent decisions. This study develops a Random Forest–based prediction system to support objective and data-driven rehabilitation program determination. A quantitative approach was applied using historical inmate data from January 2023 to January 2025, comprising 2,023 records. The research process included data preprocessing, an 80:20 training–testing split, model training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 86.17% during training in Google Colab and 68.83% when deployed within the application system. This performance gap reflects real-world deployment and computational constraints rather than model failure. The proposed system provides consistent and objective rehabilitation program recommendations, thereby supporting more effective rehabilitation planning and decision-making in correctional institutions. Keywords: correctional institutions; inmate rehabilitation programs; machine learning; random Forest; prediction system Abstrak: Program pembinaan narapidana memiliki peran penting dalam sistem pemasyarakatan untuk membekali warga binaan dengan keterampilan serta kesiapan perilaku dalam proses reintegrasi ke masyarakat. Namun, pada banyak lembaga pemasyarakatan, penentuan program pembinaan masih bergantung pada penilaian manual yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengembangkan sistem prediksi program pembinaan narapidana berbasis algoritma Random Forest guna mendukung pengambilan keputusan yang objektif dan berbasis data. Pendekatan kuantitatif diterapkan menggunakan data historis narapidana periode Januari 2023 hingga Januari 2025 sebanyak 2.023 data. Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji dengan rasio 80:20, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,17% pada tahap pelatihan di Google Colab dan 68,83% saat diimplementasikan pada sistem aplikasi. Perbedaan performa tersebut mencerminkan keterbatasan lingkungan operasional, bukan kegagalan model. Secara keseluruhan, sistem yang dikembangkan mampu memberikan rekomendasi program pembinaan yang lebih objektif dan konsisten, sehingga mendukung perencanaan pembinaan yang lebih efektif. Kata kunci: mesin pembelajaran; program pembinaan narapidana; random Forest; sistem pemasyarakatan; sistem prediksi
PREDICTING TEA HARVEST PRODUCTION AT BAH BUTONG USING RANDOM FOREST AND HISTORICAL DATA Prayoga, Hafizd; Ramadhan Nasution, Yusuf
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4455

Abstract

Abstract: Accurate forecasts of tea harvest production are important for workforce planning, factory operations, and marketing decisions, yet conventional estimation in plantations often relies on field experience and can be biased and less adaptive to changing conditions. This study aims to develop a Random Forest Regression model to predict tea harvest production at the Bah Butong tea plantation using historical operational and climate-related data. The dataset consists of 60 monthly records (2020–2024) with six predictor variables: rainfall (mm), number of rainy days, pest level, weed level, number of harvested trees and land area. Data were split into 80% training (48 samples) and 20% testing (12 samples). Model hyperparameters were optimized using RandomizedSearchCV with RepeatedKFold cross-validation (5 folds, 3 repeats). The tuned model achieved MSE of 668,980,524.45, RMSE of 25,864.66 kg, MAE of 19,838.69 kg, and MAPE of 7.59% on the test set. The results indicate that the model can provide practical production estimates, with errors averaging about 7–8% of the actual production. Feature importance analysis shows that the number of harvested tea bushes and cultivated area contribute most to predictions. Future work should extend the historical period and incorporate time-based features (seasonality/lag) for improved forecasting. Keywords: hyperparameter tuning; production prediction; random forest; regression; tea harvest Abstrak: Perkiraan akurat produksi panen teh sangat penting untuk perencanaan tenaga kerja, operasional pabrik, dan keputusan pemasaran, namun estimasi konvensional di perkebunan seringkali bergantung pada pengalaman lapangan dan dapat bias serta kurang adaptif terhadap perubahan kondisi. Studi ini bertujuan untuk mengembangkan model Regresi Random Forest untuk memprediksi produksi panen teh di perkebunan teh Bah Butong menggunakan data operasional dan data terkait iklim historis. Dataset terdiri dari 60 catatan bulanan (2020–2024) dengan enam variabel prediktor: curah hujan (mm), jumlah hari hujan, tingkat hama, tingkat gulma, jumlah pokok panen, dan luas lahan. Data dibagi menjadi 80% data pelatihan (48 sampel) dan 20% data pengujian (12 sampel). Parameter model dioptimalkan menggunakan RandomizedSearchCV dengan validasi silang RepeatedKFold (5 lipatan, 3 pengulangan). Model yang telah disempurnakan mencapai MSE sebesar 668.980.524,45, RMSE sebesar 25.864,66 kg, MAE sebesar 19.838,69 kg, dan MAPE sebesar 7,59% pada set data uji. Hasil tersebut menunjukkan bahwa model dapat memberikan estimasi produksi yang praktis, dengan kesalahan rata-rata sekitar 7–8% dari produksi aktual. Analisis kepentingan fitur menunjukkan bahwa jumlah semak teh yang dipanen dan luas lahan budidaya paling berkontribusi pada prediksi. Pekerjaan selanjutnya harus memperpanjang periode historis dan menggabungkan fitur berbasis waktu (musiman/lag) untuk peramalan yang lebih baik. Kata kunci: panen teh; prediksi produksi; random forest; regresi; tuning parameter
HYBRID MOBILENETV2-SVM FOR ROBUST INDONESIAN BATIK MOTIF IDENTIFICATION Putri Utami, Irawati; Sani, Asrul
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4449

Abstract

Abstract: Automated batik motif classification is challenged by high inter-class similarity and texture complexity. This study proposes a hybrid model integrating MobileNetV2 as a feature extractor and Support Vector Machine (SVM) as the classifier to optimize accuracy and efficiency. Utilizing a Kaggle dataset of 8,640 images across 20 batik categories, the data was partitioned into 420 training images per class (Dayak: 360) and 15 testing images per class. The results demonstrate superior performance with 96.00% accuracy, exceeding the 90% target. The system showed high computational efficiency with a total execution time of 359.92 seconds and feature extraction taking only 22.63 seconds. This hybrid approach provides an ideal performance balance for resource-constrained mobile applications. Keywords: batik classification; MobileNetV2; support vector machine; hybrid model; computational efficiency Abstrak: Klasifikasi motif batik secara otomatis menghadapi tantangan kemiripan visual antar-kelas yang tinggi. Penelitian ini bertujuan mengoptimalkan akurasi dan efisiensi pengenalan batik menggunakan model hibrida MobileNetV2 sebagai pengekstraksi fitur dan Support Vector Machine (SVM) sebagai klasifikator. Menggunakan dataset Kaggle berisi 8.640 citra dari 20 kategori batik, data dibagi menjadi 420 citra latih per kelas (kecuali Batik Dayak 360) dan 15 citra uji per kelas. Hasil eksperimen menunjukkan performa impresif dengan akurasi 96,00%, melampaui target awal 90%. Sistem ini sangat efisien dengan total waktu eksekusi 359,92 detik, di mana ekstraksi fitur hanya membutuhkan 22,63 detik. Kombinasi MobileNetV2 dan SVM memberikan keseimbangan performa ideal untuk implementasi pada perangkat bergerak dengan sumber daya terbatas. Kata kunci: klasifikasi batik; MobileNetV2; Support Vector Machine; Hybrid Model; efisiensi komputasi
STUDENT DEPRESSION SCREENING BASED ON THE OPTIMUM DATA BALANCING AND RANDOM FOREST Adnan, M. Sayyidul; Budi Santoso, Irwan; Crysdian , Cahyo
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4458

Abstract

Abstract: Mental health issues, particularly depression among young adult university students, are often detected late due to stigma and reluctance to seek medical consultation. The objective of this study is to develop an early screening model employing machine learning techniques, specifically the random forest algorithm, on a dataset of 268 students (aged 17-29 years; consisting of 98 males and 170 females) within a multicultural educational setting. The principal challenges associated with this dataset are class imbalance and the potential for data leakage from clinical scores. This study implements a rigorous feature selection approach that involves the elimination of depression score features and the utilization of the Synthetic Minority Over-sampling Technique (SMOTE) to balance the training data distribution. Furthermore, a Threshold Tuning strategy is employed to prioritize detection sensitivity (Recall). The findings indicate that reducing the decision threshold to an optimal value of 0.25 led to a substantial enhancement in the recall value, increasing it from 36% (baseline) to 77%. A feature importance analysis was conducted, the results of which indicated that Total Social Connectedness (ToSC) is the most dominant predictor. In summary, the present study corroborates the notion that optimizing sensitivity through threshold tuning is of paramount importance for medical screening. Furthermore, social isolation factors emerge as more significant indicators of depression risk than demographic attributes. Keywords: data mining; depression; imbalanced data; random forest; smote; threshold tuning Abstrak: Masalah kesehatan mental, khususnya depresi di kalangan mahasiswa dewasa muda, sering terdeteksi terlambat akibat stigma dan enggan mencari konsultasi medis. Tujuan studi ini adalah mengembangkan model skrining dini menggunakan teknik machine learning, khususnya algoritma random forest, pada dataset 268 mahasiswa (usia 17-29 tahun; terdiri dari 98 laki-laki dan 170 perempuan) dalam lingkungan pendidikan multikultural. Tantangan utama yang terkait dengan dataset ini adalah ketidakseimbangan kelas dan potensi kebocoran data dari skor klinis. Studi ini menerapkan pendekatan seleksi fitur yang ketat, yang melibatkan eliminasi fitur skor depresi dan penggunaan Teknik Over-sampling Minoritas Sintetis (SMOTE) untuk menyeimbangkan distribusi data pelatihan. Selain itu, strategi Penyesuaian Ambang Batas diterapkan untuk memprioritaskan sensitivitas deteksi (Recall). Hasil penelitian menunjukkan bahwa mengurangi ambang batas keputusan ke nilai optimal 0,25 menyebabkan peningkatan signifikan dalam nilai recall, dari 36% (dasar) menjadi 77%. Analisis pentingnya fitur dilakukan, hasilnya menunjukkan bahwa Total Social Connectedness (ToSC) adalah prediktor yang paling dominan. Secara ringkas, studi ini membenarkan bahwa mengoptimalkan sensitivitas melalui penyesuaian ambang batas sangat penting untuk skrining medis. Selain itu, faktor isolasi sosial muncul sebagai indikator risiko depresi yang lebih signifikan daripada atribut demografis. Kata kunci: penambangan data; depresi; data tidak seimbang; hutan acak; smote; penyesuaian ambang batas
IMPLEMENTATION OF DESIGN THINKING SIAKAD MOBILE DESIGN WITH ADVANCED SUS ANALYSIS Elydiya Yahya, Diva; Muqtadir, Asfan; Nurlifa, Alfian
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 12 No. 2 (2026): Maret 2026
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v12i2.4482

Abstract

Abstract: The development of information technology has begun to enter the world of education, especially universities, one of which is the academic information system because with this system it greatly influences the learning process and also in the delivery of information. A web-based academic information system is very adequate, but there are several obstacles such as in learning that does not require a laptop device, it will be very disruptive if the implementation of attendance and others is done on a mobile phone but with a web view. So this research aims to design a mobile-based UI/UX academic information system application with the hope that it can be an alternative in accessing the use of academic information systems for lecturers and students can also be accessed anytime and anywhere through mobile phones with a comfortable display. This study also tested the UI/UX design prototype to assess its feasibility. This test uses the system usability scale (SUS) method with a convident interval validation of 95% to determine the lower and upper limits of the SUS value. For the final score of SUS obtained was 78.75, and in the 95% CI test a Lower CI of 66.27 was produced, and for the Upper CI of 91.23 so that it was given a grade of B. It can be concluded that the design developed in this study is worthy of further development. Keywords: academic information systems; design thinking; system usability scale Abstrak: Perkembangan teknologi informasi sudah mulai masuk kedalam dunia pendidikan terutama perguruan tinggi, salah satunya sistem informasi akademik karena dengan adanya sistem ini sangat mempengarusi proses pembelajaran dan juga dalam penyampaian informasi. Sistem informasi akademik berbasis web sudah sangat memadai namun ada beberapa kendala seperti dalam pembelajaran yang tidak memerlukan perangkat laptop akan sangat menganggu jika pelaksanaan absensi dan lainya dilakukan pada ponsel tapi dengan tampilan web. Sehingga penelitian ini bertujuan untuk merancang UI/UX aplikasi sistem informasi akademik berbasis mobile dengan harapan dapat menjadi alternatif dalam akses penggunaan sistem informasi akademik bagi dosen dan mahasiswa juga dapat diakses kapan saja dan dimana saja melalui ponsel dengan tampilan yang nyaman. Penelitian ini juga melakukan pengujian terhadap prototype desain UI/UX untuk menilai kelayakannya. Pengujian ini menggunaka metode system usability scale (SUS) dengan validasi convident interval 95% untuk mengetahui batas bawah dan batas atas nilai SUS. Untuk nilai akhir SUS yang didapatkan adalah 78,75, dan dalam pengujian CI 95 % dihasilkan CI Lower 66,27, dan untuk CI Upper 91,23 Sehingga mendapat grade B. Dapat disumpulkan bahwa desain yang dikembangkan dalam penelitian ini layak untuk dikembangkan lebih lanjut. Kata kunci: sistem informasi akademik; desain thinking; system usability scale

Page 72 of 72 | Total Record : 717

 68   69   70   71   72 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 2 (2026): Maret 2026 Vol. 12 No. 1 (2025): Desember 2025 Vol. 11 No. 4 (2025): September 2025 Vol. 11 No. 3 (2025): Juni 2025 Vol 11, No 3 (2025): Juni 2025 Vol. 11 No. 2 (2025): Maret 2025 Vol 11, No 2 (2025): Maret 2025 Vol 11, No 1 (2024): Desember 2024 Vol. 11 No. 1 (2024): Desember 2024 Vol 10, No 4 (2024): September 2024 Vol. 10 No. 4 (2024): September 2024 Vol. 10 No. 3 (2024): Juni 2024 Vol 10, No 3 (2024): Juni 2024 Vol. 10 No. 2 (2024): Maret 2024 Vol 10, No 2 (2024): Maret 2024 Vol 10, No 1 (2023): Desember 2023 Vol. 10 No. 1 (2023): Desember 2023 Vol 9, No 4 (2023): September 2023 Vol. 9 No. 4 (2023): September 2023 Vol 9, No 3 (2023): Juni 2023 Vol 9, No 2 (2023): Maret 2023 Vol 9, No 1 (2022): Desember 2022 Vol 8, No 3 (2022): Agustus 2022 Vol 8, No 2 (2022): April 2022 Vol 8, No 1 (2021): Desember 2021 Vol 7, No 3 (2021): Agustus 2021 Vol 7, No 2 (2021): April 2021 Vol 7, No 1 (2020): Desember 2020 Vol 6, No 3 (2020): August 2020 Vol 6, No 2 (2020): April 2020 Vol 6, No 1 (2019): December 2019 Vol 5, No 2 (2019): Juni 2019 Vol 5, No 1 (2018): Desember 2018 Vol 4, No 2 (2018): Juni 2018 Vol 4, No 1 (2017): Desember 2017 More Issue