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 bandung,
Jawa barat
INDONESIA
MIND (Multimedia Artificial Intelligent Networking Database) Journal
Published by Institut Teknologi Nasional Bandung
ISSN : 25280015     EISSN : 25280902     DOI : -
Core Subject : Science,
Computer Science & IT
Arjuna Subject : -
Articles 9 Documents
 1 
Search results for , issue "Vol 7, No 1 (2022): MIND Journal" : 9 Documents clear
Sistem Otentikasi Biometrik Berbasis Sinyal EKG Menggunakan Convolutional Neural Network 1 Dimensi FAUZI FRAHMA TALININGSIH; YUNENDAH NUR FU’ADAH; SYAMSUL RIZAL; ACHMAD RIZAL; MUHAMMAD ADNAN PRAMUDITO
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.1-10

Abstract

ABSTRAKBiometrik merupakan salah satu analisis karakteristik individu yang saat ini banyak digunakan, seperti sidik jari, pengenalan suara, dan pengenalan wajah. Metode biometrik tersebut masih memiliki kelemahan seperti mudah untuk dimanipulasi. Oleh karena itu, penelitian ini akan menggunakan sinyal Elektrokardiogram (EKG) sebagai salah satu metode biometrik. Sinyal EKG memiliki keunikan pada setiap individu sehingga sulit untuk dimanipulasi. Penelitian ini mengembangkan sistem otentikasi biometrik berbasis sinyal EKG. Data yang digunakan berasal dari ECG-ID database dengan jumlah 90 subjek. Sinyal EKG yang digunakan hanya menggunakan gelombang PQRST sebagai input model Convolutional Neural Network 1 Dimensi (CNN). Hasil akurasi yang diperoleh menunjukkan 92.2%. Dengan demikian, sistem yang dikembangkan memungkinkan digunakan sebagai otentikasi biometrik.Kata kunci: Biometrik, Sinyal EKG, Convolutional Neural NetworkABSTRACTBiometrics is analyses individual characteristics that are currently widely used, such as fingerprints, voice recognition, and face recognition. The biometric method still has weaknesses, such as being easy to manipulate. Therefore, this study will use an Electrocardiogram (ECG) signal as a biometric method. The ECG signal is unique to each individual, so it is not easy to manipulate. This study develops a biometric authentication system based on ECG signals. The data used comes from the ECG-ID database with a total of 90 subjects. The ECG signal used only PQRST waves as input for the 1-Dimensional Convolutional Neural Network (CNN) model. The accuracy results obtained show 92.2%. Thus, the developed system allows it to be used as biometric authentication.Keywords: Biometric, ECG Signal, Convolutional Neural Network
Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara JAKA KUSUMA; B. HERAWAN HAYADI; WANAYUMINI WANAYUMINI; RIKA ROSNELLY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.51-60

Abstract

ABSTRAKPenyebab kematian utama saat ini di dunia salah satunya dikarenakan oleh penyakit kanker. Menurut data Globocan 2018, dengan tingkat kematian rerata 17 per 100.000 jiwa dan insiden sebanyak 2,1 per 100.000 jiwa untuk kanker payudara yang menyerang wanita di Indonesia. Hal ini menjadikan Indonesia menempati peringkat ke-23 di Asia dan ke-8 di Asia Tenggara. Seiring perkembangan teknologi, sistem berbantuan komputer telah membantu orang di berbagai bidang misalnya di bidang medis. Penentuan jenis kanker payudara menggunakan mechine learning dapat membantu ahli patologi melakukan pemeriksaan secara lebih konsisten dan efisien. Pada penelitian ini, akan dilakukan komparasi metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk klasifikasi kanker payudara. Adapun hasil yang didapatkan menunjukan bahwa, dalam klasifikasi metode Multi Layer Perceptron (MLP) dengan fungsi aktivasi Logistic dan fungsi optimisasi Adam memberikan nilai accuracy, precision dan recall terbaik dibandingkan Support Vector Machine yaitu sebesar 97.7%.Kata kunci: Multi Layer Perceptron (MLP), Aktivasi Logistic, Optimisasi Adam, Support Vector Machine (SVM), Kanker PayudaraABSTRACTThe leading cause of death today in the world is due to cancer. According to Globocan 2018 data, with an average mortality rate of 17 per 100,000 people and an incidence of 2.1 per 100,000 people for breast cancer that affects women in Indonesia. This makes Indonesia ranked 23rd in Asia and 8th in Southeast Asia. As technology has evolved, computer-aided systems have helped people in various fields such as in the medical field. Determination of the type of breast cancer using mechine learning can help pathologists perform examinations more consistently and efficiently. In this study, a comparison of the Multi Layer Perceptron (MLP) and Support Vector Machine (SVM) methods will be carried out for breast cancer classification. The results obtained showed that, in the classification of multi layer perceptron (MLP) methods with logistic activation function and Adam optimization function provides the best accuracy, precision and recall value compared to Support Vector Machine which is 97.7%.Keywords: Multi Layer Perceptron (MLP), Logistic Activation, Adam Optimization, Support Vector Machine (SVM), Breast Cancer
Identifikasi Sinyal Congestive Heart Failure dengan Metode Convolutional Neural Network 1D MUHAMMAD ADNAN PRAMUDITO; YUNENDAH NUR FU’ADAH; RITA MAGDALENA; ACHMAD RIZAL; FAUZI FRAHMA TALININGSIH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.11-20

Abstract

ABSTRAKPenyakit jantung merupakan salah satu penyebab utama kematian di dunia. Salah satu penyakit jantung yang perlu diperhatikan adalah congestive heart failure (CHF). CHF adalah suatu kondisi di mana jantung tidak mampu memompa darah ke seluruh tubuh. Penyakit ini dapat didiagnosis dengan EKG. Oleh karena itu, pada penelitian ini dibuat sebuah sistem yang dapat mengidentifikasi penyakit CHF secara otomatis menggunakan metode convolutional neural network (CNN) dengan 4 hidden layer dan 16 output channel, fully connected layer, dan aktivasi Softmax. Data yang digunakan dalam penelitian ini diambil dari MITBIH dan BIDMC. Penlitian ini memberikan akurasi 100%, sehingga deteksi penyakit CHF otomatis membantu staf medis mendiagnosis pasien untuk menerima perawatan yang tepat.Kata kunci: Elektrokardiogram (EKG), Convolutional Neural Network (CNN), Normal Sinus Rhythm (NSR), Congestive Heart Failure (CHF)ABSTRACTHeart disease is one of the leading causes of death in the world. One of the heart diseases that need to be considered is congestive heart failure (CHF). CHF is a condition in which the heart is unable to pump blood throughout the body. ECG can diagnose this disease. Therefore, this study created a system that can automatically identify CHF disease using the convolutional neural network (CNN) method with four hidden layers and 16 output channels, a fully connected layer, and Softmax activation. The data used in this study were taken from MIT-BIH and BIDMC. In this study provides 100% accuracy. Automated CHF disease detection helps medical staff diagnose patients to receive appropriate treatment.Keywords: Electrocardiogram (ECG), Convolutional Neural Network (CNN), Normal Sinus Rhythm (NSR), Congestive Heart Failure (CHF) 
Perbandingan Algoritma YOLOv4 dan Scaled YOLOv4 untuk Deteksi Objek pada Citra Termal AZIZAH AULIA RAHMAN; SISLY DESTRI AGUSTIN; NUR IBRAHIM; NOR CAECAR KUMALASARI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.61-71

Abstract

ABSTRAKMinimnya visibilitas pejalan kaki dan pengendara pada malam hari karena kurangnya pencahayaan pada lampu jalan menyebabkan kecelakaan rentan terjadi pada rentang waktu tersebut. Sistem penglihatan komputer berbeda dengan manusia, semua objek dengan suhu di atas nol dapat memancarkan radiasi inframerah jika direkam menggunakan kamera termal. Dalam penelitian ini penulis mengidentifikasi citra termal dalam bentuk citra RGB dengan algoritma YOLOv4 dan Scaled YOLOv4 sebagai deteksi objek. Performa sistem diukur berdasarkan nilai presisi, recall, f1-score, dan mAP. Eksperimen dilakukan pada dataset citra termal dengan objek manusia. Skenario yang digunakan adalah mendeteksi objek dengan jarak 5m, 10m, 15m, dan 20m. Hasil deteksi didapatkan algoritma Scaled YOLOv4 CSP lebih unggul dengan nilai pengujian precision 94,3%, recall 83,8%, f1-Score 88,7%, dan mAP 86,9%. Hasil tersebut dipengaruhi oleh ukuran citra dan jumlah dataset dari citra training, citra validation, dan citra uji.Kata kunci: Citra Termal, YOLO, YOLOv4, Scaled-YOLOv4, Deteksi ObjekABSTRACTThe lack of visibility of pedestrians and drivers at night due to lack of lighting in street lights makes accidents prone to occur during this time. The computer vision system is different from the humans, any object with a temperature above zero can emit infrared radiation when using a thermal camera. In this study, the authors identify thermal images in RGB using YOLOv4 and Scaled YOLOv4 as object detection algorithms. System performance is measured based on the value of precision, recall, f1-score, and mAP. Experiments were carried out on a thermal image dataset with human objects. The scenario used was to detect objects at a distance of 5m, 10m, 15m, and 20m. The detection results show that Scaled YOLOv4 CSP algorithms is the best, based on the test value of 94.3% precision, 83.8% recall, 88.7% f1-Score, and 86.9% mAP. These results are influenced by the size of the image and the number of datasets from training images, validation images, and test images.Keywords: Thermal Image, YOLO, YOLOv4, Scaled-YOLOv4, Object Detection
Deteksi Objek Kereta Api menggunakan Metode Faster R-CNN dengan Arsitektur VGG 16 JASMAN PARDEDE; HENDRI HARDIANSAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.21-36

Abstract

ABSTRAKKereta merupakan sebuah alat transportasi umum yang sering digunakan oleh masyarakat untuk berpergian dari kota asal ke kota tujuan. Mereka membutuhkan akan sarana transportasi umum untuk mempermudah aktifitas mereka. Namun kecelakaan di persimpangan jalan raya yang terlintasi oleh kereta api memiliki angka yang cukup besar akibat kelalaian dari petugas untuk menutup palang pintu kereta api. Maka dari itu penelitian ini dibuat agar mengetahui keberadaan kereta api berdasarkan jarak dan tingkat cahayanya dari siang sampai malam hari. Sistem dibangun menggunakan metode Faster RCNN dengan model arsitektur VGG16 untuk mengetahui keberadaan objek kereta api antara lokomotif dan gerbong berdasarkan tingkat cahaya dan jarak terhadap objek. Setelah dilakukan pengujian dengan jarak paling dekat ±2 meter sampai ±250 meter, diperoleh rata-rata akurasi untuk lokomotif sebesar 79,09%, dan akurasi untuk gerbong sebesar 97,05%. Sistem memperoleh keakurasian deteksi terhadap objek rata-rata akurasi deteksi objek lokomotif sebesar 86,40%, dan rata-rata akurasi deteksi objek gerbong sebesar 97,23%.Kata kunci: Deteksi Objek, Faster RCNN, VGG, Kereta Api, Jarak, LuxABSTRACTRailway is a public transportation that is often used by the public to travel from the home town to the destination city. They need public transportation to facilitate their activities. But accidents at the intersection of the highway crossed by the train has a considerable number due to the negligence of the officer to close the railway stopbars. Therefore, this study was made to know the existence of trains based on their distance and light level from day to night. The system was built using the Faster RCNN method with the VGG16 architectural model to determine the existence of railway objects between locomotives and carriages based on the level of light and distance to the object. After testing with the closest distance of ±2 meters to ±250 meters, obtained an average accuracy for locomotives of 79.09%, and accuracy for carriages of 97.05%. The system obtained accuracy of detection of objects with an average detection accuracy of locomotive objects of 86.40%, and an average detection accuracy of car objects of 97.23%.Keywords: Object Detection, Faster RCNN, VGG, Railway, Distance, Lux
Implementasi Single-Hop Wireless Sensor Network pada Lintasan Mobil Remote Control LISA KRISTIANA; MUHAMMAD RAFLY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.72-86

Abstract

ABSTRAKPenerapan teknologi dalam sistem pemantauan dapat mengatasi kelemahan pada pemantauan secara manual. Untuk meningkatkan kualitas pemantauan, diperlukan suatu sistem yang dapat memantau mobil remote control yang berada di lintasan. Wireless Sensor Network (WSN) merupakan teknologi yang dapat meningkatkan efisiensi pemantauan secara otomatis pada area tertentu. WSN pada lintasan menerapkan sistem komunikasi Single-Hop. Sistem Single-Hop menggunakan sensor node (obstacle infrared) untuk mendeteksi mobil di area lintasan, lalu dikirim langsung oleh sink node ke server dengan menggunakan ESP8266-01. Arsitektur WSN menggunakan Topologi Point to Point terhubung langsung antara sensor node dengan Access Point. Metode pengiriman Single-Hop menggunakan Transmission Control Protocol/Internet Protocol (TCP/IP). Hasil pengujian TCP/IP berdasarkan jarak baca sensor menggunakan parameter Quality of Service (QoS) meliputi parameter Delay, Jitter, Throughput, Packet loss, menghasilkan delay, jitter dan throughput yang sangat baik dan stabil, dan paket loss 0%. Kemudian TCP/IP menguji tingkat akurasi pengiriman data ke server sebanyak 400 kali menghasilkan tingkat akurasi 100%.Kata kunci: lintasan mobil remote control, single-hop wireless sensor network ABSTRACTApplication of technology in monitoring system can overcome weaknesses in manual monitoring. To improve quality of monitoring, need system that can monitor remote control cars on track. Wireless Sensor Network (WSN) is technology that can increase monitoring efficiency automatically in certain areas. WSN on track implements Single-Hop communication system. Single-Hop system uses sensor node (obstacle infrared) to detect cars in the track area, then sent directly by sink node to server using ESP8266-01. WSN architecture uses  Point to Point topology connected directly between  sensor nodes and Access Point. Single-Hop delivery method uses Transmission Control Protocol/Internet Protocol (TCP/IP). TCP/IP test results based on sensor reading distance using Quality of Service (QoS) parameters including Delay, Jitter, Throughput, Packet loss parameters, resulting in excellent and stable delay, jitter and throughput, and 0% packet loss. Then TCP/IP tests the accuracy of sending data to server 400 times resulting in an accuracy rate of 100%.Keywords: remote control car track, single-hop wireless sensor network
Rancang Bangun Robo-Advisor untuk Pendanaan Rumah Syariah Berbasis Aplikasi Bergerak JAYA KUNCARA ROSA SUSILA; PUJO LAKSONO; MUHAMMAD AFIT
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.98-110

Abstract

ABSTRAKPembiayaan properti berbasis syariah saat ini meningkat seiring dengan kesadaran ummat muslim dalam menjalankan agamanya. Persetujuan pembelian properti syariah lebih diniatkan untuk membantu ummat mendapatkan rumah namun ini menjadi kendala karena ditemukan ada cicilan yang macet setelah beberapa waktu. Perlu dibangun sistem pendukung keputusan yang berfokus pada pendampingan dan rekomendasi skema pembiayaan properti syariah. Parameter masukan sebanyak 12 variabel profil calon pembeli yang diambil dari formulir surat persetujuan pembelian rumah (SPPR), sedangkan targetnya adalah persetujuan pembelian yang diperoleh dari sistem kecerdasan artifisial. Untuk mendapatkan model yang optimal, dilakukan perbandingan 3 model, yaitu logaritmic regression, decision tree, dan random forest. Random forest memiliki tingkat akurasi tertinggi, yaitu 90,831%. Framework Flask digunakan sebagai aplikasi web yang dikonversi menjadi aplikasi bergerak.Kata kunci: kecerdasan artifisial, robo-advisor, sistem pendukung keputusan, random forest, flaskABSTRACTSharia-based property financing is currently increasing along with the awareness of Muslims in practicing their religion. The approval for the purchase of sharia property is intended to help the community get a house, but this is an obstacle because it is found that there are installments that are stuck after some time. It is necessary to build a decision support system that focuses on mentoring and recommending sharia property financing schemes. The input parameters are 12 profile variables of prospective buyers taken from the house purchase approval letter form (SPPR), while the target is purchase approval obtained from an artificial intelligence system. To get the optimal model, a comparison of 3 models was made, namely logarithmic regression, decision tree, and random forest. Random forest has the highest accuracy rate, which is 90.831%. The Flask framework is used as a web application that is converted into a mobile application.Keywords: artificial intelligence, robo-advisor, decision support system, random forest, flask
Identifikasi Diagnosa Kategori Covid Varian Omicron dengan Flu Biasa dan Faringitis menggunakan Metode Certainty Factor DEDDY PRIHADI; BEI HARIRA IRAWAN; MANASE SAHAT H SIMARANGKIR
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.87-97

Abstract

ABSTRAKAngka kenaikan pasien Covid-19 khususnya varian omicron mulai menunjukkan kenaikan signifikan mulai awal tahun 2022 ini. Gejala varian omicron yang hampir mirip dengan influenza dan faringitis menyebabkan masyarakat cukup sulit membedakan apakah terkena Covid-19 varian omicron atau hanya influenza atau faringitis. Penelitian ini menggunakan metode sistem pakar Certainty Factor untuk memberikan kepastian dari sebuah ketidakpastian akan gejala Covid-19 varian omicron ini. Dari hasil pengujian sampel dengan gejala demam, kelelahan, pegal-pegal, sakit kepala, sakit menelan dan pilek, diperoleh nilai persentase keyakinan penyakit Covid-19 yaitu 68,94%, penyakit influenza sebesar 56,32% dan penyakit faringitis sebesar 49,17%. Nilai persentase keyakinan terbesar dari masing-masing penyakit adalah 68,94% yaitu kemungkinan pasien menderita penyakit Covid-19 varian omicron.Kata kunci: omicron, influenza, faringitis, certainty factor, sistem pakarABSTRACTThe increase in the number of Covid-19 patients, especially the omicron variant, began to show a significant increase starting in early 2022. The symptoms of the omicron variant, which are almost similar to influenza and pharyngitis, make it quite difficult for people to distinguish whether they have the omicron variant of Covid-19 or just influenza or pharyngitis. This study uses the Certainty Factor expert system method to provide certainty from an uncertainty about the symptoms of this omicron variant of Covid-19. From the results obtained from  several testing samples with symptoms of fever, fatigue, aches, headaches, swallowing and runny nose, the confidence value for Covid-19 disease is 68.94%, for influenza disease is 56.32 % and for pharyngitis is 49.17%. The largest confidence value for each disease is 68.94%, which is the possibility of the patient suffering from the omicron variant of Covid-19 disease.Keywords: omicron, influenza, pharyngitis, certainty factor, expert system
Peningkatan Random Forest dengan menerapkan GLCM (Gray Level Co-Occurence Matrix) pada Klasifikasi Leaf Blast Tumbuhan Padi YUSUP MIFTAHUDDIN; SOFIA UMAROH; ADLEO MALIK YAMANI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 1 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i1.37-50

Abstract

ABSTRAKPenyakit leaf blast disebabkan oleh jamur yang bernama Pyricularia Grisea yang dapat menginfeksi daun padi  dan menyebabkan gejala penyakit seperti bercak yang berbentuk seperti belah ketupat yang berwarna coklat yang dapat mengakibatkan kematian pada tanaman. Tingkat  penyebaran  penyakit  leaf blast  sudah  meluas  hingga di Indonesia yakni pada sentra-sentra produksi padi. Penelitian dilakukan untuk mengidentifikasi Daun Padi dengan ekstraksi ciri GLCM dan klasifikasinya dengan menerapkan metode Random Forest. Jumlah data uji sebanyak 200 yang terdiri dari 100 data daun padi sehat dan 100 data daun padi berpenyakit leaf blast. Penelitian menguji keberhasilan identifikasi penyakit leaf blast dan tidak berpenyakit leaf blast. Pengujian dilakukan dengan berbagai skema yaitu 40 data uji, 80 data uji, 120 data uji, 160 data uji dan 200 data uji. Pengujian menghasilkan nilai akurasi optimal pada data uji 200 sebesar 65%, recall 65%, precision 64% dan F-measure 65% dengan rata – rata pengujian waktu klasifikasi Random Forest sebesar 0.3522s.Kata kunci: Leaf blast, Random Forest, Padi, GLCM ABSTRACTLeaf blast is a disease caused by a fungus called Pyricularia Grisea which can infect rice leaves and cause disease symptoms such as brown rhombus-shaped spots that can cause plant death. The level of spread of leaf blast disease has spread to Indonesia, namely in rice production centers. The research was conducted to identify Rice Leaf with GLCM feature extraction and classification by applying the Random Forest method. The number of test data was 200 consisting of 100 data of healthy rice leaves and 100 data of rice leaves with leaf blast disease. The study tested the success of identification of leaf blast disease and not leaf blast disease. The tests were carried out with various schemes, namely 40 test data, 80 test data, 120 test data, 160 test data and 200 test data. The test resulted in the optimal accuracy value on the 200 test data of 65%, recall 65%, precision 64% and F-measure 65% with an average testing time of Random Forest classification of 0.3522sKeywords: Leaf blast, Random Forest, Gray-level Cooncurrence Matrix, GLCM

Page 1 of 1 | Total Record : 9

 1 

Filter by Year

2022 2022


Reset
Filter By Issues
All Issue Vol 10, No 2 (2025): MIND Journal Vol 10, No 1 (2025): MIND Journal Vol 9, No 2 (2024): MIND Journal Vol 9, No 1 (2024): MIND Journal Vol 8, No 2 (2023): MIND Journal Vol 8, No 1 (2023): MIND Journal Vol 7, No 2 (2022): MIND Journal Vol 7, No 1 (2022): MIND Journal Vol 6, No 2 (2021): MIND Journal Vol 6, No 1 (2021): MIND Journal Vol 5, No 2 (2020): MIND Journal Vol 5, No 1 (2020): MIND Journal Vol 4, No 2 (2019): MIND Journal Vol 4, No 1 (2019): MIND Journal Vol 3, No 2 (2018): MIND Journal Vol 3, No 2 (2018): MIND Journal Vol 3, No 1 (2018): MIND Journal Vol 3, No 1 (2018): MIND Journal Vol 2, No 2 (2017): MIND Journal Vol 2, No 2 (2017): MIND Journal Vol 2, No 1 (2017): MIND Journal Vol 2, No 1 (2017): MIND Journal Vol 1, No 2 (2016): MIND Journal Vol 1, No 2 (2016): MIND Journal Vol 1, No 1 (2016): MIND Journal Vol 1, No 1 (2016): MIND Journal More Issue