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 209 Documents
 17   18   19   20   21 
Perancangan Aplikasi Tracer Study berbasis Web berdasarkan Kriteria IKU MOHAMAD, YASIN; DAKO, RAHMAT DEDDY RIANTO; LAHABU, FIRMANSYAH
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 9, No 2 (2024): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v9i2.194-205

Abstract

ABSTRAKJurusan Teknik Elektro dan Komputer Universitas Negeri Gorontalo (UNG) memiliki sistem informasi untuk mengelola kegiatan administrasi dan akademik, yang dinamakan dengan SIATEK. Namun, sistem tersebut belum memiliki fitur tracer study untuk mengelola data lulusan, sehingga pemetaan profil lulusan yang berkualitas berdasarkan Indikator Kinerja Utama (IKU) 1 belum tercapai. Penelitian ini bertujuan merancang modul tracer study berbasis web untuk Jurusan Teknik Elektro dan Komputer UNG. Metode Lean Software Development (LSD) untuk meningkatkan efisiensi waktu penelitian. Pengujian menggunakan metode blackbox equivalence partitions dengan menguji fungsionalitas 9 form dan 2 menu dengan 58 skenario perlakuan. Hasil pengujian menghasilkan 11 fitur yang diuji memberikan respon dari sisi fungsional berjalan dengan lancar dan sesuai dengan spesfikasi yang ditetapkan. Hasil penelitian ini adalah website tracer study yang sudah memenuhi kriteria IKU 1, mencakup kriteria pekerjaan, kelanjutan studi, dan kewirausahaan. Implementasi metode LSD terbukti efektif dalam merancang modul tracer study dengan waktu hanya dua bulan.Kata Kunci: Tracer Study, Lean Software Development, Indikator Kinerja UtamaAbstractThe Electrical and Computer Engineering Department of Universitas Negeri Gorontalo (UNG) has an information system called SIATEK that manages administrative and academic activities. However, the system does not yet have a tracer study feature to manage graduate data. So, the mapping of quality graduate profiles based on Indikator Kinerja Utama (IKU) 1 has not been achieved. This study aims to design a web-based tracer study module for the Electrical and Computer Engineering Department of UNG. The Lean Software Development (LSD) method is applied to improve the efficiency of research time. Testing was done using the blackbox equivalence partitions method by testing the functionality of 9 forms and 2 menus with 58 treatment scenarios. The test results showed that the 11 features tested responded to the functional side, running smoothly and following the specified specifications. The result of this study is a tracer study website that has met the KPI 1 criteria, which includes job criteria, continuing studies, and entrepreneurship. The implementation of the LSD method has proven effective in designing a tracer study module in only two months.Keywords: Tracer Study, Lean Software Development, Key Performance Indicator
Pengujian Model Klasifikasi Kesegaran Daging Sapi Berbasis GLCM (Gray Level Co-occurrence Matrix) dan Algoritma Machine Learning RAMDANI, MUHAMAD IKBAL; HANDAYANI, HANNY HIKMAYANTI; WICAKSANA, YUSUF EKA; AL-MUDZAKIR, TOHIRIN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.73-88

Abstract

AbstrakDaging sapi merupakan sumber hewani yang penting, namun konsumsi masyarakat Indonesia masih rendah dan harga yang terus meningkat mendorong adanya praktik curang, seperti mencampur daging segar dan tidak segar. Hal ini berdampak pada kesehatan karena daging sapi tidak segar mengandung bakteri berbahaya. Penelitian ini dilakukan untuk mengklasifikasikan kesegaran daging sapi dengan memanfaatkan metode ekstraksi fitur Gray Level Co-occurrence Matrix (GLCM) dan algoritma Random Forest serta Decision Tree. Penelitian ini menggunakan 400 data citra augmentasi dan dibagi menjadi 238 data latih dan 160 data uji atau dengan rasio 60:40. Hasil penelitian ini menunjukkan Accuracy sebesar 93% untuk Random Forest dan 88% untuk Decision Tree.Kata kunci: Daging Sapi, Klasifikasi Citra, Gray Level Co-ccurrence Matrix (GLCM), Random Forest, Decision TreeAbstractBeef is a vital source of animal protein. However, its consumption in Indonesia remains relatively low. The continuous increase in beef prices has led to fraudulent practices, such as mixing fresh and non-fresh meat, which poses serious health risks due to the presence of harmful bacteria in spoiled meat. This research aims to classify the freshness level of beef using feature extraction techniques through the Gray Level Co-occurrence Matrix (GLCM) and the Random Forest Algorithm. The study uses 400 augmented image data, divided into 238 training data and 160 testing data with a 60:40 ratio. The results show that the Random Forest algorithm achieved an Accuracy of 93%, while the Decision Tree reached 88%.Keywords: Beef, Image Classification, Gray Level Co-occurrence Matrix (GLCM), Random Forest, Decision Tree
Sistem Rekomendasi Perguruan Tinggi Swasta Menggunakan Metode LSTM ARDAN, MOHAMAD; MAWARDI, VINY CHRISTANTI; SUTRISNO, TRI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.18-33

Abstract

AbstrakPenelitian ini bertujuan mengembangkan sistem rekomendasi berbasis Long Short-Term Memory (LSTM) untuk membantu calon mahasiswa dalam memilih perguruan tinggi swasta yang sesuai. Data dikumpulkan melalui UiPath dari situs resmi perguruan tinggi dan Pangkalan Data Pendidikan Tinggi (PDDIKTI). Sistem ini dilengkapi dengan chatbot berbasis Natural Language Processing (NLP) untuk memahami kebutuhan pengguna dan memberikan informasi sesuai dengan preferensi pengguna. Pemilihan model LSTM didasarkan pada kemampuannya dalam menangani data sekuensial dan memahami konteks, sehingga mampu menghasilkan rekomendasi yang akurat. Hasil evaluasi menunjukkan tingkat akurasi rekomendasi sebesar 90% dalam memberikan rekomendasi dan informasi yang tepat. Selain itu, tingkat kepercayaan chatbot dalam menjawab pertanyaan pengguna mencapai 100%, menunjukkan efektivitas tinggi dalam memberikan  berbasis data.Kata kunci: chatbot, rekomendasi, LSTM, web scraping, PDDIKTI.AbstractThis research aims to develop a recommendation system based on Long Short-Term Memory (LSTM) to assist prospective students in choosing a suitable private university. Data was collected through UiPath from the official websites of universities and the Higher Education Database (PDDIKTI). The system is equipped with a Natural Language Processing (NLP) based chatbot to understand user needs and provide information according to user preferences. The selection of the LSTM model is based on its ability to handle sequential data and understand context, so as to produce accurate recommendations. The evaluation results show a recommendation accuracy rate of 90% in providing the right recommendations and information. In addition, the level of confidence of the chatbot in answering user questions reached 100%, indicating high effectiveness in providing data-based.Keywords: chatbot, recommendation, LSTM, web scraping, PDDIKTI.
Sarana Pelaporan Angka Bebas Jentik dan Deteksi Jentik Nyamuk menggunakan Deep Learning YUANA, DIA BITARI MEI; AGASTA, IRA AMELIA; SAPUTRO, MUHAMMAD ADI; ROHMAH, ETIK AINUN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.89-98

Abstract

AbstrakDemam Berdarah Dengue (DBD) masih menjadi masalah kesehatan utama di Indonesia. Kabupaten Jember mencatat 1.627 kasus pada tahun 2024, dengan Angka Bebas Jentik (ABJ) hanya mencapai rata-rata 92%, di bawah standar nasional >95%. Penelitian ini mengembangkan sistem deteksi jentik nyamuk otomatis menggunakan metode Deep Learning berbasis CNN dan GRU. Fitur visual diekstraksi melalui model InceptionV3, kemudian dianalisis secara sekuensial oleh GRU untuk klasifikasi larva. Hasil menunjukkan model mencapai akurasi pelatihan dan pengujian dengan performa optimal pada epoch ke-20 sebesar 99.19%, loss 0.0419. Jika dibandingkan dengan metode sebelumnya (AOA) yang hanya mencapai 84%, pendekatan ini terbukti lebih akurat dan tahan terhadap variasi kondisi data.Kata kunci: Demam Berdarah Dengue, Aedes aegypti, Angka Bebas Jentik, Deep Learning, Gated Recurrent Unit, Deteksi OtomatisAbstractDengue Hemorrhagic Fever (DHF) remains a major public health issue in Indonesia. In 2024, Jember Regency recorded 1,627 cases, with the Larvae Free Index (LFI) averaging only 92%, below the national standard of >95%. This study developed an automatic mosquito larvae detection system using a Deep Learning approach based on CNN and GRU. Visual features were extracted using the InceptionV3 model and then analyzed sequentially by the GRU for larval classification. The results showed that the model achieved optimal training and testing performance at the 20th epoch with 99.19% accuracy and a loss of 0.0419. Compared to the previous method AOA, which achieved only 84% accuracy, this approach proved to be more accurate and robust against variations in data conditions.Keywords: Dengue Hemorrhagic Fever, Aedes aegypti, Larvae-Free Rate, Deep Learning, Gated Recurrent Unit, Automated Detection
Classification of Fresh and Rotten Fruits and Vegetables Using a Customized Convolutional Neural Network UBAIDILLAH, M SYAFIQ; INDRARTO, REYHAN DANY; ROLLIAWATI, DWI; YUSUF, AHMAD
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.34-47

Abstract

This research aims to develop a customized Convolutional Neural Network (CNN) model based on ResNet-18 for classifying fruit and vegetable types and freshness. The Fresh and Rotten dataset was used to train and test the model, consisting of 30,357 images across nine fruit and vegetable categories. The model employs three additional blocks to enhance classification capabilities. The study results indicate an average accuracy of 98% for freshness classification and 99% for fruit and vegetable type classification, with consistent training and validation performance. Data augmentation and normalization methods also improved the model's generalization capabilities. These findings highlight CNN's potential as a reliable tool for agricultural product management, supporting efficient distribution and maintaining product quality.
Pendekatan Unsupervised learning dalam Segmentasi Kesehatan: Perbandingan K-Means dan DBSCAN MASRURIYAH, ANIS FITRI NUR; MARDIAH, MARDIAH; ANANDA, MUHAMMAD DWI; MALIK, KARENINA NURMELITA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.99-113

Abstract

AbstrakSegmentasi kesehatan berbasis data pemeriksaan medis penting untuk mendukung strategi pencegahan penyakit. Penelitian ini membandingkan metode clustering K-Means dan DBSCAN menggunakan Silhouette Score dan Davies-Bouldin Index. Hasil menunjukkan bahwa K-Means dengan 8 cluster memberikan performa terbaik dengan Silhouette Score 0.2972 dan Davies-Bouldin Index 1.2934, dibandingkan konfigurasi lainnya. DBSCAN memperoleh Silhouette Score 0.2837, menunjukkan pendekatan berbasis densitas juga efektif dalam pengelompokan data. Dengan hasil ini, K-Means dengan 8 cluster dipilih sebagai metode terbaik untuk segmentasi kesehatan dalam penelitian ini. Temuan ini dapat mendukung analisis data medis untuk pencegahan penyakit yang lebih efektif dan personal.Kata kunci: Segmentasi Kesehatan, Clustering, K-Means, DBSCAN, Silhouette Score, Davies-Bouldin IndexAbstractHealth segmentation based on medical examination data plays a crucial role in supporting disease prevention strategies. This study compares K-Means and DBSCAN clustering methods, evaluated using Silhouette Score and Davies-Bouldin Index, to identify the most effective segmentation approach. Experimental results indicate that K-Means with 8 clusters achieves the best performance, yielding a Silhouette Score of 0.2972 and a Davies-Bouldin Index of 1.2934, outperforming other configurations. Meanwhile, DBSCAN attains a Silhouette Score of 0.2837, demonstrating the efficacy of density-based clustering in handling medical data. Based on these findings, K-Means with 8 clusters emerges as the most optimal method for health segmentation in this study. These insights contribute to the advancement of data-driven disease prevention strategies and personalized healthcare management..Keywords: Health Segmentation, Clustering, K-Means, DBSCAN, Silhouette Score, Davies-Bouldin Index
Sensor MOS Hidung Elektronik untuk Membedakan Thrips dan Spodoptera pada Stroberi HAQ, FAJRIN NURUL; ALFATAH, REZA FIKRI; PRATAMA, MULKI REZKA BUDI; RISWANTO, SAHRUL; RAHMAN, AYU SUCI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.48-60

Abstract

AbstrakPenelitian ini mengevaluasi efektivitas hidung elektronik berbasis sensor MOS, yaitu sensor TGS dan MQ, dalam mendeteksi dan membedakan hama thrips dan Spodoptera litura pada tanaman stroberi. Data volatil yang dihasilkan oleh tanaman diamati menggunakan sensor E-nose yang terhubung dengan model jaringan saraf tiruan Backpropagation (BPPN). Dengan penyetelan GridSearchCV, akurasi deteksi meningkat secara signifikan, terutama pada sensor TGS, yang menunjukkan kinerja lebih baik dibandingkan sensor MQ. Teknologi ini menawarkan pendekatan deteksi hama yang sensitif, tidak merusak, dan ramah lingkungan, dengan potensi untuk mendukung pengelolaan hama secara berkelanjutan dalam budidaya stroberi. Penelitian ini memberikan peluang baru untuk inovasi di bidang pertanian pintar dengan pengurangan penggunaan pestisida yang berlebihan dan optimalisasi strategi pengelolaan hama. Kata kunci: hidung elektronik, deteksi, trips, spodoptera, stroberiAbstractThis study evaluates the effectiveness of metal oxide semiconductor (MOS) electronic noses, specifically the TGS and MQ sensors, in detecting and distinguishing between thrips and Spodoptera litura pests on strawberry plants. Volatile compounds produced by the plants were analyzed using an E-nose connected to a Backpropagation Neural Network (BPNN) model. The GridSearchCV optimization significantly improved detection accuracy, particularly for the TGS sensor, which outperformed the MQ sensor. This technology offers a sensitive, non-invasive, and environmentally friendly approach to pest detection, supporting sustainable pest management in strawberry cultivation. The study opens new opportunities for smart agricultural innovations, reducing excessive pesticide use and optimizing pest control strategies. Keywords: electronic nose, detection, thrips, spodoptera, strawberry
Klasifikasi Halaman SEO Berbasis Machine Learning Melalui Mutual Information dan Random Forest Feature Importance NURADILLA, SITI; SADIK, KUSMAN; SUHAENI, CICI; SOLEH, AGUS M
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.114-129

Abstract

AbstrakProses optimasi SEO melibatkan banyak faktor yang saling terkait, sehingga sulit bagi tim SEO dalam menentukan halaman mana yang memerlukan perbaikan lebih lanjut. Penelitian ini bertujuan untuk mengembangkan model berbasis machine learning yang tidak hanya akurat dalam mengklasifikasikan halaman, tetapi juga efisien dalam memilih fitur yang paling informatif. Metode yang digunakan dalam penelitian ini melibatkan seleksi fitur menggunakan Mutual Information (MI) dan Random Forest Feature Importance (RFFI) untuk mengidentifikasi faktor-faktor yang paling penting untuk optimasi SEO, yang dimodelkan menggunakan Random Forest dan Weighted Voting Ensemble (WVE). Model dievaluasi berdasarkan Accuracy, Precision, Recall, dan ROC AUC. Hasil penelitian menunjukkan bahwa model Random Forest dengan 20 fitur berdasarkan RFFI, memberikan performa terbaik dengan ROC AUC sebesar 75.87%, Accuracy 77,74%, Precision 60,51%, dan Recall 71.29%. Model mampu membedakan secara efektif halaman yang membutuhkan optimasi SEO atau tidak.Kata kunci: Feature Importance, Random Forest, SEO, Seleksi Variabel, WVEAbstractThe SEO optimization process involves many interrelated factors, making it challenging to identify which pages need further improvement. This study proposes a machine learning-based model that is accurate in classifying web pages and efficient in selecting the most relevant features. Feature selection is performed using Mutual Information (MI) and Random Forest Feature Importance (RFFI) to identify key factors for SEO optimization, followed by modeling with Random Forest and Weighted Voting Ensemble (WVE). The model is evaluated using Accuracy, Precision, Recall, and ROC AUC. Results indicate that the Random Forest model with 20 features selected via RFFI delivers the best performance, achieving a ROC AUC of 75.87%, Accuracy of 77.74%, Precision of 60.51%, and Recall of 71.29%. The model effectively distinguishes between pages that require SEO optimization and those that do not.Keywords: Feature Importance, Random Forest, SEO, Variable Selection, WVE
Kinerja BART dalam Automatic Summarization Berita Otomotif TAKESHI, CECILIANA; MAWARDI, VINY CHRISTANTI; PERDANA, NOVARIO JAYA
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.61-72

Abstract

ABSTRAKIndustri otomotif menghadapi tantangan besar dalam mengelola dan menyajikan informasi yang relevan serta terstruktur di tengah meningkatnya volume data digital. Penelitian ini memperkenalkan sistem pencarian dan peringkasan berbasis teks menggunakan model BART (Bidirectional and Auto-Regressive Transformers) untuk meningkatkan efisiensi pencarian informasi dan peringkasan konten. Sistem ini mengintegrasikan web scraping, preprocessing teks, TF-IDF, dan teknik cosine similarity untuk mengekstrak dan memproses data, menghasilkan hasil yang ringkas dan akurat. Evaluasi menggunakan metrik ROUGE dan umpan balik pengguna menunjukkan kemampuan sistem dalam menghasilkan ringkasan yang informatif dan efisien dengan waktu pemrosesan yang lebih cepat. Sistem ini mencapai performa sebesar rata rata 78.5 berdasarkan evaluasi yang dilakukan. Temuan ini menyoroti efektivitas BART dalam menangani data otomotif yang kompleks dan memenuhi kebutuhan pengguna untuk mendapatkan ringkasan berita yang relevan, mendukung pengambilan keputusan berbasis data di sektor otomotif.Kata kunci: Pencarian Informasi, BART, NLP, Otomotif, Peringkasan Teks.ABSTRACTThe automotive industry faces significant challenges in managing and presenting relevant and structured information amidst the growing volume of digital data. This study introduces a text-based search and summarization system using the BART (Bidirectional and Auto-Regressive Transformers) model to enhance the efficiency of information retrieval and content summarization. The system integrates web scraping, text preprocessing, TF-IDF, and cosine similarity techniques to extract and process data, delivering concise and accurate results. Evaluations using ROUGE metrics and user feedback demonstrate the system’s ability to produce informative and efficient summaries with reduced processing time. The system achieved a performance average score of 78.5 based on the evaluation. The findings highlight the effectiveness of BART in handling complex automotive data and meeting user needs relevant news summaries, thereby supporting data-driven decision-making in the automotive sector.Keywords: Information Retrieval, BART, NLP, Automotive, Text Summarization.
Integrasi Logika Fuzzy dengan Teknologi Cerdas: Tinjauan Sistematis atas Peluang, Tantangan, dan Arah Masa Depan NURHASANAH, YOULLIA INDRAWATY; KURNIA, EMA; SUTARTI, SUTARTI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 1 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i1.1-17

Abstract

ABSTRAKPengembangan sistem logika fuzzy telah mengalami kemajuan pesat sejak awal diperkenalkan. Studi ini menyajikan tinjauan literatur untuk mengeksplorasi berbagai metodologi logika fuzzy dan aplikasi di berbagai sektor, seperti sistem kontrol, prediksi cuaca, diagnosa medis, dan lainnya. Kajian ini juga mencakup integrasi fuzzy dengan teknologi modern seperti IoT, Big Data, dan kecerdasan buatan (AI), yang telah mendorong penerapan lebih luas dan efisien. Selain menyoroti pencapaian, makalah ini membahas tantangan dalam interpretabilitas, efisiensi komputasi, dan adaptabilitas metode fuzzy dalam menghadapi kompleksitas teknologi dan data modern. Studi ini mengkaji pentingnya pengembangan lebih lanjut terhadap integrasi dengan AI untuk memastikan relevansi dan kontribusi logika fuzzy terhadap solusi cerdas di masa depan. Dengan demikian, penelitian ini menyediakan arah yang strategis untuk eksplorasi lebih lanjut, terutama terkait tantangan teknis dan peluang inovasi dalam domain ini.Kata kunci: AI, Big Data, IoT, Logika Fuzzy, Tantangan TeknologiABSTRACTThe development of fuzzy logic systems has progressed rapidly since its introduction. This study presents a review of recent literature to explore various fuzzy logic methodologies and applications in various sectors, such as control systems, weather prediction, medical diagnosis, and others. The review also covers the integration of fuzzy with modern technologies such as IoT, Big Data, and AI, which has driven wider and more efficient applications. In addition to highlighting achievements, the paper discusses challenges in computational efficiency, and adaptability of fuzzy methods in the face of modern technological and data complexity. The study emphasises the importance of further development towards interpretability and integration with AI to ensure the relevance and contribution of fuzzy logic to future intelligent solutions. Thus, this research provides a strategic direction for further exploration, especially regarding technical challenges and innovation opportunities in this domain.Keywords: AI, Big data, Fuzzy Logic, IoT, Technology Challenges

Page 20 of 21 | Total Record : 209

 17   18   19   20   21 

Filter by Year

2016 2025


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