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 
Pendekatan Augmentasi Citra Fundus pada Model EfficientNet untuk Klasifikasi Tingkat Keparahan Retinopati Diabetik dengan Dataset Tidak Seimbang CHAZAR, CHALIFA; ADLI, MUHAMMAD ARKAN; PARDEDE, JASMAN; ICHWAN, MUHAMMAD
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.180-194

Abstract

AbstrakRetinopati diabetik (RD) adalah komplikasi diabetes mellitus yang menyerang pembuluh darah retina dan berpotensi menyebabkan kebutaan jika tidak terdeteksi dini. Citra fundus retina berperan penting dalam mendeteksi serta mengklasifikasikan tingkat keparahan RD karena mampu menampilkan kelainan secara jelas. Tantangan utama dalam klasifikasi RD adalah ketidakseimbangan data antar kelas. Penelitian ini mengusulkan penggunaan EfficientNet-B0 dengan augmentasi gambar terarah pada dataset APTOS 2019. Hasil evaluasi menunjukkan peningkatan akurasi dari 73,84% menjadi 82,56% serta F1-score 0,8241. Peningkatan signifikan terlihat pada kelas minoritas, misalnya Mild dari 0,1429 menjadi 0,65 dan Severe dari 0,087 menjadi 0,4211. Temuan ini membuktikan bahwa augmentasi terarah efektif dalam mengurangi bias kelas mayoritas dan meningkatkan keandalan model.Kata kunci: augmentasi, EfficientNet, ketidakseimbangan kelas, retinopati diabetikAbstractDiabetic retinopathy (DR) is a complication of diabetes mellitus that affects the retinal blood vessels and may lead to blindness if not detected early. Fundus images play a crucial role in detecting and classifying the severity of DR as they clearly reveal pathological abnormalities. The main challenge in DR classification lies in the imbalance across severity classes. This study proposes the use of EfficientNet-B0 combined with targeted image augmentation on the APTOS 2019 dataset. The evaluation results show an improvement in accuracy from 73.84% to 82.56% and a F1-score of 0.8241. Significant gains are observed in minority classes, such as Mild (from 0.1429 to 0.65) and Severe (from 0.087 to 0.4211). These findings demonstrate that targeted augmentation is effective in reducing majority-class bias and improving model reliability.Keywords: class imbalance, data augmentation, diabetic retinopathy, EfficientNet 
Klasifikasi Kelembapan Tanah Berbasis Data Sensor IoT Menggunakan Support Vector Machine (SVM) UMAM, KHOTIBUL; HARIANTO, RONY
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.250-260

Abstract

AbstrakPenerapan teknologi Internet of Things (IoT) dalam pertanian presisi menawarkan peluang signifikan untuk meningkatkan literasi ilmiah sekaligus efisiensi penggunaan sumber daya. Penelitian ini bertujuan mengembangkan sistem klasifikasi kebutuhan penyiraman tanaman berbasis data sensor IoT dengan algoritma Support Vector Machine (SVM). Sistem dirancang menggunakan sensor suhu dan kelembapan (DHT11) serta sensor kelembapan tanah yang dihubungkan dengan mikrokontroler ESP8266. Data dikirim secara berkala ke platform digital dan dianalisis menggunakan metode pembelajaran mesin. Evaluasi kinerja dilakukan melalui metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa SVM dengan kernel Radial Basis Function (RBF) mampu mencapai akurasi hingga 97%. Temuan ini membuktikan bahwa integrasi IoT dapat meningkatkan efisiensi pertanian presisi.Kata kunci: IoT, klasifikasi, Support Vector Machine, machine learning, pertanian presisiAbstractThe application of Internet of Things (IoT) technology in precision agriculture offers significant opportunities to improve scientific literacy and resource use efficiency. This study aims to develop a system for classifying plant watering needs based on IoT sensor data using the Support Vector Machine (SVM) algorithm. The system is designed using temperature and humidity sensors (DHT11) and soil moisture sensors connected to an ESP8266 microcontroller. Data is sent periodically to a digital platform and analyzed using machine learning methods. Performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results showed that SVM with Radial Basis Function (RBF) kernel was able to achieve an accuracy of up to 97%. These findings prove that IoT integration can improve precision agriculture efficiency.Keywords: IoT, classification, Support Vector Machines, machine learning, precision agriculture
Identifikasi CNN dalam Deteksi Penyakit Daun Jagung Berbasis Pengenalan Gambar ARYANTI, ARYANTI; APRILIANI, DEFINA; PUTRI, WULAN ZAHRA; RAMADHANI, DWI; MALINDA, THREA; ANDREANSYAH, DIMAS
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.195-205

Abstract

AbstrakProduktivitas jagung sangat terancam oleh penyakit daun seperti common rust, gray leaf spot, dan leaf blight. Identifikasi penyakit yang lambat dan tidak akurat menjadi masalah utama yang mendesak. Oleh karena itu, penelitian ini bertujuan mengembangkan mekanisme identifikasi otomatis penyakit daun jagung menggunakan algoritma Convolutional Neural Network (CNN) berbasis citra digital, mendukung upaya pertanian presisi. Penelitian menggunakan 4.188 citra daun (sehat, leaf blight, rust, dan gray leaf spot) yang diproses melalui preprocessing seperti normalisasi dan augmentasi. Hasil pengujian menunjukkan efektivitas tinggi, di mana model CNN mencapai akurasi klasifikasi 95% dengan waktu inferensi cepat, hanya 0,48 detik per gambar. Kontribusi utama penelitian ini adalah penyediaan model CNN yang sangat akurat dan efisien, berpotensi besar menjadi dasar sistem diagnostik lapangan untuk membantu petani meningkatkan kualitas dan hasil produksi jagung.Kata kunci: CNN, Deteksi Penyakit, Jagung, Pengenalan Citra, Deep Learning AbstractCorn productivity is severely threatened by leaf diseases such as common rust, gray leaf spot, and leaf blight. Slow and inaccurate disease identification is a pressing issue. Therefore, this study aims to develop an automatic corn leaf disease identification mechanism using a digital image-based Convolutional Neural Network (CNN) algorithm, supporting precision agriculture efforts. The study used 4,188 leaf images (healthy, leaf blight, rust, and gray leaf spot) that were processed through preprocessing such as normalization and augmentation. The test results demonstrated high effectiveness, where the CNN model achieved 95% classification accuracy with a fast inference time of only 0.48 seconds per image. The main contribution of this study is the provision of a highly accurate and efficient CNN model, with great potential to become the basis of a field diagnostic system to help farmers improve corn quality and yield.Keywords: CNN, Disease Detection, Corn, Image Recognition, Deep Learning
Prediksi Ekspor Jasa Transportasi Indonesia Menggunakan LSTM Berbasis Data Perdagangan Global Terbuka SETIAWAN, ARIYONO; HANDOKO, WISNU; ABDUL HADI, ABDUL RAZAK BIN; ONN, CHOO WOU
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.130-144

Abstract

ABSTRAKPenelitian ini memprediksi nilai ekspor jasa transportasi Indonesia menggunakan model Long Short-Term Memory (LSTM) berbasis data terbuka perdagangan global dalam mengatasi pola nonlinier dan ketergantungan temporal. Peneliti melatih model LSTM tiga lapis dengan aktivasi ReLU dan optimasi Adam menggunakan data ekspor tahunan (2005–2023) dari World Bank dan UNCTAD, dengan pembagian data latih-uji 80:20. Model mencapai MAPE 0,89% dan koefisien korelasi r = 0,999 (p < 0,0001), menunjukkan presisi tinggi. Model secara akurat menangkap gangguan akibat pandemi dan tren pemulihan, menawarkan alat prediksi berbasis AI untuk perencanaan ekspor dan kebijakan perdagangan. Ini merupakan studi pertama yang menerapkan LSTM pada ekspor jasa transportasi Indonesia dengan data terbuka, memberikan kontribusi metodologis dan praktis untuk negara berkembang.Kata kunci: kecerdasan buatan, peramalan ekspor, Indonesia, LSTM, layanan transportasiABSTRACTThis study forecasts Indonesia’s transport service export values using a Long Short-Term Memory (LSTM) model based on open global trade data in capturing nonlinear patterns and temporal dependencies. A three-layer LSTM model is trained using ReLU activation and Adam optimization on annual export data from 2005 to 2023 sourced from the World Bank and UNCTAD. The dataset is split into 80% training and 20% testing portions. The model achieves a MAPE of 0.89% and a correlation coefficient of r = 0.999 (p < 0.0001), indicating high precision.The model accurately reflects pandemic-induced shocks and subsequent recovery trends, provides an AI-driven forecasting tool for export planning and trade policy. This is the first study to apply LSTM to Indonesia’s transport service exports using open data, contributing methodological advancement and practical value for developing economies.Keywords: artificial intelligence, export forecasting, Indonesia, LSTM, transport services
Mengukur Kesuksesan Sistem Informasi Satuan Kredit Kemahasiswaan (SIMSKK) menggunakan Model DeLone McLean UMAROH, SOFIA; UTAMI, SABRINA AZIZA; HERNAWAN, HASNAURA ATHAVANIA; ADINDA, NAJWA; ANGELICA, EVLYN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.206-220

Abstract

AbstrakSistem Informasi Satuan Kredit Kemahasiswaan (SIMSKK) yang digunakan untuk mengelola aktivitas non-akademik mahasiswa dan mendukung capaian pembelajaran. Penelitian ini bertujuan mengukur kesuksesan implementasi SIMSKK menggunakan Model DeLone dan McLean (2003) yang mencakup kualitas sistem, kualitas informasi, kualitas layanan, kepuasan pengguna, dan manfaat bersih. Data diperoleh melalui kuesioner online kepada 97 mahasiswa aktif (ditentukan dengan rumus Slovin) dan dianalisis dengan SEM-PLS. Hasil menunjukkan bahwa kualitas informasi berpengaruh signifikan terhadap kepuasan pengguna (t = 7,691; p < 0,001) dan kepuasan pengguna signifikan terhadap manfaat bersih (t = 26,528; p < 0,001). Sebaliknya, kualitas sistem dan layanan tidak berpengaruh signifikan. Penelitian ini menegaskan pentingnya peningkatan kualitas informasi dan layanan agar SIMSKK memberi manfaat optimal bagi mahasiswa.Kata kunci: Model Delone dan McLean, sistem informasi kredit kemahasiswaan, SEM-PLS, kepuasaan pengguna, manfaat bersih AbstractThe use of the Student Credit Information System (SIMSKK) to manage students’ non-academic activities and support learning outcomes. This study aims to measure the success of SIMSKK implementation using the DeLone and McLean Information System Success Model (2003), which includes system quality, information quality, service quality, user satisfaction, and net benefits. Data were collected through an online questionnaire distributed to 97 active students (determined using Slovin’s formula) and analyzed with SEM-PLS. Results show that information quality significantly affects user satisfaction (t = 7.691; p < 0.001), and user satisfaction significantly impacts net benefits (t = 26.528; p < 0.001). Conversely, system quality and service quality have no significant effect. The study highlights the importance of enhancing information quality and service to maximize SIMSKK benefits.Keywords: DeLone and McLean Model, Student Credit Information System, SEM-PLS,  statisfaction, net benefits
Prediksi Rate of Penetration pada Pengeboran Minyak Bumi dengan Elman Recurrent Neural Network AIZIYAH, ELSA; HARYANTO, ALLEN; ABADI, AGUS MAMAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.145-161

Abstract

ABSTRAKPenelitian ini bertujuan memprediksi laju penetrasi (ROP) guna mempercepat waktu pengeboran dan menekan biaya operasional. Metode yang digunakan adalah Elman Recurrent Neural Network (ERNN) dengan algoritma backpropagation, yang dipilih karena kemampuannya dalam mengenali pola data sekuensial pada data pengeboran. Data yang digunakan 2613 data ASCII Mudlogging minyak bumi dari PT Geotama Jogja dengan 5 variabel input, yaitu Kedalaman Vertikal Sejati atau TVD (m), Beban Mata Bor atau WOB (klbs), Kepadatan Sirkulasi Ekuivalen atau ECD (SG), Mud Weight in atau MWI (SG), dan Total Kecepatan Rotasi Pahat atau TRPM. Sedangkan variabel outputnya yaitu laju penetrasi atau ROP (m/hr). Data dihaluskan menggunakan Savitzky-Golay filter dan dibagi data training dan data testing yang sebesar 90% dan 10%. Model ERNN terbaik yang diperoleh yaitu 5 variabel input, 17 neuron tersembunyi, dan 1 variabel output. Nilai MAPE data training sebesar 16.18%, dengan akurasi 83.82%. Sedangkan nilai MAPE data testing sebesar 15.48%, sehingga akurasinya 84.52%.  Kata kunci: Elman Recurrent Neural Network, laju penetrasi, prediksi, minyak bumi, MAPE ABSTRACTThis study aims to predict the rate of penetration (ROP) to speed up drilling time and reduce operational costs. The method used is the Elman Recurrent Neural Network (ERNN) with the backpropagation algorithm, which was chosen because of its ability to recognize sequential data patterns in drilling data. The data used are 2613 ASCII Mudlogging data from PT Geotama Jogja with 5 input variables, namely True Vertical Depth or TVD (m), Drill Bit Load or WOB (klbs), Equivalent Circulation Density or ECD (SG), Mud Weight in or MWI (SG), and Total Tool Rotation Speed or TRPM. While the output variable is the rate of penetration or ROP (m/hr). The data is smoothed using the Savitzky-Golay filter and divided into training data and testing data of 90% and 10%. The best ERNN model obtained is 5 input variables, 17 hidden neurons, and 1 output variable. The MAPE value of the training data is 16.18%, so the accuracy is 83.82%. Meanwhile, the MAPE value for the testing data was 15.48%, resulting in an accuracy of 84.52%.  Keywords: Elman Recurrent Neural Network, penetration rate, prediction, petroleum, MAPE
Prediksi Penyakit Diabetes menggunakan Teknik Imputasi Missforest dan Klasifikasi LightGBM FERDIANSYAH, ALDOVA; UMBARA, FAJRI RAKHMAT; KASYIDI, FATAN
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.221-234

Abstract

AbstrakDiabetes adalah salah satu penyakit kronis dengan grafik prevalensinya meningkat secara global. Penyakit ini disebabkan oleh gangguan metabolisme tubuh yang memengaruhi kadar gula darah, dan jika tidak ditangani sejak dini dapat menimbulkan komplikasi serius seperti stroke, gagal ginjal, kebutaan, hingga kematian. Penelitian ini mengembangkan model prediksi risiko diabetes berbasis klasifikasi biner menggunakan algoritma LightGBM yang dikombinasikan dengan teknik imputasi Missforest untuk menangani data yang hilang. Dataset yang digunakan berasal dari Pima Indian, tersedia secara publik di Kaggle. Tahapan pre-processing mencakup imputasi data hilang, penanganan outlier dengan Isolution Forest, pembagian data menjadi 80:20. Evaluasi model menunjukkan hasil akurasi sebesar 91,84% dan ROC AUC 0.9614. BMI menjadi faktor paling berpengaruh dalam prediksi yang diikuti oleh DiabetesPedigreeFunction dan Glucose.Kata kunci: diabetes melitus, data mining, klasifikasi, LightGBM, missforestAbstractDiabetes mellitus is one of the most common chronic diseases, with a globally increasing prevalence. It is caused by metabolic disorders that affect blood glucose levels and, if not treated early, can lead to serious complications such as stroke, kidney failure, blindness, and even death. This research develops a diabetes risk prediction model based on binary classification using the LightGBM algorithm combined with the Missforest imputation technique to handle missing data. The dataset used is the publicly available Pima Indian dataset from Kaggle. The pre-processing stages include missing value imputation, outlier handling using Isolution Forest, an 80:20 data split. Model evaluation shows an accuracy of 91.84% and a ROC AUC 0.9614. BMI was found to be the most influential factor in the prediction, followed by DiabetesPedigreeFunction and Glucose.Keywords: diabetes mellitus, data mining, classification, LightGBM, missforest
Aplikasi Android Home Service Sepeda Motor Berbasis Clean Architecture INDRAYADI, RIFQI FAJAR; SIREGAR, HERBERT; HAMBALI, YUDI AHMAD
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.162-179

Abstract

AbstrakDigitalisasi layanan perawatan kendaraan semakin didorong dengan perkembangan teknologi. Di Indonesia, dengan lebih dari 120 juta sepeda motor terdaftar, terdapat kebutuhan mendesak untuk solusi perawatan yang mudah diakses, namun layanan home service yang berbasis aplikasi untuk roda dua masih terbatas dan perlu dirintis. Penelitian ini bertujuan untuk mengisi kesenjangan tersebut dengan mengembangkan aplikasi home service sepeda motor berbasis Android. Metode Clean Architecture diimplementasikan sebagai pendekatan metodologis dengan mempertimbangkan faktor separation of concern, testability  dan maintainability. Keberhasilan fungsional aplikasi divalidasi melibatkan ahli melalui pengujian Unit dan Black Box yang keduanya mencapai 100%. Kesimpulan akhir penggunaan Clean Architecture menghasilkan sebuah Minimum Viable Product (MVP) yang modular, mudah diuji, dan dapat dipelihara. Selain itu, Clean Architecture menjanjikan rekomendasi strategis untuk pengembangan tahap produksi serta pembuktian konsep yang solid dan fundamental.Kata kunci: Android, clean architecture, home service, perawatan motorAbstractThe digitisation of vehicle maintenance services is increasingly being driven by technological developments. In Indonesia, with more than 120 million registered motorcycles, there is an urgent need for easily accessible maintenance solutions, but app-based home services for two-wheelers are still limited and need to be pioneered. This study aims to address this gap by developing an Android-based motorcycle home service app. The Clean Architecture methodology is implemented as a methodological approach, considering factors such as separation of concerns, testability, and maintainability. The functional success of the app is validated through expert testing, including Unit Testing and Black Box Testing, both of which achieved 100% success rates. The final conclusion of using Clean Architecture resulted in a modular, testable, and maintainable Minimum Viable Product (MVP). Additionally, Clean Architecture offers strategic recommendations for production-stage development and a solid, fundamental proof of concept.Keywords: Android, clean architecture, home service, motorcycle maintenance
Renovator: Resilience System in Microservices Architecture Using Fault Tolerance Factor PUTRA, KURNIA RAMADHAN; UMAROH, SOFIA; FAHRUDIN, NUR FITRIANTI; PANDJI, PRAMBUDHI WIBOWO
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 10, No 2 (2025): MIND Journal
Publisher : Institut Teknologi Nasional Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v10i2.235-249

Abstract

ABSTRAKArsitektur microservices menghadapi tantangan dalam menjaga ketahanan layanan akibat cascading failure, ketergantungan antarlayanan yang dinamis, serta keterbatasan mekanisme fault tolerance berbasis ambang statis. Pendekatan seperti circuit breaker dan bulkhead hanya memberi perlindungan terbatas ketika beban dan latensi berubah cepat. Untuk menjawab gap tersebut, penelitian ini memperkenalkan Renovator, kerangka kerja ketahanan yang memperluas circuit breaker melalui pemantauan adaptif dan pemulihan otomatis. Evaluasi pada simulasi Sistem Presensi dengan empat skenario yaitu cascading failure, latency spike, normal load, dan single-service failure menunjukkan peningkatan signifikan dibandingkan baseline: ketersediaan naik (86,31% menjadi 93,95%), MTTR berkurang 49–67%, tingkat kesalahan turun 55–63%, serta latensi membaik 20–27% tanpa memengaruhi throughput. Kontribusi utama penelitian ini adalah pengembangan Renovator sebagai mekanisme circuit breaker yang lebih adaptif dan otomatis untuk meningkatkan ketahanan microservices.Kata kunci: microservices, fault tolerance, circuit breaker, MSA resilienceABSTRACTMicroservices architectures face resilience challenges due to cascading failures, dynamic dependencies, and the limitations of fault tolerance mechanisms that rely on static thresholds. Techniques such as Circuit Breaker and Bulkhead provide only partial protection under rapidly changing workloads. To address this gap, this study introduces Renovator, a resilience framework that enhances circuit breaker functionality through adaptive monitoring and automated recovery. Evaluated on a simulated Attendance System under four scenarios—cascading failure, latency spike, normal load, and single-service failure, Renovator shows notable improvements over the baseline: availability increases (from 86.31% to 93.95%), MTTR decreases by 49–67%, error rates drop 55–63%, and latency improves 20–27% with no throughput degradation. The main contribution is an adaptive and automated circuit-breaker–based framework to strengthen microservices resilience.Keywords: microservices, fault tolerance, circuit breaker, MSA resilience

Page 21 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