cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Joseph Dedy Irawan
Contact Email
joseph@lecturer.itn.ac.id
Phone
+62811367463
Journal Mail Official
joseph@lecturer.itn.ac.id
Editorial Address
Jl. Raya Karanglo Km. 2 Malang
Location
Kota malang,
Jawa timur
INDONESIA
JATI (Jurnal Mahasiswa Teknik Informatika)
Published by Institut Teknologi Nasional Malang
ISSN : -     EISSN : 2598828X     DOI : -
Core Subject : Science,
Computer Science & IT
Adalah jurnal mahasiswa yang diterbitkan oleh Teknik Informatika Institut Teknologi Nasional Malang, sebagai media publikasi hasil Skripsi Mahasiswa Teknik Informatika ke khalayak luas, diterbitkan secara berkala 6 kali setahun pada bulan Februari, April, Juni, Agustus, Oktober, Desember.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 3,835 Documents
 141   142   143   144   145 
KOMPARASI ALGORITMA K-MEANS DAN K-MEDOIDS DALAM ANALISIS PENGELOMPOKAN DAERAH RAWAN KRIMINALITAS DI INDONESIA Hoerunnisa, Anis; Dwilestari, Gifthera; Dikananda, Fatihanursari; Sunana, Heliyanti; Pratama, Denni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8249

Abstract

Kriminalitas sebagai fenomena yang kompleks, memiliki dampak serius pada stabilitas dan ketertiban sosial, sertamemengaruhi aspek sosial dan ekonomi suatu wilayah. Pemahaman mendalam terhadap area-area rentan terhadap tindak kriminal menjadi esensial dalam upaya mencegah dan menangani kejahatan. Penelitian ini bertujuan eksploratif untuk membandingkan efektivitas dua metode clustering, yaitu K-Means dan K-Medoids, dalam menganalisis daerah-daerah rentan kriminal di Indonesia.Metode penelitian melibatkan langkah-langkah seperti pengumpulan data kriminalitas dari sumber terpercaya, penyortiran, dan pengolahan data untuk membentuk dataset yang akurat. Dengan menggunakan pendekatan Knowledge Discovery in Databases (KDD), penelitian ini menerapkan algoritma K-Means, pengelompokan dalam analisis data yang bertujuan mengelompokkan data menjadi beberapa klaster, dan K-Medoids, variasi K-Means yang menggunakan medoid sebagai representasi klaster. Hasil analisis menunjukkan bahwa kedua algoritma dapat digunakan untuk mengelompokkan daerah rawan kriminalitas di Indonesia, dengan K-Means membentuk 5 cluster dan K-Medoids membentuk 2 cluster. Evaluasi menggunakan Davies-Bouldin Index (DBI) menunjukkan bahwa K-Means lebih optimal (DBI=0,463) dibandingkan K-Medoids (DBI=1,089). Sebagai saran untuk pengembangan selanjutnya, disarankan untuk mempertimbangkan penggunaan algoritma clustering yang berbeda, melakukan perbandingan dengan metode lain, dan menambahkan kriteria atau variabel yang relevan untuk meningkatkan kualitas analisis clustering. Diharapkan hasil ini dapat memberikan kontribusi signifikan dalam upaya pencegahan dan penanggulangan kriminalitas di Indonesia.
PENERAPAN DEEP LEARNING MODEL RANDOM FOREST UNTUK PREDIKSI PENERIMA BANTUAN PROGRAM KELUARGA HARAPAN (PKH) Haidar, Dindin; Irawan, Bambang; Bahtiar, Agus
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8250

Abstract

Program Keluarga Harapan (PKH) merupakan inisiatif pemerintah Indonesia untuk memberikan dukungan kepada Rumah Tangga Sangat Miskin (RTSM). Dalam konteks globalisasi dan kemajuan teknologi informasi, optimalisasi teknologi, terutama pembelajaran mesin, menjadi krusial dalam memecahkan tantangan prediksi penerima Bantuan Program Keluarga Harapan (PKH). Dalam implementasi PKH di Kabupaten Kuningan, terdapat permasalahan dalam penentuan penerima manfaat yang disebabkan oleh ketidakakuratan dan kebingungan dalam sistem seleksi manual yang sudah ketinggalan zaman. Penelitian ini bertujuan mengembangkan model prediksi menggunakan pendekatan Machine Learning, dengan fokus pada algoritma Random Forest. Data historis terkait program PKH, seperti nominal bantuan, status sosial-ekonomi, jumlah anggota keluarga, jenis penyaluran bantuan, dan karakteristik demografi, diolah untuk membangun model prediksi. Dengan menggunakan data penerimaan bantuan PKH tahun 2023 di Kabupaten Kuningan 44.690 data, model ini mencapai ROC AUC akurasi sekitar 96%, dengan akurasi Random Forest sekitar 98,9%, dan Decision Tree sekitar 98%. Penelitian ini sebagai respons terhadap ketidakakuratan dalam penentuan penerima manfaat PKH dan kesenjangan administratif di tingkat daerah. Hasilnya diharapkan memberikan kontribusi signifikan dalam meningkatkan akurasi dan efisiensi program bantuan sosial, sesuai dengan tujuan pemerintah untuk mengurangi kemiskinan dan meningkatkan kesejahteraan masyarakat berpenghasilan rendah. Kesimpulan ini diharapkan dapat memberikan wawasan baru dalam literatur mengenai peningkatan efektivitas program bantuan sosial dalam konteks administratif daerah.
ANALISIS POPULASI AYAM RAS PEDAGING DI INDONESIA DENGAN PENERAPAN DATA MINING K-MEDOIDS CLUSTERING Ainisa, Nurul; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8251

Abstract

Dalam era digital ini, data menjadi salah satu aset paling berharga bagi berbagai sektor, termasuk peternakan. Populasi ayam ras pedaging di Indonesia memiliki dampak besar pada industri peternakan dan pasokan daging ayam. Namun, masalah yang dihadapi dalam pengelolaan populasi ayam ras pedaging di seluruh provinsi Indonesia adalah kurangnya pemahaman yang mendalam tentang karakteristik populasi ini. Hal ini membuat pengambilan keputusan yang efisien menjadi sulit, terutama dalam perencanaan pengembangan peternakan yang lebih efisien dan berkelanjutan. Tujuan penelitian ini yaitu untuk pengelolaan populasi ayam ras pedaging di seluruh provinsi Indonesia yang efisien dan pemahaman yang mendalam tentang karakteristik populasi ayam ras pedaging, dengan penerapan metode data mining khususnya K-medoids Clustering. Metode penelitian yang digunakan melibatkan pengumpulan data populasi ayam ras pedaging di berbagai provinsi di Indonesia yang berasal dari Badan Pusat Statistik Nasional dengan rentang waktu dari tahun 2018 hingga 2022, serta penerapan metode K-medoids Clustering untuk mengelompokkan provinsi-provinsi berdasarkan karakteristik populasi ayam ras pedagingnya. Hasil analisis menunjukkan bahwa terdapat 2 cluster yaitu cluster 0 terdapat 31 provinsi sedangkan cluster 1 terdapat 3 provinsi, dengan nilai Davies Bouldin sebesar 0.011. Penelitian ini memiliki potensi untuk memberikan pemahaman yang lebih baik tentang populasi ayam ras pedaging di tingkat provinsi, yang dapat membantu dalam perencanaan pengembangan peternakan yang lebih efisien dan berkelanjutan.
PENERAPAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR UNTUK ANALISIS SENTIMEN YOUTUBE MENGENAI INTENSIF MOBIL LISTRIK Caswadi, Caswadi; Dienwati, Nisa; Dwilestari, Gifthera; Fathurrohman, Fathurrohman; Tohidi, Edi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8252

Abstract

Dampak pemanasan global terhadap perubahan iklim telah menarik perhatian dari berbagai pihak. 27% dari polusi udara disebabkan oleh transportasi. Di berbagai negara, pemerintah telah menerapkan langkah-langkah untuk mengurangi polusi udara dengan mendorong masyarakat untuk beralih menggunakan kendaraan listrik. Namun keberhasilan pemerintah untuk mengkampanyekan teknologi mobil listrik tergantung pada sentimen dan pemahaman masyarakat. Tujuan penelitian ini untuk menganalisa sentimen publik. Dataset digunakan dalam penelitian ini ialah 1517 data komentar di laman youtube mengenai intensif mobil listrik. Berdasarkan analisis, sebagian besar komentar youtube memiliki sentimen negatif (57,4%), sementara jumlah komentar yang positif (33,3%) dan netral (9,3%). Penelitian ini menerapkan metode Naïve Bayes dan K-Neareast Neighbor. Hasil penelitian menunjukan bahwa metode K-Nearest Neighbor memberikan hasil klasifikasi yang lebih baik dengan Accuracy sebesar 93,23%, precision 93,91% dan recall 91,56%. Sedangkan Naïve Bayes memperoleh hasil Accuracy 86,95%, precision 80,51%, dan recall 91,23%.
PENGELOMPOKKAN DATA BENCANA ALAM BERDASARKAN WILAYAH MENGGUNAKAN ALGORITMA K-MEANS Amaliah, Rif'atul; Tohidi, Edi; Wahyudin, Edi; Rizki Rinaldi, Ade; Iin, Iin
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8253

Abstract

Bencana alam adalah rangkaian kejadian yang ditimbulkan oleh alam. Namun tidak menutup kemungkinan bencana alam yang terjadi disebabkan oleh ulah manusia. Bencana alam memiliki potensi untuk menyebabkan dampak yang signifikan pada infrastruktur dan lingkungan, bahkan dapat mengancam keselamatan manusia. Penelitian ini bertujuan untuk mengidentifikasi wilayah-wilayah dimana jenis bencana alam paling dominan atau sering terjadi untuk memberikan wawasan yang lebih mendalam tentang resiko bencana alam di berbagai wilayah sehingga dapat membantu meningkatkan upaya mitigasi bencana. Metode yang diterapkan melibatkan pengelompokkan data menggunakan algoritma K-Means, yang memungkinkan peneliti untuk mengelompokkan wilayah dengan karakteristik serupa ke dalam cluster-cluster yang berbeda. Hasil penelitian ini berhasil mengelompokkan data bencana alam menggunakan Algoritma K-Means membentuk 3 cluster berdasarkan MeasureTypes Bregman Divergences dengan parameter SequaredEuclideanDistance sampai menghasilkan nilai DBI terbaik. Nilai Davies-Bouldin-Index (DBI) yang dihasilkan pada penelituan ini yaitu 0,012. Cluster 0 memiliki 884 data dengan tingkat kejadian bencana alam rendah. Kejadian bencana alam yang dominan terjadi yaitu kekeringan. Sedangkan wilayah yang termasuk kedalam cluster 1 dengan memiliki 2 data adalah wilayah dengan tingkat kejadian sedang. Kejadian bencana yang paling dominan adalah Letusan Gunung Api. Dan cluster 2 memiliki 1 data yaitu wilayah dengan tingkat kejadian tinggi. Kejadian bencana alam yang paling dominan adalah Puting Beliung.
CLUSTERING PRODUK EKSPOR INDONESIA BERDASARKAN TINGKAT PERMINTAAN MENGGUNAKAN METODE K-MEANS TAHUN 2020-2022 Mujibulloh, Mujibulloh; Martanto, Martanto; Hayati, Umi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8254

Abstract

Indonesia saat ini merupakan salah satu eksportir ke berbagai negara maju dan berkembang. Meski demikian, terdapat permasalahan dalam mengidentifikasi pola dan prospek ekspor yang dapat membantu perusahaan dalam industri ini untuk membuat keputusan yang lebih baik. Penelitian ini bertujuan untuk menganalisis produk ekspor utama Indonesia dan memberikan prospek ekspor bagi perusahaan yang terlibat dalam industri ini dengan menggunakan teknik analisis K-Means Clustering. Peneliti Menggunakan data dari Badan Pusat Statistik Indonesia, penelitian ini mengambil sampel periode 2020-2022 yang kemudian dianalisis untuk mengidentifikasi cluster berdasarkan volume ekspor. Hasil penelitian menunjukkan bahwa metode K-Means efektif dalam mengklasifikasikan produk ekspor ke dalam tiga cluster: ekspor rendah (C0) dengan 99 data, ekspor dan impor sedang (C1) dengan 3 data, dan ekspor tinggi (C2) dengan 1 data. Dengan nilai DBI terkecil sebesar 0.3665 untuk cluster tiga, Hasil ini memberikan kontribusi dalam pemahaman lebih lanjut tentang pola ekspor dan impor dan dapat digunakan sebagai dasar untuk pengambilan keputusan yang lebih baik di dalam industri ini.
PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA ULASAN PENGUNJUNG WISATA KABUPATEN KUNINGAN Silviana, Selvi; Astuti, Rini; Muhamad Basysyar, Fadhil
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8257

Abstract

Seiring berkembangnya industri pariwisata di Kabupaten Kuningan, semakin banyak pula pengguna Google Maps yang membagikan ulasan dan opininya tentang berbagai tempat wisata terutama ulasan negatif dari pengunjung dapat memengaruhi citra destinasi pariwisata dan kunjungan wisatawan di masa depan.Permasalahan ini penting karena ulasan negatif dapat berdampak besar pada industri pariwisata.Tujuan dari penelitian ini adalah melakukan analisis sentimen review pengguna google maps terhadap pariwisata di Kabupaten Kuningan.Data diperoleh dari ulasan tempat wisata yang ada di google maps dan telah mendapat persetujuan dari Dinas Pemuda Olahraga dan Pariwisata (DISPORAPAR) kabupaten Kuningan, Jawa Barat. Jumlah ulasan sebanyak 1042 ulasan teks yang diperoleh melalui teknik web scrapping menggunakan website apify dengan atribut rating, teks ulasan dan nama pengunjung yang kemudian diberi label positif dan negatif. Metode yang digunakan adalah support vector machine (SVM untuk mengklasifikasikan ulasan pengunjung wisata kabupaten kuningan.pemodelan menggunakan algoritma Support Vector Machine (SVM) dengan tools yaitu rapidminer yang kemudian dilakukan perhitungan tingkat akurasi, presisi dan recall dari data ulasan tersebut.Hasil klasifikasi sentimen dengan nilai number of fold=10 di dapatkan akurasi sebesar 90.72% dengan class recall sebesar 90.22% dan class precission sebesar 91.14% menunjukkan pemodelan sudah cukup baik dalam menganalisis sentimen ulasan pengunjung wisata kabupaten Kuningan.
MENGELOMPOKKAN KABUPATEN ATAU KOTA DI PROVINSI JAWA BARAT BERDASARKAN FASILITAS KESEHATAN MENGGUNAKAN ALGORITMA X-MEANS Riptiyani, Anjela; Tohidi, Edi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8259

Abstract

Di tengah perkembangan globalisasi dan kemajuan perkembangan teknologi yang pesat, sektor kesehatan memegang peranan yang sangat penting dalam menjaga kesejahteraan masyarakat. Fasilitas kesehatan yang tersedia memiliki dampak besar dalam memastikan bahwa layanan kesehatan dapat diakses secara merata dan berkualitas. Masalah terkait ketersediaan dan kepadatan fasilitas kesehatan menarik perhatian karena pentingnya akses terhadap layanan kesehatan yang memadai dalam menghadapi pertumbuhan populasi dan urbanisasi yang pesat. Di dalam era yang semakin digital ini, data mengenai kesehatan telah menjadi aset yang sangat berharga dalam upaya perencanaan dan pengembangan sistem layanan kesehatan. Penelitian ini bertujuan untuk mengimplementasikan Algoritma X-Means dalam mengelompokkan Kabupaten atau Kota di Provinsi Jawa Barat berdasarkan fasilitas kesehatan yang tersedia. Data yang di gunakan mencakup Rumah Sakit, Puskesmas dan Posyandu. Penelitian ini mencakup langkah-langkah pengumpulan data fasilitas kesehatan, pengolahan data, dan penerapan algoritma X-Means. Selain itu, pengelompokan fasilitas kesehatan dapat membantu dalam mengidentifikasi area yang mungkin mengalami kekurangan akses terhadap pelayanan kesehatan, sehingga memungkinkan pemerintah daearah untuk lebih efektif dalam mengalokasikan sumber daya kesehatan dan merencanakan strategi kesehatan yang lebih tepat sasaran. Penelitian ini menghasilkan 3 Cluster dengan nilai DBI 0,425, Cluster 0 dengan jumlah fasilitas kesehatan tinggi dengan jumlah 42 item, cluster 1 dengan jumlah fasilitas kesehatan sedikit dengan jumlah 54 item dan cluster 2 dengan jumlah fasilitas kesehatan sedang dengan jumlah 12 item. Hasil penelitian ini diharapkan dapat membimbing pengembangan strategi untuk meningkatkan pelayanan kesehatan di setiap wilayah.
KLASIFIKASI DATA TINGKAT KUALITAS UDARA DI TANGERANG SELATAN MENGGUNAKAN ALGORITMA NAIVE BAYES Widiawati, Fitri; Kurniawan, Rudi; Suprapti, Tati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8261

Abstract

Kota Tangerang Selatan yang memiliki padat penduduk yang tinggi yang harus kita perhatikan kondisi kesehatannya. Indeks Standar Pencemaran Udara (ISPU) merupakan indikator yang mengukur tingkat pencemaran udara berdasarkan konsentrasi beberapa polutan udara banyak data yang muncul tentang kualitas udara pada Tangerang Selatan yang selalu menurun karena berbagai faktor dintaranya faktor fisik dan faktor manusia sehingga menyebabkan pencemaran udara bagi masyarakat setempat. Penelitian ini bertujuan untuk mengklasifikasikan kualitas udara di Tangerang Selatan menggunakan algoritma Naive Bayes dan mengevaluasi faktor-faktor yang berpengaruh terhadap kualitas udara. Model Naive Bayes mencapai tingkat akurasi sebesar 79.38%, menunjukkan keberhasilan dalam mengidentifikasi kondisi kualitas udara. Evaluasi dilakukan melalui presisi, recall, dan F1-score untuk setiap kelas, memberikan gambaran rinci tentang kinerja model. Temuan menunjukkan presisi yang tinggi pada kelas "Sedang" dan "Baik," menandakan kemampuan model dalam mengenali kondisi tersebut secara akurat. Faktor-faktor yang mempengaruhi kualitas udara diidentifikasi melalui evaluasi model, mencakup partikulat matter (PM2.5 dan PM10), sulfur dioksida (SO2), nitrogen dioksida (NO2), karbon monoksida (CO), dan ozon (O3). Penggunaan atribut-atribut ini memungkinkan model memberikan label dengan nilai Class Moderate (0.583), Class Good (0.358), dan Class Unhealthy (0.058). Hasil penelitian menunjukkan bahwa algoritma Naive Bayes dapat memberikan hasil klasifikasi yang akurat untuk data tingkat kualitas udara di Tangerang Selatan dan hasil analisis ini dapat menjadi dasar bagi masyarakat untuk mengambil tindakan preventif dan mitigasi terhadap potensi dampak negatif dari pencemaran udara.
ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN ULASAN APLIKASI AL QUR’AN DIGITAL Siti Aisah, Iis; Irawan, Bambang; Suprapti, Tati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8263

Abstract

Aplikasi Al-Qur'an digital merupakan salah satu aplikasi yang banyak digunakan oleh masyarakat Indonesia. Aplikasi ini menyediakan berbagai fitur yang memudahkan pengguna untuk membaca, mempelajari, dan menghafal Al-Qur'an. Namun, untuk dapat memberikan layanan yang terbaik kepada pengguna, pengembang aplikasi perlu memahami respons pengguna terhadap aplikasi tersebut. Salah satu cara untuk memahami respons pengguna adalah dengan menganalisis sentimen dari ulasan pengguna. Sentimen merupakan emosi atau perasaan yang diungkapkan oleh pengguna dalam ulasannya. Dengan menganalisis sentimen dari ulasan pengguna, pengembang aplikasi dapat mengetahui apa yang disukai dan tidak disukai pengguna, serta area mana yang perlu ditingkatkan. Ada banyak algoritma yang dapat digunakan untuk menganalisis sentimen dari ulasan pengguna. Salah satu algoritma yang populer adalah Support Vector Machine (SVM). SVM adalah algoritma klasifikasi yang menggunakan konsep margin untuk memisahkan data positif dan negatif. SVM memiliki beberapa keunggulan, yaitu memiliki akurasi yang tinggi, efisien dalam penggunaan memori dan dapat menangani data yang tidak terdistribusi secara normal. Berdasarkan keunggulan-keunggulan tersebut, algoritma SVM dipilih untuk digunakan dalam penelitian ini. Penelitian ini telah berhasil mengimplementasikan algoritma SVM untuk menganalisis sentimen dari ulasan pengguna aplikasi Al-Qur'an digital. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki akurasi yang tinggi, yaitu mencapai 85.11%. Hasil ini menunjukkan bahwa algoritma SVM dapat digunakan untuk memahami respons pengguna terhadap aplikasi Al-Qur'an digital. Implikasi praktis dari penelitian ini adalah memungkinkan pengembang aplikasi untuk fokus pada aspek yang diapresiasi oleh pengguna dan secara proaktif mengatasi area yang dapat ditingkatkan, meningkatkan kepuasan dan pengalaman pengguna secara keseluruhan.

Page 143 of 384 | Total Record : 3835

 141   142   143   144   145 

Filter by Year

2017 2025


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