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
 146   147   148   149   150 
PENGELOMPOKAN DATA TRANSAKSI DALAM MENENTUKAN STRATEGI PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS Putri Adilah Asih, Dwi; Irawan, Bambang; Bahtiar, Agus
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.v8i1.8321

Abstract

Toko Ritel Accessories adalah sebuah toko ritel yang berlokasi di daerah Kota Cirebon. Toko Ritel Accessories merupakan toko yang menjual berbagai macam barang kelontongan. Dalam penelitian ini menggunakan 624 record data penjualan terhitung dalam kurun waktu 12 bulan. Toko Ritel Accessories memiliki banyak tipe barang sehingga kesulitan dalam melakukan strategi penjualan dan mengelola manajemen penyimpanan. Selain itu Toko Ritel Accessories juga masih kesulitan dalam menentukan barang apa saja yang diminati dan kurang diminati oleh pelanggan. Akibatnya, strategi penjualan tetap tidak menentu, dengan menumpuknya produk-produk yang tidak terjual dan produk-produk yang banyak terjual terkadang kehabisan stok. Hal ini mengurangi keakuratan keputusan saat mengelola inventaris dan strategi penjualan. Seperti yang diuraikan diatas, maka dari itu dibutuhkannya klasterisasi pada data penjualan di Toko Ritel Accessories mengelola inventaris produk retail untuk menghindari kesalahan penempatan produk retail dan pengelompokan yang tidak teratur. Tujuan dari penelitian ini adalah untuk mengetahui kinerja perhitungan pada saat menganalisis data penjualan agar lebih mudah dan akurat dalam menentukan produk mana yang disukai pelanggan dan mana yang tidak.Temuan laporan mengenai barang dapat digunakan untuk memandu pengambilan keputusan saat menentukan strategi pemasaran dan manajemen inventaris untuk meningkatkan penjualan. Data mining yang digunakan dalam penelitian ini adalah metode clustering (pengelompokan) menggunakan Algoritma K-Means. Penerapan metode K-Means dalam pengelompokan data penjualan pada Toko Ritel Accessories menghasilkan rekomendasi barang yang diminati dan kurang diminati. Sehingga dapat mengoptimalkan strategi penjualan pada toko, meningkatkan efisiensi operasional, dan memberikan pengalaman belanja yang lebih baik kepada pelanggan Algoritma ini akan mengelompokkan data penjualan ke dalam klaster yang diproses menggunakan tools rapidminer untuk memproses hasil barang yang diminati dan kurang diminati. Setelah menhgasilkan nilai DBI dengan metode K-Means dari k-2 sampai k-10 yang terdapat pada tabel diatas, dapat dilihat bahwa cluster yang terkecil yaitu k-5, dengan nilai DBI 0,286. Karena nilai k-5 merupakan nilai terkecil dibandingkan k lainnya, maka dapat disimpulkan bahwa k-5 dengan nilai 0,286 merupakan hasil cluster terbaik.
PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN PERSEDIAAN STOK BARANG Indriani, Diana; Irawan, Bambang; Bahtiar, Agus
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.v8i1.8322

Abstract

Istilah fashion umumnya mengacu pada perubahan tren dan gaya berpakaian yang mendominasi pada suatu periode tertentu. Bidang bisnis fashion berusaha untuk inovatif dengan menghadirkan produk-produk yang menarik, mengikuti tren terbaru, dan memuaskan selera konsumen. Proses pemeriksaan stok saat ini masih bersifat manual dengan memeriksa ketersediaan barang, sehingga tidak efisien ketika ada permintaan tinggi dan persediaan tidak mencukupi untuk memenuhi kebutuhan konsumen. Untuk mengatasi permasalahan tersebut diperlukan penerapan data mining untuk menghasilkan informasi yang dapat digunakan dalam pengelolaan persediaan barang. Proses pengolahan data dilakukan dengan menerapkan teknik k-means clustering. Tujuan dari penelitian ini dapat mengetahui barang-barang yang telah terjual dan barang-barang yang masih tersedia dalam stok. Langkah pertama dalam penelitian ini adalah pengumpulan data. Berdasarkan hasil analisis menggunakan Davies Bouldin Index (DBI), ditemukan bahwa konfigurasi optimal untuk pembagian data menjadi cluster adalah pada k=2, dengan nilai DBI mencapai minimum sebesar -0.142. Hasil ini mengindikasikan bahwa pembentukan dua cluster (k=2) memberikan nilai DBI terendah, Setelah mengevaluasi hasil pemrosesan data ditemukan bahwa Cluster_0 memiliki jumlah penjualan yang tinggi, mencapai 594 item. Dari hasil analisis cluster, dapat disimpulkan bahwa Cluster_0 terdiri dari produk yang diminati mengindikasikan Cluster_0 menjadi fokus utama karena memiliki jumlah item yang jauh lebih banyak dan dianggap sebagai produk paling diminati.
PENERAPAN DATA MINING UNTUK KLASIFIKASI PENJUALAN OBAT MENGGUNAKAN METODE K-NEAREST NEIGHBOR Sutra Safira, Meita; Rahaningsih, Nining; Danar Dana, Raditya
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.v8i1.8325

Abstract

Dalam era digital saat ini, perusahaan farmasi dan apotek mengumpulkan data penjualan yang melimpah, yang dapat digunakan untuk mengidentifikasi tren penjualan, pola pembelian pelanggan, dan memperbaiki strategi pemasaran. Penelitian ini bertujuan untuk menerapkan metode data mining, khususnya algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan data penjualan obat. KNN adalah algoritma yang telah terbukti efektif dalam klasifikasi data. Dalam penelitian ini, telah dikumpulkan data penjualan obat dari apotek selama periode tertentu, termasuk atribut seperti jenis obat, Jumlah Penjualan, dan keterangan penjualan. Penelitian ini menggunakan metode Knowledge Discovery in Database dengan tahapan data selection, preprocessing, trasformasi, data mining, dan evaluasi. Serta dalam proses penggolahannya menggunakan tool Rapidminer. Hasil pada proses evaluasi menunjukan akurasi pada masing-masing parameter adalah akurasi k-5 sebesar 91.08%, akurasi k-6 sebesar 93.62%, akurasi k-7 sebesar 94.26%, akurasi k-8 sebesar 93.00%, akurasi k-9 sebesar 93.62%, akurasi k-10 sebesar 93.62%. Hasil penelitian ini menunjukan bahwa penerapan KNN dalam klasifikasi penjualan obat memiliki potensi dalam mengoptimalkan stok obat.
PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK PENGELOMPOKAN HASIL PERTANIAN DI KABUPATEN CIREBON Nafilah, Mala; Rahaningsih, Nining; Danar Dana, Raditya
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.v8i1.8326

Abstract

Dataset mengenai pengelompokan hasil produksi pertanian Dinas Pertanian Kabupaten Cirebon saat ini masih belum tersedia. Keterbatasan dataset ini membuat kurangnya informasi mengenai perbedaan dan keunggulan hasil pertanian antar kecamatan. Oleh karena itu, sebagai salah satu usaha dalam membantu Dinas Pertanian untuk memudahkan pemberian informasi kepada masyarakat dan pihak tertentu dalam mencari informasi, dengan melakukan pengolahan data yaitu pengelompokan yang dapat menyelesaikan permasalahan tersebut. Diperlukan adanya pengelompokan yaitu untuk pemetaan kecamatan dengan hasil produksi pertanian menggunakan metode clustering. Metode clustering yang diterapkan adalah algoritma K-Means dan K-Medoids. Kemudian dilakukan perbandingan berdasarkan nilai Davies Bouldin Index (DBI) kedua algoritma agar bisa memilih algoritma clustering terbaik. Tujuannya untuk mengetahui setiap Kecamatan di Kabupaten Cirebon dengan hasil pertanian yang terkumpul dalam suatu cluster tertentu. Microsoft Excel dan RapidMiner digunakan untuk proses pengolahan data. Metode pendekatan menggunaan teknik data mining Knowledge Discovery in Database Process (KDD) dengan langkah dalam prosesnya adalah data selection, prepocessing, transformasi, data mining dan evaluasi. Hasil perbandingan antara K-Means dan K-Medoids menunjukan bahwa nilai DBI pada K-Means sebesar 0,368 mendapatkan 3 cluster sedangkan nilai DBI K-Medoids sebesar 0,706 mendapatkan 8 cluster. Dapat disimpulkan nilai optimal K-Means menghasilkan 0,368 dengan 3 cluster.
CLUSTERING KUNJUNGAN PASIEN MENGGUNAKAN ALGORITMA K-MEANS PADA RUMAH SAKIT DI WILAYAH BEKASI Faizal Rizqi, Muhammad; Martanto, Martanto; Hayati, Umi
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.v8i1.8327

Abstract

Dalam era digital saat ini. Sektor kesehatan terus menghadapi tantangan besar dalam mengelola dan menganalisis data pasien yang terus bertambah. Masalah yang terjadi adalah pengelolaan statistik untuk menentukan jumlah kunjungan dari terendah, menengah sampai tertinggi pada setiap rumah sakit dalam skala yang besar. Pada penelitian ini bertujuan untuk mengelompokkan jumlah kunjungan pasien berdasarkan rumah sakit di wilayah Bekasi dari yang terendah, menengah, dan tertinggi. Apabila pengolahan data dilakukan dengan analisis manual maka menjadi tidak efisien dan menghambat waktu, maka dari itu perlunya menggunakan teknik data mining dengan algoritma yang sesuai. Metode yang diterapkan yaitu menggunakan Algoritma K-Means Clustering, karena kemampuannya dalam mengelompokkan data menjadi kelompok yang saling berdekatan berdasarkan nilai terdekatnya. Melalui implementasi algoritma K-Means ini, penelitian berhasil mengelompokkan berdasarkan kunjungan rumah sakit. Hasil evaluasi menunjukkan bahwa jumlah kelompok optimal adalah tiga dengan nilai DBI 0,47. Pada cluster cluster 0 menjadi cluster yang terendah dengan jumlah maksimal rawat jalan sebesar 89.360 orang dan rawat inap sebesar 28.179 orang. Untuk cluster 1 menjadi cluster tersedang, dengan jumlah maksimal rawat jalan sebesar 244.966 orang dan rawat inap sebesar 45.919 orang. Dan untuk cluster 2 menjadi cluster yang tertinggi dengan jumlah maksimal rawat jalan sebesar 501.699 orang dan rawat inap 74.419 orang.
IMPLEMENTASI ALGORITMA RANDOM FOREST PADA APLIKASI PICSART BERDASARKAN RESPON PENGGUNA Farkhatul Jannah, Siti; 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.v8i1.8329

Abstract

Peningkatan kualitas aplikasi mobile menjadi fokus utama pengembangan dalam konteks teknologi saat ini. Untuk mendapatkan wawasan yang mendalam mengenai faktor-faktor yang mempengaruhi respon pengguna terhadap aplikasi mobile. Penelitian ini bertujuan untuk menganalisis respon pengguna terhadap aplikasi PicsArt dengan menggunakan teknik pembelajaran mesin, khususnya algoritma Random Forest. Dengan fokus pada pengembangan model prediksi yang akurat dengan pengumpulkan data dari pengguna aplikasi, mencakup aspek kepuasan, penggunaan fitur, dan preferensi. Melalui pemilihan fitur, Algoritma Random Forest dipilih karena kemampuannya mengatasi kompleksitas data dan menghindari overfitting. Model ini dilatih menggunakan data yang telah diproses dan diuji untuk memberikan wawasan berharga kepada pengembang aplikasi, membantu meningkatkan kualitas pengalaman pengguna, dan mendukung pengambilan keputusan yang efektif dalam pengembangan selanjutnya. Model yang dikembangkan berhasil mencapai tingkat akurasi sebesar 95.17%, mencerminkan kemampuannya dalam membuat prediksi yang tepat terhadap sentimen pengguna. Precision yang tinggi untuk kelas positif (94.71%) dan kelas negatif (95.63%) menunjukkan ketepatan model dalam mengidentifikasi ulasan yang bersifat positif dan negatif. Selain itu, recall yang mencapai 95.67% untuk kelas positif dan 94.66% untuk kelas negatif mengindikasikan kemampuan model untuk mengenali sebagian besar kasus yang seharusnya termasuk dalam kedua kelas tersebut. Temuan ini memperkuat bahwa model Random Forest efektif dalam menganalisis sentimen pada ulasan pengguna PicsArt.
PENERAPAN DATA MINING MENGGUNAKAN METODE K-MEANS CLUSTERING PADA PENJUALAN TAS DI ASIA TOSERBA CIREBON Sandova, Firdaus; Kurniawan, Rudi; Supratati, Tati
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.v8i1.8330

Abstract

Asia Toserba adalah sebuah perusahaan besar yang berada di Kota Cirebon, dengan menjual berbagai banyak keperluan sehari-hari, diantaranya penjualan tas dengan berbagai macam merek yang berkualitas. Dikarenakan banyaknya produk tas yang dijual dari masing-masing merek sehingga memiliki daya saing yang kuat untuk menarik minat customer dengan berbagai macam strategi pemasaran. Penelitian ini bertujuan untuk menganalisis pola penjualan tas di Asia Toserba Cirebon dalam menganalisis barang yang banyak diminati dan kurang diminati. Pada penelitian ini data yang digunakan yaitu data penjualan tas merk Westpak Bag’s, Subway, dan Cannon yang diambil pertiap bulan Januari – Juni 2023, dengan jumlah data mencapai 1.113 data, yang nantinya akan diolah menggunakan Software Rapid Miner. Tujuan dari penelitian ini adalah untuk menentukan berapa nilai Avarage Within Sentroid Distance dari masing-masing cluster dan nilai Davies Bouldin Index (DBI). Setelah itu Algoritma K-Means diterapkan untuk mengetahui jumlah cluster yang tepat atau sudah sangat baik menggunkan metode elbow method. Berdasarkan hasil penelitian yang telah dijelaskan, di dapatkan hasil nilai Avarage Within Centroid Distance dari 3 clustering yaitu k2 = 2007842385.954, k3 = 969761146.003, k4 = 554546997.018. Lalu jumlah cluster yang tepat atau sudah sangat baik dibuktikan dengan elbow method dengan hasil k3, dan nilai Davies Bouldin Index (DBI) yang mendekati nol pada saat k4 dengan nilai DBI k4 = 0.435. Dengan menggunakan Algoritma K-Means diharapkan dapat mengklasterisasi data penjualan tas di Asia Toserba Cirebon untuk mengatasi beberapa permasalahan dalam penjualan dan dapat mengoptimalkan penawaran produk dan pemasaran yang ditargetkan untuk memenuhi kebutuhan pelanggan secara lebih efektif.
IMPLEMENTASI ALGORITMA K-MEANS DALAM ANALISIS CLUSTER KORBAN KEKERASAN DI PROVINSI JAWA BARAT Awaliyah, Lia; Rahaningsih, Nining; Danar Dana, Raditya
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.v8i1.8332

Abstract

Kekerasan diartikan sebagai tindakan yang menyebabkan kerugian fisik, psikologis, atau perampasan hak korban. Pada tahun 2020-2022, tercatat peningkatan kasus kekerasan di Indonesia, Provinsi Jawa Barat menjadi salah satu yang paling terdampak. Kurangnya pemahaman mengenai pola dan karakteristik korban menjadi hambatan upaya perlindungan. Penelitian ini bertujuan untuk menganalisis dan mengelompokkan korban kekerasan berdasarkan kategori pendidikan, jenis kelamin, jumlah dan Kabupaten/Kota dengan memanfaatkan metode algoritma k-means clustering. Hasil pengujian menggunakan tools Rapidminer 10.2 dan metrik evaluasi DBI, menunjukkan cluster optimal pada K=2, dengan nilai validitas 0,157. Cluster 0 mencakup Kabupaten Bandung Barat, Kabupaten Bekasi, Kabupaten Karawang, Kabupaten Pangandaran, Kabupaten Purwakarta, Kota Bandung, Kota Banjar, Kota Bekasi, Kota Bogor, Kota Cimahi, Kota Cirebon, Kota Depok, Kota Sukabumi, dan Kota Tasikmalaya, dimana korban laki-laki didominasi tingkat pendidikan NA, tidak sekolah, SD, SLTA, dan TK dan korban perempuan didominasi tingkat pendidikan NA, SD, SLTA, Perguruan Tinggi, TK, dan PAUD. Cluster 1 mencakup Kabupaten Bandung, Kabupaten Bogor, Kabupaten Ciamis, Kabupaten Cianjur, Kabupaten Cirebon, Kabupaten Garut, Kabupaten Indramayu, Kabupaten Kuningan, Kabupaten Majalengka, Kabupaten Subang, Kabupaten Sukabumi, Kabupaten Sumedang, dan Kabupaten Tasikmalaya, dimana korban laki-laki didominasi tingkat pendidikan SLTP dan PAUD dan korban perempuan didominasi tingkat pendidikan tidak sekolah dan SLTP.
OPTIMASI ANALISIS CLUSTERING UNTUK AKTIVITAS DAN RESPON PENGGUNA MEDIA SOSIAL DENGAN K-MEANS Nur Afrilia, Mela; Rahaningsih, Nining; Danar Dana, Raditya; Dienwati Nuris, Nisa
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.v8i1.8334

Abstract

Media sosial sebagai platform utama interaksi dan aktivitas online memiliki peran sentral dalam membentuk pola perilaku pengguna. Analisis clustering aktivitas dan respons pengguna di media sosial menjadi penting untuk pengembangan strategi pemasaran dan manajemen platform yang efektif. Dalam lingkungan yang semakin kompleks ini, diperlukan pendekatan analisis yang sistematis. Penelitian ini bertujuan mendalami perilaku pengguna media sosial melalui algoritma K-Means dan Davies Bouldin Index (DBI) untuk mengoptimalkan jumlah cluster, sehingga memperkaya pemahaman pola aktivitas dan respons pengguna. Dengan menggunakan RapidMiner, penelitian berhasil mengidentifikasi tiga cluster optimal, dengan Cluster 1 menonjol sebagai yang paling dominan, diisi oleh pengguna yang menunjukkan tingkat aktivitas dan respons lebih tinggi dibandingkan kelompok lainnya. Temuan ini dapat memberikan panduan berharga bagi pengembangan strategi media sosial yang lebih tepat sasaran.
IMPLEMENTASI ALGORITMA K-MEANS PADA PENGELOMPOKAN DATA PENERIMAAN PESERTA DIDIK BARU DI SMKN 1 BALONGAN Suiroh, Suiroh; 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.v8i1.8335

Abstract

Penerimaan Peserta Didik Baru (PPDB) di SMKN 1 Balongan memiliki peranan penting dalam mengelola lembaga pendidikan yang berlangsung setiap tahun menjelang dimulainya tahun ajaran baru. Masalah pada penelitian ini yaitu SMKN 1 Balongan masih sering menemui strategi yang kurang tepat dalam promosi penerimaan siswa baru dikarenakan belum memiliki informasi dari hasil pengelompokan data penerimaan peserta didik baru yang mendaftar. Penelitian ini bertujuan untuk mendapatkan informasi dari hasil pengelompokan data penerimaan peserta didik baru dengan melalui penerapan algoritma K-Means Clustering. Selain itu, penelitian ini bertujuan untuk mendapatkan parameter Numerical Measures Type apa yang menghasilkan kelompok terbaik pada data PPDB. Pada penelitian ini metode yang digunakan yaitu Knowledge Discovery in Database (KDD). Hasil dari pengelompokan menunjukan bahwa dari jumlah cluster K2 sampai K10 menghasilkan K mana yang terbaik performanya yaitu yang mendekati angka 0. Nilai K yang paling mendekati angka 0 adalah K2. diperoleh hasil terbaiknya yaitu pada cluster k-2 dengan nilai DBI sebesar 0,508 untuk parameter Numerical Measures Type ChebychevDistabce dan Correlaton Matrix. Untuk mengevaluasi kinerja algoritma K-means dapat dilihat dari performance, dimana nilai Davies Bouldin yang mendekati 0 mengindikasikan kualitas algoritma yang semakin baik. Dengan demikian, maka jumlah cluster terbaik dalam percobaan ini adalah K2 atau yang mendekati 0.

Page 148 of 384 | Total Record : 3835

 146   147   148   149   150 

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