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
 151   152   153   154   155 
PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE DALAM MENGANALISIS SENTIMEN ULASAN PELANGGAN SHOPEEFOOD BERDASARKAN TWITTER Nur Rismanah, Siti; Astuti, Rini; M. 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.v8i1.8401

Abstract

Platform seperti ShopeeFood yang dapat digunakan untuk memesan makanan secara online telah menjadi fenomena di industri e-commerce. Fenomena ini muncul sebagai hasil dari perubahan perilaku konsumen yang semakin mengutamakan kenyamanan, efisiensi, dan berbagai pilihan pengalaman makanan. Pesatnya pertumbuhan pemesanan makanan secara online juga memunculkan tantangan dan peluang baru, seperti analisis sentimen terhadap ulasan pelanggan untuk mengetahui tingkat kepuasan, kekhawatiran, dan preferensi pelanggan. Penelitian ini bertujuan untuk menganalisis sentimen terhadap ulasan pelanggan ShopeeFood berdasarkan pengguna Twitter dengan mengambil data melalui teknik data crawling. Pada penelitian ini, data ulasan pelanggan ShopeeFood dari media sosial Twitter yang telah terkumpul dari tanggal 6 September hingga 16 Oktober 2023. Data ini mencakup ulasan pelanggan ShopeeFood sebanyak 2246 data ulasan pelanggan, dan menggunakan metode Knowledge Discovery in Database (KDD). Setelah dilakukan nya pengambilan data, tahapan selanjutnya adalah preprocesing data. Tahapan preprocesing data ini mencakup cleaning data, case folding, labeling, tokenize, filter tokens by length, stopword dengan menggunakan aplikasi RapidMiner dan pengklasifikasian menggunakan algoritma Support Vector Machine. Hasil dari pengujian ini didapatkan nilai akurasi sebesar 80.31%, presisi 73.22%, recall 95.58% dan erorr rate 19.68%.
IMPLEMENTASI ALGORITMA REGRESI LINIER DAN K-NEAREST NEIGHBOR UNTUK PREDIKSI HARGA RUMAH Kurniawan, Ilham; Rahaningsih, Nining; Suprapti, 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.v8i1.8402

Abstract

Perkembangan pesat dibidang informatika telah membawa dampak signifikan pada berbagai aspek kehidupan manusia. Ini disebabkan oleh kemajuan teknologi komputer, perangkat mobile, jaringan internet, dan berbagai aplikasi perangkat lunak yang terus berkembang. Prediksi harga rumah menjadi suatu hal yang krusial karena dapat membantu calon pembeli, penjual, dan pihak terkait lainnya untuk membuat keputusan yang informasional dan cerdas. Tujuan penelitian ini yaitu untuk mengetahui faktor yang paling berpengaruh terhadap harga rumah, mengetahui perbandingan tingkat akurasi dari kedua algoritma dalam prediksi harga ruumah, dan cara generalisasi model regresi linier ke pasar perumahan yang berbeda. Metode yang digunakan dalam prediksi harga rumah adalah metode KDD menggunakan algoritma regresi linear dan k-nearest neighbor dalam konteks data mining. Pada penelitian ini faktor yang paling berpengaruh terhadap harga rumah adalah luas bangunan dengan nilai koefisien sebesar 23047431.201. Algoritma KNN mempunyai hasil akurasi yang lebih baik dibandingkan dengan regresi linier, perbandingan tingkat akurasi ini diambil berdasarkan nilai relative error. Hasil nilai relative error regresi linier sebesar 71.95% +/- 82.63%. Sedangkan hasil relative error k-nearest neighbor pada gambar sebesar 30.95% +/- 29.87%. Model regresi linier dapat digeneralisasi dengan baik ke pasar perumahan yang berbeda melibatkan beberapa pendekatan. Diantaranya yaitu Pengumpulan data yang representatif, normalisasi dan standarisasi, pemahaman konteks pasar.
ANALISIS PERBANDINGAN ALGORITMA DECISIOIN TREE DAN NAÏVE UNTUK MENGEVALUASI PRESTASI BELAJAR SISWA: STUDI KASUS : SMK AL-MUSYAWIRIN Sholihin Fauzan, Aldi; Irma Purnama Sari, Ade; Ali, Irfan
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.v8i1.8403

Abstract

Prestasi belajar siswa merupakan faktor kunci dalam dunia pendidikan. Suatau negara akan maju seiring dengan kemajuan dalam bidang pendidikannya. Prestasi belajar siswa dapat meningkatkan akreditasi sekolah dan merupakan salah satu faktor keberhasilan pendidikan. Analisis data akademik yang tepat dapat membantu mengenai unsur-unsur yang mempengaruhi hasil prestasi belajar siswa. Oleh karena itu, penggunaan algoritma klasifikasi seperti Decision Tree dan Naïve Bayes menjadi penting untuk membantu pengambilan keputusan di lingkungan pendidikan. Penelitian ini mendapatkan sumber data dari SMK Al-Musyawirin Weru Cirebon dengan jumlah data sebesar 202 dengan menggunakan teknik pengumpulan data melakukan observasi dan wawancara langsung. Atribut yang digunakan dalam penelitian ini adalah Nama Siswa, Mata Pelajaran Pendidikan Agama Islam, Pendidikan Kewarganegaraan, Bahasa Indonesia, Bahasa Inggris, Matematika, Sejarah, Seni Budaya, Pendidikan Jasmani Olahraga Kesehatan, Simulasi Digital, Fisika, Kimia dan Bahasa Sunda. Peneliti menerapkan kedua algoritma ini menggunakan teknik data mining. Pada pengujian Cross Validation dengan 5-fold menggunakan metode Naïve Bayes menunjukan hasil keakuratan tertinggi sebesar 85.93%. Sedangkan pengujian menggunakan split data medapatkan keakuratan 95.00%. Pada pengujian Cross Validation dengan 7-fold menggunakan metode Decision Tree menunjukan hasil keakuratan tertinggi sebesar 89,22%. Sedangkan pengujian menggunakan split data medapatkan keakuratan 100.00%. Menurut hasil yang telah diuji dengan menggunakan tools RapidMiner, menyatakan bahwa metode Decision Tree memiliki tingkat akurasi yang lebih tinggi daripada metode Naïve Bayes dalam menentukan prestasi akademik siswa. Dalam hal ini bagian akademik bisa mengantisipasi hasil pembelajaran siswa jika ada yang kurang berprestasi.
KLASIFIKASI TIPE PENYERANG SEPAK BOLA LIGA INGGRIS BERDASARKAN DATA STATISTIK PEMAIN MENGGUNAKAN METODE NAIVE BAYES Triawan, Eri; Suarna, Nana; Rinaldi Dikananda, Arif
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8404

Abstract

Sepakbola adalah salah satu olahraga yang paling populer di dunia. Bahkan, ada yang berpendapat bahwa tidak diperlukan metode ilmiah untuk mengetahui betapa populernya sepak bola. Berdasarkan hasil survei yang dilakukan oleh FIFA Global Fooball Development (GFD) pada tahun 2023, Jumlah penggemar sepak bola di dunia mencapai 3,5 miliar orang. Dalam permainan sepak bola, terdapat tiga posisi pemain yaitu pemain bertahan yang terdiri dari kiper(goalkeeper) dan bek(defender), pemain Tengah(midfielder), dan penyerang(forward). Salah satu posisi yang dibahas dalam penelitian ini adalah posisi penyerang atau dalam Bahasa inggris disebut forward. Posisi penyerang dalam sepak bola terdiri dari beberapa tipe yaitu FW (Forward), FWMF (Forward Midfielder), dan FWDF (Forward Defensif Forward). Tugas mengklasifikasi tipe pemain sepak bola adalah tugas yang sulit, banyak faktor yang harus diperhatikan. Jika hanya mengandalkan survei lapangan dan penghitungan manual, selain keakuratannya kurang, waktu dan tenaga yang dibutuhkan juga bertambah. Untuk itulah penelitian ini dibuat, dengan menggunakan teknik pembelajan mesin, dapat mengurangi waktu dan tenaga yang dibutuhkan. Tujuan utama penelitian ini adalah mengembangkan model klasifikasi yang dapat mengidentifikasi dan membedakan tipe penyerang di liga Inggris berdasarkan data statistik pemain. Dalam sepak bola, variasi gaya bermain pemain menciptakan dinamika yang menarik untuk diungkap. Untuk medalaminya, Penalitian ini berfokus mengklasifikasikan tipe penyerang sepak bola liga inggris berdasarkan data statistik pemain menggunakan metode naïve bayes. Metode penelitian ini menggunakan Knowledge Discovery in Databases (KDD) dan metode naïve bayes. Data yang sudah diunduh dari Kaggle kemudian dibersihkan untuk membuang data yang nilainya hilang dan tidak valid. Data yang sudah dibersihkan kemudian diseleksi fitur-fiturnya yang sesuai dengan klasifikasi tipe penyerang. Data yang digunakan dalam penelitian ini adalah data statistic individu pemain liga inggris selama satu musim. Hasil dari penelitian ini yang menggunakan rasio 80:20 mendapatkan keakurataan sebesar 56.67%.
CLUSTERING BENCANA ALAM MENGGUNAKAN K-MEANS PADA WILAYAH JAWA BARAT Rohman, Dede; Annisa, Rhima; Indriyana Efendi, Deny; Solahudin, Dodi
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.v8i1.8409

Abstract

Wilayah Jawa Barat memiliki risiko bencana alam yang signifikan, dengan hampir semua jenis bencana, termasuk gempa bumi, tanah longsor, banjir, dan lainnya, telah terjadi di berbagai bagian wilayah tersebut. Oleh karena itu, penting untuk mengkaji lebih mendalam informasi mengenai tingkat frekuensi bencana alam di berbagai daerah, guna meningkatkan kewaspadaan dan kesiapsiagaan di masa yang akan datang. Tujuan dari penelitian ini adalah untuk mengelompokkan insiden-insiden bencana alam di Jawa Barat ke dalam kelompok-kelompok berdasarkan jenis bencananya. Rangkaian tahap metodologi melibatkan akuisisi data insiden bencana, pengolahan data, penentuan jumlah klaster yang optimal melalui metode elbow, implementasi algoritma K-Means, serta analisis hasil klastering. Dengan menggunakan tools Rapidminer diperoleh 3 cluster dengan nilai Davies Bouldin Index yaitu 0.004. Cluster 0 merupakan daerah dengan kejadian tinggi, Cluster 2 dengan daerah kejadian sedang dan Cluster 1 dengan kejadian rendah.
IMPLEMENTASI DATA MINING UNTUK CLUSTERING JENIS OBAT MENGGUNAKAN METODE ALGORITMA K-MEANS DI UPTD PUSKESMAS TEGAL GUBUG Arofah, Mila; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8410

Abstract

Kebutuhan obat-obatan yang sesuai merupakan faktor penting dalam pengendalian pemasokan obat yang efektif dan efisien. Hal ini memastikan ketersediaan berbagai jenis obat sesuai kebutuhan dan dapat diperoleh tepat waktu. Namun, proses pengadaan obat di Puskesmas masih mengalami kendala dalam menentukan jenis dan jumlah obat yang optimal. Kendala ini dapat mengakibatkan kekurangan atau kelebihan stok obat, yang berdampak pada pemborosan dan inefisiensi. Penelitian ini bertujuan untuk membentuk kelompok-kelompok data obat-obatan di UPTD Puskesmas Tegal Gubug menggunakan metode clustering data mining. Penelitian dapat membantu dalam proses pengambilan keputusan, perencanaan, dan pengendalian pasokan obat di Puskesmas. Penelitian ini menggunakan metode clustering data obat-obatan dengan algoritma K-Means. Algoritma K-Means adalah metode clustering non-hirarki yang mempartisi data ke dalam kelompok-kelompok (cluster) berdasarkan kesamaan karakteristik. Hasil penelitian menunjukkan bahwa algoritma K-Means dapat mengelompokkan data obat-obatan di UPTD Puskesmas Tegal Gubug berdasarkan pengujian dengan 124 data. Cluster optimal menyumbangkan 10 data untuk cluster C1 (obat dengan pemakaian lambat), 50 data untuk cluster C2 (obat dengan pemakaian sedang), dan 64 data untuk cluster C3 (obat dengan pemakaian cepat). Hal ini menunjukkan bahwa data mendekati cluster pembayaran (Pusat). Metode clustering data mining dengan algoritma K-Means dapat membantu Puskesmas dalam meningkatkan efektivitas dan efisiensi pengendalian pasokan obat.
PENERAPAN DATA MINING CLUSTERING MENGGUNAKAN ALGORITMA FUZZY C-MEANS PADA DATA PENCARI KERJA DI KABUPATEN KUNINGAN An-naziz Safaat, Wafik; Kurniawan, Rudi; Arie Wijaya, Yudhistira
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8411

Abstract

Dalam melamar pekerjaan yang sesuai dengan keinginan perusahaan, pencari kerja wajib mengikuti kebijakan perekrutan pencari kerja yang ditetapkan oleh perusahaan. Permasalahan umum saat ini adalah masih banyak pencari kerja yang belum mendapatkan pekerjaan, misalnya karena kurangnya pendidikan dan kesempatan kerja. Tidak semua pencari kerja yang melamar pada suatu perusahaan tertentu mempunyai kualifikasi berdasarkan tingkat pendidikan pencari kerja yang berbeda-beda. Oleh karena itu, Dewan Ketenagakerjaan dan Migrasi dapat membantu atau membimbing pihak-pihak yang ingin mencari pekerjaan baru dengan menerbitkan kartu kuning. Kartu kuning merupakan kartu pencari kerja yang dikeluarkan oleh Badan Ketenagakerjaan dan Migrasi, dimana fungsi kartu tersebut adalah sebagai tanda bahwa pemegang kartu sedang mencari pekerjaan. Tujuan dari penelitian ini adalah melakukan clustering data pencari kerja dengan menggunakan teknik clustering menggunakan metode Algoritma Fuzzy C-Means dan mengelompokkan objek menjadi beberapa kelompok, dimana k (cluster) adalah jumlah kelompok yang diinginkan, dan menggunakan RapidMiner Tools versi 10.3. Hasil penelitian berupa informasi perbandingan pencari kerja pada variabel usia, pendidikan terakhir, profesi dan jenis kelamin, yang hasilnya dihitung menggunakan algoritma Fuzzy C-Means. Dengan menggunakan algoritma fuzzy c-means diperoleh yang terbaik yaitu klaster 2 sebanyak 31 item. Pengelompokan data pencari kerja ini membantu pemerintah untuk menawarkan lapangan pekerjaan kepada pencari kerja secara merata sehingga data pencari kerja tidak menumpuk setiap tahunnya.
PERBANDINGAN KINERJA NAÏVE BAYES DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI SENTIMEN ULASAN GAME GENSHIN IMPACT Safrudin, Muhamad; Martanto, Martanto; Hayati, Umi
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.8415

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen ulasan pengguna game online Genshin Impact. Meskipun analisis sentimen telah menjadi bagian integral dari penelitian di bidang komputasi cerdas, tantangan utama adalah penerapannya pada domain spesifik seperti ulasan game online. Pemilihan dan penyesuaian algoritma yang tepat penting untuk memastikan akurasi tetap optimal mengingat variasi bahasa dan ekspresi dalam ulasan. Data ulasan berasal dari Google Playstore dan telah dilabeli otomatis ke dalam dua kelas sentimen. Algoritma diimplementasikan dengan Python dan Scikit-Learn. Evaluasi performa menggunakan akurasi dari confusion matrix. Hasil menunjukkan SVM mencapai akurasi 83% pada rasio data latih:uji 70:30, lebih tinggi dibanding Naive Bayes 75,5%. Analisis lebih lanjut dilakukan untuk memahami faktor yang mempengaruhi perbedaan performa pada data teks game online. Bertujuan memberi pemahaman bagaimana metode analisis sentimen dapat dioptimalkan agar lebih akurat dalam konteks game online seperti Genshin Impact. SVM direkomendasikan untuk klasifikasi sentimen ulasan game online karena memberikan akurasi lebih tinggi dibanding Naive Bayes. Penelitian ini berkontribusi pada pengembangan teknik analisis sentimen yang efektif untuk domain game online.
ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PERKEMBANGAN ARTIFICIAL INTELLIGENCE DENGAN PENERAPAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) Azrul, Ahmad; Irma Purnamasari, Ade; Ali, Irfan
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.v8i1.8416

Abstract

Dalam era transformasi teknologi yang pesat, perkembangan kecerdasan buatan (Artificial Intelligence atau AI) menjadi salah satu tonggak utama yang membentuk pandangan masyarakat global. Meskipun perkembangan Artificial Intelligence (AI) menghadirkan berbagai potensi positif, permasalahan yang muncul adalah kurangnya pemahaman mendalam terhadap pandangan dan sentimen pengguna Twitter terhadap evolusi teknologi ini. Tujuan penelitian ini adalah untuk menganalisis sentimen pengguna Twitter terhadap perkembangan AI dan mengevaluasi kinerja model LSTM dalam menginterpretasikan opini menggunakan algoritma Long Short-Term Memory (LSTM) dengan memanfaatkan metode Knowledge Discovery in Database (KDD). Hasil analisis sentimen dari 1513 tweet menunjukkan bahwa 999 di antaranya bersentimen positif dan 514 bersentimen negatif terhadap perkembangan AI. Melalui uji coba, model LSTM mencapai tingkat akurasi tertinggi sebesar 74,25% pada epoch 20 dengan 100 neuron pada lapisan LSTM. Pengujian dengan split data 80:20 menghasilkan kinerja terbaik dengan 1210 data training dan 303 data testing. Kesimpulan penelitian ini menegaskan bahwa penerapan LSTM pada data tweet AI memberikan kinerja yang baik, dengan rata-rata akurasi 74.25%, precision 80.29%, recall 81.09%, dan f1-score 80.69%. Hasil ini menunjukkan kemampuan model LSTM dalam efektif memahami perasaan pengguna Twitter terhadap perkembangan AI.
DETEKSI BERITA PALSU MENGGUNAKAN ALGORITMA RANDOM FOREST Nurohanisah, Siti; Astuti, Rini; Muhammad 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.v8i1.8418

Abstract

Dalam era digital yang dipenuhi oleh penyebaran berita palsu atau yang lebih dikenal dengan istilah "hoaks," tantangan untuk memerangi penyebaran informasi yang salah dan menyesatkan semakin mendesak. Berita palsu memiliki potensi untuk merusak kepercayaan publik, menciptakan kebingungan, dan berdampak negatif pada masyarakat. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasi berita palsu yang menggunakan algoritma Random Forest, dengan tujuan mengeksplorasi cara menggunakan algoritma Random Forest dalam mengidentifikasi dan memisahkan berita palsu dari berita yang asli. Penelitian ini dilakukan dengan memanfaatkan dataset yang mencakup berbagai jenis berita, termasuk berita palsu dan berita asli, yang telah dianalisis dan dikategorikan oleh ahli faktual. Teknik pemrosesan bahasa alami (NLP) digunakan untuk mengekstraksi fitur-fitur penting dari teks berita. Penelitian ini menggunakan algoritma Random Forest untuk klasifikasi. Random Forest bekerja dengan cara menggabungkan sejumlah besar pohon keputusan yang independen untuk membuat keputusan akhir. Setiap pohon membuat prediksi, dan hasil akhirnya didasarkan pada mayoritas prediksi dari pohon-pohon tersebut. Kelebihan utama Random Forest adalah kemampuannya dalam mengatasi overfitting dan meningkatkan akurasi dengan menggabungkan prediksi dari beberapa model. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa klasifikasi berita palsu menggunakan algoritma Random Forest mampu mengklasifikasikan berita dengan tingkat akurasi yang memuaskan. Hasil akhir menunjukkan bahwa sistem ini memiliki kinerja yang baik dalam membedakan berita palsu dari berita asli, dengan akurasi rata-rata di atas 87%.

Page 153 of 384 | Total Record : 3835

 151   152   153   154   155 

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