cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Mesran
Contact Email
mesran.skom.mkom@gmail.com
Phone
+6282161108110
Journal Mail Official
jurnal.json@gmail.com
Editorial Address
STMIK Budi Darma Jln. Sisingamangaraja No. 338 Telp 061-7875998
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Sistem Komputer dan Informatika (JSON)
Published by Sekolah Tinggi Manajemen Informatika dan Komputer Budi Darma
ISSN : -     EISSN : 2685998X     DOI : https://dx.doi.org/10.30865/json.v1i3.2092
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering
The Jurnal Sistem Komputer dan Informatika (JSON) is a journal to managed of STMIK Budi Darma, for aims to serve as a medium of information and exchange of scientific articles between practitioners and observers of science in computer. Focus and Scope Jurnal Sistem Komputer dan Informatika (JSON) journal: Embedded System Microcontroller Artificial Neural Networks Decision Support System Computer System Informatics Computer Science Artificial Intelligence Expert System Information System, Management Informatics Data Mining Cryptography Model and Simulation Computer Network Computation Image Processing etc (related to informatics and computer science)
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 800 Documents
 75   76   77   78   79 
Pengembangan Sistem Absensi Mobile Berbasis Flutter dengan QR Code dan GPS Naufal Fahmi Kartika; Diah Priyawati
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9687

Abstract

LPK Kartika Sinar Persada merupakan lembaga kursus yang salah satu programnya adalah kursus stir mobil. Proses absensi yang saat ini menggunakan Google Form memang telah dilakukan secara digital, namun masih memiliki beberapa kendala seperti kesalahan pengisian data, tidak adanya mekanisme verifikasi kehadiran, serta belum mendukung pemantauan performa instruktur. Penelitian ini bertujuan merancang serta membangun aplikasi absensi mobile berbasis Flutter pada platform Android dengan mengintegrasikan pemindaian QR Code dinamis berbasis Time-Based One-Time Password (TOTP) dan verifikasi lokasi menggunakan GPS, serta menyediakan fitur pemantauan performa instruktur berdasarkan kelengkapan penyampaian materi dan analisis sentimen evaluasi siswa menggunakan model OpenAI yang diolah dengan pendekatan Multi-Criteria Analysis (MCA). Sistem dikembangkan menggunakan metode Waterfall dengan tahapan analisis, desain, pengembangan, pengujian, dan pemeliharaan. Berdasarkan hasil pengujian fungsional menggunakan Black Box Testing, seluruh fitur sistem berjalan sesuai spesifikasi. Evaluasi usability menggunakan System Usability Scale (SUS) menghasilkan skor rata-rata 74 yang termasuk dalam kategori Acceptable dengan predikat Good. Pengujian performa menggunakan Flutter DevTools menunjukkan kestabilan frame rate pada kisaran 59–60 FPS, sedangkan pengujian menggunakan Android Profiler menunjukkan penggunaan CPU dan memori masih berada dalam batas wajar. Dengan demikian, sistem yang dihasilkan tidak hanya meningkatkan validitas pencatatan kehadiran, tetapi juga mendukung pemanfaatan data evaluasi siswa sebagai dasar pemantauan kualitas pembelajaran secara lebih sistematis berbasis data.
Sistem Rekomendasi Objek Wisata Di Kabupaten Karanganyar Menggunakan SAW dan TOPSIS Berbasis Mobile Naufal softwan al zuhudha; Diah Priyawati
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9690

Abstract

Kabupaten Karanganyar memiliki beragam destinasi wisata unggulan, namun wisatawan sering kesulitan menentukan destinasi yang sesuai preferensi mereka. Sistem rekomendasi yang ada umumnya menerapkan satu metode Multi-Criteria Decision Making (MCDM) berbasis web tanpa pembanding, sehingga validitas hasil belum terverifikasi silang. Penelitian ini mengembangkan sistem rekomendasi destinasi wisata berbasis mobile yang mengimplementasikan metode Simple Additive Weighting (SAW) dan Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) secara bersamaan menggunakan framework Flutter, metode Waterfall, dan Supabase sebagai backend. Hasil pengujian terhadap 12 destinasi serta memanfaatkan lima kriteria penilaian yaitu kategori, rating, harga, jarak, dan tujuan wisata, menunjukkan kedua metode menghasilkan peringkat identik, dengan De Tjolomadoe sebagai rekomendasi utama. Hasil perhitungan SAW sebesar 0,9550 dan TOPSIS sebesar 0,9306, membuktikan konsistensi rekomendasi antar metode. Kontribusi utama penelitian ini adalah validasi silang dua metode MCDM dalam satu aplikasi mobile lintas platform Android dan iOS dengan kriteria jarak GPS real-time.
Optimasi Pencarian UMKM Berbasis AI dan Location-Based Search di Solo Raya Rindi Miasari; Bana Handaga
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9696

Abstract

Digitalisasi Usaha Mikro, Kecil, dan Menengah (UMKM) di Solo Raya masih menghadapi kendala pada sistem pencarian direktori, seperti ketidakmampuan menangani kesalahan penulisan, belum terintegrasi dengan pencarian berbasis lokasi, serta kurang optimal dalam performa saat jumlah pengguna meningkat. Penelitian ini bertujuan mengoptimalkan pencarian UMKM melalui integrasi Artificial Intelligence (AI) dan location-based search dalam sebuah sistem direktori online. Sistem dikembangkan menggunakan metode Agile dengan empat sprint serta memanfaatkan Next.js, Express.js, MongoDB, dan Meilisearch. Kontribusi utama penelitian ini adalah integrasi model AI LLaMA 3.3 70B dengan Meilisearch untuk mendukung pencarian toleran kesalahan penulisan (typo-tolerance) dan rekomendasi kata kunci, serta penerapan location-based search untuk menampilkan UMKM terdekat dalam radius 20 km. Hasil pengujian menunjukkan seluruh fungsi sistem berjalan sesuai rancangan berdasarkan black-box testing. Pengujian performa menggunakan PageSpeed Insights menunjukkan hasil yang baik dengan skor tinggi pada sebagian besar parameter. Pengujian usability menghasilkan skor System Usability Scale (SUS) sebesar 72 yang termasuk kategori dapat diterima (acceptable), serta tingkat kegunaan fitur pencarian sebesar 82,66% dengan kategori sangat baik. Hasil ini menunjukkan bahwa sistem mampu meningkatkan kualitas pencarian UMKM secara efektif.
Implementasi Convolutional Neural Network dan Large Language Model untuk Klasifikasi dan Deskripsi Pengenalan Pola Crochet Hernanda Lilih Kusumaningtyas; Dedi Gunawan
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9699

Abstract

Crochet merupakan kerajinan tekstil dengan beragam pola yang sulit diidentifikasi secara manual karena memerlukan pengalaman dan waktu. Penelitian ini bertujuan mengembangkan sistem klasifikasi pola crochet berbasis Convolutional Neural Network (CNN) serta mengintegrasikannya dengan Large Language Model (LLM) untuk menghasilkan deskripsi pola secara otomatis dalam bahasa Indonesia. Dataset yang digunakan terdiri dari 830 citra yang dibagi ke dalam delapan kelas. Model CNN digunakan untuk ekstraksi fitur dan klasifikasi citra, kemudian hasil prediksi diteruskan ke LLM untuk menghasilkan deskripsi tekstual. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 93% dengan nilai macro average dan weighted average sebesar 0,93, yang mengindikasikan performa yang seimbang pada seluruh kelas, meskipun masih terdapat kesalahan pada pola dengan kemiripan tekstur. Kontribusi utama penelitian ini terletak pada integrasi CNN dan LLM dalam satu sistem multimodal yang tidak hanya menghasilkan klasifikasi, tetapi juga deskripsi pola secara otomatis. Sistem diimplementasikan dalam aplikasi berbasis web yang memungkinkan pengguna memperoleh hasil klasifikasi, confidence score, dan deskripsi secara langsung. Pendekatan ini diharapkan dapat meningkatkan efisiensi proses identifikasi pola crochet serta mendukung pengembangan sistem multimodal pada domain tekstil.
Klasifikasi Citra X-Ray Pneumonia Menggunakan Convolutional Neural Network (CNN) dengan Eksplorasi Tekstur Gabor Filter Sigit Hudawiguna; Muhammad Rikza Nashrulloh; Mita Tri Andari
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9704

Abstract

Pneumonia merupakan salah satu penyakit pernapasan yang dapat dideteksi melalui citra X-ray dada, ditandai dengan munculnya infiltrat pada paru-paru. Proses diagnosis manual oleh tenaga medis memerlukan waktu dan berpotensi menghasilkan subjektivitas, sehingga diperlukan pendekatan berbasis kecerdasan buatan. Penelitian ini bertujuan mengembangkan model klasifikasi pneumonia menggunakan metode Convolutional Neural Network (CNN) yang dikombinasikan dengan eksplorasi Gabor Filter untuk analisis tekstur citra. Metodologi yang digunakan adalah sEMMA (Sample, Explore, Modify, Model, Assess). Dataset yang digunakan bersumber dari Kaggle berjumlah 5.216 citra yang terbagi menjadi dua kelas, yaitu normal dan pneumonia, dengan pembagian data training dan validation menggunakan rasio 80:20. Tahap preprocessing meliputi resize citra, konversi grayscale, augmentasi data, normalisasi, serta penerapan Gabor Filter sebagai analisis tekstur. Model CNN dibangun secara kustom dan dilatih menggunakan optimizer Adam. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 90,61%, presisi 98,97%, recall 88,12%, dan F1-score sebesar 0,9323. Selain itu, nilai AUC-ROC sebesar 0,9854 dan AUC-PR sebesar 0,9950 menunjukkan kemampuan klasifikasi yang baik. Hasil penelitian ini menunjukkan bahwa metode yang diusulkan berpotensi mendukung diagnosis pneumonia berbasis citra medis.
Implementasi Sistem Deteksi Helm Keselamatan Kerja Berbasis YOLOv11 dan Flask secara Real-Time Wisnu Wibisono; Fersellia
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9708

Abstract

Keselamatan dan Kesehatan Kerja (K3) pada sektor konstruksi masih menghadapi permasalahan rendahnya kepatuhan penggunaan alat pelindung diri, khususnya helm keselamatan, yang berkontribusi terhadap meningkatnya risiko kecelakaan kerja. Pengawasan manual dinilai kurang efektif dalam memantau penggunaan helm secara berkelanjutan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi penggunaan helm keselamatan berbasis computer vision menggunakan algoritma YOLOv11 yang terintegrasi dengan aplikasi monitoring berbasis web. Sistem dikembangkan menggunakan metode Rapid Application Development (RAD). Dataset diperoleh dari platform Roboflow sebagai dataset publik yang terdiri dari 19.745 citra dan ditingkatkan menjadi 31.579 citra melalui proses augmentasi, serta tahapan pre-processing, anotasi, dan pembagian data. Model dilatih selama 40 epoch dengan citra 640×640 piksel dan batch size 32, serta dievaluasi menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasil penelitian menunjukkan bahwa model memperoleh precision sebesar 0,881, recall sebesar 0,865, dan mAP@0.5 sebesar 0,905, serta mAP@0.5–0.95 sebesar 0,549 yang menunjukkan performa deteksi yang baik. Sistem mampu melakukan deteksi secara real-time pada video streaming berbasis RTSP serta menampilkan hasil deteksi secara langsung pada setiap frame. Pengujian black-box menunjukkan seluruh fungsi sistem berjalan dengan baik dan mampu memproses video streaming secara kontinu selama monitoring berlangsung. Hasil evaluasi confusion matrix menunjukkan model masih berpotensi menghasilkan false negative pada kondisi tertentu, khususnya pada objek tanpa helm dengan pencahayaan atau sudut pengambilan gambar yang kurang optimal. Oleh karena itu, pengembangan lebih lanjut diperlukan untuk meningkatkan robustness sistem terhadap variasi kondisi lingkungan.
Evaluasi Komparatif Random Forest, XGBoost, dan Logistic Regression untuk Prediksi Stroke Menggunakan Teknik SMOTE Anggita Nur Holifah; Imam Tahyudin
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9711

Abstract

Stroke merupakan salah satu penyakit dengan tingkat kematian dan kecacatan yang tinggi sehingga diperlukan metode prediksi yang mampu mendukung deteksi dini secara lebih akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma Random Forest, XGBoost, dan Logistic Regression dalam memprediksi risiko stroke berdasarkan data kesehatan pasien. Dataset yang digunakan terdiri dari 5.110 data dengan 12 variabel, seperti usia, riwayat hipertensi, penyakit jantung, kadar glukosa darah, indeks massa tubuh, dan kebiasaan merokok. Ketidakseimbangan data ditangani menggunakan metode SMOTE, sedangkan hyperparameter tuning diterapkan pada model Random Forest untuk mengevaluasi pengaruhnya terhadap performa klasifikasi. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa berdasarkan nilai weighted average, Random Forest memperoleh performa keseluruhan terbaik dengan accuracy sebesar 94%, precision 90%, recall 94%, dan F1-score 91%. XGBoost menghasilkan performa yang hampir setara dengan accuracy 93%, precision 90%, recall 93%, dan F1-score 91%, sedangkan Logistic Regression memperoleh accuracy 74%, precision 93%, recall 74%, dan F1-score 81%. Hasil evaluasi juga menunjukkan bahwa hyperparameter tuning pada Random Forest tidak memberikan peningkatan performa yang signifikan dibandingkan model sebelum tuning. Meskipun Random Forest dan XGBoost menghasilkan performa keseluruhan yang lebih tinggi, Logistic Regression menunjukkan kemampuan yang lebih baik dalam mendeteksi kasus stroke berdasarkan nilai recall pada kelas stroke. Oleh karena itu, pemilihan model perlu disesuaikan dengan tujuan penggunaan, baik untuk memperoleh performa klasifikasi secara keseluruhan maupun untuk memaksimalkan deteksi kasus stroke.
Perbandingan Performa Model Prediksi Volatilitas BTC/IDR Menggunakan LSTM dan ARIMA Fahren Affandi; Imam Akbar; Sella Juniastia Marsya Saputri; Zwesty Quatra; Allsela Meiriza; Ken Ditha Tania; Ahmad Rifai
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9719

Abstract

Karakteristik fluktuatif pasar aset kripto yang ekstrem menuntut ketersediaan model peramalan yang andal sebagai penunjang strategi manajemen risiko investasi. Penelitian ini bertujuan untuk membandingkan pendekatan Long Short-Term Memory (LSTM) sebagai model deep learning sekuensial dan Autoregressive Integrated Moving Average (ARIMA) sebagai model statistik deret waktu dalam memprediksi log-volatility Bitcoin pada pasangan BTC/IDR periode 2018–2025. Dataset historis harian BTC/IDR diperoleh dari platform Binance dengan periode observasi Januari 2018 hingga Desember 2025, kemudian diproses melalui perhitungan log-return, estimasi realized volatility berbasis jendela 7 hari, transformasi logaritmik, serta normalisasi data. Evaluasi model menggunakan metode walk-forward validation dengan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model LSTM memperoleh MAE sebesar 0,5126, RMSE sebesar 1,0408, dan R² sebesar 0,6803, sedangkan model ARIMA menghasilkan MAE sebesar 0,5430, RMSE sebesar 1,0217, dan R² sebesar 0,7052 pada konfigurasi terbaiknya. Meskipun LSTM memiliki MAE yang lebih rendah, model ARIMA menunjukkan performa yang lebih unggul berdasarkan nilai RMSE yang lebih kecil dan R² yang lebih tinggi, sehingga lebih efektif dalam menjelaskan variasi data serta menangkap fluktuasi ekstrem pada volatilitas Bitcoin. Secara keseluruhan, hasil penelitian menunjukkan bahwa model ARIMA lebih representatif dalam memodelkan dinamika log-volatility Bitcoin dibandingkan model LSTM. Temuan ini menegaskan bahwa pemilihan model prediksi volatilitas perlu mempertimbangkan karakteristik data yang dinamis dan fluktuatif. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi volatilitas yang adaptif, khususnya pada pasar cryptocurrency di Indonesia.
Sistem Booking Online Pendakian Gunung Lawu Berbasis Web Terintegrasi Midtrans dan Enkripsi AES-256 Rifki Kurnia Febriansyah; Diah Priyawati
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9722

Abstract

Administrasi pendakian Gunung Lawu, khususnya di jalur Cemoro Kandang masih dilakukan secara manual kerap menimbulkan antrean, kesalahan pendataan, dan inefisiensi pengelolaan. Penelitian ini bertujuan mengembangkan sistem booking online berbasis web untuk mengatasi permasalahan tersebut. Kontribusi utama dari penelitian ini difokuskan pada integrasi payment gateway Midtrans untuk otomatisasi pembayaran digital, serta implementasi e-ticket berbasis QR Code yang diamankan dengan algoritma enkripsi AES-256 guna memastikan keabsahan tiket dan mencegah duplikasi. Sistem dikembangkan menggunakan metode Waterfall dan diimplementasikan dengan framework Laravel. Hasil pengujian blackbox mengonfirmasi bahwa seluruh fitur sistem telah berfungsi dengan baik sesuai perancangan. Selain itu, pengujian menggunakan System Usability Scale (SUS) terhadap 30 responden memperoleh skor rata-rata 75,73 (kategori Acceptable, grade B). Hasil ini menunjukkan bahwa sistem yang dibangun layak dan mudah digunakan, sehingga diharapkan mampu meningkatkan efisiensi dan keamanan pengelolaan pendakian secara signifikan.
Integrasi Metode Farnsworth-Munsell pada Aplikasi Web untuk Identifikasi Gangguan Penglihatan Warna Muhammad Abdurrahman Hasan; Aris Rakhmadi
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9725

Abstract

Gangguan penglihatan warna sering kali tidak disadari sehingga dapat menghambat aktivitas pendidikan maupun pekerjaan. Penelitian ini bertujuan mengembangkan aplikasi web sebagai instrumen skrining mandiri melalui integrasi metode Farnsworth-Munsell. Sistem dibangun menggunakan framework Laravel dengan pola arsitektur Model-View-Controller (MVC) dan model pengembangan Waterfall. Kontribusi utama penelitian ini adalah digitalisasi prosedur tes fisik ke dalam antarmuka web yang mampu melakukan kalkulasi Total Error Score (TES) secara otomatis dan sistematis berdasarkan posisi koordinat warna yang dimasukan pengguna. Evaluasi fungsional menggunakan metode Black Box menunjukkan bahwa seluruh fitur integrasi metode dan pemrosesan skor berjalan valid. Pengujian aspek kegunaan melalui instrumen System Usability Scale (SUS) menghasilkan skor rata-rata 72,50, yang menempatkan sistem pada kategori Good (Layak). Hasil penelitian menyimpulkan bahwa aplikasi ini efektif berfungsi sebagai alat pemindaian awal yang aksesibel bagi masyarakat umum tanpa memerlukan instalasi perangkat lunak tambahan, sekaligus menyediakan standarisasi perhitungan skor tes buta warna secara digital. Aplikasi ini dirancang sebagai sarana skrining awal secara mandiri dan tidak dimaksudkan untuk menggantikan hasil diagnosis medis profesional dari dokter spesialis mata.

Page 77 of 80 | Total Record : 800

 75   76   77   78   79 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 4 (2026): Juni 2026 Vol. 7 No. 3 (2026): Maret 2026 Vol. 7 No. 2 (2025): Desember 2025 Vol. 7 No. 1 (2025): September 2025 Vol 6, No 4 (2025): Juni 2025 Vol. 6 No. 4 (2025): Juni 2025 Vol 6, No 3 (2025): Maret 2025 Vol. 6 No. 3 (2025): Maret 2025 Vol. 6 No. 2 (2024): Desember 2024 Vol 6, No 2 (2024): Desember 2024 Vol 6, No 1 (2024): September 2024 Vol. 6 No. 1 (2024): September 2024 Vol 5, No 3 (2024): Maret 2024 Vol. 5 No. 3 (2024): Maret 2024 Vol. 5 No. 2 (2023): Desember 2023 Vol 5, No 1 (2023): September 2023 Vol. 5 No. 1 (2023): September 2023 Vol 4, No 4 (2023): Juni 2023 Vol. 4 No. 4 (2023): Juni 2023 Vol 4, No 3 (2023): Maret 2023 Vol. 4 No. 3 (2023): Maret 2023 Vol 4, No 2 (2022): Desember 2022 Vol. 4 No. 2 (2022): Desember 2022 Vol 4, No 1 (2022): September 2022 Vol. 4 No. 1 (2022): September 2022 Vol 3, No 4 (2022): Juni 2022 Vol. 3 No. 4 (2022): Juni 2022 Vol. 3 No. 3 (2022): Maret 2022 Vol 3, No 3 (2022): Maret 2022 Vol. 3 No. 2 (2021): Desember 2021 Vol 3, No 2 (2021): Desember 2021 Vol 3, No 1 (2021): September 2021 Vol. 3 No. 1 (2021): September 2021 Vol 2, No 3 (2021): Mei 2021 Vol. 2 No. 3 (2021): Mei 2021 Vol 2, No 2 (2021): Januari 2021 Vol. 2 No. 2 (2021): Januari 2021 Vol 2, No 1 (2020): September 2020 Vol. 2 No. 1 (2020): September 2020 Vol. 1 No. 3 (2020): Mei 2020 Vol 1, No 3 (2020): Mei 2020 Vol 1, No 2 (2020): Januari 2020 Vol. 1 No. 2 (2020): Januari 2020 Vol. 1 No. 1 (2019): September 2019 Vol 1, No 1 (2019): September 2019 More Issue