cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yoze Rizki
Contact Email
fasilkom@umri.ac.id
Phone
+6281356764330
Journal Mail Official
fasilkom@umri.ac.id
Editorial Address
Redaksi Jurnal Fasilkom, Fakultas Ilmu Komputer Gedung Rektorat Lt. 4, Universitas Muhammadiyah Riau Jl. Tuanku Tambusai, Pekanbaru, Riau
Location
Kota pekanbaru,
Riau
INDONESIA
Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Published by Universitas Muhammadiyah Riau
ISSN : 20893353     EISSN : 28089162     DOI : https://doi.org/10.37859/jf.v11i3.2781
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) is expected to be a media of scientific study of research result, a thought and a study criticial analysis to a System engineering research, Informatics Engineering, Information Technology, Computer Engineering, Informatics Management, and Information System. We accept research papers which focused to these following topics: System Engineering Expert System Decision Support System Data Mining Artificial Intelligent Computer engineering Digital Image Processing Computer Graphic Computer Vision Genetic Algorithm Machine Learning Deep Learning Information System Design Business Intelligence and Knowledge Management Database System Big Data IOT Enterprise Computing ICT and Islam Technology Management and other relevant topics to field of Information Technology
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 398 Documents
 32   33   34   35   36 
Evaluasi User Experience Terhadap Fitur Kampus Merdeka Pada Aplikasi Satu Dikti Raissa Dewi Sukiswadi; Suprih Widodo
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8611

Abstract

Aplikasi Satu Dikti memiliki potensi besar dalam meningkatkan efisiensi dan transparansi sistem pendidikan tinggi di Indonesia dengan menyediakan berbagai fitur, termasuk Kampus Merdeka. Fitur ini dirancang untuk memudahkan mahasiswa dalam mengakses informasi dan layanan terkait program Merdeka Belajar Kampus Merdeka (MBKM). Namun, masih terdapat tantangan dalam aksesibilitas dan kemudahan penggunaannya, yang dapat memengaruhi pengalaman pengguna secara keseluruhan. Faktor seperti desain antarmuka, navigasi, dan keterjangkauan fitur menjadi elemen penting dalam menentukan keberhasilan penggunaan aplikasi ini. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi user experience fitur Kampus Merdeka menggunakan metode System Usability Scale (SUS). Penelitian ini melibatkan 30 mahasiswa semester 5-7 yang mencoba fitur Kampus Merdeka pada aplikasi Satu Dikti. Pengumpulan data dilakukan melalui kuesioner SUS untuk mengukur tingkat kegunaan dan kemudahan penggunaan fitur tersebut. Hasil penelitian menunjukkan bahwa fitur Kampus Merdeka memperoleh skor rata-rata SUS sebesar 72,25 (Grade C). Skor ini menunjukkan bahwa fitur ini berada dalam kategori "acceptable" tetapi masih memerlukan perbaikan untuk meningkatkan kenyamanan, efisiensi, serta daya tarik penggunaannya. Beberapa kendala yang ditemukan mencakup kompleksitas navigasi dan kurangnya kejelasan pada beberapa elemen tampilan. Penelitian ini berkontribusi dengan memberikan rekomendasi pengembangan fitur berdasarkan temuan yang diperoleh. Perbaikan yang disarankan mencakup peningkatan aksesibilitas, optimalisasi antarmuka pengguna, serta penyederhanaan navigasi agar lebih intuitif bagi mahasiswa. Selain itu, diperlukan peningkatan performa aplikasi untuk memastikan pengalaman pengguna yang lebih lancar dan responsif. Dengan pengembangan yang tepat, fitur Kampus Merdeka diharapkan dapat memberikan pengalaman pengguna yang lebih baik dan mendukung mahasiswa dalam memanfaatkan program MBKM secara efektif.
Aplikasi Cerdas Prediksi Kelulusan Mahasiswa Berbasis Website Menggunakan Metode Support Vector Machine (SVM) Budi Kurniawan, Fajar; Farokhah, Lia
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8767

Abstract

Kelulusan mahasiswa merupakan salah satu indikator penting bagi perguruan tinggi dalam akreditasi dan pemaksimalan kemampuan mahasiswa. Selain itu, penanganan yang terlambat membuat indikator ini sulit dicapai dan berdampak pada berbagai hal. Penelitian ini bertujuan untuk mengembangkan website model prediksi kelulusan mahasiswa menggunakan metode Support Vector Machine (SVM). Data yang digunakan mencakup berbagai fitur, seperti umur, jenis kelamin, status pekerjaan, riwayat cuti, dan Indeks Prestasi Semester (IPS) dari semester 1 hingga 4. Proses analisis meliputi normalisasi data, oversampling untuk mengatasi ketidakseimbangan kelas. Evaluasi model menggunakan teknik cross-validation dan confusion matrix. Hasil evaluasi menunjukkan bahwa model SVM mencapai rata-rata akurasi sebesar 97,21%. Temuan ini menunjukkan bahwa model yang dikembangkan dapat diandalkan untuk memprediksi kelulusan mahasiswa, memberikan kontribusi signifikan terhadap pengelolaan akademik di institusi pendidikan tinggi.
Peningkatan Akurasi Klasifikasi Tutupan Lahan Menggunakan Random Forest pada Data Sentinel-2 di Jambi Waladi, Akhiyar
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8886

Abstract

Klasifikasi tutupan lahan yang akurat memainkan peran penting dalam pemantauan lingkungan, perencanaan perkotaan, dan pengelolaan sumber daya berkelanjutan. Dengan meningkatnya kekhawatiran terhadap perubahan penggunaan lahan dan degradasi ekologis, pengembangan metode klasifikasi yang efektif menjadi semakin penting, terutama di wilayah yang mengalami transformasi lanskap secara cepat. Penelitian ini mengevaluasi kinerja tujuh algoritma machine learning (Random Forest, Extra Trees, Logistic Regression, Decision Tree, Naive Bayes, SGD Classifier, dan LightGBM) untuk klasifikasi tutupan lahan menggunakan data satelit Sentinel-2 di wilayah Jambi. Studi ini menggunakan 23 fitur, termasuk 10 band spektral dan 13 indeks spektral, dengan data yang dikumpulkan selama Q4 2024. Hasil menunjukkan bahwa Random Forest mencapai kinerja terbaik secara keseluruhan dengan akurasi 85.91% dan weighted F1-score 85.48%, diikuti oleh Extra Trees dengan akurasi 84.45%. Algoritma berbasis pohon keputusan menunjukkan kemampuan yang lebih unggul dalam membedakan area perkotaan, vegetasi, dan badan air, meskipun semua algoritma menghadapi tantangan dengan kelas minoritas. Temuan ini merepresentasikan peningkatan signifikan dibandingkan pendekatan sebelumnya yang hanya mencapai akurasi 37.7%-66.9% menggunakan indeks vegetasi tunggal. Peningkatan akurasi klasifikasi memungkinkan pemantauan yang lebih efektif terhadap deforestasi, ekspansi perkotaan, dan perubahan ekosistem di wilayah tropis, memberikan dukungan penting bagi kebijakan pengelolaan lahan berbasis bukti dan strategi konservasi di lanskap kompleks seperti Jambi.
Teknologi Irigasi Berbasis IoT: Integrasi Sensor Nirkabel (SN), Energi Surya dan Logika Fuzzy Sahibu, Supriadi; Surahman; Ahmad, Andani
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8899

Abstract

Agriculture is a vital sector in the global economy that faces various challenges, especially in the efficient use of water resources. Irrigation is an important aspect of agriculture, especially in rice fields, because optimal water supply directly affects plant productivity. However, in Pao Village, Malangke District, and North Luwu Regency, water availability is increasingly limited due to climate change, urbanization, and inefficient exploitation of resources. Most farmers in the area do not have irrigation networks so during the dry season their rice fields experience drought and are at risk of crop failure. This study aims to design and develop an automatic irrigation system based on the Internet of Things (IoT) supported by wireless sensors and solar energy to improve the efficiency of water use in rice fields. The research method used is a prototype approach consisting of three main stages, namely preparation, prototype development, and system implementation. In the preparation stage, field observations and literature studies were carried out to determine system needs. The development stage includes design, implementation, and internal evaluation of the prototype. Furthermore, the system was implemented and tested in the field to assess its effectiveness in controlling irrigation automatically. The results of the study showed that the developed system was able to detect water levels using ultrasonic sensors and humidity sensors connected to Arduino. Data from the sensors is processed using fuzzy logic to automatically control the water pump based on the water conditions in the farmland. The energy used comes from solar panels, so the system can operate independently and is environmentally friendly. Tests have shown that the system works well in regulating the water supply to the rice fields efficiently and can help farmers overcome drought and increase agricultural productivity.
Prediksi Harga Dan Kinerja Aset Bitcoin Menggunakan Algoritma Long Short-Term Memory ALDI, FACHRI ALHADI RAMADHAN; Nathasia, Novi Dian
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8902

Abstract

Bitcoin telah menunjukkan volatilitas harga yang tinggi. Hal ini membawa risiko besar bagi investor, tetapi juga memberikan peluang besar bagi investor. Salah satu metode yang menarik untuk prediksi harga Bitcoin yang memiliki volatilitas tinggi adalah algoritma LSTM, sebuah varian RNN yang dapat memproses data deret waktu serta mengingat informasi jangka panjang dan pendek secara efektif. Penelitian ini merupakan pembaruan dari penelitian-penelitian sebelumnya yang umumnya hanya menggunakan satu lapisan LSTM. Dalam penelitian ini, dilakukan perbandingan antara dua skenario model LSTM untuk melihat sejauh mana arsitektur dan konfigurasi model mempengaruhi performa prediksi harga Bitcoin. Berdasarkan hasil penelitian yang sudah dilakukan pada Skenario 1 dengan menggunakan algoritma LSTM Double Layer 128, 64 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam, lebih baik dibandingkan Skenario 2 yang menggunakan algoritma LSTM Single Layer 50 neuron, 100 epoch, 32 batch size, data latih 80%, data uji 20%, dan optimasi adam. Skenario 1 menunjukkan tingkat akurasi yang cukup baik dalam memprediksi harga Bitcoin. Performa model algoritma Skenario 1 dievaluasi menggunakan metrik MSE dengan nilai 0.00044, RMSE dengan nilai 0.02119, MAE dengan nilai 0.01586, MAPE dengan nilai 2.51% dan R2 dengan nilai 0.98. Hubungan antara prediksi harga dan evaluasi kinerja ini penting, karena prediksi harga yang akurat menjadi dasar untuk menghitung potensi keuntungan dan risiko dari investasi Bitcoin. Dari hasil prediksi harga Bitcoin yang dihasilkan dari model Skenario 1, kemudian digunakan untuk mengevaluasi kinerja aset Bitcoin selama periode 2018–2024. Rata-rata Return pertahun Bitcoin sebesar 83.07%. Volatilitas sebesar 82.837. Sharpe Ratio sebesar 1.003 menunjukkan bahwa return yang diperoleh relatif sebanding dengan risiko yang diambil, yang dianggap cukup baik dalam konteks investasi berisiko tinggi.
Implementasi Learning Vector Quantization (LVQ) Untuk Klasifikasi Gaya Belajar Sujana, Teguh; Novita, Rita; Tri Saputra, Haris; Agusviyanda
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8952

Abstract

Gaya belajar merupakan preferensi individu dalam memperoleh, memproses, dan memahami informasi baru, yang secara umum dikelompokkan menjadi tiga kategori utama: visual, auditori, dan kinestetik. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi otomatis guna mengidentifikasi gaya belajar siswa secara efisien. Algoritma Learning Vector Quantization (LVQ) digunakan untuk mengklasifikasikan gaya belajar berdasarkan 100 sampel data, dengan struktur jaringan yang terdiri dari 36 neuron pada lapisan input dan 3 neuron pada lapisan output. Implementasi dilakukan menggunakan perangkat lunak MATLAB, dan model dievaluasi menggunakan metrik akurasi serta Mean Square Error (MSE). Pengujian dilakukan dengan berbagai rasio data latih dan data uji, dan konfigurasi terbaik diperoleh saat menggunakan 90 data sebagai data latih dan 10 data sebagai data uji, dengan learning rate sebesar 0.05 dan iterasi sebanyak 500. Hasil menunjukkan akurasi mencapai 80% dan nilai MSE minimum sebesar 0.12. Temuan ini menunjukkan bahwa penambahan jumlah data latih berdampak positif terhadap akurasi model. Penelitian ini memberikan kontribusi dalam pengembangan sistem klasifikasi gaya belajar otomatis yang dapat diintegrasikan ke dalam sistem pendidikan untuk mendukung strategi pembelajaran yang lebih personal dan adaptif secara efektif.
Implementasi Algoritma Naïve Bayes dalam Prediksi Penerimaan Mahasiswa Penerima Beasiswa KIP di Universitas Adzkia Muhammad Thoriq; Maulana, Fajar; Septi Eirlangga, Yofhanda; Hayati, Nova; Ashim Madani, Muhammad
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8959

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi penerimaan pendaftar beasiswa Kartu Indonesia Pintar (KIP) di Universitas Adzkia menggunakan algoritma Naïve Bayes. Proses prediksi dilakukan dengan memanfaatkan perangkat lunak RapidMiner melalui pendekatan Knowledge Discovery in Database(KDD) yang mencakup lima tahapan utama: seleksi data, pra-pemrosesan, transformasi, pemodelan, dan evaluasi. Dataset yang digunakan terdiri dari 829 data pendaftar beasiswa KIP tahun 2024, dengan enam atribut utama: Status DTKS, Status P3KE, Kabupaten/Kota Sekolah, Provinsi Sekolah, Jenis Kelamin, dan Status Pendaftar (Diterima/Tidak Diterima). Model prediksi diuji melalui tiga skenario pembagian data, yaitu rasio 70:30, 80:20, dan 90:10. Hasil evaluasi menunjukkan bahwa skenario pembagian data 80:20 memberikan performa terbaik dengan akurasi 77,11%, precision 66,67%, dan recall 5,13%. Nilai recall yang rendah disebabkan oleh jumlah pendaftar yang diterima beasiswa sangat sedikit dibandingkan dengan total pendaftar, serta banyaknya peserta yang tidak memenuhi syarat penerimaan sesuai kriteria KIP Kuliah. Ketidakseimbangan kelas dalam dataset ini berdampak pada kemampuan model dalam mengenali kelas minoritas (diterima). Temuan ini menunjukkan bahwa algoritma Naïve Bayes dapat digunakan sebagai pendekatan awal untuk seleksi beasiswa berbasis data, meskipun diperlukan pengembangan lebih lanjut, baik dari segi teknik penyeimbangan data maupun eksplorasi algoritma lain. Hasil penelitian ini dapat dimanfaatkan oleh Tim PMB Universitas Adzkia untuk mempercepat dan mengefisienkan proses seleksi penerima beasiswa KIP secara objektif.
Penerapan Algoritma (Naïve Bayes) Untuk Memprediksi Penyakit Diare Repan; Octariadi, Barry Ceasar; Sucipto
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8993

Abstract

Diare merupakan salah satu masalah kesehatan serius yang dapat menyebabkan komplikasi berat hingga kematian, terutama pada anak-anak di bawah usia lima tahun di negara-negara dengan tingkat mortalitas rendah hingga menengah. Di Puskesmas Bunut Hilir, deteksi dini terhadap penyakit diare menjadi sangat penting untuk mencegah risiko komplikasi lanjutan. Penelitian ini bertujuan untuk mengembangkan model prediksi penyakit diare dengan menggunakan metode Naïve Bayes guna meningkatkan efektivitas deteksi dini. Data yang digunakan berasal dari rekam medis pasien Puskesmas Bunut Hilir, dengan total sebanyak 490 data kasus yang mencakup gejala klinis dan faktor risiko lingkungan. Model dibangun menggunakan bahasa pemrograman Python dan diimplementasikan dalam bentuk antarmuka interaktif menggunakan Streamlit. Evaluasi model dilakukan menggunakan confusion matrix, dengan hasil akurasi sebesar 89%, precision 0.87, recall 0.90, dan nilai F1-score sebesar 0.88. Hasil tersebut menunjukkan bahwa metode Naïve Bayes efektif dalam memprediksi penyakit diare. Implementasi model ini berpotensi meningkatkan kualitas layanan kesehatan dan mempercepat respons medis, khususnya dalam mendeteksi kasus diare secara lebih cepat dan akurat di wilayah kerja Puskesmas Bunut Hilir.
Analisis Komparatif Metode Evaluasi Pelayanan Publik: Sebuah Tinjauan Literatur Sistematis Arya Andika Putra, I Putu; Prabadhi, Isidorus Anung; Akbar, Rasona Sunara
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.8995

Abstract

Dalam era digital yang berkembang pesat, analisis aplikasi menjadi aspek penting dalam mengevaluasi kinerja, fungsionalitas, dan keamanan, terutama dalam konteks layanan publik. Penelitian ini menyajikan tinjauan literatur sistematis dengan pendekatan PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) untuk mengkaji metode-metode analisis aplikasi yang digunakan dalam layanan publik. Sebanyak 31 artikel relevan dipilih dari basis data akademik seperti Google Scholar, CrossRef, dan Semantic Scholar. Hasil tinjauan menunjukkan bahwa Technology Acceptance Model (TAM) merupakan pendekatan yang paling banyak digunakan, khususnya dalam menilai penerimaan pengguna dan efektivitas layanan digital publik. Selain TAM, metode lain seperti UTAUT dan standar ISO/IEC juga digunakan meskipun lebih ter
Deteksi Stres dan Depresi Unggahan Media Sosial dengan Machine Learning Tolla, Yefta; Kusrini
JURNAL FASILKOM Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i1.9067

Abstract

Penelitian ini menyajikan sebuah model pembelajaran mesin yang mengintegrasikan Support Vector Machine (SVM), Natural Language Processing (NLP), dan SHapley Additive exPlanations (SHAP) untuk mendeteksi stres dan depresi dari unggahan di Twitter. Dataset ini terdiri dari postingan yang dikumpulkan selama satu tahun terakhir, yang dilabeli ke dalam kategori stres, depresi, dan netral. Teknik NLP-tokenization, penghilangan stopword, stemming, dan Term Frequency-Inverse Document Frequency (TF-IDF)-diterapkan untuk membersihkan teks dan mengekstrak fitur-fitur yang relevan. Langkah-langkah ini memastikan hanya kata-kata yang bermakna yang memengaruhi klasifikasi, sehingga meningkatkan kinerja prediktif. SVM berfungsi sebagai pengklasifikasi utama karena keefektifannya dalam data teks berdimensi tinggi. SHAP meningkatkan kemampuan interpretasi dengan menyoroti fitur-fitur berpengaruh yang mendorong prediksi, sehingga meningkatkan transparansi. Hasil penelitian menunjukkan bahwa kata-kata seperti “stres”, “lelah”, dan “cemas” sangat mengindikasikan stres, sedangkan “depresi”, “kecewa”, dan “menyerah” menandakan kecenderungan depresi. Frasa seperti “lelah secara mental” semakin mendukung proses identifikasi. Model ini mencapai akurasi 96,44%, dengan presisi, recall, dan skor F1 yang tinggi (rata-rata 96%). Matriks kebingungan mengkonfirmasi keefektifan model dalam mengklasifikasikan tiga kategori dengan kesalahan minimal. Integrasi NLP, SVM, dan SHAP tidak hanya meningkatkan akurasi klasifikasi, tetapi juga meningkatkan penjelasan, menjadikan model ini alat yang menjanjikan untuk deteksi dini dan pemahaman kondisi kesehatan mental melalui analisis media sosial.

Page 34 of 40 | Total Record : 398

 32   33   34   35   36 

Filter by Year

2016 2025


Reset
Filter By Issues
All Issue Vol. 15 No. 3 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 15 No. 1 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 14 No. 3 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 14 No. 2 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 14 No. 1 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 13 No. 02 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 13 No 02 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 13 No 01 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol. 13 No. 3 (2023): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 12 No 3 (2022): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 12 No 2 (2022): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Vol 12 No 1 (2022): Jurnal Fasilkom (teknologi inFormASi dan ILmu KOMputer) Vol 11 No 3 (2021): Jurnal Fasilkom Vol 11 No 2 (2021): Jurnal Fasilkom Vol 11 No 1 (2021): Jurnal Fasilkom Vol 10 No 3 (2020): Jurnal Fasilkom Vol 10 No 2 (2020): Jurnal Fasilkom Vol 10 No 1 (2020): JURNAL FASILKOM Vol 9 No 3 (2019): Jurnal Fasilkom Vol 9 No 2 (2019): Jurnal Ilmu Komputer Vol 8 No 1 (2019): Jurnal Ilmu Komputer Vol 7 No 2 (2018): Agustus 2018 Vol 5 No 2 (2016): Jurnal Ilmu Komputer More Issue