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
 35   36   37   38   39 
Analisis Sentimen Publik Terhadap Kampanye Pengurangan Sampah Plastik Menggunakan Algoritma Naïve Bayes Dwi Husna Sadikin, Nanda; Susanti, Sari
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9574

Abstract

Sampah plastik menjadi salah satu sumber pencemaran lingkungan yang mengkhawatirkan di Indonesia. Berbagai kampanye pengurangan plastik digencarkan, terutama melalui media sosial X (sebelumnya Twitter). Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kampanye tersebut menggunakan algoritma Naïve Bayes. Data yang digunakan berupa 4.351 tweet berbahasa Indonesia yang dikumpulkan selama November 2024– April 2025 dengan kata kunci “sampah plastik”, “kurangi plastik”, dan “polusi plastik”. Proses analisis mengikuti tahapan CRISP-DM. Data diproses melalui tahapan preprocessing Data diproses melalui tahapan preprocessing seperti cleaning, tokenisasi, dan stemming, kemudian dilabeli secara otomatis menggunakan IndoBERT, sebuah model pra-terlatih berbasis BERT yang dirancang khusus untuk klasifikasi sentimen dalam bahasa Indonesia. Fitur diekstraksi dengan TF-IDF, dan model dilatih menggunakan tiga skenario pembagian data (60:40, 70:30, dan 80:20). Untuk mengatasi ketidakseimbangan kelas yang ditemukan, diterapkan teknik Random Over Sampling (ROS). ROS bekerja dengan menduplikasi data dari kelas minoritas untuk menyeimbangkan distribusi data latih, yang bertujuan agar model dapat belajar secara lebih adil. Hasil evaluasi menunjukkan bahwa tanpa ROS, model tidak mampu mengenali kelas sentimen positif (recall = 0). Namun setelah ROS diterapkan, performa model meningkat signifikan, terutama pada kelas minoritas, dengan kenaikan recall hingga lebih dari 59%. Peningkatan ini membuktikan bahwa ROS efektif dalam memperbaiki performa model untuk analisis sentimen pada data yang tidak seimbang. Penelitian ini diharapkan dapat memberikan kontribusi dalam pemanfaatan machine learning untuk memahami persepsi publik dan mendukung perumusan kebijakan lingkungan yang lebih efektif.
Implementasi YOLOv10 untuk Deteksi Kerapatan dan Transparansi Tajuk Pohon melalui Aplikasi Mobile Alkhadafi Saddam Simparico; Rico Andrian; Rahmat Safe'i; Admi Syarif
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9581

Abstract

Kerapatan dan transparansi tajuk pohon merupakan indikator penting kesehatan hutan yang berpengaruh terhadap keseimbangan ekosistem dan keanekaragaman hayati. Penelitian ini mengembangkan sistem deteksi real-time berbasis model YOLOv10 yang dioptimalkan untuk perangkat mobile melalui konversi ke TensorFlow Lite, sehingga memungkinkan inferensi cepat dan efisien di lapangan tanpa memerlukan perangkat komputasi besar. Dataset yang digunakan terdiri dari 5.000 citra tajuk pohon yang mencakup sepuluh kelas variasi kerapatan dan transparansi, mewakili lima jenis daun jarum dan lima jenis daun lebar dengan perbedaan morfologi dan karakteristik transmisi cahaya. Pengambilan data dilakukan pada berbagai sudut pandang untuk meningkatkan ketahanan model terhadap kondisi nyata di lapangan. Data dibagi menjadi 70% untuk pelatihan, 10% untuk validasi, dan 20% untuk pengujian. Hasil evaluasi menunjukkan akurasi 97,7% dengan nilai precision, recall, dan F1-score yang tinggi di setiap kelas. Sistem ini berpotensi mempercepat proses survei lapangan, meningkatkan akurasi pemantauan ekosistem, dan menjadi alat pendukung pengambilan keputusan dalam pengelolaan hutan serta program konservasi. Pendekatan ini menawarkan solusi praktis dan terukur untuk pemantauan hutan berkelanjutan dengan memanfaatkan teknologi computer vision mutakhir di perangkat mobile
Klasifikasi Tingkat Penjualan Produk pada Toko Jati Karebet Menggunakan Algoritma Naïve Bayes Setiawan, Revi; Priyatna, Bayu; Novalia, Elfina; Huda, Baenil
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9614

Abstract

Penelitian ini bertujuan menerapkan algoritma Naive Bayes untuk mengklasifikasikan tingkat penjualan produk di Toko Jati Karebet selama tahun 2024. Latar belakang penelitian ini adalah belum optimalnya pemanfaatan strategi penjualan berbasis data dalam menentukan prioritas stok dan promosi, yang sering menyebabkan inefisiensi persediaan pada Usaha Mikro, Kecil, dan Menengah (UMKM). Data penjualan historis dianalisis menggunakan pendekatan data mining untuk mengenali pola penjualan dan membangun model prediksi. Tahap awal meliputi preprocessing data, seleksi pesanan yang berstatus selesai, agregasi penjualan per produk, dan pelabelan kategori kelarisan menjadi tiga kelas: laris (>100 unit), kurang laris (20–100 unit), dan tidak laris (<20 unit). Model Gaussian Naive Bayes dilatih dan diuji dengan metode supervised learning menggunakan pembagian data 70% untuk pelatihan dan 30% untuk pengujian. Evaluasi model dilakukan dengan confusion matrix dan metrik klasifikasi. Hasil pengujian menunjukkan akurasi sebesar 76%, dengan precision 0,79, recall 0,98, dan F1-score 0,87 pada kategori laris. Temuan ini membuktikan bahwa Naive Bayes mampu memberikan hasil prediksi yang cukup andal untuk kategori mayoritas, namun kinerjanya menurun pada kategori minoritas akibat ketidakseimbangan distribusi data. Penelitian ini menyimpulkan bahwa algoritma Naive Bayes dapat digunakan sebagai alat bantu pengambilan keputusan dalam manajemen stok dan strategi penjualan UMKM, serta merekomendasikan penerapan teknik penyeimbangan data atau eksplorasi algoritma lain pada penelitian berikutnya untuk meningkatkan performa di semua kategori
Implementasi Deteksi Tumor Otak Menggunakan YOLOv11 dan Flask Ardiansyah, Ardiansyah; Sri Widagdo, Adika; Nuresa Qodri, Krisna; Hidayani, Diesti; Romadhani, Mustofa
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9703

Abstract

Kecerdasan buatan (AI) telah mengalami kemajuan yang sangat signifikan untuk membantu kehidupan masyarakat salah satunya adalah bidang kesehatan. Kemajuan AI didorong karena banyaknya kesalahan yang diakibatkan beberapa faktor fundamental dan tingginya permintaan dari masyarakat terhadap layanan kesehatan terus meningkat. AI juga mampu meminimalkan kesalahan diagnosa maupun pengobatan dalam praktik klinis pasien seperti deteksi tumor otak. Algoritma YOLO yang sering digunakan untuk deteksi objek karena akurasi yang tinggi. YOLO juga dapat digunakan untuk real-time diagnosa menjadi nilai tambah pada algoritma tersebut. YOLOv11 merupakan algoritma terbaru dan memiliki performa yang lebih baik dibandingkan seri sebelumnya. Meskipun begitu, tantangan terhadap keterbatasan dataset menjadi salah satu permasalahan yang perlu diselesaikan. Penelitian yang dilakukan memiliki tujuan yaitu meningkatkan jumlah dataset citra medis menggunakan Data Augmentasi dan mengintegrasikan algoritma YOLO dengan Flask untuk memberikan tampilan yang lebih baik kepada pengguna. Penelitian yang dilakukan menggunakan Data Augmentasi pada dataset menggunakan teknik Flip (Horizontal dan Vertical), 90° Rotate (Clockwise, Counter-Clockwise, Upside Down), serta penambahan Noise: Up to 1.5% of pixels. Hasilnya, diperoleh F1-score 0.951 dari 4 kelas (0.902 Glioma, 0.989 Meningioma, 0.915 Pituitary, dan 0.997 No tumor). Sehingga terbukti efektif mengatasi keterbatasan data. Selanjutnya, Integrasi YOLO dengan Flask dapat memberikan tampilan deteksi objek yang lebih baik tanpa menurunkan skor dari hasil deteksi objek tumor otak, sehingga Flask dapat dijadikan framework yang dipertimbangkan untuk pengembangan interface machine learning
Analisis Sentimen dan Prediksi Ulasan Pada Aplikasi Info BMKG Afif, Randi; Nugroho, Kristiawan
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9746

Abstract

Aplikasi Info BMKG menyediakan informasi cuaca dan iklim bagi masyarakat Indonesia. Ulasan pengguna di Google Play Store merefleksikan kepuasan dan kritik yang dapat dianalisis untuk peningkatan layanan. Penelitian ini bertujuan mengklasifikasikan sentimen dan memprediksi volume ulasan menggunakan Recurrent Neural Network (RNN) dan Long  Short-Term Memory (LSTM). Sebanyak 3000 ulasan diperoleh melalui web scraping dan setelah diproses dengan pembersihan data, tokenisasi, stemming, penghapusan stopword, dan labelling, maka jumlahnya menjadi 2645 ulasan. Hasil menunjukkan LSTM unggul pada klasifikasi sentimen dengan akurasi 90% dan F1-score 0,90, sedangkan RNN memperoleh akurasi 87% dan F1-score 0,82. Pada prediksi jumlah ulasan negatif, RNN lebih baik (MSE: 104,97; MAE: 7,61; R²: 0,22), sementara kedua model kurang optimal untuk kategori positif (R² negatif). Temuan ini menunjukkan LSTM lebih efektif untuk klasifikasi, sedangkan RNN lebih unggul dalam prediksi ulasan negatif
Peningkatan Kinerja Model Random Forest untuk Deteksi Kecurangan Kartu Kredit Menggunakan RandomizedSearchCV Oriana, Larisa; Dwi Sanggar Wati, Anisa; Putri Ramahdani, Anggi; Nurul Safira, Natasya; Ismanto, Edi
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9832

Abstract

Pertumbuhan transaksi kartu kredit di Indonesia yang pesat diiringi dengan peningkatan kasus penipuan membutuhkan sistem deteksi yang handal. Penelitian ini mengembangkan model deteksi penipuan dengan mengoptimalkan algoritma Random Forest melalui teknik RandomizedSearchCV. Dataset mencakup 690 transaksi dengan 16 fitur, termasuk 14 variabel prediktor dan label kelas (0 untuk transaksi normal, 1 untuk fraud). Tahapan penelitian meliputi eksplorasi data (EDA) untuk memahami karakteristik dataset, standarisasi fitur, pembagian data (80% pelatihan, 20% pengujian), serta implementasi model Random Forest dalam dua versi: tanpa tuning dan dengan optimasi parameter. Hasil penelitian menunjukkan peningkatan performa model setelah optimasi, dengan akurasi mencapai 90,58% pada data uji (naik dari 89,86%). Model yang dioptimasi juga berhasil meningkatkan precision deteksi fraud dari 0,94 menjadi 0,98 dan mengurangi kesalahan klasifikasi transaksi normal (false positive) dari 3 menjadi 1 kasus. Namun, terdapat sedikit penurunan recall kelas fraud dari 0,82 menjadi 0,80, yang mengindikasikan perlunya penyeimbangan antara akurasi dan sensitivitas deteksi. Temuan ini membuktikan bahwa tuning hyperparameter dengan RandomizedSearchCV dapat meningkatkan kinerja model Random Forest dalam mendeteksi penipuan kartu kredit, khususnya dalam meminimalkan kesalahan klasifikasi
Implementasi Convolutional Neural Network Pada Deteksi Penyakit Retina Menggunakan Citra Fundus Mata Aldin, Reimon
JURNAL FASILKOM Vol. 15 No. 3 (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.v15i3.9857

Abstract

This study aims to develop an efficient system for detecting retinal diseases from fundus eye images by applying Deep Learning with Convolutional Neural Networks (CNN). The proposed model is designed to assist ophthalmologists in making accurate and timely diagnoses, enabling appropriate treatment and improving patient outcomes. The research emphasizes the role of CNN-based Deep Learning as a reliable method for classifying retinal disorders. A quantitative approach was employed, utilizing numerical and descriptive data such as images, observations, and secondary sources. The research procedure covered several stages: image preprocessing, CNN model design, training, validation, evaluation, and system testing. The experimental results demonstrated that the developed system achieved an accuracy of 97%. Evaluation metrics confirmed high performance with classification results as follows: Myopia (precision 1.00, recall 1.00, f1-score 1.00), Cataract (precision 0.88, recall 1.00, f1-score 0.93), Diabetic Retinopathy (precision 1.00, recall 1.00, f1-score 1.00), and Glaucoma (precision 1.00, recall 0.95, f1-score 0.97). These findings show that the CNN architecture with VGG16 demonstrates excellent capability in detecting and classifying retinal diseases using fundus images. Therefore, the model can be recommended as a practical tool for early detection of retinal disorders, particularly within the context of healthcare services in Kendari City, Southeast Sulawesi.
Analisis Performa Algoritma Machine Learning dalam Mendeteksi Fraud pada Dataset Aplikasi Kartu Kredit Ramadani, Tasya; Delopinli, Crystian; Septiawan, Raffi; Ismanto, Edi
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9884

Abstract

Meningkatnya kasus penipuan kartu kredit seiring pesatnya perkembangan transaksi keuangan digital menuntut adanya sistem deteksi yang lebih tepat dan andal. Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma machine learning, yaitu Random Forest, Logistic regresi, dan SVM dalam mendeteksi tindak kecurangan pada dataset aplikasi kartu kredit. Data penelitian bersumber dari catatan transaksi kartu kredit nyata selama satu tahun. Metodologi yang digunakan mencakup pembangunan model klasifikasi untuk mengenali transaksi curang serta penerapan model dua-periode guna mengeksplorasi interaksi antara konsumen, pedagang, dan penerbit kartu. Hasil analisis menunjukkan bahwa algoritma Random Forests memberikan performa paling optimal dengan akurasi dan tingkat deteksi yang lebih unggul dibandingkan SVM dan logistitic regresi. Selain itu, studi struktural memperlihatkan bahwa faktor margin keuntungan pedagang dan rendahnya biaya dana berkontribusi dalam menjaga keseimbangan sistem kartu kredit. Temuan lainnya menegaskan karakteristik kartu kredit sebagai barang jaringan (network goods), di mana semakin banyak pedagang yang menerima kartu kredit, semakin tinggi pula adopsinya oleh konsumen. Pemanfaatan algoritma machine learning yang sesuai, didukung oleh kebijakan yang tepat, dapat meningkatkan efektivitas deteksi penipuan sekaligus memperkuat stabilitas ekosistem keuangan digital
Analisis dan Prediksi Kelayakan Air Minum Menggunakan Algoritma Random Forest Rohima Zalti, Ulfani; Rose Darmakusuma, Dinda; Ridwansyah, Muhammad; Ismanto, Edi
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9906

Abstract

Air merupakan komponen pembangun tubuh manusia yang paling penting. Pada tubuh manusia dewasa, hingga 60% terdiri dari air. Konsumsi air yang tidak layak konsumsi dapat berefek buruk terhadap kesehatan karena dapat menyebabkan diare, keracunan, dan bahkan penyakit serta infeksi akibat bakteri seperti Escherichia coli. Oleh karena itu, penting untuk memiliki sistem yang mampu memprediksi kelayakan air secara akurat dan efisien. Water potability merujuk pada tingkat keamanan air untuk dikonsumsi manusia tanpa menyebabkan risiko kesehatan. Namun, hasil evaluasi kualitas air dapat bervariasi tergantung dari parameter yang digunakan, seperti pH, kadar klorin, dan zat kimia lainnya. Artikel ini menyajikan studi komparatif berbagai algoritma klasifikasi machine learning untuk memprediksi kelayakan air berdasarkan indikator kimia yang terdapat dalam dataset Water Potability. Model yang digunakan antara lain Logistic Regression, Decision Tree, Random Forest, dan Extra Trees Classifier. Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan akurasi terbaik sebesar 66,6%, sehingga direkomendasikan untuk digunakan dalam tugas klasifikasi kelayakan air minum secara otomatis dan berbasis data.
Integrasi OCR dan TF-IDF untuk Metadata Otomatis pada Pencarian Dokumen Digital Tri Putra Darti Akhsa, Alvian; Ikhwan Burhan, Muhammad; Munandar, Aris
JURNAL FASILKOM Vol. 15 No. 2 (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.v15i2.9918

Abstract

Pengelolaan dokumen administratif pada tingkat kelurahan umumnya masih dilaksanakan secara manual, sehingga proses pencarian arsip sering memerlukan waktu yang relatif lama dan berpotensi menurunkan kualitas layanan publik. Kondisi tersebut menjadi latar belakang pelaksanaan uji coba penelitian di Kantor Kelurahan Lompoe, Kota Parepare, yang setiap tahunnya mengalami peningkatan signifikan jumlah dokumen administrasi. Penelitian ini bertujuan untuk mengembangkan model metadata otomatis berbasis Optical Character Recognition (OCR) dan Term Frequency–Inverse Document Frequency (TF-IDF) untuk meningkatkan efisiensi klasifikasi serta akurasi pencarian dokumen digital. Metodologi yang diterapkan meliputi ekstraksi teks dari dokumen fisik menggunakan OCR, praproses teks yang mencakup normalisasi, tokenisasi, dan stopword removal, perhitungan bobot kata melalui TF-IDF, pembentukan vektor kueri, pencocokan menggunakan cosine similarity, serta penyajian hasil pencarian. Uji coba dilakukan terhadap 30 dokumen yang terdiri atas surat keterangan, surat perizinan, dan surat pengantar. Hasil pengujian menunjukkan bahwa sistem mampu menampilkan dokumen dengan tingkat relevansi tertinggi, ditunjukkan oleh skor kemiripan sebesar 0,3989, dengan waktu pencarian kurang dari 0,002 detik. Integrasi OCR dan TF-IDF terbukti efektif dalam menghasilkan metadata terstruktur, mempercepat proses temu kembali informasi, serta meningkatkan akurasi pencarian dibandingkan metode manual. Penelitian ini diharapkan menjadi langkah awal transformasi pengelolaan arsip kelurahan menuju sistem digital yang lebih efisien, transparan, dan selaras dengan implementasi e-Government.

Page 37 of 40 | Total Record : 398

 35   36   37   38   39 

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