cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Martini Dwi Endah Susanti
Contact Email
jinacs@unesa.ac.id
Phone
-
Journal Mail Official
jinacs@unesa.ac.id
Editorial Address
Gedung A10 Teknik Informatika, Kampus Unesa Ketintang Surabaya, Jawa Timur 60231
Location
Kota surabaya,
Jawa timur
INDONESIA
Journal of Informatics and Computer Science (JINACS)
Published by Universitas Negeri Surabaya
ISSN : -     EISSN : 26862220     DOI : https://doi.org/10.26740/jinacs.v3n02
Core Subject : Science,
Computer Science & IT
JINACS (Journal of Informatics and Computer Science) diterbitkan oleh Program Studi S1 Teknik Informatika Universitas Negeri Surabaya dalam empat kali setahun dengan No ISSN Online : 2686-2220 JINACS merupakan jurnal ilmiah dalam bidang Teknik Informatika dan Computer Science. Jurnal ini mencakup bidang ilmu Rekayasa Perangkat Lunak, Jaringan dan Arsitektur Komputer, Komputasi Bergerak, Sistem Temu Kembali Informasi, Kecerdasan Buatan, Pengolahan Citra Digital, Data Mining dll. JINACS terbit 4 (empat) nomor dalam setahun, yaitu bulan September, Desember, Maret dan Juni. Artikel yang telah dinyatakan diterima akan diterbitkan dalam nomor In-Press sebelum nomor regular terbit.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 548 Documents
 51   52   53   54   55 
Perbandingan Arsitektur Pada Metode Convolutional Neural Network Untuk Deteksi Parkir Muhamad Alfin Ardiansyah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Kurangnya informasi terkait ketersediaan lahan parkir masih menjadi suatu permasalahan yang terjadi bagi para pengendara. Peningkatan volume kendaraan tidak seimbang dengan ketersediaan lahan parkir, hal ini menyebabkan terjadinya macet di berbagai tempat. Seringkali pengendaara harus memutar dan turun dari kendaraan untuk mendapatkan tempat parkir yang kosong. Pada penelitian ini penulis membandingkan arsitektur dari metode Convolutional Neural Network untuk deteksi parkir dengan bantuan bahaya pemrograman python, sehingga akan memudahkan pengendara untuk mendapatkan tempat parkir yang kosong.              Hasil deteksi dari penelitian ini terbilang sangat baik dengan model arstitektur ResNet50 dengan akurasi training set 0.8884 dan nilai loss training set 0.2999 sedangkan nilai pada validation set 0.9804 dan nilai loss validation set 0.0226. hasil dari_sistem pendeteksi gambar sebuah tempat parkir menggunakan data pada video yang--sudah dilatih sebelumnya dan bisa mengetahui tempat parkir mana yang masih kosong.   Kata Kunci— Convolutional Neural Network, Python, Deteksi Parkir.
Implementasi Algoritma K-Means untuk Analisis Segmentasi Pelanggan dengan Menggunakan Model RFM dan CRISP-DM Yuninda Intan; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Segmentasi pelanggan merupakan salah satu strategi yang dapat digunakan perusahaan untuk memahami karakteristik pelanggan sehingga penyusunan strategi pemasaran menjadi lebih efektif dan tepat sasaran. Penelitian ini bertujuan untuk menerapkan model Recency, Frequency, Monetary (RFM) dan algoritma K-Means dalam melakukan segmentasi pelanggan menggunakan pendekatan Cross Industry Standard Process for Data Mining (CRISP-DM) pada Online Retail Refined Dataset. Tahapan penelitian meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Data yang digunakan dibatasi pada atribut CustomerID (ID Pelanggan), InvoiceDate (Tanggal Transaksi), InvoiceNo (Nomor Transaksi), dan TotalPrice (Harga Total) untuk membentuk nilai RFM. Penentuan jumlah cluster dilakukan menggunakan Elbow Method, sedangkan kualitas hasil clustering dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster terbaik adalah tiga cluster dengan nilai Silhouette Score sebesar 0,4172 dan Davies-Bouldin Index  sebesar  0,8169, yang menunjukkan kualitas cluster cukup baik. Ketiga cluster yang dihasilkan terdiri atas Pelanggan Loyal, Pelanggan Potensial, dan Pelanggan Tidak Aktif, yang masing-masing memiliki karakteristik berbeda berdasarkan nilai Recency, Frequency, dan Monetary. Hasil segmentasi ini menunjukkan bahwa kombinasi model RFM dan algoritma K-Means mampu mengelompokkan pelanggan sesuai karakteristik perilaku pembelian sehingga dapat menjadi dasar dalam mendukung pengambilan keputusan pemasaran yang lebih tepat sasaran.   Kata Kunci— Data Mining, Segmentasi Pelanggan, CRISP-DM, RFM, K-Means.
Implementasi XGBoost Pada Prediksi Penjualan Produk Untuk Pengoptimalan Manajemen Persediaan Khiena Salsabiila Susanty; I Kadek Dwi Nuryana
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Pengelolaan persediaan yang kurang optimal dapat menyebabkan terjadinya kelebihan maupun kekurangan stok sehingga berdampak pada efisiensi operasional bisnis ritel. Salah satu pendekatan yang dapat digunakan untuk mendukung pengelolaan persediaan adalah memanfaatkan prediksi penjualan berbasis machine learning. Penelitian ini bertujuan mengimplementasikan algoritma eXtreme Gradient Boosting (XGBoost) untuk memprediksi penjualan produk sebagai dasar dalam penyusunan ilustrasi rekomendasi stok. Penelitian menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahap Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Model dibangun menggunakan atribut Price, Rating, Product_Category, Product_Brand, Month, dan Day sebagai variabel prediktor, sedangkan Quantity digunakan sebagai variabel target. Hasil evaluasi menunjukkan nilai Mean Absolute Error (MAE) sebesar 1,2414, Root Mean Squared Error (RMSE) sebesar 1,4363, dan Coefficient of Determination (R²) sebesar 0,0023. Nilai R² yang rendah menunjukkan bahwa atribut yang digunakan belum memiliki daya prediktif yang memadai untuk menjelaskan variasi jumlah penjualan. Pada tahap deployment, hasil prediksi dimanfaatkan untuk menghasilkan ilustrasi rekomendasi stok berdasarkan kategori dan merek produk sebagai bentuk implementasi metodologi CRISP-DM. Namun, ilustrasi tersebut belum dapat dijadikan dasar pengambilan keputusan operasional karena kemampuan prediksi model masih terbatas. Hasil penelitian menunjukkan bahwa penambahan fitur yang lebih relevan, seperti data deret waktu (time-series) dan faktor eksternal lainnya, diperlukan untuk meningkatkan performa model prediksi penjualan.   Kata Kunci— eXtreme Gradient Boosting (XGBoost), Prediksi Penjualan, Manajemen Persediaan, CRISP-DM, Machine Learning.
Penerapan Generative AI Pada Augmentasi Data Citra Bunga Menggunakan Stable Diffusion 3.5 Naufal Farras Pratama; Ricky Eka Putra
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Klasifikasi citra fine-grained seperti identifikasi spesies bunga sangat bergantung pada ketersediaan dataset yang besar dan beragam, namun pengumpulan data dunia nyata seringkali menghadapi kendala kelangkaan spesies dan biaya anotasi yang tinggi. Penelitian ini menerapkan Generative AI menggunakan Stable Diffusion 3.5 untuk augmentasi data citra bunga pada dataset Oxford 102 Flowers. Proses diawali dengan image captioning menggunakan BLIP2, kemudian dilakukan generasi data sintetis melalui dua pendekatan: text-guided image-to-image (img2img) dan text-to-image (text2img). Model klasifikasi ResNet18 dilatih pada empat skenario: baseline tanpa augmentasi, augmentasi konvensional, augmentasi dengan data sintetis img2img, dan augmentasi dengan data sintetis text2img. Hasil pengujian menunjukkan bahwa augmentasi menggunakan data sintetis img2img mencapai akurasi tertinggi sebesar 84,67%, melampaui baseline (83,78%) dan augmentasi konvensional (79,33%). Skenario text2img juga berhasil melampaui baseline dengan akurasi 84,33%. Analisis CLIP Score menunjukkan bahwa keselarasan teks-gambar pada data sintetis tidak berkorelasi langsung dengan performa klasifikasi. Penelitian ini membuktikan bahwa Stable Diffusion 3.5 efektif sebagai metode augmentasi data untuk meningkatkan akurasi klasifikasi citra bunga. Kata Kunci— Generative AI, Augmentasi Data, Stable Diffusion 3.5, Klasifikasi Citra, Fine-Grained Visual Categorization
Pengembangan Chatbot Telegram Berbasis NLP untuk Layanan Informasi Akademik dan Administrasi Mahasiswa Menggunakan Metode TF-IDF dan Cosine Similarity Rizka Dewi Puspita; Paramitha Nerisafitra
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Perkembangan teknologi informasi mendorong perguruan tinggi untuk menyediakan layanan akademik yang lebih efektif melalui akses informasi yang cepat, akurat, dan mudah digunakan. Penelitian ini bertujuan untuk mengembangkan chatbot Telegram berbasis Natural Language Processing (NLP) sebagai media layanan informasi akademik dan administrasi mahasiswa serta mengevaluasi kemampuan sistem dalam mengenali dan memberikan respons terhadap pertanyaan pengguna. Metode pengembangan sistem dilakukan melalui beberapa tahapan, yaitu identifikasi masalah, studi literatur, pengumpulan data, preprocessing, pembobotan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), pengukuran kemiripan menggunakan Cosine Similarity, serta evaluasi menggunakan Confusion Matrix. Data yang digunakan berupa pasangan pertanyaan dan jawaban terkait layanan akademik Jurusan Teknik Informatika Universitas Negeri Surabaya yang diperoleh dari bagian akademik, kemahasiswaan, dan sumber informasi resmi universitas. Hasil penelitian menunjukkan bahwa chatbot berhasil diimplementasikan pada platform Telegram dan mampu memberikan respons otomatis terhadap pertanyaan mahasiswa. Berdasarkan pengujian, sistem memperoleh nilai akurasi sebesar 80%, presisi sebesar 77,78%, recall sebesar 100%, dan F1-score sebesar 87,5%. Berdasarkan hasil tersebut, chatbot dapat menjadi alternatif layanan informasi akademik yang fleksibel dan efisien dalam mendukung kebutuhan mahasiswa.   Kata Kunci— Chatbot, Telegram, Natural Language Processing, TF-IDF, Cosine Similarity, layanan akademik.
Perbandingan Grayscale Adapter dan RGB ConvNeXt pada Transfer Learning ConvNeXt Tiny FER2013 Alifian Erga Iswardhana; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak—Emosi berperan penting dalam interaksi manusia-mesin, se-hingga Facial Emotion Recognition (FER) menjadi topik penelitian yang relevan. FER2013, sebagai salah satu benchmark FER yang umum digunakan, terdiri atas citra grayscale beresolusi rendah, sedan-gkan arsitektur modern seperti ConvNeXt Tiny dilatih pada ImageNet dengan citra RGB beresolusi tinggi, sehingga muncul kesenjangan do-main saat keduanya diadaptasi satu sama lain. Penelitian ini mem-bandingkan dua strategi adaptasi input untuk menjembatani kesen-jangan tersebut, yaitu Grayscale Adapter (proyeksi kanal yang dapat dipelajari) dan RGB ConvNeXt (duplikasi kanal deterministik), dalam mentransfer ConvNeXt Tiny pretrained ImageNet ke FER2013. Ke-dua strategi diuji dengan backbone dan protokol evaluasi yang iden-tik, dievaluasi menggunakan akurasi, F1-Score, dan AUC pada 7.178 citra data uji. Hasil menunjukkan bahwa RGB ConvNeXt menca-pai Test Accuracy 58,71% dan F1-Score (macro) 0,5649, mengung-guli Grayscale Adapter yang hanya mencapai 34,15% dan F1-Score (macro) 0,2564, pada seluruh metrik agregat maupun pada F1-Score setiap kelas emosi. Analisis performa per kelas menunjukkan pola peningkatan yang tidak seragam antar kelas, mengindikasikan kon-tribusi gabungan dari penyelarasan normalisasi input dan pembob-otan kelas terhadap kesenjangan performa. Temuan ini menegaskan bahwa strategi adaptasi kanal input bukan keputusan teknis yang ne-tral, melainkan berdampak signifikan terhadap efektivitas transfer learning pada dataset grayscale beresolusi rendah. Kata Kunci—ConvNeXt Tiny, FER2013, Grayscale Adapter, RGB ConvNeXt, ImageNet Pretrained, Transfer Learning.
Perbandingan Performa SVM dan LSTM dengan Sampling pada Analisis Sentimen Kesehatan Mental Herlangga Fitdia Saputra; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Kesehatan mental adalah hal yang sangat penting dalam kehidupan manusia dan bisa terlihat dari apa yang kita ungkapkan di media sosial. Dengan menganalisis apa yang kita tulis, kita bisa mendeteksi jika seseorang mengalami masalah psikologis lebih awal. Namun, seringkali data yang kita gunakan untuk menganalisis ini tidak seimbang, sehingga membuat hasilnya tidak akurat. Penelitian ini ingin melihat bagaimana dua algoritma, yaitu Support Vector Machine dan Long Short-Term Memory, bekerja dalam mengenali tujuh kondisi kesehatan mental, seperti Normal, Depresi, Suicidal, Kecemasan, Stres, Bipolar, dan Gangguan Kepribadian. Data yang digunakan sebanyak 53.044 teks dan diperoleh dari Kaggle. Sebelum dianalisis, data ini dibersihkan dengan mengubah huruf, menghapus tautan, angka, dan tanda, serta menghilangkan kata-kata yang tidak penting. Kemudian, data ini diseimbangkan dengan menggunakan metode Synthetic Minority Over-sampling Technique untuk model Support Vector Machine, sedangkan model Long Short-Term Memory menggunakan class weight saat pelatihan. Hasilnya menunjukkan bahwa model Long Short-Term Memory bekerja lebih baik daripada model Support Vector Machine dalam semua skenario. Model Long Short-Term Memory mencapai akurasi tertinggi sebesar 74,38% dengan precision 76,18%, recall 74,38%, dan F1-score 74,93% saat data dibagi 80:20. Sementara itu, model Support Vector Machine mencapai akurasi tertinggi sebesar 72,80% dalam skenario yang sama. Jika kita tidak membersihkan data terlebih dahulu, hasilnya menunjukkan bahwa akurasi kedua model meningkat, yang berarti bahwa struktur teks asli masih menyimpan informasi penting tentang kondisi psikologis seseorang.   Kata Kunci—Analisis Sentimen, Kesehatan Mental, Support Vector Machine, Long Short-Term Memory, SMOTE, Machine Learning.
Strategi Isolasi Data dalam Arsitektur Multi-Tenant pada Software as a Service menggunakan Pendekatan Shared Schema Asgarindo Dwiki Ibrahim Adji; Agus Prihanto
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Perkembangan layanan berbasis cloud telah mendorong adopsi model Software as a Service (SaaS) dengan arsitektur multi-tenant, yang memungkinkan banyak tenant menggunakan satu instansi aplikasi secara bersamaan. Penelitian ini bertujuan merancang dan mengimplementasikan strategi isolasi data pada arsitektur multi-tenant menggunakan pendekatan shared schema. Implementasi dilakukan menggunakan Next.js dan Supabase dengan menerapkan lima mekanisme, yaitu Tenant Resolver, Autentikasi dan Role-Based Access Control (RBAC), Tenant Filtering, Row Level Security (RLS), serta Tenant Level Encryption berbasis AES-256-GCM dan RSA-OAEP. Pengujian dilakukan melalui Black Box Testing, White Box Testing, dan pengujian performa menggunakan k6 dengan beban 10, 100, dan 1000 data. Hasil menunjukkan seluruh fitur berjalan sesuai kebutuhan serta seluruh mekanisme berhasil mencegah akses lintas tenant, termasuk manipulasi subdomain, pemalsuan header, penyalahgunaan hak akses, dan dekripsi menggunakan kunci tenant lain. Penerapan Tenant Level Encryption meningkatkan latensi dan menurunkan throughput, namun seluruh pengujian menghasilkan error rate 0%. Penelitian ini menyimpulkan bahwa kombinasi mekanisme tersebut mampu menjamin isolasi data secara logis pada pendekatan shared schema dengan konsekuensi trade-off performa sistem akibat penerapan Tenant Level Encryption. Kata Kunci— SaaS, Multi-tenant, Isolasi Data, Shared Schema, Tenant Level Encryption.
Pengaruh Undervolting Terhadap Daya, Temperatur dan Performa AMD Radeon RX 9070 Randu Gantara Wisnu; Aditya Prapanca
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Undervolting digunakan untuk menekan kebutuhan daya dan temperatur GPU dengan mengurangi tegangan operasi, tetapi pengaturan yang terlalu agresif dapat menurunkan performa. Penelitian ini menganalisis pengaruh tiga tingkat undervolting terhadap AMD Radeon RX 9070 berbasis RDNA 4 pada Windows 11. Metode yang digunakan adalah eksperimen kuantitatif dengan empat konfigurasi: C0 stock, C1 ringan (-115 mV, power limit +10%), C2 sedang (-135 mV, power limit -15%), dan C3 agresif (-150 mV, power limit -30%). Performa diukur menggunakan 3DMark Steel Nomad DirectX 12 sebanyak dua kali pada setiap konfigurasi, sedangkan daya dan temperatur diamati melalui FurMark 2 selama 10 menit pada resolusi 1920 × 1080 dengan HWiNFO sebagai pemantau sensor. C1 menghasilkan skor tertinggi, yaitu 6.856,5 atau naik 9,30%, tetapi konsumsi dayanya meningkat dari 244 W menjadi 269 W dan temperatur hotspot naik 3°C. C2 menurunkan daya menjadi 208 W (-14,75%) dan hotspot menjadi 65°C (-6°C) dengan penurunan skor hanya 3,59%. C3 mencapai daya 171 W (-29,92%) dan hotspot 59°C (-12°C), tetapi skornya turun 18,60%. Hasil menunjukkan bahwa penurunan tegangan tidak bekerja secara terpisah dari batas daya dan frekuensi. C2 menjadi konfigurasi paling seimbang karena memberikan pengurangan daya dan temperatur yang terukur dengan kompromi performa yang relatif kecil. Kata Kunci— AMD Radeon RX 9070, benchmarking, konsumsi daya, performa GPU, temperatur GPU, undervolting .
Pengembangan Aplikasi Sistem Parkir dan Pencarian Tempat Parkir Berbasis Website (Parkuy) Khoiru Miftakhul Falah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Pengelolaan lahan parkir di tepi jalan umum di berbagai kota Indonesia, termasuk Balikpapan, masih banyak dilakukan secara manual sehingga menimbulkan berbagai persoalan, mulai dari sulitnya pengendara menemukan lokasi parkir yang tersedia, minimnya transparansi transaksi antara petugas parkir dan pemerintah daerah, hingga potensi kebocoran retribusi yang seharusnya menjadi bagian dari Pendapatan Asli Daerah (PAD). Penelitian ini bertujuan merancang, membangun, dan menguji aplikasi berbasis website bernama Parkuy yang berfungsi sebagai sistem digitalisasi pengelolaan parkir sekaligus alat bantu pencarian lokasi parkir terdekat bagi pengendara. Aplikasi dikembangkan menggunakan React JS berbasis TypeScript dengan pendekatan Client Side Rendering (CSR) pada sisi antarmuka, NestJS pada sisi backend, MySQL sebagai basis data, Leaflet JS untuk visualisasi peta interaktif, serta Socket.io untuk notifikasi ketersediaan tempat parkir secara real-time. Metode penelitian meliputi identifikasi masalah, pengumpulan data melalui wawancara dan konsultasi, perancangan sistem dengan flowchart, use case diagram, class diagram, dan desain basis data, implementasi sistem, serta pengujian performa menggunakan GT-Metrix. Hasil pengujian menunjukkan aplikasi Parkuy memperoleh GT-Metrix Grade C dengan skor Performance 59% dan Structure 90%, First Contentful Paint 4,2 detik, Largest Contentful Paint 4,2 detik, Speed Index 4,4 detik, Time to Interactive 4,3 detik, Total Blocking Time 4 ms, dan Cumulative Layout Shift 0. Nilai Total Blocking Time yang sangat rendah dan Cumulative Layout Shift yang stabil mengindikasikan bahwa penerapan CSR memberikan interaksi antarmuka yang responsif dan tata letak yang konsisten, meskipun kecepatan pemuatan awal halaman masih memiliki ruang optimasi. Penelitian ini memberikan kontribusi berupa bukti empiris mengenai kelayakan penerapan arsitektur CSR pada React JS untuk aplikasi dengan kebutuhan data dinamis, sekaligus menjadi rujukan bagi pengembang maupun pemerintah daerah dalam merancang solusi digital pengelolaan retribusi parkir yang lebih transparan dan akuntabel.   Kata Kunci— Sistem Parkir, Aplikasi Berbasis Website, Client Side Rendering, React JS, NestJS, GT-Metrix.

Page 54 of 55 | Total Record : 548

 51   52   53   54   55 

Filter by Year

2019 2026


Reset
Filter By Issues
All Issue Vol. 7 No. 04 (2026) Vol. 7 No. 03 (2026) Article In Press(1) Article In Press Vol. 7 No. 02 (2025) Vol. 7 No. 01 (2025) Vol. 6 No. 04 (2025) Vol. 6 No. 03 (2025) Vol. 6 No. 02 (2024) Vol. 6 No. 01 (2024) Vol. 5 No. 04 (2024) Vol. 5 No. 03 (2024) Vol. 5 No. 02 (2023) Vol. 5 No. 01 (2023) Vol 4 No 04 (2023) Vol 4 No 03 (2023) Vol 4 No 02 (2022) Vol 4 No 01 (2022) Vol 3 No 04 (2022) Vol 3 No 03 (2022) Vol 3 No 02 (2021) Vol 3 No 01 (2021) Vol 2 No 04 (2021) Vol 2 No 03 (2021) Vol 2 No 02 (2020) Vol 2 No 01 (2020) Vol 1 No 04 (2020) Vol 1 No 03 (2020) Vol 1 No 02 (2019) Vol 1 No 01 (2019) More Issue