cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
SUPIYANDI
Contact Email
supiyandi.mkom@gmail.com
Phone
+6281535262226
Journal Mail Official
ejuktisi@gmail.com
Editorial Address
Jl. Gurilla No. 2 Sidorejo, Kel. Bantan Timur Kec. Medan Tembung, Medan, Provinsi Sumatera Utara
Location
Kota medan,
Sumatera utara
INDONESIA
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Published by LKP Karya Prima Kursus
ISSN : 29623022     EISSN : 29637104     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering
Focus dan scope dari JUKTISI (Jurnal Komputer Teknologi Informasi Sistem Komputer) terbit pertama kali pada tahun 2022 yang dimaksudkan sebagai media kajian ilmiah dari hasil pemikirian yang dituangkan kedalam Jurnal. Jurnal JUKTISI Lembaga Kursus dan Pelatihan Karya Prima terbit 3 (tiga) kali setahun pada bulan Februari, Juni dan September. Topik utama yang diterbitkan mencakup: 1. Teknologi Informasi 2. Sistem Komputer 3. Teknik Informatika 4. Sistem Informasi 5. Sistem Pendukung Keputusan 6. Sistem Pakar 7. Kecerdasan Buatan 8. Manajemen Informasi 9. Data Mining 10. Big Data 11. Jaringan Komputer 12. Dan lain-lain (topik lainnya yang berhubungan dengan Teknologi Informasi dan Komputer)
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 519 Documents
 48   49   50   51   52 
Sistem Pemeringkatan Resume Berbasis LLM untuk Seleksi Kandidat PT Triputra Khatulistiwa Herman Firmansyah; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1329

Abstract

Proses screening resume pada PT. Triputra Khatulistiwa, sebuah perusahaan jasa ekspedisi dan logistik di Kalimantan Barat dengan cakupan operasional di 14 kabupaten/kota, masih dilakukan secara sepenuhnya manual oleh tim HR yang terbatas. Rata-rata jumlah pelamar mencapai 20 orang per periode rekrutmen dengan waktu screening 3 hingga 7 hari kerja, sehingga rentan terhadap inkonsistensi penilaian antar evaluator dan bias subjektif. Penelitian ini bertujuan merancang dan membangun sistem pemeringkatan resume berbasis web bernama SmartLoker yang mengintegrasikan Large Language Model (LLM) untuk mengotomatisasi proses seleksi kandidat. Sistem dikembangkan menggunakan metode waterfall dengan pemodelan UML (use case, activity, entity relationship diagram, dan sequence diagram), dibangun menggunakan framework Nuxt 3 (Vue 3) dengan basis data MySQL melalui ORM Prisma. Integrasi LLM menggunakan model GPT-4o-mini melalui layanan Sumopod yang kompatibel dengan OpenAI, dengan pendekatan two-stage prompting, yaitu ekstraksi informasi resume dan penilaian berbobot terhadap kriteria kesesuaian skill, pengalaman, dan pendidikan. Sistem melibatkan empat peran pengguna (Super Admin, Admin, HR, dan Pelamar) serta dilengkapi fitur analisis jejak digital, perankingan kandidat berbasis AI, penjadwalan wawancara, dan notifikasi otomatis melalui email dan WhatsApp. Pengujian dengan metode black box terhadap 26 skenario pada seluruh modul menunjukkan seluruh fungsi berjalan valid, dengan waktu pemrosesan screening kurang dari 30 detik per resume. Hasil ini menunjukkan bahwa sistem mampu mempersingkat waktu seleksi, meningkatkan konsistensi penilaian, dan mengurangi bias subjektif dalam proses rekrutmen di PT. Triputra Khatulistiwa.
Analisis Sentimen Ulasan Pengguna Aplikasi Mobile Banking Bank Kalbar Menggunakan Algoritma Svm Random Forest dan Naive Bayes Theofilus BA; Panny Agustia Rahayuningsih; Muhammad Rezki
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1331

Abstract

Perkembangan dalam layanan perbankan seluler telah meningkatkan jumlah ulasan pengguna di platform seperti Google Play Store, yang menyimpan data berharga terkait kepuasan dan keluhan dari nasabah. Penelitian ini memiliki tujuan untuk menganalisis sentimen dari ulasan pengguna aplikasi mobile banking Bank Kalbar dengan memanfaatkan tiga algoritma machine learning untuk klasifikasi, yaitu Support Vector Machine (SVM), Random Forest, dan Naive Bayes, yang diterapkan dengan representasi fitur berbasis TF-IDF. Data yang digunakan dalam penelitian ini mencakup 2.923 ulasan yang diperoleh melalui web scraping dan secara otomatis diberi label melalui model LLaMA 3.1 8B Instant menggunakan Groq API ke dalam tiga kategori sentimen: positif (49,3%), negatif (41,2%), dan netral (9,5%). Ketidakseimbangan dalam distribusi kelas ditangani dengan metode SMOTE, sedangkan optimisasi hyperparameter dilakukan dengan teknik GridSearchCV menggunakan Stratified 5-Fold Cross Validation. Hasil evaluasi menunjukkan bahwa SVM berperforma sebagai model paling unggul dengan akurasi 87,52%, F1-Weighted 86,80%, dan F1-Macro 79,59%, diikuti oleh Naive Bayes (85,98%) dan Random Forest (85,47%). Namun, analisis statistik McNemar mengindikasikan bahwa perbedaan kinerja di antara ketiga model tidak signifikan secara statistik (p > 0,05), yang menunjukkan bahwa ketiga algoritma ini memiliki kemampuan generalisasi yang setara pada dataset ini. Tantangan utama yang teridentifikasi adalah rendahnya tingkat recall pada kelas netral (41–46%) disebabkan oleh ketidakseimbangan data. Hasil dari penelitian ini memberikan wawasan yang jelas mengenai pola sentimen dari pengguna aplikasi mobile banking Bank Kalbar dan dapat menjadi referensi bagi manajemen untuk meningkatkan kualitas layanan digital, terutama dalam hal stabilitas aplikasi dan kemudahan akses.
Deteksi Penyakit Bercak Daun (Cercospora) pada Tanaman Cabai Menggunakan Metode Convolutional Neural Network (CNN) Riski Rudiansah; Abdul Hadi; Aryansyah; Hendra Supendar; Riza Fahlapi
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1333

Abstract

Cabai (*Capsicum annuum* L.) termasuk tanaman hortikultura yang memiliki peran penting dalam bidang pertanian Indonesia karena nilai komersial yang tinggi serta tingkat konsumsi yang terus meningkat. Tantangan utama yang kerap kali muncul pada pembudidayaan cabai ialah adanya infeksi patogen bercak daun yang dipicu oleh jamur *Cercospora capsici*. Infeksi penyakit tersebut dapat menurunkan kualitas tanaman dan mengurangi hasil produksi apabila tidak segera dikenali dan ditangani. Proses identifikasi yang dilakukan secara konvensional masih mengandalkan pengamatan visual sehingga membutuhkan waktu serta tingkat keahlian tertentu. Guna menyelesaikan kendala tersebut, studi ini merancang metode identifikasi gejala sakit pada daun cabai memanfaatkan teknik pemrosesan gambar digital dengan memanfaatkan metode *Convolutional Neural Network* (CNN). Data yang digunakan berupa kumpulan gambar daun cabai yang telah melalui tahapan pengumpulan, pelabelan, serta pembagian data menjadi set pelatihan dan validasi. Model yang dibangun kemudian dilatih untuk membedakan daun sehat dan daun yang terindikasi penyakit bercak daun. Berdasarkan hasil evaluasi, model CNN mampu mengidentifikasi karakteristik visual penyakit dengan performa yang memuaskan. Oleh karena itu, sistem yang diusulkan dapat dimanfaatkan sebagai solusi pendukung dalam proses deteksi dini penyakit tanaman cabai sehingga membantu petani mengambil tindakan penanganan secara lebih cepat, tepat, dan efisien.
Optimasi Hyperparameter Gradient Boosting Menggunakan RandomizedSearchCV untuk Prediksi Harga Rumah di Wilayah Jabodetabek Baka Dayla Mahaga Br Tarigan; Muhammad Iqbal; Mia Rosmiati
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1338

Abstract

Backlog perumahan di Jabodetabek yang tembus 2,93 juta unit bikin kebutuhan sistem prediksi harga rumah yang akurat jadi makin penting, supaya masyarakat dan pengembang bisa ambil keputusan jual-beli properti dengan lebih terukur. Penelitian ini mencoba membandingkan performa enam algoritma machine learning, yaitu Ridge Regression, Random Forest, Gradient Boosting, XGBoost, Artificial Neural Network (ANN) Backpropagation, dan Deep Neural Network (DNN), untuk memprediksi harga rumah di Jabodetabek menggunakan dataset open source dari Kaggle berisi 3.553 data. Tahapan penelitian meliputi eksplorasi data, penanganan missing value, penghapusan outlier dengan metode Interquartile Range (IQR), rekayasa fitur, encoding, standardisasi, pelatihan model dengan validasi silang 10-fold, serta penyetelan hyperparameter menggunakan Randomized Search. Hasil pengujian pada 571 data uji (20%) menunjukkan model Gradient Boosting yang sudah disetel (tuned) memberikan performa paling bagus dengan R² 93,06%, MAE Rp265.951.001, RMSE Rp480.524.642, dan MAPE 13,42%, mengungguli XGBoost (R² 92,33%), Random Forest (R² 91,23%), ANN Backpropagation (R² 86,70%), DNN (R² 86,37%), dan Ridge Regression (R² 85,65%). Hasil ini juga lebih tinggi dibandingkan penelitian-penelitian acuan sebelumnya yang memakai algoritma serupa pada dataset yang sama. Penelitian ini memberi kontribusi berupa perbandingan yang lebih lengkap antara algoritma berbasis pohon keputusan, regresi linear teregularisasi, dan jaringan saraf tiruan untuk kasus prediksi harga properti di kawasan urban Indonesia
Sistem Informasi Terpadu Berbasis Web Mendukung Keterbukaan Publik pada PT. Mitra Aneka Rezeki Kab Kubu Raya Cical Zikra WQ Sanjaya Sanjaya; Windi Irmayani; Muhammad Ifan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1344

Abstract

PT. Mitra Aneka Rezeki (PT MAR) merupakan perusahaan perkebunan yang berlokasi di Kabupaten Kubu Raya, Kalimantan Barat. Perusahaan ini menghadapi tantangan dalam mengelola berbagai kebutuhan layanan secara terintegrasi, termasuk penyebaran informasi berita, kegiatan, pengajuan proposal, permohonan magang, dan publikasi lowongan pekerjaan. Sistem yang berjalan saat ini masih manual dan terpisah, mengakibatkan keterlambatan informasi, kurangnya transparansi, dan efisiensi administratif yang rendah. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem informasi terpadu berbasis web yang mampu mengintegrasikan lima modul utama: manajemen berita dan kegiatan, informasi layanan, pengajuan proposal, permohonan magang, dan publikasi lowongan pekerjaan. Metodologi yang digunakan adalah pengembangan perangkat lunak dengan model Waterfall, didukung oleh observasi, wawancara, dan studi literatur untuk pemahaman kebutuhan yang mendalam. Hasil implementasi menunjukkan bahwa sistem berhasil mengintegrasikan kelima modul dengan fitur-fitur seperti pelacakan status pengajuan, unggah dokumen, penyimpanan data terpusat, dan antarmuka yang ramah pengguna. Sistem ini terbukti meningkatkan transparansi layanan, mempercepat proses administrasi, dan memperkuat citra profesionalisme perusahaan di mata publik. Kesimpulan penelitian menunjukkan bahwa digitalisasi layanan melalui sistem informasi terpadu berbasis web yang dirancang sesuai kebutuhan spesifik organisasi mampu memberikan dampak signifikan terhadap peningkatan efisiensi operasional dan kepercayaan stakeholder.
Evaluasi Leakage-Aware dan Imbalance-Sensitive pada BiLSTM dan Machine Learning Klasik untuk Klasifikasi Arah Pergerakan Harga Emas ANTAM Juni Ismail; Randi Sumitro; Juliana Rotua Pasaribu; Elida Madona Siburian; Renovand Mikael Situmorang
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1346

Abstract

ANTAM gold is a widely used hedging instrument among Indonesian investors, yet determining the right moment to transact remains difficult because of its volatile and non-linear price movements. Several prior studies have reported near-perfect predictive accuracy; however, such results frequently stem from evaluation procedures that are prone to data leakage and therefore do not reflect genuine generalization ability. This study develops a leakage-aware and imbalance-sensitive evaluation framework for classifying the directional movement of ANTAM gold prices. Daily price data from 2010 to 2025 (5,751 samples) are transformed into 14 technical features—comprising lagged log-returns, volatility, momentum, moving-average ratios, and RSI—and labelled according to the sign of the five-day forward return. A Bidirectional Long Short-Term Memory (BiLSTM) model is benchmarked against Random Forest, Decision Tree, and a majority-class baseline using five-fold walk-forward validation with purging and train-only feature scaling. Performance is assessed through Balanced Accuracy, Macro-F1, the Matthews Correlation Coefficient (MCC), ROC-AUC, and PR-AUC. All classifiers outperform the majority baseline, with Decision Tree attaining the highest Macro-F1 of 0.534, followed by Random Forest (0.510) and BiLSTM (0.497), and a best MCC of 0.074. These findings indicate limited but real directional predictability and confirm that rigorous evaluation yields markedly more conservative and credible performance estimates than the inflated accuracies claimed in earlier work.
Sistem Pendukung Keputusan Triase Poliklinik Menggunakan Pendekatan Hybrid K-Means Clustering dan Rule-Based Khoeruddin; Farhan Hidayat; Khoirul Yudi; Hendra Supendar; Riza Fapihla
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1352

Abstract

Delays in the emergency department triage process often precipitate severe clinical deterioration, exposing a critical vulnerability in orthodox healthcare management. While the proliferation of Machine Learning (ML) promises computational efficiency, purely unsupervised models like K-Means frequently misclassify extreme clinical anomalies due to the dominance of imbalanced historical data. This study engineered a Clinical Decision Support System (CDSS) utilizing a hybrid architecture that synthesizes K-Means clustering with a deterministic rule-based heuristic. Operating on a simulated medical dataset extracting variables such as age, heart rate, body temperature, and oxygen saturation (SpO2), the methodology standardized feature weights before executing a dual-layer validation. The system intercepts life-threatening parameters (e.g., SpO2 < 90%) through pre-defined clinical thresholds, bypassing algorithmic bias, while delegating stable cases to the spatial grouping logic of K-Means. Empirical testing on simulated triage scenarios demonstrated that the hybrid model eradicated the critical misclassification inherent in standalone unsupervised algorithms, achieving absolute alignment with the Emergency Severity Index (ESI) standards. The resultant cross-platform application, deployed via a Flutter desktop interface and a Python-Flask backend, operationalizes this logic to minimize human error and drastically reduce diagnostic response time.
Perancangan Website SMK Negeri 1 Hiliserangkai sebagai Media Peningkatan Efektivitas Layanan Informasi Sekolah Mizael Fredrick Evrizen Telaumbanua; Valen Kurnia Mendrofa; Meiman Herdiyanto Waruwu; Jurisman Waruwu
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1353

Abstract

Keterbatasan media informasi konvensional yang selama ini digunakan oleh SMK Negeri 1 Hiliserangkai, berupa papan pengumuman dan brosur fisik, menyebabkan jangkauan penyebaran informasi sekolah kepada masyarakat sangat terbatas. Di samping itu, proses penerimaan peserta didik baru yang masih mensyaratkan kehadiran fisik calon pendaftar turut mempersempit aksesibilitas layanan pendidikan bagi masyarakat di kawasan terpencil Kabupaten Nias. Penelitian ini bertujuan merancang dan membangun sebuah website berbasis PHP, HTML, CSS, JavaScript, dan MySQL menggunakan metode pengembangan Waterfall guna mentransformasi sistem informasi sekolah yang manual menjadi platform digital yang terintegrasi. Artefak yang dihasilkan memuat delapan halaman publik, mencakup formulir Seleksi Penerimaan Murid Baru (SPMB) secara daring dan fitur verifikasi kelulusan berbasis NISN, serta panel administrasi dengan sembilan menu pengelolaan konten. Pengujian fungsionalitas menggunakan metode Black Box Testing terhadap sepuluh skenario uji menunjukkan tingkat keberhasilan seratus persen, di mana seluruh fitur dinyatakan valid. Evaluasi usability mengungkapkan bahwa antarmuka sistem bersifat intuitif dan mudah dipelajari oleh pengguna dari berbagai latar belakang. Perbandingan kondisi sebelum dan sesudah implementasi membuktikan adanya peningkatan signifikan pada keterjangkauan informasi, efisiensi proses SPMB, dan akurasi pengelolaan data pendaftar. Temuan penelitian ini sejalan dengan kajian-kajian terdahulu yang menegaskan relevansi digitalisasi sistem informasi sebagai solusi bagi sekolah-sekolah di daerah yang masih mengandalkan media konvensional.
Analisa Komparatif MobileNetV2 dan EfficientNetB0 Berbasis Fine-Tuning dan Data Augmentation untuk Klasifikasi Penyakit Daun Pisang Wadzifa Wadzifa; Deasy Purwaningtias; Ali Mustopa
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1354

Abstract

Penyakit daun pisang merupakan salah satu faktor yang dapat menurunkan produktivitas tanaman pisang dan menyebabkan kerugian ekonomi bagi petani. Identifikasi penyakit secara manual memerlukan waktu serta bergantung pada keahlian pengamat, sehingga diperlukan sistem otomatis yang mampu melakukan klasifikasi penyakit secara cepat dan akurat. Penelitian ini bertujuan menganalisis performa model transfer learning MobileNetV2 dan EfficientNetB0 dalam klasifikasi penyakit daun pisang menggunakan dataset BananaLSD yang terdiri atas empat kelas, yaitu Healthy, Cordana, Pestalotiopsis, dan Sigatoka. Penelitian dilakukan melalui delapan skenario eksperimen yang mengombinasikan penerapan fine-tuning dan data augmentation untuk mengetahui pengaruhnya terhadap performa model. Model terbaik selanjutnya dibandingkan menggunakan empat optimizer, yaitu Adam, AdamW, RMSprop, dan SGD. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa kombinasi EfficientNetB0 dengan fine-tuning, data augmentation, dan optimizer Adam menghasilkan performa terbaik dengan nilai accuracy sebesar 97,89%, precision 98,58%, recall 97,89%, dan F1-score 98,00%. Model terbaik kemudian diimplementasikan menggunakan FastAPI dan diintegrasikan dengan aplikasi bergerak berbasis FlutterFlow sehingga mampu melakukan klasifikasi penyakit daun pisang secara real-time. Hasil penelitian menunjukkan bahwa kombinasi arsitektur, strategi pelatihan, dan optimizer yang tepat mampu meningkatkan performa klasifikasi serta menghasilkan prototipe aplikasi yang dapat mendukung identifikasi awal penyakit daun pisang secara cepat, akurat, dan mudah digunakan.
Analisis Komparatif YOLO11 dan RT-DETR untuk Deteksi Sampah pada Variasi Pencahayaan Juni Ismail; Pangidoan Adventus Ambarita; Renovand Mikael Situmorang; Elida Madona Siburian; Inggrid Ester Erlinda Simarmata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1358

Abstract

Sistem pemilahan sampah berbasis citra memerlukan model deteksi objek yang mampu mempertahankan akurasi ketika kualitas visual berubah. Penelitian ini menganalisis ketahanan visual YOLO11n, YOLO11s, dan RT-DETR-l pada enam kelas objek sampah, yaitu biodegradable, cardboard, glass, metal, paper, dan plastic. Data eksperimen terdiri atas 7.324 citra latih, 2.098 citra validasi, dan 1.042 citra uji dengan anotasi bounding box berformat YOLO. Evaluasi dilakukan pada test set normal dan empat skenario gangguan, yaitu pencahayaan redup 50%, pencahayaan terang 50%, kontras rendah, dan Gaussian noise. Metrik evaluasi meliputi precision, recall, F1-score, mAP@50, mAP@50:95, dan estimasi FPS. Hasil pengujian normal menunjukkan bahwa RT-DETR-l memperoleh performa tertinggi dengan precision 0,5329, mAP@50 0,4484, dan mAP@50:95 0,3576. Pada evaluasi robustness, RT-DETR-l tetap paling stabil, khususnya pada skenario redup 50% dengan mAP@50 0,4463. Sebaliknya, YOLO11n menghasilkan efisiensi inferensi tertinggi dengan 178,32 FPS pada kondisi normal. Temuan ini menegaskan adanya trade-off antara akurasi deteksi, ketahanan visual, dan kecepatan inferensi untuk sistem deteksi sampah real-time.

Page 51 of 52 | Total Record : 519

 48   49   50   51   52 

Filter by Year

2022 2026


Reset
Filter By Issues
All Issue Vol. 5 No. 2 (2026): September 2026 Vol. 5 No. 1 (2026): Juni 2026 Vol. 4 No. 3 (2026): Februari 2026 Vol. 4 No. 2 (2025): September 2025 Vol. 4 No. 1 (2025): Juni 2025 Vol. 3 No. 3 (2025): Februari 2025 Vol. 3 No. 2 (2024): September 2024 Vol. 3 No. 1 (2024): Juni 2024 Vol. 2 No. 3 (2024): Februari 2024 Vol. 2 No. 2 (2023): September 2023 Vol. 2 No. 1 (2023): Juni 2023 Vol. 1 No. 3 (2023): Februari 2023 Vol. 1 No. 2 (2022): September 2022 Vol. 1 No. 1 (2022): Juni 2022 More Issue