cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yudhi Nugroho Adi
Contact Email
library@tekomuniversity.ac.id
Phone
+628128000110
Journal Mail Official
library@telkomuniversity.ac.id
Editorial Address
Jl. Telekomunikasi - Ters. Buah Batu Bandung 40257 Indonesia
Location
Kota bandung,
Jawa barat
INDONESIA
eProceedings of Engineering
Published by Universitas Telkom
ISSN : 23559365     EISSN : -     DOI : https://doi.org/10.34818/eoe.v9i5.18452
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering
Merupakan media publikasi karya ilmiah lulusan Universitas Telkom yang berisi tentang kajian teknik. Karya Tulis ilmiah yang diunggah akan melalui prosedur pemeriksaan (reviewer) dan approval pembimbing terkait.
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 8,006 Documents
 708   709   710   711   712 
Implementasi Teknologi IoT Terintegrasi untuk Pemeliharaan Tanaman Sayur pada Sistem Smart Farming Rooftop FTE Arjuna, Satria; Safinaturrahmah, Haura; Hasibuan, Ahmad Dzakir; Santoso, Iman Hedi; Astuti, Sri
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Pertanian perkotaan menghadapi tantangan dalam hal keterbatasan ruang dan waktu untuk merawat tanaman. Penelitian ini mengembangkan sistem smart farming berbasis Internet of Things (IoT) untuk untuk pemantauan dan pengendalian otomatis tanaman sayur di rooftop Gedung Fakultas Teknik Elektro Universitas Telkom. Sistem ini menggunakan sensor suhu, sensor pH analog, dan sensor TDS yang terhubung ke mikrokontroler ESP32. Data dikirim secara real-time ke Firebase Realtime Database untuk dianalisis dan ditampilkan, serta mengaktifkan notifikasi otomatis saat parameter lingkungan melewati batas optimal (25–27°C, pH 6.0–7.0, TDS 560–840 ppm). Aplikasi mobile digunakan sebagai antarmuka pemantauan dan pengendalian secara manual. Hasil dari pengujian menunjukkan sistem ini berfungsi dengan baik dengan waktu respons 1–5 detik dan tingkat kepuasan pengguna mencapai 95%. Sistem ini membuktikan bahwa penerapan IoT dapat meningkatkan efisiensi dan keberlanjutan pertanian skala kecil di lingkungan urban. Kata kunci : Aplikasi Mobile, Firebase, Hidroponik, IoT, Pemeliharaan Tanaman, Smart Farming
Rancang Bangun Sarung Tangan Pengenalan Bahasa Isyarat Kondisi Tubuh Berbasis Sistem Sensor dan Pembelajaran Mesin Rohan Hiskia Saragih, Aldo; Indah Purnama, Sevia; Aly Afandi, Mas
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyandang disabilitas tunarungu atau tunawicara sering mengalami kesulitan dalam menyampaikan kondisi tubuh melalui bahasa isyarat kepada orang normal, sehingga menimbulkan hambatan komunikasi dan interaksi sosial. Untuk mengatasi masalah ini, dikembangkan sebuah sistem sarung tangan berbasis sensor dan machine learning yang mampu mengenali dan menerjemahkan bahasa isyarat terkait kondisi tubuh. Sistem ini menggunakan flex sensor untuk mendeteksi lekukan jari, mikrokontroler ESP32 beserta expansion board sebagai unit pemroses serta LCD 16x2 dengan modul IIC sebagai tampilan output. Data sensor diklasifikasikan ke dalam 8 kondisi tubuh seperti batuk, flu, diare, sakit leher, sakit lengan, sakit kaki, sakit kepala, dan pusing dan dapat ditampilkan secara real-time dengan waktu respon rerata 0.10 detik dalam bentuk teks. Desain sarung tangan dipilih untuk meningkatkan kenyamanan dan probabilitas. Hasil pengujian menunjukkan bahwa sistem mampu mengenali 8 kondisi tubuh dengan akurasi 86% dan waktu respons yang cepat. Kata kunci : Bahasa Isyarat, Flex Sensor, MPU6050, Machine Learning, Sarung Tangan
Rancang Bangun Sarung Tangan Pengenalan Bahasa Isyarat Kondisi Tubuh Berbasis Sistem Sensor dan Pembelajaran Mesin Makhdhori, Muhammad; Indah Purnama, Sevia; Aly Afandi, Mas
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyandang disabilitas tunarungu atautunawicara sering mengalami kesulitan dalam menyampaikankondisi tubuh melalui bahasa isyarat kepada orang normal,sehingga menimbulkan hambatan komunikasi dan interaksisosial. Untuk mengatasi masalah ini, dikembangkan sebuahsistem sarung tangan berbasis sensor dan machine learningyang mampu mengenali dan menerjemahkan bahasa isyaratterkait kondisi tubuh. Sistem ini menggunakan flex sensoruntuk mendeteksi lekukan jari, mikrokontroler ESP32 besertaexpansion board sebagai unit pemroses serta LCD 16x2 denganmodul IIC sebagai tampilan output. Data sensor diklasifikasikanke dalam 8 kondisi tubuh seperti batuk, flu, diare, sakit leher,sakit lengan, sakit kaki, sakit kepala, dan pusing dan dapatditampilkan secara real-time dengan waktu respon rerata 0.10detik dalam bentuk teks. Desain sarung tangan dipilih untukmeningkatkan kenyamanan dan probabilitas. Hasil pengujianmenunjukkan bahwa sistem mampu mengenali 8 kondisi tubuhdengan akurasi 86% dan waktu respons yang cepat.Kata kunci : Bahasa Isyarat, Flex Sensor, MPU6050, MachineLearning, Sarung Tangan
Kajian Peningkatan Kualitas Citra Wajah Menggunakan Metode Deep Learning Vanilla Generative Adversarial Network (VGAN) dan Super Resolution Generative Adversarial Network (SRGAN) Wicaksono, Satriyo Sakti; Safitri, Irma; Rustam, Rustam
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Citra dengan resolusi rendah pada citra digital dapat membuat detail gambar kurang jelas. Hal ini dapat disebabkan adanya degradasi warna, blur (buram) atau pun noise sehingga secara visual citra menjadi tidak terlihat jelas. Selain itu, resolusi rendah dapat berpengaruh pada citra yang dipakai dalam face recognition yang menyebabkan kinerja deteksi kurang baik. Oleh karena itu, restorasi resolusi citra diperlukan untuk mengatasi masalah tersebut. Pada tugas akhir ini, digunakan salah satu perbaikan citra yaitu metode VGAN (Vanilla Generative Adversarial Network) yang disisipkan downsampling dan upsampling pada layer strukturnya dan telah diuji dan dibandingkan dengan metode SRGAN (Super Resolution Generative Adversarial Network). VGAN dan SRGAN memiliki kapasitas untuk melakukan perbaikan citra resolusi rendah menjadi citra dengan resolusi tinggi. Dataset yang digunakan adalah CelebA - HQ (Celeb Faces Attributes High Quality) terdiri dari 1000 citra wajah. Hasil akhir menunjukkan bahwa metode VGAN modifikasi mendapatkan nilai PSNR tertinggi sebesar 31.82 dB dan SSIM sebesar 0.91. Sementara itu, metode SRGAN modifikasi mendapatkan nilai PSNR tertingggi sebesar 33.9 dB dan SSIM sebesar 0.923. Berdasarkan pengujian pada dataset, dapat disimpulkan bahwa metode SRGAN lebih unggul dibandingkan VGAN dalam melakukan pengujian menggunakan dataset CelebA – HQ. Hasil tersebut menunjukkan bahwa SRGAN mampu melakukan perbaikan citra dengan baik. Kata Kunci: Citra Wajah, Resolusi, SRGAN, VGAN
Klasifikasi Biji Kopi Hasil Roasting Menggunakan Citra Digital Berdasarkan Metode Convolutional Neural Network(CNN) Falah , Achmad Ghulam
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Pada saat ini banyak penikmat minuman kopi dan juga kedai kopi sehingga saat ini banyak juga coffee roastery. Biasanya para coffee roastery tersebut melakukan pemilihan biji kopi hasil roasting secara manual sehingga membuat hasilnya menjadi kurang konsisten. Berdasarkan hal tersebut, maka diperlukannya sistem untuk mendeteksi atau mengklasifikasi biji kopi tersebut agar dapat dengan mudah melakukan penyeleksian biji kopi hasil roasting yang bagus dengan yang buruk sehingga hasilnya menjadi lebih konsisten. Penelitian ini mengidentifikasi berdasarkan warna, bentuk, dan tekstur dari biji kopi tersebut. Sistem ini berbasis citra digital dengan menggunakan metode Convolutional Neural Network (CNN). Parameter yang digunakan pada penelitian ini adalah akurasi dan waktu komputasinya dengan hasil tertinggi 99,7% dengan waktu 8.891 detik. Kata kunci: biji kopi hasil roasting, citra digital, Convolutional Neural Network (CNN).
Klasifikasi Cuaca Menggunakan Convolutional Neural Network Malardy , Muhammad Andriyansyah; Magdalena, Rita; Saidah, Sofiah
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Cuaca merupakan salah satu faktor penting yang memengaruhi berbagai aktivitas manusia sehari-hari. Perubahan cuaca yang tidak menentu dapat berdampak pada sektor transportasi, pertanian, hingga penanggulangan bencana. Oleh karena itu, dibutuhkan sistem yang mampu mengklasifikasikan kondisi cuaca secara otomatis dan akurat. Salah satu solusinya adalah dengan memanfaatkan teknologi pengolahan citra dan kecerdasan buatan, khususnya menggunakan metode Convolutional Neural Network (CNN), yang mampu mengenali pola dalam gambar untuk menentukan jenis cuaca seperti cerah, berawan, atau hujan. Dalam penelitian ini, digunakan arsitektur CNN bernama MobileNetV2 yang dirancang untuk menghasilkan model yang ringan dan efisien, namun tetap memiliki tingkat akurasi yang tinggi. MobileNetV2 dipilih karena cocok digunakan dalam perangkat dengan kemampuan komputasi terbatas dan telah terbukti efektif dalam klasifikasi gambar. Proses yang dilakukan meliputi pengumpulan data dari situs Kaggle, pengolahan gambar agar memiliki ukuran seragam, pelatihan model menggunakan data latih, dan pengujian kinerja model untuk mengukur tingkat keberhasilannya dalam mengenali gambar cuaca. Dataset yang digunakan terdiri dari 768 gambar yang dibagi ke dalam tiga kategori: cerah (253 gambar), berawan (300 gambar), dan hujan (215 gambar). Sebanyak 80% data digunakan untuk pelatihan model, dan 20% sisanya untuk pengujian. Hasil terbaik diperoleh ketika menggunakan pengaturan: optimizer Stochastic Gradient Descent (SGD), learning rate 0,01, batch size 32, dan epoch 50. Dengan kombinasi tersebut, sistem berhasil mencapai akurasi sebesar 96,10%, dengan nilai presisi, recall, dan F1-score yang juga tinggi. Hal ini menunjukkan bahwa MobileNetV2 mampu memberikan hasil klasifikasi cuaca yang akurat dan efisien. Kata kunci— Klasifikasi Cuaca,Convolutional Neural Network (CNN), MobileNetV2, Stochastic Gradient Descent (SGD), Learning Rate, Batch Size.
Rancang Bangun Smart Indoor Farming Berbasis Internet of Things Dengan Visible Light Communication Hasriya Putri, Elvina; Yuliantoro, Prasetyo; Pranindito, Dadiek
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Kegiatan bercocok tanam pada lingkunganperkotaan menghadapi beberapa rintangan, sepertiketerbatasan ruang dan waktu. Hal ini dikarenakan lahan hijauyang semakin mengecil dan juga padatnya kesibukanmasyarakat yang tinggal di perkotaan. Hidroponik menjadisolusi bercocok tanam yang efisien di tengah keterbatasan lahandi perkotaan. Namun meskipun hidroponik menjadi solusiefisien untuk bercocok tanam di lahan terbatas, pemantauankualitas air seperti pH dan TDS masih dilakukan secaramanual. Hal ini menyebabkan ketidaktepatan dalampengaturan nutrisi, yang dapat menghambat pertumbuhantanaman dan mengurangi hasil panen. Contohnya, nilaikeasaman air yang tidak terkontrol dapat menyebabkan akarmembusuk atau tanaman keracunan nutrisi Hidroponik hadirsebagai salah satu solusi yang dapat dilakukan oleh masyarakatperkotaan untuk mengatasi keterbatasan lahan karena dapatdilakukan di dalam rumah. Namun, pemeliharaan hidroponikmemiliki cara pemantauan yang lebih rumit dibandingkantanaman biasa. Pada tanaman hidroponik, pemilik harusmelakukan pemantauan keasaman air dan juga nilai kualitasair yang dilakukan dengan alat ukur. Maka diperlukan sebuahsistem dengan tujuan untuk memudahkan pemilik hidroponikdalam melakukan pemantauan kualitas hidroponik nya. Sistemsmart indoor farming atau pertanian pintar didalam ruanganini dibuat agar pemilik hidroponik dapat melakukanpemantauan dari telepon seluler masing-masing denganmemanfaatkan teknologi visible light communication dan jugainternet of things. Sistem ini mampu mengirimkan data keaplikasi telegram pada telepon seluler pemiliknya denganmemanfaatkan cahaya lampu pada tanaman hidroponik.Kata kunci— Hidroponik, Kualitas air, Visible LightCommunication, Internet of Things
Klasifikasi Tulisan Tangan Bahasa Arab Menggunakan Teknik Yolo Firdaus, Muhammad Ilham Zuhruf; Saidah, Sofia; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Tulisan tangan dalam bahasa Arab memiliki tantangan tersendiri dalam proses pengenalan otomatis karena bentuk hurufnya yang kompleks, bersambung, serta adanya variasi gaya penulisan individu. Permasalahan ini menjadi penting untuk dipecahkan terutama dalam konteks digitalisasi dokumen dan aplikasi pendidikan berbasis teknologi. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tulisan tangan bahasa Arab dengan memanfaatkan teknik You Only Look Once (YOLO), sebuah pendekatan object detection berbasis deep learning yang dikenal karena kecepatannya dalam mengenali objek secara real-time. Penelitian ini dibatasi pada deteksi huruf-huruf tunggal dalam tulisan tangan, bukan pada pengenalan kata utuh atau kalimat. Metode yang digunakan melibatkan beberapa tahap utama, dimulai dari pengumpulan dataset tulisan tangan bahasa Arab yang telah dilabeli secara manual. Selanjutnya dilakukan proses pelatihan model menggunakan arsitektur YOLOv9 dengan menyesuaikan parameter agar optimal terhadap karakteristik huruf Arab. Model dilatih untuk mendeteksi dan mengklasifikasikan huruf secara individu dalam gambar tulisan tangan. Setelah pelatihan, dilakukan evaluasi menggunakan metrik seperti mean Average Precision (mAP), presisi, dan recall untuk mengukur performa sistem. Dalam proses ini juga dilakukan augmentasi data untuk meningkatkan generalisasi model terhadap berbagai bentuk tulisan tangan. Hasil dari penelitian ini menunjukkan bahwa penggunaan YOLO efektif dalam mendeteksi tulisan tangan huruf Arab dengan akurasi yang cukup tinggi, terutama dalam kondisi pencahayaan dan latar belakang yang bervariasi. Sistem yang dikembangkan mampu melakukan deteksi secara cepat dan akurat, serta memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi OCR (Optical Character Recognition) untuk bahasa Arab. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem pengenalan tulisan tangan Arab yang lebih kompleks di masa depan. Kata kunci— YOLO, Tulis tangan, OCR, Bahasa Arab
Penerapan Logistic Regression Untuk Memprediksi Kualitas Sinyal Optik Menggunakan Data Parameter Jaringan Telekomunikasi Jumarman, Muhammad Naufal Hibatullah; Arseno, Dharu; Prabowo, Vinsensius Sigit Widhi
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Jaringan telekomunikasi optik memegang peranan penting dalam mendukung layanan komunikasi modern yang membutuhkan kecepatan dan keandalan tinggi. Penelitian ini bertujuan membangun model prediksi kualitas sinyal optik secara real-time menggunakan metode Logistic Regression. Model dikembangkan dengan memanfaatkan 20 parameter teknis. Data diperoleh dari platform Kaggle, kemudian diproses melalui tahapan pembersihan, normalisasi, serta pembagian dataset menjadi 80% data latih dan 20% data uji. Model regresi logistik menghasilkan nilai intercept -3,733 dengan koefisien tertinggi pada Optical Amplifier Gain (1,661), diikuti oleh Transmission Distance, PMD Coefficient, dan BER, yang masing-masing memiliki nilai di atas 1,3. Beberapa variabel seperti Fiber Attenuation dan Noise berpengaruh negatif terhadap kualitas sinyal. Nilai koefisien ini menunjukkan arah dan besar pengaruh tiap fitur terhadap probabilitas sinyal optik tergolong baik. Model menunjukkan tingkat akurasi 100% pada data uji, dengan seluruh prediksi sesuai nilai aktual. Model ini diimplementasikan dalam aplikasi desktop berbasis PyQt5, dilengkapi fitur input parameter teknis, normalisasi otomatis, prediksi, visualisasi hasil, dan ekspor data ke Excel. Logistic Regression terbukti efektif untuk prediksi kualitas sinyal optik dan mendukung pengambilan keputusan operasional secara efisien. Kata Kunci: Jaringan Telekomunikasi Optik, Logistic Regression, PyQt5
YOLOv11 for Classification of Strawberry Quality and Ripeness Fahriansyah, Ardy; Zaky, Pavel Manaf El; Novamizanti, Ledya; Sa’idah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Strawberries hold significant economic value in Indonesia due to their high demand and nutritional benefits. Traditional harvesting methods, which rely on manual visual inspection, are often inefficient and prone to errors. Real-time multi-object detection presents a promising solution to enhance automation in harvesting, ripeness classification, and post-harvest processing. This study assesses the performance of four YOLOv11 variants—YOLOv11N, YOLOv11S, YOLOv11M, and YOLOv11L—in detecting strawberries across five quality and ripeness categories: Unripe, Half Ripe Grade B, Half Ripe Grade A, Fully Ripe Grade B, and Fully Ripe Grade A. A dataset originally consisting of 3,055 high-resolution strawberry images was expanded through data augmentation to 7,940 images. These were subsequently split into training (7,330 images), validation (305 images), and testing (305 images) sets. All models were trained under identical conditions utilizing the AdamW optimizer, cosine annealing learning rate scheduling, a batch size of 16, and an input resolution of 640×640 pixels. Performance was evaluated based on Precision, Recall, F1-Score, mAP@0.5, mAP@0.95, and inference time. The results indicate that YOLOv11N achieved the best overall performance, with a Precision of 0.869, Recall of 0.878, F1-Score of 0.87, mAP@0.95 of 0.830, and the fastest inference time of 3.6 ms, rendering it suitable for real-time deployment. YOLOv11M provided a balanced trade-off between accuracy and speed, while YOLOv11S offered competitive accuracy with lower inference latency. YOLOv11L demonstrated strong detection capabilities but with the slowest inference time. These findings affirm the efficacy of YOLOv11-based models in facilitating scalable and intelligent systems for precision agriculture. Keywords—strawberry, computer vision, deep learning, object detection, classification, YOLO.

Page 710 of 801 | Total Record : 8006

 708   709   710   711   712 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 5 (2025): Oktober 2025 Vol. 12 No. 4 (2025): Agustus 2025 Vol. 12 No. 3 (2025): Juni 2025 Vol. 12 No. 2 (2025): April 2025 Vol. 12 No. 1 (2025): Februari 2025 Vol. 11 No. 6 (2024): Desember 2024 Vol. 11 No. 5 (2024): Oktober 2024 Vol. 11 No. 4 (2024): Agustus 2024 Vol. 11 No. 3 (2024): Juni 2024 Vol. 11 No. 2 (2024): April 2024 Vol. 11 No. 1 (2024): Februari 2024 Vol. 10 No. 6 (2023): Desember 2023 Vol. 10 No. 5 (2023): Oktober 2023 Vol 10, No 5 (2023): Oktober 2023 Vol. 10 No. 4 (2023): Agustus 2023 Vol. 10 No. 3 (2023): Juni 2023 Vol 10, No 3 (2023): Juni 2023 Vol. 10 No. 2 (2023): April 2023 Vol 10, No 2 (2023): April 2023 Vol. 10 No. 1 (2023): Februari 2023 Vol 9, No 6 (2022): Desember 2022 Vol 9, No 5 (2022): Oktober 2022 Vol. 9 No. 5 (2022): Oktober 2022 Vol. 9 No. 4 (2022): Agustus 2022 Vol 9, No 4 (2022): Agustus 2022 Vol 9, No 3 (2022): Juni 2022 Vol 9, No 2 (2022): April 2022 Vol 9, No 1 (2022): Februari 2022 Vol 8, No 6 (2021): Desember 2021 Vol. 8 No. 5 (2021): Oktober 2021 Vol 8, No 5 (2021): Oktober 2021 Vol 8, No 4 (2021): Agustus 2021 Vol 8, No 3 (2021): Juni 2021 Vol 8, No 2 (2021): April 2021 Vol. 8 No. 2 (2021): April 2021 Vol 8, No 1 (2021): Februari 2021 Vol 7, No 3 (2020): Desember 2020 Vol 7, No 2 (2020): Agustus 2020 Vol 7, No 1 (2020): April 2020 Vol 6, No 3 (2019): Desember 2019 Vol 6, No 2 (2019): Agustus 2019 Vol 6, No 1 (2019): April 2019 Vol 5, No 3 (2018): Desember 2018 Vol 5, No 2 (2018): Agustus 2018 Vol 5, No 1 (2018): April 2018 Vol 4, No 3 (2017): Desember, 2017 Vol 4, No 2 (2017): Agustus, 2017 Vol 4, No 1 (2017): April, 2017 Vol 3, No 3 (2016): Desember, 2016 Vol 3, No 2 (2016): Agustus, 2016 Vol 3, No 1 (2016): April, 2016 Vol 2, No 3 (2015): Desember, 2015 Vol 2, No 2 (2015): Agustus, 2015 Vol 2, No 1 (2015): April, 2015 Vol 1, No 1 (2014): Desember, 2014 More Issue