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
 788   789   790   791   792 
Segmentasi Mahasiswa Berdasarkan Kesiapan Karir menggunakan Algoritma K-Means dan Visualisasi Interaktif di Telkom University Surabaya Taqhsya Dwiyana , Ananda; Putri Permata, Regita; Ni'mah, Rifdatun
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Tingginya angka keraguan mahasiswa semester akhir terhadap motivasi dan kompetensi kerja mereka menunjukkan pentingnya evaluasi terhadap kesiapan karir mahasiswa. Pra-survei yang dilakukan di Telkom University Surabaya mengungkap bahwa 78% mahasiswa merasa tidak yakin terhadap motivasi internal mereka, dan 83% meragukan kemampuan mereka untuk bersaing di dunia kerja. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan tingkat kesiapan karir menggunakan algoritma K-Means, serta menyajikan hasilnya dalam bentuk dashboard interaktif. Lima faktor utama yang dianalisis meliputi motivasi, kematangan pribadi, kematangan sosial, sikap kerja, dan kompetensi kerja. Data dikumpulkan melalui kuesioner skala Likert dan dianalisis secara langsung menggunakan algoritma K-Means untuk membentuk kelompok mahasiswa dengan karakteristik kesiapan karir yang serupa. Setelah klaster terbentuk, dilakukan reduksi dimensi menggunakan Principal Component Analysis (PCA) guna memvisualisasikan hasil klaster dalam ruang dua dimensi. Validasi jumlah klaster optimal dilakukan menggunakan metode Elbow dan Silhouette Score. Penelitian ini menghasilkan tiga klaster utama yaitu klaster Siap Kerja, klaster Menuju Siap Kerja, dan klaster Butuh Pembinaan. Visualisasi interaktif melalui Looker Studio membantu dalam memahami karakteristik tiap klaster secara lebih dinamis. Hasil penelitian ini mendukung pengambilan keputusan berbasis data oleh Career Development Center (CDC) dalam merancang program pengembangan karir yang lebih tepat sasaran. Kata kunci— Kesiapan karir, K-Means, segmentasi mahasiswa, PCA visualisasi, dashboard interaktif
Analisis Fraktal Non-Linier Pada Sinyal HRV Untuk Deteksi Awal Penyakit Jantung Koroner Shafa A.R, Farah Nabylla; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyakit jantung koroner merupakan salah satu penyebab kematian tertinggi secara global. Penelitian ini bertujuan untuk memperoleh pemahaman yang lebih komprehensif mengenai kondisi jantung melalui analisis sinyal elektrokardiogram (EKG), khususnya variabilitas detak jantung (Heart Rate Variability/HRV), dengan pendekatan analisis fraktal. Data HRV dihasilkan dari deteksi puncak R (R-peak) dan diolah untuk mendapatkan fitur domain waktu, yaitu Standard Deviation of RR intervals (SDRR) dan Root Mean Square of Successive Difference (RMSSD). Analisis fraktal dilakukan menggunakan metode Detrended Fluctuation Analysis (DFA), Hurst Exponent, Higuchi Fractal Dimension (HFD), Maximum Fractal Length (MFL), dan Poincaré. Fitur yang diperoleh kemudian diseleksi dengan metode Minimum Redundancy Maximum Relevance (mRMR), sementara klasifikasi kondisi jantung normal dan penyakit jantung koroner dilakukan menggunakan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa fitur fraktal mampu merepresentasikan kompleksitas sinyal HRV, dengan sejumlah parameter menunjukkan perbedaan yang signifikan antara kelompok normal dan CAD. Model SVM dengan konfigurasi kernel tertentu menghasilkan akurasi tinggi pada pengujian serta nilai cross-validation yang konsisten. Temuan ini menegaskan bahwa kombinasi analisis fraktal dan SVM berpotensi dimanfaatkan untuk deteksi dini penyakit jantung koroner serta mendukung pengembangan sistem pemantauan kesehatan berbasis EKG yang akurat dan informatif. Kata kunci— Penyakit Jantung Koroner, Heart Rate Variability, Analisis Fraktal, Detrended Fluctuation Analysis (DFA), Higuchi Fractal Dimension (HFD), Maximum Fractal Length (MFL), Poincaré, dan Support Vector Machine (SVM).
Analisis Teknik Explainable AI Post-hoc untuk Deteksi Infark Miokard Berbasis Sinyal EKG Assyifa, Fathiya Nur; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Model deep learning (DL) menunjukkan akurasi yang unggul dalam menganalisis sinyal EKG untuk mendeteksi infark miokard. Namun, pendekatan ini sering dianggap sebagai "black box" yang sulit dipahami oleh tenaga medis. Penelitian ini mengevaluasi penerapan explainable AI (XAI), yakni Grad-CAM dan LRP, dalam meningkatkan interpretabilitas model DL berbeda untuk deteksi infark miokard menggunakan sinyal EKG. Pada studi ini, XAI berupa Grad-CAM dan LRP diaplikasikan pada tiga jenis model konvolusional, yakni model konvolusional biasa, model residual, serta model inception. Hasil menunjukkan bahwa Grad-CAM memberikan penjelasan spasial yang konsisten dengan atribusi positif serta lebih sederhana, sementara LRP dapat memberikan atribusi positif maupun negatif, membedakan relevansi antar-lead, serta tidak tergantung pada resolusi spasial dari layer internal model. Kemudian, kombinasi Grad-CAM untuk analisis temporal dan LRP untuk analisis relevansi lead memberikan interpretasi model yang paling komprehensif dan direkomendasikan untuk evaluasi relevansi klinis model DL. Disimpulkan bahwa arsitektur InceptionTime ditemukan merupakan model terbaik, dengan akurasi tertinggi serta utilisasi lead tertinggi berdasarkan analisis XAI. Kata kunci—deep learning, elektrokardiogram, infark miokard, XAI
Klasifikasi Aritmia Pada Sinyal Elektrokardiogram Menggunakan Gated Recurrent Unit Annisa , Wina Nur; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Deteksi aritmia jantung secara otomatis umumnya dilakukan melalui analisis sinyal elektrokardiogram (EKG) untuk meningkatkan akurasi dan efisiensi diagnosis. Penelitian ini mengevaluasi pengaruh variasi panjang window (3R, 5R, 10R) terhadap performa klasifikasi aritmia, membandingkan kinerja varian arsitektur Gated Recurrent Unit (GRU0–GRU4) dan Bidirectional GRU (BiGRU0–BiGRU4), serta menganalisis dampak konfigurasi hyperparameter. Dataset yang digunakan adalah MIT-BIH Arrhythmia, dengan segmentasi sinyal menggunakan metode sliding window berbasis jumlah puncak R. Model dilatih menggunakan fungsi loss categorical crossentropy dan optimizer Adam, dengan tuning pada jumlah unit (32, 64, 128), dropout (0.2, 0.5), dan learning rate (0.001, 0.0001). Evaluasi dilakukan menggunakan akurasi, ROC AUC, precision, recall, dan F1-score. Hasil menunjukkan bahwa window 3R dan model GRU0 dengan konfigurasi 128 unit, dropout 0.2, dan learning rate 0.001 menghasilkan performa terbaik, dengan akurasi 95.99%, F1-score 0.9599, dan akurasi validasi akhir 96.72%. Temuan ini membuktikan bahwa arsitektur GRU sederhana dengan konfigurasi optimal mampu memberikan klasifikasi aritmia berbasis EKG dengan performa tinggi. Kata kunci— Aritmia, BiGRU, EKG, GRU, Hyperparameter Tuning, Sliding Window
Klasifikasi Infark Miokard Berbasis Sinyal EKG Menggunakan Hybrid CNN-LSTM dan CNN BiLSTM Nafisa, Hana Rizkia; Purboyo, Tito Waluyo; Naufal, Dziban
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Infark miokard merupakan penyebab utama kematian akibat penyakit kardiovaskular di Indonesia. Elektrokardiogram (EKG) merupakan metode yang paling umum digunakan untuk mendeteksi perubahan aktivitas listrik jantung yang berkaitan dengan kondisi ini. Penelitian ini mengembangkan sistem klasifikasi sinyal EKG guna mendeteksi infark miokard menggunakan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), serta membandingkan performanya dengan arsitektur Bidirectional LSTM (BiLSTM). Metode yang digunakan melibatkan dua model hybrid, yaitu CNN-LSTM dan CNN-BiLSTM, yang berperan dalam menangkap pola temporal dari sinyal EKG. Optimasi hyperparameter dilakukan menggunakan grid search dengan 5-fold cross-validation. Performa model dievaluasi berdasarkan akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa model CNN-LSTM menghasilkan akurasi sebesar 0,922, presisi 0,921, recall 0,922, F1-score 0,922, dan ROC-AUC 0,974. Model CNN-BiLSTM memberikan sedikit peningkatan performa dengan akurasi 0,923, presisi 0,924, recall 0,923, dan F1-score 0,924, meskipun ROC-AUC sedikit lebih rendah, yaitu 0,973. Meskipun BiLSTM memungkinkan pemrosesan temporal dua arah, peningkatan performa relatif kecil dan tidak signifikan dibandingkan kompleksitas arsitekturnya. Oleh karena itu, CNN-LSTM dinilai lebih efisien namun tetap efektif dalam klasifikasi sinyal EKG infark miokard. Kata kunci— infark miokard, EKG, CNN-LSTM, BiLSTM, klasifikasi sinyal, deep learning
Optimasi Deteksi Aritmia Pada Sinyal Ekg Menggunakan Pendekatan Divergence Kullback-Leiber Fathir, Muhammad Azlam Ikhlasul; Purboyo, Tito Waluyo; Humairani, Annisa
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Aritmia jantung merupakan gangguan irama jantung yang berpotensi memicu kondisi kardiovaskular serius apabila tidak terdeteksi secara dini. Kompleksitas morfologi sinyal elektrokardiogram (EKG), dimensi data yang tinggi, dan ketidakseimbangan distribusi kelas pada dataset menjadi tantangan dalam pengembangan sistem deteksi berbasis kecerdasan buatan. Penelitian ini bertujuan mengembangkan sistem klasifikasi aritmia berbasis sinyal EKG dari MIT-BIH Arrhythmia Database dengan menggabungkan Discrete Wavelet Transform (DWT) dan Kullback–Leibler Divergence (KL Divergence) untuk ekstraksi fitur. Data diseimbangkan menggunakan random undersampling sebelum ekstraksi, dengan empat pendekatan distribusi pada KL Divergence, yaitu Uniform, Exponential, Gaussian, dan Combined. klasifikasi dilakukan menggunakan Support Vector Machine (SVM) dengan kernel RBF, serta dievaluasi menggunakan metrik akurasi, F1-score, ROC AUC, log loss, average precision (AP), efisiensi komputasi, dan Coefficient of Variation (CV). Hasil menunjukkan bahwa KL Combined memberikan performa terbaik dengan akurasi 0,8895, F1-score 0,9039, AUC 0,9406, dan log loss uji 0,3012. KL Combined dinilai optimal untuk implementasi klinis karena menggabungkan akurasi tinggi, kestabilan, dan efisiensi, menjadikannya pilihan unggulan dalam sistem deteksi aritmia yang konsisten dan andal. Kata kunci: Aritmia jantung, Divergence Kullback-Leibler, Discrete Wavelet Transform, EKG, MIT-BIH, Support Vector Machine
Pengembangan Aplikasi Android Untuk Pemantauan Mandiri Denyut Jantung Berbasis Sinyal Elektrokardiogram Buatan Chaer, Muhammad Adil; Purboyo, Tito Waluyo; Putra, M. Darfyma
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Pemantauan kesehatan jantung secara waktu nyata (real-time) penting untuk mendeteksi dini potensi gangguan irama jantung. Perangkat elektrokardiogram (ECG) konvensional umumnya berukuran besar, mahal, dan memerlukan tenaga ahli untuk pengoperasiannya, sehingga sulit diakses terutama di wilayah dengan keterbatasan fasilitas medis. Penelitian ini bertujuan mengembangkan aplikasi Android untuk memantau sinyal ECG buatan yang dihasilkan oleh mikrokontroler ESP32, menampilkan grafik sinyal secara langsung, menghitung jumlah detak jantung per menit (beats per minute / BPM), mengklasifikasikan kondisi jantung, dan menyimpan hasil pemeriksaan ke basis data daring. Metode yang digunakan mencakup pembuatan sinyal ECG sintetik pada ESP32, pengiriman data melalui koneksi nirkabel, pemrosesan sinyal di aplikasi untuk perhitungan BPM dan deteksi kondisi bradikardia/takikardia, serta penyimpanan hasil ke cloud database. Hasil pengujian menunjukkan aplikasi mampu menampilkan sinyal ECG dengan laju rata-rata 125 data/detik, latensi rata-rata 82 ms, dan akurasi perhitungan BPM 100%. Sistem juga berhasil menyimpan dan menampilkan kembali riwayat pemeriksaan secara akurat. Aplikasi ini dapat digunakan sebagai sarana simulasi dan pembelajaran pemantauan ECG secara waktu nyata tanpa memerlukan perangkat medis mahal, mendukung konsep akses kesehatan yang lebih luas. Kata kunci— elektrokardiogram, ESP32, Android, BPM, pemantauan real-time
Pengembangan Aplikasi Berbasis Website pada Sistem ECG Nirkabel sebagai Node dengan End-User Tenaga Kesehatan di Dalam Jaringan Aryf, Syaiful; P, Tito Waluyo; Putra, M. Darfyma
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini merancang sekaligus meningkatkan sistem pemantauan sinyal ECG nirkabel berbasis web yang mampu menampilkan data secara real-time, mengirim peringatan bila terdeteksi kelainan jantung, serta menyimpan rekam medis digital. Node pengirim menggunakan ESP32 untuk mentransmisikan data melalui protokol WebSocket ke Backend Node.js/Express, kemudian divisualisasikan pada antarmuka Frontend React.js dengan dukungan Chart.js dan SweetAlert2. Uji performa meliputi keterlambatan transmisi, akurasi klasifikasi BPM (bradikardia, normal, takikardia), pengelolaan/akses riwayat data, pengalaman pengguna dari tenaga kesehatan, dan kemampuan koneksi multi-client. Hasil menunjukkan rata-rata delay 360–365 ms dan frame rate hingga 77 FPS. Pada data simulasi, klasifikasi BPM mencapai akurasi 100%. Penyimpanan di PostgreSQL berjalan optimal, dan data dapat dipanggil kembali sesuai kategori atau waktu. Sebanyak 93,8% responden berhasil mengakses sistem, dan 87,5% menilai fitur notifikasi serta riwayat medis berfungsi dengan baik. Sistem mampu berjalan stabil hingga 13 koneksi simultan, sementara dua koneksi tambahan berbasis Android mengalami kegagalan, menandakan adanya keterbatasan kompatibilitas. Secara keseluruhan, sistem memenuhi target teknis dan memiliki prospek untuk dikembangkan menjadi solusi pemantauan jantung jarak jauh yang mudah diakses oleh tenaga kesehatan. Kata kunci— E ECG, ESP32, WebSocket, pemantauan real-time, bradikardia dan takikardia, PostgreSQL
Pengembangan Wearable Electrocardiogram Dengan Susunan Elektroda Bidang Frontal Yonanda, Elsa Miswar
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Pemantauan aktivitas listrik jantung merupakan langkah penting dalam deteksi dini gangguan kardiovaskular. Alat pemantau konvensional umumnya tidak dirancang untuk penggunaan praktis di luar fasilitas medis. Penelitian ini bertujuan mengembangkan sistem wearable electrocardiogram (ECG) berbasis jaket dengan susunan elektroda bidang frontal (RA, LA, RL) untuk merekam sinyal jantung secara nirkabel. Perancangan meliputi integrasi elektroda Ag/AgCl, modul AD8232, mikrokontroler ESP32, dan sistem akuisisi sinyal dengan pengolahan berbasis Arduino IDE, Processing, serta Google Colab. Pengujian dilakukan pada lima lokasi berbeda menggunakan dua metode: Multi Parameter Simulator (MPS) dan pengukuran langsung pada tubuh. Parameter yang dianalisis meliputi amplitudo puncak R, heart rate (HR), interval RR, signal-to-noise ratio (SNR), dan pengaruh elektromagnetik lingkungan. Hasil menunjukkan MPS menghasilkan amplitudo dan SNR lebih tinggi, sedangkan pengukuran tubuh memberikan HR dan RR yang lebih mendekati nilai fisiologis normal. Kuesioner terhadap 30 partisipan menunjukkan skor kenyamanan dan kemudahan penggunaan 4,0–4,6 (skala 1–5). Perangkat ini layak dikembangkan lebih lanjut sebagai solusi pemantauan jantung mandiri di luar fasilitas medis. Kata kunci— Wearable ECG, Elektroda Bidang Frontal, Pemantauan Jantung, Kualitas Sinyal, Kenyamanan Pengguna
Perancangan dan Evaluasi Sistem Antropometri Cerdas Berbasis Bioelectrical Impedance Analysis dan Kecerdasan Buatan Untuk Prediksi Risiko Penyakit Degeneratif Fahreza, Ghazy Ahmad; Muhammad , Ardisatria Surya; Fauzi, Hilman; Barri, Muhammad Hablul
eProceedings of Engineering Vol. 12 No. 5 (2025): Oktober 2025
Publisher : eProceedings of Engineering

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

Abstract

Meningkatnya prevalensi obesitas di Indonesia menuntut sistem pemantauan kesehatan lebih komprehensif. Indeks Massa Tubuh (IMT) sebagai standar memiliki keterbatasan fundamental karena tidak mampu membedakan massa lemak dan otot, sehingga kurang akurat untuk diagnosis individu. Penelitian ini merancang, membangun, dan mengevaluasi sistem ukur antropometri cerdas berbasis Bioelectrical Impedance Analysis (BIA) terintegrasi kecerdasan buatan, guna menyediakan penilaian risiko penyakit degeneratif yang lebih personal dan akurat. Sistem ini terdiri dari prototipe timbangan berbasis Arduino Mega yang mengintegrasikan sensor load cell, IR Sharp, rangkaian BIA, dan aplikasi Android ”SmartScale”. Evaluasi kinerja perangkat keras menunjukkan deviasi signifikan saat divalidasi dengan alat referensi (rata-rata error 12,9%), menyoroti sensitivitas metode BIA terhadap implementasi perangkat keras. Di sisi perangkat lunak, dari tiga model AI yang diuji, Deep Neural Network (DNN) menunjukkan performa prediktif terbaik dengan akurasi 88,75%, signifikan melampaui target penelitian 83%. Analisis signifikansi parameter SHAP turut memvalidasi relevansi klinis model dengan mengidentifikasi IMT dan kadar lemak sebagai prediktor paling dominan. Penelitian ini membuktikan kelayakan integrasi sistem ukur BIA dengan model prediksi AI akurasi tinggi, menawarkan pendekatan holistik sebagai alternatif unggul skrining konvensional. Kata kunci— Antropometri, Bioelectrical Impedance Analy- sis, Kecerdasan Buatan, Deep Neural Network, Prediksi Kese- hatan, Sistem Tertanam

Page 790 of 801 | Total Record : 8006

 788   789   790   791   792 

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