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 8,304 Documents
 824   825   826   827   828 
Implementasi Chatbot Berbasis Transformer Dan Pemindaian QR Code Pada Website Inventaris Hendrik Hermawan; Yohanes Setiawan; Mustafa Kamal
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Belum adanya transformasi digital pengolahan data inventaris pada PT Berlian Jasa Terminal Indonesia menyebabkan rawan kesalahan seperti data yang tidak akurat, akses informasi yang lambat, dan pelacakan aset yang tidak efisien akibat proses manual. Metode konvensional berbasis spreadsheet yang lambat dan rawan kesalahan mendorong perlunya solusi teknologi modern untuk meningkatkan efisiensi dan kemudahan akses informasi. Penelitian ini berhasil mengembangkan dan mengimplementasikan sistem inventaris berbasis website yang mengintegrasikan pemindaian QR Code untuk pelacakan aset fisik dan chatbot berbasis model Transformer (IndoBERT) untuk akses informasi melalui Natural Language Processing (NLP). Proses pengembangan mencakup perancangan arsitektur, pelatihan model, dan pengujian sistem secara menyeluruh. Hasil pelatihan model menunjukkan bahwa konfigurasi hyperparameter optimal (Skenario 3) mampu mencapai akurasi 91% untuk klasifikasi intent dan performa nyaris sempurna untuk Named Entity Recognition (NER) pada data uji awal. Namun, pengujian lanjutan menggunakan 100 sampel data uji yang menantang mengungkap bahwa model memiliki keterbatasan dalam menangani permintaan di luar cakupan (intent unknown), di mana banyak di antaranya keliru diklasifikasikan sebagai cari_perangkat. Sistem ini terbukti fungsional dan mampu meningkatkan efisiensi dibandingkan metode manual, dengan chatbot yang berhasil merespons permintaan pengguna secara akurat untuk fungsionalitas inti. Kata kunci— Manajemen Inventaris IT, Pemindaian QR Code, Chatbot dengan Model Transformer, Pemrosesan Bahasa Alami (NLP)
Implementasi Server RADIUS dan Metode Per Connection Classifier (PCC) untuk Autentikasi dan Load Balancing pada Jaringan Enterprise Rafael Christian Marbun; Adib Kamali, Muhammad Adib Kamali; Philip Tobianto Daely
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Penelitian ini merancang dan mengimplementasikan sebuah solusi jaringan untuk lingkungan enterprise guna mengatasi dua masalah utama yaitu, kerentanan keamanan yang timbul dari penggunaan kata sandi bersama dan ketidakstabilan koneksi internet. Sistem yang dikembangkan memanfaatkan perangkat MikroTik sebagai router dan Raspberry Pi sebagai server, dengan tujuan menciptakan jaringan yang aman, andal, dan efisien. Untuk meningkatkan keamanan, sistem ini mengganti metode autentikasi berbasis kata sandi tunggal dengan sistem autentikasi terpusat per-pengguna melalui Server RADIUS yang dipadukan dengan protokol keamanan WPA2 Enterprise. Hasil pengujian membuktikan bahwa pendekatan ini efektif melindungi kredensial pengguna dari serangan evil twin. Selain itu, proses autentikasi terbukti sangat cepat, dengan kecepatan rata-rata tercatat hanya 0,8 ms per pengguna. Dari sisi performa jaringan, metode Load Balancing Per Connection Classifier (PCC) berhasil diimplementasikan untuk mengoptimalkan dan menggabungkan dua jalur koneksi ISP. Hal ini menghasilkan peningkatan throughput gabungan yang signifikan, mencapai 66,29 Mbps untuk aktivitas unduh dan 49,01 Mbps untuk aktivitas unggah. Keandalan sistem dijamin melalui mekanisme failover ganda. Pengujian menunjukkan bahwa sistem mampu melakukan failover koneksi jaringan (jika salah satu ISP putus) dengan waktu henti (downtime) rata-rata hanya 3 detik. Sementara itu, untuk kegagalan pada server autentikasi, sistem dapat beralih ke Server RADIUS cadangan dalam waktu 5 detik. Secara keseluruhan, hasil penelitian membuktikan bahwa solusi yang diimplementasikan ini efektif untuk diterapkan sebagai sistem jaringan enterprise yang aman, stabil, dan memiliki kinerja yang andal. Kata kunci— Jaringan Enterprise, Keamanan jaringan, Server RADIUS, Load Balancing, Per Connection Classifier (PCC), Autentikasi, WPA2 Enterprise
Klasifikasi Gangguan Kecemasan Pengguna Twitter Menggunakan Support Vector Machine Leinia Suryadi; Bernadus Anggo Seno Aji; Mustafa Kamal
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Gangguan mental yang umum adalah kecemasan, yang seringkali sulit terdeteksi karena tidak menunjukkan gejala fisik secara langsung serta dipengaruhi oleh rendahnya kesadaran masyarakat dan stigma negatif terhadap kesehatan jiwa. Akibatnya, banyak individu lebih memilih mengekspresikan perasaannya melalui media sosial seperti Twitter daripada mencari bantuan profesional. Namun, mendeteksi potensi gejala kecemasan melalui data teks bukanlah hal yang mudah karena pengguna jarang menyebutkan kondisi mentalnya secara eksplisit. Penelitian ini bertujuan merancang model klasifikasi gejala kecemasan pada pengguna Twitter menggunakan algoritma Support Vector Machine (SVM) dengan pendekatan paraphrasing berbasis IndoT5. Proses penelitian mencakup praproses teks dan pelatihan model SVM menggunakan kernel RBF dengan parameter optimal C=10 dan gamma=0,1. Hasil evaluasi menunjukkan bahwa penggunaan IndoT5 mampu meningkatkan performa model dengan capaian akurasi 97,52%, precision 97,57%, recall 97,50%, dan F1-score 97,52%. Dibandingkan algoritma Multilayer Perceptron (MLP) dan Decision Tree, SVM menunjukkan akurasi paling unggul. Model ini kemudian diimplementasikan ke sistem web berbasis Streamlit untuk mengklasifikasikan teks menjadi “Normal” atau “Kecemasan” sebagai alat bantu deteksi awal, bukan pengganti profesional. Kata kunci — kecemasan, twitter, klasifikasi teks, SVM, IndoT5.
Klasifikasi Kepadatan Lalu Lintas Berbasis Deep Learning Menggunakan Yolox Dan SegFormer Raditya Adi Santoso; Mustafa Kamal; Fandisya Rahman
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Peningkatan volume lalu lintas menimbulkan tantangan dalam pengelolaan lalu lintas yang efektif. Sistem konvensional sering tidak menyediakan informasi mengenai kondisi kepadatan lalu lintas yang ada. Penelitian ini mengembangkan sistem klasifikasi kepadatan lalu lintas berbasis deep learning menggunakan model hybrid YOLOX untuk deteksi kendaraan dan SegFormer untuk segmentasi area jalan. Kedua model diintegrasikan menggunakan pendekatan Fusion Layer, yang menggabungkan hasil inferensi untuk menghitung rasio area jalan yang tertutupi kendaraan. Sistem ini diimplementasikan dalam bentuk aplikasi website yang menerima input langsung dari webcam, serta menampilkan informasi kepadatan secara visual dan numerik. Hasil evaluasi menunjukkan bahwa kombinasi model menghasilkan akurasi klasifikasi sebesar 80%, lebih tinggi dibandingkan penggunaan model secara terpisah. Penelitian ini berhasil mengembangkan sistem klasifikasi kepadatan lalu lintas dan memberikan kemudahan dalam mengakses informasi baik secara visual maupun numerik terkait tingkat kepadatan lalu lintas berdasarkan input langsung dari webcam. Kata kunci— deep learning, YOLOX, SegFormer, klasifikasi kepadatan lalu lintas, segmentasi jalan, deteksi kendaraan.
Pembangunan Website Prediksi Penjualan Manufaktur Dengan Metode Sarima Pada CV. Manufaktur Energi Nusantara Muhammad Daffa Adin Nugroho; Ahmad Wali Satria Bahari Johan; Mastuty Ayu Ningtyas
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Manufaktur Energi Nusantara merupakan perusahaan jasa di bidang otomotif yang membutuhkan sistem digital untuk mendukung operasional dan pengambilan keputusan bisnis. Permasalahan utama yang dihadapi adalah pencatatan data penjualan yang masih manual, sehingga menyulitkan proses rekapitulasi dan perencanaan stok. Penelitian ini bertujuan membangun website prediksi penjualan menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA). Data yang digunakan berupa transaksi penjualan produk dan jasa konversi motor bensin ke listrik dari Januari 2021 hingga Januari 2024. Website dikembangkan dengan PHP dan CSS di Visual Studio Code. Model terbaik yang diperoleh adalah SARIMA (2,0,2)(0,0,1)[12], dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 14,32%, yang menunjukkan akurasi prediksi dalam kategori baik. Sistem ini memungkinkan pengguna memasukkan data baru dan memperoleh hasil prediksi secara real-time. Hasil penelitian menunjukkan bahwa metode SARIMA dapat digunakan secara efektif untuk memprediksi pola penjualan yang bersifat musiman. Dengan adanya website prediksi ini, perusahaan dapat meningkatkan efisiensi operasional dan mendukung keputusan bisnis berbasis data. Kata kunci— Website, SARIMA, Prediksi, Penjualan, Akurasi
Pendekatan Berkelanjutan untuk Network-Attached Storage: Pemanfaatan Ulang Set-Top Box dengan Optimasi Unggahan Data Melalui Fixed-Size Chunking Fender Muhammad Adhienugroho; Philip Tobianto Daely; Muhammad Adib Kamali
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Dalam perkembangan teknologi informasi saat ini, kebutuhan akan solusi penyimpanan data yang efisien dan ekonomis menjadi semakin mendesak. Penelitian ini mengkaji optimalisasi pemanfaatan Set-Top Box (STB) ZTE B860H sebagai perangkat Network Attached Storage (NAS) dengan melakukan modifikasi dan instalasi sistem operasi Armbian beserta aplikasi NAS berbasis web yang dikembangkan menggunakan PHP. Tujuan utama penelitian ini adalah untuk mengubah STB bekas menjadi solusi penyimpanan data yang terjangkau dan ramah lingkungan, sekaligus memperpanjang masa pakai perangkat tersebut. Metode fixed-size chunking diimplementasikan untuk mengoptimalkan proses unggah data, dengan menganalisis pengaruh ukuran chunk terhadap throughput dan efisiensi sistem. Hasil pengujian menunjukkan bahwa STB yang telah dimodifikasi mampu memberikan kinerja transfer data yang stabil dan efisien. Rata-rata throughput unggah mencapai 9.7 MB/s dan unduh 11.3 MB/s, dengan penggunaan sumber daya (CPU dan RAM) yang terkontrol. Konsumsi daya perangkat juga tergolong rendah, yaitu 4.0 Watt saat idle dan maksimal 10.7 Watt saat beroperasi. Berdasarkan hasil ini, solusi NAS yang dikembangkan diklasifikasikan sebagai Home Cloud atau NAS untuk penggunaan pribadi dan usaha kecil, menegaskan kelayakan STB bekas sebagai alternatif penyimpanan data yang efektif, terjangkau, dan berkontribusi pada pengurangan limbah elektronik. Kata kunci— NAS, STB, Limbah Elektronik, fixed-size chunking
Pengembangan Chatbot Untuk Layanan Satuan Penjaminan Mutu (SPM) Menggunakan Bert (Bidirectional Encoder Representations From Transformers) Zumar Nur Firdaus; Yohanes Setiawan; Mastuty Ayu Ningtyas
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Kendala Satuan Penjaminan Mutu (SPM) dalam penyampaian informasi yang kurang efisien, menyebabkan pelayanan Satuan Penjaminan Mutu (SPM) kurang responsif. Sehingga dibutuhkannya chatbot yang merespon secara cepat dan tepat. Penelitian ini berfokus pada pengembangan chatbot berbasis deep learning dengan arsitektur BERT untuk layanan Satuan Penjaminan Mutu (SPM) sebagai platform pembantu. Tujuannya adalah untuk memaksimalkan pencarian data dan penyampaian informasi yang efisien kepada pengguna. Metodologi yang digunakan meliputi pengumpulan data mentah dari SPM (Penelitian, Pengabdian, Prestasi, Mahasiswa, dan Dosen dari 2019-2024), pra-pengolahan data (tokenisasi, padding, label encoding), dan pengembangan model BERT yang diintegrasikan dengan platform Telegram. Evaluasi model melalui 15 percobaan menunjukkan performa optimal pada konfigurasi tertentu dengan akurasi tinggi dan tingkat kesalahan rendah, terbukti dari F1-score kelas positif mencapai 0.9831. Meskipun terdapat sedikit ketidaksesuaian pada satu skenario pengujian black-box dan adanya cold start pada respons awal chatbot, hasil kuesioner pengguna secara keseluruhan menunjukkan kepuasan tinggi terhadap kemudahan penggunaan dan kecepatan respons. Implementasi chatbot ini diharapkan meningkatkan efisiensi layanan SPM, meskipun perlu penambahan variasi data pelatihan dan deployment ke server untuk optimalisasi lebih lanjut. Kata kunci— Chatbot, Deep Learning, BERT (Bidirectional Encoder Representations from Transformers), Natural Language Processing, Blackbox Testing, Telegram.
Pengenalan Wajah Untuk Sistem Presensi Menggunakan Convolutional Neural Network M. Rafi Hizdarandha Riswant; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Penelitian ini bertujuan mengatasi permasalahan sistem presensi karyawan manual yang rentan terhadap manipulasi dan kecurangan dari setiap individu, serta kebutuhan akan sistem presensi otomatis berbasis pengenalan wajah yang akurat dan andal, khususnya untuk membatasi akses keluar-masuk keruang Server DRC di PT. Pelindo Marine Service. Sebagai solusi, penelitian ini bertujuan untuk merancang dan membandingkan kinerja tiga arsitektur Convolutional Neural Network (CNN), yaitu InceptionV3, ResNet50, dan VGG16, dalam penerapan sistem pengenalan wajah. Dataset wajah yang digunakan diambil pada saat magang dan telah melalui tahap cropping secara otomatis menggunakan metode atau model MTCNN, pada tiga skenario training dataset yang berbeda berdasarkan jumlah epoch: 50, 80, dan 100. Evaluasi dilakukan terhadap akurasi pelatihan, akurasi validasi, serta efisiensi waktu pelatihan dari masing-masing arsitektur. Hasil penelitian menunjukkan bahwa arsitektur VGG16 memberikan performa terbaik dengan akurasi validasi tertinggi sebesar 99,31% pada epoch ke-100, meskipun membutuhkan waktu pelatihan lebih lama. VGG16 menempati posisi kedua dengan akurasi validasi 96,74%, namun lebih efisien dari sisi durasi pelatihan. Namun pada saat ditahap pengujian atau demo hasil arsitektur VGG16 menjadikannya pilihan yang kurang baik untuk implementasi pada dataset yang digunakan, dilanjutkan dengan arsitektur Resnet50 yang sedikit lebih baik dari segi classification pada saat tes pengujian hasil. Untuk hasil yang terbaik didapatkan oleh arsitektur InceptionV3 yang hasil Accuracy nya mendapatkan 78% dari hasil classification report. Dari hasil evaluasi tersebut, dapat disimpulkan bahwa InceptionV3 paling direkomendasikan untuk sistem pengenalan wajah yang membutuhkan akurasi tinggi, hal ini bisa dibuat bahan acuhan untuk mencari mana hasil terbaik untuk sistem pengenalan wajah untuk karyawan. Sistem yang dikembangkan memiliki potensi untuk diterapkan di lingkungan kerja seperti PT. Pelindo Marine Service. Kata kunci—Pengenalan wajah, Computer Vision, InceptionV3, Resnet50, VGG16, Deep learning
Peramalan Kepadatan Lalu Lintas Berbasis Video Menggunakan YOLOX dan Long Short-Term Memory (LSTM) Maoreen Damar Safira Subakti; Mustafa Kamal; Fandisya Rahman
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Kepadatan lalu lintas di kawasan perkotaan menjadi tantangan serius dalam pengelolaan transportasi modern karena dampaknya terhadap kemacetan, pemborosan waktu, dan polusi udara. Untuk mengatasi permasalahan ini, dibutuhkan pendekatan prediktif berbasis teknologi guna mendukung pengambilan keputusan yang cepat dan adaptif. Penelitian ini bertujuan mengembangkan sistem prediksi kepadatan lalu lintas berbasis video dengan mengintegrasikan algoritma YOLOX sebagai detektor kendaraan dan Long Short-Term Memory (LSTM) sebagai model peramalan. Data dikumpulkan melalui rekaman video lalu lintas dari Jembatan Penyeberangan Orang (JPO), yang kemudian diolah melalui ekstraksi frame dan pelabelan bounding box. Model YOLOX digunakan untuk mendeteksi jumlah kendaraan per frame, sedangkan hasil deteksi menjadi input bagi model LSTM untuk meramalkan jumlah kendaraan dalam lima menit ke depan. Evaluasi menunjukkan bahwa YOLOX mencapai performa deteksi tinggi dengan mAP@50 sebesar 98,5% dan mAP@75 sebesar 91,6%, sementara LSTM menunjukkan akurasi prediksi yang baik dengan MAE sebesar 0,0905 dan RMSE sebesar 0,1173. Sistem ini telah diimplementasikan dalam bentuk aplikasi web untuk mempermudah pengguna mengunggah video dan memperoleh hasil prediksi secara visual. Temuan ini menunjukkan potensi sistem dalam mendukung pengelolaan lalu lintas berbasis data secara efisien di lingkungan perkotaan. Kata kunci— YOLOX, LSTM, peramalan, lalu lintas, video, deep learning.
Peramalan Penjualan Dan Jumlah Stok Aman Roti Menggunakan Long Short-Term Memory (Studi Kasus Di Efrata Bakery) Dean Igo Wibowo; Yohanes Setiawan; Farah Zakiyah Rahmanti
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Industri roti di Indonesia terus berkembang seiring meningkatnya permintaan roti sebagai alternatif makanan pokok. Namun, usaha roti skala kecil seperti Efrata Bakery kerap menghadapi tantangan dalam meramalkan penjualan akibat fluktuasi permintaan, faktor musiman, dan perubahan preferensi konsumen. Hal ini dapat menyebabkan ketidaktepatan perencanaan stok, risiko overstock, hingga menurunnya kualitas layanan. Penelitian ini mengembangkan sistem peramalan penjualan harian menggunakan metode Long Short-Term Memory (LSTM), teknik deep learning yang efektif untuk data time-series. Model dikembangkan secara univariate per jenis roti dan dilengkapi proses deteksi serta penanganan anomali pada data historis untuk meningkatkan akurasi. Hasil evaluasi menunjukkan rata-rata Mean Absolute Precentage Error (MAPE) sebesar 10.84%, menandakan performa prediksi yang baik. Sistem tidak hanya memprediksi penjualan H+1, tetapi juga merekomendasikan jumlah stok produksi harian dengan mempertimbangkan stok sisa. Pendekatan ini memungkinkan penyesuaian jumlah produksi secara adaptif untuk menghindari overstock maupun stockout. Sistem diimplementasikan dalam bentuk aplikasi web yang memudahkan pemilik toko dalam mengakses informasi prediksi dan rekomendasi stok. Dengan sistem ini, Efrata Bakery dapat mengoptimalkan perencanaan produksi dan meningkatkan kepuasan pelanggan. Kata kunci Peramalan Penjualan, Long Short-term Memory, Industri roti, time-series, deep learning.

Page 826 of 831 | Total Record : 8304

 824   825   826   827   828 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue Vol. 12 No. 6 (2025): Desember 2025 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