cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Imam Fahrur Rozi
Contact Email
imam.rozi@polinema.ac.id
Phone
+6285233139738
Journal Mail Official
jip@polinema.ac.id
Editorial Address
Politeknik Negeri Malang Jl. Soekarno Hatta No.9, Jatimulyo, Kec. Lowokwaru, Kota Malang, Jawa Timur 65141 Phone: (0341) 404424-404425 Fax: (0341) 404420
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Informatika Polinema (JIP)
Published by Politeknik Negeri Malang
ISSN : 26146371     EISSN : 2407070X     DOI : https://doi.org/10.33795/jip
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Library & Information Science
The focus and scope of articles published in JIP (Journal of Informatics Polinema) encompasses the game technology, information system, computer network, computing, which covers the following scope: Game Technology Artificial Intelligence Intelligent System Machine Learning Image Processing Computer Vision Information Retrieval Machine Learning Information System Internet of Things Computer Security Technology Enhanced Learning Education Technologies Digital Forensic Wireless Sensor UI/UX research JIP (Jurnal Informatika Polinema) publishes comprehensive research articles and invited reviews by leading expert in the field. Papers will be selected that high scientific merit, impart important new knowledge, and are of high interest to computer and information technology.
Arjuna Subject : Ilmu Komputer (semua kategori) - Aplikasi Ilmu Komputer
Articles 24 Documents
 1   2   3 
Search results for , issue "Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)" : 24 Documents clear
Rancang Bangun Prototipe Sistem Pemantauan Parkir Real-Time Berbasis Internet Of Things (IoT) David Juli Ariyadi; Mas'ud Hermansyah; Reza Putra Pradana; Lukman Hakim; Ely Mulyadi
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.8912

Abstract

Perkembangan teknologi pada era Revolusi Industri 4.0 mendorong pemanfaatan sistem cerdas berbasis Internet of Things (IoT) dalam pengelolaan fasilitas publik, termasuk sistem parkir. Di lingkungan kampus, pengelolaan parkir yang masih dilakukan secara manual menyulitkan pemantauan ketersediaan lahan parkir secara real-time dan berpotensi menimbulkan ketidakteraturan. Berdasarkan data internal kampus tahun 2025, jumlah mahasiswa dan pegawai aktif mencapai sekitar 352 orang, sementara kapasitas lahan parkir hanya mampu menampung sekitar 250 kendaraan. Ketidakseimbangan ini menyebabkan kepadatan parkir yang tinggi, terutama pada jam perkuliahan pagi hingga siang hari, sehingga diperlukan sistem pemantauan parkir yang lebih efektif dan terintegrasi. Penelitian ini bertujuan untuk merancang dan membangun prototipe sistem pemantauan parkir real-time berbasis IoT yang terintegrasi dengan database, dashboard web, dan aplikasi mobile. Metode penelitian yang digunakan meliputi tahapan identifikasi masalah, studi literatur, pengembangan prototipe, uji coba dan evaluasi, revisi dan pengembangan, serta implementasi sistem. Sistem yang dikembangkan memanfaatkan sensor RFID, mikrokontroler, indikator lampu, LCD, speaker, serta koneksi jaringan untuk mengirimkan data ke server database. Hasil pengujian menunjukkan bahwa jarak efektif pembacaan sensor RFID berada pada kisaran 1–2 cm, sedangkan pada jarak di atas 3 cm sensor tidak dapat mendeteksi kartu secara valid. Integrasi sistem dengan database menunjukkan kinerja stabil dengan rata-rata waktu tampilan data pada LCD sebesar 1,16 detik dan waktu penyimpanan data ke database sebesar 3,86 detik. Hasil ini menunjukkan bahwa sistem mampu melakukan pemantauan parkir secara cepat dan sinkron, sehingga berpotensi mendukung implementasi sistem parkir cerdas dalam konsep smart campus.
Behavior and Person Sensing System Based on Computer Vision Mumtaz Zain Abdullah; Guan Yunchong; Yoppy Yunhasnawa
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9090

Abstract

In modern industrial environments, effective supervision of worker attendance and activity is essential to ensure safety and optimize productivity. Inadequate monitoring can lead to increased workplace accidents and reduced operational efficiency. To address these challenges, we propose an intelligent monitoring system leveraging computer vision techniques, implemented using PyTorch and the YOLO (You Only Look Once) object detection framework. The system utilizes video input from CCTV or cameras installed in the workspace and performs real-time analysis through several key modules: (i) Worker Counting, which detects and counts the number of employees present; (ii) Activity Detection, which classifies workers as actively working or idle (e.g., sleeping or using mobile phones); (iii) Fall Detection, which identifies and alerts the server in case of worker falls; and (iv) Absent Detection, which tracks and flags workers who leave the monitored area. Detection results and relevant video segments are automatically archived in local storage, enabling retrospective review and continuous monitoring. By integrating these modules, the proposed system aims to enhance workplace safety, support real-time remote supervision, and improve overall operational effectiveness in industrial settings.
Klasifikasi Penyakit Ayam Berdasarkan Citra Kotoran Menggunakan CNN dengan Xception Shela Atya Mitasya; Ary Prabowo; Vitri Tundjungsari
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9247

Abstract

Peternakan ayam di Indonesia menghadirkan potensi ekonomi yang substansial karena tingginya permintaan daging dan telur. Namun, peternakan ini juga menghadapi risiko signifikan dari penyakit yang dapat menginfeksi ayam secara tiba-tiba dan seringkali sulit dideteksi sejak dini. Penelitian ini bertujuan untuk membantu peternak mengidentifikasi penyakit ayam lebih cepat dan akurat dengan memanfaatkan teknologi pemrosesan citra digital. Sistem klasifikasi dibangun menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Xception, yang dikenal karena efisiensinya dalam mengekstraksi fitur visual. Model tersebut mengklasifikasikan citra menjadi empat kategori: Coccidiosis, Newcastle Disease, Salmonella, and healthy conditions. Proses pelatihan menggunakan dataset dari Kaggle dan sejumlah citra lapangan yang terbatas, dengan pembagian data 80:10:10 untuk pelatihan, validasi, dan pengujian. Model tersebut mencapai akurasi 94%, menunjukkan kinerja terbaik dalam mendeteksi Koksidiosis, sementara Penyakit Newcastle menimbulkan lebih banyak tantangan karena keterbatasan data. Pengujian lebih lanjut dengan 36 foto feses lapangan mengonfirmasi keandalan sistem, terutama dalam mengidentifikasi sampel yang sehat. Sistem ini terintegrasi ke dalam aplikasi seluler atau web yang dapat membantu peternak dalam mendeteksi penyakit ayam secara otomatis dari gambar tinja, yang pada akhirnya mengurangi kerugian dan mendukung praktik peternakan unggas yang lebih sehat.
Model Prediksi Churn Pelanggan Indibiz Menggunakan Regresi Logistik dan Extreme Gradient Boosting (XGBoost) Aulia Rahmadiva Wardana; Woro Isti Rahayu; Kiki Mustaqim
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9377

Abstract

Kebutuhan digitalisasi yang semakin pesat mendorong PT. Telekomunikasi Indonesia (Persero) Tbk menghadirkan IndiBiz sebagai layanan internet berbasis fiber untuk mendukung transformasi digital UMKM. Namun, meningkatnya persaingan industri telekomunikasi menimbulkan risiko churn pelanggan yang berpotensi menurunkan pendapatan dan loyalitas. Penelitian ini bertujuan membangun dan membandingkan model prediksi churn menggunakan Regresi Logistik dan Extreme Gradient Boosting (XGBoost), mengidentifikasi tingkat risiko churn pelanggan, serta mengembangkan dashboard interaktif berbasis Streamlit sebagai pendukung pengambilan keputusan. Metode yang digunakan adalah klasifikasi biner pada data pelanggan IndiBiz dengan evaluasi menggunakan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa XGBoost memiliki performa lebih baik dengan akurasi 83%, recall 0,58, dan F1-score yang lebih tinggi dibandingkan Regresi Logistik (akurasi 81% dan recall 0,56). Namun, nilai precision yang sangat tinggi dan recall yang relatif rendah pada kedua model mengindikasikan kecenderungan model yang konservatif serta kemungkinan ketidakseimbangan kelas, sehingga masih terdapat pelanggan churn yang tidak terdeteksi. Model XGBoost mengelompokkan pelanggan ke dalam kategori risiko churn tinggi (14.255 pelanggan), sedang (3.418 pelanggan), dan rendah (889 pelanggan). Interpretasi menggunakan SHAP menunjukkan bahwa Lama_Berlangganan_Bulan, PAKET_DIGI, dan STO merupakan faktor utama yang memengaruhi churn. Implementasi model dalam dashboard berbasis Streamlit memungkinkan eksplorasi data dan prediksi secara interaktif. Penelitian ini berkontribusi dalam mendukung strategi retensi pelanggan berbasis data, meskipun masih diperlukan pengembangan lebih lanjut untuk meningkatkan kemampuan deteksi churn.
Analisis Pemakaian Spare Part Alat Berat Mengunakan Simple Moving Average Catur Nugroho; T Raja Muda Alfarizi
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9491

Abstract

Pengelolaan suku cadang alat berat merupakan faktor vital dalam menjaga produktivitas operasional industri. Keterlambatan pengadaan komponen akibat pengelolaan stok yang masih manual seringkali memicu terjadinya downtime yang merugikan perusahaan. Penelitian ini bertujuan untuk merancang bangun sistem Dashboard Analitik Berbasis Web yang mengintegrasikan algoritma Simple Moving Average (SMA) untuk memprediksi kebutuhan suku cadang di masa depan. Metode pengembangan sistem menggunakan model Waterfall dengan implementasi bahasa pemrograman Node.js pada backend dan React.js pada frontend. Evaluasi akurasi peramalan dilakukan dengan membandingkan data aktual dan hasil prediksi menggunakan parameter Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) melalui simulasi variasi periode waktu. Hasil penelitian menunjukkan bahwa algoritma SMA valid diterapkan, di mana periode 4 bulan (N=4) memberikan tingkat akurasi terbaik dengan nilai MAE dan RMSE terendah sebesar 0.75 dibandingkan periode lainnya. Implementasi sistem ini terbukti efektif dalam menyajikan informasi stok secara aktual dan membantu manajemen dalam pengambilan keputusan pengadaan barang yang lebih cepat dan presisi guna meminimalisir risiko kekosongan stok.
Improving Customer Churn Detection Through Balanced Ensemble Learning Didiek Trisatya; Priyo Haryoko
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9500

Abstract

Predicting customer churn represents a major challenge for telecommunication providers, driven by fierce market competition and frequent customer switching that can significantly threaten long-term revenue stability. Failure to accurately identify customers with high churn potential often leads to ineffective retention strategies. This study examines the effectiveness of integrating data balancing techniques with ensemble learning models to enhance churn prediction performance on imbalanced datasets. A quantitative experimental method is applied using a publicly available telecommunications dataset. The preprocessing phase focuses on handling incomplete records, transforming categorical attributes into numeric representations, and scaling feature values to improve data quality. To address class imbalance, the Synthetic Minority Over-sampling Technique (SMOTE) is applied exclusively to the training data. The study evaluates three classifiers, including Logistic Regression as a baseline and two ensemble methods, Extreme Gradient Boosting (XGBoost) and Light Gradient Boosting Machine (LightGBM). Model performance is examined using several evaluation metrics such as accuracy, precision, recall, F1-score, and the Area Under the ROC Curve (AUC). The results reveal that ensemble learning approaches outperform Logistic Regression, particularly with respect to recall and AUC performance. LightGBM achieves the best overall performance and demonstrates stable predictive capability across all evaluation measures. Feature importance analysis reveals that customer tenure and billing-related attributes, including monthly charges and total charges, are dominant factors influencing churn behavior. These results demonstrate that integrating data balancing techniques with ensemble learning methods offers a robust and effective solution for supporting proactive customer retention initiatives in the telecommunications sector.
Pengembangan Aplikasi Web Machine Learning Berbasis Web untuk Server Pendeteksi Malware Android Riswanda Al Farisi; Rinanza Zulmy Alhamri; Toga Aldila Cinderatama; Kunti Eliyen
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9504

Abstract

Meningkatnya jumlah perangkat Android berbanding lurus dengan meningkatknya ancaman malware pada sistem Android. Peningkatan jumlah malware pada sistem Android saat ini menuntut solusi berupa sistem deteksi malware yang andal. Beberapa penelitian sebelumnya telah melakukan analisis statis dalam mendeteksi malware Android menggunakan Machine Learning (ML) yang fokus pada perbandingan dan peningkatan akurasi. Namun sampai saat ini belum ada penelitian yang mengembangkan antarmuka server ML sebagai wadah operasional yang efektuf untuk mendeteksi ini, khususnya yang memanfaatkan analisis system calls. Penelitian ini bertujuan untuk mengembangkan aplikasi server Machine Learning untuk mendeteksi malware Android berbasis web menggunakan framework Django. Penelitian ini melibatkan tahapan pengembangan perangkat lunak dengan metode Waterfall meliputi studi literatur, analisis, perancangan, implementasi, dan pengujian. Untuk memvalidasi operasional sistem, dilakukan pengujian fungsional dengan pendekatan Black-Box Testing. Metode black-box digunakan untuk memastikan setiap fitur bekerja sesuai spesifikasi dari perspektif pengguna. Sistem ini menyediakan fungsi bagi administrator, meliputi: otentikasi pengguna (termasuk reset password), aktivasi deteksi menggunakan klasifikasi, pencarian data, klasifikasi otomatis, dan visualisasi statistik data melalui grafik batang. Hasil pengujian fungsional sistem dengan pendekatan black-box testing menunjukkan bahwa sistem web berhasil melakukan deteksi malware pada Android melalui klasifikasi otomatis yang diterapkan menggunakan ML. Semua fungsi utama sistem berjalan dengan valid dan efektif, serta berhasil memenuhi seluruh kebutuhan fungsional yang telah didefinisikan.
Penilaian Kinerja dan Rekomendasi Reksa Dana Pasar Uang Menggunakan Random Forest-EDAS Alfandi Kusuma; Latipah
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9506

Abstract

Perkembangan industri reksa dana di Indonesia mendorong kebutuhan akan metode evaluasi kinerja dan rekomendasi investasi yang objektif dan berbasis data. Penelitian bertujuan untuk mengintegrasikan metode machine learning Random Forest dan sistem pendukung keputusan Evaluation Based on Distance from Average Solution (EDAS) dalam menilai kinerja serta memberikan rekomendasi investasi reksa dana pasar uang. Data yang digunakan berupa data historis 29 produk reksa dana pasar uang yang diperoleh dari platform investasi Bibit. Random Forest digunakan untuk mengklasifikasikan kinerja reksa dana ke dalam tiga kategori, yaitu rendah, sedang, dan tinggi, berdasarkan indikator return, risiko, dan dana kelolaan. Selanjutnya, hasil klasifikasi tersebut, diintegrasikan dengan metode EDAS untuk menentukan peringkat dan tingkat rekomendasi investasi berdasarkan enam kriteria utama. Hasil penelitian menunjukkan bahwa model Random Forest memiliki performa klasifikasi yang sangat baik dengan nilai akurasi, precision, recall, dan F1-score sebesar 1,00 serta rata-rata akurasi 5-fold cross validation sebesar 93,33%. Metode EDAS berhasil menghasilkan rekomendasi investasi yang konsisten dengan hasil penilaian kinerja. Dengan demikian, integrasi Random Forest dan EDAS terbukti efektif sebagai pendekatan terpadu dalam penilaian kinerja dan rekomendasi investasi reksa dana pasar uang berbasis data.
Fuzzy Inference with Probabilistic Rule Weighting to Assess Paragliding Viability Based on Weather Variables Davianda Ersya Putri Della Adelia; Azwar Riza Habibi
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9549

Abstract

Paragliding is an extreme sport and tourism activity that is influenced by unpredictable and dynamic weather conditions, requiring a method capable of systematically handling this uncertainty to assist tourists and novice pilots in making flight scheduling decisions. This study focuses on experimenting with the application of probabilistic fuzzy logic in assessing the feasibility of paragliding in the Mount Banyak area, Batu City. The developed system combines the concept of fuzzification to model the uncertainty of meteorological parameters with a probabilistic approach at the inference stage to represent the level of confidence in each rule used. The experiment was conducted using actual weather data obtained through an Application Programming Interface (API) from open meteorological sources. The output of this method is a recommendation in three categories: “safe”, “caution,” and “dangerous.” Testing was conducted by comparing the system's predictions with actual data in the field and showed a Mean Absolute Percentage Error (MAPE) value of 9,77%. As a result, this system is capable of providing quick and accurate assessments that aid decision-making to improve the safety and operational efficiency of paragliding in the region. This approach shows broad application potential in other weather-based tourism fields, as well as supporting the development of environmentally friendly and sustainable technologies.
Komparasi Metode SMOTE-Tomek dan SMOTE-ENN untuk Mengatasi Data Imbalanced Fandi Yulian Pamuji; Mohammad Dwi Irfan Affandi; Andriyan Rizki Jatmiko
Jurnal Informatika Polinema Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v12i3.9550

Abstract

Perkembangan teknologi informasi dan data analisis saat ini mendorong meningkatnya pemanfaatan machine learning dalam berbagai bidang. Namun, salah satu permasalahan umum yang sering muncul dalam penerapan machine learning adalah kondisi data tidak seimbang (imbalanced data) yaitu ketidakseimbangan jumlah data antar kelas, di mana kelas mayoritas jauh lebih dominan dibandingkan kelas minoritas. Untuk mengatasi permasalahan dataset tidak seimbang adalah dengan menyeimbangkan distribusi kelas tidak seragam di antara kelas-kelas dengan komparasi menggunakan metode SMOTE-Tomek dan SMOTE-ENN supaya jumlahnya seimbang dari kelas mayoritas (negatif) maupun kelas minoritas (positif). Berdasarkan hasil eksperimen yang telah dilakukan dari penelitian ini yaitu bahwa pengujian metode SMOTE-Tomek dengan metode klasifikasi mampu menangani jumlah kelas mayoritas (negatif) dan kelas minoritas (positif) pada data tidak seimbang dengan menghasilkan nilai MCC dan G-mean mencapai kinerja prediksi yang lebih besar dibandingkan dengan menggunakan metode klasifikasi saja maupun menggunakan Metode SMOTE-ENN. Kemudian untuk dataset Binary nilai MCC dan G-mean yang paling tinggi menggunakan SMOTE-ENN + Random Forest dengan nilai tertinggi MCC = 0.99 dan nilai G-mean = 0.99 dari nilai MCC dan G-mean diatas akurasinya sudah bagus karena nilai MCC dan G-mean yang mendekati 1 menunjukkan bahwa model memiliki performa klasifikasi yang sangat baik dalam menangani data tidak seimbang dengan menggunakan Metode SMOTE-Tomek + Random Forest dapat mencapai kinerja prediksi yang lebih besar untuk menangani dataset tidak seimbang Binary. Hal tersebut menunjukkan bahwa proses penanganan terhadap distribusi kelas yang tidak seimbang pada tahap preprocessing data memberikan pengaruh terhadap nilai akurasi MCC maupun G-mean metode SMOTE-Tomek + Random Forest.

Page 1 of 3 | Total Record : 24

 1   2   3 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 3 (2026): Vol. 12 No. 3 (2026) Vol. 12 No. 2 (2026): Vol. 12 No. 2 (2026) Vol. 12 No. 1 (2025): Vol. 12 No. 1 (2025) Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025) Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025) Vol. 11 No. 2 (2025): Vol. 11 No. 2 (2025) Vol. 11 No. 1 (2024): Vol. 11 No. 1 (2024) Vol. 10 No. 4 (2024): Vol. 10 No. 4 (2024) Vol. 10 No. 3 (2024): Vol. 10 No. 3 (2024) Vol. 10 No. 2 (2024): Vol 10 No 2 (2024) Vol. 10 No. 1 (2023): Vol 10 No 1 (2023) Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023) Vol. 9 No. 3 (2023): Vol 9 No 3 (2023) Vol. 9 No. 2 (2023): Vol 9 No 2 (2023) Vol. 9 No. 1 (2022): Vol 9 No 1 (2022) Vol. 8 No. 4 (2022): Vol 8 No 4 (2022) Vol. 8 No. 3 (2022): Vol 8 No 3 (2022) Vol. 8 No. 2 (2022): Vol 8 No 2 (2022) Vol. 8 No. 1 (2021): Vol 8 No 1 (2021) Vol. 7 No. 4 (2021): Vol 7 No 4 (2021) Vol. 7 No. 3 (2021): Vol 7 No 3 (2021) Vol. 7 No. 2 (2021): Vol 7 No 2 (2021) Vol. 7 No. 1 (2020): Vol 7 No 1 (2020) Vol. 6 No. 4 (2020): Vol 6 No 4 (2020) Vol. 6 No. 3 (2020): Vol 6 No 3 (2020) Vol. 6 No. 2 (2020): Vol 6 No 2 (2020) Vol. 6 No. 1 (2019): Vol 6 No 1 (2019) Vol. 5 No. 4 (2019): Vol 5 No 4 (2019) Vol. 5 No. 3 (2019): Vol 5 No 3 (2019) Vol. 5 No. 2 (2019): Vol 5 No 2 (2019) Vol. 5 No. 1 (2018): Vol 5 No 1 (2018) Vol. 4 No. 4 (2018): Vol 4 No 4 (2018) Vol. 4 No. 3 (2018): Vol 4 No 3 (2018) Vol. 4 No. 2 (2018): Vol 4 No 2 (2018) Vol. 4 No. 1 (2017): Vol 4 No 1 (2017) Vol. 3 No. 4 (2017): Vol 3 No 4 (2017) Vol. 3 No. 3 (2017): Vol 3 No 3 (2017) Vol. 3 No. 2 (2017): Vol 3 No 2 (2017) Vol. 3 No. 1 (2016): Vol 3 No 1 (2016) Vol. 2 No. 4 (2016): Vol 2 No 4 (2016) Vol. 2 No. 3 (2016): Vol 2 No 3 (2016) Vol. 2 No. 2 (2016): Vol 2 No 2 (2016) Vol. 2 No. 1 (2015): Vol 2 No 1 (2015) Vol. 1 No. 4 (2015): Vol 1 No 4 (2015) Vol. 1 No. 3 (2015): Vol 1 No 3 (2015) Vol. 1 No. 2 (2015): Vol 1 No 2 (2015) Vol. 1 No. 1 (2014): Vol 1 No 1 (2014) More Issue