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 582 Documents
 37   38   39   40   41 
Klasterisasi Data Hasil Produksi Pertanian dan Peternakan Provinsi Nusa Tenggara Timur Menggunakan Metode K-Means Bruno; Patrisius Batarius; Yovinia Carmeneja Hoar Siki
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1369

Abstract

Klasterisasi dan pemetaan produksi pertanian dan peternakan berdasarkan kabupaten/kota di provinsi Nusa Tenggara tidak pernah dilakukan. Setiap tahun hasil produksi pertanian dan peternakan mengalami peningkatan. Namun saat ini belum ada sistem untuk mengelompokan kabupaten/kota di provinsi Nusa Tenggara Timur yang memiliki hasil produksi petanian dan peternakan. Dengan dibuatnya sistem ini pihak dinas pertanian dan peternakan dapat mengetahui tingkatan hasil produksi berdasarkan hasil pertanian dan peternakan. Tujuan penelitian adalah membangun sebuah sistem pengelompokkan dan pemetaan kabupaten/kota berdasarkan hasil produksi pertanian dan peternakan di Provinsi Nusa Tenggara Timur (NTT). Metode pengelompokan yang digunakan dalam penelitian ini adalah metode K-Means Clustering. Data yang digunakan data tahun 2019-2021 yang bersumber dari Badan Pusat Statistik (BPS) Provinsi NTT berupa data pertanian dan peternakan. Jumlah data yang digunakan sebanyak 396 data. Data produksi pertanian diantaranya padi, jagung, ubi kayu dan produksi peternakan yaitu ternak sapi, ternak babi, dan ternak ayam kampung. Dalam penelitian ini dikelompokan dalam 3 cluster yaitu produksi sedang (C1), produksi sedang (C2) dan produksi tinggi (C3). Model pengembangan sistem yang digunakan dalam penelitian ini adalam model waterfall dan sistem yang dibuat menggunakan bahasa pemrograman PHP dengan database MySQL. Berdasarkan hasil pengujian sistem menunjukan bahwa metode K-Means yang diterapkan pada sistem klasterisasi hasil produksi pertanian dan peternakan dapat mengelompokan tingkatan hasil produksi pertanian dan peternakan di Provinsi Nusa Tenggara Timur
PERBANDINGAN ALGORITMA C4.5 DAN SVM DALAM KLASIFIKASI PENYAKIT ANEMIA Dina Elly Yanti; Lizah Framesti; Anita Desiani
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1381

Abstract

Anemia merupakan keadaan saat hemoglobin pada tubuh tidak dapat berfungsi dengan baik. Anemia berdampak buruk bagi kesehatan, salah satunya pada daya tahan tubuh. Untuk mencegah terjadinya penyakit anemia dapat dilakukan deteksi dini dengan memanfaatkan pendekatan matematika menggunakan data mining. Data mining memiliki metode-metode klasifikasi yang bisa digunakan untuk deteksi dini penyakit anemia. Metode yang bisa digunakan untuk klasifikasi diantaranya yaitu algoritma Support Vector Machines (SVM) dan algoritma C4.5. Penelitian ini menerapkan algoritma SVM dan algoritma C4.5 untuk klasifikasi deteksi dini penyakit anemia. Tujuan penelitian ini adalah mendapatlkan metode paling tepat antara algoritma SVM dan algoritma C4.5 dalam klasifikasi penyakit anemia. Penelitian ini menerapkan teknik pengujian percentage split dan k-fold cross validation. Pada percentage split dipilih split sebesar 80% sebagai data latih dan 20% sebagai data uji. Pada k-fold cross validation dipilih nilai k sebesar 10. Hasil penerapan kedua metode menunjukkan bahwa k-fold cross validation bekerja lebih baik dibandingkan percentage split dengan persentase nilai akurasi, presisi, dan recall lebih tinggi dari masing-masing algoritma. Untuk kinerja kedua algoritma, C4.5 dalam penerapannya bekerja lebih baik dengan nilai akurasi, presisi, dan recall secara berturut-turut, yaitu 99.29%, 98.7%, dan 99.69% dibandingkan algoritma SVM. Dari hasil yang diperoleh dapat disimpulkan bahwa algoritma C4.5 dengan teknik pengujian k-fold cross validation menghasilkan nilai performa yang paling baik untuk klasifikasi penyakit anemia dibanding algoritma dan teknik pengujian lainnya.
FORECASTING METODE SINGLE EXPONENTIAL SMOOTHING DALAM MERAMALKAN PENJUALAN BARANG Deni Reskianto Deni; Mula Agung Barata; Sahri
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1405

Abstract

Toko persediaan barang merupakan salah satu usaha yang bergerak di persediaan barang rumah tangga dan perkantoran yang ada di bojonegoro. Saat ini permasalahan yang terjadi pada perusahaan tersebut peramalan penjualan barang masih dilakukan secara manual. Pada umunya pula perusahaan hanya menyediakan barang sesuai kebutuhan saja dan barang yang lebih digudang sebagai penyimpanan stock. Hal ini menjadikan perusahaan tidak bisa memenuhi kebutuhan konsumen secara mendadak, kasus ini sangat memengaruhi dengan barang yang ada dijual pada periode berikutnya. Adapun tujuan dari penelitian ini adalah meramalkan penjualan barang. Dalam melakukan peramalan tersebut, data penjualan yang digunakan bulan januari 2019 sampai bulan januari 2023. Salah satu metode yang dapat digunakan untuk melakukan peramalan adalah single exponential smoothing. Single exponential smoothing adalah metode yang memfokuskan mencari nilai stabilitas yang mengambil data yang sudah ada untuk diberi fungsi exponential. Dalam menggunakan metode ini harus memberikan parameter alpha. Untuk mencari nilai akurasi terbaik pada metode tersebut, metode MAPE digunakan untuk mengukur nilai error. MAPE ini nantinya akan berguna untuk menentukan jumlah barang yang akan dijual pada periode berikunya. Berdasarkan hasil kesimpulan yang dapat diambil pada penelitian ini adalah metode ini dapat diterapkan dengan baik. Hasil dari perhitungan metode single exponential smoothing dalam meramalkan penjualan barang untuk periode berikutnya pada penjualan kasur nilai alpha 0,3 sebesar 23,65 dengan MAD 3,18 MSE 18,97 MAPE 14,68%, lemari nilai alpha 0,2 sebesar 18,35 dengan MAD 2,90 MSE 12,35 MAPE 16,60%, meja nilai alpha 0,3 sebesar 25,80 dengan MAD 3,04 MSE 14,20 MAPE 17,44%, Kursi nilai.
Sistem Pendeteksi Jenis Penyakit Pernafasan Menggunakan Metode Gabungan GRU dan LSTM Melalui Suara Pasien dengan Gangguan Pernafasan Andriyan Jatmiko; Nofrian Deny Hendrawan; Arif Saivul Affandi; Divira Salsabiil Susanto
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1407

Abstract

Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM) adalah dua jenis Recurrent Neural Network (RNN) yang dirancang untuk mengatasi masalah vanishing gradient pada RNN tradisional. Secara umum, baik GRU maupun LSTM dapat digunakan dalam pemrosesan Natural Language Processing (NLP) seperti pengenalan ucapan hingga deteksi suara, terjemahan mesin, dan generasi teks. Penelitian ini bertujuan untuk mengklasifikasikan penyakit pernapasan berdasarkan suara pasien menggunakan gabungan GRU dan LSTM. Model GRU dilatih dengan 50 epoch menggunakan dataset suara pasien yang dikumpulkan. Hasil evaluasi menunjukkan akurasi training sebesar 75% dan training validation 73%, dengan precision, recall, dan f1-score yang bervariasi untuk setiap jenis penyakit pernapasan dengan relevansi terhadap f1-score dan nilai support. Penelitian ini menggambarkan potensi penggunaan metode klasifikasi suara dalam diagnosis penyakit pernapasan. Meskipun demikian, perlu dilakukan penyesuaian parameter dan peningkatan jumlah data pelatihan untuk meningkatkan performa model. Dengan konvergensi yang baik pada epoch 50, hasil ini menunjukkan kemampuan model dalam mengklasifikasikan penyakit pernapasan berdasarkan suara pasien. Namun, validasi dan pengujian lebih lanjut pada dataset yang lebih besar diperlukan untuk menguji keandalan dan generalisasi model secara menyeluruh. Penelitian ini dapat memberikan kontribusi dalam pengembangan alat bantu diagnostik non-invasif untuk penyakit pernapasan berdasarkan analisis suara pasien. Penelitian ini memberikan bukti awal tentang potensi metode klasifikasi suara dalam diagnosis penyakit pernapasan. Namun, penyesuaian parameter dan peningkatan jumlah data pelatihan perlu dilakukan untuk meningkatkan performa model secara keseluruhan.
Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16 SRI ADININGSI ERNI ALBAKIA; Rizal Adi Saputra
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1420

Abstract

Tanaman obat memiliki peran penting dalam pengobatan alami dan pengembangan obat-obatan baru. Klasifikasi jenis daun tanaman obat menjadi langkah penting dalam penelitian ini. Saya mengusulkan metode klasifikasi menggunakan Convolutional Neural Network (CNN) dengan model VGG16 untuk mengenali jenis daun tanaman obat secara otomatis. Model VGG16 yang telah dilatih sebelumnya digunakan sebagai arsitektur dasar, dengan penyesuaian lapisan kustom yang sesuai. Pra-pemrosesan data dilakukan melalui augmentasi data, termasuk rotasi, pergeseran, dan pemotongan citra, untuk meningkatkan variasi data pelatihan. Dataset yang digunakan terdiri dari 10 jenis daun tanaman obat yang dikumpulkan secara eksklusif. Dari percobaan ini mendapatkan training akurasi 81,61% dan validasi akurasinya 90,74%. Pada uji data 50 citra daun mendapatkan hasil akurasi 92% dengan 46 data yang terklasifikasi dan 4 data citra yang salah terklasifikasi. Temuan ini menunjukkan adanya potensi penggunaan CNN dengan model VGG16 dalam identifikasi dan pemilihan tanaman obat secara efisien dalam bidang medis dan farmasi. Penelitian ini memberikan landasan untuk pengembangan lebih lanjut dalam penelitian tentang tanaman obat dan pemanfaatan teknologi pengenalan pola untuk tujuan pengobatan dan farmasi.
METODE SIMILARITY UNTUK ALTERNATIF REKOMENDASI BUKU PADA SISTEM INFORMASI PERPUSTAKAAN Muhammad Faisal; Indah Puji Astuti; Ghulam Asrofi Buntoro
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1094

Abstract

Pendataan anggota dan buku di perpustakaan SMA Kyai Ageng Basyariyah saat ini masih menggunakan sistem manual yang mana pendataan anggota dan koleksi buku masih ditulis dalam buku catatan khusus. Banyaknya buku yang ada diperpustakaan menjadi kendala bagi siswa dalam melakukan pencarian buku. Terlebih lagi ketika seorang siswa mencari suatu buku yang mana belum tentu tersedia apakah masih ada buku tersebut ataukah habis terpinjam, kemudian tidak adanya pengetahuan alternatif buku rekomendasi apabila buku tersebut kosong, sehingga managemen peminjaman buku tidak terorganisir dengan baik. Maka dari itu diperlukan sebuah sistem untuk menyelesaikan permasalahan tersebut. Penggunaan sistem Informasi perpustakaan berbasis web sangatlah membantu meningkatkan kinerja perpustakaan agar lebih efektif. Dengan menambahkan fitur alternatif rekokmendasi buku menggunakan methode similarity pada sistem tersebut dapat mempermudah siswa dan petugas dalam mencari pilihan alternatif apabila buku yang dicari kosong atau tidak ada. Pada penelitian ini sistem dibangun menggunakan SDLC model prototype. Pengujian sistem menggunakan beberapa pengujian seperti pengujian kecepatan, fungsionalitas, dan ketepatan dalam menampilkan alternatif buku. Dengan adanya sistem pengelola perpustakaan ini, dapat memudahkan manajemen mulai dari pendataan buku, peminjaman, pencarian buku dan rekomendasi buku sesuai dengan judul yang diinputkan.
Klasifikasi Harapan Hidup Pasien Karsinoma Hepatoseluler Menggunakan Extreme Learning Machine Dengan Perbaikan Data Hilang Suci Permata Sari; Triando Hamonangan Saragih; Andi Farmadi; Radityo Adi Nugroho; Rudy Herteno
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1287

Abstract

International Agency for Research on Cancer (IARC) mengestimasi bahwa pada tahun 2020 kanker hati primer berada di peringkat ke-6 sebagai kanker yang paling banyak didiagnosis dan peringkat ke-3 sebagai penyebab utama kematian akibat kanker di dunia. Mayoritas kanker hati primer muncul dari sel-sel hati dan disebut Karsinoma Hepatoseluler (KHS). Salah satu upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan mengklasifikasikan harapan hidup pasien KHS. Terdapat banyak metode yang dapat digunakan dalam klasifikasi, salah satunya adalah menggunakan Extreme Learning Machine (ELM). Dataset yang digunakan pada penelitian ini adalah HCC Survival Data Set yang memiliki 49 fitur dengan rata-rata data hilang sebesar 10,22% secara keseluruhannya. ELM merupakan metode yang mengharuskan semua data pada datasetnya lengkap tanpa memiliki data hilang. Sehingga harus dilakukan penanganan data hilang terlebih dahulu sebelum dilakukan klasifikasi. Penanganan data hilang pada penelitian ini dilakukan dengan menggunakan teknik imputasi. Pada penelitian ini dilakukan perbandingan antara hasil klasifikasi dari data yang diimputasi menggunakan MissForest dengan hasil klasifkasi dari data yang diimputasi menggunakan K-Nearest Neighbors Imputation (KNNI). Perbandingan tersebut dilakukan untuk mengetahui metode imputasi mana yang menghasilkan data imputasi dengan kinerja terbaik pada klasifikasi kelangsungan hidup pasien KHS. Hasil menunjukkan bahwa data yang diimputasi menggunakan KNNI menghasilkan nilai akurasi rata-rata dan nilai rata-rata AUC yang lebih unggul dibandingkan dengan data yang diimputasi dengan MissForest, yaitu dengan nilai akurasi rata-rata sebesar 92,941% dan rata-rata AUC sebesar 0,9758.
PENERAPAN MWMOTE UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS PADA KLASIFIKASI RISIKO KREDIT Maria Ulfah; Triando Hamonangan Saragih; Dwi Kartini; Muhammad Itqan Mazdadi; Friska Abadi
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1331

Abstract

Salah satu bentuk usaha yang dijalankan oleh perbankan adalah pemberian kredit terhadap nasabaah. Bank akan selalu berusaha mengoptimalkan penyaluran kredit terhadap nasabah, akan tetapi tidak menutup kemungkinan bahwa kredit yang diberikan tersebut memiliki risiko. Guna menekan dan meminimalisir risiko kredit pihak bank perlu melakukan analisis terhadap data yang dimiliki nasabah agar dapat mengambil keputusan apakah nasabah atau calon debitur layak diberikan pinjaman dalam bentuk kredit. Salah satu cara untuk menyelesaikan masalah analisa risiko kredit adalah dengan melakukan klasifikasi dengan menggunakan machine learning. Pada penelitian ini dilakukan klasifikasi dengan menggunakan algoritma Support Vector Machine (SVM) serta oversampling data dengan menggunakan MWMOTE dan Improve MWMOTE. Data yang digunakan pada penelitian ini adalah data german credit risk yang memiliki Kelas bad credit yang terdiri atas 300 data dan kelas good credit terdiri atas 700 data. Penelitian dilakukan dengan membandingkan klasifikasi SVM dengan dan tanpa oversampling. Hasilnya didapatkan bahwa nilai akurasi dari klasifikasi Improve MWMOTE SVM memiliki nilai tertinggi jika dibandingan dengan SVM MWMOTE, dan SVM yaitu sebesar 77,95%.
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SITUS LOWONGAN KERJA MENGGUNAKAN METODE MOORA Fajriyah Mayzura Agustin; Indra Dharma Wijaya; Budi Harijanto
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1422

Abstract

Indonesia merupakan urutan ke-10 negara yang durasi penggunaan media sosial tersering menurut (DataIndonesia.id, 2022), dengan menggunakan media sosial dapat menemukan banyak hal yang berguna seperti iklan online yang dapat menjadi sarana yang lebih efektif dalam mencari kerja. Namun terdapat juga dampak negatif bagi pencari kerja hal tersebut dibuktikan masih banyak yang mengalami penipuan lowongan kerja dalam platform yang tidak resmi sehingga tidak terjamin informasi dan keamanannya. Hal tersebut membuat para pencari kerja kuwalahan dalam memilih papan iklan (board job) lowongan kerja yang terpercaya. Berdasarkan dari permasalahan tersebut dibutuhkan sebuah Sistem Pendukung Keputusan yang dapat membantu menentukan platform resmi untuk mencari lowongan kerja bagi pencari kerja. Pada penelitian milik (Kurnianty, Ekojono, & Rohadi, 2023) tentang pendukung keputusan menggunakan metode MOORA menghasilkan akurasi sebesar 100%, dimana penggunaan metode MOORA memiliki tingkat selektifitas yang baik sehingga dapat digunakan pada penelitian ini. Metode yang digunakan yakni metode Multi-Objective Optimization On The Basis Of Ratio Analysis (MOORA) dikarenakan kriteria yang dibutuhkan terdapat beberapa kriteria yang bertentangan. Hasil yang didapatkan dengan menggunakan metode ini yakni hasil yang sesuai. Hasil Pengujian dengan membandingkan perhitungan secara manual dengan sistem menggunakan Confusion Matrix mendapatkan hasil akurasi sebesar 100%, kemudian pengujian kepada responden mendapat hasil akhir rata-rata kepuasan sebesar 89.28%, hal tersebut dapat disimpulkan bahwa sistem ini dapat memenuhi kebutuhan dan dapat membantu pencari kerja dalam memilih situs lowongan kerja.
ANALISA KELAYAKAN INVESTASI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT (SIMRS) MENGGUNAKAN METODE INFORMATION ECONOMICS (IE) Yudha Herlambang Cahya Pratama; Heri Supriyanto
Jurnal Informatika Polinema Vol. 9 No. 4 (2023): Vol. 9 No. 4 (2023)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v9i4.1368

Abstract

Perkembangan teknologi dan bisnis yang begitu cepat, menuntut perusahan untuk terus berkembang seperti pada fasilitas Kesehatan yaitu rumah sakit. Salah satu upaya yang dilakukan guna menjawab tuntutan pelayanan kesehatan yang baik adalah dengan melakukan investasi di bidang teknologi. Penelitian ini bertujuan untuk melakukan analisis terhadap investasi yang dilakukan oleh sebuah rumah sakit. Metode yang akan digunakan untuk menganalisis kelayakan investasi TI yaitu dilakukan menggunakan metode Information Economic (IE). Berdasarkan hasil analisis non finansial manfaat yang diperoleh yaitu adanya penghematan biaya kertas untuk laporan dan pengurangan tenaga SDM (operator), menghemat biaya penggajian karyawan, dan membantu mencapai tujuan strategis perusahaan. Selanjutnya berdasarkan hasil analisis finansial, Nilai ROI sebesar 1,00% yang menunjukan keuntungan dari investasi mencapai 1 kali lipat dari total investasi 5 tahun. Nilai NPV sebesar Rp. 9.477.162 yang menunjukan nilainya lebih dari 0 (>0) dan Nilai PP sebesar 1 bulan. Berdasarkan Dampak ekonomis dan kelayakan investasi menunjukan bahwa penghematan langsung biaya operasional selama 5 tahun sebesar Rp. 131.762.250. Sedangkan skor akhir proyek sebesar 75,01 dengan skor minimal -20 dan skor maksimal 100, sehingga menghasilkan justifikasi kategori Layak.

Page 39 of 59 | Total Record : 582

 37   38   39   40   41 

Filter by Year

2014 2026


Reset
Filter By Issues
All Issue 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