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 559 Documents
 49   50   51   52   53 
Perbandingan Unjuk Kerja Library Optical Character Recognition (OCR) dalam Pengenalan Teks pada Dokumen Digital Darpito, Muhammad Noko; Kartika Firdausy; Abdul Fadlil
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7025

Abstract

Optical Character Recognition (OCR) merupakan teknologi yang digunakan untuk mengubah teks dalam dokumen digital menjadi teks yang dapat dikenali oleh mesin. Pemilihan metode OCR yang tepat sangat bergantung pada efisiensi pemrosesan dan akurasi pengenalan teks, terutama dalam penerapan yang membutuhkan kecepatan tinggi dan tingkat kesalahan minimal. Dalam penelitian ini, dilakukan perbandingan performa antara Tesseract dan EasyOCR melalui metode penelitian yang mencakup tahapan pengumpulan data, ekstraksi teks, implementasi OCR menggunakan kedua library tersebut, dan evaluasi hasil ekstraksi teks kedua library OCR tersebut menggunakan Word Error Rate (WER), Character Error Rate (CER) dan akurasi ekstraksi OCR keseluruhan. Dataset yang digunakan yang terdiri dari 50 dokumen formulir dengan variasi tata letak dan ukuran font, serta 10 dokumen artikel dengan variasi format huruf (standar dan kapital). Hasil penelitian menunjukkan bahwa Tesseract secara konsisten lebih cepat dalam memproses dokumen, dengan waktu rata-rata 0,34 detik per dokumen formulir dibandingkan EasyOCR yang memerlukan 1,81 detik. Namun, EasyOCR memperlihatkan performa yang lebih baik dalam akurasi pengenalan teks, dengan nilai WER rata-rata yang lebih rendah sebesar 25,78% dibandingkan Tesseract sebesar 49,69% pada dokumen formulir. Dengan demikian, Tesseract lebih sesuai untuk pemrosesan cepat dalam jumlah besar, sedangkan EasyOCR lebih direkomendasikan untuk dokumen dengan kompleksitas tinggi yang membutuhkan akurasi lebih baik.
Segmentasi Citra Menggunakan Pendekatan Trial and Error dan Metode Otsu untuk Identifikasi Objek Yudha Riwanto; Inggrid Yanuar Risca Pratiwi; Muhammad Ainul Fikri
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7046

Abstract

Segmentasi citra merupakan tahapan penting dalam pengolahan citra digital untuk memisahkan objek dari latar belakang agar analisis visual menjadi lebih efektif. Penelitian ini membandingkan dua metode segmentasi citra, yaitu trial and error thresholding dan metode Otsu, dalam mengidentifikasi objek pada citra aurora. Dataset yang digunakan berupa citra RGB aurora yang dikonversi ke grayscale, kemudian disegmentasi menggunakan kedua metode tersebut. Metode trial and error menentukan nilai ambang secara manual berdasarkan histogram, sedangkan metode Otsu secara otomatis menghitung nilai ambang optimal dengan memaksimalkan varians antar kelas. Hasil analisis menunjukkan bahwa metode Otsu lebih unggul dengan akurasi segmentasi sebesar 92% dan waktu pemrosesan 1,2 detik, dibandingkan metode trial and error yang menghasilkan akurasi 85% dan waktu 2,5 detik. Dengan demikian, metode Otsu dinilai lebih efisien dan konsisten untuk segmentasi citra alami, meskipun masih memerlukan teknik pra-pemrosesan tambahan pada citra dengan noise tinggi.
Analisis Sentimen Ulasan Pengguna Aplikasi Mobile SP4N-LAPOR! dengan Pendekatan Machine Learning Sulistiowati, Yeni; Santoso, Bagus Jati
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7189

Abstract

Kemajuan teknologi informasi di Indonesia telah mendorong peningkatan akses internet, yang kini mencapai 79,5% dari total populasi. Kondisi ini menciptakan peluang besar bagi digitalisasi layanan publik, termasuk penerapan Sistem Pengelolaan Pengaduan Pelayanan Publik Nasional (SP4N-LAPOR!). Aplikasi ini memungkinkan masyarakat untuk menyampaikan pengaduan dengan cepat dan transparan melalui berbagai platform, termasuk aplikasi mobile. Semakin populernya perangkat mobile semakin memperkuat peran SP4N-LAPOR! dalam mendorong partisipasi masyarakat dalam pengawasan pelayanan publik. Namun, sebagian besar penelitian sebelumnya masih terbatas pada analisis data kualitatif dan kuantitatif deskriptif, sehingga pengalaman serta perspektif pengguna sebagai elemen utama dalam aplikasi ini belum tergambar secara komprehensif. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan penggunaan analisis sentimen terhadap ulasan masyarakat yang diberikan melalui aplikasi mobile berbasis Android. Pendekatan ini bertujuan untuk mengidentifikasi permasalahan teknis serta memberikan gambaran mengenai kualitas layanan yang disediakan oleh penyelenggara. Analisis dilakukan menggunakan teknik Machine Learning dengan tiga model utama: Naive Bayes (NB), Support Vector Machine (SVM), dan kombinasi keduanya (NBSVM) dengan tambahan fitur ekspansi N-gram. Hasil pengujian menunjukkan bahwa model NBSVM memiliki performa terbaik dengan G-Mean sebesar 0.8451, Sensitivity sebesar 0.8227 dan F2 Score sebesar 0.8215, mengungguli model NB dan SVM. Hasil dari penelitian ini diharapkan dapat menjadi alat evaluasi yang efektif bagi penyelenggara pelayanan publik serta memperkuat peran pengawasan Ombudsman RI dalam pelaksanaan SP4N-LAPOR!.
Analisis Performansi Load Balancing Weighted Least Connection dengan HAProxy Algazali, Muhammad; La Surimi; La Ode Muhammad Bahtiar Aksara; Jumadil Nangi; Rizal Adi Saputra; Asa Hari Wibowo
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7198

Abstract

Aplikasi web telah menjadi bagian esensial dalam kehidupan digital masyarakat modern. Berdasarkan survei APJII 2023–2024, sebanyak 79,5% penduduk Indonesia atau sekitar 221,6 juta jiwa merupakan pengguna internet, sehingga menuntut layanan web yang cepat dan andal. Permasalahan yang muncul adalah beban server yang tidak merata, terutama saat terjadi lonjakan trafik, yang berdampak pada penurunan performa layanan. Penelitian ini bertujuan untuk menganalisis kinerja server web dengan menerapkan algoritma Weighted Least Connection (WLC) pada HAProxy, menggunakan skema bobot server 1:2, 1:3, 2:3, serta skema single server. Pengujian dilakukan pada dua instance virtual dengan spesifikasi berbeda di VirtualBox, menggunakan Apache JMeter untuk simulasi beban. Parameter yang diukur meliputi throughput, waktu respons, penggunaan CPU, tingkat kesalahan, dan ketersediaan sistem. Hasil pengujian menunjukkan bahwa skema WLC 1:2 menghasilkan performa terbaik dengan waktu respons 32,602 ms, throughput 122.080 request/s, dan tingkat kesalahan 30,51%, lebih efisien dibandingkan skema WLC 1:3. Tanpa load balancer, performa server menurun drastis dengan tingkat kesalahan mencapai 40%. Dengan demikian, skema WLC 1:2 terbukti lebih andal dan efisien dalam mendistribusikan beban, terutama pada kondisi trafik tinggi.
Penerapan Metode Design Thinking dalam Perancangan Ulang UI&UX Aplikasi iPusnas Nurmala Dwi Amalina; Eka Putri Rachmawati
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7233

Abstract

Aplikasi iPusnas, platform perpustakaan digital dari Perpustakaan Nasional Indonesia, memiliki potensi besar dalam meningkatkan literasi digital masyarakat. Namun, tantangan pada pengalaman pengguna (UX) dan antarmuka pengguna (UI), seperti navigasi yang rumit, tampilan tidak responsif, dan kesulitan menemukan konten relevan, perlu diatasi. Penelitian ini merancang ulang ui&ux iPusnas menggunakan metode design thinking yang berpusat pada pengguna. Tahapan empathize melibatkan wawancara, survei, serta melakukan observasi untuk memahami kebutuhan pengguna dan tantangan yang mereka hadapi saat berinteraksi dengan aplikasi. Tahapan define merumuskan masalah navigasi, tampilan, dan aksesibilitas konten. Tahapan ideate menghasilkan solusi desain berdasarkan prinsip material design, meliputi pemilihan warna yang mencerminkan semangat petualangan dan rasa percaya diri, tipografi (font Poppins) yang mengutamakan keterbacaan, navigasi yang jelas dengan struktur yang mudah dipahami, dan bentuk yang ramah dengan sudut membulat. Prototype high-fidelity dikembangkan untuk memvisualisasikan dan menguji desain aplikasi secara realistis. Hasil pengujian usability menunjukkan peningkatan efektivitas dan kemudahan penggunaan aplikasi. Hasil pengujian menggunakan metode System Usability Scale (SUS) mendapatkan skor 83,5 hal ini menjunjukan bahwa metode design thinking dalam penerapan untuk proses perancangan ulang ui&ux aplikasi iPusnas telah memberikan solusi yang efektif untuk mengatasi tantangan tersebut. Desain yang intuitif, responsif, dan menarik diharapkan dapat meningkatkan kepuasan pengguna, mendorong eksplorasi konten, dan memperluas akses literasi digital di Indonesia. iPusnas yang lebih user-friendly diharapkan dapat mencapai tujuannya dalam menyediakan layanan perpustakaan digital yang efektif dan mudah diakses oleh seluruh masyarakat.
Implementasi Backward Chaining untuk Mendeteksi Tingkat Stres Belajar Siswa SMK Kamase, Hamka Witri; Salim, M; Pnua, Salma
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7245

Abstract

Stres belajar merupakan salah satu permasalahan psikologis yang umum dialami siswa, terutama di tingkat Sekolah Menengah Kejuruan (SMK) yang memiliki beban akademik dan praktik kejuruan secara bersamaan. Keterbatasan waktu dan sumber daya menyebabkan proses deteksi tingkat stres secara manual oleh guru Bimbingan Konseling (BK) menjadi tidak optimal. Penelitian ini bertujuan untuk mengembangkan sebuah sistem pakar berbasis web yang mampu mendeteksi tingkat stres belajar siswa SMK secara cepat dan akurat menggunakan algoritma backward chaining. Penelitian ini menggunakan metode Research and Development (R&D) dengan pengumpulan data melalui observasi dan wawancara bersama guru BK untuk menyusun basis pengetahuan berupa gejala dan aturan inferensi. Sistem dirancang menggunakan bahasa pemrograman PHP dan basis data MySQL, serta diuji melalui white box dan black box testing untuk memastikan keakuratan logika dan fungsionalitas sistem. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan lima tingkatan stres secara tepat berdasarkan input gejala siswa, serta memberikan saran penanganan sesuai tingkat stres yang terdeteksi. Sistem ini terbukti efisien dan relevan digunakan sebagai alat bantu guru BK dalam proses identifikasi awal stres belajar siswa. Penelitian ini berkontribusi pada pemanfaatan sistem pakar dalam bidang pendidikan, khususnya dalam pengambilan keputusan berbasis gejala psikologis siswa. Di masa mendatang, sistem ini dapat dikembangkan lebih lanjut melalui integrasi teknologi mobile dan kecerdasan buatan berbasis data historis
Model GAP untuk Sistem Keputusan Pemberian Bantuan Bahan dan Alat kepada Industri Kecil Menengah Syaifuddin, Syaifuddin; R Dalai, Hastuti; Ahmad, Sulistiawati Rahayu
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7256

Abstract

Pemberian bantuan bahan dan alat kepada pelaku Industri Kecil Menengah (IKM) merupakan salah satu strategi penting pemerintah dalam mendorong pertumbuhan sektor industri nasional serta memperkuat ketahanan ekonomi lokal. Namun, proses seleksi penerima bantuan yang masih dilakukan secara manual kerap menimbulkan berbagai kendala, seperti ketidaktepatan sasaran, ketidakefisienan waktu, kurangnya objektivitas, serta minimnya dokumentasi. Hal ini menunjukkan perlunya sistem yang mampu mendukung pengambilan keputusan secara lebih sistematis, efisien, dan transparan. Penelitian ini bertujuan merancang dan mengimplementasikan Sistem Pendukung Keputusan (SPK) berbasis Model Matematik GAP (Generic Access Profile) guna meningkatkan akurasi dan keadilan dalam proses seleksi penerima bantuan. Model GAP digunakan untuk membandingkan profil ideal dan profil aktual IKM berdasarkan sejumlah kriteria seperti legalitas usaha, status binaan, lokasi, dan kebutuhan alat. Selisih nilai (gap) tersebut dikonversi ke dalam bobot evaluasi menggunakan tabel GAP standar, lalu diolah untuk menghasilkan skor akhir sebagai dasar pemeringkatan dan rekomendasi bantuan. Penelitian ini menggunakan metode deskriptif dengan pendekatan rekayasa perangkat lunak. Data dikumpulkan melalui observasi, wawancara, dan studi pustaka. Sistem dikembangkan menggunakan bahasa pemrograman Visual Basic dengan dukungan basis data relasional. Hasil pengujian white box menunjukkan seluruh fungsi sistem berjalan sesuai desain dan mampu menghasilkan laporan seleksi yang akurat dan terverifikasi. Kesimpulannya, penerapan Model GAP dalam SPK ini efektif meningkatkan efisiensi seleksi dan mampu memberikan rekomendasi bantuan yang lebih objektif, transparan, serta dapat dipertanggungjawabkan. Sistem ini juga berpotensi untuk direplikasi dalam seleksi bantuan di sektor lainnya.
Evaluasi Kinerja Algoritma Machine Learning (ML) Menggunakan Seleksi Fitur pada Klasifikasi Diabetes Wantoro, Agus; Zulkifli; Fitria Yulia, Aviv; Yana Ayu, Dwi; Mustofa, Syazili
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

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

Abstract

Diabetes Mellitus (DM) merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global, termasuk di Indonesia. Deteksi dini dan diagnosis yang akurat sangat penting untuk mencegah komplikasi serius. Dalam beberapa tahun terakhir, pendekatan berbasis Machine Learning (ML) telah banyak digunakan untuk meningkatkan akurasi prediksi diabetes. Salah satu dataset yang sering digunakan dalam penelitian ini adalah Pima Indians Diabetes Dataset (PIDD). Dataset ini memiliki delapan fitur dan satu kelas. Tantangan utama dalam pemodelan ML untuk prediksi adalah adanya fitur yang tidak relevan dalam dataset, yang dapat menurunkan kinerja model. Kami menggunakan pendekatan seleksi fitur teknik Informasion Gain (IG) dan Gain Ratio (GR). Hasil eksperimen seleksi fitur menggunakan IG didapatkan empat fitur yang memiliki bobot >0.05 yaitu Glucose Plassma (0.190), BMI (0.074), Age (0.072), dan Insulin (0.059). Namun hasil yang berbeda ketika menggunakan teknik GR yaitu Glucose Plassma (0.986), BMI (0.086), Age (0.078), Pregnancies (0.051). Hasil seleksi fitur dan semua fitur digunakan untuk menguji algoritma ML seperti Naive Bayes, J48, AdaBoost, Random Tree, Random Forest, dan Super Vector Machine (SVM). Hasil evaluasi kinerja algoritma ML menunjukkan algoritma SVM memiliki kinerja terbaik menggunakan semua fitur PIDD. Temuan ini berbeda dengan penelitian lain yang menggunakan seleksi fitur justru meningkatkan kinerja algoritma ML. Selain itu, kami melakukan evaluasi terhadap waktu eksekusi model. Kami menemukan bahwa algoritma Naïve Bayes dan Random Tree memiliki waktu komputasi terbaik. Temuan ini memberikan gambaran umum tentang kemampuan ML untuk memprediksi diabetes menggunakan seleksi fitur yang dihasilkan oleh teknik IG dan GR maupun tanpa seleksi fitur.
Optimalisasi Pemilihan Sapi Layak Kirim dengan Analytical Hierarchy Process Berbasis Web: Studi Kasus Karantina Ainiba Suni, Adventus Yoseph Berek; Batarius, Patrisius; Sinlae, Alfry Aristo Jansen
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7295

Abstract

Beternak sapi merupakan sektor penting dalam perekonomian Indonesia, khususnya dalam memenuhi kebutuhan distribusi sapi antarwilayah. Namun, Karantina Ainiba sering menghadapi kendala dalam pengiriman sapi akibat ketidaksesuaian kriteria kesehatan, berat, dan kondisi fisik, yang berpotensi menimbulkan kerugian ekonomi. Penelitian ini bertujuan mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web dengan metode Analytical Hierarchy Process (AHP) untuk mengoptimalkan pemilihan sapi layak kirim. Sistem ini mempertimbangkan tiga kriteria utama: berat sapi, kesehatan, dan kondisi fisik, yang dinilai oleh pakar (dokter hewan) menggunakan skala perbandingan berpasangan. Hasil penelitian menunjukkan bahwa metode AHP mampu memberikan rekomendasi objektif dengan konsistensi rasio (CR) < 0,1, mengindikasikan validitas hasil. Sapi dengan kode S-001 terpilih sebagai alternatif terbaik (nilai 0,573) karena keunggulan pada berat ideal (200–250 kg) dan kesehatan. Implementasi sistem menggunakan model Waterfall mencakup analisis kebutuhan, perancangan, pengujian (black box testing), dan operasionalisasi. Pengujian fungsional membuktikan sistem berjalan optimal, termasuk fitur login, input data, dan perhitungan AHP. Keterbatasan penelitian terletak pada jumlah sampel (20 sapi) dan kriteria yang belum mencakup faktor dinamis seperti harga pasar. Untuk pengembangan selanjutnya, disarankan menambah variabel seperti usia atau riwayat vaksinasi, mengintegrasikan AHP dengan metode lain seperti TOPSIS, serta mengembangkan versi mobile untuk kemudahan survei lapangan. Sistem ini diharapkan dapat meningkatkan efisiensi seleksi sapi dan mengurangi kerugian ekonomi di Karantina Ainiba.
Implementasi Machine Learning untuk Klasifikasi Buku Otomatis pada Perpustakaan Digital SLAM, Berta Erwin; Feri Irawan; Nolan Efranda; Rifaldi Herikson
Jurnal Informatika Polinema Vol. 11 No. 3 (2025): Vol. 11 No. 3 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i3.7298

Abstract

Permasalahan klasifikasi buku dalam sistem perpustakaan digital, khususnya di tingkat sekolah menengah atas (SMA), masih menjadi tantangan karena banyak institusi belum mengadopsi sistem klasifikasi otomatis. Proses manual dinilai tidak efisien dan rawan inkonsistensi. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis berbasis machine learning menggunakan algoritma Naïve Bayes, yang dikenal efektif dalam pengolahan teks. Data yang digunakan terdiri dari 10.000 entri buku digital, yang masing-masing mencakup metadata berupa judul, sinopsis, dan kata kunci. Proses preprocessing dilakukan melalui normalisasi teks, penghapusan stopword bahasa Indonesia, serta transformasi ke dalam representasi vektor menggunakan metode TF-IDF. Model dilatih untuk mengenali sepuluh kategori utama dengan berbagai rasio pembagian data latih dan uji, mulai dari 90:10 hingga 50:50. Hasil evaluasi menunjukkan bahwa model mampu menghasilkan akurasi tinggi di berbagai skenario, dengan rentang akurasi antara 89,2% hingga 90,3%. Menariknya, performa model justru meningkat secara konsisten seiring meningkatnya proporsi data uji. Precision dan recall makro juga menunjukkan tren serupa, yang menandakan bahwa model Naïve Bayes cukup robust bahkan saat data latih terbatas. Secara keseluruhan, sistem ini terbukti efektif dalam meningkatkan efisiensi dan konsistensi klasifikasi koleksi perpustakaan digital. Temuan ini merekomendasikan integrasi sistem klasifikasi otomatis ke dalam platform perpustakaan SMA, serta membuka peluang eksplorasi algoritma lanjutan dan pengembangan fitur rekomendasi cerdas di masa depan.

Page 51 of 56 | Total Record : 559

 49   50   51   52   53 

Filter by Year

2014 2025


Reset
Filter By Issues
All Issue 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