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
 50   51   52   53   54 
Pengembangan Game Edukasi Platformer 2D Berbasis Web dengan Metode GDLC Kurniawan, Haris; Devegi, Mourend; Nofriza, Vidya
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.v11i3.7329

Abstract

Penelitian ini bertujuan untuk merancang dan mengembangkan game edukasi berbasis web dengan genre platformer sebagai media pembelajaran interaktif pada mata pelajaran Informatika di Sekolah Menengah Kejuruan (SMK). Latar belakang penelitian ini adalah rendahnya minat belajar siswa serta kebutuhan akan media pembelajaran yang menarik, kontekstual, dan sesuai dengan perkembangan teknologi. Pengembangan game dilakukan menggunakan metode Game Development Life Cycle (GDLC) yang mencakup tahapan Inisiasi, Pra-produksi, Produksi, Pengujian, dan Pasca-produksi. Game dikembangkan dalam format permainan platformer 2D berbasis web dengan integrasi materi edukatif mengenai Informatika. Uji kelayakan dilakukan melalui pengujian alpha dan beta testing. Pengujian alpha menggunakan metode black box dengan hasil valid yang menunjukkan bahwa tidak ada lagi bug pada game dan semua fungsional sudah berjalan dengan baik. Pada beta release pengujian terhadap pengguna game, yang terdiri dari validasi ahli materi dan media dengan hasil rata-rata 83,68% dengan kategori Sangat Valid. Sedangkan pengujian praktikalitas guru memperoleh hasil rata-rata 91,44% dengan kategori Sangat Praktis, kemudian pengujian praktikalitas siswa memperoleh rata-rata 83,81% dengan kategori Sangat Praktis. Hasil pengujian menunjukkan bahwa game edukasi ini sangat layak digunakan pada mata pelajaran Informatika. Dengan demikian game ini diharapkan dapat menjadi alternatif media pembelajaran yang efektif di Sekolah Menengah Kejuruan.
Prediksi Penjualan Produk Roti Terlaris pada Toko Roti Mailaku Menggunakan Metode K-Nearest Neighbor Winda Patrianingsih, Ni Kadek; Arya Sugianta, I Kadek
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.v11i3.7331

Abstract

Produk roti merupakan salah satu jenis makanan yang populer di masyarakat, baik sebagai camilan, makanan penutup, maupun hidangan utama. Toko roti sering menawarkan berbagai macam jenis produk roti, yang masing-masing memiliki tingkat permintaan yang bervariasi tergantung pada faktor-faktor seperti jenis roti, harga, dan promosi yang dilakukan. Di Tengah persaingan industri makanan yang semakin banyak, pengelolaan penjualan dan stok secara efisien menjadi aspek yang penting dalam menunjang keberhasilan bisnis itu sendiri. Toko Roti Mailaku perlu mengelola penjualan dan stok produk roti secara optimal guna meningkatkan efisiensi operasional dan kepuasan pelanggan. Toko Roti Mailaku, sebagai studi kasus dalam penelitian ini, membutuhkan sistem yang dapat membantu dalam pengambilan keputusan terkait strategi penjualan yang tepat. Penelitian ini bertujuan untuk mengembangkan sistem prediksi penjualan produk roti terlaris dengan menggunakan algoritma K-Nearest Neighbor. Berdasarkan dari data penjualan produk roti, sistem ini memanfaatkan data penjualan histrois guna membantu toko dalam mengelola inventaris dan merencanakan strategi pemasaran secara lebih efektif. Uji coba yang dilakukan menunjukkan bahwa algoritma K-NN dapat digunakan untuk mengklasifikasikan data dan memprediksi produk roti yang akan terlaris. Hasil pengujian model menghasilkan tingkat akurasi sebesar 87,5%, yang menandakan bahwa data yang digunakan dalam penelitian adalah data yang berkualitas. Dengan tingkat akurasi yang cukup tinggi, model K-NN terbukti dapat menjadi alat bantu efektif dalam pengambilan keputusan penjualan produk roti di Toko Roti Mailaku.
Implementasi Metode LCG (Linear Congruential Generator) pada Aplikasi Computer Based Test (CBT) Menggunakan Pendekatan Keamanan Data Berbasis OTP (One Time Password) untuk Menghindari Kecurangan Ulul Mafaza; Adi Kurniawan, Turkhamun
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7243

Abstract

Ujian berbasis komputer atau Computer Based Test (CBT) telah menjadi solusi modern dalam dunia pendidikan, tetapi masih menghadapi tantangan dalam keamanan dan pencegahan kecurangan. Penelitian ini bertujuan untuk mengimplementasikan metode Linear Congruential Generator (LCG) pada aplikasi CBT dengan pendekatan keamanan data berbasis One-Time Password (OTP) guna meningkatkan keandalan sistem ujian. Metode penelitian menggunakan model Waterfall, yang mencakup tahap analisis kebutuhan, desain, implementasi, pengujian, dan pemeliharaan sistem. Pengacakan soal menggunakan metode LCG dirancang untuk memastikan setiap peserta mendapatkan urutan soal yang berbeda, sehingga meminimalkan potensi kecurangan. Selain itu, sistem keamanan berbasis OTP diterapkan untuk mengautentikasi pengguna sebelum mengakses ujian. Pengujian dilakukan menggunakan metode Blackbox Testing untuk mengevaluasi fungsionalitas sistem. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan soal dengan urutan acak yang berbeda untuk setiap peserta dan OTP berfungsi dengan baik dalam meningkatkan keamanan akses. Implementasi ini berhasil meningkatkan efisiensi dan transparansi dalam penyelenggaraan ujian berbasis komputer. Penelitian ini memberikan kontribusi bagi pengembangan sistem CBT yang lebih aman dan adil. Ke depan, sistem dapat dikembangkan lebih lanjut dengan menambahkan autentikasi dua faktor serta integrasi teknologi kecerdasan buatan untuk analisis pola kecurangan.
Analisis Sentimen di Media Sosial X tentang IKN dengan Naïve Bayes Man, Gilang Mario Conroy Paridy; Sinlae, Alfry Aristo Jansen; Ngaga, Emerensiana
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7246

Abstract

Analisis sentimen merupakan teknik dalam pemrosesan bahasa alami (Natural Language Processing/NLP) yang bertujuan untuk mengklasifikasi teks menjadi kategori sentimen positif, negatif, atau netral. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Istana Garuda Ibu Kota Nusantara (IKN) yang terekspos di media sosial X (sebelumnya Twitter) dengan menggunakan metode Naïve Bayes. Permasalahan utama dalam penelitian ini adalah bagaimana mengukur opini publik secara cepat dan akurat terkait dengan pembangunan Istana Garuda IKN yang begitu masif diperbincangkan di media sosial. Tujuan penelitian ini adalah untuk mengetahui distribusi sentimen positif, negatif, dan netral terhadap Istana Garuda IKN serta mengidentifikasi topik-topik utama yang mendominasi perbincangan di media sosial X terkait isu tersebut. Metode yang digunakan adalah klasifikasi teks menggunakan algoritma Naïve Bayes. Data yang digunakan berupa tweet yang mengandung kata kunci terkait Istana Garuda IKN. Proses penelitian meliputi pengumpulan data, preprocessing data (tokenisasi, stopword removal, dan stemming), ekstraksi fitur, dan klasifikasi menggunakan model Naïve Bayes. Hasil yang diharapkan dari penelitian ini adalah peta sentimen publik yang komprehensif terkait Istana Garuda IKN, sehingga dapat memberikan gambaran yang lebih jelas mengenai persepsi masyarakat terhadap proyek pembangunan tersebut. Selain itu, penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pemantauan opini publik berbasis media sosial.
Pengenalan Ekspresi Wajah dengan LBP dan Multi-Level CNN Septyono, Muhammad Bagas; Anggraeny, Fetty Tri; Mumpuni, Retno
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7351

Abstract

Pengenalan ekspresi wajah menjadi salah satu komponen penting dalam sistem interaksi manusia-komputer, khususnya untuk memahami emosi pengguna. Tantangan utama dalam pengenalan ekspresi wajah meliputi variasi pencahayaan, pose wajah, oklusi, dan kemiripan antar ekspresi. Penelitian ini mengusulkan metode klasifikasi ekspresi wajah berbasis kombinasi antara ekstraksi fitur tekstur dari Local Binary Pattern (LBP) dan representasi spasial dari arsitektur Multi-Level Convolutional Neural Network (MLCNN). Dataset yang digunakan adalah FER2013 yang terdiri dari 35.887 gambar grayscale berukuran 48×48 piksel dan terbagi dalam tujuh kategori ekspresi dasar. Tahapan penelitian mencakup prapemrosesan data (deteksi wajah, augmentasi, dan normalisasi), ekstraksi fitur melalui LBP dan MLCNN, serta penggabungan fitur (feature fusion) sebelum klasifikasi. Tiga jenis koneksi fitur diuji dalam MLCNN, yaitu dari lapisan max pooling, lapisan konvolusi tengah, dan lapisan konvolusi terakhir sebelum pooling. Model dilatih menggunakan optimizer Adam, early stopping, dan penyesuaian learning rate otomatis (ReduceLROnPlateau). Hasil eksperimen menunjukkan bahwa kombinasi LBP dan MLCNN dengan koneksi tipe 1 memberikan hasil terbaik dengan akurasi pengujian sebesar 69,17%. Pendekatan ini menunjukkan peningkatan akurasi dan kestabilan terutama dalam mengenali ekspresi seperti happy dan angry. Penelitian ini menunjukkan bahwa integrasi fitur tekstur dan spasial dari berbagai level abstraksi dapat meningkatkan performa sistem pengenalan ekspresi wajah dalam kondisi dunia nyata.
Segmentasi Optic Cup dan Optic Disc Menggunakan U-Net Backbone Resnet50 Bachtiar Riza Pratama; Fetty Tri Anggraeny; Achmad Junaidi
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7352

Abstract

Glaukoma merupakan penyakit mata serius yang dapat menyebabkan kebutaan permanen. Salah satu indikator penting dalam diagnosis glaukoma adalah nilai Cup to Disc Ratio (CDR), yang diperoleh dari segmentasi area optic disc (OD) dan optic cup (OC) pada citra fundus retina. Penelitian ini mengembangkan model segmentasi berbasis U-Net dengan backbone ResNet50 untuk mendeteksi area OD dan OC secara otomatis. Data yang digunakan adalah dataset REFUGE sebanyak 1200 citra fundus dan mask ground truth. Sebelum pelatihan, dilakukan tahap pra-pemrosesan yang mencakup ekstraksi ROI optic disc menggunakan metode Normalized Cross-Correlation (NCC) dan peningkatan kontras dengan CLAHE.Model dievaluasi menggunakan metrik Dice Coefficient dan Intersection over Union (IoU) untuk mengukur akurasi segmentasi. Hasil segmentasi menunjukkan bahwa model menghasilkan nilai Dice Coefficient sebesar 0,9175 dan IoU sebesar 0,8976 untuk segmentasi optic disc, serta Dice sebesar 0,8924 dan IoU sebesar 0,8057 untuk segmentasi optic cup. Guna memperhalus bentuk kontur, diterapkan metode ellipse fitting pada hasil segmentasi sebelum perhitungan CDR. Nilai CDR yang diperoleh kemudian digunakan untuk mengklasifikasikan tingkat keparahan glaukoma.
Metode Ensemble Weighted Voting untuk Deteksi Risiko Diabetes Ach.Diki Prasetyo, Ach.Diki Prasetyo; Anggraeny, Fetty Tri; Retno Mumpuni
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7353

Abstract

Diabetes Melitus (DM) adalah penyakit kronis yang ditandai dengan peningkatan kadar glukosa darah akibat gangguan produksi atau fungsi insulin. Secara global, prevalensi DM terus meningkat, dengan sekitar 537 juta penderita pada tahun 2021 dan proyeksi mencapai 783 juta pada tahun 2045 jika tidak ada penanganan yang lebih efektif. Deteksi dini penyakit ini sangat penating untuk mencegah komplikasi yang lebih serius. Namun, diagnosis manual konvensional sering kali memakan waktu dan biaya yang besar, sehingga menghambat upaya tersebut. Penelitian ini bertujuan mengembangkan model prediksi risiko diabetes yang efisien dan mudah diakses menggunakan metode ensemble weighted voting. Pendekatan ini mengombinasikan tiga algoritma machine learning, yaitu Logistic Regression, Support Vector Machine, dan Random Forest. Data yang digunakan berasal dari survei publik "Diabetes Health Indicators Dataset" (BRFSS 2021) serta data primer lokal. Metodologi penelitian mencakup pengumpulan data, pra-pemrosesan, pelatihan model individual, dan pembentukan model ensemble dengan pembobotan berdasarkan akurasi model. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score melalui empat skenario pengujian. Hasil menunjukkan bahwa model ensemble weighted voting memberikan kinerja yang baik dengan akurasi tertinggi 90,00% pada skenario yang memadukan data latih terbatas dan data uji lokal. Penelitian ini menyimpulkan bahwa metode ensemble weighted voting merupakan metode yang cukup baik untuk pengembangan model prediksi risiko diabetes yang lebih akurast dan praktis
Optimasi Deteksi Penyakit Alzheimer dengan Convulation Neural Network (CNN) dan Support Vector Machine (SVM) untuk Klasifikasi Tingkat Demensia Tarigan, Victor Tarigan; Yusupa, Ade; Syahputra, Rendy
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7358

Abstract

Deteksi dini penyakit Alzheimer menjadi tantangan penting dalam dunia medis modern karena keterbatasan diagnosis berbasis observasi klinis dan analisis manual citra MRI yang sangat tergantung pada keahlian spesialis. Dengan meningkatnya jumlah penderita Alzheimer secara global, dibutuhkan pendekatan otomatis yang cepat, akurat, dan dapat diandalkan untuk mendeteksi tingkat demensia. Penelitian ini mengusulkan metode klasifikasi hybrid yang menggabungkan Convolutional Neural Network (CNN) sebagai teknik ekstraksi fitur mendalam dan Support Vector Machine (SVM) sebagai algoritma klasifikasi untuk mengidentifikasi tingkat keparahan demensia berdasarkan citra MRI otak. Dataset yang digunakan terdiri dari empat kelas: NonDemented, VeryMildDemented, MildDemented, dan ModerateDemented. Seluruh citra melalui tahap preprocessing, termasuk resize dan normalisasi, kemudian diproses dengan CNN untuk menghasilkan fitur spasial yang representatif. Fitur-fitur ini selanjutnya diklasifikasikan menggunakan SVM. Evaluasi dilakukan dengan metode 5-fold cross-validation untuk menjamin kestabilan performa model. Hasil pengujian menunjukkan bahwa metode CNN + SVM menghasilkan akurasi rata-rata sebesar 98.97%, dengan nilai precision, recall, dan F1-score yang konsisten tinggi. Metode ini secara signifikan melampaui pendekatan konvensional seperti HOG + SVM dan LBP + SVM yang hanya mencapai akurasi masing-masing sebesar 92.52% dan 54.76%. Dengan demikian, penggabungan CNN dan SVM terbukti mampu mengoptimalkan proses klasifikasi tingkat demensia, dan berpotensi besar dikembangkan sebagai sistem pendukung keputusan berbasis citra dalam diagnosis penyakit Alzheimer secara otomatis.
Implementasi Keamanan Informasi Menggunakan Metode Web Application Firewall terhadap Serangan SQL Injection Wahdana, Wahdana; Hanif, Kharis Hudaiby
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7376

Abstract

Era digital kontemporer telah membawa perubahan fundamental dalam lanskap keamanan aplikasi web, di mana sistem keamanan menghadapi eskalasi serangan yang mengancam konsistensi data. Kerentanan port terbuka pada platform web menjadi vektor utama eksploitasi oleh aktor jahat dalam dunia maya. Studi ini menginvestigasi implementasi Web Application Firewall (WAF) sebagai mekanisme defensif untuk mitigasi ancaman keamanan aplikasi web. ModSecurity digunakan sebagai solusi WAF yang mengoperasikan sistem pemblokiran traffic malicious melalui rule-based filtering. Serangan SQL Injection diteliti sebagai metode penetrasi sistem database melalui manipulasi query Structured Query Language. Metodologi penelitian melibatkan DVWA sebagai aplikasi target pada infrastruktur Apache2 dalam environment Kali Linux, dengan eksekusi 3 iterasi pengujian untuk menganalisis performa ModSecurity WAF. Temuan penelitian mengindikasikan tingkat efektivitas proteksi sebesar 99% yang sesuai dengan framework OWASP Web Security Testing Guide, dengan margin error 1% yang disebabkan oleh limitasi aksesibilitas database pada platform DVWA.
Analisis Sentimen terhadap Gerakan Boikot di X #Boycott Menggunakan Support Vector Machine Khofifah, Nada Firda; Intan Putri Mansyur Pratama; Azzahra Asti Khairunnisa; Anggraini Puspita Sari
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7378

Abstract

Media sosial, khususnya platform X (sebelumnya dikenal sebagai Twitter), telah menjadi ruang utama bagi masyarakat untuk menyuarakan pandangan terkait isu-isu sosial, politik, dan ekonomi. Salah satu fenomena menonjol adalah gerakan boycott yang disuarakan melalui tagar seperti #Boycott, sebagai bentuk protes kolektif terhadap entitas yang dianggap bertentangan dengan nilai atau kepentingan publik. Dalam konteks konflik geopolitik, seperti ketegangan yang melibatkan Israel, tagar ini sering kali menjadi pusat diskusi daring yang intens. Penelitian ini bertujuan untuk mengkaji dinamika diskusi, kecenderungan sentimen, dan emosi yang muncul dalam wacana digital terkait boycott terhadap produk yang terafiliasi dengan Israel. Metode yang digunakan dalam penelitian ini adalah klasifikasi sentimen menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan dikumpulkan melalui proses crawling terhadap tagar-tagar terkait gerakan boycott selama bulan Januari-April 2025, yang mencakup berbagai percakapan publik di platform X. Hasil pengujian menunjukkan bahwa model SVM mampu mengklasifikasikan data dengan tingkat akurasi mencapai 94%, dimana data uji berhasil diklasifikasikan dengan benar ke dalam tiga kelas sentimen: pro, netral, dan kontra. Hal ini menandakan bahwa model cukup andal dalam mengidentifikasi sentimen masyarakat. Penelitian ini menunjukkan bahwa algoritma SVM efektif dalam mengidentifikasi dan mengelompokkan sentimen masyarakat terhadap gerakan boycott di media sosial. Penelitian ini diharapkan dapat menjadi kontribusi awal dalam pemanfaatan machine learning untuk menganalisis respon publik terhadap isu-isu sosial dan kemanusiaan melalui platform digital.

Page 52 of 56 | Total Record : 559

 50   51   52   53   54 

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