cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Sanriomi Sintaro
Contact Email
techcartpress@gmail.com
Phone
+6282180318941
Journal Mail Official
jaiti.techcartpress@gmail.com
Editorial Address
Jalan Gatot Subroto No 47 LK I, Desa/Kelurahan Tanjunggading, Kec. Kedamaian, Kota Bandar Lampung, Provinsi Lampung, Indonesia
Location
Kota bandar lampung,
Lampung
INDONESIA
Journal of Artificial Intelligence and Technology Information
Published by Tech Cart Press
ISSN : 29855306     EISSN : 29856396     DOI : doi.org/10.58602/jaiti
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Journal of Artificial Intelligence and Technology Information (JAITI) is a peer-review journal focusing on Artificial Intelligence and Technology Information issues. Journal of Artificial Intelligence and Technology Information (JAITI) invites academics and researchers who do original research in artificial intelligence and technology 1nfromation.Journal of Artificial Intelligence and Technology Information (JAITI) is published by Tech Cart Press in March, June, September, and December every year. Journal of Artificial Intelligence and Technology Information (JAITI) accept articles in Bahasa Indonesia and English.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 106 Documents
 7   8   9   10   11 
Rancang Bangun Sistem Informasi Penerimaan Mahasiswa Baru Berbasis Web Terintegrasi AI Chatbot sebagai Layanan Helpdesk Rahmat Kausar; Vandan Wiliyanti; Indra Gunawan; Andi Thahir
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.276

Abstract

Penelitian ini bertujuan merancang, membangun, dan menguji efektivitas Sistem Informasi Penerimaan Mahasiswa Baru (PMB) berbasis web terintegrasi AI Chatbot sebagai layanan helpdesk pada Alifa Institute. Permasalahan penelitian berangkat dari proses PMB yang sebelumnya menggunakan Blogspot dan Google Form, sehingga data belum terpusat, rekapitulasi masih semi-manual, serta layanan informasi belum tersedia otomatis selama 24 jam. Metode penelitian menggunakan Research and Development yang dipadukan dengan model Waterfall. Sistem dikembangkan menggunakan PHP Native, MySQL, Bootstrap 5, JavaScript, AJAX, PHPMailer, Dompdf, dan Groq API dengan model Llama-3.3-70b-versatile. Kebaruan penelitian terletak pada integrasi sistem PMB one gate system dengan AI Chatbot berbasis knowledge base, prompt engineering, dan context retrieval yang mampu membedakan layanan tamu dan mahasiswa login berdasarkan status pendaftaran. Hasil pengujian menunjukkan 35 skenario ahli sistem dan 36 skenario ahli materi seluruhnya valid dengan keberhasilan 100%. Evaluasi khusus chatbot menunjukkan akurasi dan relevansi respons tervalidasi 100%, sedangkan uji pengguna memperoleh efektivitas 95,86% dengan kategori sangat efektif. Sistem berkontribusi dalam memperkuat layanan PMB digital yang responsif, terpusat, dan kontekstual.
Pengembangan Framework Business Intelligence Berbasis Open Source di Institusi Pendidikan Tinggi Tirta Anhari; Nuroji Nuroji; Dwi Febriyadi
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.277

Abstract

Pengembangan solusi Business Intelligence (BI) berbasis open source semakin relevan untuk institusi akademik di Indonesia guna mengatasi masalah tingginya biaya BI komersial dan sulitnya mengintegrasikan sistem informasi lama (legacy systems). Makalah ini bertujuan merancang dan mengimplementasikan framework BI open source yang disesuaikan dengan arsitektur data perguruan tinggi. Penelitian ini menggunakan pendekatan deskriptif kualitatif melalui tahapan studi literatur, analisis kebutuhan pengguna (melibatkan 15 responden pemangku kepentingan), desain arsitektur integrasi, serta evaluasi implementasi. Hasil penerapan menunjukkan bahwa framework yang diusulkan—menggunakan PostgreSQL, Talend, dan Metabase/Apache Superset yang terintegrasi Single Sign-On (SSO)—berhasil memangkas waktu penyusunan laporan operasional hingga 70% dan meningkatkan aksesibilitas data. Temuan utama menegaskan bahwa keberhasilan adopsi BI open source tidak hanya dipengaruhi oleh integrasi teknologi, tetapi sangat bergantung pada manajemen perubahan dan literasi data pengguna. Studi ini berkontribusi memberikan model arsitektur tata kelola data yang aman, hemat biaya, dan siap direplikasi oleh sektor pendidikan tinggi.
Analisis Clustering Pemerataan Fasilitas Pendidikan Desa di Indonesia Menggunakan Metode K-Means Berbasis Data BPS Tahun 2025 Gamaliel Jones Gerardo Hutapea; Damayanti Damayanti
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.284

Abstract

Pemerataan fasilitas pendidikan desa merupakan salah satu faktor penting dalam mendukung pembangunan pendidikan yang berkelanjutan di Indonesia. Perbedaan ketersediaan fasilitas pendidikan antar wilayah dapat menyebabkan terjadinya ketimpangan akses pendidikan pada setiap provinsi. Penelitian ini bertujuan untuk melakukan clustering pemerataan fasilitas pendidikan desa di Indonesia menggunakan metode K-Means Clustering berdasarkan data Badan Pusat Statistik (BPS) Tahun 2025. Variabel yang digunakan dalam penelitian meliputi Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP), Sekolah Menengah Atas (SMA), Sekolah Menengah Kejuruan (SMK), dan Perguruan Tinggi (PT). Penelitian ini menggunakan pendekatan kuantitatif berbasis data mining dengan tahapan analisis meliputi pengumpulan data, normalisasi data menggunakan metode Min-Max Normalization, penentuan jumlah cluster optimal menggunakan Elbow Method, dan proses clustering menggunakan aplikasi IBM SPSS Statistics. Hasil penelitian menunjukkan bahwa jumlah cluster optimal yang diperoleh adalah empat cluster. Mayoritas provinsi berada pada cluster dengan tingkat pemerataan fasilitas pendidikan rendah, sedangkan hanya beberapa provinsi yang berada pada cluster dengan tingkat pemerataan tinggi. Hasil penelitian ini menunjukkan bahwa pemerataan fasilitas pendidikan desa di Indonesia masih belum merata antar wilayah. Penelitian ini diharapkan dapat menjadi bahan pertimbangan dalam mendukung pengambilan kebijakan pembangunan pendidikan yang lebih tepat sasaran.
Peningkatan Akurasi Klasifikasi Risiko Serangan Jantung Menggunakan Feature Selection dan Random Forest dengan Pendekatan Cross Validation Bima Aditya; Erliyan Redi Susanto
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.289

Abstract

Penyakit kardiovaskular, khususnya serangan jantung, menyumbang beban morbiditas dan mortalitas tertinggi di Indonesia, namun pengembangan model prediktif berbasis machine learning untuk skrining dini menghadapi tantangan fundamental berupa ketidakseimbangan kelas (class imbalance), dimensionalitas fitur tinggi, serta risiko overfitting pada evaluasi konvensional. Penelitian ini bertujuan membangun pipeline klasifikasi yang sistematis dengan menangani ketidakseimbangan data, mereduksi redundansi fitur, dan mengevaluasi generalisasi model secara robust. Dataset Heart Attack Prediction Indonesia terdiri dari 158.355 sampel dengan 27 fitur prediktor. Tahapan metodologi meliputi prapemrosesan data, penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE) kustom dengan k-nearest neighbors = 5, seleksi fitur dua-tahap berbasis Mutual Information dan Random Forest Feature Importance dengan SelectFromModel, serta pelatihan model Random Forest yang dioptimasi melalui penyetelan hyperparameter. Evaluasi performa dilakukan dengan Stratified 5-Fold Cross-Validation menggunakan metrik accuracy, precision, recall,F1-score, dan ROC-AUC. Hasil menunjukkan bahwa SMOTE berhasil menyeimbangkan distribusi kelas menjadi 94.854 sampel per kelas (rasio 1:1), sementara seleksi fitur mereduksi 27 fitur menjadi 13 fitur terpilih yang klinis relevan. Evaluasi pada data full resampled menghasilkan performa mendekati sempurna (ROC-AUC 0,9997), namun Stratified 5-Fold Cross-Validation mengungkapkan estimasi yang lebih realistis dengan rata-rata accuracy 0,7758, precision 0,7943, recall 0,7444, F1-score 0,7685, dan ROC-AUC 0,8721. Temuan ini mengidentifikasi generalization gap sebesar ~21,5 poin persentase yang mengindikasikan adanya data leakage struktural akibat implementasi SMOTE sebelum validasi silang. Kontribusi utama penelitian ini terletak pada demonstrasi pipeline end-to-end yang mengintegrasikan teknik resampling,seleksi fitur berbasis domain, dan evaluasi robust, sekaligus memberikan argumentasi kritis mengenai interpretasi metrik pada data sintetis dan perlunya estimasi performa berbasis cross-validation sebagai acuan klinis yang lebih valid.
Implementasi Finite State Machine dan Fisher-Yates Shuffle pada Game Platformer 2D Edukasi Berbasis Godot Engine Muhamad Davi Ferzagie; Reza Augusta Jannatul Firdaus
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.292

Abstract

Pengelolaan aktivitas karakter dan penyajian konten yang bervariasi merupakan dua aspek penting dalam pengembangan game platformer 2D edukasi. Perubahan aktivitas karakter yang terjadi secara cepat berpotensi menimbulkan konflik logika apabila tidak dikelola secara terstruktur, sedangkan penyajian soal yang berulang dapat mengurangi tingkat tantangan dan keterlibatan pemain. Penelitian ini bertujuan mengimplementasikan Finite State Machine (FSM) untuk mengelola aktivitas karakter pemain dan algoritma Fisher-Yates Shuffle untuk mengacak urutan soal pada game platformer 2D edukasi Archipellago Hollow berbasis desktop menggunakan Godot Engine. FSM diterapkan pada delapan state karakter yang terdiri dari Idle, Walk, Jump, Fall, Attack, Interact, Hurt, dan Dead. Sementara itu, algoritma Fisher-Yates Shuffle digunakan untuk mengacak 20 soal sehingga menghasilkan kombinasi soal yang berbeda pada setiap sesi permainan. Evaluasi sistem dilakukan melalui Black Box Testing, validasi metode, dan User Acceptance Testing (UAT). Hasil pengujian menunjukkan bahwa seluruh fungsi sistem berjalan dengan tingkat keberhasilan 100%. Validasi FSM menghasilkan transisi state yang valid dengan waktu respons di bawah 16 ms. Algoritma Fisher-Yates Shuffle mampu menghasilkan distribusi soal yang lebih merata dibandingkan metode random biasa dengan waktu eksekusi kurang dari 0,01 detik. Selain itu, hasil UAT yang melibatkan 61 responden memperoleh nilai rata-rata 4,47 pada kategori sangat memuaskan. Hasil penelitian menunjukkan bahwa integrasi FSM dan Fisher-Yates Shuffle mampu meningkatkan konsistensi perilaku karakter sekaligus menghasilkan variasi soal yang lebih dinamis dalam permainan.
Perbandingan Ruang Warna HSV dan LAB pada Klasifikasi Tingkat Roasting Biji Kopi Menggunakan Jaringan Syaraf Tiruan Backpropogation Uswatun Hasanah; Sulfayanti Sulfayanti; Nurhikma Arifin
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.301

Abstract

Kopi menjadi salah satu jenis tanaman perkebunan yang memiliki nilai ekonomis tinggi dan telah lama dibudidayakan oleh masyarakat Indonesia, namun banyak petani dan produsen kopi masih kesulitan dalam menentukan tingkat hasil penyangraian (roasting) biji kopi. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan tahapan biji kopi roasting secara konsisten. Penelitian ini berfokus pada implementasi fitur HSV dan LAB untuk membandingkan efektivitas masing-masing fitur dalam mengidentifikasi variansi warna berdasarkan tingkat roasting biji kopi yang diklasifikasikan menggunakan algoritma Jaringan Syaraf Tiruan (JST) Backpropogation. Klasifikasi ini terdiri dari 4 kategori kelas yaitu green bean, light roast, medium roast dan dark roast. Dataset yang digunakan mencangkup 1600 citra tingkat roasting biji kopi yang dibagi menjadi 1200 data latih dan 400 data uji. Data latih terdiri dari 300 citra sedangkan data uji terdiri dari 100 citra untuk masing-masing tingkat kategori roasting. Proses eksperimen dilakukan dengan pengujian beberapa variasi parameter jaringan untuk memperoleh konfigurasi terbaik. Variasi yang diuji meliputi arsitektur jaringan 3-7-4 dan 3-8-4, fungsi aktivasi menggunakan sigmoid dan softmax, learning rate sebesar 0,005, 0,01, dan 0,05, serta jumlah epoch sebanyak 1000, 1500, dan 2000. Berdasarkan hasil pengujian, kinerja terbaik pada fitur HSV diperoleh dengan tingkat akurasi sebesar 99,25%, sedangkan fitur LAB menghasilkan akurasi tertinggi sebesar 99,75%. Hasil tersebut menunjukkan bahwa fitur LAB mampu memberikan kinerja klasifikasi yang lebih baik dibandingkan fitur HSV dalam mengenali perbedaan tingkat roasting biji kopi. Penelitian ini diharapkan dapat diimplementasikan secara langsung untuk membantu petani dan produsen kopi dalam membedakan tingkat roasting biji kopi.
Application of AI Agentic Workflow Algorithms in Contemporary Business Process Automation Dita Novita Sari; Ricco Herdiyan Saputra
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.307

Abstract

Contemporary business process automation faces a critical anomaly: conventional Robotic Process Automation (RPA) frameworks often experience fatal runtime crashes when encountering minor structural variations in enterprise documents. This instability triggers severe operational bottlenecks and exponentially increases manual intervention costs. To resolve this fragility, this study proposes and evaluates a novel AI Agentic Workflow architecture based on Multi-Agent Reinforcement Learning. The dynamic system orchestrates specialized sub-agents, specifically Planning, Tool-Execution, and Self-Reflection agents, to enable autonomous fault tolerance and contextual reasoning without relying on rigid scripts. Experimental testing was conducted across standard, structural drift, and ambiguous input scenarios using 5,000 synthetic and real-world supply chain documents. The empirical results demonstrate that the multi-agent architecture drastically outperforms legacy RPA and single-prompt Large Language Models, achieving a 98.9% Task Success Rate under severe structural drift. Furthermore, the system recorded a 99.2% Error Self-Correction Efficiency, successfully resolving runtime faults autonomously without human triage. Although the cognitive reasoning loops introduced an increased mean latency of 19.8 seconds, the computational trade-off is justified by the elimination of technical debt. Ultimately, this framework ensures highly adaptive enterprise resource planning ecosystems, safeguarding business continuity against unpredictable data fluctuations and volatile external integrations.
Dampak Prapemrosesan Citra dan Teks Terhadap Tingkat Akurasi OCR dan Skor ROUGE Fajar Hamdani; Esa Fauzi
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.315

Abstract

Dokumen digital berformat PDF yang memuat tulisan tangan atau hasil pindaian beresolusi rendah sering kali sulit untuk diekstraksi informasinya. Penelitian ini mengkaji dampak prapemrosesan citra dan teks dalam meningkatkan akurasi proses ekstraksi menggunakan teknologi Optical Character Recognition (OCR) serta peringkasan otomatis menggunakan Natural Language Processing (NLP). Fokus penelitian tidak diarahkan pada perancangan model OCR atau NLP baru, melainkan pada signifikansi tahapan prapemrosesan terhadap kualitas teks masukan pada sistem. Tahapan prapemrosesan citra yang diterapkan bersifat adaptif, meliputi pemotongan area teks, deskew, resize bikubik, konversi grayscale, denoising, Contrast Limited Adaptive Histogram Equalization (CLAHE), Gaussian blur, adaptive threshold, dan morfologi opening. Teks hasil OCR kemudian dibersihkan dan diperbaiki secara adaptif sebelum diringkas menggunakan model T5 bahasa Indonesia. Hasil pengujian terhadap 23 sampel dokumen menunjukkan bahwa intervensi prapemrosesan berhasil meningkatkan akurasi pengenalan karakter dari 65,31% menjadi 75,10%. Selain itu, pada tahap evaluasi peringkasan teks juga terjadi peningkatan skor ROUGE-1 dari 21,89% menjadi 32,24%, ROUGE-2 dari 8,69% menjadi 16,16%, dan ROUGE-L dari 16,93% menjadi 26,43%. Hasil pengujian ini membuktikan bahwa tahapan prapemrosesan citra dan teks sangat penting dalam memperbaiki kinerja pengenalan karakter dan peringkasan dokumen
Error Checker Berbasis Neural Network pada Pembentukan Soal Cerita Matematika Dasar Ferri Nurdiansah; Agung Prasetya; Taufiq Agung Cahyono
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.316

Abstract

Soal cerita matematika (Math Word Problem/MWP) berperan penting dalam melatih kemampuan penalaran logis siswa Sekolah Dasar. Perkembangan Large Language Model (LLM) telah memungkinkan pembuatan soal secara otomatis, namun soal yang dihasilkan kerap mengandung berbagai jenis kesalahan. Penelitian ini bertujuan: (1) mengembangkan dataset MWP berbahasa Indonesia beranotasi 11 kategori kesalahan secara multi-label; (2) merancang model multi-label classification berbasis IndoBERT dan Feed Forward Neural Network (FFNN) untuk mendeteksi kesalahan secara simultan; serta (3) mengevaluasi kinerja model menggunakan metrik Micro F1-Score, Macro F1-Score, dan Hamming Loss. Dataset dikembangkan melalui error-inducing prompting, menghasilkan 2.517 soal cerita yang dianotasi secara manual oleh dua anotator dengan rasio pembagian 80:20 menggunakan stratified random sampling. Model dilatih selama 40 epoch dengan Binary Cross Entropy loss dan optimizer AdamW. Model optimal diperoleh pada epoch ke-13 dengan validation loss 0,2616. Evaluasi pada testing set menghasilkan Micro F1-Score sebesar 0,7657, Macro F1-Score sebesar 0,7631, dan Hamming Loss sebesar 0,1387. Topic Unsafety mencapai F1-Score sempurna (1,000) dan Misspellings mendekati sempurna (0,986), sementara Grade Mismatch menjadi kategori paling sulit dideteksi (F1 = 0,591). Penelitian ini menyimpulkan bahwa pendekatan multi-label classification berbasis IndoBERT efektif untuk deteksi error pada MWP berbahasa Indonesia.
Analisis Groundedness Model LLM dalam Pembentukan Soal Cerita Matematika dari Teks Bacaan Berbahasa Indonesia Feri Andriawan Saputra; Agung Prasetya; Mohamad Khoirul Ansor
Journal of Artificial Intelligence and Technology Information (JAITI) Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress)
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jaiti.v4i3.317

Abstract

Soal cerita matematika (Math Word Problem/MWP) merupakan instrumen evaluasi penting yang mengintegrasikan kemampuan literasi dan numerasi. Perkembangan Large Language Model (LLM) membuka peluang otomatisasi pembuatan MWP dari teks bacaan. Namun, tantangan utama adalah fenomena hallucination yang menurunkan kualitas pedagogis soal. Penelitian ini bertujuan: (1) mengembangkan kerangka evaluasi groundedness berbasis enam aspek sebagai produk utama, dan (2) mengevaluasi tingkat groundedness MWP yang dihasilkan model gemma3:1b dari teks bacaan berbahasa Indonesia. Pendekatan Research and Development (R&D) dengan model ADDIE digunakan. Enam aspek groundedness dikembangkan: Entity Consistency (EC), Event Consistency (EV), Context Alignment (CA), Semantic Alignment (SA), Numerical Groundedness (QN), dan Question Relevance (QR), masing-masing dinilai menggunakan skala biner 0–1. Evaluasi dilakukan terhadap 460 soal cerita matematika valid dari empat teks bacaan BSE SD Kurikulum Merdeka menggunakan model gemma3:1b dengan lima konfigurasi parameter (E1–E5). Hasil menunjukkan gemma3:1b grounded pada teks sederhana–menengah (Teks 1: 73,25%; Teks 3: 75,91%) namun gagal pada teks kompleks (Teks 4: 47,22%). Konfigurasi E3 (temperature=0,3; top_p=0,9) memberikan keseimbangan terbaik. Kerangka evaluasi terbukti reliabel dengan Cohen's Kappa 0,68–0,81.

Page 10 of 11 | Total Record : 106

 7   8   9   10   11 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 4 No. 3 (2026): Volume 4 Number 3 September 2026 (Issue in Progress) Vol. 4 No. 2 (2026): Volume 4 Number 2 June 2026 Vol. 4 No. 1 (2026): Volume 4 Number 1 March 2026 Vol. 3 No. 4 (2025): Volume 3 Number 4 December 2025 Vol. 3 No. 3 (2025): Volume 3 Number 3 September 2025 Vol. 3 No. 2 (2025): Volume 3 Number 2 June 2025 Vol. 3 No. 1 (2025): Volume 3 Number 1 March 2025 Vol. 2 No. 4 (2024): Volume 2 Number 4 December 2024 Vol. 2 No. 3 (2024): Volume 2 Number 3 September 2024 Vol. 2 No. 2 (2024): Volume 2 Number 2 June 2024 Vol. 2 No. 1 (2024): Volume 2 Number 1 March 2024 Vol. 1 No. 4 (2023): Volume 1 Number 4 December 2023 Vol. 1 No. 3 (2023): Volume 1 Number 3 September 2023 Vol. 1 No. 2 (2023): Volume 1 Number 2 June 2023 Vol. 1 No. 1 (2023): Volume 1 Number 1 March 2023 More Issue