cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Hanny Haryanto
Contact Email
hanny.haryanto@dsn.dinus.ac.id
Phone
-
Journal Mail Official
hanny.haryanto@dsn.dinus.ac.id
Editorial Address
-
Location
Kota semarang,
Jawa tengah
INDONESIA
Techno.Com: Jurnal Teknologi Informasi
Published by Universitas Dian Nuswantoro
ISSN : 14122693     EISSN : 23562579     DOI : -
Core Subject : Science, Engineering,
Computer Science & IT Engineering
Topik dari jurnal Techno.Com adalah sebagai berikut (namun tidak terbatas pada topik berikut) : Digital Signal Processing, Human Computer Interaction, IT Governance, Networking Technology, Optical Communication Technology, New Media Technology, Information Search Engine, Multimedia, Computer Vision, Information Retrieval, Intelligent System, Distributed Computing System, Mobile Processing, Computer Network Security, Natural Language Processing, Business Process, Cognitive Systems, Software Engineering, Programming Methodology and Paradigm, Data Engineering, Information Management, Knowledge Based Management System, Game Technolog
Arjuna Subject : -
Articles 754 Documents
 72   73   74   75   76 
Analisis Preferensi Pengunjung Wisata Kabupaten Pekalongan Menggunakan Algoritma Decision Tree Rizaludin, Muhamad; Hidayat, Husni; Hakim, Mujibul
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15171

Abstract

Pariwisata merupakan sektor strategis yang memiliki potensi besar dalam meningkatkan pertumbuhan ekonomi daerah, termasuk di kabupaten Pekalongan. Dalam upaya meningkatkan daya saing dan efektivitas promosi wisata, dibutuhkan pemahaman yang mendalam terhadap preferensi pengunjung. Penelitian ini bertujuan untuk menganalisis preferensi pengunjung wisata berdasarkan atribut demografis seperti jenis kelamin, usia, tingkat pendidikan, dan pekerjaan, serta kategori wisata yang diminati. Algoritma Decision Tree digunakan sebagai metode klasifikasi untuk memodelkan hubungan antara data demografis dan ketegori wisata yang dipilih. Tahapan penelitian meliputi pengumpulan data, preprocessing, pemisahan data menjadi training dan testing, pembangunan model Decision Tree, evaluasi kinerja model, hingga interpretasi hasil pohon keputusan. Data dikumpulkan dari 500 responden lokal melalui kuesioner online dan diproses secara sistematis meliputi imputasi nilai hilang, penghapusan duplikasi, validasi kategori, encoding numerik serta oversampling untuk menangani ketidakseimbangan kelas. Model klasifikasi dibangun menggunakan algoritma Decision Tree, dengan pembagian data latih dan uji. Evaluasi terhadap data uji menunjukkan akurasi sebesar 76,92%, dan model mampu menginterpretasikan faktor-faktor demografis yang paling efektif dalam memprediksi kategori wisata sesuai preferensi pengunjung.   Kata Kunci - Decision Tree, Preferensi Pengunjung Wisata, Klasifikasi Demografis, Rekomendasi Wisata
Sistem Deteksi Kesalahan Penulisan Karya Ilmiah Dengan Metode Natural Language Processing Pada Ejaan KBBI Prasetyo, Bagus Dwi; Sugiharto, Wibowo Harry; Ghozali, Muhammad Imam
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15219

Abstract

Penulisan karya ilmiah yang sesuai dengan kaidah Bahasa Indonesia merupakan hal penting dalam dunia akademik. Namun, masih banyak ditemui kesalahan ejaan dan penggunaan kata tidak baku dalam dokumen ilmiah. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi kesalahan penulisan karya ilmiah menggunakan metode Natural Language Processing (NLP) berbasis ejaan Kamus Besar Bahasa Indonesia (KBBI). Sistem dibangun menggunakan pendekatan Waterfall dengan implementasi berbasis web menggunakan Python dan library NLP seperti spaCy, Sastrawi, dan NLTK. Proses deteksi melibatkan tahapan case folding, tokenisasi, stemming, Named Entity Recognition (NER), pencocokan dengan database KBBI, serta koreksi ejaan menggunakan algoritma Levenshtein Distance. Evaluasi sistem dilakukan menggunakan dataset karya ilmiah yang telah dianotasi secara manual dan menghasilkan akurasi 92%, presisi 92%, recall 93%, dan F1-score 92%. Hasil tersebut menunjukkan bahwa sistem mampu mendeteksi kesalahan ejaan dengan baik dan memberikan saran perbaikan secara efektif. Penelitian ini diharapkan dapat membantu meningkatkan kualitas penulisan akademik di Indonesia. Kata Kunci – Natural Language Processing, KBBI, Deteksi Ejaan, Karya Ilmiah
Penerapan Autoencoder untuk Ekstraksi Fitur pada Model RF dan MLP dalam Deteksi Serangan SQL Injection Wargo, Franki Setyo; Muslim, Much Aziz
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15272

Abstract

Serangan SQL Injection (SQLi) merupakan ancaman serius bagi aplikasi web karena dapat mengeksploitasi kerentanan pada akses database untuk memanipulasi data sensitif, sehingga diperlukan sistem deteksi serangan yang lebih adaptif dan akurat. Urgensi ini muncul karena metode deteksi berbasis machine learning yang ada masih mengandalkan rekayasa fitur manual dan kurang responsif terhadap pola serangan baru. Penelitian terdahulu menunjukkan bahwa model seperti Random Forest (RF) dan Multi-Layer Perceptron (MLP) memiliki ketergantungan tinggi pada kualitas fitur manual, sehingga performanya tidak stabil. Penelitian ini bertujuan mengembangkan model deteksi SQLi yang lebih adaptif, efisien, dan tidak bergantung pada feature engineering manual. Autoencoder (AE) diusulkan sebagai automated feature extractor untuk mempelajari representasi laten berdimensi rendah secara mandiri. Hasil representasi laten non-linear akan digunakan sebagai input untuk model RF dan MLP. Selain akurasi, penelitian ini mengevaluasi latency dan throughput untuk menilai kinerja dalam skenario traffic nyata. Hasil eksperimen menunjukkan kombinasi Model MLP dan AE mencapai kinerja tertinggi dengan nilai akurasi 99,57% dan AUC 99,88%, Kombinasi ini juga menunjukkan efisiensi komputasi tinggi, ditunjukkan oleh latency rendah dan throughput tinggi, sehingga layak diterapkan pada traffic nyata. Penelitian selanjutnya disarankan mengeksplorasi arsitektur lebih dalam seperti encoder berbasis transformer untuk menghadapi pola serangan zero-day. Kata kunci - SQL Injection, Autoencoder, Random Forest, MLP, Machine Learning.
An XGBoost-Driven Intelligent Classification Model for Textile Product Quality Eligibility: A Case Study at PT ABC Textile Handayani, Yuni; Setiawan, Derry; Hidayat, Taufik; Waluyo, Tri Muji
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15447

Abstract

Product quality is a critical aspect of the textile industry because it determines whether a product meets the company’s quality standards. This study develops a product eligibility classification model using the XGBoost algorithm to support the Quality Control (QC) process at PT ABC Textile. The novelty of this research lies in positioning XGBoost as an interpretability-driven decision-support tool by integrating real QC inspection data, feature importance and SHAP-based interpretability analysis, and stratified 5-fold cross-validation to support practical QC decision-making. The dataset consists of 500 samples manually labeled based on the company’s quality criteria and includes four technical features: Yarn Strength, Knitting Density, Color, and Defect Level. Data preprocessing involved data cleaning, label transformation, and MinMaxScaler normalization. Model performance was evaluated using stratified 5-fold cross-validation to ensure robust and unbiased assessment. The experimental results demonstrate stable and high classification performance across all folds, with strong class-wise precision, recall, and F1-score values. Confusion matrix analysis indicates that the model performs particularly well in identifying Non-Eligible products, which is critical for minimizing quality risks in industrial applications. Overall, the proposed approach demonstrates that XGBoost can effectively support textile quality control as an interpretable and reliable decision-support system. Future work may explore dataset expansion and cost-sensitive learning to further enhance industrial applicability. Keywords – XGBoost; Classification; Textile Products, Quality Control, Data Mining
Analisis Sentimen Pada Media Sosial X Terhadap Pemimpin Muda Menggunakan Pendekatan Algoritma Support Vector Machine Effendi, Muhammad Makmun; Ermanto, Ermanto; Zy, Ahmad Turmudi; Siswandi, Arif
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15489

Abstract

Media sosial telah menjadi sarana utama bagi masyarakat untuk menyampaikan opini dan persepsi terhadap tokoh publik, termasuk pemimpin muda. Platform X (Twitter) menyediakan data teks yang kaya dan dinamis yang mencerminkan sentimen publik secara luas. Penelitian ini bertujuan untuk menganalisis sentimen pengguna media sosial X terhadap pemimpin muda menggunakan pendekatan algoritma Support Vector Machine (SVM). Dataset yang digunakan dalam penelitian ini terdiri dari 12.487 tweet yang dikumpulkan melalui teknik crawling pada rentang waktu Januari hingga Juni 2024. Tahapan praproses data meliputi case folding, penghapusan stopword, normalisasi, tokenisasi, stemming, pelabelan data, serta ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Selanjutnya, algoritma SVM diterapkan untuk mengklasifikasikan sentimen ke dalam tiga kelas, yaitu positif, negatif, dan netral. Evaluasi kinerja model dilakukan menggunakan confusion matrix dan metode 10-fold cross-validation. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen dengan baik, dengan nilai akurasi sebesar 84,66%, precision 84,12%, recall 83,74%, dan F1-score 83,93%. Analisis distribusi sentimen menunjukkan bahwa sentimen positif mendominasi dengan persentase 41,18%, diikuti sentimen negatif sebesar 34,64%, dan sentimen netral sebesar 24,18%. Temuan ini menunjukkan bahwa pendekatan SVM berbasis TF-IDF efektif digunakan untuk analisis sentimen pada data Twitter berskala besar serta mampu memberikan gambaran yang reliabel mengenai persepsi publik terhadap pemimpin muda.   Kata Kunci- Analisis Sentimen, Twitter, Pemimpin Muda, SVM, dan Media Sosial
Pengembangan Aplikasi Self-Assessment untuk Mengukur Efektivitas Implementasi Smart Village Hadian, Nur; Rizaludin, Muhamad; Fanani, M.Rudi
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15507

Abstract

Penelitian ini bertujuan untuk mengembangkan aplikasi evaluasi Smart Village berbasis self-assessment yang dapat digunakan oleh pemerintah desa dalam menilai efektivitas implementasi layanan digital secara mandiri. Seiring meningkatnya penerapan layanan digital desa, seperti website desa, aplikasi pelayanan, dan media informasi, sebagian besar desa belum memiliki instrumen evaluasi yang sederhana, terstruktur, dan mudah digunakan untuk mengukur manfaat nyata layanan tersebut bagi masyarakat. Ketiadaan mekanisme evaluasi yang jelas menyulitkan desa dalam mengidentifikasi kelemahan, tingkat pemanfaatan teknologi, serta merumuskan strategi pengembangan layanan digital. Penelitian ini menggunakan metode Research and Development (R&D) dengan model pengembangan V-Model yang meliputi analisis kebutuhan, perancangan sistem, implementasi aplikasi, pengujian bertahap, dan penyempurnaan produk. Pengumpulan data dilakukan melalui observasi, wawancara, dokumentasi, dan studi literatur terkait konsep Smart Village dan evaluasi teknologi. Hasil penelitian berupa aplikasi berbasis web dengan desain sederhana tanpa proses login kompleks, dilengkapi fitur pengisian indikator, visualisasi hasil evaluasi, riwayat penilaian, serta rekomendasi perbaikan berbasis skor. Hasil uji Smart Village sebesar 81,06 menunjukkan bahwa aplikasi ini efektif dalam memberikan gambaran objektif tingkat keberhasilan layanan digital desa dan mendukung pengambilan keputusan pengembangan desa secara berkelanjutan.   Kata Kunci - Smart Village, evaluasi digital, self-assessment, pengembangan aplikasi, V-Model
Prediksi Aktivasi Irigasi Menggunakan Data Kelembapan Tanah Multi-Sensor Berbasis Machine Learning pada Sistem IoT Wibowo, Ceorido Ghalib; Muslim, Much Aziz
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15517

Abstract

Efisiensi penggunaan air merupakan aspek krusial dalam pertanian modern, terutama di wilayah dengan keterbatasan sumber daya air. Penelitian ini bertujuan untuk memprediksi aktivasi irigasi menggunakan data kelembapan tanah multi-sensor berbasis Internet of Things (IoT) dengan pendekatan machine learning. Dataset terdiri dari lima sensor kelembapan tanah (moisture0–moisture4) beserta label aktivasi irigasi. Tahapan penelitian mencakup pembersihan data, normalisasi, rekayasa fitur temporal, serta pelatihan tiga algoritma klasifikasi: Logistic Regression, Random Forest, dan Gradient Boosting. Hasil evaluasi menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi 0.997, precision 0.990, recall 0.986, dan F1-Score 0.988. Gradient Boosting memperoleh F1-Score 0.965, sedangkan Logistic Regression mencapai 0.921. Temuan ini menunjukkan bahwa model berbasis ensemble lebih mampu menangkap kompleksitas pola kelembapan tanah dibandingkan pendekatan linier. Penelitian ini berkontribusi pada pengembangan sistem irigasi cerdas yang adaptif, efisien, dan berbasis data dalam implementasi smart farming. Kata kunci - IoT, kelembapan tanah, irigasi cerdas, machine learning, multi-sensor, prediksi irigasi
Analisis Sentimen Pelanggan Restoran Menggunakan Algoritma Multinomial Logistic Regression Hajrianti, Hajrianti; Hamrul, Heliawati; Cirua, A. Amirul Asnan
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15532

Abstract

Industri kuliner di Indonesia terus mengalami perkembangan pesat, termasuk dengan hadirnya merek nasional seperti Mie Gacoan yang baru membuka cabang di Sulawesi Barat Mamuju. Kehadiran restoran tersebut memunculkan beragam opini dari masyarakat yang disampaikan melalui ulasan pelanggan. Penelitian ini bertujuan untuk melakukan analisis sentimen pelanggan terkait layanan restoran dengan penerapan algoritma Multinomial Logistic Regression. Data dikumpulkan melalui dua sumber, yaitu ulasan pelanggan dari scraping Google Maps dan kuesioner, dengan total sebanyak 773 data ulasan yang melalui tahap preprocessing teks dan pembobotan TF-IDF. Penelitian ini juga menerapkan pendekatan Explainable AI dengan metode Local Interpretable Model-agnostic Explanations (LIME) guna memperjelas kata-kata yang paling berpengaruh terhadap hasil klasifikasi model. Berdasarkan hasil pengujian, algoritma Multinomial Logistic Regression mampu memberikan performa klasifikasi dengan akurasi mencapai 86,5%, presisi 86,3%, recall 86,5%, dan F1-score 85,8% dalam mengidentifikasi opini pelanggan restoran. Temuan ini menunjukkan bahwa metode berbasis Machine Learning dan Explainable AI dapat memberikan analisis sentimen terhadap persepsi pelanggan, sehingga menjadi referensi penting bagi pengambilan keputusan strategis dalam peningkatan kualitas layanan. Kata kunci - Sentimen Pelanggan, Multinomial Logistic Regression, TF-IDF, Explainable AI, LIME
Deteksi Adware Berbasis Machine Learning Menggunakan Cluster-Aware Stacking Ensemble Karfindo, Karfindo; Diponegoro, Muhammad; Mahendra, Yusril Eka; Arifin, Mohamad
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15641

Abstract

Adware pada Android mengganggu pengalaman pengguna serta meningkatkan risiko privasi dan keamanan. Sebagian studi deteksi adware masih dievaluasi dengan pembagian data acak, sehingga kurang merepresentasikan pergeseran distribusi (out-of-distribution/OOD). Penelitian ini mengevaluasi Cluster-Aware Stacking (CAS) dengan validasi silang berbasis klaster (C_ClusterOOD) agar estimasi kinerja lebih mendekati kondisi penerapan. Dataset CICMalDroid 2020 difilter menjadi dua kelas, adware dan benign, menghasilkan 3.045 sampel dengan 470 fitur numerik (1.253 adware; 1.792 benign). Pembagian hold-out 80:20 menggunakan skema anti-kebocoran berbasis grup. Model dasar meliputi Logistic Regression, Random Forest, Gradient Boosting, dan XGBoost, dengan Soft Voting sebagai pembanding. Pada evaluasi berbasis klaster, CAS memberikan performa yang kompetitif pada metrik F1 adware dan MCC. Pada uji hold-out, konfigurasi terbaik mencapai akurasi 0,977, F1 adware 0,972, dan MCC 0,952, dengan ROC-AUC mendekati 1,0. Hasil ini menunjukkan bahwa evaluasi berbasis klaster membantu memilih model yang lebih robust untuk deteksi adware Android. Kata Kunci – Android adware, machine learning, ensemble learning, stacking ensemble, out-of-distribution
Penerapan Metode WASPAS untuk Penentuan Prioritas Destinasi Wisata di Bali Berbasis Kuantifikasi Fasilitas dan Ulasan Digital Herdiana, I Kayan; Sudiantara, I Gede; Krismentari, Ni Kadek Bumi; Dewi, Ni Wayan Jeri Kusuma
Techno.Com Vol. 25 No. 1 (2026): February 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i1.15681

Abstract

Banyaknya pilihan destinasi wisata di Provinsi Bali seringkali menimbulkan kebingungan bagi wisatawan dalam menentukan lokasi yang paling optimal, terutama ketika dihadapkan pada pertimbangan antara biaya, jarak, dan kelengkapan fasilitas. Penelitian ini bertujuan membangun Sistem Pendukung Keputusan (SPK) untuk merekomendasikan prioritas destinasi wisata menggunakan metode Weighted Aggregated Sum Product Assessment (WASPAS). Studi ini membandingkan 10 destinasi wisata populer di Bali berdasarkan empat kriteria utama, yaitu Biaya Masuk, Jarak dari Bandara, Rating Ulasan Digital, dan Kelengkapan Fasilitas. Kebaruan penelitian terletak pada proses pra-pemrosesan data fasilitas menggunakan teknik kuantifikasi matriks biner terhadap lima indikator fisik untuk meningkatkan objektivitas penilaian. Pengolahan data dilakukan secara komputasi menggunakan algoritma Python. Hasil penelitian menunjukkan bahwa Pantai Melasti menempati peringkat pertama dengan nilai preferensi tertinggi (Qi = 0,7872). Uji sensitivitas parameter λ pada rentang 0,1–0,9 menghasilkan nilai korelasi Spearman sebesar 0,9636–1,0000 terhadap baseline (λ = 0,5), yang menunjukkan tingkat stabilitas perankingan yang sangat tinggi. Temuan ini membuktikan bahwa metode WASPAS memberikan rekomendasi yang konsisten dan robust terhadap variasi parameter. Penelitian ini diharapkan dapat menjadi rujukan bagi pengambil kebijakan dalam evaluasi dan pengembangan fasilitas destinasi wisata secara objektif.   Kata Kunci: SPK, Pariwisata Bali, WASPAS, Kuantifikasi Fasilitas, Python.

Page 75 of 76 | Total Record : 754

 72   73   74   75   76 

Filter by Year

2012 2026


Reset
Filter By Issues
All Issue Vol. 25 No. 1 (2026): February 2026 Vol. 24 No. 4 (2025): November 2025 Vol. 24 No. 3 (2025): Agustus 2025 Vol. 24 No. 2 (2025): Mei 2025 Vol. 24 No. 1 (2025): Februari 2025 Vol. 23 No. 4 (2024): November 2024 Vol. 23 No. 3 (2024): Agustus 2024 Vol. 23 No. 2 (2024): Mei 2024 Vol. 23 No. 1 (2024): Februari 2024 Vol. 22 No. 4 (2023): November 2023 Vol 22, No 3 (2023): Agustus 2023 Vol 22, No 2 (2023): Mei 2023 Vol. 22 No. 1 (2023): Februari 2023 Vol 21, No 4 (2022): November 2022 Vol 21, No 3 (2022): Agustus 2022 Vol 21, No 2 (2022): Mei 2022 Vol 21, No 1 (2022): Februari 2022 Vol 20, No 4 (2021): November 2021 Vol 20, No 3 (2021): Agustus 2021 Vol 20, No 2 (2021): Mei 2021 Vol 20, No 1 (2021): Februari 2021 Vol 19, No 4 (2020): November 2020 Vol 19, No 3 (2020): Agustus 2020 Vol 19, No 2 (2020): Mei 2020 Vol 19, No 1 (2020): Februari 2020 Vol. 18 No. 4 (2019): November 2019 Vol 18, No 3 (2019): Agustus 2019 Vol 18, No 2 (2019): Mei 2019 Vol 18, No 1 (2019): Februari 2019 Vol 17, No 4 (2018): November 2018 Vol 17, No 3 (2018): Agustus 2018 Vol 17, No 3 (2018): Agustus 2018 Vol 17, No 2 (2018): Mei 2018 Vol 17, No 1 (2018): Februari 2018 Vol 16, No 4 (2017): November 2017 Vol 16, No 3 (2017): Agustus 2017 Vol 16, No 2 (2017): Mei 2017 Vol 16, No 1 (2017): Februari 2017 Vol 15, No 4 (2016): November 2016 Vol 15, No 3 (2016): Agustus 2016 Vol 15, No 2 (2016): Mei 2016 Vol 15, No 1 (2016): Februari 2016 Vol 14, No 4 (2015): November 2015 (Hal. 242-342) Vol 14, No 3 (2015): Agustus 2015 (Hal. 165-241) Vol 14, No 2 (2015): Mei 2015 (Hal. 79-164) Vol 14, No 1 (2015): Februari 2015 (Hal. 1-78) Vol 13, No 4 (2014): November 2014 (Hal. 198-262) Vol 13, No 3 (2014): Agustus 2014 (Hal. 132-197) Vol 13, No 2 (2014): Mei 2014 (Hal. 69-131) Vol 13, No 1 (2014): Februari 2014 (Hal. 1-68) Vol 12, No 4 (2013): November 2013 (Hal. 188-240) Vol 12, No 3 (2013): Agustus 2013 (Hal. 136-187) Vol 12, No 2 (2013): Mei 2013 (Hal. 73-135) Vol 12, No 1 (2013): Februari 2013 (Hal. 1-72) Vol 11, No 4 (2012): November 2012 (Hal. 156-210) Vol 11, No 3 (2012): Agustus 2012 (Hal. 108-158) Vol 11, No 2 (2012): Mei 2012 (Hal. 55-106) Vol 11, No 1 (2012): Februari 2012 (Hal. 1-54) More Issue