cover
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
ISSN : 14122693     EISSN : 23562579     DOI : -
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 821 Documents
Klasifikasi Kualitas Kopra dengan Local Binary Pattern (LBP) dan Hue Saturation Value (HSV) Menggunakan Algoritma Support Vector Machine (SVM) Nur Jayanti Putri S; Sulfayanti Sulfayanti; Nurhikma Arifin
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16716

Abstract

Kopra merupakan salah satu komoditas unggulan yang memiliki nilai ekonomi tinggi, namun proses penilaian kualitasnya masih dilakukan dengan metode konvensional sehingga rentan terhadap subjektivitas dan ketidakkonsistenan hasil. Penelitian ini bertujuan untuk membangun model klasifikasi kualitas kopra secara otomatis menggunakan kombinasi fitur tekstur Local Binary Pattern (LBP) dan fitur warna Hue Saturation Value (HSV) dengan algoritma Support Vector Machine (SVM) kernel RBF. Pendekatan ini memanfaatkan teknologi pengolahan citra digital yang mampu membedakan kelas kualitas kopra secara otomatis berdasarkan karakteristik visual tekstur dan warna. Pengujian dilakukan dalam tiga skenario menggunakan masing – masing fitur tekstur, fitur warna serta gabungan keduanya, dengan memvariasikan nilai parameter C dan gamma untuk memperoleh kombinasi terbaik. Hasil pengujian menunjukkan bahwa skenario LBP-SVM menghasilkan akurasi sebesar 86,21%, skenario HSV-SVM sebesar 98,12%, dan skenario LBP-HSV-SVM menghasilkan akurasi tertinggi sebesar 98,75% pada parameter C=1 dan gamma=0,1. Penggabungan fitur LBP dan HSV terbukti mampu merepresentasikan karakteristik visual kopra dari aspek tekstur dan warna secara bersamaan, sehingga menghasilkan kemampuan klasifikasi antar kelas yang lebih optimal. Kata kunci - kopra, Local Binary Pattern, Hue Saturation Value, Support Vector Machine, klasifikasi kualitas.
Perbandingan Linear Regression dan Random Forest untuk Prediksi Harga Cryptocurrency Hadid Abdilla; Heni Sulistiani
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

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

Abstract

Perkembangan Cryptocurrency yang pesat menjadikan aset digital seperti BNB dan ETH semakin diminati oleh investor, namun volatilitas harga yang tinggi juga meningkatkan risiko kerugian. Oleh karena itu, diperlukan metode prediksi yang dapat membantu memahami arah pergerakan harga secara lebih terukur. Penelitian ini bertujuan untuk memperkirakan pergerakan harga aset Cryptocurrency secara berbasis data. Penelitian ini juga bertujuan untuk mengukur kemampuan model dalam menangkap pola harga pada aset yang bersifat volatil menggunakan pendekatan Machine Learning, yaitu Random Forest Regression dan Linear Regression. Data yang digunakan berupa data historis periode 2020-2025. Proses pengolahan data meliputi preprocessing data, penerapan model Machine Learning dan evaluasi kinerja model menggunakan MSE, R², dan MAPE. Hasil penelitian menunjukkan bahwa model Random Forest Regression dan Linear Regression memiliki performa yang berbeda dalam memprediksi harga Cryptocurrency BNB dan ETH. Linear Regression menghasilkan MAPE 5,14% pada BNB dan 8,17% pada ETH. Sementara itu, Random Forest Regression menunjukkan performa yang lebih rendah dengan MAPE 15,02% pada BNB dan 9,65% pada ETH. Nilai tersebut menunjukkan tingkat kesalahan prediksi yang bervariasi. Dengan demikian, Linear Regression dinilai lebih mampu menangkap pola data yang kompleks dan fluktuatif, sehingga lebih direkomendasikan sebagai model prediksi harga Cryptocurrency dalam penelitian ini. Kata kunci : Random Forest Regression; Linear Regression; Cryptocurrency; BNB; ETH; Machine Learning
Sistem Pendukung Keputusan Rekomendasi Lineup Magic Chess: Go Go Berbasis Entropy-TOPSIS Berdasarkan Commander Pemain, Commander Lawan, dan Rank Syafrillah Astro Heriadi; Bondan Wahyu Pamekas; Moh. Muhtarom
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16765

Abstract

Penelitian ini mengembangkan sistem pendukung keputusan rekomendasi lineup Magic Chess: Go Go berbasis Entropy-TOPSIS, minimum support, dan Laplace smoothing. Filtering kontekstual dan fallback bertingkat hanya digunakan untuk membentuk kandidat, sedangkan alternatif dikelompokkan berdasarkan sinergi utama dan hero core. Alternatif dengan dukungan kurang dari tiga pertandingan dikeluarkan dari peringkat utama, sementara win rate dan top 4 rate dikoreksi menggunakan prior Beta(1,1) untuk mengurangi nilai ekstrem pada sampel kecil. Pada input Guinevere melawan Nana di rank Mythical Honor, cakupan exact tidak menghasilkan data, sedangkan cakupan commander pemain plus rank menghasilkan 8 pertandingan yang membentuk 7 alternatif, tetapi tidak satu pun memenuhi minimum support. Sistem kemudian memilih fallback berdasarkan rank yang memuat 420 pertandingan, 62 alternatif memenuhi syarat, dan 61 alternatif dikeluarkan. Tiga rekomendasi teratas adalah 4 Bruiser dengan Belerick (0,667866), 4 Stargazer dengan Luo Yi (0,640921), dan 4 Heartbond dengan Fanny (0,599140). UAT dilaksanakan terhadap 23 responden pada 25-31 Juli 2026 dan menghasilkan rata-rata penerimaan 84,42% serta keberhasilan tugas 95,65%. Namun, relevansi terhadap commander dan matchup masih lebih rendah karena seluruh kasus uji mencapai fallback berdasarkan rank. Metode revisi mencegah alternatif satu pertandingan mendominasi peringkat dan menampilkan batas kekuatan bukti setiap rekomendasi secara transparan.   Kata kunci - TOPSIS, sistem rekomendasi, Magic Chess: Go Go, lineup, sistem pendukung keputusan.
Sistem Kontrol Nutrisi dan Suhu Pada Tanaman Hidroponik Pakcoy Menggunakan Metode Threshold Sitti Hawa; Musyrifah Musyrifah; Muh.Imam Quraisy
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16797

Abstract

Budidaya tanaman pakcoy menggunakan sistem hidroponik memerlukan pengawasan parameter nutrisi dan suhu udara, namun proses pemantauan nilai nutrisi dan suhu udara secara konvensional sering kali tidak konsisten dan tidak efisien waktu oleh karena itu penelitian ini bertujuan untuk membuat sistem kontrol nutrisi dan suhu pada tanaman hidroponik pakcoy menggunakan metode threshold, sistem ini menggunakan sensor TDS dan DHT22 sebagai input parameter dimana threshold  diterapkan untuk mengaktifkan dan menonaktifkan akuator  secara otomatis melalui protokol komunikasi MQTT agar dapat di akses dimanapun, Pendekatan yang diterapkan dalam penelitian ini menggunakan metode Penelitian dan Pengembangan atau Research and Development (R&D), yang terdiri dari beberapa tahap, yaitu analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Hasil pengujian menunjukkan bahwa algoritma threshold telah berhasil di terapkan pada sistem ini, sistem kontrol nutrisi membutuhkan durasi waktu selama 59 detik untuk menaikkan kepekatan dari 25 PPM menuju target 900 PPM pada volume 3 liter air. Sementara itu, sistem pendingin berhasil menurunkan suhu udara dari 32 °C ke target ideal 27 °C dengan durasi selama 1416 detik, dan pengujian komunikasi MQTT menunjukkan semua data berhaisl dikirim dengan persentase keberhasilan 100%. Hasil penelitian menujukan bahwa sistem yang dibuat dapat memantau dan mengontrol nutrisi dan suhu secara otomatis, real time, dan lebih efisien sehingga dinilai mampu memberikan kontribusi positif dalam mendongkrak kapasitas produksi budidaya hidroponik pakcoy.   Kata Kunci: Internet of Things (IoT);Threshold; Nutrisi; Suhu; Hidroponik Pakcoy.
Explainable Machine Learning for Food Calorie Prediction Using Tree-Based Ensemble Models and SHAP Analysis Wilsen Grivin Mokodaser; Tonny Irianto Soewignyo; Argha Orion Silitonga; Regi Fernando Najoan
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16809

Abstract

Accurate food calorie prediction is essential for nutritional assessment, dietary planning, and intelligent health applications. However, achieving high predictive accuracy while maintaining model interpretability remains a challenge for many machine learning approaches. This study proposes an explainable machine learning framework for food calorie prediction using tree-based ensemble models and SHAP (SHapley Additive exPlanations). A dataset containing 1,346 food samples with three nutritional attributes-proteins, fat, and carbohydrate-was used. Data preprocessing included logarithmic transformation and an 80:20 train-test split. Three machine learning models, namely Linear Regression, Random Forest, and XGBoost, were developed and evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). Hyperparameter optimization for XGBoost was performed using RandomizedSearchCV with five-fold cross-validation. Experimental results showed that Random Forest achieved the best predictive performance with an MAE of 0.1149, RMSE of 0.2869, and an R² score of 0.9008, outperforming both XGBoost and Linear Regression. Cross-validation further demonstrated the robustness of the selected model, yielding a mean R² of 0.9316 with a standard deviation of 0.0239. Residual analysis indicated prediction errors centered near zero without noticeable systematic bias. SHAP analysis provided both global and local model interpretability, identifying carbohydrate as the most influential feature, followed by fat and proteins. The findings demonstrate that integrating tree-based ensemble learning with SHAP enables accurate and transparent calorie prediction, making the proposed approach suitable for nutritional decision support and explainable artificial intelligence applications.   Keywords - Food calorie prediction, Explainable artificial intelligence, SHAP, Random Forest, XGBoost, Machine learning, Nutritional analysis.
Analisis Kebutuhan Pengembangan Framework Game-Based Learning Berbasis AI–IoT untuk Peningkatan Kualitas Pembelajaran dan Otomatisasi Asesmen di Pendidikan Menengah Herin Dwibima Aprianto; Lubna Lubna; Anindhiasti Ayu Kususma Asri; Anip Moniva
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16811

Abstract

Perkembangan teknologi digital mendorong sekolah untuk mengadopsi pendekatan pembelajaran yang lebih inovatif, interaktif, dan berpusat pada peserta didik. Meskipun pemanfaatan Game-Based Learning (GBL), Artificial Intelligence (AI), dan Internet of Things (IoT) dalam pendidikan terus berkembang, penelitian yang mengkaji kebutuhan pengguna sebagai dasar pengembangan framework terintegrasi masih relatif terbatas. Penelitian ini bertujuan untuk menganalisis kebutuhan guru dan peserta didik terhadap pengembangan Framework Game-Based Learning berbasis AI–IoT untuk mendukung peningkatan kualitas pembelajaran dan otomatisasi asesmen di pendidikan menengah. Penelitian menggunakan pendekatan mixed-methods dengan desain analisis kebutuhan. Data dikumpulkan melalui kuesioner daring yang melibatkan 51 peserta didik dan 12 guru, serta wawancara semi-terstruktur terhadap lima guru. Hasil penelitian menunjukkan bahwa peserta didik memiliki tingkat kebutuhan yang tinggi (M = 3,95), sedangkan guru menunjukkan tingkat kebutuhan yang sangat tinggi (M = 4,58) terhadap framework yang diusulkan. Dimensi Learning Analytics, Automated Assessment, dan AI Feedback & Recommendation menjadi kebutuhan utama bagi kedua kelompok responden. Temuan wawancara mengungkapkan bahwa guru masih menghadapi kendala dalam proses asesmen manual, pemberian umpan balik, dan pemantauan perkembangan belajar siswa. Berdasarkan hasil analisis kebutuhan, penelitian ini mengusulkan framework yang terdiri atas enam komponen utama, yaitu Learning Content, Game-Based Learning, Automated Assessment, AI Feedback and Recommendation, Learning Analytics, dan IoT Integration. Framework tersebut diharapkan menjadi landasan bagi pengembangan sistem pembelajaran yang lebih adaptif, efisien, dan berkelanjutan. Keywords - Game-Based Learning; Artificial Intelligence; Internet of Things; Analisis Kebutuhan; Pendidikan Menengah
Automated Essay Scoring Berbahasa Indonesia Menggunakan Hybrid Retrieval-Augmented Generation dan Contrastive In-Context Learning Katon Suwida; Diana Purwitasari; Rizka Wakhidatus Sholikah
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16813

Abstract

Automated Essay Scoring (AES) untuk pendidikan biologi berbahasa Indonesia masih menghadapi tantangan akibat keterbatasan dataset beranotasi serta ketidakmampuan model encoder-only dalam mengaitkan proses penilaian dengan materi kurikulum. Meskipun Large Language Models (LLM) memiliki kemampuan generatif yang baik, penerapannya secara langsung masih menghadapi permasalahan halusinasi dan ketidaksesuaian dengan standar penilaian guru. Penelitian ini mengusulkan pipeline AES yang mengintegrasikan Hybrid Retrieval-Augmented Generation (RAG) dengan Question-Anchored Contrastive In-Context Learning (CICL). Hybrid retriever yang digunakan mengombinasikan sparse retrieval BM25, dense retrieval berbasis IndoBERT, serta automated keyword boosting. Studi ablasi terhadap 16 konfigurasi pada 312 esai biologi siswa sekolah menengah dilakukan untuk membandingkan paradigma zero-shot (Ollama) dan parameter-efficient fine-tuning (LoRA). Hasil menunjukkan bahwa penggabungan sederhana pada Hybrid RAG menyebabkan dilusi konteks. Kondisi ini membuat CICL berfungsi sebagai jangkar rubrik yang penting bagi model zero-shot (QWK = 0,7914). Temuan menarik mengungkap sebuah perbedaan perilaku: meskipun CICL meningkatkan kinerja model zero-shot, mekanisme ini justru bertindak sebagai informasi redundan yang menurunkan akurasi pada model LoRA (QWK = 0,8554) yang telah memiliki representasi internal. Temuan ini memberikan panduan empiris mengenai kapan penggunaan RAG dan CICL diperlukan dan kapan fine-tuning lebih sesuai untuk domain spesifik berbahasa Indonesia.   Kata Kunci - Automated Essay Scoring, Retrieval-Augmented Generation, Contrastive In-Context Learning, LoRA, Hybrid Retrieval, Pendidikan Biologi
Deteksi Kelelahan Real-Time Berbasis Pengolahan Citra Digital Sebagai Media Deteksi Perilaku Pengguna Rifki Noviandra Lestari; Dinda Ayu Permatasari; Gillang Al Azhar
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16841

Abstract

Kelelahan merupakan faktor tertinggi terjadinya kecelakaan kerja, hal ini disebabkan karena pendeteksian dan penanganan yang sangat lambat akibat tidak adanya penanganan dini ketika terjadi kelelahan. Oleh karena itu, dibutuhkan sebuah alat otomatis yang dapat mendeteksi terjadinya kelelahan kemudian memberikan alarm agar kelelahan segera bisa ditangani. Kelelahan ini dapat dideteksi melalui fitur fisik berupa gerakan kepala, gerakan mulut, dan posisi mata. Parameter-parameter ini dapat dideteksi menggunakan pengolahan citra digital, dimana aktivitas pengguna akan dipantau melalui kamera kemudian akan diklasifikasikan menggunakan metode YoloV8s-Pose dan Random Forest. Dengan sistem yang dirancang dan pengujian yang telah dilakukan, didapati akurasi dan tingkat kepercayaan sistem yang sangat tinggi yaitu pada kisaran akurasi 95% dengan Tingkat kepercayaan 0.83. Notifikasi telegram juga mempersingkat waktu pendeteksian dan penanganan terjadinya kelelahan. Oleh karena itu, dapat disimpulkan sistem ini secara akurat dan efektif berhasil mendeteksi dan menangani kelelahan dengan waktu yang singkat.   Kata kunci - Deteksi Objek, Kelelahan, Pengolahan Citra Digital, Sistem Peringatan Dini Otomatis, YoloV8
Penerapan Finite State Machine pada Gamifikasi Edukasi Literasi Gizi Berbasis Android Faisal Triaputra; Asep Budiman Kusdinar; Agung Pambudi
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16862

Abstract

Pencapaian tujuan Program Makan Bergizi Gratis (MBG) menuntut pemahaman siswa terhadap nutrisi makanan yang mereka konsumsi. Proses edukasi yang monoton sering kali menjadi kendala dalam meningkatkan literasi gizi siswa sekolah dasar. Penelitian ini membangun media gamifikasi literasi gizi berbasis Android bernama NutriVo dengan memanfaatkan algoritma Finite State Machine (FSM) dan pendekatan Game Development Life Cycle (GDLC). Aplikasi ini menghadirkan dua minigame edukasi, yaitu Nutri Dash dan Quiz Battle, serta fitur peningkatan level karakter yang mengonversi data nutrisi MBG. Konversi ini mengubah protein menjadi Health Point, karbohidrat beserta energi menjadi Power, dan serat menjadi Stamina. Tiga diagram state FSM mengatur alur logika minigame dan peningkatan karakter secara deterministik. Pengujian User Acceptance Testing (UAT) pada 17 siswa kelas 5 SDN Cisuda menghasilkan predikat Sangat Baik untuk fungsionalitas dan kemudahan penggunaan. Pengujian pre-test dan post-test menunjukkan peningkatan nilai rata-rata dari 40,00 menjadi 88,24, dengan rerata N-Gain Score 0,81 berkategori Tinggi. Hasil ini membuktikan peran NutriVo dalam mendorong peningkatan literasi gizi siswa penerima Program Makan Bergizi Gratis.   Kata Kunci - Gamifikasi, Literasi Gizi, NutriVo, Finite State Machine, Program Makan Bergizi Gratis
Perbandingan VGG16, ResNet50, dan EfficientNet-B0 untuk Klasifikasi Kematangan Jeruk Bali Raditya Bagja Saputra; Asril Adi Sunarto; Didik Indrayana
Techno.Com Vol. 25 No. 3 (2026): August 2026
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v25i3.16870

Abstract

Kematangan buah jeruk bali menentukan kualitas dan harga jualnya di pasaran, namun klasifikasi secara manual sering kali bersifat subjektif dan rawan kesalahan. Penelitian ini bertujuan untuk membandingkan performa tiga arsitektur Convolutional Neural Network (CNN) berbasis transfer learning, yaitu VGG16, ResNet50, dan EfficientNet-B0, dalam mengklasifikasikan kematangan jeruk bali ke dalam kategori matang dan belum matang. Sebanyak 700 gambar lokal digunakan dan dibagi dengan rasio 70:15:15 untuk data pelatihan, validasi, dan pengujian. Metode yang diusulkan meliputi praproses gambar, augmentasi data secara real-time, serta fine-tuning model menggunakan bobot ImageNet sebelum diimplementasikan ke dalam antarmuka web Streamlit. Hasil evaluasi pada 105 gambar uji menunjukkan bahwa VGG16 memperoleh akurasi tertinggi sebesar 96,19%. Model ResNet50 mencatatkan waktu inferensi tercepat, yaitu 103,98 ms/gambar dengan akurasi 94,29%, sementara EfficientNet-B0 memiliki ukuran penyimpanan paling efisien (30,3 MB) dengan akurasi 88,57%. Dapat disimpulkan bahwa arsitektur VGG16 merupakan solusi otomatis paling optimal untuk klasifikasi kematangan jeruk bali guna meminimalkan kerugian pascapanen.   Kata kunci - Convolutional Neural Network, Kematangan Buah, Jeruk Bali, Transfer Learning, VGG16

Filter by Year

2012 2026


Filter By Issues
All Issue Vol. 25 No. 3 (2026): August 2026 Vol. 25 No. 2 (2026): May 2026 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