cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fitri Indra Indikawati
Contact Email
fitri.indikawati@tif.uad.ac.id
Phone
-
Journal Mail Official
jurnalsarjana@tif.uad.ac.id
Editorial Address
Jl. Ringroad Selatan, Kragilan, Tamanan, Kec. Banguntapan, Bantul, Daerah Istimewa Yogyakarta 55191
Location
Kota yogyakarta,
Daerah istimewa yogyakarta
INDONESIA
Jurnal Sarjana Teknik Informatika
Published by Universitas Ahmad Dahlan
ISSN : 23385197     EISSN : 28093399     DOI : -
Core Subject : Science,
Computer Science & IT
JSTIE (Jurnal Sarjana Teknik Informatika) (E-Journal) adalah jurnal online ditujukan sebagai sarana publikasi dari makalah yang disarikan dari hasil penelitian mahasiswa Teknik Informatika. Focus and Scope: Rekayasa Perangkat Lunak (Software Engineering) Pengetahuan dan Data Mining (Data Mining) Teknologi Multimedia (Multimedia Technologies) Kecerdasan Buatan (Artificial Intelligents) Grafika Komputer (Computer Graphics) Sistem Informasi (Information Systems)
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 568 Documents
 53   54   55   56   57 
Klasifikasi Hoaks Indonesia: Support Vector Machine, Long Short-Term Memory, dan IndoBERT Iqbal Febryan Santoso; Alviando Desta Praditya; Muhammad Ariel Eka Ramadani; Anggraini Puspita Sari; Addien Haniefardy
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32594

Abstract

Informasi palsu (hoaks) yang semakin cepat menyebar di berbagai platform digital di Indonesia menjadi permasalahan yang menyulitkan proses verifikasi manual. Penelitian ini membandingkan kinerja tiga pendekatan klasifikasi teks, yaitu Support Vector Machine (SVM), Long Short-Term Memory (LSTM), dan IndoBERT, pada dataset berita berbahasa Indonesia yang terdiri atas 23.598 data dengan distribusi kelas yang relatif seimbang. Penelitian menguji dua kondisi masukan, yaitu teks utuh setelah pembersihan awal dan teks yang memperoleh preprocessing lanjutan berupa stopword removal serta stemming. Pengujian dilakukan menggunakan pembagian data yang sama dan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score. Hasil perbandingan utama menggunakan kondisi teks utuh menunjukkan bahwa IndoBERT memperoleh kinerja tertinggi dengan akurasi 99,17%, diikuti SVM sebesar 98,25% dan LSTM sebesar 95,87%. Eksperimen ablation menunjukkan bahwa penggunaan preprocessing lanjutan justru menurunkan kinerja seluruh model pada dataset ini. Pada SVM, akurasi turun 0,34 poin persentase menjadi 97,91%; pada LSTM, akurasi turun 8,31 poin persentase menjadi 87,56%; sedangkan pada IndoBERT penurunannya sebesar 1,22 poin persentase menjadi 97,95%. Temuan tersebut menunjukkan bahwa preprocessing agresif tidak selalu meningkatkan representasi fitur dan efektivitasnya bergantung pada karakteristik data serta mekanisme pemrosesan model. Hasil ini menunjukkan bahwa mempertahankan teks utuh menjadi pilihan yang lebih tepat pada dataset penelitian, sementara perbandingan antararsitektur menegaskan keunggulan IndoBERT dalam memahami konteks bahasa Indonesia. Temuan ini memberikan implikasi bahwa pemilihan preprocessing perlu divalidasi secara empiris dan tidak semata-mata ditentukan berdasarkan asumsi karakteristik arsitektur. Evaluasi juga dianalisis melalui matriks konfusi pada data uji.
Prediksi Curah Hujan Jangka Pendek Menggunakan Stacking Random Forest dan XGBoost Hanisa; Martaleli Bettiza; Feri Irawan
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32644

Abstract

Kecamatan Serpong, Kota Tangerang Selatan merupakan wilayah rentan banjir akibat curah hujan tinggi. Salah satu kejadian signifikan terjadi pada 11 November 2024, ketika curah hujan mencapai 150 mm/hari dan menyebabkan banjir setinggi 50-150 cm yang menggenangi permukiman, jalan utama, dan fasilitas umum. Kondisi ini mendorong pengembangan model prediksi curah hujan 30 menit ke depan sebagai dasar sistem peringatan dini. Penelitian ini menggunakan teknik stacking ensemble dengan Random Forest dan XGBoost sebagai base learner serta XGBoost sebagai meta learner. Data yang digunakan berasal dari Stasiun AQMS Kota Tangerang Selatan tahun 2024, sebanyak 16.766 data dengan interval 30 menit, terdiri atas variabel kecepatan angin, arah angin, kelembaban, suhu, tekanan udara, solar radiation, dan curah hujan. Tahapan preprocessing meliputi pengecekan kelengkapan data, pengembalian indeks waktu yang hilang menggunakan reindex, dan penanganan missing value. Missing value ditangani menggunakan interpolasi linear, sedangkan arah angin ditransformasi menggunakan sin dan cos. Feature engineering dilakukan dengan membentuk lag_1, lag_2, hour_sin, dan hour_cos untuk merepresentasikan informasi historis dan pola siklus harian. Pemodelan dilakukan melalui hyperparameter tuning menggunakan Grid Search CV dengan skema time-series split (K=5), pembentukan meta feature berbasis out of fold prediction, dan pelatihan meta learner. Hasil pengujian menunjukkan model stacking mencapai RMSE 0,0517, MAE 0,0085 dan R2 0,8257. Sebagai perbandingan model tunggal, XGBoost menghasilkan performa terbaik dengan RMSE 0,0317, MAE 0,0048 dan R2 0,9343, sedangkan Random Forest menghasilkan RMSE 0,0424, MAE 0,0122 dan R2 sebesar 0,8828. Model diintegrasikan ke aplikasi web RainCast berbasis Streamlit untuk prediksi interaktif. Berdasarkan hasil tersebut, stacking belum mampu mengungguli performa model tunggal.
Rancang Bangun Sistem Informasi Operasional CLEAR TASK di PT Lion Express Sigit Setiarso; Ridwansyah Ridwansyah; Syamsul Bakhri
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32696

Abstract

Bagian Network Development PT Lion Express masih menghadapi kendala dalam pencatatan tugas, pembagian pekerjaan, pemantauan progres, visualisasi wilayah operasional, rekap monitoring, dan pengelolaan dokumen yang belum terintegrasi dalam satu sistem. Kondisi tersebut menyebabkan data tersebar pada beberapa sumber, proses pemantauan membutuhkan waktu lebih lama, serta informasi operasional sulit diperoleh secara cepat dan konsisten. Penelitian ini bertujuan merancang dan membangun aplikasi CLEAR TASK sebagai sistem informasi operasional berbasis web yang mengintegrasikan pengelolaan tugas, monitoring pekerjaan, visualisasi wilayah mitra, pengelolaan dokumen, serta pelaporan dalam satu platform terpusat. Pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka, sedangkan pengembangan sistem menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Sistem dikembangkan menggunakan React JS pada sisi frontend, Node.js dan Express.js pada sisi backend, serta MongoDB sebagai basis data. Hasil implementasi menunjukkan bahwa CLEAR TASK mampu mendukung pencatatan dan pembagian tugas internal maupun eksternal, pemantauan progres pekerjaan, penyajian informasi wilayah melalui peta, penyimpanan dokumen, serta penyusunan laporan secara lebih terstruktur. Pengujian black box menunjukkan fungsi utama sistem berjalan sesuai skenario yang ditetapkan. User Acceptance Testing terhadap 20 responden menghasilkan tingkat penerimaan sebesar 91,5% dengan kategori Sangat Baik. Pengujian Lighthouse menunjukkan aspek Best Practices memperoleh skor 100, sedangkan performa masih memerlukan optimasi. Pengujian OWASP ZAP juga menunjukkan masih terdapat beberapa aspek konfigurasi keamanan yang perlu diperkuat. Dengan demikian, CLEAR TASK dapat digunakan sebagai sistem pendukung operasional yang terintegrasi pada Bagian Network Development PT Lion Express.
Prediksi Harga dan Segmen Smartphone Menggunakan Random Forest Berdasarkan Spesifikasi Anggoro Bayu Prastiyo; Arfhan Prasetyo
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32723

Abstract

Keragaman spesifikasi dan harga smartphone menyulitkan pengguna menilai kewajaran harga serta menentukan segmen perangkat secara objektif. Perbedaan kombinasi spesifikasi pada perangkat dengan harga berdekatan membuat perbandingan manual kurang praktis dan dapat dipengaruhi penilaian subjektif. Penelitian ini membangun Random Forest Regressor untuk memprediksi harga resmi dan Random Forest Classifier untuk menentukan lima segmen smartphone. Data berasal dari Global Smartphone Database 2025 dengan konteks harga pasar Bangladesh. Dari 4.144 data mentah, seleksi dan pra-pemrosesan menghasilkan 1.375 data periode 2018-2025. Data dibagi berdasarkan kelompok model menjadi 968 data pelatihan, 203 data validasi, dan 204 data pengujian untuk mencegah varian perangkat yang sama tersebar antarbagiannya. Pembagian awal menggunakan GroupShuffleSplit, sedangkan StratifiedGroupKFold digunakan untuk menjaga keterwakilan segmen selama proses pengembangan tanpa mencampurkan kelompok model antarbagian. Model dikembangkan menggunakan RandomizedSearchCV, StratifiedGroupKFold lima lipatan, dan permutation importance. Optimasi hyperparameter dilakukan melalui RandomizedSearchCV dan pemilihan fitur memanfaatkan permutation importance agar konfigurasi masing-masing model disesuaikan dengan target yang berbeda. Model regresi menghasilkan MAE BDT 4.049,80, MAPE 14,74%, dan R² 0,9490. Model klasifikasi memperoleh akurasi 79,41%, Macro F1 76,42%, Adjacent Accuracy 100%, dan Far Error Rate 0%. Keluaran kedua model konsisten pada 84,31% data uji. Kedua pipeline berhasil diterapkan pada aplikasi HargaPonsel AI dan seluruh sepuluh skenario pengujian black-box dinyatakan valid. Aplikasi menampilkan estimasi harga, segmen, probabilitas kelas, konsistensi kedua model, dan perbandingan dengan harga aktual sebagai informasi pendukung bagi pengguna. Hasil ini menunjukkan pendekatan terintegrasi dapat membantu membaca hubungan spesifikasi, harga, dan segmen, dengan interpretasi tetap terbatas pada konteks harga resmi Bangladesh.
Optimasi Hyperparameter K-Nearest Neighbor Menggunakan Genetic Algorithm untuk Klasifikasi Penyakit Liver Muhammad Nur Ramadhani; Taghfirul Azhima Yoga Siswa; Muhammad Ridwan
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32755

Abstract

Penyakit liver merupakan salah satu gangguan kesehatan yang memerlukan deteksi secara tepat karena gejalanya sering kali tidak spesifik. Klasifikasi berbasis data dapat digunakan untuk membantu mengidentifikasi pasien yang berpotensi mengalami penyakit liver. Penelitian ini bertujuan menerapkan metode K-Nearest Neighbor (KNN) untuk klasifikasi penyakit liver serta mengoptimasi hyperparameter KNN menggunakan Genetic Algorithm (GA). Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 data. Tahapan penelitian meliputi preprocessing berupa penanganan missing value, penghapusan data duplikat, transformasi variabel kategorikal, dan standardisasi data. Proses klasifikasi dievaluasi menggunakan 10-Fold Cross Validation. Dataset memiliki distribusi kelas yang tidak seimbang, sehingga evaluasi menggunakan beberapa metrik diperlukan untuk melihat kemampuan model secara lebih menyeluruh dan menghindari penilaian yang hanya berfokus pada accuracy. Pada model KNN dengan optimasi Genetic Algorithm, ruang pencarian hyperparameter meliputi jumlah tetangga (n_neighbors), metode pembobotan (weights), dan metrik jarak (metric). Hasil optimasi menghasilkan kombinasi hyperparameter terbaik berupa n_neighbors=2, weights=distance, dan metric=euclidean. Hasil evaluasi menunjukkan bahwa model KNN menghasilkan Accuracy sebesar 68,94%, Precision sebesar 67,76%, Recall sebesar 68,94%, dan F1-Score sebesar 68,01%. Sementara itu, model KNN yang dioptimasi menggunakan Genetic Algorithm menghasilkan Accuracy sebesar 69,12%, Precision sebesar 62,57%, Recall sebesar 69,12%, dan F1-Score sebesar 63,94%. Dengan demikian, optimasi Genetic Algorithm meningkatkan Accuracy dan Recall sebesar 0,18%, tetapi menurunkan Precision sebesar 5,19% dan F1-Score sebesar 4,07%. Hasil tersebut menunjukkan bahwa optimasi hyperparameter menggunakan Genetic Algorithm memberikan perubahan terhadap karakteristik kinerja KNN, tetapi belum meningkatkan seluruh metrik evaluasi secara bersamaan.
Perbandingan Performa Model Regresi Untuk Analisis Faktor Sosial Ekonomi Terhadap Kemiskinan Indonesia Aprillia Oktan; Mutiara Utami; Betha Nurina Sari
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32785

Abstract

Kemiskinan masih menjadi salah satu tantangan utama dalam pembangunan sosial dan ekonomi yang berkelanjutan di Indonesia. Mengingat kompleksitas dan sifat non-linear dari faktor-faktor yang memengaruhi kemiskinan, pendekatan statistik konvensional seringkali memiliki keterbatasan. Penelitian ini bertujuan menganalisis faktor penentu kemiskinan melalui pendekatan machine learning dengan membandingkan performa model Multiple Linear Regression, Random Forest Regression, XGBoost Regression, dan CatBoost Regression. Data yang digunakan merupakan data sekunder berstruktur panel dari 38 provinsi di Indonesia selama periode 2021–2025 yang diperoleh dari Badan Pusat Statistik (BPS) dan Bank Indonesia. Penelitian menerapkan metodologi CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Pada tahap persiapan data dilakukan preprocessing, mitigasi data leakage, imputasi missing value menggunakan algoritma KNN Imputer, serta normalisasi data menggunakan StandardScaler. Validasi model dilakukan menggunakan skema Repeated K-Fold Cross-Validation untuk mengantisipasi variansi pada dataset berskala kecil. Hasil penelitian menunjukkan bahwa CatBoost Regression memberikan performa terbaik dan paling stabil dengan nilai rata-rata Test R² sebesar 0.8577 dan MAPE sebesar 15,05%, secara signifikan mengungguli XGBoost, Random Forest, dan Multiple Linear Regression. Penerapan Explainable Artificial Intelligence (XAI) melalui analisis SHAP (Shapley Additive Explanations) menunjukkan bahwa pengeluaran per kapita, Indeks Pembangunan Manusia (IPM), dan PDRB per kapita merupakan tiga faktor yang paling berpengaruh terhadap tingkat kemiskinan. Penelitian ini menyimpulkan bahwa CatBoost Regression merupakan model yang sangat efektif untuk memprediksi tingkat kemiskinan regional di Indonesia, di mana integrasi XAI mampu menghasilkan analisis yang akurat, transparan, dan dapat diinterpretasikan secara langsung oleh pemangku kepentingan untuk merumuskan kebijakan pengentasan kemiskinan yang lebih tepat sasaran.
Penerapan Algoritma Greedy Nearest Neighbor untuk Optimasi Rute Distribusi Makan Bergizi Gratis M.Rizki Julianto; Nasrul Halim
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32858

Abstract

Distribusi Program Makan Bergizi Gratis (MBG) pada Satuan Pelayanan Pemenuhan Gizi (SPPG) Tangga Takat 2 Palembang selama ini masih dilakukan secara manual, di mana petugas menentukan urutan kunjungan titik distribusi berdasarkan perkiraan dan pengalaman di lapangan tanpa mempertimbangkan jarak antar titik secara sistematis, sehingga berpotensi menyebabkan rute yang tidak efisien, keterlambatan penyaluran, dan pemborosan sumber daya operasional. Penelitian ini bertujuan menerapkan Algoritma Greedy dengan pendekatan nearest neighbor untuk menentukan urutan rute distribusi MBG, sekaligus mengimplementasikannya ke dalam sistem berbasis web menggunakan bahasa pemrograman PHP dan basis data MySQL. Jarak antar titik dihitung secara otomatis menggunakan rumus Haversine berdasarkan koordinat Global Positioning System (GPS) setiap lokasi, kemudian pada setiap langkah algoritma memilih titik terdekat yang belum dikunjungi hingga seluruh titik terlayani. Sistem dikembangkan menggunakan metode Waterfall melalui tahapan analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Pengujian fungsional dilakukan menggunakan metode Black-Box Testing pada sebelas skenario, sedangkan efektivitas algoritma diuji dengan membandingkan total jarak tempuh rute sistem terhadap rute manual petugas. Hasil pengujian menunjukkan seluruh skenario fungsional dinyatakan valid, dan pada enam titik distribusi rute Algoritma Greedy menghasilkan jarak tempuh 3,430 km, lebih efisien 11,58% dibandingkan rute manual sejauh 3,879 km. Nilai efisiensi tersebut terikat pada batasan lingkup studi berupa enam titik distribusi sehingga belum dapat digeneralisasikan untuk skala yang lebih besar. Secara keseluruhan, sistem mampu menghasilkan rekomendasi rute distribusi secara otomatis, cepat, dan konsisten, sehingga membantu petugas SPPG Tangga Takat 2 Palembang menentukan urutan pengiriman yang lebih efisien dibandingkan metode manual.
Perbandingan Prophet dan Model GPT Open Weight untuk Peramalan Stok Obat Mohammad Rezzy Al Zamzammi; Ida Bagus Nyoman Pascima
Jurnal Sarjana Teknik Informatika Vol. 14 No. 3 (2026): Oktober
Publisher : Program Studi Informatika, Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/jstie.v14i3.32799

Abstract

Peramalan permintaan obat jangka pendek yang akurat sangat penting bagi apotek untuk menghindari kehabisan stok maupun penumpukan barang. Penelitian ini membandingkan dua pendekatan peramalan untuk memprediksi permintaan mingguan 20 produk obat, yaitu Prophet, model deret waktu aditif dengan tren piecewise-linear dan musiman mingguan, serta openai/gpt-oss-120b, sebuah large language model yang diakses melalui Groq API dengan skema prompting terstruktur. Prophet dikonfigurasi dengan 25 titik perubahan (changepoint), changepoint_range sebesar 0,8, dan komponen musiman mingguan berbasis deret Fourier orde 3, sedangkan gpt-oss-120b dijalankan dengan parameter temperature 0, jendela konteks rolling 28 hari terakhir, dan permintaan dikirim per-batch maksimal 10 produk. Kedua metode dilatih menggunakan 337 hari data transaksi penjualan harian dari satu apotek (Januari-Desember 2025) dan diuji pada empat minggu terakhir Desember 2025 dengan dataset dan pembagian data yang sama. Kinerja diukur menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), dan Directional Statistic (DSTAT) yang dihitung dari 60 pasangan perbandingan arah antar-minggu. Hasil menunjukkan bahwa gpt-oss-120b memiliki galat keseluruhan lebih rendah pada MAE (5,35 vs 7,35), MAPE (26,32% vs 36,38%), dan RMSE (6,84 vs 9,57), yang berarti prediksi nilainya lebih dekat ke data aktual. Namun, Prophet memiliki DSTAT lebih tinggi (43,33% vs 28,33%), dengan 26 dari 60 arah perubahan yang sesuai data aktual dibandingkan 17 dari 60 pada gpt-oss-120b, yang berarti Prophet lebih baik dalam menangkap arah perubahan permintaan antar-minggu. Temuan ini menunjukkan adanya trade-off antara presisi nilai dan konsistensi arah, dengan implikasi praktis untuk mengombinasikan kedua pendekatan dalam perencanaan stok obat di apotek.

Page 57 of 57 | Total Record : 568

 53   54   55   56   57 

Filter by Year

2013 2026


Reset
Filter By Issues
All Issue Vol. 14 No. 3 (2026): Oktober Vol. 14 No. 2 (2026): Juni Vol. 14 No. 1 (2026): Februari Vol. 13 No. 3 (2025): Oktober Vol. 13 No. 2 (2025): Juni Vol. 13 No. 1 (2025): Februari Vol. 12 No. 3 (2024): Oktober Vol. 12 No. 2 (2024): Juni Vol 12, No 2 (2024): Juni Vol 12, No 1 (2024): Februari Vol. 12 No. 1 (2024): Februari Vol 11, No 3 (2023): Oktober Vol. 11 No. 3 (2023): Oktober Vol. 11 No. 2 (2023): Juni Vol 11, No 2 (2023): Juni Vol 11, No 1 (2023): Februari Vol. 11 No. 1 (2023): Februari Vol 10, No 3 (2022): Oktober Vol. 10 No. 3 (2022): Oktober Vol. 10 No. 2 (2022): Juni Vol 10, No 2 (2022): Juni Vol 10, No 1 (2022): Februari Vol. 10 No. 1 (2022): Februari Vol. 9 No. 3 (2021): Oktober Vol 9, No 3 (2021): Oktober Vol. 9 No. 2 (2021): Juni Vol 9, No 2 (2021): Juni Vol 9, No 1 (2021): Februari Vol. 9 No. 1 (2021): Februari Vol. 8 No. 3 (2020): Oktober Vol 8, No 3 (2020): Oktober Vol 8, No 2 (2020): Juni Vol. 8 No. 2 (2020): Juni Vol 8, No 1 (2020): Februari Vol. 8 No. 1 (2020): Februari Vol 7, No 3 (2019): Oktober Vol 7, No 2 (2019): Juni Vol 7, No 1 (2019): Februari Vol 6, No 3 (2018): Oktober Vol 6, No 2 (2018): Juni Vol 6, No 1 (2018): Februari Vol 5, No 3 (2017): Oktober Vol 5, No 2 (2017): Juni Vol 5, No 1 (2017): Februari Vol 4, No 3 (2016): Oktober Vol 4, No 2 (2016): Juni Vol 4, No 1 (2016): Februari Vol 3, No 3 (2015): Oktober Vol 3, No 2 (2015): Juni Vol 3, No 1 (2015): Februari Vol 2, No 3 (2014): Oktober Vol 2, No 2 (2014): Juni Vol 2, No 1 (2014): Februari Vol 1, No 2 (2013): Oktober Vol 1, No 1 (2013): Juni More Issue