cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota pontianak,
Kalimantan barat
INDONESIA
Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Published by Universitas Tanjungpura
ISSN : 24600741     EISSN : 25489364     DOI : -
Core Subject : Science, Education,
Computer Science & IT Education
Jurnal Edukasi dan Penelitian Informatika (JEPIN) merupakan peer reviewed journal di bidang informatika. Jurnal ini diterbitkan 3 bulan dalam setahun (April, Agustus, dan Desember) oleh Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura, Indonesia.
Arjuna Subject : -
Articles 13 Documents
 1   2 
Search results for , issue "Vol 12, No 1 (2026): Volume 12 No 1" : 13 Documents clear
Klasifikasi Tutupan Lahan dengan YOLO dan Data Citra Udara dari Drone
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.100629

Abstract

Land cover classification is an important element in spatial analysis for environmental planning and management. This study aims to evaluate the effectiveness of the YOLOv8 algorithm in classifying land cover objects using high-resolution aerial imagery data from drones. Data collection was carried out using a DJI Mavic 1 Pro drone at an altitude of 100 metres, followed by annotation with bounding boxes through the Roboflow platform, division of the dataset into training, validation, and test data, and training of the YOLOv8 model with 50 epochs to measure performance and detection accuracy. The results showed that YOLOv8 was able to detect land cover objects such as buildings, vegetation, and trees with good accuracy, especially in images with a single object. Accuracy decreased in images with two to three objects due to increased spatial complexity and overlap between objects. The bounding box-based approach is effective for detecting individual objects, but it is not yet capable of classifying the entire image area as semantic segmentation methods do. Thus, YOLOv8 has the potential to be applied in monitoring land use change and sustainable environmental management, and can be further developed through integration with segmentation models such as U-Net or Mask R-CNN to improve spatial classification accuracy.
Evaluasi Lintas Domain Deteksi Sarkasme Bahasa Indonesia: Pendekatan Hybrid IndoBERT dan Fitur Pragmatis
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.102465

Abstract

Deteksi sarkasme dalam teks berbahasa Indonesia masih menjadi tantangan dalam pemrosesan bahasa alami (NLP), terutama pada media sosial yang kaya ekspresi pragmatis. Studi ini mengusulkan pendekatan hybrid yang mengintegrasikan model IndoBERT dengan empat kelompok fitur pragmatis, yaitu emoji, tipografi, tanda baca ekspresif, dan pola leksikal seperti intensifier dan hiperbola, untuk meningkatkan akurasi deteksi sarkasme. Evaluasi dilakukan pada dua domain media sosial, yaitu Twitter dan Reddit Indonesia. Pada domain Twitter, model hybrid meningkatkan F1-Score secara numerik dari 71.60% menjadi 72.35%. Namun, uji McNemar dengan tingkat signifikansi α = 0.05 menunjukkan bahwa perbedaan performa keseluruhan tidak signifikan secara statistik, meskipun terjadi peningkatan Recall yang signifikan secara numerik. Sebaliknya, pada domain Reddit, model baseline IndoBERT menunjukkan performa yang lebih baik dengan perbedaan yang signifikan secara statistik berdasarkan uji McNemar pada α = 0.05. Analisis kesalahan menunjukkan bahwa fitur pragmatis efektif dalam menangkap sarkasme yang bersifat eksplisit, tetapi kurang optimal untuk sarkasme yang lebih implisit dan kontekstual. Temuan ini menunjukkan bahwa integrasi fitur linguistik pragmatis dapat menjadi pelengkap penting bagi model transformer dalam sistem NLP berbahasa Indonesia, khususnya pada domain dengan ekspresi sarkasme yang lebih eksplisit serta untuk aplikasi seperti moderasi konten dan chatbot sosial.
Sistem Pendukung Keputusan Dalam Penentuan Predictive Maintenance Keypoint Menggunakan Metode Reliability Centered Maintenance Berbasis Web (Studi Kasus: PT. PLN UP2D Kalimantan Barat)
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.69535

Abstract

Dalam operasi sistem kelistrikan 20 kV, PT PLN UP2D (Unit Pelaksana Pengatur Distribusi) Kalimantan Barat memiliki kewenangan dalam proses pengaturan operasi sistem. Saat ini sistem pemeliharaan yang digunakan masih bersifat perbaikan yang dilakukan saat terjadi kerusakan atau disebut corrective maintenance. Sehingga downtime yang dihasilkan tinggi serta membuat tidak maksimalnya kinerja keypoint. Salah satu alternatif untuk menyelesaikan persoalan ini maka dibuat sebuah sistem pendukung keputusan dalam penentuan predictive maintenance keypoint menggunakan suatu metode RCM (reliability centered maintenance) berbasis web. Sistem ini bertujuan untuk meningkatkan efisiensi dan efektivitas pemeliharaan peralatan di PLN UP2D Kalimantan Barat dengan memanfaatkan data real-time dan histori pemeliharaan untuk memberikan rekomendasi pemeliharaan berbasis kondisi peralatan. Metodologi penelitian mencakup perancangan sistem, pengembangan metode RCM, dan pembuatan antarmuka pengguna yang friendly. Pengujian dilakukan untuk mengevaluasi fungsionalitas sistem, akurasi model prediksi, dan responsivitas antarmuka. Pada metode RCM ini diperoleh suatu tindakan perbaikan dengan minimum downtime. Hasil dari pengujian diperoleh bahwa rekomendasi berupa perawatan condition directed (CD) untuk komponen bagian switchgear, voltage transformer, RTU, modem GSM, finding failure pada komponen kabel control, antena modem dan time directed (TD) untuk bagian komponen baterai, dengan penggantian komponen setiap 325 hari untuk baterai. Hasil penelitian menunjukkan bahwa sistem dapat mengidentifikasi keypoint pemeliharaan dengan akurasi tinggi, mengurangi downtime peralatan, dan meningkatkan efisiensi operasional di PLN UP2D Kalimantan Barat. Antarmuka pengguna juga dinyatakan efektif dalam memfasilitasi akses dan interpretasi data oleh staf pemeliharaan.
Digital Branding Enhancement of Sambas Liberica Coffee Potention with SWOT Analysis in Data Identification
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.102054

Abstract

The development of local commodities, such as Sambas Liberica coffee, requires a comprehensive strategic analysis to identify internal and external factors influencing its growth. Early analysis identified that to support this development need the work from stakeholders such government in supporting MSMEs of Sambas Liberica Coffee for marketing and business assistance. The academic institution through the initiation of teaching factory can provide the valuable researchs that could also support potention of Liberica Coffee in Sambas Regency. This research employs a SWOT analysis (Strengths, Weaknesses, Opportunities, Threats) to map these factors, which are then quantitatively evaluated using the Internal Factor Evaluation (IFE) and External Factor Evaluation (EFE) matrices. The study highlights the pivotal role of Sambas State Polytechnic (Poltesa) through its Liberica Research Center, which provides academic strength, digital technology application, and collaborative synergy with local farmers and MSMEs. The research specifically examines the implementation of digital branding strategies through Instagram @plrcpoltesa as a hands-on technology approach to support market expansion. The IFE matrix score of 2.95 indicates a strong internal position, driven by unique product attributes and strong academic support. Meanwhile, the EFE matrix score of 2.65 shows a responsive capacity to external opportunities, particularly the global specialty coffee trend and digital market expansion. The strategic recommendations emphasize leveraging digital platforms for brand positioning and market penetration.
Analisis Pola Perilaku Konsumen melalui Association Rule Mining untuk Optimalisasi Strategi Bisnis: Studi Kasus Omah Kopi Mrisen
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.103231

Abstract

Dinamika industri kuliner kontemporer menuntut pemahaman mendalam mengenai preferensi konsumen yang semakin kompleks dan terfragmentasi. Omah Kopi Mrisen (OKM) memiliki posisi pasar yang unik dengan mengintegrasikan tiga pilar produk utama: Menu Ndeso (Tradisional), Seafood, dan Kopi Nusantara. Penelitian ini bertujuan untuk mengungkap pola konsumsi harian (daily baseline) yang stabil serta interaksi lintas kategori menggunakan metode Association Rule Mining (ARM). Berdasarkan data transaksi semester pertama tahun 2025 (Januari–Juni) yang telah melalui proses filterisasi data musiman (non-seasonal), diperoleh 2.991 transaksi valid sebagai dataset utama. Algoritma Apriori digunakan untuk mengidentifikasi aturan asosiasi yang signifikan dengan pendekatan Long Tail Analysis untuk menangkap pola pada menu niche. Temuan empiris menunjukkan dua pola perilaku dominan: (1) Budaya Makan Tengah (Communal Dining), ditandai dengan asosiasi ekstrem (Lift Ratio > 300) antara menu lauk porsi besar (Sapi Lada Hitam) dengan Nasi Bakul, yang mengindikasikan preferensi kuat pelanggan untuk berbagi; dan (2) Perilaku Konsumsi Lintas Kategori (Fusion Consumption), di mana terdapat asosiasi spesifik antara minuman signature "Kopi Arimbi" dan "Nasi Goreng Seafood" (Lift Ratio 5,44). Temuan ini memberikan wawasan baru bahwa konsumen OKM memiliki karakter sosial yang kuat serta kecenderungan memadukan menu kopi specialty dengan makanan berat. Penelitian ini merekomendasikan strategi manajerial berupa optimalisasi paket sharing dan promosi silang (cross-selling) untuk meningkatkan rata-rata nilai transaksi harian (Average Ticket Size).
Perbandingan Algoritma Klasifikasi dalam Menentukan Zona Rawan Kebakaran Hutan dengan Feature Importance
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.105322

Abstract

Kebakaran hutan dan lahan masih menjadi persoalan lingkungan yang sering terjadi dan menimbulkan berbagai dampak serius, mulai dari kerusakan ekosistem, gangguan kesehatan, hingga kontribusi terhadap perubahan iklim. Kejadian kebakaran ini tidak hanya dipengaruhi oleh kondisi alam seperti musim kemarau yang berkepanjangan dan vegetasi yang kering, tetapi juga oleh aktivitas manusia yang kurang terkendali. Seiring dengan perkembangan teknologi saat ini, pendekatan berbasis machine learning dapat dimanfaatkan untuk membantu menganalisis dan memperkirakan tingkat risiko kebakaran hutan secara lebih efektif. Penelitian ini membahas penggunaan tiga algoritma machine learning, yaitu Decision Tree, Random Forest, dan XGBoost, untuk mengklasifikasikan wilayah ke dalam kategori rawan dan tidak rawan kebakaran. Ketiga algoritma tersebut termasuk dalam model berbasis pohon keputusan yang mampu mengidentifikasi faktor-faktor penting yang mempengaruhi terjadinya kebakaran melalui analisis feature importance. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score guna melihat tingkat keandalan hasil klasifikasi. Hasil pengujian menunjukkan Decision Tree memperoleh accuracy sebesar 98%, XGBoost 97%, dan Random Forest 95%. Variabel Fine Fuel Moisture Code muncul sebagai faktor yang paling berpengaruh dalam meningkatkan risiko kebakaran hutan, sedangkan Initial Spread Index turut berperan dalam mempercepat potensi penyebaran api. Hal ini menunjukkan bahwa kondisi kekeringan bahan bakar permukaan seperti daun kering, ranting kecil menjadi kering dan kecepatan awal penyebaran api merupakan indikator penting dalam penilaian risiko kebakaran hutan.
Sistem Pakar Deteksi APD Menggunakan Convolutional Neural Network Dan Pelatihan K3 Berbasis Natural Language Processing
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.104360

Abstract

Pengawasan penggunaan Alat Pelindung Diri (APD) merupakan aspek penting dalam penerapan Keselamatan dan Kesehatan Kerja (K3), khususnya pada lingkungan kerja berisiko tinggi. Namun, proses pengawasan masih banyak dilakukan secara manual sehingga berpotensi menimbulkan kelalaian dan meningkatkan risiko kecelakaan kerja. Penelitian ini bertujuan mengembangkan sistem pakar berbasis web yang mampu mendeteksi kelengkapan APD secara otomatis serta menyediakan edukasi K3 secara interaktif. Sistem yang diusulkan memanfaatkan pendekatan Computer Vision menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mendeteksi enam jenis APD, yaitu helm, kacamata pelindung, wearpack, full body harness, sarung tangan, dan sepatu keselamatan. Pendekatan klasifikasi multilabel digunakan karena dalam satu citra pekerja dapat mengenakan lebih dari satu jenis APD secara bersamaan. Dataset yang digunakan terdiri dari 200 citra pekerja yang dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 70%, 15%, dan 15%. Hasil pelatihan menunjukkan performa model yang stabil dengan nilai akurasi pelatihan sebesar 0,8861 dan akurasi validasi sebesar 0,8656. Evaluasi menggunakan metrik precision, recall, dan F1-score menghasilkan nilai micro-average sebesar 0,92 dan macro-average sebesar 0,91. Hasil deteksi visual kemudian diproses menggunakan metode Forward Chaining untuk menentukan status kelengkapan APD secara otomatis berdasarkan aturan keselamatan kerja. Selain itu, sistem dilengkapi dengan chatbot berbasis Natural Language Processing (NLP) sebagai media edukasi interaktif. Hasil penelitian menunjukkan bahwa sistem mampu meningkatkan efektivitas pengawasan serta memberikan edukasi keselamatan kerja secara lebih akurat, konsisten, dan interaktif.
Implementation of LTRANS for Classifying Hate Speech on Social Media
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.105128

Abstract

Hate speech can have significant social impacts, necessitating automatic classification using deep learning. One of the most widely used models is the Transformer. The Transformer is an effective model for capturing global context in text, but it has limitations in processing time-series data. LSTM is a model capable of processing time-series data using a gate mechanism. This study proposes the LTrans model, a combination of the LSTM and Transformer models. The LSTM model is placed at the beginning to preserve the temporal order of the data, while the Transformer is placed at the end to process the data globally. Thus, it is expected that the data sequence remains intact, the meaning of the sentences does not change, and no information is lost. The research methods include text preprocessing and data augmentation. Text preprocessing is used to clean the data of irrelevant words, normalize it, and reduce noise so that the model can learn more effectively. Data augmentation is performed using Back Translation to translate text into other languages, and BERT Augmentation to enrich data variations without altering the meaning of the sentences. This study aims to classify hate speech using 9 labels with the LTrans model. Evaluation of the LTrans model’s performance yielded an accuracy of 95.89%, a precision of 97.8%, a recall of 95.89%, and an F1 score of 97.8%, indicating balanced performance. Overall, this study demonstrates that LTrans is capable of improving classification quality, accurately detecting hate speech, and effectively handling various targets.
Implementasi Large Language Models Menggunakan Framework Langchain pada Question Answering System
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.97471

Abstract

Informasi yang telah beredar luas dapat diperoleh dengan berbagai cara, salah satunya dengan bertanya kepada seseorang yang telah mengetahui informasi tersebut sebelumnya. Salah satu contohnya yaitu seseorang yang ingin mengetahui isi pedoman akademik Universitas Tanjungpura. Pedoman akademik merupakan dokumen yang berisi aturan, prosedur, dan informasi penting mengenai suatu institusi pendidikan. Teknologi saat ini telah berkembang untuk menyelesaikan masalah tersebut, salah satunya dengan membangun Question Answering System (QAS) yang dapat menjawab pertanyaan berdasarkan informasi aktual. Penelitian ini mengimplementasikan Large Language Models (LLM) dalam mengembangkan QAS menggunakan framework LangChain dengan pendekatan retrieval-augmented generation (RAG). Framework LangChain mempermudah proses pengembangan aplikasi yang memanfaatkan LLM. Proses yang diimplementasikan meliputi pembacaan dokumen PDF, pemisahan dokumen menjadi potongan (chunks), serta proses embedding dan penyimpanan ke dalam basis data vektor menggunakan Pinecone. Evaluasi sistem dilakukan menggunakan metrik ROUGEScore dan BERTScore, dengan hasil terbaik ditunjukkan oleh llama3:8B yang memperoleh skor ROUGE-1 sebesar 0,33 (33%), ROUGE-2 sebesar 0,243 (24%), dan BERTScore sebesar 0,73 (73%) dibandingkan dengan 2 model lainnya yaitu deepseek-r1:8b memperoleh skor ROUGE-1 sebesar 0,259 (25%), ROUGE-2 sebesar 0,154 (15%), dan BERTScore sebesar 0,689 (68%) dan phi-4:14b memperoleh skor ROUGE-1 sebesar 0,28 (28%), ROUGE-2 sebesar 0,208 (20%), dan BERTScore sebesar 0,722 (72%). Berdasarkan hasil evaluasi tersebut. llama3 dipilih sebagai LLM untuk QAS pedoman akademik karena mampu dalam menjawab pertanyaan berdasarkan dokumen dibandingkan 2 LLM lainnya. Kemudian dilakukan juga pengujian User Acceptance Testing (UAT) dengan 15 responden, yang menghasilkan rata-rata skor 3,96 atau setara dengan 79,2%. Hal tersebut menunjukkan kesimpulan bahwa sistem QAS diterima oleh pengguna karena dapat memberikan informasi dengan mudah, relevan, dan bermanfaat.
Pengembangan Front End Online Judge dengan React JS
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 12, No 1 (2026): Volume 12 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v12i1.105633

Abstract

Seiring dengan pesatnya perkembangan teknologi informasi, institusi pendidikan tinggi dituntut untuk menyediakan sarana pembelajaran yang mendukung penguasaan keterampilan praktis, khususnya dalam bidang pemrograman. Salah satu sarana penting dalam pembelajaran pemrograman adalah sistem Online Judge sebagai media latihan dan evaluasi kode secara otomatis. Namun, ketergantungan pada platform pihak ketiga menimbulkan berbagai keterbatasan, seperti gangguan ketersediaan layanan, keterbatasan pengelolaan data, serta minimnya fleksibilitas kustomisasi sesuai kebutuhan institusi. Oleh karena itu, Jurusan Informatika Universitas Tanjungpura mengembangkan sistem Online Judge internal, dengan penelitian ini berfokus pada pengembangan front end antarmuka administrator. Penelitian ini bertujuan untuk merancang dan membangun antarmuka front end administrator berbasis React JS serta mengimplementasikan integrasi antara front end dan back end melalui Application Programming Interface (API) agar seluruh fungsionalitas pengelolaan sistem dapat berjalan dengan baik. Metode pengembangan yang digunakan adalah prototyping, yang memungkinkan penyesuaian sistem secara bertahap berdasarkan kebutuhan pengguna. Pengujian sistem dilakukan menggunakan Black Box Testing, Integration Testing, User Acceptance Testing (UAT), dan System Usability Scale (SUS). Hasil Black Box Testing menunjukkan seluruh 33 kasus uji berhasil dijalankan, sedangkan Integration Testing menunjukkan seluruh 65 kasus uji berhasil tanpa ditemukan kesalahan fungsional. Hasil UAT menunjukkan tingkat penerimaan pengguna sebesar 91,53% untuk fitur manajemen problem dan contest, serta 100% untuk fitur Access Control List dan manajemen pengguna dengan kategori sangat baik. Selain itu, hasil pengujian SUS memperoleh skor rata-rata sebesar 76 yang termasuk dalam kategori Grade B, yang menunjukkan bahwa sistem memiliki tingkat usability yang baik. Berdasarkan hasil tersebut, dapat disimpulkan bahwa front end antarmuka administrator yang dikembangkan telah memenuhi kebutuhan fungsional sistem serta mendukung pengelolaan Online Judge internal di Jurusan Informatika Universitas Tanjungpura.

Page 1 of 2 | Total Record : 13

 1   2 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol 12, No 1 (2026): Volume 12 No 1 Vol 11, No 3 (2025): Volume 11 No 3 Vol 11, No 2 (2025): Volume 11 No 2 Vol 11, No 1 (2025): Volume 11 No 1 Vol 10, No 3 (2024): Volume 10 No 3 Vol 10, No 2 (2024): Volume 10 No 2 Vol 10, No 1 (2024): Volume 10 No 1 Vol 9, No 3 (2023): Volume 9 No 3 Vol 9, No 2 (2023): Volume 9 No 2 Vol 9, No 1 (2023): Volume 9 No 1 Vol 8, No 3 (2022): Volume 8 No 3 Vol 8, No 2 (2022): Volume 8 No 2 Vol 8, No 1 (2022): Volume 8 No 1 Vol 7, No 3 (2021): Volume 7 No 3 Vol 7, No 2 (2021): Volume 7 No 2 Vol 7, No 1 (2021): Volume 7 No 1 Vol 6, No 3 (2020): Volume 6 No 3 Vol 6, No 2 (2020): Volume 6 No 2 Vol 6, No 1 (2020): Volume 6 No 1 Vol 5, No 3 (2019): Volume 5 No 3 Vol 5, No 2 (2019): Volume 5 No 2 Vol 5, No 1 (2019): Volume 5 No 1 Vol 5, No 1 (2019): Volume 5 No 1 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 2 (2018): Volume 4 No 2 Vol 4, No 1 (2018): Volume 4 No 1 Vol 4, No 1 (2018): Volume 4 No 1 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 2 (2017): Volume 3 No 2 Vol 3, No 1 (2017): Volume 3 No 1 Vol 3, No 1 (2017): Volume 3 No 1 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 2 (2016): Volume 2 No 2 Vol 2, No 1 (2016): Volume 2 No 1 Vol 2, No 1 (2016): Volume 2 No 1 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 2 (2015): Volume 1, No 2 Vol 1, No 1 (2015): Edisi Perdana Vol 1, No 1 (2015): Edisi Perdana More Issue