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 522 Documents
 26   27   28   29   30 
Pemanfaatan Katalon Studio untuk Otomatisasi Pengujian Black-Box pada Aplikasi iPosyandu Zulianto, Arief; Purbasari, Ayi; Suryani, Neni; Susanti, Ari Indra; Rinawan, Fedri R.; Purnama, Wanda G.
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.46954

Abstract

iPosyandu merupakan aplikasi berbasis mobile dan web yang dirancang untuk memudahkan melihat aktivitas di posyandu dan menyusun laporan aktivitas tersebut. Aplikasi ini dibangun sejak 2018 dan terus dikembangkan seiring dengan luasnya pengguna IPosyandu yang ditargetkan di seluruh Indonesia. Oleh karena itu diperlukan peningkatan kualitas dari aplikasi iPosyandu melalui proses pengujian. Penelitian ini menerapkan kakas Katalon Studio untuk mengotomatisasi proses pengujian black box aplikasi iPosyandu. Pengujian bertujuan untuk meminimalisir apa yang tidak bisa di back up oleh pengujian secara manual dan menghindari human error. Test case yang digunakan dalam pengujian dengan Katalon Studio menerapkan record dan playback. Pengujian otomatis ini dibandingkan dengan manual dan menunjukkan hasil yang sama, dengan waktu pengujian yang lebih cepat. Untuk 13 kasus uji yang dicobakan, diperoleh peningkatan kecepatan hasil eksekusi menjad 283,08 detik dibandingkan dengan 719,27detik ketika diuji secara manual. Dengan demikian terjadi peningkatan kecepatan 2,54 kali.
Pemodelan Site pada Heterogen Network 5G Menggunakan Optimized Network Enggineering Tools Aisah, Aisah; Sarosa, Moechammad; Widjayanti, Kristina
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.50578

Abstract

Penelitian ini melakukan analisis desain Pemodelan Site Pada Heterogen Network 5G (HetNet 5G) Menggunakan Optimized Network Enggineering Tools. Pemodelan menggunakan perhitungan dan simulasi untuk menganalisis traffic dan coverage generasi sebelumnya yaitu 4G LTE yang diterapkan pada jaringan seluler existing pada site HetNet 5G, untuk memenuhi kebutuhan penempatan site 5G. Hasil penelitian ini diharapkan dapat digunakan sebagai rekomendasi bagi operator seluler. Data yang digunakan simulasi diperoleh dari salah satu operator seluler Indonesia di wilayah Kecamatan Lowokwaru Malang yaitu sebanyak 40 site.  Berdasarkan perhitungan dan simulasi dari ke 40 site tersebut diperoleh 6 site yang potensi diterapkan site teknologi 5G. Tahapan penelitian ini diawali dengan penentuan lokasi wilayah yang potensi diterapkan site 5G, data lokasi koordinat dan parameter site untuk perhitungan prediksi kenaikan jumlah penduduk selama 5 tahun yang akan datang, analisis morfologi dan wilayah point of interes (POI), serta kapasitas penduduk sedangkan perhitungan troughput menjadi kriteria di masing-masing kelurahan. Selanjutnya, hasil perhitungan dan simulasi di plotkan pada Map Info untuk menampilkan persebaran site di masing-masing kelurahan. Site yang memenuhi potensi 5G di plot dengan diagram voronoi aplikasi dalam Map Info sesuai radius 4G dan 5G. Diagram voronoi menampilkan coverage berbeda teknologi 4G dan 5G.
Smart Inventory System untuk Distribusi Vaksin dengan Metode Economic Order Quantity Hersyaputra, Mohamad Syazimmi; Ripanti, Eva Faja; Muhardi, Hafiz
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.50240

Abstract

Sistem inventory adalah serangkaian aktivitas dalam melakukan proses pengelolaan data barang yang terdapat pada penyimpanan yang memiliki peran dan fungsi krusial untuk menyelesaikan permasalahan dalam mengelola, mengontrol, dan memudahkan pelaporan data barang. Sistem inventory diperlukan salah satunya untuk memanajemen persediaan stok vaksin. Saat ini manajemen persediaan vaksin pada dinas kesehatan hingga ke level puskesmas masih ditemukan permasalahan, seperti belum adanya standar perhitungan kuantitas pengadaan dan safety stock yang optimal sehingga persediaan menjadi tidak merata di beberapa wilayah yang menyebabkan terjadinya kelebihan dan kekosongan stok. Hal ini membuat pengelolaan biaya persediaan vaksin tidak efisien. Oleh karenanya, diperlukan sistem inventory yang mampu meningkatkan efisiensi pengelolaan stok vaksin yang optimal dengan meminimumkan biaya. Penelitian yang dilakukan, yaitu membangun smart inventory system menerapkan metode economic order quantity untuk mengoptimalkan persediaan dan mengimplementasikan teknologi RFID (Radio Frequency Identification) berbasis Internet of Things (IoT) untuk mengefisiensi pencatatan pergerakan stok secara otomatis. Sistem dianalisis dan dirancang menggunakan metode SDLC (System Development Life Cycle) sehingga spesifikasi kebutuhan diidentifikasi secara jelas agar dapat memecah permasalahan. Model yang digunakan adalah waterfall methodology. Selanjutnya dilakukan pengujian terhadap smart inventory system. Berdasarkan pengujian yang dilakukan menunjukkan smart inventory system memenuhi kebutuhan dalam pengelolaan stok vaksin secara efektif dan efisien dengan performance error yang terjadi hanya sebesar 1,98%.
Kinerja Algoritma Optimasi Root-Mean-Square Propagation dan Stochastic Gradient Descent pada Klasifikasi Pneumonia Covid-19 Menggunakan CNN Nugroho, Budi; Puspaningrum, Eva Yulia; Munir, M. Syahrul
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.49172

Abstract

Penelitian ini berkaitan dengan proses klasifikasi Pneumonia Covid-19 (radang paru-paru atau pneumonia yang disebabkan oleh virus corona SARS-CoV-2) dari citra hasil foto rontgen / x-ray paru-paru dengan menggunakan pendekatan pembelajaran mesin. Klasifikasi dilakukan untuk menentukan apakah kondisi paru-paru seseorang mengalami Pneumonia Covid-19, Pneumonia biasa, atau Normal / Sehat. Untuk menghasilkan kinerja klasifikasi yang lebih baik, proses optimasi seringkali digunakan pada tahap pelatihan data. Banyak teknik yang digunakan untuk melakukan optimasi tersebut, diantaranya adalah algoritma Root-Mean-Square Propagation (RMSprop) dan Stochastic Gradient Descent (SGD). Pada penelitian ini, pengujian dilakukan terhadap kedua metode tersebut untuk mengetahui kinerjanya pada klasifikasi Pneumonia Covid-19. Metode klasifikasi menggunakan Convolutional Neural Network (CNN) yang menerapkan 5 layer konvolusi dengan nilai filter 16, 32, 64, 128, dan 256. Proses pelatihan menggunakan 3.900 citra yang terdiri atas 1.300 citra pneumonia covid-19, 1.300 citra pneumonia, dan 1.300 citra normal. Sedangkan proses validasi menggunakan 450 citra dan proses pengujian mengunakan 225 citra. Berdasarkan uji coba yang telah dilakukan, implementasi algoritma optimasi RMSprop menghasilkan akurasi 87,99%, presisi 0,88, recall 0,86, dan f1 score 0,87. Sedangkan implementasi algoritma optimasi SGD menghasilkan akurasi 66,22%, presisi 0,69, recall 0,64, dan f1 score 0,67. Hasil ini memberikan informasi penting bahwa algoritma optimasi RMSprop menghasilkan kinerja yang jauh lebih baik daripada SGD pada klasifikasi Pneumonia Covid-19.
Machine Linear untuk Analisis Regresi Linier Biaya Asuransi Kesehatan dengan Menggunakan Python Jupyter Notebook Muhammad Sholeh; Suraya Suraya; Dina Andayati
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.48822

Abstract

Machine learning atau pembelajaran mesin dikategorikan sebagai  salah satu cabang dari artificial intelligence atau kecerdasan buatan dan  algoritma yang populer diantaranya adalah melakukan prediksi dengan menggunakan regresi linear. Penelitian yang dilakukan mengimplementasikan  prediksi biaya asuransi kesehatan yang dipengaruhi berbagai faktor seperti umur, jenis kelamin, bmi (kategori berat badan), banyak anak, apakah seorang perokok dan wilayah. Prediksi yang dilakukan adalah di awal diantaranya seorang perokok dan orang yang mempunyai berat badan tidak ideal akan membayar biaya asuransi yang lebih besar jika dibandingkan dengan orang yang tidak merokok dan orang mempunyai berat badan ideal. Data diolah dari www.kaggle.com, data disimpan dalam file csv (insurance.csv). Dataset terdiri dari 1338 dan 7 kolom. Metode penelitian dilakukan dengan  memeriksa data dari data yang salah atau  dapat mengganggu proses analisis, melakukan analisis pada dataset serta membagi data menjadi data training dan data test. Proses pembagian data adalah 80% digunakan untuk data training dan 20% untuk data test. Semua proses diolah dengan menggunakan pemrograman Python. Library Python yang digunakan numpy, pandas, matplotlib, seaborn, sklearn. Proses analisis  dikerjakan dengan Jupyter Notebook. Hasil penelitian menghasilkan model regresi linear ganda y = -12436.85+  270.35 X1 -188.37 X2+342.77 X3+474.07 X4+24320.10 X5 -385.60 X6 dengan Coefficient of determination 0.7244150380582826 dan MSE 34608265.193358265. Hasil akhir analisis dilakukan perbandingan antara y aktual dengan y prediksi  baik dalam bentuk tabel maupun grafik.
Tuning Hyperparameter pada Gradient Boosting untuk Klasifikasi Soal Cerita Otomatis Umi Laili Yuhana; Ayu Purwarianti; Imamah Imamah
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.50506

Abstract

Soal adalah susunan pertanyaan yang dibuat untuk menguji keberhasilan dari pembelajaran siswa. Bagi manusia, membedakan soal penjumlahan dengan pengurangan sangat mudah, namun tidak halnya dengan mesin. Mesin  membutuhkan pembelajaran untuk mengenali soal cerita apakah termasuk penjumlahan atau pengurangan. Kebutuhan mesin untuk mengenali soal cerita biasanya diterapkan dalam pembuatan sistem E-learning. Berdasarkan dari masalah ini, maka digunakan metode gradient boosting untuk mengklasifikasikan soal cerita. Kelas target atau label dari klasifikasi terdiri dari empat kelas yaitu penjumlahan, pengurangan, perkalian, pembagian, dan campuran.  Soal cerita diambil dari buku matematika untuk kelas tiga sampai kelas enam Sekolah Dasar. Guru Sekolah Dasar (SD) melabeli soal cerita, dan dijadikan sebagai dataset untuk pembelajaran dari machine learning. Dataset kemudian di preprocessing, ekstraksi fitur dengan menggunakan TF-IDF dan selanjutnya dibagi menjadi data training dan data testing dengan menggunakan K-fold cross validation dengan nilai K[5,10,20]. Performa metode gradient boosting dalam mengklasifikasikan soal matematika diukur dengan menggunakan akurasi. Akurasi didapatkan dari hasil perbandingan dari label yang diprediksi oleh machine learning dengan label dari pakar yaitu guru SD. Berdasarkan hasil percobaan pada 500 data soal cerita, diperoleh hasil akurasi terbaik sebesar 75,8% pada saat K=20 dengan hyperparameter gradient boosting N_estimator=100, max_depth=9 dan learning rate=0,15.
Klasifikasi Kecanduan Smartphone pada Pelajar Sekolah Menengah Atas menggunakan Metode Machine Learning Berbasis Feature Weighting Ni Kadek Cinthya Bandinithya Dewi; Ni Kadek Ayu Wirdiani; Dewa Made Sri Arsa
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.51914

Abstract

Kecanduan terhadap smartphone dapat berakibat buruk bagi pelajar. Penelitian ini bertujuan memprediksi kecanduan smartphone di kalangan siswa-siswi SMA dengan menggunakan metode terbaik dari klasifikasi. Klasifikasi dilakukan untuk dapat mendukung pengambilan keputusan terkait masalah kecanduan smartphone. Algoritma C4.5, Naive Bayes (NB), dan K-Nearest Neighbor (KNN) merupakan metode klasifikasi machine learning yang digunakan pada penelitian ini. Metode ini merupakan metode klasifikasi machine learning yang termasuk dalam kategori top 10 dalam menyelesaikan kasus prediksi. Untuk dapat meningkatkan kinerja metode-metode machine learning tersebut, maka dilakukan seleksi atribut sebelum proses klasifikasi menggunakan Forward Selection, Backward Elimination, dan dengan pendekatan korelasi Linear Regression. Hasil penelitian menunjukkan bahwa metode terbaik untuk klasifikasi kecanduan smartphone adalah KNN dengan seleksi atribut menggunakan Linear Regression berdasarkan korelasi weight, yang mana atribut inputan yang berpengaruh secara signifikan terhadap output kecanduan smartphone (Y) adalah umur (X1), durasi penggunaan smartphone (X5), aktifitas (X6), dan kualitas tidur (X7) dengan  model K = 44 dan numerical measure = Chebychev, menghasilkan accuracy = 79.03%, precision = 78.79%, recall = 81.25%, AUC = 0.828, dan running times = 1 detik. Output dari penelitian ini menunjukan prediksi dengan menggunakan metode terbaik yaitu presentase tingkat kecanduan siswa dengan tidak kecanduan serta presentase kecanduan smartphone dengan variabel lainnya.
Analisis Algoritma Klasifikasi untuk Memprediksi Karakteristik Mahasiswa pada Pembelajaran Daring Wiyli Yustanti; Naim Rochmawati
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.50452

Abstract

Keberhasilan pelaksanaan pembelajaran secara daring di masa pandemi dari sisi mahasiswa dipengaruhi oleh faktor eksternal dan internal. Faktor eksternal antara lain ketersediaan sinyal atau jaringan yang baik, kuota internet, serta perangkat penunjang seperti smartphone dan laptop. Selain itu, aspek internal seperti motivasi belajar, budaya belajar, dan  kondisi fisik serta psikologi yang baik juga berperan penting dalam keberhasilan proses belajar mahasiswa. Faktor-faktor ini menjadi input untuk membangun model prediksi karakteristik mahasiswa peserta daring. Pada proses pemodelan diawali dengan tahap pre-processing melalui seleksi fitur menggunakan uji independen Chi-Square untuk menentukan variabel yang berpengaruh pada proses prediksi variabel respon. Hasil seleksi variabel independen menghasilkan 16 variabel yang berpengaruh dari total 22 variabel awal.  Adapun jenis label pada variabel respon terdiri dari 4 kelompok yaitu mahasiswa aktif dengan fasilitas terbatas, aktif dengan fasilitas baik, pasif dengan fasilitas baik dan pasif dengan fasilitas terbatas. Pada data penelitian ini, distribusi variabel respon termasuk dalam kategori tidak seimbang (imbalanced class) dengan proporsi kelas terkecil adalah 2,20%. Untuk melakukan balancing data digunakan teknik oversampling sebelum tahap pemodelan. Sementara algoritma klasifikasi yang diujicobakan terdiri dari 6 algoritma yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Random Forest (RF), Regresi Logistik (LR), K-Nearest Neighbor (KNN), dan Decision Tree (DT). Hasil komparasi kinerja menunjukkan bahwa algoritma Support Vector Machine (SVM) lebih unggul dengan nilai F-1 Score 92,8% dan AUC sebesar 99,01%.
Naïve Bayes untuk Prediksi Tingkat Pemahaman Kuliah Online Terhadap Mata Kuliah Algoritma Struktur Data Yuli Astuti; Irma Rofni Wulandari; Angga Ramana Putra; Nurdini Kharomadhona
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.48848

Abstract

Banyak masalah yang terjadi dalam proses pembelajaran daring, salah satunya adalah kesulitan mahasiswa dalam memahami materi dengan baik. Berbagai upaya telah diklakukan dosen untuk mendukung pembelajaran secara daring, mulai dari penjelasan materi langsung melalui media conference maupun pembuatan video pembelajaran. Untuk mengetahui apakah siswa benar-benar memahami materi yang disampaikan dosen, maka diperlukan penelusuran dengan tujuan jika terdapat banyak mahasiswa yang belum menguasai materi maka perlu ada perubahan pada proses penyampaian materinya. Penelitian ini melakukan prediksi tingkat pemahaman dalam perkuliahan daring. Data yang digunakan pada penelitian ini adalah data nilai mata kuliah Algoritma Struktur Data. Data dengan variable tugas, praktikum, UTS, UAS dan jumlah kehadiran perkuliahan diperoleh dari nilai mahasiswa program studi D3 Manajemen Informatika angkatan 2020 dan 2019. Metode yang digunakan pada penelitian ini adalah Naïve Bayes dengan hasil prediksi pada angkatan 2019 sebesar 46.15% dengan akurasi confusion matrix 69.23% dan hasil prediksi angkatan 2020 sebesar 54.54% dengan akurasi confusion matrix 72.73%, sehingga dapat disimpulkan bahwa perkuliahan online tingkat pemahamanya meningkat dari perkuliahan offline.
Penghitung Skor Tembak Otomatis menggunakan Metode Background Substraction dan Euclidean Distance Moechammad Sarosa; Muhammad Ridwan; Isa Mahfudi; Muh Bambang Purwanto
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 8, No 1 (2022): Volume 8 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v8i1.51265

Abstract

Prajurit TNI khususnya TNI AD di tuntut untuk memiliki kemampuan dan kehandalan dalam menembak. Dalam menunjang kemampuan dan kehandalan tersebut, maka setiap prajurit TNI AD akan melaksanakan latihan menembak setiap 3 bulan sekali. Dalam menghitung skor tembak, saat ini masih dilakukan secara manual yakni ada personil yang bertugas untuk mengamati dan menilai dari skor tembak. Hal ini merupakan perkerjaan yang beresiko tinggi dan berbahaya salain itu juga sangat melelahkan mengingat ketika sedang berlatih menembak terkadang bisa mencapai puluhan personel. Peneliti ingin menerapkan Metode Background Substraction dan Euclidean Distance dalam membangun sebuah sistem penghitung skor tembak secara otomatis. Teknik Background Substraction difungsikan untuk mendeteksi bekas lubang tembak dan Euclidean Distance untuk mengukur jarak antara lubang tembak tehadap titik pusat sekaligus difungsikan untuk perhitungan skor otomatis. Penelitian ini menghasilkan sistem yang mampu berjalan dengan baik pada kondisi pencahayaan normal. Intensitas cahaya berpengaruh terhadap hasil deteksi bekas lubang tembak. Pada kondisi pencahayaan gelap dan sangat terang akan mengurangi tingkat akurasi deteksi. Pada kondisi pencahayaan normal yang terukur pada range 80 lux s.d. 120 lux mampu mendeteksi lubang bekas tembakan dengan baik. Sistem memiliki akurasi dalam mendeteksi hingga mencapai 100% pada kondisi pencahayaan normal serta mampu melakukan perhitungan skor tembakan secara tepat.

Page 28 of 53 | Total Record : 522

 26   27   28   29   30 

Filter by Year

2015 2025


Reset
Filter By Issues
All Issue 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