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
 40   41   42   43   44 
Analisis Perbandingan Efektivitas Arsitektur Restful dan Arsitektur Grpc pada Implementasi Web Service Yanuardi, Muhammad Irsyad; Aminudin, Aminudin; Faiqurahman, Mahar
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.80845

Abstract

PT. Symmex Medical Indonesia beroperasi dalam sektor manufaktur peralatan medis, gigi, serta perangkat ortopedi dan prostetik, dengan kebutuhan mendesak akan layanan web yang sangat efisien dan efektif. Perusahaan dihadapkan pada tantangan kritis dalam memilih layanan web yang optimal berdasarkan parameter kinerja seperti waktu respons, ukuran respons, penggunaan CPU, throughput, dan waktu muat, dengan mempertimbangkan urgensi data real-time yang esensial. Penelitian ini mengadopsi pendekatan eksperimental dengan uji coba dan analisis komparatif performa antara RESTful API dan gRPC, yang dilaksanakan menggunakan Postman dan JMeter sebagai alat pengujian. Temuan dari penelitian ini menunjukkan bahwa gRPC menawarkan keunggulan signifikan dibandingkan RESTful API dalam metrik kinerja kunci. gRPC menunjukkan konsistensi yang lebih tinggi serta waktu respons yang lebih cepat, berkisar antara 20-22 detik untuk berbagai ukuran data, sementara RESTful API memperlihatkan variasi waktu respons yang lebih besar, yakni antara 30-90 detik. Selain itu, penggunaan CPU oleh gRPC cenderung lebih stabil dan tidak mengalami peningkatan signifikan seiring dengan bertambahnya volume data, berbeda dengan RESTful API yang memperlihatkan lonjakan signifikan dalam penggunaan CPU pada skala data yang lebih besar. Dalam konteks throughput untuk pengolahan 1000 data, gRPC juga menunjukkan kecepatan pemrosesan yang lebih tinggi, dengan waktu sekitar 10 detik, dibandingkan dengan RESTful API yang menunjukkan waktu yang lebih stabil di sekitar 20 detik. Waktu muat data dengan gRPC tetap konsisten dan efisien, yakni sekitar 20 detik, sementara RESTful API menunjukkan peningkatan yang substansial dalam waktu muat seiring dengan peningkatan ukuran data. Secara keseluruhan, hasil penelitian ini menegaskan bahwa gRPC menawarkan performa yang lebih andal dan efisien dibandingkan RESTful API. Berdasarkan temuan ini, penelitian merekomendasikan penggunaan gRPC sebagai solusi komunikasi yang lebih unggul untuk aplikasi yang membutuhkan performa tinggi, efisiensi data, dan skalabilitas yang optimal.
Sistem Manajemen Proyek Pekerja Borongan Berbasis Web menggunakan Metode Job Order Costing Rizaldi, Ade; Sholva, Yus; Muthahhari, Morteza
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 1 (2024): Volume 10 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i1.72988

Abstract

Pekerja borongan dan proyek saling terkait tanpa dapat dipisahkan, dengan setiap proyek pekerja borongan memiliki karakteristik unik yang dipengaruhi oleh berbagai faktor. Meskipun ada keunikan dalam setiap proyek, tahapan pekerjaan dan penggunaan bahan baku cenderung serupa di seluruh proyek tersebut. Hal tersebut menyebabkan pengulangan perhitungan biaya yang tidak hanya memakan waktu, tetapi juga meningkatkan risiko kesalahan penginputan data dan perhitungan yang seharusnya dapat dihindari. Oleh karena itu, diperlukan sistem manajemen proyek pekerja borongan untuk memudahkan pengguna dalam memanajemen proyek dan menghitung perkiraan biaya yang diperlukan. Metode Job Order Costing diterapkan sebagai pendekatan historis proyek yang memungkinkan pengguna untuk menyusun proyek tanpa perlu memasukkan atau menghitung data yang sama berulang kali. Metode ini juga dapat memudahkan pengukuran profitabilitas dan membandingkan hasil dengan proyek sebelumnya. Fitur utama sistem ini, yaitu template pekerjaan dan template bahan baku, memungkinkan pemetaan yang efisien terhadap proyek-proyek dengan karakteristik yang serupa meskipun memiliki perbedaan biaya. Dengan menggunakan sistem ini, pengguna dapat meningkatkan efektivitas dan efisiensi dalam pengelolaan proyek, sehingga produktivitas ditingkatkan dan risiko kesalahan karena penginputan data berulang dapat dikurangi. Selain itu, pengguna juga dapat melihat proyek pengguna lain yang sudah dipublikasi sebagai informasi dan referensi proyek pengguna kedepannya. Pengguna juga dapat menjadikan sistem ini sebagai fasilitas untuk menujukkan portofolio proyek-proyek yang telah selesai untuk ditunjukkan kepada calon klien pengguna. Setelah dilakukan pengujian terhadap sistem ini menggunakan Black-Box Testing untuk menguji fungsional sistem, didapatkan hasil yang sesuai pada semua skenario pengujian. Adapun pada User Acceptance Testing yang berikan kepada dua kategori responden yaitu pada responden pekerja borongan menghasilkan nilai persentasi sebesar 95% dan pada responden mahasiswa teknologi informasi menghasilkan nilai persentasi sebesar 94.66% yang menyatakan sistem ini sudah sesuai kebutuhan pengguna.
Power-Line Road Segmentation Menggunakan Improved Residual Networks Pamundi, Dias Lanjar; Wiharto, Wiharto; Suryani, Esti
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.77946

Abstract

Pemetaan jalan menjadi komponen penting dalam pengembangan infrastruktur jalan untuk mendukung kebutuhan mobilitas yang semakin kompleks. Pemetaan jalan memiliki cakupan areal yang sangat luas dan pendataannya cukup sulit, namun pemetaan jalan masih dilakukan secara manual. Pemetaan jalan dapat memalui citra satelit, namun karena dilakukan secara manual maka memerlukan waktu yang cukup lama. Dalam perkembangannya dibutuhkan pemetaan jalan secara otomatis salah satunya dengan menggunakan machine learning berdasarkan fitur-fitur dari citra satelit yang telah ditentukan. Namun   pengambilan fitur atau informasi yang diperoleh dari citra satelit memiliki kendala yang cukup sulit untuk diatasi, antara lain persamaan warna dan bentuk yang mempunyai kemiripan. Oleh karena itu pada penelitian ini diajukan metode deep learning berbasis U-Net dengan susunan residual block untuk mengatasi permasalahan tersebut. Data yang digunakan pada penelitian ini adalah Massachusetts Road Dataset berupa data citra satelit beresolusi tinggi. Pemetaan jalan dilakukan dengan menggunnakan metode Improved Residual Networks. Hasil pengujian model menunjukkan nilai Precision 81.6%, Recall 77.9%, Accuracy 98.1%, dan F1-score 79.7%. Kinerja tersebut lebih baik dari sejumlah penelitian sebelumnya.
Perbandingan Algoritma Machine Learning dalam Analisis Penyebab Penyakit Gagal Jantung Kirono, Aryo Sasi; Nataliani, Yessica
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.78369

Abstract

Penyakit gagal jantung meningkat seiring perkembangan jaman dikarenakan maraknya pola hidup yang tidak sehat, tingkat obesitas, dan angka perokok. Gagal jantung adalah kondisi medis yang abnormal pada struktur atau fungsi jantung. Gejala yang biasa dialami oleh penderita meliputi sesak nafas, kelelahan, dan penurunan tingkat aktivitas. Kemajuan teknologi yang sangat pesat dapat membantu dalam menganalisis penyebab penyakit gagal jantung, salah satunya teknologi machine learning yang mampu dalam memprediksi dan mengklasifikasi pasien yang beresiko gagal jantung dan normal. Penelitian ini menggunakan tiga model machine learning dalam analisis penyakit gagal jantung yaitu Decision Tree, Random Forest, dan XGBoost Ketiga model ini sama "“ sama memiliki fitur yang dapat diterapkan untuk mengetahui penyebab penyakit gagal jantung yaitu feature importance atau tingkat kepentingan karena termasuk dalam tree based model. Data yang digunakan dalam penelitian berjumlah 918 pasien gagal jantung. Dengan menerapkan fitur tersebut, ketiga model menghasilkan ST Slope yaitu kemiringan naik dan turun ST saat berolahraga menjadi variabel tertinggi terhadap resiko penyakit gagal jantung dengan 39% pada model Decision Tree, 22% pada model Random Forest, dan 46% pada XGBoost.
Pengolahan Korpus Dataset Audio Bacaan Al-Qur"™an Menggunakan Metode Wav2Vec 2.0 Aminudin, Aminudin; Nuryasin, Ilyas; Amien, Saiful; Wicaksono, Galih Wasis; Chandranegara, Didih Rizki; Thoifah, I'anatut; Rizky, Wahyu; Ferdiansyah, Danny; Azzahra, Kiara; Lathifah, Fildzah; Aulyah, Khairunnisa
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 1 (2024): Volume 10 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i1.71576

Abstract

Pengembangan sistem otomasi pengenalan ucapan (Automatic Speech Recognition/ASR) di dalam membaca Al-Qur'an dibutuhkan korpus data audio bacaan Al-Qur'an dan beranotasi dengan transkripsi tekstual agar dapat diproses oleh algoritma machine learning. Pemrosesan Korpus dataset ini dibangun mengingat belum adanya dataset beserta pemrosesanya menggunakan metode tertentu untuk keperluan riset di dalam pengembangan ASR. Paper ini menyajikan kumpulan corpus dataset dan pengolahannya menggunakan metode Wav2Vec 2.0 dengan total 24 ribuan dataset hasil dari rekaman dari 170 santri dengan jenjang umur 4 sampai dengan 16 tahun. Pemrosesan korpus dataset dibuat mengikuti standar metode Wav2Vec 2.0 agar dapat digunakan sebagai data latih pada pemrosesan machine learning. Wav2Vec merupakan model yang dapat mempelajari representasi vektor dari masukan sinyal suara dengan proses pembelajaran self-supervised learning. Wav2Vec juga mampu menangani perbedaan aksen dan karakteristik pembaca Al-Qur'an yang bervariasi dan lebih akurat karena menggunakan deep learning. Dari hasil pengujian menggunakan parameter Precision didapatkan hasil accuracy sebesar 65.52%, precision dengan nilai 0.83 Recall dengan nilai 0.66 dan F1-Score dengan nilai 0.73 serta Word Error Rate (WER) dengan nilai 0.5. Diharapkan dengan adanya pemrosesan korpus dataset ini dapat membantu pengembangan dan riset terkait automasi sistem bacaan Al-Qur'an dengan teknik deep learning dan meningkatkan minat generasi milenial untuk belajar Al-Qur'an dengan memanfaatkan teknologi terkini.
Analisis Sentimen Pada Media Sosial Menggunakan Perbandingan Algoritma Data Mining Fauzi, Ahmad; Yunial, Agus Heri
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.76024

Abstract

Twitter atau yang sekarang telah berubah nama menjadi X adalah sebuah platform media sosial yang banyak digunakan dalam bersosialisasi, bertukar informasi dan memberi tanggapan terhadap kejadian, penomena yang terjadi baik secara personal maupun bersifat umum. Hal ini lah yang menjadikan twitter atau X sebagai sarana melihat sebuah reaksi atau sentimen tehadap kejadian atau penomena. Reakasi atau sentimen yang dapat diketahui yaitu sentimen positif, negatif, dan netral. Data sentimen diambil dari komentar pengguna twitter atau X, yang kemudian dilakukan pembersihan dengan metode text mining dalam Natural Language Processing (NLP). Dalam analisis sentimen pada penelitian ini menggunakan dataset Twitter   US Airline dengan menggunakan dua vektorisasi yaitu Bag Of Word dan Tf-Idf sabagai pembanding dalam pengukuran akurasi data. Pada penelitian ini evaluasi data tweet menggunakan metode algoritma data mining seperti Naïve Bayes, Gradient Boosting, Random Forest, Support Vector Machine (SVM), Adaboost, dan ensemble voting untuk melihat konsistensi akurasinya. Hasil penghitungan pada masing-masing algoritma data mining,   maka dapat diketahui nilai akurasi   dataset Twitter US Airline dalam analisis sentimen memiliki nilai akurasi cukup tinggi yaitu sebesar 0.95 atau 95% dengan vektorisasi data menggunakan Tf-Idf serta penghitungan metode data mining dengan algoritma support vector machine. Sementara vektorisasi dataset Twitter US Airline dengan bag of word memiliki nilai akurasi tertinggi sebesar 0.92 atau 92% menggunakan metode data mining algoritma Multinominal Naïve Bayes dan Support vector Machine.
Perbandingan Algoritma Pohon dengan Beberapa Skenario Pelabelan untuk Analisis Sentimen pada Aplikasi Milik Pemerintah/BUMN Fitrianto, Anwar; Rizki Manaf, Silmi Anisa; Soleh, Agus Mohamad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 1 (2024): Volume 10 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i1.73512

Abstract

Berkembangnya era digitalisasi mengakibatkan banyaknya inovasi yang diupayakan untuk mempermudah aktivitas masyarakat di berbagai bidang, salah satunya yaitu adanya aplikasi yang menunjang agar menjadi lebih efisien dan dapat diakses dari mana saja. Aplikasi milik pemerintah dan BUMN sebagai perusahaan berskala nasional cenderung belum banyak diketahui dan banyak yang memiliki rating rendah disertai dengan berbagai macam ulasan pengguna aplikasi. Analisis sentimen merupakan analisis yang cocok untuk menganalisis ulasan dari aplikasi yang dipilih. Data yang digunakan adalah ulasan aplikasi InfoBMKG, BPOM Mobile, MyIndihome, dan MyPertamina. Penelitian bertujuan untuk membandingkan performa algoritma double random forest   dan algoritma berbasis pohon lain yaitu decision tree, extra trees, dan random forest berdasarkan tingkat ketepatan performa akurasi model. Pelabelan data berdasarkan rating aplikasi, lexicon-based, dan sentiment scoring dengan peubah prediktor dihasilkan dari tokenisasi unigram yang diberi bobot dengan TF-IDF. Setiap observasi data dikategorikan ke dalam kelas positif, netral, dan negatif. Hasil penelitian menunjukkan algoritma extra trees dan metode pelabelan sentiment scoring mampu menghasilkan performa terbaik dengan nilai rata-rata akurasi mencapai 80 "“ 84% pada tiap aplikasi yang dipilih.
Metode Hybrid-DPSO dan Clustering untuk Rekomendasi Rute Perjalanan Wisata Berbasis Mobile Android Nugroho, Benni Agung; Izzah, Abidatul; Eliyen, Kunti; Widyastuti, Ratna
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 2 (2024): Volume 10 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i2.72014

Abstract

Di dalam suatu tur perjalanan wisata terdapat beberapa lokasi wisata yang akan dikunjungi. Penentuan urutan lokasi wisata yang akan dikunjungi akan menentukan total waktu lamanya perjalanan wisata yang ditempuh dan akan semakin kompleks apabila jumlah lokasi wisata yang akan dikunjungi semakin banyak dan dilakukan selama beberapa hari. Pengelola perjalanan wisata harus menentukan rencana perjalanan wisata dengan matang agar dapat memaksimalkan waktu di tempat wisata. Di sisi lain, metode heuristik particle discrete swarm optimization (DPSO) dan genetic algorithm (GA) merupakan metode yang sering digunakan menyelesaikan kasus vehicle routing problem (VRP) yang identik dengan pencarian solusi rute perjalanan terpendek. Sedangkan, metode clustering K-Means dapat digunakan untuk mengelompokkan titik-titik lokasi wisata menjadi beberapa kelompok berdasarkan jumlah hari berwisata. Oleh karena itu, dengan menggunakan metode heuristik dan metode clustering tersebut, maka pengelompokan tempat wisata dan waktu yang ditempuh dalam perjalanan wisata dapat diminimalkan sehingga waktu yang dihabiskan di tempat wisata menjadi lebih panjang. Metode hybrid tersebut kemudian diimplementasikan ke dalam aplikasi mobile android sebagai media rekomendasi rute perjalanan. Hasil pengujian menunjukkan bahwa metode hybrid-DPSO dapat merekomendasikan rute yang lebih optimal jika dibandingkan dengan rute wisata yang sering digunakan oleh agen wisata dengan nilai 2-13%.
Analisis Perbandingan Single Membership Function dan Double Membership Function pada Diagnosis Penyakit ISPA Hanif, Muhammad Fikri; Pratiwi, Helen Sasty; Tursina, Tursina
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 1 (2024): Volume 10 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i1.72553

Abstract

Penyakit ISPA (Infeksi Saluran Pernafasan Akut) merupakan penyakit yang dapat menular. Penyakit ini disebabkan karena terjadinya infeksi dari bakteri maupun virus yang sering terjadi setiap tahunnya. Dalam keseharian, terkadang kita tidak dapat menyatakan sesuatu sebagai benar atau salah, namun kita harus menyatakannya dalam pernyataan hampir benar, sedikit benar, atau semacamnya seperti sedikit pusing, sedikit sesak. Logika fuzzy merupakan logika samar yang dapat mengatasi sesuatu yang memiliki ketidakpastian tersebut. Pada dasarnya logika fuzzy ini hanya memiliki satu fungsi keanggotaan saja (single membership function). Dengan berkembangnya ilmu pengetahuan Logika fuzzy ini terus dikembangkan oleh para peneliti yang kemudian didapatkan sebuah gagasan mengenai double membership function yang dihitung menggunakan metode fuzzy certainty factor. Penelitian ini akan membahas mengenai analisis perbandingan single membership function yang menggunakan metode fuzzy mamdani dan double membership function yang menggunakan metode fuzzy certainty factor terhadap diagnosis penyakit ISPA. Gejala dari penyakit ISPA yang digunakan adalah batuk, demam, pilek, frekuensi nafas, dan ada tidaknya tarikan dinding dada. Analisis kedua metode ini menerapkan masukan dari gejala ISPA sebagai acuan mendiagnosis penyakit, kemudian dilanjutkan dengan proses komposisi aturan, implikasi, dan defuzzifikasi. Dari hasil pengujian terhadap 30 data uji yang didapatkan dari dokter berdasarkan hasil rekam medis, kedua metode ini sama-sama menghasilkan 100% tingkat keakuratan.
Analisis Perbandingan Metode Pengklasifikasi Gambar Jenis Tulisan Kaligrafi Arab Afriani, Afriani; Sujaini, Herry; Candraningrum, Niken
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 1 (2024): Volume 10 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i1.72863

Abstract

Kaligrafi Arab atau Khat merupakan suatu ilmu atau seni penulisan yang memodifikasi huruf arab menjadi karya yang memiliki nilai estetika. Kaligrafi Arab memiliki sejarah yang sangat panjang, akan tetapi seiring berjalannya waktu, kini seni ini mulai disepelekan dan hampir dilupakan serta dengan banyaknya variasi jenis khat ini, membedakan jenis khat satu dan lainnya merupakan hal yang sulit bagi orang awam dan hanya dapat dipahami oleh orang yang mempelajarinya secara khusus. Penelitian ini menganalisis perbandingan metode Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) dalam penerapan model untuk melakukan klasifikasi gambar berdasarkan jenis tulisan kaligrafi Arab. Dataset (kumpulan data) yang akan dikumpulkan berupa citra digital yang akan diberi label berdasarkan 6 jenis kaligrafi Arab, yaitu Khat Riq"™ah, Khat Diwani, Khat Naskhi, Khat Tsuluts, Khat Farisi, Khat Kufi. Masing-masing jenis khat akan berisi 160 gambar (citra digital), sehingga total gambar (citra digital) yang akan digunakan pada penelitian ini adalah 960 gambar (citra digital). Dataset akan dibagi ke dalam data pelatihan (training set) dan data pengujian (testing set) dengan mengacu pada proporsi 90% dari dataset untuk data pelatihan dan 10% dari dataset untuk data pengujian, sehingga pada penelitian ini akan menggunakan K-Fold Cross Validation dengan nilai k = 10, yaitu akan dilakukan pengujian dan pelatihan sebanyak 10 kali (fold). Pada penelitian ini, proses tuning hyperparameter akan dilakukan saat menerapkan model CNN dan SVM, selanjutnya dilakukan pengujian performa model menggunakan Confusion Matrix pada tiap fold dari pengujian K-Fold Cross Validation. Pada model CNN, diperoleh nilai rata-rata akurasi, presisi, recall, dan skor f1 yang terbaik dengan menggunakan Arsitektur VGG19, optimizer RMSprop, dan nilai epochs = 100, yaitu 94.17%, 94.34%, 94.17%, 94.13%, serta nilai loss 0.5840. Sementara pada model SVM menghasilkan rata-rata akurasi, presisi, recall, dan skor f1 terbaik dengan menggunakan jenis kernel RBF, nilai C = 2, dan nilai gamma = 0.001, yaitu 76.25%, 77.06%, 76.25%, dan 75.87%. Berdasarkan pada hasil tersebut, dapat disimpulkan bahwa kinerja algoritma CNN memberikan performa yang lebih unggul daripada algoritma SVM dalam mengklasifikasikan gambar berdasarkan jenis tulisan kaligrafi Arab.

Page 42 of 53 | Total Record : 522

 40   41   42   43   44 

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