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
 44   45   46   47   48 
Knowledge Extraction Using Aspect-Based Sentiment Analysis and Classification Method Inayah, Anna Fadilla; Tania, Ken Ditha; Wedhasmara, Ari; Meiriza, Allsela
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83389

Abstract

In this modern era, the use of technology in various fields of life is growing, especially in the financial sector such as digital payments. Digital payments are transactions made via the internet with various forms or electronic payment applications. This research utilizes one of the e-wallet applications, namely the DANA Application. As one of the digital payment applications, DANA's service quality is an important factor in competing with various e-wallet applications or other competitive digital payment applications, sentiment analysis of massive amounts of incoming review data is needed to understand user perceptions and satisfaction levels in order to help companies in decision making. This research analyzes 69632 user review data from May 1 to June 28, 2024, then classifies reviews into positive, negative, and neutral reviews based on aspects to find out the dominant aspects in the review data, as for the aspects determined in this study are mobile applications, interfaces, service performance, and security. This research compares various classification method algorithms to determine the performance of the model, the comparison results show that the Random Forest algorithm has the best performance of other algorithms studied based on evaluation metrics with accuracy 0.82, precision 0.82, recall 0.82, f1_score 0.82, AUC-ROC 0.92, and Cross Validation Mean Accuracy 0.822. This research is expected to produce useful and computerized knowledge extraction and provide perceptual understanding, user satisfaction, and insight into the most effective algorithms which can then help companies in making decisions in the future.
Perbandingan Naive Bayes dan Gated Recurrent Unit untuk Klasifikasi Keluhan Publik di Kabupaten Sleman Perdana, Aziz; Pramudwiatmoko, Arif
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.81687

Abstract

Pemerintah Kabupaten Sleman, sejak 15 Mei 2016, telah meluncurkan aplikasi bernama 'Lapor Sleman', yang berfungsi sebagai platform untuk mengajukan keluhan masyarakat. Warga menginput data keluhan ke dalam aplikasi 'Lapor Sleman', termasuk kategori keluhan, judul laporan, rincian, serta foto dan koordinat. Seiring waktu, penggunaan media sosial seperti Twitter telah memberikan masyarakat berbagai opsi untuk mengekspresikan keluhannya. Klasifikasi manual dari banyak postingan Twitter oleh manusia telah menjadi tugas rutin yang seharusnya dapat dilakukan secara otomatis oleh mesin. Selain itu, memfasilitasi masyarakat dalam mengajukan keluhan, termasuk klasifikasi keluhan otomatis, adalah sesuatu yang perlu diimplementasikan. Tujuan utama penelitian ini adalah mengevaluasi efektivitas dan akurasi metode Machine Learning (Naive Bayes Classifier) dan Deep Learning (Gated Recurrent Unit) dalam mengkategorikan keluhan masyarakat di Kabupaten Sleman. Tujuan penelitian secara khusus meliputi: (1) Menganalisis dampak hyperparameter Naive Bayes Classifier (NBC) terhadap akurasi selama pelatihan dan implementasi berkas pickle; (2) Menganalisis hyperparameter Gated Recurrent Unit (GRU) terhadap akurasi selama pelatihan dan penggunaan berkas h5 dan pth; (3) Membandingkan kinerja antara metode NBC dan GRU. Dataset pelatihan terdiri dari 5.308 keluhan masyarakat yang dikumpulkan dari aplikasi 'Lapor Sleman'. Hasil menunjukkan keunggulan NBC. Namun, NBC sedikit kurang dalam mencapai akurasi dataset keseluruhan dibandingkan dengan GRU PyTorch. Sebaliknya, GRU di TensorFlow menunjukkan kinerja yang relatif kurang baik, menempati peringkat ketiga dalam sebagian besar aspek. Selain itu, GRU di TensorFlow menunjukkan tanda-tanda overfitting, terlihat melalui penurunan akurasi selama pengujian dengan dataset lengkap.
Optimasi Rute Pengangkutan Sampah Elektronik di Kota Bandung dengan Pendekatan menggunakan Algoritma Genetika dan Algoritma Seleksi Clonal Purbasari, Ayi; Fikri, Rifqi Muhammad; Fauzaan, Muhammad Rifqi Al; Firdaus, Mohamad Fidi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.78360

Abstract

Kota Bandung melalui operator pengelolaan layanan sampah melakukan upaya maksimal dalam pengelolaan sampah, khususnya sampah elektronik (e-waste). Salah satunya dengan menerapkan gagasan penjemputan sampah dalam bentuk aplikasi dengan menggunakan komponen optimasi untuk rute dan kapasitas, mengingat terbatasnya armada pengangkutan sampah. Optimasi Vehicle Routing Problem dengan kapasitas (CVRP) merupakan persoalan optimasi penentuan rute dengan keterbatasan kapasitas kendaraan. Penelitian menggunakan dua algoritma terinspirasi biologi, yaitu Algoritma Seleksi Clonal (CSA) dan Algoritma Genetika yang dikonstruksi menggunakan bahasa Java untuk menyelesaikan CVRP. Ujicoba dilakukan terhadap 36 titik drop-off yang merupakan titik TPS di Kota Bandung Utara. Hasil uji memperlihatkan sub-tur yang diperoleh untuk masing-masing armada. Ujiccoba memperlihatkan pola-pola yang peningkatan total jarak seiring dengan banyaknya armada yang digunakan. Dengan menetapkan 6 armada, Algoritma Genetika memperlihatkan hasil jarak 56.376 meter yang lebih baik dari Algoritme Seleksi Clonal, yaitu 67.407 meter. Algoritma Seleksi Clonal menunjukkan kemampuan mendapatkan jarak optimal yang lebih baik di awal evolusi dibandingkan dengan Algoritma Genetika. Namun selanjutnya mengalami stagnan, sementara Algoritma Genetika dapat menghasilkan bobot jarak yang mengecil seiring dengan jumlah evolusi. Dari sisi waktu eksekusi, Algoritma Seleksi Clonal memiliki kinerja waktu eksekusi yang jauh lebih cepat dibandingkan dengan waktu eksekusi Algoritma Genetika. Perlu pengembangan lebih lanjut agar kedua algoritma dapat dibandingkan kinerja pencapaian optimasi bobot baik dari sisi jarak disertai dengan waktu tempuh sebagai parameter optimasi. Selain itu, program yang telah dikonstruksi dapat dijadikan library yang dapat digunakan oleh aplikasi penjemputan sampah elekronik.
Prediksi Pola Keuangan pada Pasar Saham Bursa Efek Indonesia Menggunakan Algoritma Support Vector Machine For Regression (SVR) Adam, Marcellino; Chrisnanto, Yulison Herry; Umbara, Fajri Rakhmat
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.86833

Abstract

Di era modern perdagangan saham yang dinamis, penggunaan algoritma Support Vector Machine Regression menjadi perhatian utama bagi para investor dan trader. Penelitian ini bertujuan untuk menganalisis cara kerja algoritma dalam memprediksi pola pasar saham menggunakan Support Vector Machine Regression. Metode penelitian yang digunakan adalah Support Vector Regression dengan kernel Radial Basis Function. Hasil penelitian menunjukkan tingkat akurasi yang baik, dengan Mean Absolute Percentage Error (MAPE) sebesar 6,04%. Hal ini menunjukkan bahwa model ini efektif dalam memprediksi pergerakan harga saham di Bursa Efek Indonesia. Sebaliknya, penggunaan kernel Linear dan Polynomial tidak memberikan hasil yang memuaskan, dengan tingkat kesalahan yang cukup signifikan, masing-masing sebesar 16,32% dan 22,47%. Bahkan, kernel Sigmoid menunjukkan tingkat kesalahan yang sangat tinggi, yaitu MAPE sebesar 808,46%, yang mengindikasikan bahwa model ini tidak cocok untuk prediksi harga saham. Penelitian ini berkontribusi dengan menunjukkan bahwa penggunaan Support Vector Regression dengan kernel Radial Basis Function dapat memberikan hasil prediksi yang akurat dalam konteks pergerakan harga saham. Kontribusi utama terletak pada pemahaman lebih lanjut mengenai efektivitas model Support Vector Regression dalam prediksi di pasar saham Indonesia, yang memberikan manfaat signifikan bagi investor, perusahaan keuangan, pemerintah, dan masyarakat.
Optimasi Klasifikasi Sentimen Menggunakan Random Forest dengan Preprocessing K-Means Clustering dan SMOTE Angkoso, Cucun Very; Thrisna, Mochamad Adrian Nuradha; Satoto, Budi Dwi; Kusumaningsih, Ari
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.84514

Abstract

Salah satu topik penelitian terkini dalam bidang pengolahan informasi adalah opinion mining atau analisis sentimen dimana didalamnya terdapat pekerjaan utama yaitu klasifikasi sentimen pada data teks. Penelitian ini bertujuan mengoptimalkan proses klasifikasi sentimen dengan mengatasi tantangan-tantangan umum seperti ketidakseimbangan kelas dan kualitas data input dengan mengusulkan metode baru untuk meningkatkan kinerja mesin klasifikasi yang digunakan. Data yang digunakan untuk mengevaluasi metode yang diusulkan adalah satu topik yang diperbincangkan di media sosial Twitter yaitu terkait kebijakan peralihan mobil listrik di Indonesia. Jumlah data yang dikumpulkan adalah tweet berbahasa Indonesia dimulai pada tanggal 01 Januari 2019 hingga 27 Februari 2023 dengan jumlah data yang diperoleh adalah 7.745 data tweet. Penelitian ini mengikuti model penelitian data science CRISP-DM, dimulai dengan observasi topik, pengumpulan data, pelabelan, dan preprocessing data. Data yang telah diberi label dibagi menjadi data train dan data test, kemudian melalui tahap ekstraksi fitur menggunakan TF-IDF (Term Frequency-Inverse Document Frequency). Model Random Forest diterapkan untuk klasifikasi sentimen, dan teknik SMOTE (Synthetic Minority Over-sampling Technique) digunakan untuk menangani ketidakseimbangan kelas. Hasil eksperimen menunjukkan bahwa kombinasi preprocessing K-Means Clustering dan SMOTE secara signifikan meningkatkan kinerja model klasifikasi sentimen. Model Random Forest menghasilkan akurasi sebesar 98,47% dengan 5-fold cross validation, dan setelah penambahan teknik SMOTE, akurasi meningkat menjadi 99,55%.
Penentuan Lokasi Bisnis Terbaik dengan Perbandingan K-Means, DBSCAN dan GMM Erdiansyah, Dian; Abdullah, Indra Nugraha
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83424

Abstract

Informasi lokasi bisnis terbaik yang sesuai dengan segmentasi pasar sangat diperlukan bagi pelaku bisnis untuk keputusan dalam mendirikan bisnis baru atau melakukan ekspansi bisnis dengan strategi membuka cabang baru di lokasi yang potensial pelanggan.   Masih terbatasnya informasi untuk mencari lokasi bisnis yang optimal masih menjadi permasalahan yang banyak dihadapi oleh pelaku bisnis dalam mengambil keputusan bisnis.   Terbatasnya informasi lokasi bisnis berkualitas karena penggunaan metode analisis yang belum optimal dikarenakan  keterbatasan penyedia location intelligence dalam menerapkan metode dan algoritma yang tepat.   Penelitian ini bertujuan menerapkan data mining clustering untuk mencari lokasi bisnis terbaik. Model paling optimal dicari melalui perbandingan antara algoritma K-Means, DBSCAN dan GMM.   Dataset yang digunakan yaitu jumlah keluarga, demografi potensial, status sosial ekonomi, mobilitas orang dan titik bisnis yang sudah ada di sekitar lokasi.   Hasil penelitian menunjukkan bahwa data mining dapat diterapkan untuk menentukan lokasi bisnis yang optimal dan metode K-Means merupakan model yang paling optimal.   Hasil penelitian ini direkomendasikan bagi pelaku bisnis untuk menentukan lokasi bisnis terbaik.
Sistem Prediksi Banjir Rob Kota Pontianak Berbasis Machine Learning Menggunakan Framework Streamlit Hermawan, Eki; Panjaitan, Seno Darmawan; Ripanti, Eva Faja
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.79955

Abstract

 Kota Pontianak yang terletak di garis ekuator merupakan salah satu wilayah di Indonesia dimana sering terjadi bencana hidrometeorologi. Dengan topografi wilayah yang datar dan terletak di dataran rendah dengan ketinggian antara 0,8 meter hingga 1,5 meter diatas permukaan laut berdampak signifikan terhadap bencana, salah satunya banjir rob. Luapan Sungai Kapuas akibat adanya pasang maksimum yang dipengaruhi oleh angin munson Asia menyebabkan terjadinya banjir rob. Kejadian ini memiliki resiko tinggi terhadap masyarakat di sepanjang bantaran Sungai Kapuas. Langkah untuk mitigasi bencana dan pemberian informasi terkait kejadian banjir rob kepada masyarakan perlu dilakukan, salah satunya melalui pendekatan dengan mengimplementasikan sistem prediksi menggunakan teknologi machine learning. Sistem dirancang menggunakan data historis yang diperoleh dari Stasiun Meteorologi Maritim Pontianak pada tahun 2017 hingga 2023 dan diolah menggunakan algoritma support vector machine, random forest dan k-nearest neighbor. Algoritma random forest memiliki kinerja paling optimal dalam membangun model dengan nilai akurasi 0,99 dan waktu komputasi 1,84 second pada skenario uji 70:30. Implementasi model yang dibangun dengan algoritma random forest divisualisakan berbasis website menggunakan framework streamlit. Sistem dapat melakukan klasifikasi tingkat kejadian banjir dan prediksi nilai ketinggian air sesuai dengan kategori yang telah ditentukan. Pengujian dilakukan saat terjadinya banjir rob pada 23 Desember 2022 pukul 05:00 WIB, menunjukkan nilai ketinggian air 34 cm dari permukaan tanah. Nilai MAE yang diperoleh yaitu 3.24, RMSE 4.86 dan MAPE 1,52% menunjukkan sistem yang dibangun memiliki tingkat keakuratan model yang sangat baik dan dapat digunakan secara optimal.
Analisa Suasana Belajar Kelas Berdasarkan Deteksi Ekspresi Wajah Menggunakan Deepface Rasmana, Susijanto Tri; Johan, Ahmad Wali Satria Bahari; Wicaksono, Ardian Yusuf
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.85462

Abstract

Emosi peserta kelas pada pelajaran merupakan salah satu kunci keberhasilan proses belajar mengajar. Perasaan senang dan bisa memahami merupakan hal positif dalam belajar. Sebaliknya perasaan bosan dan tidak tertarik merupakan hal negatif yang dapat menurunkan produktifitas belajar. Emosi yang terjadi pada seseorang dapat terlihat pada ekspresi wajahnya. Demikian halnya pada peserta pelajaran di kelas yang dalam penelitian ini menggunakan objek mahasiswa. Dengan menggunakan metode Deepface-MTCNN dan Deepface-Retinaface dapat dikenali emosi setiap peserta kelas dan menentukan suasana belajar. Dipadukan dengan hasil survey peserta kelas, didapatkan adanya hubungan antara suasana belajar yang dirasakan mahasiswa saat mengikuti kuliah di kelas dengan hasil deteksi ekspresi wajah. Saat peserta kelas merasakan suasana menyenangkan, bisa memahami, sulit memahami, atau tidak menarik terjadi pula perubahan pada ekspresi wajah. Berdasarkan pengujian akurasi deteksi Deepface-Retinaface sebesar 86% dan Deepface-MTCNN sebesar 91%. Untuk analisa korelasi metode Deepface-MTCNN memiliki hasil lebih baik karena memiliki korelasi kuat yang lebih banyak. sebanyak 4 korelasi positif dengan nilai lebih besar dari 0,5 dan 5 korelasi negatif dengan nilai lebih kecil dari -0,5.
Pengembangan Microservice Grader pada Online Judge Berbasis Event-Driven Architecture Arvon, Ardian; Muthahhari, Morteza; Perwitasari, Anggi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.83893

Abstract

 Online Judge telah menjadi salah satu platform yang umum digunakan untuk pengujian dan penilaian dalam mata kuliah pemrograman di lingkungan akademis. Namun, di Universitas Tanjungpura, proses penilaian masih dilakukan secara manual oleh dosen, mengakibatkan kerumitan dan potensi kesalahan. Munculnya ide penerapan online judge yang mana untuk menyeselaikan masalah sebelumnya, tapi adanya masalah lanjutan berupa online judge eksternal belum dapat memenuhi beberapa kebutuhan spesifik dari institusi atau pun individu. Dalam rangka mengatasi tantangan ini, penelitian ini berfokus pada pengembangan Microservice Grader pada Online Judge Jurusan Informatika Fakultas Teknik Universitas Tanjungpura yang dapat dikostumisasi sesuai kebutuhan dengan dasar Event-Driven Architecture. Metodologi penelitian yang dilakukan, yaitu identifikasi masalah, studi literatur, pengumpulan data, perancangan sistem, dan perancangan pengujian didasarkan pada prinsip-prinsip Object-Oriented Analysis and Design (OOAD). Hasil yang diperoleh adalah Microservice Grader yang dapat menangani berbagai kasus dengan umpan balik yang berbeda-beda. Hasil pengujian black box didapati keberhasilan sebesar 100% dari pengujian yang disiapkan yaitu sejumlah 38 kasus uji, membuktikan bahwa sistem mampu menangani berbagai kemungkinan kesalahan yang mungkin terjadi selama penggunaan. Selain itu, perbandingan performa antara platform-platform mengungkapkan variasi yang signifikan, tanpa disertakan rincian faktor-faktor yang mempengaruhi. Secara keseluruhan, Microservice Grader menjanjikan kontribusi yang berarti dalam pengembangan sistem Online Judge di Jurusan Informatika Fakultas Teknik Universitas Tanjungpura, dengan potensi untuk meningkatkan efisiensi dan akurasi penilaian.
Eksplorasi Sentimen Publik terhadap Film "˜Dirty Vote"™ melalui Metode Naïve Bayes dan Logistic Regression Junianto, Haris; Saputro, Rujianto Eko; Kusuma, Bagus Adhi; Saputra, Dhanar Intan Surya
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 10, No 3 (2024): Volume 10 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v10i3.78520

Abstract

Tahun 2024 merupakan tahun politik bagi masyarakat Indonesia, di mana mereka menggunakan hak pilih untuk menentukan pemimpin pemerintahan selama lima tahun ke depan. Dalam konteks ini, pendidikan politik menjadi sangat penting, terutama bagi warga yang kurang memahami seluk-beluk politik dan proses pemilihan umum. Menyadari pentingnya pemahaman tersebut, sekelompok akademisi menciptakan film berjudul "Dirty Vote" dengan tujuan meningkatkan kesadaran masyarakat mengenai proses pemilu serta meminimalisir potensi pelanggaran.Penelitian ini bertujuan untuk mengevaluasi opini publik terkait film "Dirty Vote" dengan menggunakan dua model klasifikasi, yaitu Naive Bayes dan Logistic Regression. Penelitian ini melibatkan beberapa tahap, mulai dari pengumpulan data melalui scraping komentar dari platform YouTube, preprocessing data, analisis eksploratif (Exploratory Data Analysis), hingga pengujian performa model menggunakan teknik K-fold Cross Validation, serta visualisasi data menggunakan Word Cloud. Dalam penelitian ini, sebanyak 8888 data komentar dianalisis menggunakan teknik pemrosesan bahasa alami untuk mengukur sentimen publik terhadap film tersebut. Hasil analisis menunjukkan bahwa algoritma Naive Bayes mengidentifikasi 91,30% sentimen positif dan 8,70% sentimen negatif, sedangkan algoritma Logistic Regression memberikan hasil yang lebih tinggi, dengan sentimen positif sebesar 95,65% dan negatif sebesar 4,35%. Dari segi performa, Logistic Regression terbukti lebih unggul dengan akurasi mencapai 95,5%, sedangkan Naive Bayes memiliki akurasi sebesar 91,1%. Pengujian performa dilakukan melalui satu kali pengujian penuh serta delapan kali pengujian dalam berbagai kondisi data, dengan evaluasi kinerja menggunakan ROC dan AUC. Hasil penelitian ini menunjukkan bahwa kedua algoritma memberikan evaluasi positif terhadap film "Dirty Vote", dengan Logistic Regression memberikan hasil yang lebih akurat.

Page 46 of 53 | Total Record : 522

 44   45   46   47   48 

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