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
 46   47   48   49   50 
Algoritma Decision Tree dalam Menentukan Rekomendasi Pakaian Berdasarkan Fitur Fisik dan Preferensi Gaya Silalahi, Dinah Makhroza; Fakhriza, M.
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.97413

Abstract

Banyak individu mengalami kesulitan dalam memilih pakaian yang sesuai dengan karakteristik fisik dan preferensi gaya pribadi, sehingga sering menimbulkan ketidakpuasan dalam penampilan. Permasalahan ini menuntut adanya solusi berbasis data yang mampu memberikan rekomendasi secara objektif. Penelitian ini mengembangkan sistem rekomendasi pakaian berbasis web dengan algoritma decision tree, yang menggunakan lima atribut utama yaitu jenis kelamin, tinggi badan, berat badan, warna kulit (skintone), dan gaya berpakaian. Dataset yang digunakan berjumlah 180 kombinasi data hasil studi pustaka, referensi fashion, serta validasi melalui wawancara dengan ahli. Model Decision Tree dibangun dengan perhitungan Entropy dan Information Gain sehingga menghasilkan struktur pohon keputusan dengan atribut "style" sebagai faktor dominan dalam klasifikasi. Pengujian dilakukan dengan 3 data uji baru, dan hasil evaluasi menggunakan Confusion Matrix menunjukkan tingkat akurasi sebesar 100%. Selain itu, uji coba responden melalui kuesioner menunjukkan bahwa mayoritas pengguna merasa puas terhadap kualitas rekomendasi dan kemudahan penggunaan sistem. Hasil ini membuktikan bahwa sistem yang dikembangkan tidak hanya mampu meningkatkan objektivitas dalam pemilihan pakaian, tetapi juga memberikan pengalaman yang lebih praktis dan personal bagi pengguna.
Perbandingan Metode Particle Swarm Optimization dan Artificial Bee Colony pada Support Vector Machine Hasibuan, Rafika Aufa; Afendi, Farit Mochamad; Wigena, Aji Hamim
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.91235

Abstract

Optimasi metode klasifikasi merupakan aspek krusial dalam meningkatkan akurasi model, terutama dalam analisis data medis yang kompleks dan memiliki karakteristik peubah yang beragam. Penelitian ini membandingkan performa klasifikasi dari Support Vector Machine (SVM) konvensional dengan dua metode optimasi berbasis metaheuristik yaitu, PSO-SVM dan ABC-SVM. Evaluasi dilakukan pada empat dataset medis, yaitu Breast Cancer, AIDS Disease, Darwin Disease, dan Parkinson Disease, dengan variasi seleksi peubah berbasis proporsi sebesar 30%, 50%, 70% dan 100% dari total peubah pada masing-masing dataset. Hasil penelitian menunjukkan bahwa metode PSO-SVM dan ABC-SVM secara konsisten mampu meningkatkan akurasi klasifikasi dibandingkan SVM standar. Pada beberapa dataset seperti Breast Cancer dan Parkinson Disease, akurasi meningkat dari 96,22% dan 85,53% (SVM) menjadi 100% dengan metode PSO-SVM dan ABC-SVM. Pada dataset AIDS Disease, akurasi meningkat dari 87,36% menjadi 100%. Sementara itu, pada dataset Darwin Disease yang memiliki tingkat overlap tertinggi (OV = 0,99727), peningkatan akurasi lebih terbatas, dari 83,76% (SVM) menjadi 91,65% (ABC-SVM). Proporsi terbaik yang ditemukan bervariasi antar dataset. Namun secara umum proporsi 70% dan 100% menunjukkan hasil akurasi yang paling stabil dengan waktu komputasi yang efisien pada PSO-SVM. Sedangkan pada ABC-SVM, peningkatan akurasi yang tinggi disertai waktu eksekusi yang jauh lebih besar, terutama pada dataset berdimensi tinggi. Analisis lebih lanjut juga menunjukkan bahwa metode optimasi efektif dalam mengatasi tantangan overlapping dan ketidakseimbangan kelas secara moderat, namun efektivitasnya menurun pada kondisi yang lebih kompleks. Dengan demikian, penggunaan metode optimasi PSO-SVM dan ABC-SVM dapat menjadi pendekatan yang efisien untuk meningkatkan akurasi klasifikasi data medis, selama disesuaikan dengan karakteristik data dan sumber daya komputasi yang tersedia.
Pendeteksian Lahan dari Citra High Resolution Remote Sensing Berbasis Metode Single-class Convolutional Neural Network Tjen, Jimmy
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89587

Abstract

pendektesian lahan dengan memanfaatkan citra satelit telah berkembang pesat sebagai suatu solusi dalam mengidentifikasi jenis lahan. Namun, hal ini terkendala oleh keterbatasan algoritma seperti convolutional neural network atau CNN dalam mengidentifikasi permukaan lahan dengan citra yang mirip. Penelitian ini mengagas konsep CNN baru dengan mengabungkan sekelompok model kecil yang hanya mempelajari 1 kelas, yang disebut sebagai single-class CNN atau SC-CNN. Hasil validasi pada citra satelit Gaofen-2 menunjukan bahwa metode SC-CNN mampu meningkatkan akurasi model prediktif dari metode CNN sebesar 3% dalam mengidentifikasi permukaan lahan. Lebih lanjut, meskipun dengan menggunakan data yang lebih sedikit (hanya 480 citra), metode SC-CNN menunjukan kualitas prediktif yang sama dengan metode CNN yang menggunakan 800 citra. Hasil ini menunjukan potensi dari SC-CNN dalam mengklasifikasikan citra satelit, sekaligus sebagai metode klasifikasi gambar dengan jumlah citra yang terbatas.
Penerapan Metode Fuzzy MADM dan WASPAS untuk Menentukan Kinerja Terbaik Pegawai Perumda Air Minum Lae Nciho Alfansori, Ahmad; Sriani, Sriani
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96706

Abstract

Penentuan pegawai terbaik sering kali menghadapi tantangan dalam hal objektivitas dan ketidakpastian data penilaian, terutama ketika melibatkan berbagai kriteria kinerja. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode Fuzzy Multiple Attribute Decision Making (FMADM) dan Weighted Aggregated Sum Product Assessment (WASPAS) sebagai pendekatan dalam Sistem Pendukung Keputusan (SPK). Tujuan dari penelitian ini adalah untuk menilai dan menentukan pegawai terbaik berdasarkan sembilan kriteria utama, yaitu kehadiran, kesetiaan, prestasi kerja, tanggung jawab, ketaatan, kejujuran, kerja sama, prakarsa, dan kepemimpinan. Setiap kriteria dikategorikan ke dalam tiga tingkat penilaian linguistik ("Sangat Baik," "Baik," dan "Kurang Baik") yang kemudian difuzzifikasi menjadi nilai numerik. Hasil dari analisis menunjukkan bahwa sebagian besar data alternatif pegawai berada pada kategori Baik dan Sangat Baik, dengan distribusi nilai yang beragam di setiap kategori C1 hingga C9. Berdasarkan hasil perhitungan menggunakan metode WASPAS, Bangun Siringo-ringo dan Elprida Sinuraya teridentifikasi sebagai pegawai dengan performa terbaik, masing-masing memperoleh skor tertinggi sebesar 1. Temuan ini menunjukkan bahwa penerapan FMADM dan WASPAS efektif dalam menghasilkan keputusan yang akurat dan objektif dalam pemilihan pegawai terbaik.
Rekomendasi Menu Paket Menggunakan Metode Asosiasi Hasbillah, Gilang Muhammad; Negara, Arif Bijaksana Putra; Yulianti, Yulianti
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89113

Abstract

Rumah makan memiliki peran yang penting dalam gaya hidup masyarakat saat ini, mengingat makan di luar merupakan satu di antara aktivitas sosial yang populer. Kesuksesan suatu restoran membutuhkan pengalaman, perencanaan, dukungan finansial, tenaga, dan keberuntungan. Rumah Makan Tazakka merupakan restoran jenis casual style dining di Kota Pontianak yang menawarkan makanan sehari-hari seperti rumah makan pada umumnya.   Implementasi data mining metode asosiasi untuk menyusun rekomendasi menu paket menjadi satu di antara langkah perencanaan dalam menjalankan Rumah Makan Tazakka. Dalam hal ini digunakan algoritma Apriori dan algoritma ECLAT untuk mengolah data mentah yang memuat informasi tentang item-item yang terjual dalam setiap transaksi yang dilakukan setiap harinya. Berbagai itemset berupa menu paket akan dihasilkan dari kedua algoritma di mana itemset-itemset tersebut memiliki nilai support lebih dari 1% untuk kedua algoritma dan nilai confidence lebih dari 50% sebagai tambahan untuk algoritma Apriori. Dengan menggunakan hasil dari kedua algoritma, dilakukan proses evaluasi untuk mencari kekuatan hubungan antara item anteseden dan item konsekuen dari itemset-itemset yang akan menjadi rekomendasi menu paket menggunakan Lift Ratio di mana dari proses evaluasi ini dihasilkan sebanyak empat rekomendasi menu paket, yaitu Paket Ayam Besar Teh Es, Paket Ayam Goreng Laos Teh Es, Paket Ayam Bakar Teh Es, dan yang terakhir adalah Paket Ayam Bakar, Paket Ayam Goreng Laos Teh Es.
Sistem Deteksi Perokok di Area Publik Menggunakan YOLOv8 Harun, Ahmad; Fariza, Arna; Setiawardhana, Setiawardhana
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.94182

Abstract

Merokok merupakan salah satu penyebab utama kematian yang dapat dicegah, baik bagi perokok aktif maupun pasif. Paparan asap rokok, bahkan dalam jumlah kecil, tetap berbahaya dan menimbulkan dampak serius, terutama bagi anak-anak. Meskipun berbagai regulasi telah diterapkan untuk melarang aktivitas merokok di ruang publik, seperti Perda Kota Medan No. 3 Tahun 2014, implementasinya masih menghadapi tantangan seperti keterbatasan anggaran, lemahnya pengawasan, dan rendahnya kesadaran masyarakat. Penelitian ini mengusulkan sistem deteksi perokok berbasis deep learning menggunakan model YOLOv8 untuk mendeteksi keberadaan aktivitas merokok dalam video pengawasan. Lima varian model YOLOv8 diuji, yaitu YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, dan YOLOv8x. Hasil pelatihan menunjukkan bahwa YOLOv8m dan YOLOv8l memperoleh nilai mAP tertinggi sebesar 0,987. Namun, pada pengujian implementasi menggunakan video CCTV Full HD dengan ketinggian kamera 2 meter dan jarak maximal 3 meter, YOLOv8s menunjukkan performa terbaik dengan akurasi 100% pada pencahayaan baik dan 95% pada pencahayaan kurang, serta kecepatan inferensi yang lebih tinggi. Dengan demikian, YOLOv8s merupakan varian model yang paling optimal untuk implementasi sistem deteksi perokok di ruang publik.
Klasifikasi Gerakan Tangan Berbasis Sinyal sEMG Menggunakan Deep Learning Wiani, Ni Wayan Yulya; Wirawan, I Made Agus; Aryanto, Kadek Yota Ernanda
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.88663

Abstract

Penelitian ini mengkaji penggunaan sinyal elektromiografi permukaan (sEMG) untuk klasifikasi 10 jenis gerakan tangan menggunakan klasifikasi berbasis pembelajaran mesin. Dalam penelitian ini, sebuah metode berbasis deep learning, Convolutional Neural Network satu dimensi (1D CNN) dengan fitur yang diekstraksi secara otomatis, dibandingkan dengan kinerja sebuah Multi-Layer Perceptron (MLP) dengan ekstraksi fitur manual berbasis domain waktu. Penggunaan CNN dan MLP dalam klasifikasi sinyal sEMG dilakukan untuk mengetahui efektivitas penggunaan fitur otomatis dan yang diekstraksi secara manual. Dataset yang digunakan mencakup 10 gerakan tangan yang dilakukan sebanyak 5 kali repetisi dan direkam dari 40 partisipan dengan jumlah total adalah 2000 data. Proses penelitian meliputi pre-processing, ekstraksi fitur, klasifikasi, dan evaluasi. Hasil menunjukkan bahwa 1D CNN memberikan akurasi pengujian terbaik sebesar 78% dengan skenario pelatihan yang memanfaatkan early stopping. Sebaliknya, MLP mencapai akurasi tertinggi sebesar 61,5% dengan pengaturan learning rate optimal. Performa superior 1D CNN dibandingkan MLP terutama disebabkan oleh kemampuannya melakukan ekstraksi fitur secara otomatis tanpa tergantung pada seleksi fitur manual, yang menjadi faktor kunci pada MLP. Penelitian ini mengindikasikan bahwa 1D CNN lebih efektif untuk klasifikasi sinyal sEMG dalam pengembangan teknologi asistif, khususnya untuk pengenalan gerakan tangan. Hasil ini memberikan kontribusi signifikan dalam pengembangan aplikasi berbasis sEMG, seperti teknologi rehabilitasi dan antarmuka mesin-manusia, dengan potensi meningkatkan akurasi dan efisiensi sistem yang dihasilkan.
Penggunaan IG dan MI dalam Peningkatan Kinerja Algoritma Naïve Bayes untuk Klasifikasi Penyakit Kardiovaskular Hanief Kuswanto, Muhammad Rafi; Chrisnanto, Yulison Herry; Hadiana, Asep Id
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.87693

Abstract

Penyakit Kardiovaskular (PK) merupakan salah satu penyebab utama kematian global, menjadikannya masalah kesehatan yang mendesak. Deteksi dini berbasis data memiliki potensi besar untuk meningkatkan diagnosis, tetapi kualitas prediksi sangat dipengaruhi oleh pemilihan data atribut yang relevan. Meskipun algoritma Naïve Bayes dikenal sederhana dan efisien dalam klasifikasi, kinerjanya sering kali terbatas pada dataset dengan atribut yang tidak relevan atau redundan. Penelitian sebelumnya menunjukkan bahwa Naïve Bayes memiliki akurasi yang lebih rendah dibandingkan algoritma lainnya dalam aplikasi medis. Oleh karena itu, penelitian ini mengeksplorasi potensi Information Gain (IG) dan Mutual Information (MI) sebagai metode seleksi fitur untuk meningkatkan akurasi prediksi PK menggunakan Naïve Bayes. Penggunaan IG dan MI belum banyak diteliti secara mendalam pada dataset medis dengan karakteristik unik seperti missing value, outlier, dan keterhubungan kelas, yang menjadi celah penting dalam penelitian ini. Proses penelitian meliputi transformasi data, seleksi fitur, dan evaluasi model akurasi menggunakan matriks konfusi. Hasil eksperimen menunjukkan bahwa penggunaan IG menghasilkan akurasi rata-rata tertinggi sebesar 88,6% dibandingkan MI dengan rata-rata akurasi 87%. Sementara Naïve Bayes seleksi tanpa fitur hanya mencapai akurasi 80%. Dengan demikian, IG menjadi metode seleksi fitur yang lebih efektif untuk meningkatkan kinerja Naïve Bayes dalam memprediksi PK. Penelitian ini menunjukkan bahwa seleksi fitur berbasis IG dan MI dapat mengurangi kompleksitas model, meningkatkan akurasi, serta mempercepat waktu pemrosesan karena IG maupun MI secara bersama-sama dapat melakukan proses seleksi terhadap fitur yang paling relevan untuk digunakan pada algoritma Naïve Bayes sehingga mampu meningkatkan kinerja dalam mengklasifikasi Penyakit Kardiovaskular.  
Pengembangan Pemulihan Bencana Teknologi Informasi dengan Penerapan Metode National Institute of Standard and Technology (NIST) SP 800-34 (Studi Kasus pada Bank Pembiayaan Rakyat Syariah Mulia Abadi) Fajar, Mohammad Yan; ETP, Lussiana
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.91664

Abstract

BPRS Mulia Abadi saat ini telah memanfaatkan teknologi informasi untuk meningkatkan kemudahan pelayanan nasabah dan telah memiliki rencana pemulihan bencana teknologi informasi, namun masih terbatas pada aplikasi core banking. Hal ini memiliki dampak yang mengakibatkan terhentinya layanan perbankan, sehingga perlu memiliki rencana pemulihan bencana yang mampu beradaptasi untuk pencegahan dan pemulihan terhadap berbagai ancaman dari dalam dan luar organisasi. Penelitian ini bertujuan mengusulkan pengembangan perencanaan pemulihan bencana yang terpadu berdasarkan pada pendekatan hasil analisis 14 risiko pada infrastrukur teknologi informasi menggunakan metode National Institute of Standard and Technology (NIST) SP 800-34. Hasil analisis pada develop the contingency planning policy, conduct the business impact analysis (BIA), identify preventive controls, develop recovery strategies, develop an IT contingency plan, plan testing/training/exercises, and plan maintenance, merekomendasikan pengembangan pada organisasi, prosedur, tolok ukur, pengujian perencanaan, persiapan pusat tempat kerja sementara dan pemeliharaan rencana pemulihan bencana. Dengan demikian dapat disimpulkan bahwa penerapan pendekatan 14 risiko infrastruktur teknologi informasi menggunakan metode NIST SP 800-34 dapat memberikan rekomendasi pengembangan pemulihan bencana teknologi informasi yang terpadu.
Perbandingan Algoritma SVM dan Naive Bayes dalam Klasifikasi Sentimen pada Ulasan Aplikasi Traveloka dan Agoda Amelia, Dwi; Setiaji, Pratomo; Setiawan, R Rhoedy
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96869

Abstract

Pada era Revolusi Industri 4.0, aplikasi seluler mempermudah masyarakat dalam melakukan pemesanan perjalanan, mencari informasi, membandingkan harga, hingga memanfaatkan promosi. Salah satu indikator penting dalam mengevaluasi kualitas layanan aplikasi adalah rating dan ulasan pengguna di platform seperti Google Play Store. Oleh karena itu, analisis sentimen menjadi sangat relevan untuk menggali persepsi pengguna terhadap suatu layanan. Melalui analisis sentimen, perusahaan dapat mengidentifikasi ulasan positif, negatif, dan netral sebagai dasar untuk meningkatkan kualitas layanan, membangun reputasi, dan meningkatkan loyalitas pelanggan. Penelitian ini menggunakan data ulasan pengguna dari aplikasi Traveloka dan Agoda yang diambil melalui teknik web scraping di Google Play Store menggunakan Google Colab. Data yang diperoleh kemudian diproses melalui tahapan preprocessing, meliputi: normalisasi, pembersihan data (cleansing), pelabelan (labeling), case folding, tokenisasi, penghapusan stopword, stemming, serta pembobotan kata menggunakan metode Bag-of-Words (BoW) dan Term Frequency-Inverse Document Frequency (TFIDF). Setelah itu, proses klasifikasi sentimen dilakukan menggunakan dua algoritma, yaitu Support Vector Machine (SVM) dan Naïve Bayes (NB), dengan tiga kategori sentimen: positif, negatif, dan netral. Hasil pengujian menunjukkan bahwa algoritma SVM berhasil mencapai akurasi tertinggi sebesar 92%, khususnya dalam mengklasifikasikan ulasan dengan sentimen positif dan negatif. Sementara itu, algoritma Naïve Bayes menghasilkan akurasi maksimal sebesar 96% pada dataset tertentu dan menunjukkan kinerja lebih stabil dalam mengenali sentimen netral. Oleh karena itu, pemilihan algoritma terbaik dapat disesuaikan dengan fokus kebutuhan analisis sentimen yang ingin dicapai.

Page 48 of 53 | Total Record : 522

 46   47   48   49   50 

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