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
 49   50   51   52   53 
Pendekatan Text Mining untuk Klasterisasi Tren Penelitian dengan Algoritma Unsupervised Learning K-Means Atimi, Rizqia Lestika; Pratama, Enda Esyudha; Pradasari, Novi Indah
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.100755

Abstract

Jumlah publikasi ilmiah Indonesia meningkat signifikan pada 2021–2024, menempatkan Indonesia di peringkat 54 dunia dengan 222.455 artikel pada 2024. Sesuai Undang-undang No. 12 Tahun 2012, penelitian merupakan bagian dari Tri Dharma yang wajib dipublikasikan oleh dosen dan institusi. Namun, banyaknya publikasi menimbulkan tantangan dalam mengidentifikasi tren dan mengelompokkan topik penelitian. Karena itu, penelitian ini mengembangkan model klasterisasi topik menggunakan pendekatan text mining dengan algoritma K-Means. Metode penelitian ini meliputi pengumpulan data (data collecting) dan persiapan data teks (text pre-processing), text-to-vector (vectorizing), klasterisasi dengan algoritma K-Means (modelling with K-Means) dengan optimalisasi titik centroid awal menggunakan metode Elbow, dan deploy model. Hasil penelitian menunjukan proses klasterisasi terbaik pada saat nilai k berjumlah 11 dengan nilai Silhouette Score 0.0172. Informasi yang dihasilkan dapat memberikan gambaran tren penelitian yang ada saat ini dan melihat potensi kolaborasi penelitian yang dapat dilakukan.
Perbandingan Algoritma Ant Colony Optimization dan Large Neighborhood Search dalam Penyelesaian CVRP dengan Rute Jalan Nyata di Kota Pontianak Suaha, Karpus Pistu; Sofitra, Mohamad; Wahyudi, Tri
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.97236

Abstract

Riset ini bertujuan untuk membandingkan kinerja algoritma Ant Colony Optimization (ACO) dan Large Neighborhood Search (LNS) dalam menyelesaikan permasalahan Capacitated Vehicle Routing Problem (CVRP) dengan rute jalan nyata di Kota Pontianak. ACO meniru perilaku semut yang menggunakan jejak feromon untuk menemukan jalur terpendek, sedangkan LNS mengeksplorasi solusi melalui pendekatan destroy and repair. Eksperimen dilakukan menggunakan data koordinat geografis dan rute jalan real yang divisualisasikan melalui OpenStreetMaps dengan implementasi berbasis JavaScript. Kontribusi penelitian ini adalah menyediakan evaluasi komprehensif terhadap pendekatan penyelesaian masalah perutean pada jaringan jalan yang kompleks serta menawarkan kerangka implementasi berbasis web yang dapat direplikasi untuk mendukung optimasi logistik dan pengembangan strategi pendistribusian barang secara lebih efisien. Hasil menunjukkan bahwa LNS menyelesaikan solusi dalam 1,198 detik, sekitar 21 kali lebih cepat dibandingkan ACO yang memerlukan waktu 25,229 detik. Total jarak tempuh LNS tercatat 102,48 km, lebih pendek 8,22 km atau 7,42% dibandingkan ACO yang mencapai 110,7 km. LNS juga mencatat penurunan jarak sebesar 10,72%, sedangkan ACO hanya 4,15%. Kesimpulannya, LNS unggul dalam efisiensi komputasi dan optimasi jarak tempuh, sementara ACO tetap efektif dalam eksplorasi awal dan kestabilan solusi.
Evaluasi Fitur Berbasis Peringkat: Analisis Komparatif SHAP vs 'Gain' LightGBM Menggunakan Evaluasi Iteratif untuk Prediksi Gagal Bayar Budiyanto, Irfan
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.101307

Abstract

Prediksi gagal bayar dalam bisnis P2P lending sangat penting sebagai bagian manajemen risiko, namun pada prakteknya sering dihadapkan pada tantangan data berdimensi tinggi, ketidakseimbangan kelas, dan kebutuhan interpretasi model black box. Salah satu tantangan utama adalah dilema pemilihan fitur, apakah menggunakan metode Explainable AI (XAI) seperti SHAP yang akurat secara teoritis namun membutuhkan resource komputasi lebih, atau menggunakan metode gain bawaan model seperti LightGBM yang jauh lebih efisien. Penelitian ini bertujuan untuk menentukan secara empiris apakah resource komputasi SHAP memberikan keunggulan kinerja yang signifikan dibandingkan metode gain LightGBM untuk tugas global feature ranking dalam prediksi gagal bayar. Penelitian menggunakan dataset Lending Club, metodologi penelitian membandingkan peringkat fitur dari kedua metode melalui skema forward feature selection iteratif. Pendekatan ini diuji pada data asli dan data yang diseimbangkan menggunakan teknik oversampling ADASYN. Hasil penelitian menunjukkan dua temuan utama. Pertama, ADASYN efektif meningkatkan recall (metrik utama) sekitar 10%. Kedua, kinerja prediktif model yang dihasilkan dari peringkat fitur berbasis gain LightGBM dan berbasis SHAP adalah identik secara statistik, dengan deviasi metrik di bawah 0.6%. Kinerja optimal juga tercapai hanya dengan 15-20 fitur teratas. Kesimpulannya, resource komputasi SHAP tidak dapat dibenarkan untuk tugas global feature ranking dalam skenario ini. Metode gain bawaan LightGBM terbukti memadai dan efisien, berkontribusi pada pengembangan model yang lebih sederhana tanpa mengorbankan daya prediksi
Pengembangan Model Random Forest untuk Prediksi Kesehatan Jiwa Berbasis Data Klinis Terstruktur dan Tidak Terstruktur Muhammad, Kukuh; Trianto, Rahmawan Bagus; Purwanto, Joko
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.100012

Abstract

Penelitian ini mengembangkan model prediksi kesehatan jiwa menggunakan algoritma Random Forest berbasis data klinis terstruktur dan tidak terstruktur dari pasien poli kejiwaan RSUD dr. R. Goeteng Taroenadibrata Purbalingga. Dataset terdiri dari 4.432 rekam medis yang mencakup parameter fisiologis serta catatan naratif yang diproses melalui cleaning, stemming Sastrawi, dan pembobotan TF-IDF. Evaluasi model dilakukan menggunakan dua skema pembagian data (85:15 dan 80:20) serta dua kondisi preprocessing (stemming dan non-stemming). Hasil menunjukkan bahwa jumlah data berpengaruh signifikan terhadap performa model, di mana akurasi meningkat dari 0,62–0,66 pada 1.000 data menjadi 0,79–0,81 pada 4.432 data. Namun, nilai presisi, recall, dan F1-score berbasis macro masih rendah akibat ketidak seimbangan kelas. Setelah diterapkan teknik oversampling SMOTE, performa model meningkat sangat signifikan dengan akurasi mencapai 0,9490 dan F1-score macro 0,9360. Pengukuran ROC-AUC sebesar 0,9991 menunjukkan kemampuan diskriminatif yang hampir sempurna. Perbandingan dengan algoritma lain menunjukkan bahwa Random Forest menghasilkan kinerja terbaik, melampaui SVM, Naive Bayes, dan Decision Tree. Hasil penelitian menegaskan potensi Random Forest untuk prediksi kesehatan jiwa berbasis data klinis terintegrasi, serta pentingnya penanganan class imbalance untuk meningkatkan performa pada kelas minoritas.
Penerapan Algoritma K-Means untuk Identifikasi Pola Spasial Insidensi Demam Berdarah Dengue: Studi Kasus Kota Semarang Putra, Wahyu Bagus Wicaksono; Fahmi, Amiq; Erawan, Lalang
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.101302

Abstract

Demam Berdarah Dengue (DBD) merupakan ancaman kesehatan masyarakat yang signifikan di wilayah tropis, termasuk Kota Semarang, Jawa Tengah, Indonesia, dengan tingkat heterogenitas spasial insidensi yang bervariasi antar kecamatan. Penelitian ini bertujuan untuk mengidentifikasi pola spasial insidensi DBD melalui pendekatan pembelajaran tanpa pengawasan (unsupervised learning) menggunakan algoritma K-Means clustering. Data epidemiologis yang bersifat komprehensif pada periode 2020–2024, mencakup variabel jumlah populasi, kasus terkonfirmasi, dan fatalitas, diekstraksi dari sistem informasi publik TUNGGAL DARA yang dikelola oleh Dinas Kesehatan Kota Semarang. Metodologi yang diterapkan meliputi pra-pemrosesan data, penentuan jumlah klaster optimal dengan metode Elbow dan Silhouette Score, serta validasi menggunakan statistik nonparametrik dengan uji Kruskal-Wallis. Hasil klasterisasi menunjukkan lima kelompok wilayah dengan karakteristik epidemiologis yang berbeda. Temuan penting mengindikasikan bahwa zona dengan kepadatan populasi rendah secara proporsional menanggung rasio morbiditas dan mortalitas yang lebih tinggi. Pendekatan ini terbukti efisien dalam mereduksi dimensi data epidemiologis menjadi pola spasial yang informatif dan mudah diinterpretasikan. Penelitian ini berkontribusi pada pengembangan pemetaan risiko DBD yang lebih adaptif dan berbasis data serta menyediakan landasan strategis yang kuat bagi intervensi kesehatan masyarakat yang lebih terarah dan tepat sasaran, khususnya dalam konteks studi kasus Kota Semarang.
Komparasi Algoritma K-Means dan Agglomerative Hierarchical untuk Klasterisasi Kalimat dalam Naskah Pidato Resista, Dear; Sujaini, Herry; Candraningrum, Niken
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.97275

Abstract

Penyampaian pesan dalam pidato bergantung pada susunan kalimat yang efektif dan bervariasi. Namun, keberagaman struktur kalimat dalam naskah pidato membuat pengelompokan secara manual menjadi kurang efisien. Dengan menggunakan teknik pemrosesan bahasa alami, proses ini dapat dilakukan secara sistematis melalui pendekatan klasterisasi. Studi ini berfokus untuk membandingkan performa algoritma K-Means dan Agglomerative Hierarchical dalam mengelompokkan kalimat pada naskah pidato. Data dikumpulkan dari situs Korpus Nusantara dan Jago Berpidato. Tahapan pre-processing mencakup data cleaning, case folding, stopword removal, tokenisasi, ekstraksi fitur menggunakan TF-IDF dengan parameter N-Gram, serta reduksi dimensi dengan PCA. Evaluasi menggunakan metrik Davies-Bouldin Index (DBI) dan Silhouette Score mengindikasikan bahwa algoritma Agglomerative Hierarchical dengan pendekatan average linkage menghasilkan klasterisasi yang lebih optimal dengan nilai DBI 0.1419 dan Silhouette Score 0.7742. Sebaliknya, algoritma K-Means menghasilkan performa lebih rendah, dengan nilai DBI 0.8551 dan Silhouette Score 0.5557. Selain itu, penggunaan parameter n-gram juga berpengaruh terhadap kualitas klasterisasi. Representasi trigram memberikan hasil terbaik khususnya pada Agglomerative Hierarchical dibandingkan dengan unigram (DBI/Silhouette Score: 0.6934/0.3002) dan bigram (DBI/Silhouette Score: 0.2192/0.6625). Pada penelitian ini, kombinasi Agglomerative Hierarchical dengan representasi fitur trigram terbukti paling efektif dalam mengelompokkan kalimat berdasarkan kemiripan gaya bahasa dalam naskah pidato.
Penerapan Algoritma K-Nearest Neighbor untuk Klasifikasi Judul Tugas Akhir Mahasiswa Program Studi Sistem Informasi UINSU Medan Putri, Lisa Amelia; Sriani, Sriani
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.101542

Abstract

Dalam melakukan penelitian dan penulisan skripsi, tentunya memerlukan referensi dari sumber yang sesuai dan relevan. Pada konteks Program Studi Sistem Informasi UINSU Medan, klasifikasi judul tugas akhir mahasiswa merupakan salah satu aspek yang memerlukan perhatian khusus. Judul tugas akhir alumni disatukan dalam direktori yang sama pada situs resmi Program Studi Sistem Informasi. Maka dari itu, algoritma K-Nearest Neighbor (KNN) diterapkan dalam mengklasifikasikan judul-judul tugas akhir tersebut. Data yang diklasifikasikan pada penelitian ini berjumlah 996 judul tugas akhir mahasiswa angkatan 2015-2021. Model KNN bertujuan untuk mengklasifikasikan judul tugas akhir ke dalam bidang Software Development dan Digital Enterprise dengan bahasa pemrograman Pyhton dan tools Google Colab. Pelabelan dilakukan setelah preprocessing teks pada judul tugas akhir yang mencakup proses cleaning, case folding atau lowercasing, filtering atau stopword removal, dan stemming. Diperoleh sebanyak 636 judul berlabel Software Development, sementara 360 judul berlabel Digital Enterprise. Pengujian dilakukan dengan rasio pembagian data 80:20 dan variasi nilai k 3, 5, 7, dan 9. Hasil penelitian menunjukkan bahwa model KNN dengan nilai k=5 memberikan akurasi terbaik, yaitu sebesar 80,50%, precision 80,22%, recall 80,50%, dan f1-score 79,67% walaupun terdapat ketidakseimbangan jumlah data antar kelas. Dengan demikian, algoritma KNN terbukti efektif dalam klasifikasi judul tugas akhir dan nilai k=5 merupakan parameter optimal.
Model Machine Learning Berbasis Perilaku Pembayaran Angsuran untuk Prediksi Gagal Bayar KPR Subsidi Jaya, Muhammad Triyanda Taruna; Hidayati, Shintami Chusnul
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.100857

Abstract

Penelitian ini menyajikan rancangan dan pembuktian pemanfaatan model machine learning untuk prediksi gagal bayar sesuai definisi Otoritas Jasa Keuangan pada produk KPRS (Kredit Pemilikan Rumah Subsidi) berbasis perilaku pembayaran angsuran pada segmen MBR (Masyarakat Berpenghasilan Rendah). Berbeda dengan sebagian besar penelitian terdahulu yang berfokus pada application scoring saat pengajuan atau pencairan kredit dengan data statis nasabah seperti kemampuan finansial, riwayat peminjaman, informasi pekerjaan, agunan dan data statis lainnya, studi ini menargetkan kredit yang sudah berjalan (on-book) dengan memanfaatkan jejak historis pembayaran angsuran sebagai sumber utama sinyal risiko. Dataset berasal dari salah satu bank penyalur KPRS. Dengan teknik rekayasa fitur, data pembayaran angsuran diubah menjadi fitur tabular yang merangkum perilaku pembayaran (misalnya konsistensi nominal, kelancaran waktu bayar dan pola keterlambatan) yang kemudian dipelajari oleh beberapa metode machine learning, antara lain Multilayer Perceptron, Random Forest, XGBoost dan Logistic Regression. Data mencakup 8.116 akun dan 409.130 catatan transaksi dengan evaluasi menggunakan train set periode 2017–2022 (6.585 akun) dan test set 2023–2024 (1.217 akun). Model terbaik dicapai oleh MLP dengan performa AUC ≈ 0,997 pada test set dengan F1 Score maksimum pada threshold 0,3013 memberikan precision 0,7907, recall 0,9444 dan F1 0,8608. Hasil ini menunjukkan bahwa untuk pinjaman KPRS yang sudah berjalan, pola perilaku pembayaran angsuran semata—tanpa perlu menambahkan informasi mengenai kondisi usaha, kondisi finansial, agunan, maupun karakteristik lain nasabah—dapat dimanfaatkan untuk membangun model machine learning yang mampu memprediksi risiko gagal bayar secara akurat dan dapat memberikan early warning pada portofolio KPRS, sehingga tindakan pencegahan seperti intervensi, reminder atau kunjungan lapangan diharapkan dapat dilakukan secara lebih terarah dan efisien.
Pengembangan Sistem Manajemen Member dan Event menggunakan Extreme Programming pada Platform Digistar Club by Telkom Indonesia Adi, Nugroho; Suharso, Wildan
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.101604

Abstract

Sebagai komunitas talenta digital strategis di PT Telkom Indonesia, Digistar Club menghadapi tantangan operasional signifikan akibat pengelolaan data yang terfragmentasi dan proses administrasi manual. Kondisi ini menyebabkan tingginya waktu siklus (cycle time) pelayanan dan risiko integritas data yang menghambat pengambilan keputusan strategis. Penelitian ini bertujuan untuk mentransformasi proses tersebut melalui pengembangan platform manajemen terintegrasi menggunakan metodologi Extreme Programming (XP), serta mengukur dampak efisiensinya secara. Pendekatan XP dipilih karena karakteristiknya yang tangkas (agile) dalam merespons volatilitas kebutuhan melalui siklus rilis pendek dan kolaborasi intensif. Hasil pengujian menunjukkan bahwa implementasi sistem ini memberikan dampak signifikan terhadap produktivitas operasional. Tercatat peningkatan efisiensi waktu siklus (cycle time) sebesar 99,1% pada proses rekapitulasi laporan dan 95% pada validasi keanggotaan. Lebih jauh, analisis Process Cycle Efficiency (PCE) menunjukkan lonjakan efisiensi alur kerja dari 33,33% (manual) menjadi 100% (sistem), yang mengindikasikan eliminasi total terhadap waktu tunggu (waste). Selain keunggulan efisiensi, strategi incremental delivery terbukti efektif mengakomodasi integrasi middleware API CRMS Telkom di tengah iterasi tanpa mengganggu jadwal rilis. Penelitian ini menyimpulkan bahwa penerapan disiplin XP pada tim berskala kecil mampu menghasilkan perangkat lunak berkualitas tinggi dengan stabilitas nol cacat kritis, menjadikannya kerangka kerja yang layak dan efisien untuk unit pendukung di lingkungan korporasi.
Deteksi Tanaman Kelapa Sawit Belum Menghasilkan pada Citra Udara Beresolusi Tinggi menggunakan Metode Deep Learning Mimboro, Prasetyo; Iriani, Latifah
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.102052

Abstract

Deteksi dan perhitungan jumlah pohon kelapa sawit merupakan langkah penting dalam mendukung pemantauan produktivitas perkebunan. Penelitian ini menerapkan model YOLOv11m yang dikombinasikan dengan framework Slicing Aided Hyper Inference (SAHI) pada citra udara beresolusi tinggi yang diperoleh dari Unmanned Aerial Vehicle (UAV). Penelitian ini terdiri dari tiga tahap, yaitu pengumpulan data citra udara dan pelabelan, pelatihan model YOLOv11m dengan penyesuaian hyperparameter, serta pengujian model menggunakan metode slicing dari SAHI untuk meningkatkan kemampuan deteksi terhadap objek kecil. Berdasarkan hasil pengujian, model berhasil mendeteksi sebanyak 1.784 pohon kelapa sawit dari total 2.115 pohon aktual, dengan 10 deteksi salah dan 321 pohon tidak terdeteksi, menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 15,66%. Hasil ini menunjukkan bahwa kombinasi YOLOv11m dan SAHI mampu memberikan performa yang cukup baik dalam mendeteksi pohon kelapa sawit belum menghasilkan pada citra udara beresolusi tinggi, serta berpotensi diterapkan dalam proses pemantauan dan perhitungan pohon secara otomatis pada area perkebunan yang luas.

Page 52 of 53 | Total Record : 522

 49   50   51   52   53 

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