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 554 Documents
 52   53   54   55   56 
Analisis Pengaruh Pengelompokan Fitur Klinis terhadap Kinerja Algoritma Random Forest dalam Prediksi Lama Rawat Inap Pasien Pipit Ari Mufidah; Nurjanah, Septiana; Gandung Triyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Lama rawat inap (Length of Stay atau LOS) merupakan indikator penting yang mencerminkan efisiensi operasional rumah sakit dan kualitas pelayanan pasien. Berbagai penelitian telah memanfaatkan metode machine learning untuk memprediksi LOS berdasarkan data klinis pasien. Namun, kinerja model prediksi sangat dipengaruhi oleh kualitas representasi fitur yang digunakan, terutama pada variabel kategorikal dengan jumlah kategori yang terlalu banyak. Penggunaan kategori yang terlalu rinci dapat meningkatkan kompleksitas data dan berpotensi menurunkan performa model. Oleh karena itu, diperlukan kajian untuk mengetahui pengaruh penerapan feature grouping terhadap kinerja model prediksi LOS. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan feature grouping terhadap kinerja algoritma Random Forest dalam prediksi lama rawat inap pasien berdasarkan data klinis dan administratif. Metode penelitian melibatkan pengolahan data rekam medis sebanyak 41.121 pasien dengan 8 fitur klinis. Tahapan penelitian meliputi preprocessing, feature engineering, serta evaluasi model menggunakan metrik R², Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model Random Forest mampu memprediksi LOS dengan nilai R² sebesar 0,172. Penerapan feature grouping menunjukkan adanya peningkatan performa model dibandingkan baseline, namun peningkatan tersebut relatif kecil dan tidak signifikan secara praktis. Hal ini menunjukkan bahwa Random Forest memiliki kemampuan yang cukup baik dalam menangani fitur kategorikal tanpa transformasi tambahan.Kesimpulan dari penelitian ini menunjukkan bahwa efektivitas feature grouping dalam meningkatkan performa model bergantung pada karakteristik data dan kemampuan algoritma yang digunakan. Model yang dihasilkan diharapkan dapat memberikan gambaran awal untuk mendukung proses pengambilan keputusan dalam perencanaan pelayanan kesehatan di rumah sakit.
Integrasi Rule-Based Productivity Evaluation pada Sistem Informasi Manajemen Organisasi Mahasiswa Rabbani, Muhammad Rafif; Muhammad Arifin; Soni Adiyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Organisasi mahasiswa berperan penting dalam mengembangkan kemampuan kepemimpinan, manajerial, dan kolaborasi mahasiswa. Namun, proses pengelolaan administrasi dan evaluasi produktivitas organisasi masih umumnya dilakukan secara manual sehingga penilaian cenderung kurang konsisten, objektif, dan transparan. Penelitian ini bertujuan mengembangkan sistem informasi manajemen organisasi mahasiswa yang mengintegrasikan Rule-Based Productivity Evaluation Model untuk mendukung pengelolaan administrasi sekaligus menghasilkan evaluasi produktivitas organisasi secara sistematis. Sistem dikembangkan menggunakan metode Waterfall dengan implementasi berbasis Python, Flet, dan MySQL. Model evaluasi dibangun menggunakan aturan IF–THEN yang disusun berdasarkan studi literatur dan analisis karakteristik administrasi organisasi mahasiswa dengan tiga indikator, yaitu Participant Attendance, LPJ Submission Timeliness, dan Document Completeness. Pengujian fungsional menggunakan Black Box Testing terhadap 35 skenario menunjukkan 34 skenario berhasil dan 1 skenario gagal, sehingga diperoleh tingkat keberhasilan sebesar 97,1%. Selain itu, validasi model menunjukkan bahwa hasil perhitungan manual identik dengan hasil yang dihasilkan sistem pada seluruh skenario pengujian, sehingga implementasi aturan telah sesuai dengan rancangan model. Sistem menghasilkan Productivity Score, Productivity Category, Weakest Aspect, dan Recommendation secara otomatis untuk mendukung evaluasi produktivitas organisasi mahasiswa. Hasil penelitian menunjukkan bahwa integrasi model berbasis aturan mampu menghasilkan proses evaluasi yang konsisten, objektif, dan transparan serta mendukung dosen pembina dalam memantau produktivitas organisasi mahasiswa.
Prediksi Mortalitas Ayam Broiler Menggunakan Metode Least Square Berbasis Web Abdul Majid, Akmal; Nugraha, Fajar; Laily, Diana
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Mortalitas ayam broiler merupakan salah satu indikator penting dalam keberhasilan manajemen produksi peternakan karena berpengaruh langsung terhadap efisiensi populasi, biaya operasional, dan hasil panen. Penelitian ini bertujuan membangun sistem prediksi mortalitas ayam broiler berbasis web menggunakan metode Least Square pada kandang mitra Putri Riana Elok Mufidah dalam sistem kemitraan PT. Ciomas Adisatwa. Data yang digunakan berasal dari 15 siklus pemeliharaan periode 2022-2026 pada dua kandang dengan total 1.200 baris data harian. Tahapan pengolahan meliputi load dataset, standarisasi kolom, pengecekan outlier menggunakan IQR, pembentukan variabel X, Y, XY, dan X2, pemodelan Least Square, serta evaluasi menggunakan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan nilai MAPE testing sebesar 3,093677% pada Kandang A dan 3,175730% pada Kandang B, sehingga keduanya termasuk kategori sangat akurat. Sistem yang dihasilkan dapat digunakan sebagai alat bantu manajemen untuk memantau tren mortalitas, memproyeksikan siklus berikutnya, dan mendukung keputusan preventif berbasis data.
Sistem Pendukung Keputusan Pemilihan Paket Booster TikTok Menggunakan Metode Collaborative Filtering dan TOPSIS Putri Khoirun Nisfah, Andhika; Nugraha, Fajar; Supriyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan penggunaan TikTok mendorong content creator, UMKM, dan pengelola talent untuk memanfaatkan layanan booster sebagai strategi meningkatkan visibilitas akun. Banyaknya variasi paket pada platform Social Media Marketing (SMM) Panel—dengan selisih harga hingga lebih dari 300 kali lipat antar paket (Rp88 sampai Rp28.060 per 1.000 interaksi)—menimbulkan kesulitan dalam memilih paket yang sesuai dengan kebutuhan, anggaran, dan target interaksi. Penelitian ini membangun Sistem Pendukung Keputusan (SPK) pemilihan paket booster TikTok berbasis web dengan pendekatan hybrid yang menggabungkan Collaborative Filtering dan TOPSIS. Collaborative Filtering digunakan untuk memprediksi rating paket berdasarkan kemiripan preferensi pengguna, sedangkan TOPSIS digunakan untuk mengurutkan alternatif berdasarkan lima kriteria: skor prediksi rating, harga, jangkauan, estimasi followers, dan kontribusi interaksi. Data penelitian melibatkan 500 responden, 11 alternatif paket, dan 5 kriteria evaluasi. Hasil pemrosesan menunjukkan 5.500 sel rating dengan 4.474 rating terisi, 1.026 rating kosong, dan sparsity 18,65%. Seluruh nilai kosong berhasil diprediksi menggunakan Collaborative Filtering. Hasil akhir TOPSIS menunjukkan paket ID88_Saves_Lifetime sebagai rekomendasi terbaik dengan nilai preferensi Ci sebesar 0,607996.
Klasterisasi Pelanggan Menggunakan K-Means Clustering Berbasis Model LRFM untuk Analisis Customer Lifetime Value pada Toko Perabot Pak Lan Jaya Bunga Sayla Safira; Supriyono; Soni Adiyono
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Persaingan pada sektor ritel perabot rumah tangga semakin ketat sehingga pelaku usaha dituntut untuk mengidentifikasi dan memprioritaskan pelanggan berdasarkan nilai serta perilaku transaksinya secara terukur. Tanpa mekanisme klasifikasi pelanggan yang sistematis, pengelola toko kesulitan merancang strategi pemasaran yang tepat sasaran dan efisien. Penelitian ini bertujuan menganalisis klasterisasi pelanggan Toko Perabot Pak Lan Jaya menggunakan algoritma K-Means Clustering berbasis model LRFM dengan parameter Length (durasi hubungan pelanggan), Recency (kebaruan transaksi), Frequency (frekuensi pembelian), dan Monetary (nilai pembelian) sebagai dasar estimasi Customer Lifetime Value (CLV) guna mendukung pengambilan keputusan strategi pemasaran. Penelitian menggunakan 661 transaksi terkonfirmasi dari 76 pelanggan selama periode Januari hingga Juli 2026. Tahapan analisis meliputi pembersihan data, pembentukan fitur LRFM, normalisasi menggunakan metode Min-Max Scaling, penentuan jumlah klaster optimal dengan Metode Elbow, klasterisasi menggunakan K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Score. Hasil penelitian menghasilkan tiga segmen pelanggan, yaitu 19 Pelanggan Premium, 40 Pelanggan Loyal, dan 23 Pelanggan Berisiko. Pelanggan Premium memiliki rata-rata nilai Monetary dan Frequency tertinggi, sedangkan Pelanggan Berisiko menunjukkan nilai Recency tertinggi serta Frequency dan Monetary terendah. Nilai Silhouette Score sebesar 0,2821 mengindikasikan bahwa pemisahan antar klaster berada pada kategori cukup baik (reasonable structure). Hasil segmentasi dapat dimanfaatkan sebagai dasar penyusunan program loyalitas, promosi bertarget, peningkatan nilai transaksi, dan kampanye reaktivasi pelanggan secara terstruktur dan berbasis data.
Sistem Rekomendasi Jalur Sertifikasi Berbasis Machine Learning untuk Lifelong Learning Jody, Jody; Aryo Riandhito, Febry; Ridwan, Mohamad; Pebrianti, Dwi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dinamika pasar tenaga kerja saat ini menuntut peningkatan kompetensi secara berkelanjutan melalui ekosistem lifelong learning (pembelajaran sepanjang hayat). Lembaga Sertifikasi Profesi (LSP) berperan penting dalam hal ini, namun sering kesulitan memberikan rekomendasi sertifikasi yang tepat bagi pendaftar baru. Kendala utamanya meliputi ketiadaan riwayat sertifikasi (cold-start), keterbatasan pencocokan kata kunci pada sistem tradisional (lexical mismatch), serta kurangnya transparansi alasan rekomendasi dari sistem kecerdasan buatan (black-box). Penelitian ini mengusulkan sistem rekomendasi hibrida yang menggabungkan Machine Learning dan Generative AI. Untuk mengatasi masalah cold-start, algoritma K-Means digunakan untuk mengelompokkan profil pendaftar ke dalam 6 persona karier yang optimal berdasarkan data awal mereka. Selanjutnya, pencocokan profil dengan skema sertifikasi dilakukan menggunakan model Sentence-BERT (SBERT) yang mampu memahami konteks makna bahasa, bukan sekadar kata persis. Hasil pengujian menunjukkan pendekatan hibrida ini sangat unggul dengan tingkat akurasi (Recall@3) mencapai 82,67%. Terakhir, untuk mengatasi masalah black-box, sistem ini mengimplementasikan teknologi Retrieval-Augmented Generation (RAG). Teknologi ini menerjemahkan skor komputasi menjadi penjelasan naratif yang mudah dipahami, memberi tahu pengguna mengenai kesenjangan keterampilan (skill gap) yang perlu mereka pelajari. Secara keseluruhan, prototipe sistem berbasis web ini berhasil memberikan rekomendasi yang presisi sekaligus bertindak sebagai penasihat karier transparan yang mendukung pengembangan kompetensi tenaga kerja.
Analisis Segmentasi Konsumen E-Commerce menggunakan Model RFM melalui Metode K-Means, DBSCAN, dan Agglomerative Clustering Diana, Putri; Yusup, Rika; Pebrianti, Dwi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Data transaksi perdagangan elektronik sering tersedia dalam jumlah besar, tetapi belum selalu diterjemahkan menjadi segmentasi pelanggan yang dapat mendukung keputusan pemasaran. Penelitian ini bertujuan membandingkan K-Means, DBSCAN, dan klasterisasi aglomeratif berbasis model Recency, Frequency, dan Monetary (RFM) serta menentukan metode yang paling sesuai dengan karakteristik data. Set data terdiri atas 34.500 transaksi dari Kaggle yang merepresentasikan 7.903 pelanggan. Tahapan penelitian mencakup analisis eksploratif data, prapemrosesan, pembentukan atribut RFM, standardisasi Z-Score, klasterisasi, serta evaluasi menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). K-Means dan DBSCAN memperoleh Silhouette Score yang sama, yaitu 0,348. DBSCAN menghasilkan DBI lebih rendah (0,601), sedangkan K-Means memperoleh CHI tertinggi (4472,039) dan membentuk distribusi segmen yang lebih seimbang serta mudah diinterpretasikan. Oleh karena itu, K-Means dipilih sebagai metode yang paling aplikatif pada set data ini dan menghasilkan tiga segmen, yaitu 4.336 Pelanggan Potensial, 1.901 Pelanggan Terbaik, dan 1.666 Pelanggan Berisiko Tidak Aktif. Kontribusi penelitian ini terletak pada perbandingan tiga paradigma klasterisasi dalam kerangka RFM yang sama dan penerjemahan hasil klaster menjadi strategi loyalitas, pengembangan pelanggan potensial, serta aktivasi kembali pelanggan yang berisiko tidak aktif.
Pengaruh Variabel Teknikal dan Makroekonomi pada Prakiraan Harga Saham menggunakan Algoritma XGBoost dan Random Forest Calista, Eva; Negara, Arif Bijaksana Putra; Zulkarnain, Izuardo
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Prediksi harga saham merupakan salah satu permasalahan penting dalam bidang keuangan karena memiliki tingkat kompleksitas dan ketidakpastian yang tinggi. Oleh karena itu, diperlukan model prediksi yang akurat dan mampu menangkap pola data secara optimal. Penelitian ini menggunakan pendekatan machine learning dengan algoritma XGBoost dan Random Forest untuk memprediksi harga saham PT Bank Syariah Indonesia Tbk (BRIS) dengan memanfaatkan kombinasi variabel teknikal dan makroekonomi. Dataset yang digunakan berupa data historis harga saham BRIS dan nilai tukar USD/IDR pada periode 1 Juli 2021 hingga 1 Oktober 2025. Tahapan penelitian meliputi feature engineering dengan pembuatan lag feature dan moving average, pembagian data berdasarkan time series, serta normalisasi data menggunakan StandarScaler. Evaluasi model dilakukan menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Selain itu, dilakukan analisis SHAP untuk mengetahui pengaruh masing-masing variabel terhadap performa model. Hasil penelitian menunjukkan bahwa penggunaan kombinasi variabel teknikal dan makroekonomi tidak memberikan peningkatan performa yang signifikan dibandingkan variabel teknikal saja. Pada dataset BRIS sebagai fokus utama penelitian, model Random Forest dengan variabel teknikal menghasilkan performa terbaik dengan nilai RMSE sebesar 30.793479 dan MAPE sebesar 0.823462%. Hasil analisis SHAP menunjukkan bahwa variabel Low dan High memiliki kontribusi paling besar dibandingkan fitur seperti volume perdagangan, harga pada beberapa periode sebelumnya, serta rata-rata harga dalam periode tertentu yang menunjukkan bahwa informasi harga harian memiliki peran dominan dalam menentukan hasil prediksi model. Selain itu, model juga diuji pada dataset lain sebagai pengujian tambahan yang menunjukkan bahwa model memiliki kemampuan generalisasi yang cukup baik, meskipun tingkat akurasinya tetap dipengaruhi oleh karakteristik masing-masing data.
Studi Komparasi Metode Klasik dan IndoBERT untuk Analisis Sentimen Berbasis Aspek Pelaku Program MBG di Platform X Alqis Rausanfita; Affifah Mutiara Pertiwi; Vessa Rizky Oktavia
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Program Makan Bergizi Gratis (MBG) memunculkan beragam respons publik, khususnya terkait kredibilitas dan kinerja pelaku pelaksanaannya. Media sosial X menjadi ruang bagi masyarakat untuk menyampaikan dukungan, kritik, maupun pandangan terhadap pelaksanaan program secara real-time. Penelitian ini bertujuan mengklasifikasikan sentimen publik terhadap aspek pelaku Program MBG serta membandingkan kinerja metode klasifikasi klasik dengan model berbasis Transformer. Data diperoleh melalui scraping platform X menggunakan kata kunci “MBG” dan “Makan Bergizi Gratis” pada periode Januari 2025 hingga April 2026. Sebanyak 795 tweet dikumpulkan dan diperoleh 789 data setelah penghapusan duplikasi, kemudian diklasifikasikan menjadi sentimen positif, negatif, dan netral. Metode yang dibandingkan meliputi Naive Bayes, SVM, KNN, Random Forest, dan IndoBERT, dengan Random Oversampling untuk menyeimbangkan data. IndoBERT memberikan kinerja terbaik dengan akurasi 83,54%, presisi 80,43%, recall 78,41%, dan F1-score 79,28%. Hasil tersebut menunjukkan bahwa representasi bahasa berbasis konteks melalui IndoBERT mampu meningkatkan kinerja klasifikasi sentimen dibandingkan metode klasik. Penelitian ini memberikan gambaran empiris respons publik terhadap aspek pelaku Program MBG serta kontribusi metodologis dengan perbandingan lima pendekatan klasifikasi.
Analisis dan Perancangan Ulang Proses Bisnis Pengiriman Paket pada PT Kirim Cepat Nusantara (KCN Express): Bahasa Indonesia Hidayah, Nur Aeni; Vianuri, Arghi
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol. 12 No. 2 (2026): Volume 12 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Industri logistik nasional menghadapi tekanan volume pengiriman yang terus meningkat seiring pertumbuhan e-commerce, namun stabilitas proses operasional belum sepenuhnya mengimbangi lonjakan tersebut. Penelitian ini menganalisis proses bisnis pengiriman paket reguler pada PT Kirim Cepat Nusantara (KCN Express) menggunakan kerangka kerja Business Process Management (BPM) untuk mengidentifikasi akar penyebab inefisiensi dan merumuskan desain ulang proses yang lebih efisien. Proses bisnis dipetakan dalam notasi Business Process Model and Notation (BPMN), lalu dianalisis secara kualitatif lewat Value-Added Analysis dan Root Cause Analysis (Fishbone dan Why-Why). Analisis kuantitatif dilakukan lewat Issue Register, Pareto Analysis, dan simulasi Cycle Time pada model As-Is dan To-Be. Hasil analisis menunjukkan dua akar masalah dominan yang menyumbang mayoritas inefisiensi, yaitu penumpukan (bottleneck) di Gateway Asal akibat kapasitas mesin sortir yang terlampaui hingga 166% saat peak season, dan tingginya tingkat pengiriman ulang (redelivery) di tahap Last Mile yang mencapai 10% dari total pengiriman harian. Rancangan proses To-Be yang mengusulkan strategi Pre-sorting Bypass (“Jalur Hijau”) di Drop Point dan validasi digital via WhatsApp sebelum pengantaran terbukti mampu memangkas total Cycle Time dari rata-rata 34,4 jam menjadi 25,5 jam, atau peningkatan efisiensi waktu sebesar 26%. Evaluasi menggunakan The Devil's Quadrangle menunjukkan peningkatan signifikan pada dimensi Waktu, Kualitas, dan Fleksibilitas, dengan trade-off penurunan kecil pada dimensi Biaya akibat kebutuhan investasi awal. Implementasi disarankan dilakukan bertahap, diawali proyek percontohan sebelum diluncurkan secara nasional.

Page 55 of 56 | Total Record : 554

 52   53   54   55   56 

Filter by Year

2015 2026


Reset
Filter By Issues
All Issue Vol. 12 No. 2 (2026): Volume 12 No 2 Vol. 12 No. 1 (2026): Volume 12 No 1 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