cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Fajril Akbar
Contact Email
ijab@fti.unand.ac.id
Phone
+627517770
Journal Mail Official
teknosi@fti.unand.ac.id
Editorial Address
Jurusan Sistem Informasi, Fakultas Teknologi Informasi Universitas Andalas Kampus Limau Manis, Padang 25163, Sumatera Barat
Location
Kota padang,
Sumatera barat
INDONESIA
Jurnas Nasional Teknologi dan Sistem Informasi
Published by Universitas Andalas
ISSN : 24768812     EISSN : 24603465     DOI : https://dx.doi.org/10.25077/TEKNOSI
Core Subject : Science,
Computer Science & IT Decision Sciences, Operations Research & Management
Jurnal ini menerbitkan artikel penelitian (research article), artikel telaah/studi literatur (review article/literature review), laporan kasus (case report) dan artikel konsep atau kebijakan (concept/policy article), di semua bidang : Geographical Information System, Enterpise Application, Bussiness Intelligence, Data Warehouse, Network Computer Security, Data Mining, Computer Architecture Design, Mobile Computing, Computing Theory, Embedded system, Decision Support System
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 365 Documents
 33   34   35   36   37 
Improving Multi-label Classification Performance on Imbalanced Datasets Through SMOTE Technique and Data Augmentation Using IndoBERT Model Cahya, Leno Dwi; Luthfiarta, Ardytha; Krisna, Julius Immanuel Theo; Winarno, Sri; Nugraha, Adhitya
Jurnal Nasional Teknologi dan Sistem Informasi Vol 9 No 3 (2023): Desember 2023
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v9i3.2023.290-298

Abstract

Sentiment and emotion analysis is a common classification task aimed at enhancing the benefit and comfort of consumers of a product. However, the data obtained often lacks balance between each class or aspect to be analyzed, commonly known as an imbalanced dataset. Imbalanced datasets are frequently challenging in machine learning tasks, particularly text datasets. Our research tackles imbalanced datasets using two techniques, namely SMOTE and Augmentation. In the SMOTE technique, text datasets need to undergo numerical representation using TF-IDF. The classification model employed is the IndoBERT model. Both oversampling techniques can address data imbalance by generating synthetic and new data. The newly created dataset enhances the classification model's performance. With the Augmentation technique, the classification model's performance improves by up to 20%, with accuracy reaching 78%, precision at 85%, recall at 82%, and an F1-score of 83%. On the other hand, using the SMOTE technique, the evaluation results achieve the best values between the two techniques, enhancing the model's accuracy to a high 82% with precision at 87%, recall at 85%, and an F1-score of 86%.
Perbandingan Performa Algoritma Metode Bagging dan Boosting pada Prediksi Konsentrasi PM10 di Jakarta Utara Putri, Elita Rizkiani; Arianto, Dede Brahma
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.72-81

Abstract

Jakarta Utara merupakan salah satu wilayah di DKI Jakarta yang mengalami peningkatan hari dengan kualitas udara berkategori tidak sehat, yakni 21 hari pada tahun 2017 menjadi 117 hari di 2018, tetapi kemudian menurun menjadi 45 hari pada tahun 2019. Kategori tidak sehat tersebut dipengaruhi oleh polusi udara. Salah satu polutan yang ada di udara adalah PM10. Saat ini, kualitas udara dapat diprediksi menggunakan pendekatan algoritma machine learning. Contoh metode machine learning yang terkenal adalah Metode Bagging dan Boosting yang ada di Metode Ensemble. Contoh algoritma dengan Metode Bagging adalah Random Forest, sedangkan pada Metode Boosting adalah Catboost dan XGBoost. Penelitian ini bertujuan membandingkan performa algoritma Metode Bagging berupa Random Forest dan algoritma Metode Boosting berupa Catboost dan XGBoost dalam memprediksi konsentrasi PM10 di Jakarta Utara. Data yang digunakan adalah data harian tahun 2017—2019 untuk faktor meteorologis dan polutan lainnya di wilayah tersebut. Faktor meteorologis digunakan karena faktor ini dapat memengaruhi konsentrasi dan pembentukan polutan. Sementara itu, faktor polutan digunakan karena beberapa penelitian sebelumnya menggunakan faktor ini dalam memprediksi konsentrasi PM10. Penelitian ini dilakukan dengan studi literatur, pemerolehan data, pra-pemprosesan data, dan pemodelan data. Beberapa metrik evaluasi juga digunakan untuk melihat evaluasi dari pemodelan. Berdasarkan hasil pemodelan, algoritma Random Forest menghasilkan akurasi data testing yang lebih tinggi (R2 = 0,6424) dibandingkan XGBoost (R2 = 0,6340) dan Catboost (R2 = 0,6294).
Analisis Variasi Implementasi Algoritma Analytical Hierarchy Process (AHP) Dalam Menentukan Prioritas Produk Kalibrasi Michael Siregar, Ivan; Budi Putri, Lydia Wulandari
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.54-63

Abstract

Pemanfaatan teknologi informasi telah berhasil menolong banyak perusahaan dalam meningkatkan penjualan produknya. Dengan melakukan evaluasi terhadap kinerja penjualan maka akan terlihat dinamika perubahan angka penjualan setiap produk secara lebih akurat untuk membantu pengambil keputusan yang strategis. Oleh karena itu, untuk mengatasi permasalahan ranking dan prioritas produk pada penelitian ini diperlukan suatu algoritma khusus seperti AHP untuk menyelesaikan permasalahan kompleks yang memiliki banyak kriteria. Banyak penelitian yang berhasil menggunakan algoritma AHP untuk menentukan peringkat produk seperti produk yang laris di minimarket dan beberapa studi kasus lainnya. Namun dalam penerapan AHP terdapat beberapa cara berbeda dalam menghitung bobot dan rasio konsistensi. Menggunakan AHP, melakukan pengujian dengan variasi proses AHP yang sering digunakan untuk menentukan prioritas kalibrasi produk dan membandingkannya, kemudian mengimplementasikan metode terbaik ke dalam Python. Kriterianya adalah jumlah pelanggan, jumlah alat yang masuk, harga per alat, waktu penyelesaian, dan review pelanggan. Berdasarkan hasil penelitian, bobot masing-masing cara berbeda-beda, namun prioritas yang dihasilkan sama. Produk terlaris adalah plug gauge dengan bobot tertinggi dan terburuk adalah instrumen. Hasilnya juga menunjukkan bahwa cara terbaik dalam proses normalisasi adalah dengan membagi setiap nilai kolom dengan total kolom yang bersangkutan dan memiliki nilai konsistensi yang lebih akurat. Hasil pemeringkatan akan memudahkan pengambil keputusan menganalisis prioritas produk dan menggunakan cara yang efektif.
Teknik Bagging pada Ensemble Learning untuk Kategorisasi Produk E-Commerce Churniansyah, Faskal; Utomo, Danang Wahyu
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.92-99

Abstract

E-commerce merupakan layanan dalam jual beli yang dijalankan secara online melalui media elektronik seperti komputer dan handphone. Adanya perkembangan teknologi informasi yang lebih canggih menjadi pendorong utama dalam meningkatkan kerja e-commerce. Peningkatan yang sering dilakukan adalah menyediakan layanan sebaik – baiknya dan semudah mungkin untuk pelanggan. Banyaknya produk e-commerce yang ditawarkan ke pelanggan menjadi isu utama dalam layanan e-commerce. Tidak sedikit pelanggan yang bingung dalam menentukan pilihan produk. Bahkan beberapa penelitian menyatakan pelanggan yang awam tentang penggunaan e-commerce bingung dalam pemilihan produk. Ada deskripsi atau ulasan produk yang berbeda terhadap produk yang sama. Penelitian ini mengusulkan kategorisasi produk pada layanan e-commerce dengan tujuan menempatkan deskripsi produk sesuai dengan kategori yang telah ditentukan. Teknik bagging adalah Teknik ensemble learning yang mampu membuat beberapa sub pohon keputusan yang nantinya dapat dicari nilai akurasi yang terbaik. Pada hasil pengujian diperoleh bahwa pada pengaturan hyperparameter n_estimators 200 menghasilkan nilai akurasi terbaik dengan nilai 93,25%., precision 93%, recall 93% dan f1-score 93%.
Pola Pembelian Konsumen Dengan Metode Market Basket Analysis pada Perishable Product di Toko Roti Ikobana Bakery Agung Yulianto, Ardhian; Elsandra, Yesi
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.82-91

Abstract

Industri makanan dan minuman berperan besar dalam ekonomi Indonesia. Roti sebagai salah satu produk makanan termasuk kategori fast mover consumer goods dan perishable product yang dijual cepat, harga relatif murah, namun cepat kadaluarsa dengan siklus hidup yang Terkhusus bagi Ikobana Bakery, yang memproduksi roti Jepang dengan tekstur lembut berbahan premium dan varian banyak perlu strategi pemasaran untuk meningkatkan penjualan. Penelitian ini bertujuan untuk mengetahui pola pembelian konsumen yang dibeli secara bersamaan baik saat promosi maupun penjualan reguler, sehingga diketahui produk yang paling sering dibeli dan akhirnya dapat memberikan strategi pemasaran berdasarkan perilaku pembelian konsumen. Metode yang digunakan adalah market basket analysis algoritma apriori menggunakan data transaksi dari Januari 2022 sampai dengan Agustus 2023, sejumlah 1000 data penjualan promosi dan 4593 data penjualan reguler. Bahasa pemrograman Python digunakan untuk mengolah dan menganalisis data. Dari penelitian ini dihasilkan 17 aturan asosiasi untuk penjualan promosi dengan minimum support 40% dan minimum confidence 60%, serta 11 aturan untuk penjualan reguler dengan minimum support 20% dan minimum confidence 55%. Roti sosis mayonaise menonjol sebagai produk penting dengan nilai consequent support tinggi yaitu sebesar 36,2% pada penjualan promosi dan 29,3% pada penjualan reguler. Pada produk rekomendasi yaitu roti melon pan terdapat perilaku konsumen yang menginginkan produk ini pada saat penjualan promosi 2 kali lipat lebih besar aturan yang terbentuk dibandingkan pada saat penjualan regular. Rekomendasi pemasaran termasuk strategi product bundling dan price bundling untuk meningkatkan penjualan.
Penerapan Business Intelligence dan Prescriptive Analytics pada Mutu Pelayanan Kesehatan Rumah Sakit di Kota Pekanbaru Irsyalina, Reysha; Santi, Rahmatika Pratama
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.27-35

Abstract

Dinas Kesehatan Kota Pekanbaru merupakan lembaga pemerintahan yang berwenang dan bertanggungjawab di bidang kesehatan. Salah satu fungsi dari Dinas Kesehatan Kota Pekanbaru yaitu melakukan pembinaan serta pengawasan mutu Pelayanan Kesehatan Dasar dan Rujukan. Pembinaan dan pengawasan dilakukan sebagai usaha untuk meningkatkan kepatuhan pengukuran dan pelaporan dari indikator mutu termasuk yang bersifat mandatory. Saat ini Dinas Kesehatan Kota Pekanbaru mengalami kendala dalam memanfaatkan data secara optimal karena pengolahan data masih terbatas. Laporan kinerja diunduh dalam bentuk excel dari aplikasi Mutufasyankes kemudian dilakukan analisis secara manual. Kondisi tersebut menyebabkan analisis kualitas layanan kesehatan untuk menyusun strategi pengembangan mutu pelayanan kesehatan memerlukan waktu yang lama karena harus mengolah data secara manual dari rekap data laporan kinerja rumah sakit setiap bulan. Analisa pada laporan kinerja pun tidak seragam sehingga pernyataan pada rencana tindak lanjut berbeda-beda. Oleh karena itu, dibutuhkan sebuah Business Intelligence yang dapat memudahkan dalam pengolahan data dan visualisasi dashboard sehingga menghasilkan informasi untuk membantu pendukung keputusan dalam strategi pengembangan mutu pelayanan kesehatan di Kota Pekanbaru.  Metode yang dilakukan yaitu observasi, wawancara, analisis dokumen, studi literatur dan tahapan Roadmap BI yang terdiri dari justification, planning, business analysis, dan construction. Hasil penelitian berupa dashboard yang terdiri dari dashboard informasi umum, dashboard monitoring, dashboard evaluasi, dashboard analisa capaian, dan dashboard clustering. Hasil pengujian menggunakan metode user acceptance test (UAT) telah menunjukkan bahwa tingkat penerimaan responden sangat tinggi yaitu sebesar 90%. Dengan penerapan business intelligence, informasi mengenai kualitas layanan rumah sakit dari data indikator nasional mutu dapat diakses dan digunakan dalam menyusun strategi pengembangan mutu pelayanan kesehatan.
Comparative Analysis of User Satisfaction Levels of Threads and X Applications Using the PIECES Method Rahmayani, Nurul; Indra, Dolly; Asis, Muhammad Arfah
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.17-26

Abstract

Technology and information systems are high-speed in their application in helping community activities in the digital era. People's desire to access the Internet has increased to provide opportunities for companies to provide technology services, namely the Internet. One of the latest platforms to gain popularity among young users is Threads, which Instagram launched. X is an online social networking and microblogging service that allows users to send and receive text-based messages or posts. To determine whether Threads and X can be used to the best of their ability to access information, an analysis of the performance of the applications was conducted. This study uses the PIECES method to determine user satisfaction with the Threads and X applications. This research uses the PIECES analysis method, which consists of several assessment indicators (Performance, Information and Data, Economics, Control, Security, Efficiency, and Service) by distributing questionnaires to active users of Threads and X from various regions to get 1002 respondents. The results of this study show that Threads receives an average score of 3.61, indicating that users are satisfied, while X gets an average score of 4.37, indicating that users are satisfied. So, the results of this study show that the average level of satisfaction of X users is more significant than Threads. This shows that X's average level of user satisfaction is superior to that of Threads.
Klasifikasi Penyakit Kanker Serviks Berdasarkan Kebiasaan dan Rekam Medis dengan Metode C4.5 Hidayah, Kemal Taufiq; Arifitama, Budi; Permana, Silverster Dian Handy
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.36-44

Abstract

Kanker serviks adalah salah satu penyakit yang paling sering ditemui dan dapat menyebabkan kematian pada Wanita di seluruh dunia. Di Indonesia, jumlah kematian akibat kanker serviks terus meningkat setiap tahun, sebgaian besar disebabkan oleh diagnosis dan skrining yang terlambat. berbagai faktor yang disebabkan oleh kanker serviks seperti kebiasaan yang dilakukan ialah, berganti-ganti pasangan seksual, merokok atau pasif merokok, memiliki infeksi kelamin, memiliki riwayat kanker dan sebagainya. untuk mendeteksi adanya kanker serviks atau tidak, dapat dilakukan dengan cara pemeriksaan tes IVA (inspeksi visual asam asetat) atau yang disebut dengan tes schiller. Metode klasifikasi ialah bagian dari Teknik data mining untuk melakukan prediksi, Dalam penelitian ini, ingin meningkatkan akurasi dengan menggunakan metode C4.5 untuk melakukan klasifikasi penyakit kanker serviks berdasarkan kebiasaan pasien. Dua belas atribut dan satu atribut dari hasil pengujian digunakan dalam proses klasifikasi. Dataset tersebut terdiri dari 1080 entri, yang akan dibagi menjadi 864 data dan 216 data pelatihan. Data ini diperoleh dari website UCI Repository. Penelitian ini menghasilkan akurasi sebesar 94.10%, presisi sebesar 95.57%, recall sebesar 96.33% dan AUC (Area Under Curve) sebesar 0.987 yang diukur menggunakan matrix confussion atau matriks kebingungan dengan alat rapidminer. 
Sistem Rekomendasi Pembelian Smartphone berbasis Algoritma K-Means dan Singular Value Decomposition Zuhdiansyah, Ivan; Luthfiarta, Ardytha
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 1 (2024): April 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i1.2024.45-53

Abstract

Perkembangan teknologi informasi yang pesat, memberi dampak pada ketesedian informasi yang berlimpah. Hal ini menjadikan suatu masalah yang disebut kelebihan informasi, menyebabkan pengguna internet sulit memahami dan membuat keptusan. E-commerce merupakan salah satu yang terdampak dari kelebihan informasi, dengan banyaknya produk dan pengguna baik dari penjual maupun pembeli yang ada. Sistem rekomendasi adalah bagian penting dari e-commerce yang menjadi salah satu cara menangani kelebihan informasi, dengan memberikan rekomendasi produk kepada pembeli agar membantu menentukan pilihan. Dalam sistem rekomendasi memiliki permasalahan scalability, dimana banyaknya produk yang tersedia membuatnya menjadi tidak efektif dan efisien dalam memberikan rekomendasi kepada pembeli. Maka, penelitian ini mengusulkan metode sistem rekomendasi yang dikombinasikan teknik clustering. Menggunakan algoritma K-Means untuk mengelompokkan produk, kemudian algoritma Singular Value Decomposition (SVD) untuk membuat rekomendasi di dalam cluster yang terbentuk. Hasil keluaran model yaitu, rekomendasi produk dan prediksi rating yang diberikan pembeli dari produk yang direkomendasikan. Evaluasi model mendapatkan nilai dbi sebesar 0,703 untuk clustering, nilai rata-rata terbaik MAE 0.8150 dan RMSE 1.1781 untuk rekomendasi yang dihasilkan. Kesimpulan yang didapat bahwa metode ini dapat menangani masalah scalability dan memberikan rekomendasi yang akurat dengan nilai evaluasi yang lebih baik dibandingkan penelitian sebelumnya.
Dynamic Time Warping Pada Metode K-Means Untuk Pengelompokan Data Trend Penjualan Produk Wijaya, Fairizal Aaron Wahyu Tanamas Satria; Prasetyo, Eko; Tias, Rahmawati Febrifyaning
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 2 (2024): Agustus 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i2.2024.100-109

Abstract

Pasar swalayan menghasilkan transaksi penjualan dengan pelanggan dengan laju pertumbuhan data tinggi. Data transaksi sejumlah barang memiliki pola berbeda, ada yang tinggi dan ada yang rendah. Perbedaan ini mengakibatkan pola penjualan antar satu produk dengan produk lainnya berbeda. Pola ini juga mengakibatkan pengelolaan stok dan promosi juga berbeda. Maka, untuk memudahkan pengelolaan barang, perlu dilakukan pengelompokan trend penjualan otomatis menggunakan K-Means. Namun, metode perhitungan jarak (dissimilarity) standar tidak tepat digunakan pada data periodik. Penelitian ini bereksperimen mengelompokkan data periodic trend penjualan produk menggunakan metode K-Means dan DTW (Dynamic Time Warping) untuk perhitungan jarak. DTW melakukan perhitungan jarak dengan memperhatikan data histori periode sebelum dan setelah data yang sedang dihitung. Pelibatan data disekitarnya akan membentuk jarak sesuai dengan pola data periodik. Hasil pengelompokan data tahun 2021, Cluster 1 dengan 417 data memiliki pola naik dari awal tahun kemudian menurun, selanjutnya perlahan naik kembali di pertengahan hingga akhir tahun. Cluster 2 dengan 2403 data memiliki pola stabil di awal tahun, ketika di pertengahan tahun mulai naik, kemudian di akhir tahun turun namun kembali naik. Cluster 3 dengan 289 data memiliki pola menurun saat awal tahun, namun terlihat stabil hingga akhir tahun. Hasil ekeperimen pengelompokan trend penjualan menggunakan metode K-Means dengan jarak DTW menunjukkan hasil yang baik dan memiliki pola data dalam kelompok yang sesuai karakteristik alami. Hal ini didukung oleh validitas Davies-Bouldin index -1.215 dimana nilai yang semakin kecil mendekati nol menunjukkan kualitas cluster yang dicapai baik.

Page 35 of 37 | Total Record : 365

 33   34   35   36   37 

Filter by Year

2015 2025


Reset
Filter By Issues
All Issue Vol 11 No 2 (2025): Agustus 2025 Vol 11 No 1 (2025): April 2025 Vol 10 No 3 (2024): Desember 2024 Vol 10 No 2 (2024): Agustus 2024 Vol 10, No 2 (2024): Agustus 2024 Vol 10, No 1 (2024): April 2024 Vol 10 No 1 (2024): April 2024 Vol 9, No 3 (2023): Desember 2023 Vol 9 No 3 (2023): Desember 2023 Vol 9, No 2 (2023): Agustus 2023 Vol 9 No 2 (2023): Agustus 2023 Vol 9 No 1 (2023): April 2023 Vol 9, No 1 (2023): April 2023 Vol 8, No 3 (2022): Desember 2022 Vol 8 No 3 (2022): Desember 2022 Vol 8, No 2 (2022): Agustus 2022 Vol 8 No 2 (2022): Agustus 2022 Vol 8 No 1 (2022): April 2022 Vol 8, No 1 (2022): April 2022 Vol 7, No 3 (2021): Desember 2021 Vol 7 No 3 (2021): Desember 2021 Vol 7, No 2 (2021): Agustus 2021 Vol 7 No 2 (2021): Agustus 2021 Vol 7, No 1 (2021): April 2021 Vol 6, No 3 (2020): Desember 2020 Vol 6, No 2 (2020): Agustus 2020 Vol 6, No 1 (2020): April 2020 Vol 5, No 3 (2019): Desember 2019 Vol 5, No 2 (2019): Agustus 2019 Vol 5, No 1 (2019): April 2019 Vol 5 No 1 (2019): April 2019 Vol 4, No 3 (2018): Desember 2018 Vol 4, No 2 (2018): Agustus 2018 Vol 4, No 1 (2018): April 2018 Vol 3, No 3 (2017): Desember 2017 Vol 3, No 2 (2017): Agustus 2017 Vol 3, No 1 (2017): April 2017 Vol 2, No 3 (2016): Desember 2016 Vol 2, No 2 (2016): Agustus 2016 Vol 2, No 1 (2016): April 2016 Vol 1, No 1 (2015): Oktober 2015 More Issue