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 24 Documents
 1   2   3 
Search results for , issue "Vol 9, No 3 (2023): Volume 9 No 3" : 24 Documents clear
Perbandingan QOS Dari Metode NTH ECMP dan PCC untuk Layanan Berbasis Konten Winarno Sugeng; Fazza Dwi Riandy
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.67199

Abstract

Tingginya kebutuhan resource untuk pengaksesan konten di internet sejalan dengan tingginya kebutuhan performa jaringan internet yang stabil dan efisien. Untuk menciptakan jaringan yang stabil dibutuhkan sebuah proses untuk meringankan beban jaringan. Load balancing merupakan sebuah metode yang dapat mendistribusikan beban jaringan ke dua koneksi internet atau lebih. Beban jaringan yang terdistribusi akan menciptakan kualitas jaringan yang optimal. Hal itu dipicu oleh throughput yang lebih baik dan response time yang lebih singkat. Selain itu, nilai dari parameter Quality of Service (QoS) dibutuhkan untuk menentukan seberapa baik kinerja jaringan tersebut, parameter delay, jitter, packet loss, dan throughput. Pada penelitian ini akan diimplementasikan tiga metode load balancing yaitu : ECMP, PCC, dan NTH. Metode yang direkomendasikan pada layanan publik adalah metode ECMP dan PCC, karena metode ECMP memiliki kualitas throughput yang baik yaitu 23.21% dan PCC memiliki kualitas delay yang baik yaitu 0.85 ms, lalu pada layanan gaming, metode yang direkomendasikan adalah metode NTH, karena memiliki hasil yang baik di setiap parameter, untuk throughput 6.52%, untuk nilai delay 0.70 ms, untuk nilai jitter 0.33 ms dan nilai packet loss sebesar 4.05%. Pada layanan streaming metode yang direkomendasikan adalah PCC dan NTH, PCC memiliki nilai rata – rata throughput yang baik, yaitu 26.6% sedangkan NTH memiliki rata – rata delay dan packet loss yang baik yaitu 0.88 ms dan 0.68 %.
Perbandingan Gini Index dan Chi Square pada Sentimen Analsis Ulasan Film menggunakan Support Vector Machine Classifier Mahendra Dwifebri Purbolaksono; Deninsyah Tiya Bella Pratama; Fahmi Hamzah
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.68845

Abstract

Pada era informasi ini semakin banyak penilaian, pendapat dan pandangan yang dapat ditemukan secara luas di dunia maya. Contohnya adalah ulasan film, di mana penonton berbagi pandangannya mengenai sebuah film. Ulasan film adalah platform di mana para penggemar film dapat mengungkapkan pendapat mereka, baik itu dalam bentuk komentar negatif atau pun positif. Sebagian besar website untuk ulasan film sudah memiliki rating atau bintang, namun rating tinggi tidak selalu diiringi oleh ulasan yang baik begitu pun sebaliknya. Untuk itu, dibutuhkan metode untuk menganalisis teks dengan tujuan mengklasifikasikan apakah ulasan film tersebut termasuk dalam kategori negatif ataupun positif. Teknik yang digunakan adalah analisis sentimen atau opinion mining. Analisis sentimen adalah bidang dalam machine learning yang bertujuan untuk mengambil informasi bersifat subjektif dari teks ulasan. Salah satu metode klasifikasi machine learning adalah Support Vector Machine (SVM). Namun semakin banyak data akan muncul beberapa masalah yaitu banyaknya kata atau fitur yang tidak relevan menyebabkan kinerja pengklasifikasian menurun. Fitur tidak relevan akan menyebab perfomansi yang rendah. Seleksi fitur Gini Indeks dan Chi-Square dibandingkan untuk mengatasi masalah kata yang tidak relevan. Pada penelitian ini, metode klasifikasi SVM kombinasikan dengan metode seleksi fitur untuk meningkatkan performansi. Kombinasi SVM dan Gini Index menghasilkan performansi F1-score sebesar 85.8%. Sedangkan menggunakan SVM dan Chi-Square menghasilkan performansi F1-score tertinggi yaitu sebesar 89.2%.
Interpretasi Sesar Geologi Menggunakan Deep Learning: Convolutional Neural Network (CNN) dengan Model Arsitektur U-Net di Laut Utara, Belanda Nungga Saputra; Handoyo Handoyo; Intan Andriani Putri
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.64017

Abstract

Tujuan mendasar dalam mempelajari struktur geologi dibawah permukaan adalah bagaimana fitur-fitur geologi dapat tercitrakan dengan baik dengan resolusi tinggi dengan menggunakan metode geofisika dan metode lain di bidang ilmu geosains. Salah satu fitur geologi yang penting dalam bidang eksplorasi dan mitigasi bencana geologi adalah sesar atau patahan. Sesar atau patahan adalah bidang yang memisahkan lapisan batuan secara vertikal atau sub-vertikal yang mengakibatkan diskontinuitas pada lapisan batuan. Dalam pengamatan citra bawah permukaan menggunakan seismik refleksi, diberikan citra gambaran batas antar lapisan dua buah lapisan batuan dan patahan sebagai bidang ketidakmenerusan. Pada penelitian ini, penulis telah mengaplikasikan metode kecerdasan buatan dengan menggunakan Convolutional Neural Network (CNN) dalam membantu interpretasi bidang sesar yang biasanya dilakukan secara konvensional. Penelitian ini bertujuan untuk menerapkan metode CNN pada data seismik di sekitar Laut Utara, Belanda, untuk membantu mempercepat tahapan interpretasi dengan akurasi yang baik. Pada penelitian ini, tahapan-tahapan penelitian dilakukan dengan tahapan Extract, Transform, Load (ETL) proses, train data dan model arsitektur deep learning U-Net. Hasil dari penelitian ini menunjukkan bahwa prediksi menggunakan machine learning memberikan hasil yang bersesuaian dengan pendekatan secara konvensional, dimana akurasi sekitar 90% data yang bersesuaian terutama pada bidang-bedang sesar yang dominan, baik secara dimensi yang panjang maupun zona rekahan yang kompleks.  Dengan menerapkan metode CNN pada data seismik, diharapkan perkembangan kecerdasan buatan dalam bidang geosains dapat semakin positif bagian kemajuan IPTEK di Indonesia.
Predicting Student Academic Performance Based on Psychological Test using Machine Learning Mario E. S. Simaremare; San A. Limbong; Estomihi R. Sirait; Cristina S. Hasibuan
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.69195

Abstract

It is essential to consider the psychological aspect of selecting new students to determine the success of prospective students. The psychological aspect is measured by a psychological test that shows the level of prospective students' abilities in social, emotional, personality, and potential to live at university. This paper proposes an approach to predicting student performance based on their psychological test scores using the Decision Tree and Random Forest algorithms. The dataset used in this study was taken from the student academic record at Institut Teknologi Del, which includes years of psychological test scores and the Grade Point Average (GPA) from studying at the Institute. More specifically, the dataset used includes the 2019, 2020, and 2021 class years. However, there are gaps in the dataset used, including missing values and psychological test attributes such as TIU, TIU Category, Work Achievement, Work Tempo, Accuracy, and Consistency, which are unavailable in other datasets. This is shown in the correlation heatmap, which shows the level of correlation for each attribute, which is still classified as a very weak correlation. Therefore, we came up with two approaches. The first approach is to use as many records as possible (Analysis on records), and the opposite of the second is to take advantage of more features (Analysis based on features). The two approaches are compared to determine which performs better for the classification model. Our results show that studies that emphasize the use of records produce slightly better performance than analyses that emphasize features. In more detail, the random forest algorithm produces the best performance compared to the decision tree algorithm in each Analysis, the RMSE value is 0.4552, and the MAE value is 0.3514. Moreover, none of the psychological test attributes strongly correlate to GPA and hence do not guarantee student performance.
Optimasi Parameter Algoritma DBSCAN untuk Mendeteksi Titik Panas Kebakaran Hutan dan Lahan Putri Yulidsf Utami; Sahid Agustian Hudjimartsu; Tiara Aurilia Viona; Hulwana Sharfina
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.61714

Abstract

Pencegahan terjadinya kebakaran hutan dan lahan dapat dilakukan dengan menyediakan informasi terkait titik panas dan karakteristik wilayah yang berpotensi munculnya titik panas. Tujuan penelitian ini untuk mengelompokkan data titik panas menjadi beberapa cluster berdasarkan density menggunakan algoritma DBSCAN. Untuk mendapatkan hasil cluster terbaik dilakukan optimasi parameter DBSCAN yaitu nilai epsilon dan minpts. terbaik Berdasarkan beberapa kali hasil iterasi terbentuk nilai epsilon 10 dan minpts minimal titik dalam satu cluster adalah 5. Nilai ini merupakan nilai terbaik dikarenakan membentuk cluster minim noise. Cluster terbentuk berdasarkan nilai LST dan NBR. Berdasarkan hasil penelitian cluster terbanyak yaitu pada tahun 2019 dan tahun 2022 terbentuk 3 cluster. Cluster 0 merupakan cluster yang memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR tinggi atau luas terbakar tinggi. Cluster1 merupakan cluster yang memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR sedang atau luas terbakar sedang. Sedangkan Cluster2 merupakan cluster yang memiliki nilai LST sedang atau suhu permukaan sedang dan memiliki nilai NBR sedang atau luas terbakar sedang. Kombinasi nilai LST dan NBR menunjukkan area tersebut pernah mengalami kebakaran hutan dan lahan. Evaluasi performa clustering algoritma DBSCAN dilakukan menggunakan Silhouette coefficient. Hasil evaluasi tahun 2017 nilai Silhouette coefficient yaitu 0,773 termasuk strong structure. Tahun 2018 nilai Silhouette coefficient yaitu 0,722 termasuk strong structure. Tahun 2019 terbentuk 3 cluster nilai Silhouette coefficient cluster 0  yaitu 0,875, nilai Silhouette coefficient cluster 1 yaitu 0,802 nilai Silhouette coefficient cluster 2 yaitu 0,876 termasuk pada kategori strong structure. Tahun 2020 terbentuk 2 cluster nilai Silhouette coefficient cluster 0  yaitu 0,637, nilai Silhouette coefficient cluster 1 yaitu 0,649 termasuk pada kategori Medium Structure. Tahun 2021 nilai Silhouette coefficient yaitu 0,714 termasuk strong structure. Tahun 2022 nilai  cluster 0 Silhouette coefficient yaitu 0,802, nilai Silhouette coefficient  cluster 1yaitu 0,811, dan nilai Silhouette coefficient cluster 2 yaitu 0,712 termasuk pada kategori strong structure.
Deteksi Botnet pada Jaringan DNS secara Virtual menggunakan Decision Tree Kharisma Monika Dian Pertiwi; Vessa Rizky Oktavia; Rizky Fenaldo Maulana
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.70193

Abstract

Internet adalah aspek yang paling penting dan krusial dalam kehidupan di dunia. DNS Server bertugas menerjemahkan atau mengarahkan alamat IP ke alamat domain aplikasi yang diminta oleh client. DNS Server merupakan komponen krusial yang rentan terhadap serangan. Serangan paa DNS Server dapat berupa phising, penyebaran malware dan DDoS. Dampak dari serangan tersebut dapat menyebabkan layanan DNS mati hingga pencurian data pribadi. Serangan tersebut tidak hanya dilakukan oleh individual, namun juga dapat dilakukan oleh robot atau program komputer yang biasa disebut dengan botnet. Botnet merupakan sistem komputer yang telah terinfeksi program yang dapat dikendalikan jarak jauh. Untuk mencegah serangan botnet pada jaringan DNS, diperlukan sebuah metode yang mampu mendeteksi serangan dengan cepat. Penelitian ini bertujuan untuk mengembangkan metode untuk mendeteksi serangan botnet pada jaringan DNS menggunakan algoritma pembelajaran mesin. Penelitian ini kami lakukan secara simulasi menggunakan mesin virtual untuk mendapatkan data lalu lintas DNS. Penelitian ini menghasilkan pemahaman atau perspektif baru mengenai metode deteksi serangan botnet berdasarkan lalu lintas jaringan DNS Server yang disimulasikan secara virtual. Metode pembelajaran mesin untuk deteksi serangan botnet yang diimplementasikan adalah decision tree. Hasil pengujian menunjukkan bahwa model mampu mendeteksi dengan baik. Model dapat mendeteksi botnet dengan akurasi 95%. Model memiliki rata-rata nilai precision 97%, recall 92.6% dan F1-score 95%.
Case Study of Inventory Management for Biology Laboratory Materials using ERP System Teddy Marcus Zakaria; Wahyu Widowati; Bernard Renaldy Suteja
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.68803

Abstract

Efficient inventory management is essential for biology laboratories to ensure the availability of materials for research and experiments. This case study explores the implementation of an Enterprise Resource Planning (ERP) system for inventory management in a biology laboratory. The objective is to enhance inventory control, streamline processes, and improve overall efficiency. The ERP system was implemented to address inventory management challenges and improve the accuracy and transparency of material tracking. The study assessed the impact of the ERP system on inventory control, procurement processes, and decision-making related to material planning. The findings of the case study demonstrate the benefits of implementing an ERP system for inventory management in a biology laboratory. The system provided real-time visibility of stock levels, enabling efficient tracking and monitoring of laboratory materials. It also automated procurement processes, reducing manual errors and streamlining the procurement cycle. The ERP system facilitated informed decision-making through data analytics, aiding in material planning and resource allocation. The successful implementation of the ERP system in the biology laboratory serves as a model for other similar laboratories seeking to enhance their inventory management practices. The case study emphasizes the significance of leveraging technology, such as ERP systems, to optimize inventory control and improve operational efficiency. The benefits include improved accuracy, reduced wastage, and increased productivity. This case study contributes to the existing knowledge on inventory management for biology laboratory materials and provides practical insights for organizations considering the implementation of an ERP system.
Perancangan Model Pergerakan Mobile Robot dengan Metode Deep Q Learning Samsul Arifin; Siti Sendari; Ilham Ari Elbaith Zaini
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.64541

Abstract

Path Planning merupakan salah satu permasalahan yang sering terjadi pada mobile robot. Tujuan utama dalam path planning adalah untuk mendapatkan path/jalur yang paling optimal sehingga bisa meminimalisir waktu komputasi. Kelemahan yang umum terjadi pada path planning adalah waktu komputasi yang besar pada suatu environment. Dengan adanya permasalahan ini maka akan diterapkan metode deep Q learning untuk meningkatkan kecepatan waktu komputasi. Metode deep q learning menyimpan hasil pembelajaran dalam bentuk neural network. Mobile robot dilatih agar dapat menemukan jalur pada environment yang belum dikenali sama sekali. Melalui beberapa tahapan dalam proses training dan proses running maka mobile robot dapat menemukan jalur dengan cepat. Keseimbangan proses eksplorasi dan eksploitasi akan mempengaruhi proses training. Pada penelitan ini ditentukan nilai untuk proses eksplorasi adalah 80 episode pertama. Pada proses training telah didapatkan nilai parameter gamma yang optimal adalah 0.9. Setelah mendapatkan pengetahuan dari proses training maka mobile robot dapat menemukan path yang paling optimal dengan waktu tempuh ± 1.92s.
Perbandingan Performansi Support Vector Machine (Svm) dan Backpropagation untuk Klasifikasi Studi Mahasiswa Undiksha Dwi Prima Handayani Putri; Ni Putu Novita Puspa Dewi; I Ketut Purnamawan; Ni Wayan Marti
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.67843

Abstract

Kelulusan mahasiswa tepat waktu merupakan salah satu tujuan dalam setiap universitas, tidak terkecuali Universitas Pendidikan Ganesha. Permasalahan ketidaklulusan mahasiswa tepat waktu tidak hanya akan menimbulkan permasalahan bagi mahasiswa tersebut, tetapi juga pada akreditasi kampus. Langkah preventif dapat dilakukan dengan mengidentifikasi mahasiswa yang berpotensi studinya mengalami masalah. Solusi ini dapat dilakukan dengan membuat model machine learning yang dapat mengklasifikasikan apakah seorang mahasiswa terindikasi bermasalah atau tidak. Pada penelitian ini, kinerja model SVM dan Backpropagation akan dibandingkan. Penelitian ini menggunakan sejumlah 4100 instances dengan features seperti indeks prestasi semester dari semester satu sampai enam, IPK, jumlah satuan kredit semester dari semester satu sampai enam, SKS komulatif, nominal UKT, penghasilan orang tua, dan asal daerah mahasiswa. Terdapat tiga buah percobaan untuk proporsi pembagian dataset dengan proporsi pembagian dataset terbaik pada 90%:10% dan nilai k=4 untuk K-Fold Cross Validation. Model SVM dengan kernel polinomial memberikan performa terbaik dengan akurasi 97%, begitu pula dengan model Backpropagation yang menggunakan fungsi aktivasi sigmoid memiliki performa terbaik pada akurasi 97%. Sehubungan dengan perbandingan hasil Confusion Matrix serta kurva AUC, model Backpropagation menujukkan performa yang sedikit lebih unggul daripada model SVM. Pada proses pembuatan model, arsitektur serta parameter-parameter pada model harus diperhatikan agar model terbaik dapat dihasilkan. 
Uji Nilai Akurasi pada Neural Machine Translation (NMT) Bahasa Indonesia ke Bahasa Tiochiu Pontianak dengan Mekanisme Attention Bahdanau Lo Bun San; Herry Sujaini; Tursina Tursina
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 3 (2023): Volume 9 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i3.63346

Abstract

Mesin penerjemah merupakan cabang penting dari pemrosesan bahasa alami yang bertujuan untuk menerjemahkan bahasa alami menggunakan komputer. Mesin penerjemahan statistik sudah banyak diuji dalam kasus terjemahan bahasa lokal/daerah oleh penelitian di Indonesia. Penelitian mesin penerjemahan neural beberapa tahun belakangan ini, terus menjadi pilihan dalam mesin penerjemahan yang bahkan sampai saat ini sudah diterapkan pada google. Mesin penerjemah dimanfaatkan sebagai usaha dalam membudidayakan suatu bahasa lokal/daerah untuk komputasi, supaya bahasa tersebut tidak hilang karena pengaruh bahasa dilingkungan tempat tinggal yang berbeda-beda. Dalam pengujian ini mekanisme yang digunakan dalam mesin terjemahan neural adalah mekanisme attention Bahdanau dari uji akurasi penerjemahan Bahasa Indonesia ke Bahasa Tiochiu. Mekanisme attention Bahdanau muncul sebagai pengujian peningkatan akurasi terbaik saat ini berkat penggunaan rumus skor attentionnya. Adapun pengujian bahasa alami yang digunakan adalah kalimat bahasa Indonesia diterjemahkan ke kalimat bahasa Tiochiu Pontianak dengan mekanisme Attention Bahdanau pada Mesin Penerjemah Neural. Data korpus pararel yang diuji adalah 500 kalimat dengan data latih adalah 4500 kalimat. Perlunya dilakukan penelitian terhadap mekanisme attention untuk nilai akurasi tertinggi berdasarkan nilai skor BLUE dan ahli bahasa. Langkah-langkah yang digunakan dalam menguji dan mendapatkan nilai akurasi skor BLEU mekanisme attention dimulai dari metode membagi data uji secara validasi k-fold cross sebanyak 10 data uji dan masing-masing data uji tersebut dilatih sebanyak tujuh kali pengujian dari jumlah epoch kelipatan 10. Setelah didapatkan skor nilai akurasinya dari pelatihan sebanyak 70 kali tersebut dihitung dan dicari rata-rata nilai akurasi tertinggi didasarkan jumlah epoch didapatkan serta uji manual oleh ahli bahasa dengan mengambil sampel dari data uji yang memiliki akurasi tertinggi tersebut. Hasil uji mekanisme mesin terjemahan neural dengan attention Bahdanau yang didapatkan terdapat pada sampel uji6. Rata-rata nilai akurasi paling tinggi sebesar 18,41% pada epoch 50, dan uji oleh ahli bahasa pada 167 kalimat terjemahan memperoleh nilai akurasi sebesar 54,51%. Serta uji otomatis BLEU paling tinggi dengan pengujian k-fold cross validation pada sampel uji6 dengan jumlah epoch 50 sebesar 24,26%. Nilai akurasi otomatis BLEU tertinggi pada sampel Uji6 dengan tanpa Attention Bahdanau sebesar 12,41%. Sehingga dapat disimpulkan bahwa dengan mekanisme Attention Bahdanau adalah tingkat hasil akurasi yang terbaik.

Page 1 of 3 | Total Record : 24

 1   2   3 

Filter by Year

2023 2023


Reset
Filter By Issues
All Issue 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