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 adm. jakarta barat,
Dki jakarta
INDONESIA
Computatio : Journal of Computer Science and Information Systems
Published by Universitas Tarumanagara
ISSN : -     EISSN : -     DOI : -
Core Subject : Science,
Computer Science & IT
Arjuna Subject : -
Articles 19 Documents
 1   2 
Search results for , issue "Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems" : 19 Documents clear
Perbandingan Metode Fuzzy Mamdani Dengan Fuzzy Sugeno Untuk Evaluasi Kinerja Karyawan (Studi Kasus: Firma Hukum XYZ) Munte, Hamonangan; Apip Pramudyansyah; Umryah
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.11705

Abstract

Dalam sebuah perusahaan, evaluasi atau penilaian kinerja terhadap karyawan sangat penting dilakukan untuk mengidentifikasi dan menilai karyawan dalam melaksanakan pekerjaan dan tanggungjawabnya. Penilaian karyawan menjadi acuan bagi manajemen untuk pengambilan keputusan khususnya untuk penentuan pemberian penghargaan bagi karyawan tersebut. Penilaian ini bisa menjadi dasar manajemen untuk mengetahui kemampuan perusahaan menjalankan bisnisnya. Penilaian ini juga berlaku pada firma hukum XYZ sebagai salah satu firma hukum terbesar di Indonesia yang melakukan evaluasi terhadap karyawannya tiap tahun. Metode penilaian yang dilakukan saat ini masih sederhana yaitu dengan aplikasi excel. Selain itu parameter yang digunakan dalam penilaian kinerja karyawan masih kurang untuk penilaian sesuai dengan kebutuhan firma hukum XYZ. Penelitian ini membandingkan penggunaan dua metode yaitu metode logika fuzzy Mamdani dan fuzzy Sugeno. Untuk perhitungan dimulai dengan menentukan himpunan setiap variabel fuzzy, pembentukan aturan kabur (implikasi), aturan komposisi menggunakan fungsi Max, penegasan (defuzzifikasi). Hasil penelitian ini menunjukkan bahwa metode fuzzy Sugeno menghasilkan nilai lebih tinggi dari metode Mamdani yaitu “Tidak Baik” sebanyak 5%, “Baik” sebanyak 70% dan “Sangat Baik” sebanyak 25%, sedangkan fuzzy Mamdani menghasilkan nilai “Tidak Baik” sebanyak 20%, “Baik” sebanyak 75% dan “Sangat Baik” sebanyak 5%. Perhitungan metode fuzzy Sugeno terbukti menghasilkan nilai lebih unggul dari metode Mamdani.
Sistem Diagnosa Penyakit Pada Tanaman Jeruk Nipis Menggunakan Metode K-Means Berbasis Website Aggommy, Muhammad Noer
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.12686

Abstract

Tanaman jeruk nipis sangat mudah ditanaman dikarenakan perawatannya yang tidak rumit dan bibit tanaman yang mudah di temukan, Keadaan tanaman jeruk nipis yang baik bisa dideteksi dengan mengidentifikasi penyakit pada tanaman jeruk nipis. Salah satu metode untuk mendeteksi penyakit tanaman jeruk nipis bisa dilakukan dengan K-Means. Aplikasi pengelompokan penyakit tanaman jeruk nipis menggunakan metode K-Means berbasis Website ini dapat mempermudah mendeteksi penyakti tanaman jeruk nipis , Aplikasi ini berbasis Website sehingga pengguna dapat dengan mudah menjalankan aplikasi ini. Pembuatan aplikasi sistem berbasis Website pendeteksi penyakit tanaman jeruk nipis menggunakan data 24 gejala dan 11 penyakit tanaman jeruk nipis yang dapat digunakan pengguna untuk mendeteksi terdapatnya penyakit pada tanaman jeruk nipis berdasarkan gejala-gejala yang dimasukan oleh User. Data gejala penyakit tanaman jeruk nipis yang dimasukan kedalam sistem adalah suatu data gejala penyakit tanaman jeruk nipis, Gejala- gejala tanaman jeruk nipis tersebut harus dimasukan secara lengkap, karena kesimpulan hasil diagnosa menggunakan persentase yang ditampilkan dihitung secara otomatis oleh sistem dengan menggunakan K-Means. Lalu pada pengujian data ini menggunakan metode K-Means mendapatkan persentase akurasi 80,9% dan presentase eror 19,1%. Kata kunci: K-Means, Data Mining, Clustering, Diagnosis Tanaman Jeruk Nipis.
Aplikasi Prediksi Hutang Dengan Menggunakan Algoritma Regresi Polinomial Ariya, Catur; Prawira, Arya
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15172

Abstract

Laporan ini mendeskripsikan sebuah algoritma untuk prediksi pinjaman hutang menggunakan Polynomial Regressionluntuk menghitung jumlah hutang yang dapat dipinjam oleh debitur. keuntungan penggunaan algoritma ini adalahpemilihan degree yang dapat disesuaikan dengan bentuk penyebaran data sehingga mendapatkan akurasi yang maksimal. Kami menggunakan bahasa pemrogramanpython bersama dengan library scikit-learn,numpy, dan pandas untuk prediksi dan transformasi data serta seaborn dan matplotlip untuk visualisasi.
Implementasi Machine Learning Untuk Prediksi Harga Rumah Menggunakan Algoritma Random Forest Hadi, Nicholas; Benedict, Jason
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15173

Abstract

Dengan pentingnya peran rumah dalam kehidupan masyarakat, banyak orang yang pasti bertujuan untuk melakukan pembelian atau penjualan rumah. Dengan banyaknya kriteria – kriteria yang dapat mempengaruhi harga rumah, membuat harga rumah sangat susah untuk di prediksi. Harga rumah tersebut tentu saja dapat diprediksi dengan menggunakan 3 algoritma Machine Learning yaitu Random Forest, Decision Tree, dan Polynomial Regression. Manfaat dalam penelitian ini adalah untuk mengetahui kriteria yang paling mempengaruhi harga rumah, dan memperlihatkan hasil akurasi dari setiap algoritma yang digunakan serta menemukan algoritma prediksi terbaik dari 3 algoritma tersebut. Penelitian ini dilakukan pada dataset harga rumah di King County, USA yang bersumber dari situs Kaggle. Dalam hasil pengujian korelasi dari 13 variabel data yang digunakan, ditemukan bahwa variabel luas rumah, grade, dan luas atas rumah mempunyai nilai pengaruh besar terhadap harga rumah. Hasil pengujian 3 algoritma tersebut dievaluasi dengan nilai R2 dan RMSE. Algoritma Random Forest dinyatakan menghasilkan prediksi terbaik dibandingkan 2 algoritma tersebut, dengan tingkat akurasi sebesar 86,54% dan nilai RMSE sebesar 144913.73.
Klasifikasi Pasien Terkena Breast Cancer Menggunakan Metode Machine Learning Tjengharwidjaja, Adryan; Saputra, Brando Dharma; Michael Emmanuel, Yagyu Munenori
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15174

Abstract

Kanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebutKanker payudara adalah salah satu keganasan terbanyak dan memiliki angka kematian cukup tinggi pada wanita. Menurut data World Health Organization (WHO) pada tahun 2020, terdapat 2,3 juta wanita yang terdiagnosis kanker payudara dan 685,000 kematian secara global. Hingga akhir tahun 2020, ada 7,8 juta wanita hidup yang didiagnosis menderita kanker payudara dalam 5 tahun terakhir, menjadikannya kanker paling umum di dunia. Ada lebih banyak tahun hidup yang disesuaikan dengan disabilitas yang hilang (DALYs) oleh wanita karena kanker payudara secara global daripada jenis kanker lainnya. Kanker payudara terjadi di setiap negara di dunia pada wanita pada usia berapa pun setelah pubertas tetapi dengan tingkat yang meningkat di kemudian hari. Kematian akibat kanker payudara tidak banyak berubah dari tahun 1930-an hingga 1970-an. Perbaikan dalam kelangsungan hidup dimulai pada 1980-an di negara-negara dengan program deteksi dini yang dikombinasikan dengan berbagai cara pengobatan untuk memberantas penyakit infasif. Untuk mencari solusi supaya bisa mengurangi korban jiwa yang diakibatkan oleh kanker payudara, maka kami ingin membuat sebuah sistem yang bisa mengklasifikasi apakah seseorang terkena kanker payudara yang termasuk Benign (tumbuh perlahan, tidak menyebar) atau Malignant (ganas, dan bisa menyebar) dengan beberapa metode machine learning. Data yang digunakan untuk penelitian ini berasal dari Wisconsin yang didapat dari UCI Machine Leaning Repository. Metode yang akan digunakan adalah Logistic Regression, Random Forest dan Decision Tree. Dari ketiga metode tersebut akan dibandingkan manakah model yang memberikan nilai akurasi paling bagus. Setelah melakukan uji coba terhadap dataset test, hasil penelitian ini menunjukkan bahwa dari ketiga metode tersebut, Decision Tree memberikan nilai akurasi paling tinggi, posisi kedua adalah Random Forest, dan hasil paling kecil adalah Logistic Regression. Kesimpulan yang didapat adalah ketiga metode machine learning ini dapat digunakan dan diterapkan ke dalam kasus prediksi klasifikasi kanker payudara benign atau malignant, dan decision tree memberikan hasil paling tinggi. Dengan pengetahuan ini, orang yang terkena kanker payudara bisa mengambil keputusan mengenai cara mengatasi kanker tersebut
Prediksi Serangan Jantung dengan Menggunakan Metode Logistic Regression Classifier dan Adaboost Dharmawan, Steven; Fernandes, Vincent; Halim, Hizkia
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.15176

Abstract

Serangan jantung merupakan penyebab kematian nomor 1 di dunia pada tahun 2019. Hal ini mendorong kami untuk membuat sebuah aplikasi yang dapat memprediksi resiko terkena serangan jantung. Penelitian yang kami lakukan menggunakan berbagai metode dan mendapatkan akurasi sebesar 86.8421% menggunakan metode Logistic_Regression, 76.3158% menggunakan metode Decision Tree, 86.8421% menggunakan metode RandomForest Classification, 88.1579% menggunakan metode Bagging Classification, 90.7895% menggunakan metode AdaBoost Classification, 88,1579% menggunakan metode Voting_Classifier. Kami meningkatkan akurasi dari penelitian-penelitian yang dilakukan sebelumnya yaitu dari 88.6% menjadi 90.7895%.
Sistem Pendeteksi Kantuk pada Mata Pengendara Roda Empat dengan Algoritma Convolutional Neural Network Petra, Michael Yan; Lina, Lina
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.16220

Abstract

Mengantuk merupakan sifat alamiah manusia dikarenakan mengantuk menandakan manusia membutuhkan waktu istirahat yang cukup, namun mengantuk pada waktu dan tempat yang tidak tepat sangat dapat menjadi sumber kecelakaan, salah satunya mengantuk pada saat berkendara. Karena itu dirancang sebuah sistem untuk mendeteksi kantuk dengan cara mendeteksi mata manusia dengan model YOLO yang akan diklasifikasi dengan model CNN apakah kedua mata pengguna sedang tertutup atau terbuka, jika kedua mata tertutup maka akan mengeluarkan output berupa alaram yang diharapkan membangunkan pengguna yang terdeteksi mengantuk. Hasil kalkulasi AP terhadap model pendeteksian dengan akurasi sebesar 100% dan hasil pengujian confusion matrix terhadap model klasifikasi memiliki akurasi sebesar 96% pada nilai presisi, 97% pada nilai recall, dan 97% pada F1-Score
Penerapan Klasifikasi Suara Sebagai Autentikasi Keamanan Sistem Login Menggunakan Gaussian Mixture Models Milson, Audie; Herwindiati, Dyah Erny; Perdana, Novario Jaya
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.16229

Abstract

Program penerapan klasifikasi suara sebagai auntetikasi keamanan sistem login merupakan sebuah program berbasis website yang dibuat untuk menguji efektivitas metode autentikasi suara sebagai alternatif metode autentikasi biometrik dalam meningkatkan keamanan sistem login suatu aplikasi. Program website yang dibuat terdiri dari bagian Frontend dan bagian Backend yang dibangun dengan modul Python Flask dalam pembentukan API yang berfungsi sebagai fungsionalitas website dan modul Vue Js dalam pembuatan tampilan aplikasi. Aplikasi yang dibuat kemudian diuji dari segi fungsionalitas, tingkat akurasi model dalam mengklasifikasikan suara dan keamanannya dengan metode blackbox testing dan serangkaian security test seperti penetration testing, SQL Injection, dan XSS Attack dengan hasil pengujian aplikasi berfungsi sesuai ekspektasi dan tidak rentan terhadap serangan SQL Injection ataupun XSS Attack, sedangkan hasil dari pengujian tingkat akurasi model dalam mengklasifikasikan suara menghasilkan tingkat akurasi sebesar 67% dengan menggunakan 5 suara sebagai input awal. Hasil dari serangkaian pengujian yang telah dilakukan menunjukan bahwa perpaduan metode Linear Predictive Coding dan Gaussian Mixture Model kurang efektif dalam mengklasifikasikan suara, akan tetapi metode Autentikasi Suara berhasil meningkatkan tingkat keamanan sistem login pada aplikasi.
E-Commerce Blessed Party dengan Sistem Rekomendasi Apriori dan Collaborative Filtering Delya, Delya; Mulyawan, Bagus; Lauro, Manatap Dolok
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.17130

Abstract

Evolusi internet yang beriringan dengan pesatnya perkembangan teknologi informasi membawa banyak pengaruh ke dalam kehidupan, salah satunya adalah dengan kemunculan perdagangan secara elektronik atau e-commerce. Kemudahan perdagangan digital ini membuat banyak pebisnis mulai beralih dari bisnis konvensional ke bisnis digital dengan pemanfaatan e-commerce sehingga persaingan ketat di internet juga mulai muncul. Maka dari itu, pada kesempatan ini akan dibangun sistem aplikasi penjualan online bagi Blessed Party dengan kelebihan fitur rekomendasi yang dibuat menggunakan metode Apriori dan Collaborative Filtering. Perancangan aplikasi dilakukan untuk memudahkan transaksi antar pembeli dan penjual pada toko Blessed Party. Data yang digunakan dalam perancangan ini merupakan data transaksi dan rating produk yang diambil dari riwayat penjualan Blessed Party selama tahun 2020 melalui platform sebelumnya, Shopee dan Tokopedia. Uji coba pada metode Apriori dilakukan sebanyak 3 kali untuk menemukan aturan asosiasi terkuat serta meneliti parameter minimum support yang dimasukkan. Uji coba metode Collaborative Filtering dilakukan sebanyak 3 kali juga untuk menilai kestabilan akurasi dari metode tersebut dengan menggunakan mean absolute error (MAE) yang didapatkan hasilnya stabil mendekati angka 0 sebanyak 3 kali dan menghitung nilai precision dan hasil yang didapatkan sebesar 0.7 di mana hal ini berarti metode tersebut efektif untuk memberikan rekomendasi.
Evaluasi Penilaian Kinerja Karyawan dengan Metode Naïve Bayes Kenny, Kenny; Arisandi, Desi; Sutrisno, Tri
Computatio : Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems
Publisher : Faculty of Information Technology, Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/computatio.v8i1.20287

Abstract

Sistem penilaian kinerja karyawan adalah sebuah sistem yang digunakan untuk menilai kinerja terbaik para karyawannya. Perusahaan melakukan penilaian kinerja terbaik terhadap karyawan untuk mengevaluasi, memovitasi, memverifikasi dan meningkatkan kinerjanya. Hasil kinerja ini menjadi alat untuk membantu pengambilan keputusan seperti promosi, pemberhentian, pemberian bonus atau memberikan umpan balik bagi karyawan. Penilaian dalam penelitian yang telah dilakukan menggunakan 5 kriteria : kehadiran, ketepatan waktu, sikap, kualitas, dan kuantitas menggunakan metode naïve bayes. data yang dipakai dalam penelitian berupa 126 data training. Hasil prediksi diklasifikasikan sebagai Kompeten atau Tidak Kompeten. Testing confusion matrix menghasilkan akurasi sebesar 86.8% dengan menggunakan 70% data training dan 30% data testing.

Page 1 of 2 | Total Record : 19

 1   2 

Filter by Year

2024 2024


Reset
Filter By Issues
All Issue Vol. 9 No. 1 (2025): Computatio: Journal of Computer Science and Information Systems Vol. 8 No. 2 (2024): Computatio: Journal of Computer Science and Information Systems Vol. 8 No. 1 (2024): Computatio: Journal of Computer Science and Information Systems Vol. 7 No. 2 (2023): Computatio: Journal of Computer Science and Information Systems Vol. 7 No. 1 (2023): Computatio: Journal of Computer Science and Information Systems Vol. 6 No. 2 (2022): Computatio: Journal of Computer Science and Information Systems Vol. 6 No. 1 (2022): Computatio: Journal of Computer Science and Information Systems Vol 6, No 1 (2022): Computatio: Journal of Computer Science and Information Systems Vol. 5 No. 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 5, No 2 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 5 No. 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 5, No 1 (2021): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 4 No. 2 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 4, No 2 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 4, No 1 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 4 No. 1 (2020): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 3 No. 2 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 3, No 2 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 3 No. 1 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 3, No 1 (2019): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol. 2 No. 2 (2018): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 2, No 2 (2018): COMPUTATIO : JOURNAL OF COMPUTER SCIENCE AND INFORMATION SYSTEMS Vol 2, No 1 (2018): Computatio : Journal of Computer Science and Information Systems Vol. 1 No. 2 (2017): Computatio : Journal of Computer Science and Information Systems Vol 1, No 2 (2017): Computatio : Journal of Computer Science and Information Systems Vol 1, No 1 (2017): Computatio : Journal of Computer Science and Information Systems More Issue