cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Mustakim
Contact Email
officialmalcom.irpi@gmail.com
Phone
+6285275359942
Journal Mail Official
malcom@irpi.or.id
Editorial Address
INSTITUT RISET DAN PUBLIKASI INDONESIA Jl. Tuah Karya Ujung C7. Kel. Tuah Madani Kec. Tampan Kota Pekanbaru - Riau
Location
Kota pekanbaru,
Riau
INDONESIA
Malcom: Indonesian Journal of Machine Learning and Computer Science
Published by Institut Riset dan Publikasi Indonesia
ISSN : 27972313     EISSN : 27758575     DOI : -
Core Subject : Science,
Computer Science & IT
MALCOM: Indonesian Journal of Machine Learning and Computer Science is a scientific journal published by the Institut Riset dan Publikasi Indonesia (IRPI) in collaboration with several Universities throughout Riau and Indonesia. MALCOM will be published 2 (two) times a year, April and October, each edition containing 10 (Ten) articles. Articles may be written in Indonesian or English. articles are original research results with a maximum plagiarism of 15%. Articles submitted to MALCOM will be reviewed by at least 2 (two) reviewers. The submitted article must meet the assessment criteria and in accordance with the instructions and templates provided by MALCOM. The author should upload the Statement of Intellectual/ Copyright Rights when submitting the manuscript. Papers must be submitted via the Open Journal System (OJS) in .doc or .docx format. The entire process until MALCOM is published will be free of charge. MALCOM is registered in National Library with Number International Standard Serial Number (ISSN) Printed: 2797-2313 and Online 2775-8575. Focus and scope of MALCOM includes Data Mining, Data Science, Artificial Intelligence, Computational Intelligence, Natural Language Processing, Big Data Analytic, Computer Vision, Expert System, Text and Web Mining, Parallel Processing, Intelligence System, Decision Support System and Software Engineering
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 22 Documents
 1   2   3 
Search results for , issue "Vol. 6 No. 1 (2026): MALCOM January 2026" : 22 Documents clear
Kajian Analisis Variasi Jumlah Epoch Terhadap Persentase Kesesuaian Peta Batas Kampung dan Rupa Bumi Indonesia dengan Data Kartometrik Menggunakan Metode Deep Learning: Study of Variation Analysis of Epoch Number on the Percentage of Conformity of Village Boundary Maps and Indonesian Topography with Cartometric Data Using Deep Learning Methods Ilyas, Ilyas; Sari, Ratna Mustika; Sucipto, Ade Tri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2021

Abstract

Kepastian batas wilayah merupakan aspek fundamental dalam mendukung kewenangan daerah dan perencanaan pembangunan. Namun, inkonsistensi data batas di Kecamatan Rumbia, khususnya antara metode kartometrik, data Peta Batas Wilayah dari Badan Informasi Geospasial (PPBW BIG), dan Rupa Bumi Indonesia (RBI), sering menghambat pengelolaan sumber daya. Penelitian ini bertujuan menganalisis pengaruh variasi jumlah epoch pada model Deep Learning terhadap akurasi deteksi kesesuaian batas kampung. Metode penelitian mengintegrasikan Sistem Informasi Geografis (SIG) dan Convolutional Neural Network (CNN) dengan arsitektur tiga lapisan konvolusi. Data latih mencakup integrasi data kartometrik, PPBW BIG, RBI, dan Citra Tegak Satelit Resolusi Tinggi (CTSRT). Pengujian dilakukan dengan variasi epoch 100 hingga 500 menggunakan optimasi Stochastic Gradient Descent (SGD). Hasil menunjukkan bahwa peningkatan epoch berbanding lurus dengan performa model, di mana akurasi validasi mencapai 100% pada epoch 500 dengan tingkat kesesuaian data sebesar 98% berdasarkan Intersection over Union (IoU). Temuan ini menegaskan efektivitas CNN dalam analisis spasial presisi guna mendukung percepatan Kebijakan Satu Peta dan meminimalkan konflik batas wilayah.
Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor: Feature Selection Optimization Using the Hybrid ARO-DBSCAN Algorithm to Improve the Accuracy of the K-Nearest Neighbor Classification Model Arini, Florentina Yuni; Bagaskara, Josephin Nova; Anwar, Alfani Salsabilla; Faqih, Muhammad Najmuddin; Brata, Prayoga Adi; khairunnisa, Nadhia Adzqiya; Aji, Yusuf Pandu Satrio
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2129

Abstract

Penelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data.
Implementasi Algoritma XGBoost Classifier untuk Klasifikasi Kerumunan Jemaah Haji dan Umrah: Implementation of the XGBoost Classifier Algorithm for Classifying Crowds of Hajj and Umrah Pilgrims Illaihiyah, Rahmattun; Abdurrahman, Ginanjar; Daryanto, Daryanto
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2245

Abstract

Efektivitas manajemen kerumunan menjadi aspek penting dalam pelaksanaan ibadah haji dan umrah, mengingat mobilitas jemaah yang sangat tinggi pada waktu dan lokasi tertentu. Kepadatan yang tidak terkendali berpotensi menimbulkan risiko keselamatan dan mengganggu kelancaran ibadah. Penelitian ini mengusulkan pendekatan klasifikasi tingkat kepadatan kerumunan (crowd density) dengan memanfaatkan data operasional yang merepresentasikan dinamika pergerakan, perilaku individu, dan kondisi lingkungan. Dataset yang digunakan terdiri dari 10.000 entri dengan 29 fitur. Algoritma Extreme Gradient Boosting (XGBoost) dipilih karena kemampuannya mengolah data kompleks dan heterogen. Hasil pengujian menunjukkan akurasi 98.7%, precision 99%, recall 99%, dan f1-score 99% untuk kategori rendah, sedang, dan tinggi, baik pada macro maupun weighted average. Temuan ini menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi dan keandalan yang tinggi dalam memprediksi kepadatan kerumunan.
Comparison and Data Visualization in Thyroid Cancer Disease Prediction Using Machine Learning Algorithms Yudha, M. Zahran; Jasmir, Jasmir; Fachruddin, Fachruddin
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2249

Abstract

Thyroid cancer is a common endocrine malignancy requiring accurate early prediction for improved patient outcomes. Comprehensive comparative studies of machine learning algorithms, accompanied by systematic visualization, remain limited. This study compares tree-based algorithms (Decision Trees, Random Forest) and boosting algorithms (Gradient Boosting, XGBoost) for thyroid cancer prediction and develops visualization strategies for clinical interpretation. Four algorithms were evaluated using accuracy (correct prediction proportion), precision (positive predictive value), recall (true positive rate), F1-score (harmonic mean of precision and recall), and AUC-ROC (area under the ROC curve). Visualization techniques, including confusion matrices, ROC curves, and feature importance plots, facilitated the interpretation of the model. XGBoost achieved superior performance with accuracy 95.2%, precision 94.8%, recall 95.6%, F1-score 95.2%, and AUC-ROC 0.978, followed by Random Forest (93.5%, 92.7%, 94.1%, 93.4%, 0.965), Gradient Boosting (91.8%, 90.9%, 92.4%, 91.6%, 0.952), and Decision Trees (87.3%, 86.5%, 88.2%, 87.3%, 0.913). Feature importance analysis identified key predictors. Boosting algorithms, particularly XGBoost, demonstrate superior thyroid cancer prediction across all metrics. Integrated visualization enhances clinical interpretability, providing empirical guidance for implementing machine learning-based diagnostic support systems.
Peningkatan Efektivitas dan Keamanan Sistem Profil Program Studi Menggunakan Metode Vulnerability Assessment: Enhancing the Effectiveness and Security of Study Program Profile Systems Using the Vulnerability Assessment Method Amir, Faisal; Riyanto, Riyanto; Oriyasmi, Fadhilah; Hasibuan, Rajimar Suhal; Fadilillah, Fadli; Afrianti, Rien
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2318

Abstract

Program Studi D3 Manajemen Informatika PSDKU Pelalawan sebelumnya menggunakan sistem profil berbasis PHP native yang memiliki keterbatasan dalam efektivitas pengelolaan data dan keamanan sistem. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem profil program studi berbasis web menggunakan framework Laravel guna meningkatkan efektivitas dan keamanan pengelolaan data. Penelitian dilakukan dengan menggunakan metode Vulnerability Assessment yang terdiri dari tiga tahapan, yaitu network discovering, vulnerability scanning, dan vulnerability analys. Hasil dari pengujian dengan tool OWASP didapatkan beberapa celah kerentanan yang termasuk kedalam golongan resiko rendah. Metode pengembangan sistem yang digunakan adalah model Waterfall yang meliputi analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Fitur utama yang dikembangkan meliputi manajemen data dosen, mahasiswa, kurikulum, kegiatan akademik, laporan otomatis, serta publikasi informasi. Dengan adanya sistem baru, efektivitas terlihat dari meningkatnya akurasi dan kecepatan akses data, efisiensi terlihat dari berkurangnya pekerjaan manual dan percepatan pembuatan laporan, keamanan meningkat melalui fitur proteksi otomatis Laravel, dan transparansi meningkat melalui penyajian informasi real-time dan mekanisme kontrol akses yang terstruktur.
Transformasi Digital Manajemen Stok UMKM Melalui Implementasi Sistem E-Inventory Mobile Real-Time: Digital Transformation of MSME Stock Management Through the Implementation of a Real-Time Mobile E-Inventory System Ghiffari, Sultan Akmal; Aryanto, Joko
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2334

Abstract

Pengelolaan stok barang merupakan aspek penting dalam menjaga keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM). Namun, banyak UMKM masih bergantung pada pencatatan konvensional yang rentan terhadap kesalahan dan keterlambatan, sehingga menurunkan efisiensi serta akurasi data. Penelitian ini bertujuan untuk menerapkan sistem e-inventory berbasis mobile real-time sebagai upaya digitalisasi proses manajemen stok pada UMKM. Penelitian ini menggunakan pendekatan pengembangan yang melibatkan tahap analisis, perancangan, implementasi, dan pengujian. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa seluruh fitur inti, mulai dari manajemen data, transaksi, hingga laporan statistik, berjalan valid dan sesuai spesifikasi. Selanjutnya, pengujian User Acceptance Test (UAT) oleh pengguna akhir (Pemilik UMKM) menghasilkan tingkat penerimaan 97,5% (skor rata-rata 4,88), yang mengonfirmasi sistem sangat mudah digunakan dan memenuhi kebutuhan operasional. Implementasi sistem e-inventory ini memperkuat transformasi digital pada sektor UMKM, meningkatkan efektivitas operasional, serta mendukung pengambilan keputusan yang lebih baik melalui data yang terstruktur dan real-time.
Model Deteksi Pemborosan Energi Listrik Rumah Tangga Berbasis Algoritma Autoencoder dengan Konsep Internet of Things: Household Electricity Waste Detection Model Based on Autoencoder Algorithm with Internet of Things Concept A, Sriwahyuningsih Piu; Rizal, Muhammad; Itasari, Maya
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2338

Abstract

Penelitian ini menyajikan pendekatan unsupervised untuk mendeteksi pemborosan energi listrik rumah tangga dari fitur jendela waktu berbasis IoT menggunakan Autoencoder (AE). Pipeline meliputi imputasi median, normalisasi RobustScaler, pemisahan berbasis waktu (70/15/15), pelatihan AE dengan AdamW dan early stopping, serta ambang adaptif per-rumah dari persentil 99,5% error rekonstruksi. Evaluasi dilakukan pada dataset energi listrik (23.028 window; dua rumah, dua kanal) dengan fitur statistik tegangan, arus, daya, faktor daya (rata-rata/deviasi standar/p95), slope, dan transien. Grid search memilih AE dangkal (depth=1, width=128, bottleneck=16, dropout=0, ReLU, lr=1e-4, wd=1e-5). Pada test set (n=3.455), rerata error rekonstruksi sebesar 3,17×10?³. Dengan treshold per-rumah (homeA=0,0634, homeB=0,0859), sistem menandai ~0,52% window sebagai pemborosan/anomali, dengan insidensi lebih tinggi pada homeA (0,81%) dibanding homeB (0,23%). Atribusi error per-fitur menonjolkan metrik faktor daya serta slope/variabilitas tegangan, arus, dan daya, pola yang konsisten dengan beban tidak efisien atau switching mendadak. Metode ini siap dioperasikan pada ekosistem IoT dan memberikan indikator yang dapat ditafsirkan untuk tindakan penghematan tanpa memerlukan label.
Performance of K-Nearest Neighbors and Advanced Metaheuristic Algorithms for Feature Selection in Classifying the Purity of Civet Coffee Widyaningtyas, Shinta; Arwani, Muhammad; Nanda, Ririn Fatma
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2345

Abstract

Various studies have shown that feature selection can improve classification accuracy, particularly in agriculture. However, most of these studies still use conventional metaheuristic algorithms, which have certain limitations, including a tendency to get stuck in local optima. Therefore, this study explores the potential of advanced metaheuristic algorithms for selecting colour and texture features to classify the purity of civet coffee. This study used k-Nearest Neighbour (K-NN) model optimized with several advanced metaheuristic algorithms, i.e. Bare Bones Particle Swarm Optimisation (BBPSO), Modified Generalised Flower Pollination Algorithm (MGFPA), Enhanced Salp Swarm Algorithm (ESSA), Improved Salp Swarm Algorithm (ISSA), and Two-Stage Modified Grey Wolf Optimizer (TMGWO). The results show that feature selection can improve model accuracy. The best model was obtained from a combination of K-NN and TMGWO with an accuracy of 0.981, precision of 0.982, recall of 0.981, F1-Score of 0.981, and Area Under Curve (AUC) close to 1 with three selected features, i.e. blue correlation, s_hsl_correlation, and s_hsv_correlation. Furthermore, the results of this study indicate that the development of advanced metaheuristic algorithms can overcome the weaknesses of conventional algorithms, as demonstrated by improvements in classification model accuracy and the number of selected features.
Implementasi Metode Simple Multi-Attribute Rating Technique untuk Penerimaan Bantuan Desa : Implementation of the Simple Multi-Attribute Rating Technique Method for Receiving Village Fund Assistance Junaidi, Junaidi; Sulistiani, Heni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2347

Abstract

Penentuan penerima bantuan desa yang objektif dan transparan merupakan tantangan utama dalam tata kelola pemerintahan desa, termasuk di Desa Rangai Tri Tunggal. Proses seleksi yang masih bersifat subjektif berpotensi menimbulkan ketidakadilan dan menurunkan kepercayaan masyarakat terhadap kebijakan pemerintah desa. Penelitian ini bertujuan untuk mengimplementasikan Metode Simple Multi-Attribute Rating Technique (SMART) sebagai pendekatan sistematis dalam menentukan prioritas penerima bantuan desa berdasarkan kriteria sosial-ekonomi yang relevan. Pentingnya penelitian ini terletak pada upaya meningkatkan akuntabilitas, efisiensi, dan keadilan dalam distribusi bantuan, sekaligus mendukung prinsip good governance di tingkat desa. Urgensi penelitian muncul dari kebutuhan nyata akan sistem pengambilan keputusan yang terukur dan dapat dipertanggungjawabkan, mengingat keterbatasan anggaran dan kompleksitas kondisi penerima manfaat. Hasil penelitian menunjukkan bahwa penerapan metode SMART mampu menghasilkan peringkat prioritas calon penerima bantuan yang konsisten dengan kondisi faktual di lapangan, serta meminimalkan bias subjektif. Simpulan penelitian ini menegaskan bahwa metode SMART merupakan solusi efektif untuk mendukung pengambilan keputusan partisipatif dan berbasis data dalam konteks penerimaan bantuan desa, sehingga layak direplikasi di desa-desa lain dengan karakteristik serupa.
Performance Analysis of Google Cloud Platform for Web-Based Applications Amiruddin, Amiruddin. A; Rahmawati, Rahmawati; Nurhaedar, Nurhaedar; Musa, Musa
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2351

Abstract

Selecting an appropriate cloud computing service remains a major challenge in web-based application development, as it directly affects performance, scalability, security, and operational costs. Google Cloud Platform (GCP) offers multiple computing services, yet empirical comparisons among its core services are still limited. This study aims to evaluate and compare the performance of Compute Engine, App Engine, and Kubernetes Engine in hosting web-based applications. A quantitative experimental approach was employed using a Node.js and PostgreSQL-based e-commerce application, tested under various workload scenarios using Apache JMeter. Performance metrics, including response time, throughput, latency, scalability, reliability, security, and cost, were analyzed. The results indicate that Compute Engine provides stable performance for predictable workloads, App Engine delivers low latency with higher operational costs, and Kubernetes Engine offers the best scalability and resource efficiency. Performance optimization techniques such as caching and CDN integration further improved API responsiveness. This study concludes that Kubernetes Engine is the most suitable choice for large-scale and dynamic web applications. Optimal GCP service selection should align with workload characteristics and organizational requirements.

Page 1 of 3 | Total Record : 22

 1   2   3 

Filter by Year

2026 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 1 (2026): MALCOM January 2026 Vol. 5 No. 4 (2025): MALCOM October 2025 Vol. 5 No. 3 (2025): MALCOM July 2025 Vol. 5 No. 2 (2025): MALCOM April 2025 Vol. 5 No. 1 (2025): MALCOM January 2025 Vol. 4 No. 4 (2024): MALCOM October 2024 Vol. 4 No. 3 (2024): MALCOM July 2024 Vol. 4 No. 2 (2024): MALCOM April 2024 Vol. 4 No. 1 (2024): MALCOM January 2024 Vol. 3 No. 2 (2023): MALCOM October 2023 Vol. 3 No. 1 (2023): MALCOM April 2023 Vol. 2 No. 2 (2022): MALCOM October 2022 Vol. 2 No. 1 (2022): MALCOM April 2022 Vol. 1 No. 2 (2021): MALCOM October 2021 Vol. 1 No. 1 (2021): MALCOM April 2021 More Issue