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 418 Documents
 19   20   21   22   23 
Analysis of WiFi Reliability at 2.4 GHz and 5 GHz Frequencies in the Environment of STMIK Sinar Nusantara Surakarta Yunanta, Raymundus Erik Chandra; Susyanto, Teguh
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1391

Abstract

This research is expected to provide solutions to improve the performance and reliability of the WiFi network at STIMIK Sinar Nusantara, thus supporting teaching and learning activities and enhancing the quality of education. By comparing the quality of WiFi networks between 2.4 GHz and 5 GHz, it aims to shed light on the differences and advantages of each frequency band. Furthermore, the findings of this research can be beneficial for the design of future networks, helping network designers to better understand the importance of frequency management in network infrastructure planning. This research employs an experimental method by testing QoS parameters (throughput, delay, and packet loss) as well as reliability (connection and uptime) at both frequencies. The results of the research indicate that the 5 GHz frequency provides better QoS performance and reliability compared to 2.4 GHz. This research concludes that the 5 GHz frequency could be a solution to improve the WiFi network quality at STIMIK Sinar Nusantara
Prediksi Angka Kelahiran dalam Berbagai Kelompok Umur Ibu Menggunakan Metode K-Nearest Neighbor: Prediction of Birth Rates in Different Age Groups of Mothers Using the K-Nearest Neighbor (K-NN) Method Syafana, Vinka; Hilabi, Shofa Shofiah; Novalia, Elfina; Huda, Baenil
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1392

Abstract

Studi ini bertujuan untuk mengembangkan prediksi angka kelahiran dalam berbagai kelompok umur ibu melalui pendekatan metode K-Nearest Neighbors (K-NN) dalam suatu sistem informasi. Penelitian ini difokuskan pada analisis dinamika kelahiran dalam konteks kelompok umur ibu, yang merupakan informasi kritis dalam perencanaan kebijakan kesehatan dan pengembangan sosial. Metode K-NN digunakan sebagai pendekatan analisis utama untuk meramalkan angka kelahiran, memanfaatkan pola kemiripan dalam karakteristik kelompok umur ibu. Integrasi metode K-NN dalam sistem informasi memungkinkan pengelolaan dan analisis data yang lebih efisien untuk mendukung kebijakan perencanaan keluarga. Data yang digunakan mencakup variabel demografis, ekonomi, dan sosial yang dapat memengaruhi tingkat kelahiran. Hasil prediksi angka kelahiran diharapkan dapat memberikan wawasan mendalam tentang perubahan dinamis dalam struktur kelahiran, memungkinkan pemahaman yang lebih baik untuk mengarahkan kebijakan kesehatan dan strategi intervensi yang lebih terarah. Penelitian ini menghadirkan kontribusi pada pengembangan sistem informasi yang dapat mendukung analisis prediktif dalam konteks kelahiran. Implikasi temuan ini relevan untuk kebijakan kesehatan, demografi, dan perencanaan keluarga, serta dapat membantu merancang langkah-langkah intervensi yang lebih efektif dan tepat sasaran.
Analisis Komparasi Performa Metode Deteksi Tepi Sebagai Predektor Diabetes Berbasis Citra Lidah: Comparative Analysis of the Performance of Edge Detection Methods as a Diabetes Predictor Based on Tongue Imagery Olam, Enos Nikodemus; Himamunanto, Agustinus Rudatyo; Budiati, Haeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1393

Abstract

Jenis Penyakit kencing manis atau juga biasa disebut Diabetes merupakan gangguan metabolik yang disebabkan oleh tingginya kadar gula dalam darah. Hormon insulin memindahkan gula darah ke seluruh sel tubuh, untuk disimpan atau digunakan sebagai energi. Ketika Anda menderita diabetes, tubuh sulit untuk memproduksi insulin untuk memenuhi kebutuhan tubuh dan tubuh kurang efisien dalam mengelola insulin dengan baik sesuai dengan kebutuhannya. Dalam hal ini, diabetes melitus tercatat sebagai penyebab kematian terbesar di dunia. Tanda-tanda dan efek samping penyakit diabetes melitus seharusnya terlihat secara lahiriah melalui bagian-bagian tubuh manusia, misalnya saja lidah yang menunjukkan adanya pertumbuhan atau Candida Albicans, dimana lidah adalah partikel tubuh manusia yang cukup peka terhadap rangsangan .Teknik Informatika berperan dalam penelitian ini, dengan menggunakan You Only Live Once (YOLO) sebagai media penandaan bagian tertentu dari suatu objek yang nantinya akan digunakan untuk mendeteksi tepi objek yang ditandai dan diproses dalam hal ini citra lidah untuk prosedur deteksi tepi. Untuk analisis perbandingan deteksi tepi citra lidah dalam deteksi penyakit diabetes melitus, sistem dapat menghasilkan hasil keluaran yang cukup memuaskan.
Penerapan Teknologi LangChain pada Question Answering System Fikih Empat Madzhab: Application of Langchain Technology to the Fiqh Question Answering System of Four Madhhab Rahayu, Suci; Harahap, Nazruddin Safaat; Agustian, Surya; Pizaini, Pizaini
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1397

Abstract

Fikih sebagai ilmu yang luas, terkadang menimbulkan beragam persoalan dan perbedaan pandangan antara madzhab-madzhabnya. Tujuan pandangan ulama tentang isu-isu fikih adalah untuk memperkaya opsi pemahaman, bukan menyebabkan perpecahan. Keberadaan mazhab penting bagi umat Islam awam dalam memahami hukum Islam, karena membantu dalam menafsirkan Al-Qur'an dan Hadits untuk masalah sehari-hari. Pengiriman informasi saat ini dapat dilakukan dengan cepat dan mudah, salah satunya melalui aplikasi tanya jawab atau Question Answering System (QAS) terkait materi yang ingin diketahui oleh pengguna. Sehingga pada penelitian ini bertujuan membuat sebuah QAS berbasis web tentang fikih empat madzhab menggunakan teknologi LangChain dan Large Language Model (LLM). LangChain dan model LLM mampu memberikan jawaban atas pertanyaan terkait file Portable Document Format (PDF). QAS dilatih menggunakan kumpulan data berupa file PDF serta memanfaatkan model LLM untuk menghasilkan respons teks yang relevan terhadap pertanyaan yang diajukan oleh pengguna. Sistem yang telah dikembangkan berhasil memberikan respons kepada pengguna dengan pengujian menggunakan BERTScore yang mendapatkan nilai rata-rata dari precision sebesar 80%, recall sebesar 81%, dan f-1 score sebesar 81%. Sedangkan ROUGEScore mendapatkan nilai rata-rata dari ROUGE-1 sebesar 56%, 58%, dan 56%, ROUGE-2 sebesar 33%, 33%, 33%, dan ROUGE-L sebesar 43%, 44%, dan 43%.
Implementasi Algoritma Convolutional Neural Network (Resnet-50) untuk Klasifikasi Kanker Kulit Benign dan Malignant: Implementation of Convolutional Neural Network Algorithm (ResNet-50) for Benign and Malignant Skin Cancer Classification Gusti, Gogor Putra Hafi Puja; Haerani, Elin; Syafria, Fadhillah; Yanto, Febi; Gusti, Siska Kurnia
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1398

Abstract

Kulit sebagai organ terluar yang menutupi seluruh bagian tubuh manusia rentan terhadap berbagi penyakit, salah satunya kanker kulit. Penggunaan teknologi malignant, khususnya Convolutional Neural Network (CNN) diangkat menjadi topik penelitian karena kemampuan CNN untuk secara otomatis mengenali fitur penting dalam klasifikasi citra medis kanker kulit. Oleh karena itu dilakukan penelitian pengklasifikasian penyakit kanker kulit benign (jinak) dan malignant (ganas) menggunakan algoritma CNN arsitektur ResNet-50 dengan dataset berupa 5000 data latih kanker kulit benign dan 4600 data latih kanker kulit malignant.Model CNN yang telah dirancang dengan epoch 50 menggunakan optimizer Adam dan batch size sebesar 54 serta melibatkan beberapa teknik augmentasi data guna meningkatkan keragaman dataset untuk kemudian model hasil perancangan diimplementasikan ke dalam tampilan sebuah website dengan menggunakan Flask sebagai kerangka kerja yang menghubungkan antara model deep learning dan website agar bisa diakses oleh pengguna. Metode pengujian blackbox dilakukan demi memastikan sistem dapat melakukan klasifikasi kanker kulit melalui input berupa citra medis kedalam 2 kelas yaitu benign dan malignant dengan baik serta didapatkan hasil akurasi model sebesar 94,88 % dan loss sebesar 13,24%.
Sistem Pakar Diagnosa Penyakit Lambung Menggunakan Metode Certainty Factor Berbasis Web: Expert System for Diagnosis of Gastric Diseases Using Web-Based Employment Factors Method Febriani, Hilda Amalia; Wijaya, Dhina Puspasari; Pramuntadi, Andri; Prastowo, Wahit Desta
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1402

Abstract

Penyakit lambung adalah penyakit yang tidak bisa di anggap remeh, karena karena dapat mengiritasi lapisan esofagus serta membuat lambung menjadi meradang. jika tidak segera ditangani maka bisa berakibat fatal. Kurangnya informasi masyarakat tentang penyakit lambung maka semakin banyak masyarakat yang terkena penyakit lambung, penyebab utama dari penyakit lambung yaitu berasal dari virus dan bakteri helicobacter pylori. Dengan dibuatnya sistem pakar berbasis web menggunakan metode certainty factor ini dapat digunakan sebagai penanganan awal untuk mempermudah user dalam melakukan konsultasi berdasarkan dari gejala-gejala yang ditimbulkan. Penggunaan metode certainty factor pada sistem pakar ini karena hasil dari penerapan metode certainty factor yaitu presentase. Nilai presentase pada sistem pakar diagnosa penyakit lambung ini di ambil dari hasil akhir tertinggi. Berdasarkan dari uji akurasi yang telah dilakukan, mendapatkan hasil tingkat akurasi sebesar 100%. Dengan akurasi yang tinggi maka sistem pakar diagnosa penyakit lambung menggunakan metode certainty factor dapat disimpulkan bahwa sistem pakar ini mempunyai performa yang baik.
Comparative Analysis of Machine Learning Models for Chronic Disease Indicator Classification Using U.S. Chronic Disease Indicators Dataset Airlangga, Gregorius
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1403

Abstract

The prevalence of chronic diseases poses significant challenges to public health systems worldwide. This study evaluates the performance of four machine learning models—Gradient Boosting Classifier, Support Vector Machine (SVM), Logistic Regression, and Random Forest—in classifying chronic disease indicators using the U.S. Chronic Disease Indicators (CDI) dataset. The models were assessed based on accuracy, precision, recall, F1 score, classification report, and confusion matrix to determine their effectiveness. The Gradient Boosting Classifier outperformed other models with an accuracy of 64.36%, precision of 63.72%, recall of 64.36%, and F1 score of 63.88%. While SVM and Random Forest demonstrated moderate performance, Logistic Regression served as a baseline for comparison. The study highlights the Gradient Boosting Classifier's superiority in handling the complexities of the CDI dataset, suggesting its potential for improving chronic disease prediction and management. Future research should focus on refining these models, addressing class imbalances, and incorporating domain knowledge to enhance interpretability and applicability in real-world scenarios.
Aplikasi Penjadwalan Piket Guru di SMPN 2 Nggaha Ori Angu Menggunakan SMS Gateway: Teacher Picket Scheduling Application at SMPN 2 Nggaha Ori Angu Uses SMS Gateway Mbaru, Arto Rehi; Hariadi, Fajar; Malo, Raynesta Mikaela Indri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1404

Abstract

Penjadwalan piket guru di SMPN 2 Nggaha Ori Angu saat ini masih menggunakan sistem penjadwalan secara manual, Setiap guru biasanya memperoleh informasi jadwal piket melalui pengumuman yang dicetak dan dipasang di papan pengumuman. Dalam hasil wawancara dengan Kepala Sekolah SMPN 2 Nggaha Ori Angu, ditemukan bahwa sistem penjadwalan piket saat ini mengalami kendala. Banyak laporan dan kritik dari orang tua siswa menyoroti bahwa siswa seringkali pulang terlambat karena proses penjadwalan yang terbatas. Terkadang guru yang dijadwalkan untuk piket harian tidak hadir atau sedang dalam sesi pengajaran ketika jam pulang tiba. Hal ini mengakibatkan siswa sering pulang terlambat. Untuk mengatasi permasalahan tersebut, diperlukan solusi berupa Aplikasi Penjadwalan Piket Guru di SMPN 2 Nggaha Ori Angu yang menggunakan sistem SMS Gateway. Aplikasi ini akan mengirimkan notifikasi jadwal melalui SMS kepada guru piket, termasuk perubahan jadwal jika ada. Aplikasi ini berbasis computer dan dirancang untuk memenuhi kebutuhan sekolah dalam mengatur jadwal piket sehingga dapat meningkatkan produktivitas kerja. Dalam keseluruhan aplikasi tersebut, pemanfaatan teknologi komputerisasi dan system informasi sangat diperlukan untuk meningkatkan afektivitas pengaturan jadwal piket guru. Dengan demikian aplikasi Penjadwalan Piket Guru di SMPN 2 Nggaha Ori Angu memberikan manfaat yang signifikan untuk keberlangsungan operasional sekolah serta meningkatkan kualitas Pendidikan siswa.
Comparative Analysis of Neural Network Architectures for Predicting Chronic Disease Indicators Using CDC’s Chronic Disease Indicators Dataset Airlangga, Gregorius
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1406

Abstract

This research evaluates the performance of three machine learning models—Neural Network (NN), Convolutional Neural Network (CNN), and Recurrent Neural Network (RNN) using Long Short-Term Memory (LSTM) units—in predicting chronic disease indicators using the CDC's Chronic Disease Indicators (CDI) dataset. The study employs a comprehensive preprocessing pipeline and 5-fold cross-validation to ensure robustness and generalizability of the results. The CNN model outperformed both the NN and RNN models across all key performance metrics, achieving an accuracy of 0.6303, precision of 0.6445, recall of 0.6303, and F1 score of 0.5950. The superior performance of the CNN is attributed to its ability to capture spatial hierarchies and interactions within the structured dataset. The findings underscore the importance of selecting appropriate machine learning architectures based on the data characteristics. This research provides valuable insights for public health officials and policymakers to enhance chronic disease monitoring, early detection, and intervention strategies. Future work will explore hybrid models and advanced techniques to further improve predictive performance. This study highlights the potential of CNNs in public health informatics and sets a foundation for further research in this domain
Noise Study on the OH1 Wearable Device: Analysis of 11 Hand Movement Artifacts Ramadhan, Rizqi; Akbar, Izzat Aulia
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1408

Abstract

Wearable devices like the OH1 are increasingly used for real-time health monitoring, particularly for measuring heart rate (BPM). However, their accuracy is often compromised by motion artifacts, introducing significant noise into the measurements. This study specifically addresses the issue of noise generated by the OH1 wearable device during eleven different hand movements. To tackle this problem, we implemented a precise experimental setup involving device calibration, stable testing conditions, and participant training to ensure high consistency in hand movements. Additionally, machine learning algorithms were employed to separate noise from desired hand movement data. Our results indicate that certain hand movements, such as lifting arms and shoulder rotations, produce higher noise levels, while others, like placing hands on the table, generate minimal noise. These findings provide valuable insights for developing effective noise reduction algorithms, ultimately enhancing the accuracy and reliability of BPM measurements from wearable devices.

Page 21 of 42 | Total Record : 418

 19   20   21   22   23 

Filter by Year

2021 2025


Reset
Filter By Issues
All Issue 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