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
 22   23   24   25   26 
Analisis Sentimen Dugaan Pelanggaran Pemilu 2024 Berdasarkan Tweet Menggunakan Algoritma Naïve Bayes Classifier: Sentiment Analysis of Alleged 2024 Election Fraud Based on Tweets Using the Naïve Bayes Classifier Algorithm Nugroho, Dafa Setyo; Hanif, Isa Faqihuddin; Hasbi, Muhammad Adryan; Fredianto, Fredianto; Saputra, Adrian Maulana; Zildjian, Rachmad
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.v4i3.1496

Abstract

Twitter merupakan media sosial yang menjadi sumber informasi dan opini utama masyarakat tentang berbagai topik, termasuk  tragedi dan kejadian terkini. Dengan jumlah penggunanya yang besar, Twitter memberikan para peneliti wawasan berharga dalam menganalisis sentimen publik. Namun pelaksanaan pemilu pada tahun 2024 kali ini di warnai berbagai isu serta banyak masyarakat yang berpendapat bahwa telah terjadi adanya pelanggaran dalam proses penyelenggaraan pemilu tahun 2024. Dengan adanya berbagai pendapat masyarakat akan hal ini, maka kami mencoba membuat sebuah artikel yang di dalamnya memuat analisa sentimen masyarakat. Analisis sentimen menggunakan data Twitter telah menjadi pendekatan yang populer, terutama menggunakan algoritma klasifikasi Naïve Bayes, mengekstraksi sentimen dari teks yang terbukti efektif dalam melakukan analisis sentimen. Penelitian ini bertujuan untuk menganalisis sentimental masyarakat atas adanya dugaan pelanggaran terhadap penyelenggaraan pemilu 2024 dengan menggunakan data Twitter. Tujuannya adalah untuk mendapatkan wawasan lebih dalam mengenai opini masyarakat atas dugaan pelanggaran yang terjadi dalam proses penyelenggaraan pemilu di Indonesia.
Implementasi Metode AHP dan SMART untuk Penentuan Keputusan Calon Penerima Zakat Produktif: Implementation of AHP and SMART Methods for Productive Zakat Recipient Candidate Decisions Santoso, Budi; Rafiq, Ainur; Kacung, Slamet
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.v4i3.1504

Abstract

Lembaga Amil Zakat Infaq dan Shodaqoh Nahdlatul Ulama’ (LAZISNU) Wonocolo memiliki program zakat produktif. Diadakannya zakat produktif untuk meningkatkan mustahik menjadi muzakki. Dalam program zakat produktif ini para mustahik biasanya diberikan modal usaha untuk dikembangkan. Calon penerima zakat (mustahik) biasanya dilakukan survey terlebih dahulu untuk menghindari salah sasaran penerima. Banyaknya calon penerima zakat menyulitkan penyeleksian manual oleh LAZISNU Wonocolo untuk menentukan penerima yang layak. kebutuhan akan pengelolaan zakat yang sistematis, LAZISNU Wonocolo kemudian membuat  Sistem Pendukung Keputusan (SPK) untuk menentukan kategori calon penerima zakat. Metode yang digunakan dalam penelitian ini adalah metode Analytic Hierarchy Process (AHP) dan Simple Multi-Attribute Rating Technique (SMART). MetodeAHP untuk penentuan bobot masing-masing kriteria dan SMART sebagai cara pengambilan keputusan. Tujuan penelitian ini memberikan kemudahan pada pihak LAZISNU Kecamatan Wonocolo Sidoarjo dalam menentukan calon penerima zakat produktif, sehingga zakat dapat tersalurkan secara tepat. Penelitian ini menunjukkan hasil tes calon penerima Zakat Produktif dengan menggunakan kombinasi AHP dan SMART diperoleh salah satu calon penerima dengan nilai akhir 1,5759.
Sistem Pakar Diagnosa Penyakit Degeneratif pada Lansia Menggunakan Metode Forward Chaining: Expert System for Diagnosing Degenerative Diseases in The Elderly Using The Forward Chaining Method Wainggai, Virginia Apriliani Teruko; Lahallo, Jim; Irjanto, Nourman S.
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.v4i4.1515

Abstract

Dalam era modern ini, teknologi telah maju dengan pesat, memungkinkan manusia untuk melakukan aktivitas dengan lebih mudah. Namun, beberapa puskesmas seperti Puskesmas Imbi di Jayapura masih menghadapi tantangan dalam menyediakan akses layanan kesehatan yang memadai bagi masyarakat, terutama terkait dengan edukasi penyakit degeneratif yang rendah dan kompleksitas pelayanan kesehatan. Untuk mengatasi ini, pengembangan sistem pakar untuk diagnosis awal penyakit degeneratif menjadi penting. Studi ini menganalisis data pasien degeneratif dari November 2023 hingga Januari 2024 di Puskesmas Imbi, menunjukkan kebutuhan akan sistem yang dapat memberikan diagnosa cepat dan tepat. Penggunaan metode Forward Chaining dalam sistem pakar ini diharapkan dapat meningkatkan akurasi diagnosa dengan mengelola ketidakpastian medis yang sering terjadi. Selain itu, penelitian ini juga merancang sistem berbasis website untuk mendeteksi gejala awal degeneratif, dengan menggunakan metodologi pengembangan waterfall dan pengujian blackbox. Pendekatan komprehensif ini diharapkan dapat meningkatkan kualitas hidup lansia dan mengurangi beban penyakit degeneratif serta penyakit penyerta lainnya secara efektif.
Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM: Comparison of the DBSCAN and K-MEANS Algorithms in Segmenting Customers Using Public Transportation of Transjakarta Using the RFM Method Saputra, Aditiya; Yusuf, Raka
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.v4i4.1516

Abstract

Transportasi umum sangat penting dalam kehidupan individu di suatu daerah. Transjakarta, diperkenalkan pada tahun 2004, adalah sistem Bus Rapid Transit (BRT) terpanjang di dunia dengan 251,2 kilometer jalur, 14 jalur, dan 287 halte di seluruh Jakarta. Sistem ini melayani masyarakat dengan 1.347 unit transportasi. Seiring peningkatan jumlah pengguna, masalah seperti kerumunan di halte dan antrian panjang muncul, sehingga diperlukan segmentasi pelanggan yang cermat.Penelitian ini menggunakan metode Recency, Frequency, Monetary (RFM) untuk analisis segmentasi pelanggan Transjakarta dengan algoritma DBSCAN dan K-Means. Hasil menunjukkan DBSCAN membutuhkan waktu pemrosesan lebih lama untuk klaster tertentu, sedangkan K-Means lebih cepat di klaster tertentu. K-Means unggul dengan Silhouette Score 0.714917 dan Davies-Bouldin Index 0.365776, dibandingkan DBSCAN dengan Silhouette Score 0.699971 dan Davies-Bouldin Index 0.390784. K-Means lebih efektif dalam membedakan pelanggan berdasarkan frekuensi dan nilai moneter, sementara DBSCAN dapat mengidentifikasi outlier dengan interaksi dan nilai moneter tinggi. Secara keseluruhan, K-Means menunjukkan performa yang lebih baik dalam segmentasi pelanggan Transjakarta. Berdasarkan hasil ini, K-Means lebih cocok digunakan untuk segmentasi pelanggan Transjakarta, yang dapat membantu pihak berwenang merancang strategi layanan yang lebih efisien dan meningkatkan kepuasan pelanggan.
Penerapan Algoritma K-Nearest Neighbor untuk Prediksi Penjualan Produk Digital: Application of the K-Nearest Neighbor Algorithm for Predicting Digital Product Sales Susilo, Bayu; Ramdhan, Nur Ariesanto; Bachri, Otong Saeful
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.v4i4.1517

Abstract

Penelitian ini bertujuan untuk memprediksi produk digital terlaris di PT. Global Indo Multimedia menggunakan metode K-Nearest Neighbor (K-NN) dengan aplikasi Rapidminer. Dan juga data transaksi produk digital selama 6 bulan, dari Agustus 2023 hingga Januari 2024, digunakan untuk analisis. Proses Knowledge Discovery in Databases (KDD) diterapkan dalam data mining data transaksi produk digital selama 6 bulan dari bulan Agustus 2023 sampai bulan Januari 2024 dimana berdasarkan tahapan KDD lalu diterapkan pada data mining menggunakan metode K-Nearest Neighbor dengan nilai K = 3 menunjukan bahwa algoritma K-Nearest Neighbor dapat memprediksi jumlah transaksi produk digital untuk 2 bulan yang akan datang. Berdasarkan uji coba yang dilakukan menunjukan bahwa algoritma K-NN dapat digunakan dalam klasifikasi data transaksi produk digital pada PT. Global Indo Multimedia dan Berdasarkan pengujian didapatkan hasil akurasi sebesar 95,24%, 3 Produk True Laris, 17 Produk True Rugi, dan 1 Produk True Sedang. Yang artinya data set nantinya dapat digunakan pada tahapan selanjutnya sebagai data yang valid untuk digunakan. Dengan tingkat akurasi yang cukup tinggi ini, model K-NN dapat menjadi salah satu solusi untuk memprediksi transaksi produk digital berdasarkan data penjualan yang telah ada sebelumnya.
Optimasi Decision Tree Menggunakan Particle Swarm Optimization (PSO) pada Risiko Kredit KMG Bank DKI: Optimization of Decision Tree Using Particle Swarm Optimization (PSO) for Credit Risk of KMG Bank DKI Putry, Jwasky Budy Eswa; Sasongko, Ananto Tri; Hadikristanto, Wahyu
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.v4i4.1521

Abstract

Pada dunia perbankan prediksi risiko kredit merupakan aspek penting yang menentukan keberhasilan dalam pengelolaan kredit. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi risiko kredit Kredit Multiguna (KMG) di Bank DKI dengan menggunakan metode Particle Swarm Optimization (PSO). Dalam konteks ini, PSO digunakan untuk mengoptimalkan dalam menemukan kombinasi parameter terbaik yang dapat meningkatkan performa model prediksi risiko kredit. Penelitian menunjukkan bahwa penggunaan Particle Swarm optimization (PSO) ini meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan menggunakan Particle Swarm optimization (PSO) menghasilkan akurasi prediksi mencapai 99,13%. Sebaliknya , tanpa optimasi PSO, akurasi yang diperoleh dari Decision Tree hanya sebesar 97,83 %. Hal ini membuktikan bahwa PSO mampu meningkatkan akurasi prediksi risiko kredit secara signifikan. Dengan demikian, Bank DKI dapat mengambil keputusan yang lebih tepat dalam pemberian kredit KMG, yang pada akhirnya dapat mengurangi tingkat kredit macet dan meningkatkan stabilitas finansial bank.
Penerapan Algoritma Decesion Tree C4.5 untuk Memprediksi Tingkat Kelangsungan Hidup Pasien Kanker Tiroid: The Application of C4.5 Decision Tree Algorithm for Predicting the Survival Rate of Thyroid Cancer Patients Putri, Adinda Dwi; Sholekhah, Fitriana; Dadynata, Eric; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni; Sapina, Nur
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.v4i4.1532

Abstract

Salah satu penyakit yang memiliki tingkat kelangsungan hidup yang bervariasi di antara pasien adalah kanker tiroid. Untuk memprediksi tingkat kelangsungan hidup pasien berdasarkan karakteristik klinis, penelitian ini menggunakan algoritma Decision Tree C4.5. Metode ini memanfaatkan pengolahan bahasa alami (NLP) dengan Count Vectorizer untuk mengubah teks menjadi data numerik. Dalam penilaian keakuratan prediksi, evaluasi dilakukan dengan matriks kebingungan (confusion matrix) untuk mengukur kinerja model dalam klasifikasi. Selain itu, Area Under Curve (AUC) juga dihitung untuk mengevaluasi performa model. Hasil eksperimen menunjukkan bahwa metode ini memberikan prediksi yang akurat tentang tingkat kelangsungan hidup pasien dengan kanker tiroid, mencapai akurasi sebesar 97% dan AUC sebesar 0.95, menunjukkan kinerja yang sangat baik. Penelitian ini penting untuk memperdalam pemahaman tentang penerapan Decision Tree dalam konteks medis dan potensi algoritma ini dalam mendukung pengambilan keputusan klinis di masa depan.
Prediksi Jasa Pengiriman Barang Top Trend Logistik Menggunakan Algoritma Regresi Linear pada PT. XNH: Prediction of Top Trend Logistics Goods Delivery Services Using Linear Regression Algorithm at PT. XNH Hidayat, Nurhikmah; Wahyudi, Tri
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.v4i4.1536

Abstract

Industri logistik global terus berkembang pesat, menuntut bisnis untuk fleksibel dalam mengadopsi teknologi dan strategi baru. Pertumbuhan ekonomi dan perdagangan elektronik telah meningkatkan permintaan layanan pengiriman, yang memengaruhi persaingan di Indonesia. PT. XNH menghadapi tantangan dalam memprediksi volume pengiriman secara akurat, mengidentifikasi tren pengiriman, dan mengelola fluktuasi permintaan layanan. Penelitian ini menggunakan teknologi data mining, khususnya algoritma regresi linear, untuk meramalkan tren pengiriman logistik. Dengan menganalisis 600 dataset yang terdiri dari 5 atribut, penelitian ini memprediksi total barang yang diterima melalui analisis data dari tahap pickup hingga pengiriman. Hasil penelitian menunjukkan bahwa algoritma regresi linear memiliki akurasi tinggi dalam memprediksi tren pengiriman, dengan nilai RMSE sebesar 0,034%. Kesimpulan dari penelitian ini adalah bahwa algoritma regresi linear dapat digunakan secara efektif untuk meramalkan tren logistik pengiriman, memberikan wawasan penting bagi PT. XNH dalam mengoptimalkan layanan pengirimannya.
Analisis Prediksi Customer Repeat Order menggunakan Algoritma Decision Tree pada Perusahaan Transportasi: Analysis of Customer Repeat Order Prediction using Decision Tree Algorithm in Transportation Company Syafii, Imam; Ribhi, Ahmad Aufar; Astutik, Liya Yuni; Budiono, Graceilla Kristia Seraphim; Pamela, Alberta Silvia
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.v4i4.1538

Abstract

Data merupakan inti yang tidak terpisahkan dalam pengelolaan pengembangan pelayanan yang dimiliki perusahaan. Banyak perusahaan yang tidak memanfaatkan data untuk keberlangsungan perusahaan atau meningkatkan mutu dari pelayanan perusahaan. Minimnya pemanfaatan data membuat data kurang memberikan nilai tambah terhadap suatu jasa atau pelayanan perusahaan. Oleh sebab itu, diperlukan adanya pemanfaatan data-data tersebut agar menghasilkan sebuah pengetahuan yang bermanfaat bagi perusahaan. pemanfaatan teknik data mining ini memberikan manfaat dalam pengolahan data dengan menggunakan model klasifikasi, khususnya algoritma decision tree, untuk memprediksi pelanggan yang berpotensi melakukan pemesanan ulang. Algoritma decision tree ini banyak digunakan untuk melakukan analisis prediksi karena menghasilkan keakuratan yang tinggi. Tujuan dari penelitian adalah untuk memahami layanan perusahaan yang paling diminati dan meningkatkan peluang pelanggam untuk melakukan pemesanan ulang layanan perusahaan sehingga mendapatkan manfaat dalam menaikan pendapatan perusahaan dengan menekan pengeluaran untuk pemasaran. Hasil dari penelitian menggunakan algoritma decision tree ini menghasilkan pohon keputusan dengan pengukuran accuracy sebesar 83,33%, pengukuran precision sebesar 100%, dan pengukuran recall sebesar 70%. Hasil pengukuran accuracy, precision dan recall menunjukan hasil yang baik sehingga penggunaan algoritma decision tree ini dapat dijadikan solusi untuk perusahaan guna melakukan prediksi customer repeat order.
Sistem Monitoring Server di PT. XYZ Media Indonesia Berbasis Grafana dan Prometheus: Server Monitoring System at PT. XYZ Media Indonesia Based on Grafana and Prometheus Rasyidi, Banu; Pratama, Firman
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.v4i4.1546

Abstract

Server merupakan salah satu komponen utama dari sistem jaringan komputer yang memiliki fungsi untuk memberikan suatu service terhadap penggunanya. Setiap aktifitas dan operasional pelayanan suatu server terhadap client dalam penerapannya terdiri dari beberapa jenis proses untuk memenuhi segala permintaan atau request client yang dikirimkan oleh server. Oleh sebab itu, diperlukan suatu sistem monitoring yang dapat melakukan pemantauan segala macam aktifitas di dalam server, dengan demikian pengguna dapat memantau dan memberikan peringatan apabila terjadi permasalahan pada server yang digunakan. Pada sistem ini dirancang   dengan menggunakan perancangan   Unified Modeling Language, serta menggunakan node exporter untuk mengambil metrik dan bahasa kueri berbasis Prometheus Query Language untuk mengakses data metrik dan grafana untuk memvisualisasi. Penelitian ini bertujuan rancang sistem yang mampu melakukan pemantauan dan pengumpulan informasi dari seluruh perangkat server yang berada di PT. XYZ Media Indonesia. Sistem monitoring ini juga, mampu memberikan beberapa informasi terkait utilisasi memori, utilisasi CPU, utilisasi storage dan utilisasi jaringan pada server, serta pada sistem ini juga mampu mengirimkan pesan peringatan dalam bentuk notifikasi telegram kepada pengguna saat terjadi kesalahan atau malfunction pada server dengan demikian proses eskalasi penanganan server menjadi lebih cepat dilakukan

Page 24 of 42 | Total Record : 418

 22   23   24   25   26 

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