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
 31   32   33   34   35 
Implementasi Sistem Otomatisasi Sirkulasi Udara Menggunakan Fan Exhaust Berbasis Sensor DHT21 pada Vertikal Hidroponik: Air Circulation Automation System Using A Fan Exhaust Based On A Dht21 Sensor in Indoor Vertical Hydroponic Pratomo, Guntur Wahyu; Puspaningrum, Ajeng Savitri; Ismail, Izudin
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1660

Abstract

Sirkulasi udara yang optimal sangat penting dalam sistem hidroponik vertikal untuk menjaga suhu dan kelembaban ideal bagi pertumbuhan tanaman, yang bergantung pada kondisi lingkungan terkontrol. Suhu yang tidak sesuai dapat menghambat pertumbuhan. Penelitian ini mengembangkan sistem otomatisasi sirkulasi udara berbasis sensor DHT21 dan mikrokontroler ESP32 untuk mengontrol fan exhaust secara otomatis. Sistem ini memantau suhu lingkungan dan mengaktifkan kipas saat suhu melebihi 34°C, serta memberikan opsi kontrol manual untuk fleksibilitas tambahan. Pengujian menunjukkan bahwa kipas secara otomatis menyala ketika suhu mencapai 35°C dan mati saat suhu kembali di bawah 34°C, menjaga lingkungan hidroponik tetap stabil dan mendukung pertumbuhan tanaman. Hasilnya menunjukkan bahwa sistem ini efektif dalam meningkatkan efisiensi pengelolaan, menjaga suhu optimal secara real-time, dan mengurangi risiko stres panas pada tanaman pengujian. keseluruhan alat dengan kondisi yang sudah di atur tercapai 100%.
Sistem Pendeteksi Ketinggian Air dan Perhitungan Volume pada Bak Nutrisi Vertikal Hidroponik Menggunakan Sensor Sr04t : Water Level Detection System and Volume Calculation In Vertical Hydroponic Nutrition Tubs Using Sr04t Sensor Saryoga, Roban; Puspaningrum, Ajeng Savitri; Ismail, Izudin
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1661

Abstract

Hidroponik vertikal merupakan metode budidaya tanaman yang efisien dalam penggunaan ruang, dengan memanfaatkan struktur bertingkat untuk menanam tanaman. Dalam sistem ini, pentingnya nutrisi dan ketersediaan air menjadi faktor kunci dalam menjaga pertumbuhan optimal tanaman. Masalah yang sering muncul adalah ketidakstabilan ketinggian air di bak nutrisi, yang dapat menyebabkan distribusi nutrisi yang tidak merata. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan sensor ultrasonik SR04T untuk mengukur ketinggian air dengan akurasi yang lebih baik. Solusinya melibatkan pemantauan secara real-time dan perhitungan volume air berdasarkan interpolasi linear dari kedalaman yang diukur oleh sensor. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan dapat secara efektif mendeteksi perubahan ketinggian air dan menghitung volume air secara akurat, dengan hasil pengujian menunjukkan penurunan volume air seiring waktu. Sistem ini dapat membantu petani hidroponik dalam memantau ketersediaan air nutrisi secara efisien, memastikan pertumbuhan tanaman yang optimal dalam lingkungan hidroponik vertikal hasil pengujian ini, tingkat keberhasilan mencapai 100% sesuai dengan aturan yang telah ditetapkan, yaitu buzzer hanya menyala ketika kedalaman air turun di bawah batas tertentu.
Perancangan Sistem Deteksi Kebocoran Gas Bebasis IoT dan Web Server: Design of a Gas Leak Detection System Based on IoT and Web Server Sesanti, Ani; Rahmanto, Yuri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1683

Abstract

Studi ini bertujuan untuk merancang dan menerapkan sistem deteksi kebocoran gas berdasarkan Internet of Things (IoT) dan teknologi web server menggunakan sensor MQ-2, mikrokontroler NodeMCU ESP8266, dan platform ThingSpeak. Sistem ini dirancang untuk secara akurat mendeteksi kebocoran gas dan memberikan pemberitahuan real-time kepada pengguna. Hasil pengujian menunjukkan bahwa sensor MQ-2 menunjukkan akurasi yang baik dengan penyimpangan ±5% dibandingkan dengan instrumen pengukuran standar, dan ambang deteksi yang ditetapkan pada 700 ppm secara efektif memberikan peringatan awal. Sistem ini memiliki waktu respons sekitar 5 detik dari deteksi kebocoran hingga transmisi data ke ThingSpeak dan menunjukkan keandalan tinggi selama pengujian berulang dalam berbagai kondisi. Meskipun kadang-kadang ada kegagalan transmisi data karena koneksi yang tidak stabil, visualisasi data di ThingSpeak menampilkan grafik yang jelas dan mudah dipahami, memungkinkan pemantauan waktu nyata konsentrasi gas LPG dan analisis tren historis. Akhirnya, sistem ini berhasil memenuhi tujuan meningkatkan keamanan lingkungan dan keamanan terhadap ancaman kebocoran gas, dengan aplikasi potensial yang luas di berbagai sektor.
Otomatisasi Pengendalian Suhu dan Kelembaban Berbasis Internet of Things pada Kandang Ayam Potong: Internet of Things Based Automation of Temperature and Humidity Control in Broiler Chicken Coops Rohman, Guntur Ainur; Isnaini, Auliya Rahman
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1686

Abstract

Produktivitas ayam potong sangat dipengaruhi oleh kestabilan suhu dan kelembaban kandang. Namun, pengendalian suhu dan kelembaban secara manual sering kali tidak konsisten dan kurang efisien, yang dapat menyebabkan stres pada ayam dan menghambat pertumbuhannya. Permasalahan ini mendorong pengembangan sistem otomatisasi pengendalian suhu serta kelembaban berbasis Internet of Things (IoT) untuk kandang ayam potong guna meningkatkan produktivitas pertumbuhan. Sistem ini menggunakan sensor DHT22 untuk mengukur suhu dan kelembaban, serta mikrokontroler ESP32 untuk memproses data dan mengirimkannya secara real-time ke web server. Dengan otomatisasi ini, kondisi lingkungan kandang dapat dikontrol secara optimal untuk mendukung pertumbuhan ayam. Metode penelitian ini melibatkan pengembangan dan pengujian sistem yang terdiri dari sensor DHT22, mikrokontroler ESP32, serta perangkat lunak monitoring. Data dari sensor diproses oleh ESP32 dan dikirim ke server IoT, yang kemudian menganalisis data tersebut dan memberikan instruksi untuk mengaktifkan perangkat pendingin atau pemanas sesuai kebutuhan. Hasil implementasi menunjukkan peningkatan efisiensi dalam pengendalian suhu dan kelembaban kandang. Dengan menjaga kondisi lingkungan dalam batas optimal, produktivitas pertumbuhan ayam potong meningkat secara signifikan dibandingkan dengan pengendalian manual. Selain itu, teknologi IoT memungkinkan monitoring secara real-time, sehingga peternak dapat mengambil tindakan preventif jika diperlukan. Secara keseluruhan, otomatisasi pengendalian suhu dan kelembaban berbasis IoT memberikan dampak positif terhadap produktivitas ayam.
Implementasi Algoritma Machine Learning untuk Klasifikasi Suara Lingkungan: Implementation of Machine Learning Algorithm for Environmental Sound Classification Wibowo, Ari; Isnain, Auliya Rahman
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1712

Abstract

Suara lingkungan memiliki peran signifikan dalam menentukan kualitas hidup manusia dan keseimbangan ekosistem. Dengan meningkatnya urbanisasi dan perubahan iklim, pemantauan suara lingkungan menjadi krusial. Penelitian ini mengimplementasikan algoritma Machine Learning untuk mengklasifikasikan suara lingkungan menggunakan dataset ESC-50. Fitur-fitur seperti Mel-Frequency Cepstral Coefficients (MFCCs) dan Chroma digunakan untuk ekstraksi ciri. Setelah pra-pemrosesan data, dilakukan pemodelan dengan berbagai algoritma, termasuk KNeighbors Classifier, Random Forest Classifier, dan Extra Tree Classifier, yang kemudian dipilih untuk tuning hyperparameter. Dengan parameter optimal, dilakukan training pada model terpilih dan diuji pada dataset uji. Hasil menunjukkan KNeighbors Classifier memiliki akurasi tertinggi sebesar 63%. Studi ini memberikan kontribusi pada pengembangan teknologi pemantauan suara lingkungan dan membuka prospek penerapan dalam manajemen kota yang lebih efisien. Studi lanjutan disarankan untuk eksplorasi fitur-fitur suara yang lebih spesifik, penggunaan teknik deep learning, dan penggunaan dataset yang lebih luas untuk solusi yang lebih canggih dalam pemahaman dan manajemen suara lingkungan secara global.
Analisis Kinerja Convolutional Neural Networks Baseline untuk Identifikasi Jenis Jenis Penyakit Kentang: Performance Analysis of Baseline Convolutional Neural Networks for Identifying Potato Disease Types Prasetyo, Khoir; Mahenra, Ridwan
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1722

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) baseline dalam mengidentifikasi jenis-jenis penyakit pada daun kentang. Dataset yang digunakan terdiri dari citra daun kentang yang terinfeksi dan sehat, yang diklasifikasikan ke dalam beberapa kategori penyakit seperti late blight, early blight, dan penyakit bakteri. Model CNN dirancang dengan arsitektur dasar yang meliputi beberapa lapisan konvolusi, pooling, dan fully connected, serta dilatih menggunakan Optimizer Adam dengan fungsi loss categorical cross-entropy. Hasil evaluasi menunjukkan bahwa model mencapai akurasi 82% pada validation set dan rata-rata 95% pada data acak. Meskipun model menunjukkan performa yang baik dalam mengklasifikasikan citra, indikasi overfitting terlihat dari perbedaan antara akurasi training dan validation. Analisis lebih lanjut mengidentifikasi kesalahan prediksi yang terjadi, terutama pada kelas dengan gejala visual yang mirip. Penelitian ini merekomendasikan penerapan teknik regulasi, augmentasi data, dan penggunaan arsitektur lebih kompleks untuk meningkatkan akurasi model. Hasil penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem deteksi penyakit tanaman berbasis kecerdasan buatan yang lebih efisien.
A Simulation of Student Study Group Formation Design Using K-Means Clustering Putra, Yudistira Ardi Nugraha Setyawan; Margono, Hendro
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1795

Abstract

This research focuses on developing a simulation model for forming student study groups using an enhanced K-Means algorithm, addressing the challenge of optimizing group dynamics to improve learning outcomes. By analyzing the effectiveness of the formed study groups through RMSE (Root Mean Square Error) after dimensionality reduction with various regression models—including Linear Regression, Ridge Regression, Lasso Regression, Elastic Net, Random Forest Regressor, Gradient Boosting Regressor, and XGBoost Regressor—we aim to provide educators with a robust tool for assessing group configurations. The study identifies four distinct clusters, revealing that "Previous_Score" and "Attendance" are critical variables, achieving a highest Silhouette Score of 0.64 with five selected features. The ridge regression model also yielded a low RMSE of 0.045, explaining 72.39% of the variance in "Exam_Score." The findings suggest that targeted interventions tailored to each cluster—yellow, purple, blue, and green—can enhance academic outcomes by addressing specific student needs. This data-driven approach optimizes group dynamics and fosters a more inclusive learning environment, enhancing academic performance and cultivating essential social skills. The study underscores the potential of machine learning techniques in education and suggests avenues for future research into alternative clustering methods and their long-term impact on student engagement and success.
Pemanfaatan Machine Learning dalam Menganalisis Sentimen Terhadap Program TAPERA di Platform Digital X: Utilization of Machine Learning in Analyzing Sentiment Towards the TAPERA Program on Digital X Platform Musthafa, Aziz; Harmini, Triana; Rafiq, Abid; Marantika, Nurhana
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1801

Abstract

Tabungan Perumahan Rakyat (TAPERA) adalah program pemerintah Indonesia yang bertujuan mengatasi masalah perumahan bagi masyarakat berpenghasilan rendah dan menengah, namun mendapat beragam respons akibat perubahan kebijakan. Tujuan Penelitian ini menganalisis sentimen pengguna media sosial X terhadap kebijakan TAPERA, untuk mengidentifikasi apakah sentimen yang dominan adalah positif, negatif, atau netral. Metode yang dimanfaatkan untuk menganilisis sentimen yaitu Crisp-DM dengan memanfaatkan model Support Vector Machine (SVM) dan Random Forest yang merupakan algoritma dari Machine Learning. Data dikumpulkan dari Platform Digital X dengan total 2.936 komentar, dan proses pelabelannya divalidasi oleh ahli Ilmu Komunikasi guna memastikan akurasi serta menghindari kesalahan. Hasil evaluasi menggunakan confusion matrix dari Model SVM menunjukkan keunggulan dengan akurasi 88%, dibandingkan dengan Random Forest yang memiliki akurasi 86%. Sedangkan hasil klasifikasi model, masyarakat lebih cenderung memberikan respons negatif terhadap perubahan kebijakan program TAPERA yaitu 1.874 komentar (63,9%). Dominasi sentimen negatif ini mencerminkan ketidakpuasan masyarakat terhadap program TAPERA secara umum. Sentimen positif sejumlah 527 komentar (18%), menunjukkan apresiasi terhadap inisiatif pemerintah masih terbatas. Serta Sentimen netral sejumlah 534 komentar (18,1%), menunjukkan kebutuhan informasi untuk meningkatkan pemahaman masyarakat. Penelitian ini diharapkan dapat menjadi pendukung rekomendasi untuk perbaikan pengelolaan TAPERA yang lebih baik, terutama dalam aspek layanan, transparansi, dan komunikasi.
Eksplorasi Variabel Berpengaruh dan Akurasi Algoritma Naive Bayes Classifier untuk Mengklasifikasikan Performa Siswa Sekolah Dasar: Exploration of Influential Variables and Accuracy of the Naive Bayes Classifier Algorithm for Classifying the Performance of Elementary School Students Pekuwali, Arini Aha; Bano, Vidriana Oktoviana; Panja, Alfred Domu D.; Prasetyo, Fajar Indra
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1813

Abstract

Literasi numerasi memungkinkan seseorang untuk menggunakan angka dan simbol matematika dasar guna menyelesaikan tantangan praktis dalam kehidupan sehari-hari. Data perkembangan kemampuan matematika di antara siswa Indonesia melalui penilaian Program for International Student Assessment (PISA) pada tahun 2022, menunjukkan bahwa Indonesia berada pada posisi ke-71 dari 81 negara. Hasil PISA yang rendah tersebut terkonfirmasi oleh hasil nilai Asesmen Kompetensi Minimum (AKM) literasi numerasi Sumba Timur yang berada di angka 33,37 (skala 0-100) pada tahun 2023. Nilai PISA dan AKM yang sangat rendah menunjukkan rendahnya pondasi kemampuan matematika anak, sehingga perlu adanya pengidentifikasian sejak dini kepada siswa Sekolah Dasar (SD). Perkembangan data dalam konteks pendidikan dan evolusi pendidikan modern telah mendorong penggunaan berbagai teknik data mining untuk memantau performa siswa dengan cara-cara penelusuran yang beragam untuk menganalisis dan menemukan informasi yang tersembunyi dalam sistem pendidikan. Data mining pada data pendidikan biasa disebut dengan educational data mining (EDM). Penelitian dilakukan dengan mengumpulkan data hasil belajar siswa SD kelas 4 untuk mata pelajar matematika dan beberapa data demografis siswa. Melalui penelitian ini diketahui bahwa variabel RT1, RT2, dan PTS memiliki hubungan yang kuat dengan variabel terikat PAS. Model yang dibentuk oleh Algoritme Naive Bayes berhasil mengklasifikasikan performa belajar siswa dengan akurasi sebesar 92%.
Klasifikasi Sapi Perah dan Non-Perah Menggunakan Algoritma Convolutional Neural Network: Classification of Dairy and Non-Dairy Cattle Using the Convolutional Neural Network Algorithm Maramis, Leonard; Nurtanio, Ingrid; Zainuddin, Hazriani
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 2 (2025): MALCOM April 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i2.1824

Abstract

Sapi merupakan salah satu hewan ternak utama di Indonesia yang terdiri dari sapi perah dan sapi potong. Di Kotamobagu dan Bolaang Mongondow Raya (BMR), peternakan sapi berkembang pesat seiring dengan meningkatnya daya beli masyarakat dan nilai jual sapi yang tinggi. Namun, transaksi jual-beli sapi masih menghadapi kendala, terutama dalam membedakan jenis sapi yang dapat menyebabkan kesalahan dan potensi penipuan. Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dengan arsitektur Xception dalam klasifikasi sapi perah dan non-perah. Proses penelitian mencakup pengumpulan data citra sapi, pelabelan, serta pelatihan model CNN untuk mengenali karakteristik fisik masing-masing jenis sapi. Hasil pengujian menunjukkan bahwa model Xception mencapai akurasi 96% dengan pembagian dataset 80:20, membuktikan kemampuannya dalam mengenali pola visual dengan baik. Temuan ini menunjukkan bahwa CNN, khususnya dengan arsitektur Xception, dapat menjadi alat yang efektif dalam identifikasi jenis sapi, sehingga berpotensi meningkatkan keamanan dan keakuratan dalam transaksi ternak. Dengan pengembangan lebih lanjut, sistem ini dapat diintegrasikan dengan teknologi kamera untuk pemantauan otomatis guna mendukung industri peternakan yang lebih modern dan efisien.

Page 33 of 42 | Total Record : 418

 31   32   33   34   35 

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