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
 35   36   37   38   39 
Analisis Rute Terpendek Menuju Universitas Pamulang dengan Implementasi Algoritma Dijkstra: Analysis of the Shortest Route to Universitas Pamulang Using the Implementation of Dijkstra's Algorithm Pramadjaya, Angga; Rohmawati, Istiqomah
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.v5i3.1983

Abstract

Dalam kehidupan sehari-hari, kita sering melakukan perjalanan dari satu tempat ke tempat lain salah satunya yaitu berangkat ke kampus, pencarian rute terpendek sangat diperlukan bagi mahasiswa Universitas Pamulang untuk berangkat ke kampus. Pada banyak kasus, para mahasiswa hanya mengambil rute yang sering dikemudianinya saja tanpa mengetahui apakah rute tersebut adalah rute terpendek menuju kampus. Dan apabila rute tersebut bukanlah rute yang terpendek maka hal ini menyebabkan semakin panjang rute yang ditempuh maka akan memakan biaya yang lebih besar. Untuk menyelesaikan masalah tersebut, maka dibangun sistem pencarian rute terpendek dengan menggunakan algoritma Dijkstra sebagai proses pencariannya. Algoritma Dijkstra adalah algoritma yang digunakan untuk mencari lintasan terpendek dalam sejumlah langkah dengan menggunakan prinsip Greedy yang menyatakan bahwa pada setiap langkah kita memilih sisi yang berbobot minimum dan memasukkannya ke dalam himpunan solusi. Algoritma Dijkstra sangat tepat digunakan untuk mencari rute terpendek menuju Universitas Pamulang. Dari hasil penelitian dan pengujian yang dilakukan dapat disimpulkan bahwa algoritma Dijkstra cukup efektif dalam mencari rute yang terpendek sehingga mengurangi biaya yang diperlukan dengan rata-rata kecepatan eksekusi sebesar 0,057 detik
Implementasi Sistem Informasi Berbasis Object Oriented Analysis and Design untuk Mendukung Operasional Kudus Archery School: Implementation of Object Oriented Analysis and Design Based Information System to Support Kudus Archery School Operations Riswandha, Rio; Nindyasari, Ratih; Murti, Alif Catur
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.v5i3.2003

Abstract

Panahan adalah salah satu cabang olahraga yang menggunakan busur dan anak panah untuk mengenai sasaran. Website ini dikembangkan sebagai platform informasi resmi untuk klub Kudus Archery School. Sebelumnya, klub ini belum memiliki situs web resmi, sehingga banyak masyarakat tidak mengetahui keberadaannya dan proses pendaftaran masih dilakukan secara manual. Kondisi tersebut membuat sistem menjadi tidak efisien. Maka dari itu, sistem informasi berbasis web dirancang untuk mengelola kegiatan seperti rekrutmen, administrasi, dan pelatihan atlet secara lebih modern dan terstruktur. Sistem dibangun menggunakan Laravel, sebuah framework PHP, untuk mendukung pengelolaan basis data yang lebih optimal. Tujuan utama dari sistem ini adalah meningkatkan efisiensi manajemen, mendukung pengembangan atlet, dan meminimalisir kesalahan dalam pencatatan data. Hasil yang di dapatkan dalam penelitian tersebut dari beberapa user yang sudah menggunakan aplikasi tersebut adalah mempermudah untuk melihat perkembangan anak dalam club Kudus Archery School dan akses informasi sangat lengkap dan hasil yang terlihat setelah di buatnya web tersebut banyak nya pendaftar atau member baru di semester ini.
Analisis Hubungan Antara Jumlah Bus dan Jumlah Penumpang Menggunakan Unsupervised Learning: Analysis of Passenger and Bus Numbers Using Unsupervised Learning Sinaga, Aurell Octaviona; Passarella, Rossi
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.v5i3.2005

Abstract

Hubungan antara jumlah bus dan jumlah penumpang merupakan aspek penting dalam analisis transportasi perkotaan. Namun, pola distribusi dan kelompok data yang terbentuk sering kali tidak merata, sehingga menyebabkan ketidakseimbangan dalam hubungan tersebut. Penelitian ini bertujuan untuk mengidentifikasi pola distribusi dan mengelompokkan data jumlah bus dan penumpang menggunakan pendekatan unsupervised learning. Metode yang diuji coba terdiri dari empat model yaitu K-Means, Fuzzy C-Means (FCM), Gaussian Mixture Model (GMM), dan Spectral Clustering. Keempat model tersebut dibandingkan untuk mengukur seberapa baik model dapat mengelompokkan data dan mengungkap hubungan antara jumlah bus dan jumlah penumpang. Keempat model akan dievaluasi menggunakan Calinski-Harabasz Index, Silhouette Score, dan Davies-Bouldin Index untuk menemukan klaster optimal. Berdasarkan uji coba keempat model clustering menggunakan ketiga matriks evaluasi, semua model menunjukkan klaster optimalnya adalah 2 namun  model K-Means memberikan kinerja terbaik dalam mengelompokkan data karena model K-Means memiliki nilai terbaik untuk setiap metrik evaluasi tersebut. Skor model K-Means pada Silhouette Score sebesar 0.5175, nilai model K-Means pada Davies-Bouldin Index sebesar 0.7241, dan skor untuk K-Means terhadap Calinski-Harabasz Index sebesar 1414.3874. Klaster 1 merepresentasikan jumlah bus dan jumlah penumpang yang tinggi sedangkan Klaster 2 merepresentasikan jumlah penumpang dan jumlah bus yang rendah. 
Predictive Sales Analysis in Coffee Shops Using the Random Forest Algorithm Windrasari, Shella Norma; Margono, Hendro; Putra, Yudistira Ardi Nugraha Setyawan
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.v5i3.2023

Abstract

The coffee shop industry has experienced significant growth, evolving into a highly competitive marketplace demanding specialty coffee and personalized experiences. While data-driven strategies are crucial for optimizing operations, many owners still struggle to effectively leverage their sales data to understand dynamic customer behavior and enhance decision-making. Addressing this gap, this study explores the application of machine learning (ML) techniques, specifically the Random Forest Regressor model, to predict sales performance within the coffee shop business environment. By analyzing factors such as transaction timing, store location, product type, and day of the week, this research aims to uncover patterns that can enhance inventory management and customer engagement. The Random Forest model was evaluated through cross-validation, yielding a mean Mean Squared Error (MSE) of 80.97, which indicates moderate predictive accuracy and represents an improvement over traditional forecasting methods commonly employed in the industry. Feature importance analysis revealed that Premium Beans is the most influential predictor, followed by seasonal trends (month), time of day, and weekend sales patterns. These findings underscore the importance of incorporating temporal and contextual factors into forecasting models. 
Systematic Literature Review: Pemanfaatan Video Animasi 3D untuk Edukasi Kebersihan Lingkungan: Systematic Literature Review: The Use of 3D Animated Videos for Environmental Hygiene Education Khairiyah, Dhea; Qomario, Qomario; Mastur, Mastur
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.v5i3.2033

Abstract

Penelitian ini bertujuan untuk mengeksplorasi penerapan media pembelajaran berbasis video animasi 3D sebagai sarana edukatif dalam meningkatkan kesadaran kebersihan lingkungan pada siswa sekolah dasar. Latar belakang penelitian ini didasarkan pada pentingnya pendidikan lingkungan di jenjang sekolah dasar, yang masih didominasi oleh metode ceramah sehingga menyulitkan siswa memahami konsep abstrak. Pengalaman peneliti di PT Stechoq Robotika Indonesia dan di SDN Sungai Miai 5 Banjarmasin turut memperkuat urgensi pengembangan media inovatif. Penelitian ini menggunakan metode Systematic Literature Review (SLR) dengan pendekatan kualitatif melalui tahapan PRISMA dan analisis bibliometrik menggunakan VOSviewer terhadap 15 artikel terpilih. Hasil kajian menunjukkan bahwa video animasi 3D terbukti efektif dalam menyampaikan konsep kebersihan lingkungan karena mampu menarik perhatian, meningkatkan pemahaman, serta mendorong partisipasi aktif siswa. Visualisasi yang menarik dan alur cerita yang kontekstual menjadikan animasi 3D sebagai media yang mampu menyampaikan pesan moral dan edukatif secara lebih mudah dipahami oleh siswa sekolah dasar. Penelitian ini memberikan kontribusi terhadap pengembangan media pembelajaran inovatif yang relevan dengan kebutuhan pembelajaran abad ke-21.
Implementasi Sistem Basis Data Terintegrasi pada Aplikasi Dashboard Monitoring Replikasi Bank Tabungan Negara Metode Prototype: Implementation of an Integrated Database System in the Bank Tabungan Negara Replication Monitoring Dashboard Application Using the Prototype Method Ardhi, Hendra Yunianto; Muhidin, Asep; Wiyatno, Tri Ngudi
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.v5i3.2049

Abstract

Dalam industri perbankan, ketersediaan dan perlindungan data menjadi aspek krusial. Bank Tabungan Negara (BTN) memerlukan sistem yang mampu memantau proses replikasi data secara real-time. Penelitian ini bertujuan untuk merancang dan mengimplementasikan Aplikasi Dashboard Monitoring Replikasi data menggunakan metode prototyping. Sistem ini menyediakan informasi status replikasi, kinerja, dan peringatan kesalahan secara terintegrasi. Metodologi yang digunakan meliputi analisis kebutuhan, perancangan sistem menggunakan flowchart dan diagram Unified Modeling Language (UML), serta pengembangan sistem secara iteratif dengan melibatkan pengguna. Hasil pengujian sistem dilakukan melalui User Acceptance Testing (UAT) yang melibatkan analis sistem dan tim quality control. Nilai rata-rata pada skala likert 1–5 menunjukkan skor tinggi antara 4,3 hingga 4,7. Aplikasi membantu tim IT mendeteksi keterlambatan replikasi, kesalahan sistem, serta mempercepat waktu tanggap dalam situasi darurat. Kesimpulannya, implementasi dashboard ini mampu meningkatkan efisiensi operasional, mengurangi risiko kehilangan data, dan mendukung pengambilan keputusan strategis. Namun, sistem ini masih dapat dikembangkan lebih lanjut dengan fitur notifikasi otomatis dan visualisasi interaktif.
Optimasi Extreme Gradient Boosting dengan Particle Swarm Optimization untuk Estimasi Software Effort: Optimized Extreme Gradient Boosting using Particle Swarm Optimization for Software Effort Estimation Alif Pahlevi, Achmad Fahreza; Hariyadi, Mokhammad Amin; Almais, Agung Teguh Wibowo
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.v5i3.2055

Abstract

Estimasi upaya perangkat lunak (SEE) sangat penting dalam manajemen proyek, namun akurasi sering terganggu oleh kompleksitas proyek. Untuk mengatasinya, studi ini mengusulkan metode hibrida inovatif Particle Swarm Optimization (PSO) - Extreme Gradient Boosting (XGBoost) untuk SEE. Algoritma PSO mengoptimalkan hiperparameter XGBoost, meningkatkan kemampuannya memodelkan hubungan nonlinier dalam data proyek perangkat lunak, sehingga mengurangi kesalahan estimasi. Hasil eksperimen pada kumpulan data China dan Nasa93 menunjukkan bahwa PSO-XGBoost secara signifikan mengungguli metode tradisional dan model pembelajaran mesin mandiri. Metode yang diusulkan mencapai Root Mean Square Error (RMSE) yang lebih rendah sebesar 0,024 untuk China dan 0,0653 untuk Nasa93 menunjukkan efektivitasnya dalam memberikan estimasi upaya yang presisi. Meskipun memiliki kompleksitas komputasi dan bergantung pada data berkualitas, studi ini berkontribusi pada bidang SEE dengan menyajikan solusi praktis dan andal, membantu manajer perangkat lunak dalam perencanaan sumber daya dan pengambilan keputusan.
Perbandingan Naïve Bayes dan Support Vector Machine Dalam Analisa Sentimen Tentang Penyitaan Aset Koruptor di Twitter: Comparison of Naïve Bayes and Support Vector Machine in Sentiment Analysis of Confiscation of Corrupt Assets on Twitter sholekhah, Ananda; Muntahanah, Muntahanah
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.v5i3.2068

Abstract

Analisis sentimen merupakan salah satu pendekatan dalam memahami persepsi publik terhadap isu-isu sosial dan kebijakan pemerintah melalui data teks. Penelitian ini mengkaji opini masyarakat Indonesia terhadap pernyataan Presiden Prabowo Subianto mengenai penyitaan aset koruptor yang berbunyi “Apakah adil anaknya menderita?”. Data dikumpulkan dari Twitter sebanyak 1.561 tweet dalam rentang waktu 9 hingga 25 April 2025 dengan menggunakan kata kunci yang relevan. Proses analisis dilakukan melalui tahap prapemrosesan, pembobotan TF-IDF, dan klasifikasi menggunakan algoritma Naïve Bayes dan Support Vector Machine (SVM). Evaluasi performa model dilakukan menggunakan confusion matrix serta empat metrik evaluasi, yaitu akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa SVM unggul dengan akurasi 70,51% dan F1-score 0,69, sedangkan Naïve Bayes memperoleh akurasi 66,34% dan F1-score 0,66. Sentimen terbanyak berasal dari kelas positif, mengindikasikan mayoritas publik mendukung penyitaan aset koruptor meskipun berdampak pada keluarganya. Penelitian ini memperlihatkan efektivitas pendekatan machine learning dalam memetakan opini publik terhadap isu kebijakan kontroversial di media sosial.
Harnessing Machine Learning to Decode YouTube Subscriber Dynamics: Regression Predictive Models and Correlations Mulyati, Sri; Samidi, Samidi
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.v5i3.2084

Abstract

YouTube has grown and become a digital media giant. Content creators continue to struggle with predicting subscriber growth. Due to viewers' changing interests and the vast amount of information, it is challenging to determine which factors most influence subscription behavior. Optimizing content strategy and ensuring channel growth need an understanding of these traits. This study uses linear regression models (LR), neural networks (NN), and Gaussian processes (GP) to predict YouTube subscribers and examine category correlations using video data from various topics. The study of correlation matrix analysis was performed with an absolute root mean square error (RMSE) of 26256351, and the NN prediction model outperformed the LR and GP models. The correlation matrix indicates a slight positive correlation of 0.067 among the YouTube categories. Specifically, the correlation coefficients for population, unemployment rate, and urban population are 0.080, -0.012, and 0.082, respectively. These findings suggest future research to create more intentional content and search for significant factors that increase viewership and marketing audience growth.
Deteksi Kepribadian dan Tumbuh Kembang Anak dengan Sidik Jari Menggunakan Algoritma K-Nearest Neighbor dan Decision Tree : Personality and Child Development Detection Using Fingerprints with K-Nearest Neighbor and Decision Tree Algorithm Gunawan, Andi; Fitriani, Chair Anggita; Hadinata, Wira; Ricesa, Wieke
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.v5i3.2094

Abstract

Kepribadian dan gaya belajar merupakan dua aspek penting dalam mendukung tumbuh kembang anak. Penelitian ini bertujuan untuk mengidentifikasi kepribadian dan tumbuh kembang anak berdasarkan pola sidik jari menggunakan algoritma klasifikasi K-Nearest Neighbor (K-NN) dan Decision Tree (DT). Penelitian dilakukan pada 10 partisipan di taman kanak-kanak Annisa Tangerang, dengan pengumpulan data sidik jari dari jari tengah, manis, dan kelingking menggunakan metode sidik tinta. Data kemudian dipindai dan dikategorikan ke dalam tiga pola utama: Arch, Loop, dan Whorl. Proses klasifikasi dilakukan menggunakan algoritma K-NN dan DT, serta diuji menggunakan pendekatan hold-out validation dan Leave-One-Out Cross-Validation (LOOCV). Hasil pengujian menunjukkan bahwa model klasifikasi mencapai nilai akurasi, precision, recall, dan F1 score sebesar 1.0, serta akurasi LOOCV sebesar 90%. Hasil prediksi menunjukkan bahwa 50% anak memiliki kepribadian dengan daya ingat tajam, 40% ambisius dan disiplin, serta 10% perfeksionis dan komunikatif. Gaya belajar yang teridentifikasi menggunakan K-NN adalah visual (60%) dan kinestetik (40%), sementara dengan DT terdiri dari visual (50%), kinestetik (40%), dan auditori (10%). Penelitian ini menunjukkan adanya korelasi antara pola sidik jari dengan kecenderungan kepribadian dan gaya belajar anak serta bisa menjadi alat bantu dalam deteksi dini dan intervensi edukatif berbasis karakter anak.

Page 37 of 42 | Total Record : 418

 35   36   37   38   39 

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