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
 36   37   38   39   40 
Perancangan dan Evaluasi Sistem Informasi Kesehatan Sekolah Menggunakan User Experience Questionnaire: Design and Evaluation of School Health Information System Using User Experience Questionnaire Kusumadewi, Adelia Fitri
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.v5i3.2103

Abstract

Teknologi informasi memegang peran penting dalam bidang kesehatan, termasuk di sekolah yang masih banyak menggunakan pencatatan manual sehingga rawan kesalahan dan kurang efisien. Sistem Informasi Manajemen Kesehatan Sekolah dapat menjadi solusi melalui pencatatan, pelaporan, dan pengelolaan riwayat kesehatan secara terstruktur. Penelitian ini bertujuan merancang dan mengevaluasi sistem tersebut menggunakan User Experience Questionnaire (UEQ) dengan kebaruan pada penerapan evaluasi UEQ di konteks sekolah di Indonesia, serta pengembangan prototipe berbasis user-centered design. Metode penelitian meliputi studi pendahuluan, analisis kebutuhan berdasarkan standar rekam medis, perancangan antarmuka dan prototipe menggunakan Figma, serta evaluasi menggunakan UEQ yang mencakup enam dimensi: daya tarik, kejelasan, efisiensi, ketepatan, stimulasi, dan kebaruan. Sebanyak 11 responden (siswa, dokter, perawat/perekam medis) dipilih secara purposive sampling. Hasil menunjukkan daya tarik (1,909) dan stimulasi (1,909) kategori excellent, efisiensi (1,75), ketepatan (1,682), dan kebaruan (1,523) kategori good, serta kejelasan (1,614) kategori above average. Temuan ini mengindikasikan sistem menarik, memotivasi, efisien, akurat, dan cukup inovatif, meski aspek kejelasan perlu ditingkatkan. Penelitian berkontribusi pada digitalisasi layanan kesehatan sekolah, namun terbatas pada jumlah responden yang sedikit dan pengujian prototipe
Penerapan Machine Learning untuk Prediksi Kenaikan Harga Beras Premium Menggunakan Algoritma Regresi Linier: Application of Machine Learning for Premium Rice Price Increase Prediction Using Linear Regression Algorithm Widiyatmoko, Arif Tri; Butsianto, Sufajar; Nugroho, Agung
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.v5i3.2123

Abstract

Ketidakstabilan harga beras premium sebagai komoditas pangan pokok memerlukan solusi prediksi yang akurat untuk membantu perencanaan ekonomi. Penelitian ini menerapkan algoritma Machine Learning, yaitu Regresi Linier, untuk memprediksi kenaikan harga beras premium. Model dilatih menggunakan data historis harga dan dievaluasi kinerjanya dengan metrik MAE (0.244), MSE (0.092), dan R-squared (0.893), menunjukkan tingkat akurasi yang cukup baik dalam memprediksi harga. Selanjutnya, model yang berhasil dikembangkan diimplementasikan ke dalam aplikasi web interaktif berbasis Streamlit. Aplikasi ini memungkinkan pengguna untuk memasukkan tanggal dan secara langsung mendapatkan prediksi harga beras premium. Hasil penelitian menunjukkan bahwa Regresi Linier efektif dalam memprediksi harga beras premium, dan implementasi ke dalam aplikasi Streamlit berhasil menyediakan alat prediksi yang mudah diakses. Meskipun demikian, penelitian lanjutan dapat berfokus pada peningkatan akurasi model dan eksplorasi algoritma Machine Learning lainnya untuk prediksi harga komoditas
Implementasi YOLO11 dan OpenCV untuk Pengenalan Frasa dalam Video Real-Time Bahasa Isyarat Tangan: YOLO11 and OpenCV Implementation for Phrase Recognition in Real-Time Hand Sign Language Videos Swasono, Henoch Yanuar Ari; Himamunanto, Agustinus Rudatyo; Maedjaja, Febe
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.v5i3.2130

Abstract

Bahasa isyarat adalah alat komunikasi utama bagi para penyandang tunarungu dan tunawicara. Namun, terbatasnya pemahaman bahasa isyarat oleh masyarakat umum sering kali menjadi kendala dalam berkomunikasi. Penelitian ini bertujuan untuk merancang program pengenalan frasa bahasa isyarat tangan BISINDO secara real-time dengan menggunakan algoritma YOLO11 dan library OpenCV. YOLO11 digunakan sebagai metode deep learning untuk mengenali isyarat tangan, sedangkan OpenCV digunakan untuk pemrosesan video real-time dan visualisasi hasil deteksi. Model ini dilatih menggunakan lebih dari 3.000 gambar yang mewakili enam class frasa BISINDO: “saya”, “kamu”, “senang”, “bingung”, “marah”, dan “apa kabar”, sebanyak 263 epoch. Hasil pengujian model menunjukkan rata-rata nilai precision dan recall di atas 0,9; F1-Score sebesar 0,982; mAP50 sebesar 0,993; dan mAP50-95 sebesar 0,938. Pada pengujian real-time, model menunjukkan latency rata-rata stabil di kisaran 80-90ms, frame rate 11-12FPS, dan confidence score rata-rata 0,9 untuk semua class. Berdasarkan Penelitian yang telah dilakukan, disimpulkan bahwa integrasi YOLO11 dan OpenCV berhasil digunakan sebagai algoritma dalam mengenali frasa bahasa isyarat tangan BISINDO secara real-time.
Prediksi Laju Inflasi di Jawa Timur Menggunakan Model N-BEATS dan Optimasi Optuna: Prediction of Inflation Rate in East Java Using the N-BEATS Model and Optuna Optimization Riswanda, Mohammad Nizar; Trimono, Trimono; Saputra, Wahyu Syaifullah Jauharis
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.v5i3.2141

Abstract

Inflasi merupakan indikator penting yang memengaruhi kestabilan dan pertumbuhan ekonomi suatu wilayah. Prediksi inflasi yang akurat sangat dibutuhkan guna mendukung perumusan kebijakan ekonomi yang tepat. Penelitian ini mengusulkan penggunaan model N-BEATS (Neural Basis Expansion Analysis for Time Series) yang dioptimalkan dengan Optuna untuk memprediksi inflasi di Provinsi Jawa Timur. Data yang digunakan berupa deret waktu univariat, yaitu laju inflasi bulanan dari Januari 2005 hingga Desember 2024, yang diperoleh dari Badan Pusat Statistik (BPS). Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE). Berbeda dengan model tradisional seperti ARIMA dan LSTM, N-BEATS mengandalkan jaringan saraf feedforward dengan arsitektur blok residual yang mampu melakukan rekonstruksi masa lalu (backcast) dan prediksi masa depan (forecast). Optimasi hyperparameter melalui Optuna berhasil meningkatkan akurasi model secara signifikan. Hasil Penelitian menunjukkan bahwa N-BEATS teroptimasi mencapai MAPE sebesar 8,97%, lebih baik dibandingkan N-BEATS dasar (11,05%), ARIMA (16,95%), dan LSTM (12,23%). Temuan ini mengindikasikan bahwa pendekatan N-BEATS dengan Optuna efektif dalam meningkatkan akurasi prediksi inflasi dan dapat menjadi alat bantu penting bagi perencanaan ekonomi di tingkat daerah.
Analisis Sentimen Coretax: Perbandingan Pelabelan Data Manual, Transformers-Based, dan Lexicon-Based pada Performa IndoBERT: Sentiment Analysis of Coretax: A Comparison of Manual, Transformers-Based, and Lexicon-Based Data Labeling on IndoBERT Performance Rizkia, Agnia Suci; Wufron, Wufron; Roji, Fikri Fahru
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.v5i3.2151

Abstract

Analisis sentimen terhadap opini publik di media sosial menjadi tantangan signifikan karena kompleksitas bahasa informal dan volume data yang besar. Penelitian ini bertujuan untuk mengevaluasi pengaruh lima pendekatan pelabelan data manual, IndoBERT , IndoBERT weet, RoBERTa , dan InSet Lexicon terhadap performa model Indonesian Bidirectional Encoder Representations from Transformers (IndoBERT) dalam klasifikasi sentimen terkait isu Coretax. Sebanyak 8.035 tweet dikumpulkan, diproses, dan dilabeli menggunakan masing-masing pendekatan. Dataset hasil pelabelan kemudian digunakan untuk melatih ulang model IndoBERT, yang dievaluasi menggunakan metrik akurasi, F1-score, confusion matrix, dan kurva Receiver Operating Characteristic-Area Under the Curve (ROC-AUC). Hasil menunjukkan bahwa pelabelan otomatis menggunakan Indonesian Bidirectional Encoder Representations from Transformers for Tweet (IndoBERTweet) menghasilkan metrik tertinggi F1-Score (0,9802), tetapi mengalami dominasi kelas netral yang menunjukkan overfitting. Pelabelan manual menghasilkan distribusi kelas yang lebih merata meskipun dengan metrik lebih rendah F1-Score (0,8684), sedangkan Robustly Optimized BERT Pretraining Approach (RoBERTa) menunjukkan keseimbangan terbaik antara performa metrik dan distribusi label. InSet Lexicon dan IndoBERT menunjukkan kecenderungan bias terhadap kelas tertentu. Simpulan dari penelitian ini menegaskan bahwa efektivitas pelabelan tidak hanya ditentukan oleh skor metrik, tetapi juga oleh distribusi kelas yang seimbang untuk menghasilkan model yang adil dan dapat digeneralisasi.
Analisis Cluster Terhadap Pengelompokan Preferensi Pengguna Pembayaran Digital dan Dampaknya Terhadap Inklusi Keuangan Mahasiswa Telkom University: Cluster Analysis of The Clustering of Digital Payment User Preferences and Its Impact on Financial Inclusion of Telkom University Student Khoiri, Muhammad Alfian; Kotjoprayudi, Raswyshnoe Boing; Eskaluspita, Alit Yuniargan
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.v5i3.2171

Abstract

Studi ini menelaah kategorisasi kecenderungan penggunaan sistem pembayaran non-tunai dan kaitannya dengan ketercakupan finansial pada komunitas akademik Universitas Telkom. Pada masa transformasi digital saat ini, perkembangan inovasi finansial telah mentransformasi pola interaksi pemakai dengan jasa keuangan lewat berbagai sarana transaksi elektronik seperti perbankan seluler, dompet virtual, dan metode pembayaran kode cepat. Kajian ini mengimplementasikan teknik algoritma Pengelompokkan Berbasis Kepadatan Aplikasi dengan Derau (DBSCAN) untuk memetakan pemakai berdasarkan pilihan metode pembayaran digital mereka, dengan melakukan riset pada indikator keuntungan yang terdiri dari Marjin Laba Kotor, Imbal Hasil Aset, dan Imbal Hasil Ekuitas. Titik berat penelitian terletak pada evaluasi dampak pemanfaatan metode pembayaran elektronik terhadap aksesibilitas layanan keuangan bagi mahasiswa Universitas Telkom serta identifikasi pola preferensi melalui teknik pengelompokan data. Temuan dari investigasi ini diproyeksikan dapat menyumbangkan perspektif baru untuk inovasi produk finansial yang lebih tepat sasaran, penyempurnaan program literasi bagi segmen masyarakat yang memiliki keterbatasan akses, serta perumusan strategi yang lebih tepat guna untuk memperluas jangkauan layanan keuangan, sehingga memberikan kontribusi positif bagi perkembangan perekonomian dan kemajuan sosial yang berkelanjutan
Analisis Perbandingan Kinerja Web Humas Infrastruktur On-Premise dan Cloud Computing dengan Load Balancer Round Robin: Comparative Analysis of Public Relations Web Performance of On-Premise and Cloud Computing Infrastructure with Round Robin Load Balancer Saleh, Robby Febrianur; Kusrini, Kusrini
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.v5i3.2182

Abstract

Penelitian ini menganalisis perbandingan kinerja web humas untuk pelayanan publik antara infrastruktur on-premise dan cloud computing dengan load balancer round robin di RSUD Ratu Aji Putri Botung. Era digitalisasi mendorong rumah sakit mengoptimalkan sistem informasi termasuk web humas sebagai platform komunikasi dengan masyarakat. Metode penelitian menggunakan pendekatan eksperimental komparatif dengan pengujian beban menggunakan Apache JMeter pada tiga skenario: 50, 200, dan 2000 concurrent users. Parameter yang dianalisis meliputi response time, throughput, CPU utilization, memory usage, dan availability. Hasil penelitian menunjukkan cloud computing dengan load balancer round robin memberikan performa superior dengan response time excellent (215-293 ms) untuk semua skenario vs on-premise yang mengalami performance collapse hingga 111,969 ms pada 2000 users. CPU utilization cloud computing optimal (78-90%) dengan distribusi beban merata, sedangkan on-premise under-utilized (6-49%). Network traffic cloud computing consistent (354-356K bytes/sec) menunjukkan throughput predictable, sementara on-premise erratic (45-551K bytes/sec). Load balancer round robin terbukti highly effective dengan perfect success rate (100%) vs on-premise (99.3%). Cloud computing menunjukkan excellent scalability dan 497.8x lebih cepat pada extreme load. Penelitian merekomendasikan implementasi cloud computing untuk web humas rumah sakit guna meningkatkan kualitas pelayanan publik significantly
Perbandingan Algoritma Deep Learning untuk Analisis Sentimen Ekowisata di Bogor: Comparison of Deep Learning Algorithm in Sentiment Analysis Ecotourism in Bogor Agustini, Peni; Iqbal, Muhammad; Akbar, Vicha Amalia; Kurniawan, Robert
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.v5i3.2191

Abstract

Bogor memiliki destinasi ekowisata unggulan di Indonesia yang menawarkan keasrian alam dan kemudahan akses dari Jakarta. Namun, peningkatan jumlah wisatawan menimbulkan hambatan terhadap pengelolaan lingkungan, seperti pengelolaan sampah dan tekanan terhadap sumber daya alam. Media sosial, khususnya Google Maps, berperan penting dalam promosi dan memahami perilaku wisatawan melalui fitur ulasan. Studi ini bertujuan melakukan analisis sentimen mengenai ulasan ekowisata di Bogor yang diambil dari Google Maps, menggunakan metode Deep Learning berbasis neural network, yaitu Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), dan Long Short-Term Memory (LSTM), dan membandingkan performa ketiga model tersebut untuk menentukan metode terbaik dalam mengklasifikasikan sentimen pengunjung. Hasil studi ini menunjukkan, model CNN memiliki akurasi tertinggi yaitu sebesar 72 persen dan lebih unggul dibanding model RNN dan LSTM. Model CNN dapat digunakan sebagai acuan utama dalam menerapkan analisis sentimen pada topik yang sejenis.
Pengelompokan Kabupaten di Indonesia untuk Pemetaan Pendapatan Daerah Menggunakan Algoritma K-Means: Clustering of Regencies in Indonesia for Regional Revenue Mapping Using the K-Means Algorithm Wahyudi, Gustri Romi; Rahmaddeni, Rahmaddeni; Dini, Ema; Adrianto, Sukri; Fadila, Rahmasari
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.v5i3.2206

Abstract

Kesenjangan ekonomi antarwilayah merupakan permasalahan penting dalam pembangunan Indonesia, yang salah satunya dapat dilihat melalui variasi Produk Domestik Regional Bruto (PDRB) pada tingkat Kabupaten/ Kota. Penelitian ini bertujuan untuk memetakan kondisi ekonomi daerah di Indonesia dengan mengelompokkan Kabupaten/ Kota berdasarkan nilai PDRB tahun 2024 menggunakan algoritma K-Means clustering. Data penelitian diperoleh dari Badan Pusat Statistik (BPS), kemudian melalui tahap pra-pemrosesan berupa pembersihan data dan normalisasi Min-Max. Jumlah klaster ditentukan sebanyak empat kelompok (Sangat Rendah, Rendah, Sedang, dan Tinggi) dengan dasar pembagian kuartil, sehingga menghasilkan klasifikasi yang lebih objektif dan representatif terhadap distribusi data. Hasil penelitian menunjukkan bahwa mayoritas kabupaten/kota termasuk dalam kategori Rendah dan Sedang, sedangkan kategori Tinggi didominasi wilayah dengan basis industri dan jasa yang lebih maju. Evaluasi menggunakan Silhouette Score menghasilkan nilai 0,778, yang menandakan kualitas klasterisasi cukup baik dengan pemisahan antarkelompok yang jelas. Temuan ini mengindikasikan masih adanya ketimpangan distribusi ekonomi antarwilayah. Penelitian ini berkontribusi dalam menyediakan kerangka klasifikasi ekonomi daerah berbasis data kuantitatif yang dapat digunakan sebagai acuan dalam perumusan kebijakan pembangunan yang lebih merata serta menjadi dasar bagi penelitian lanjutan yang mengintegrasikan variabel sosial-ekonomi lainnya.
Analisis Sentimen Ulasan Produk Shopee di Aplikasi Instagram Menggunakan Algoritma K-Nearest Neighbors: Sentiment Analysis of Shopee Product Reviews on the Instagram Application Using the K-Nearest Neighbors Algorithm Lestari, Sri; Febrianti, Syafira
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 4 (2025): MALCOM October 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i4.1595

Abstract

Penelitian ini mengkaji berbagai tanggapan konsumen terhadap produk yang dijual di Shopee dan dipromosikan melalui Instagram, yang dikategorikan ke dalam sentimen positif dan negatif. Permasalahan yang diangkat adalah bagaimana persepsi publik terhadap produk-produk tersebut berdasarkan ulasan yang diunggah di media sosial Instagram. Metode yang digunakan adalah analisis sentimen dengan algoritma K-Nearest Neighbors (K-NN) serta pendekatan CRISP-DM untuk memastikan proses analisis berjalan secara sistematis dan terstruktur. Data penelitian terdiri dari sejumlah ulasan yang dikumpulkan melalui proses crawling menggunakan teknik pengambilan data otomatis. Hasil penelitian menunjukkan bahwa algoritma K-NN mampu mengklasifikasikan sentimen dengan akurasi 82,80%, presisi sentimen positif sebesar 83,54%, dan presisi sentimen negatif sebesar 23,08%. Temuan ini menandakan bahwa mayoritas ulasan konsumen bersifat positif, mencerminkan kepuasan terhadap kualitas produk, harga, dan pelayanan, meskipun masih terdapat ulasan negatif yang menyoroti kekurangan tertentu. Solusi yang ditawarkan dalam penelitian ini adalah penerapan teknik machine learning untuk mengotomatisasi proses klasifikasi sentimen pada data ulasan yang besar dan tidak terstruktur. Penelitian ini diharapkan dapat memberikan wawasan berharga bagi pelaku bisnis dan pengelola platform e-commerce untuk memahami persepsi konsumen dan menggunakannya sebagai dasar pengambilan keputusan dalam strategi pemasaran dan peningkatan kualitas layanan. Kesimpulannya, K-NN efektif digunakan untuk analisis sentimen ulasan produk Shopee, hasil menunjukkan dominasi sentimen positif.

Page 38 of 42 | Total Record : 418

 36   37   38   39   40 

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