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
 37   38   39   40   41 
Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah: Optimization of Convolutional Neural Network Algorithm with Efficientnet-B0 and Resnet-50 Architecture for Waste Type Classification Ardana, Wildan Muhammad; Kusrini, Kusrini
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.v5i4.2030

Abstract

Penelitian ini mengembangkan sistem klasifikasi sampah otomatis menggunakan deep learning untuk membedakan sampah organik dan dapat didaur ulang. Penelitian dilakukan menggunakan dataset dari Kaggle yang terdiri dari 25.077 gambar sampah dengan dua kategori utama: organik (O) dan dapat didaur ulang (R). Metodologi penelitian berfokus pada perbandingan transfer learning menggunakan arsitektur EfficientNet-B0 dan ResNet-50. Teknik data augmentation modern (rotasi, zoom, flip) diterapkan untuk meningkatkan generalisasi model, dan Keras Tuner digunakan untuk optimasi hyperparameter secara sistematis. Hasil penelitian menunjukkan bahwa model EfficientNet-B0, setelah optimasi hyperparameter, mencapai performa terbaik dengan akurasi pengujian 97.25%. Arsitektur ini secara signifikan mengungguli ResNet-50 (akurasi 93.39%) dalam skenario perbandingan. Laporan klasifikasi detail untuk model terbaik menunjukkan kinerja yang sangat baik dan seimbang dalam mengklasifikasi sampah organik (presisi: 0.93, recall: 0.98) dan sampah dapat didaur ulang (presisi: 0.97, recall: 0.91). Waktu evaluasi yang cepat mengindikasikan potensi implementasi sistem secara real-time. Penelitian ini membuktikan efektivitas transfer learning dengan arsitektur modern yang dikombinasikan dengan optimasi hyperparameter untuk menciptakan solusi klasifikasi sampah otomatis yang sangat akurat dan efisien.
Sistem Kendali Kualitas Air pada Tanaman Hidroponik berbasis Internet of Things: Internet of Things-Based Water Quality Control System for Hydroponic Plants Fahlefie, Reza; Damayanti, Damayanti
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.v5i4.2062

Abstract

Kualitas larutan nutrisi merupakan faktor krusial dalam sistem hidroponik, terutama dalam menjaga kestabilan kadar zat terlarut (Total Dissolved Solids/TDS) sesuai kebutuhan tanaman. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem kendali otomatis berbasis Internet of Things (IoT) yang mampu mengatur pemberian larutan nutrisi A/B secara presisi. Sistem dikembangkan menggunakan mikrokontroler ESP32-S3, sensor TDS, dan modul relay untuk mengontrol pompa nutrisi. Berdasarkan data eksperimen, dibangun model regresi kuadratik untuk menghitung kebutuhan volume larutan berdasarkan selisih antara nilai aktual dan target ppm. Sistem bekerja otomatis pada interval waktu tertentu dan terintegrasi dengan dashboard web untuk pemantauan real-time. Hasil pengujian menunjukkan bahwa sistem mampu mempertahankan nilai TDS dalam kisaran target (±15 ppm) dengan selisih rata-rata prediksi sebesar 2,17 ppm, dan selisih maksimum 4,1 ppm, yang masih berada dalam batas toleransi sistem hidroponik. Dengan integrasi IoT, pengguna dapat memantau dan mengendalikan kondisi larutan dari jarak jauh secara efisien. Sistem ini berpotensi untuk diterapkan dalam budidaya hidroponik skala rumah tangga maupun industri kecil.
Pengaruh Faktor Lingkungan Terhadap Distribusi Kasus DBD di Jakarta Selatan Menggunakan Pendekatan Geographically and Temporally Weighted Regression (GTWR): The Effect of Environmental Factors on the Distribution of Dangue Fever Cases in South Jakarta Using Geographically and Temporally Weighted Regression (GTWR) Approach Carissa, Savvy Prissy Amellia; Sugiarti, Nova Putri Dwi; Trimono, Trimono; Idhom, Mohammad
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.v5i4.2116

Abstract

Demam Berdarah Dengue (DBD) adalah penyakit endemis yang dipengaruhi oleh banyak faktor lingkungan dan memiliki pola penyebaran yang kompleks secara spasial dan temporal.  Dengan menggunakan pendekatan Geographically and Temporally Weighted Regression (GTWR), penelitian ini bertujuan untuk menganalisis distribusi kasus DBD di wilayah Jakarta Selatan. Suhu maksimum dan suhu minimum memiliki dampak positif yang konsisten terhadap peningkatan kasus DBD, menurut hasil penelitian.  Kinerja model GTWR ditunjukkan dengan nilai R-squared 0,5697 dan AIC 556,766. Visualisasi peta risiko mengidentifikasi wilayah seperti Jagakarsa, Cilandak, dan Mampang Prapatan sebagai daerah dengan risiko tinggi, dan pola musiman memperlihatkan peningkatan kasus pada awal hingga pertengahan tahun serta penurunan pada musim kemarau.
Segmentasi Wilayah Target Promosi Menggunakan Algortima K-Means Clustering pada Perguruan Tinggi: Segmentation of Promotion Target Areas Using the K-Means Clustering Algorithm at Universities Napitupulu, Zela Poiema Christy Mantohana; Jong, Jek Siang; Prabawati, Andhika Galuh
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.v5i4.2125

Abstract

Unit admisi sebuah perguruan tinggi swasta aktif melakukan promosi ke sekolah menengah atas dengan berbagai bentuk. Target sekolah dipilih berdasarkan pengalaman dan ketersediaan personil, namun belum menggunakan analisis histori data. Pada penelitian ini dibangun sistem segmentasi wilayah promosi menggunakan K-Means Clustering untuk mengelompokkan potensi sekolah, kota, dan provinsi berdasarkan aktivitas pendaftaran tahun-tahun sebelumnya. Data  bersih yang digunakan sejumlah 7177 baris data, yang diambil dari data calon mahasiswa pendaftar periode 2020 hingga 2024. Data meliputi pendaftar yang diterima, pilihan 1, pilihan 2, waktu pendaftaran, registrasi dan membatalkan registrasi. Proses pengolahan data meliputi tahapan pembersihan normalisasi nama sekolah, dan standarisasi nama sekolah menggunakan fuzzy string matching, pembobotan status pendaftar, dan perhitungan skor. Pengklasteran menggunakan K-Means dilakukan pada hasil perhitungan skor yang telah dinormalisasi. Jumlah klaster optimal ditentukan menggunakan metode Silhouette Coefficient. Luaran berupa nilai centroid dan label klaster untuk setiap entitas yang diklaster. Sistem berhasil mengelompokkan potensi sekolah, kota, dan provinsi tempat promosi. Luaran sistem dibandingkan dengan lokasi riil promosi yang telah dilakukan unit Admisi. Hasil menunjukkan bahwa dari 125 sekolah tempat promosi, hanya 48 sekolah yang sesuai dengan hasil sistem. Sistem mengidentifikasi 109 sekolah potensial dan cukup potensial, 44,04% yang sudah dijangkau promosi.
Penerapan Hyperparameter Tuning pada Model Klasifikasi untuk Prediksi Risiko Penyakit Jantung : Implementation of Hyperparameter Tuning for Classification Models in Heart Disease Risk Prediction Putri, Siti Kania Nur Alya; Jumiatin, Indah; Sulistia, Indri; Saputra, Novan Alkaf Bahraini; Wiranda, Nuruddin
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.v5i4.2138

Abstract

Penyakit jantung adalah penyebab utama kematian di seluruh dunia, sehingga penting untuk melakukan deteksi dini secara tepat untuk menurunkan angka kematian. Tantangan utama dalam penelitian ini adalah bagaimana cara meningkatkan efektivitas model klasifikasi dalam mendeteksi penyakit jantung. Tujuan dari penelitian ini adalah untuk membandingkan kinerja beberapa algoritma klasifikasi dan menilai dampak hyperparameter tuning terhadap peningkatan akurasi prediksi. Metode yang digunakan mencakup penerapan algoritma Logistic Regression, Decision Tree, Support Vector Machine (SVM), dan K-Nearest Neighbor (K-NN) pada dataset Cleveland Clinic Heart Disease yang diambil dari Kaggle. Proses hyperparameter tuning dilaksanakan dengan menggunakan gridsearchCV dan randomizedsearchCV bersama dengan cross-validation. Temuan penelitian menunjukkan bahwa setelah dilakukan tuning, logistic regression, K-NN, dan SVM mencapai akurasi tertinggi yang sama, yaitu 84%. Decision tree berada di posisi terendah dengan akurasi 80%. Selain itu, nilai precision, recall, dan F1-score juga meningkat, terutama pada logistic regression dan K-NN yang menunjukkan hasil paling seimbang. Hasil ini membuktikan bahwa hyperparameter tuning sangat membantu dalam meningkatkan kinerja model klasifikasi dan mendukung penggunaan machine learning untuk deteksi dini penyakit jantung secara lebih efektif.
Developing a Predictive System for On-Time Graduation Using Logistic Regression Yuliaty, Tety; Pawitan, Gandhi
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.v5i4.2142

Abstract

Timely graduation is widely recognized as a key indicator of academic quality and institutional effectiveness in higher education. While previous studies have examined individual predictors of student progression, few have combined academic, demographic, and socioeconomic factors into a comprehensive predictive model, particularly within the context of Indonesian private universities. This study aims to identify the main factors influencing on-time graduation by applying logistic regression to student data collected from a private university’s academic information system. The dataset includes 9,012 undergraduate records from cohorts entering between 2017 and 2020, covering a range of academic, admission, and background variables. The analysis reveals that fourth-semester GPA, attendance rate, scholarship status, completion of mandatory courses, and early course load have a significant impact on the probability of graduating on time. The predictive model achieved an accuracy of 85.76% and a recall of 90%, demonstrating strong classification performance. Although the findings are based on data from a single institution, the results offer practical insights for developing academic early warning systems and inform data-driven planning in higher education management.
From Comments to Insight: Predictive Classification of Organizational Cultural Entropy Using SBERT, K-Means, and Logistic Regression Mayasari, Sentri Indah; Yuadi, Imam
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.v5i4.2157

Abstract

This study aims to develop a machine learning-based predictive model based on clustered data to identify cultural entropy in organizations through the analysis of open-ended comments on employee perception surveys of superiors. energy used for unproductive activities in a work environment. Entropy shows the level of conflict, friction and frustration in the environment. With a text mining approach, answers to open-ended questions in the cultural entropy survey were processed with Sentence-BERT and clustered using the K-Means algorithm into two categories, namely cultural entropy and non-cultural entropy. The dataset that already has labels from the clustering results is used to develop a classification model. The algorithms used are Random Forest, Logistic Regression, and Support Vector Machine (SVM), which are evaluated through accuracy, precision, recall, and F1-score metrics and a confusion matrix. The results show that Logistic Regression provides the best performance with an accuracy of 0.985, a precision of 1.00, and an F1-score of 0.978 without any classification errors. These findings indicate that the clustering approach followed by machine learning-based predictive is effective in identifying organizational cultural entropy. This can be used to design appropriate interventions and as an early detection system for cultural entropy in human resource management
Analisis Perbandingan Kinerja Algoritma K-NN dan K-Means untuk Sistem Rekomendasi Mouse Gaming : Comparative Performance Analysis of K-NN and K-Means Algorithms for Gaming Mouse Recommendation System Aras, Suhardi; Malino, Agniel Lorensyus; Paliyama, Yuchiro Heizkia Reenhard; Ramadhan, Ridho Bintang
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.v5i4.2160

Abstract

Kebutuhan akan perangkat keras seperti mouse untuk bermain gim yang mendukung performa meningkat seiring dengan pertumbuhan industri gim dan teknologi digital. Fitur seperti DPI tinggi, tombol makro, sensor presisi, dan desain ergonomis menjadi daya tarik utama bagi pengguna. Namun, banyaknya variasi produk membuat konsumen kesulitan memilih mouse yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi mouse gaming berbasis pembelajaran mesin dengan membandingkan dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan K-Means. Metode penelitian meliputi pengumpulan data dari Kaggle, preprocessing data (pembersihan, normalisasi), reduksi dimensi dengan PCA, pengelompokan menggunakan K-Means, serta klasifikasi menggunakan K-NN dengan penerapan SMOTE untuk mengatasi ketidakseimbangan kelas. K-NN, sebagai algoritma supervised learning, memanfaatkan kedekatan antar data untuk menentukan label, sedangkan K-Means merupakan algoritma unsupervised yang mengelompokkan data berdasarkan kemiripan fitur. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa K-Means efektif dalam segmentasi produk, sementara K-NN memberikan akurasi tinggi dalam klasifikasi. Kombinasi keduanya menghasilkan sistem rekomendasi yang lebih akurat dan relevan bagi pengguna.
Enhancing Academic Service Efficiency: Design, Implementation, and Evaluation of a Web-Based Laboratory Booking System Using the Systems Development Life Cycle Framework Dwipanilih, Rayi; Annisa, Ellis; Ikhwan, Muhammad
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.v5i4.2162

Abstract

This study addresses inefficiencies in higher education administration that hinder the achievement of Sustainable Development Goal 4 (SDG 4), particularly in managing shared academic resources like laboratories. It presents the design, implementation, and evaluation of a web-based laboratory booking system developed using the Waterfall model within the Systems Development Life Cycle (SDLC), utilizing JavaServer Pages (JSP) and MySQL. The system features real-time lab availability tracking, automated booking, and an integrated administrative dashboard. Usability was assessed through quantitative testing and a System Usability Scale (SUS) survey involving 30 participants, including students and lab staff. Results showed a task completion rate above 95% and an average SUS score of 83.6, categorized as “excellent” and within the top usability percentile. The findings demonstrate that a systematically developed web-based solution can substantially enhance administrative efficiency, resource utilization, and user satisfaction. Moreover, the research provides a scalable and replicable model for academic institutions aiming for digital transformation, underscoring that improving operational systems is a critical step toward realizing the goals of quality education and institutional sustainability aligned with SDG 4.
Leaders and Followers Algorithm for the Binary Knapsack Problem Angmalisang, Helen Yuliana; Angmalisang, Harrychoon; Anggriani, Nita
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.v5i4.2164

Abstract

The Leaders and Followers (LaF) algorithm, as a relatively recent metaheuristic compared to other well-established algorithms, has demonstrated strong performance in solving continuous constrained optimization problems, the balanced transportation problem, and the traveling salesman problem. The distinctive feature of the LaF algorithm lies in its dual-population structure, where two groups operate with different roles, namely exploration and exploitation, to balance search diversity and convergence. This design effectively prevents premature convergence. In this study, the LaF algorithm is applied to address the binary knapsack problem. The proposed algorithm was evaluated using a well-established benchmark dataset for this problem. The results indicate that the LaF algorithm exhibits stable performance in solving binary knapsack problems with moderately sized capacities and outperforms several other metaheuristic algorithms

Page 39 of 42 | Total Record : 418

 37   38   39   40   41 

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