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
 38   39   40   41   42 
Analisis Pengelompokan Laporan Panggilan untuk Perencanaan Respons Berbasis Data: Clustering Analysis of Call Reports for Data-Driven Response Planning Cahyani, Retno Tri; Yuadi, Imam; Margono, Hendro
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.v5i4.2168

Abstract

Setiap tahun, Call Center 112 Kabupaten Sidoarjo menerima ribuan laporan dari masyarakat, yang mencakup berbagai kejadian seperti kebakaran, kecelakaan lalu lintas, darurat medis, kabel menjuntai, pohon tumbang, dan masalah PJU. Penelitian ini menganalisis 6.207 laporan berfokus pada koordinat lokasi kejadian dengan tujuan untuk mengelompokkan pola spasial laporan sehingga dapat mendukung tata Kelola pelayanan publik yang lebih responsif. Untuk mencapai tujuan tersebut digunakan dua algoritma pembelajaran yaitu K-Means dan K-Medoids. Metode Elbow digunakan untuk menentukan jumlah klaster (k=3). Metode ini menunjukkan titik optimum ketika nilai inertia mulai menurun secara linier. Analisis menggunakan Google Colab dan ada dukungan pustaka untuk visualisasi seperti scikit-learn, pyclustering, dan matplotlib. Hasil visualisasi menunjukkan bahwa K-Medoids membentuk klaster yang lebih terstruktur secara geografis, sedangkan K-Means menghasilkan klaster yang tumpang tindih. Silhouette Score 0,479, yang lebih tinggi dari K-Means hanya 0,193, K-Medoids terbukti lebih unggul dalam membentuk klaster yang kompak dan konsisten. K-Medoids berhasil mengelompokkan wilayah yang rawan insiden (Waru, Gedangan) dan wilayah infrastruktur dominan (Sidoarjo, Candi) ke dalam klaster yang sesuai secara spasial. Analisis ini mengidentifikasi fitur tiap klaster berdasarkan jenis laporan, mulai dari darurat medis hingga masalah PJU. Penemuan ini berguna untuk mendukung alokasi sumber daya dan layanan publik yang lebih efisien saat membangun kota pintar.
Multi-Classification of Pakcoy Plants using Machine Learning Methods with Smart Greenhouse Dataset Wibowo, Agung Surya; Mentari, Osphanie; Adli, Muhammad Zimamul; Kusnayadi, Kusnayadi
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.v5i4.2212

Abstract

This research aims to design and implement a monitoring and classification system for Pakcoy (Brassica rapa L.) plant conditions based on the Internet of Things (IoT) and machine learning algorithms in the Smart Greenhouse of Universitas Islam Nusantara. This study represents one of the applications of IoT and machine learning technology advancements to improve efficiency and effectiveness in the agricultural sector. The developed system utilizes CO?, SHT30, BH1750, and DHT22 sensors to monitor environmental parameters in real-time, including temperature, humidity, light intensity, panel box temperature, and CO? concentration. The monitoring data are used as input for classifying plant conditions using five machine learning methods: Support Vector Machine (SVM), Random Forest, Decision Tree, Logistic Regression, and Multilayer Perceptron (MLP). The results show that the Random Forest algorithm achieves the best performance, with an accuracy of 84%, precision of 86%, recall of 87%, and F1-score of 86%. The implementation of this system serves as a concrete step toward enhancing the efficiency, sustainability, and modernization of hydroponic agriculture in Indonesia
Analisis Komparasi Algoritma DBSCAN dan K-Means dalam Pemetaan Segmentasi Pasien Rawat Inap Menggunakan Model RFMT: Comparative Analysis of DBSCAN and K-Means Algorithms in Inpatient Patient Segmentation Using the RFMT Model Approach Shodikin, Mohamad; Taniasari, Nungky
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.v5i4.2218

Abstract

Rumah sakit memainkan peran strategis dalam memberikan layanan kesehatan berkualitas, khususnya layanan rawat inap. Model segmentasi pasien yang akurat diperlukan untuk mendukung pengambilan keputusan strategis dan meningkatkan loyalitas pasien. Studi ini mengusulkan analisis komparatif dua algoritma clustering, DBSCAN dan K-Means, untuk segmentasi rawat inap menggunakan model Recency, Frequency, Monetary, and Interpurchase Time (RFMT). Berbeda dengan studi sebelumnya yang berfokus pada ritel dan pemasaran, penelitian ini menerapkan RFMT secara spesifik pada data rawat inap rumah sakit. Dataset yang diperoleh dari Rumah Sakit X di Sidoarjo periode (Januari–Oktober 2022), telah diproses terlebih dahulu dan diubah ke dalam format RFMT. Algoritma DBSCAN dan K-Means dievaluasi menggunakan indeks validitas klaster internal: Silhouette Index (SI) dan Calinski-Harabasz Index (CHI). Hasil eksperimen menunjukkan bahwa DBSCAN mencapai SI terbaiknya sebesar 0,384 (Eps=0,9, MinPts=24) tetapi menghasilkan banyak titik noise, sementara K-Means berkinerja lebih baik dengan SI=0,399 dan CHI=14.625,319 pada k=7 klaster. Temuan ini menyoroti bahwa K-Means menghasilkan klaster yang lebih stabil dan valid dalam konteks ini, sementara DBSCAN mengalami kesulitan karena distribusi kepadatan dataset. Studi ini berkontribusi dengan menunjukkan penerapan clustering berbasis RFMT pada data rumah sakit dan membandingkan kekuatan dan keterbatasan dua algoritma yang banyak digunakan.
Analisis Sentimen Publik di Platform X Pasca Skandal Bahan Bakar Minyak Oplosan Menggunakan Algoritma Naïve Bayes: Public Sentiment Analysis on Platform X Following the Mixed Fuel Scandal Using the Naïve Bayes Algorithm Chidayat, Achmad Thaufik; Shiddieq, Diqy Fakhrun; Nurhayati, Dwi
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.v5i4.2220

Abstract

Skandal BBM oplosan yang mencuat pada awal 2025 memicu gelombang reaksi dari masyarakat yang disuarakan melalui platform X. Penelitian ini ditujukan untuk mengevaluasi sentimen publik terkait kasus tersebut dengan menggunakan algoritma Naïve Bayes sebagai metode analisis. Proses analisis dilakukan dengan teknik scraping terhadap 2.351 tweet yang relevan, dilanjutkan dengan preprocessing teks. Label sentimen ditentukan secara otomatis menggunakan metode VADER, sementara representasi fitur dilakukan dengan teknik TF-IDF untuk meningkatkan kualitas klasifikasi. Selanjutnya, data dibagi menjadi data pelatihan dan data pengujian dengan perbandingan 80:20, kemudian diklasifikasikan menggunakan algoritma Multinomial Naïve Bayes. Hasil klasifikasi menunjukkan bahwa algoritma mampu mengidentifikasi sentimen negatif dengan recall tertinggi sebesar 75%, meskipun akurasi keseluruhan hanya mencapai 57%. Temuan ini menunjukkan bahwa pendekatan ini cukup andal dalam menangkap opini kritis masyarakat, namun masih perlu pengembangan untuk mengenali sentimen positif dan netral secara akurat. Penelitian selanjutnya disarankan untuk membandingkan algoritma Naïve Bayes dengan model lain seperti SVM atau Random Forest guna meningkatkan akurasi klasifikasi.
Optimasi Performa K-Means melalui Hybrid Feature Engineering RFM dan Behavioral Analytics untuk Segmentasi Pelanggan: Optimizing K-Means Performance with Hybrid RFM and Behavioral Analytics for Customer Segmentation B, Ilham; Rahmaddeni, Rahmaddeni; Putra, Aldino; Najario, Dimas; Fakhrizal, M. Aggie
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.v5i4.2227

Abstract

Membagi pelanggan menjadi beberapa segmen itu krusial untuk kesuksesan strategi pemasaran. Dalam studi ini, kami mengusulkan metode kombinasi dengan memanfaatkan algoritma K-Means yang dipadukan dengan metrik Recency, Frequency, Monetary (RFM) serta wawasan dari analitik perilaku. Tujuan utama kami adalah untuk mengetahui seberapa besar pengaruh penambahan fitur RFM terhadap kualitas segmen yang dihasilkan. Untuk itu, pendekatan kami meliputi pembersihan data transaksi ritel, pembuatan fitur berbasis perilaku, dan penerapan dua metode klastering: K-Means standar dan versi yang ditingkatkan, yaitu RFM K-Means Aware++. Hasil klastering dievaluasi dengan visualisasi t-SNE, analisis distribusi klaster, dan pengukuran metrik validasi internal seperti Silhouette Score dan Davies-Bouldin Index. Temuan kami menunjukkan bahwa metode yang lebih baik dengan fitur RFM menghasilkan klaster yang lebih stabil, terpisah dengan baik, dan lebih akurat dalam mencerminkan perilaku pelanggan. Sebaliknya, model yang tidak menggunakan fitur RFM cenderung membentuk klaster yang tumpang tindih dan memberikan segmentasi yang kurang bermakna. Secara keseluruhan, studi ini menekankan bahwa rekayasa fitur yang tepat memiliki peran penting dalam meningkatkan performa algoritma klastering dan menawarkan segmentasi pelanggan yang lebih berharga
Analisis Implementasi Artificial Intelligence dalam Dunia Kesehatan Indonesia: Literature Review: Analysis of Artificial Intelligence Implementation in the Indonesian Healthcare Sector: A Literature Review Avianta, Nur Azizah Syaputri; Putra, Daniel Happy; Satrya, Bangga Agung; Iqbal, Muhammad Fuad
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.v5i4.2229

Abstract

Artificial Intelligence (AI) diharapkan menjadi kekuatan utama dalam mendukung transformasi digital sektor kesehatan, sesuai visi Kementerian Kesehatan tahun 2023. Namun, implementasi AI di Indonesia masih jauh dari harapan. Meskipun terdapat inisiatif kuat untuk memanfaatkan AI dalam meningkatkan efisiensi dan efektivitas layanan kesehatan, penerapannya masih terbatas dan belum merata. Penelitian ini dilakukan menggunakan metode literature review terhadap 52 artikel ilmiah periode 2021–2024. Dengan pendekatan teori Diffusion of Innovation, penelitian ini mengevaluasi manfaat AI dalam diagnosis, pengambilan keputusan klinis, manajemen data, dan peningkatan akses pelayanan, serta mengidentifikasi model adopsi dan tantangan utama dalam penerapannya. Hasil analisis menunjukkan bahwa tantangan utama dalam implementasi AI di sektor kesehatan Indonesia mencakup belum adanya regulasi spesifik, lemahnya infrastruktur digital, isu etika, dan rendahnya literasi teknologi. Meski demikian, Indonesia memiliki potensi besar dalam pengembangan ekosistem AI yang adaptif dan inklusif. Keberhasilan implementasi sangat bergantung pada kolaborasi lintas sektor, penguatan regulasi, serta peningkatan kompetensi sumber daya manusia dan kapasitas teknologi. Dengan strategi nasional yang terarah dan berkelanjutan, AI berpeluang menjadi pilar transformasi sistem pelayanan kesehatan yang lebih modern, efisien, dan berdaya saing.
Perbandingan Metode MoSCoW dan AHP dalam Menentukan Kebutuhan Perangkat Lunak di Institusi Pendidikan: Systematic Literature Review: Comparison of the MoSCoW and AHP Methods in Determining Software Requirements in Educational Institutions: Systematic Literature Review Waroi, Elsina Novela; Rahanra, Nicodemus; Mawene, Brenstein; Thaniket, Rooy M.; Rahanra, Musa Henri Janto
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.v5i4.2230

Abstract

Perangkat lunak berperan penting dalam menunjang kegiatan di institusi pendidikan. Banyaknya pilihan perangkat lunak menuntut adanya metode prioritisasi yang tepat. Penelitian ini membandingkan metode MoSCoW dan Analytical Hierarchy Process (AHP) dalam menentukan kebutuhan perangkat lunak melalui pendekatan Systematic Literature Review (SLR) terhadap 20 artikel terbitan 2021–2025. Hasil kajian menunjukkan bahwa AHP unggul dalam memberikan pembobotan kuantitatif dan mendukung pengambilan keputusan yang kompleks, sedangkan MoSCoW lebih unggul dalam kemudahan klasifikasi serta mudah dipahami oleh stakeholder non-teknis. Keunggulan penelitian ini terletak pada integrasi kedua metode melalui validasi silang, sehingga menghasilkan prioritisasi kebutuhan perangkat lunak yang tidak hanya praktis, tetapi juga objektif dan siap diimplementasikan. Dengan demikian, penelitian ini berhasil mencapai tujuannya untuk mengevaluasi keunggulan masing-masing metode sekaligus memberikan acuan praktis dalam penetapan prioritas kebutuhan perangkat lunak di institusi pendidikan
Klasifikasi Status Mahasiswa Berisiko Drop Out Menggunakan Decision Tree C5.0 dengan Seleksi Fitur: Classification of Student Drop Out Risk Using Decision Tree C5.0 with Feature Selection Hanis, Farisyah Lutfiah; Khaira, Ulfa; Arsa, Daniel
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.v5i4.2239

Abstract

Penelitian ini bertujuan untuk membandingkan performa algoritma Decision Tree C5.0 dengan dan tanpa seleksi fitur Mutual Information dalam klasifikasi mahasiswa berisiko drop out. Data yang digunakan mencakup mahasiswa S1 angkatan 2018–2023 dengan atribut performa akademik tiap semester serta aktivitas tugas akhir mahasiswa. Tahapan pengolahan data meliputi seleksi data, pembersihan, pelabelan, dan penanganan data tidak seimbang menggunakan Random Undersampling. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa pada mahasiswa angkatan 2022–2023, model tanpa seleksi fitur menghasilkan akurasi sebesar 87,14%, dan meningkat menjadi 88,57% setelah penerapan seleksi fitur. Sementara itu, pada mahasiswa angkatan 2018–2021, akurasi model tanpa seleksi fitur mencapai 93,04% dan meningkat menjadi 94,30% dengan penerapan seleksi fitur. Faktor dominan yang memengaruhi klasifikasi berbeda pada masing-masing kelompok, di mana jumlah absen menjadi indikator utama pada mahasiswa angkatan 2022–2023, sedangkan durasi pengerjaan tugas akhir lebih berpengaruh pada mahasiswa angkatan 2018–2021.
Exploring User Experience by User Review Using LDA-Topic Modeling and HEART Framework: A Systematic Literature Review Indriadika, Ayu; Santoso, Noviyanti
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.v5i4.2247

Abstract

This study aims to evaluate the integration of the HEART framework (Happiness, Engagement, Adoption, Retention, and Task Success) with computational modeling techniques such as Latent Dirichlet Allocation (LDA) for measuring User Experience (UX). A Systematic Literature Review (SLR) was conducted on articles published between 2015 and 2025, selected from reputable databases including Scopus. The selected studies emphasize the use of HEART metrics in conjunction with machine learning approaches, particularly LDA, and were assessed based on the Scimago journal quartile ranking system. The findings categorize the studies into five main research objectives: predicting user satisfaction and emotional response, optimizing usability, analyzing user-generated content, evaluating learning performance through gamified systems, and assessing system requirements in relation to UX. This classification reveals growing trends in applying hybrid methods that combine qualitative metrics with automated modeling techniques. The results underline the importance of developing more adaptive and scalable UX evaluation frameworks that align human-centered insights with machine learning-driven analysis. This study offers a foundational reference for future research in building integrative models that advance the depth and scale of UX assessments in complex digital environments.
Optimasi Yolov11 Melalui Hyperparameter Tuning dan Data Augmentasi untuk Meningkatkan Akurasi Deteksi Kendaraan pada Kondisi Malam Hari: Yolov11 Optimization Through Hyperparameter Tuning and Data Augmentation to Improve Vehicle Detection Accuracy at Night Zulkarnain, Imam Alfath; 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.v5i4.2250

Abstract

Deteksi kendaraan pada malam hari menghadapi tantangan signifikan akibat pencahayaan rendah, silau lampu depan, dan kontras objek yang terbatas. Akurasi deteksi yang rendah pada malam hari menjadi penghambat utama dalam pengembangan sistem transportasi cerdas (ITS) dan sistem pengawasan lalu lintas yang andal secara 24/7. Penelitian ini bertujuan mengoptimalkan YOLOv11 untuk meningkatkan akurasi deteksi kendaraan dalam kondisi tersebut. Optimasi dilakukan melalui penyesuaian hiperparameter, termasuk pengaturan laju pembelajaran (0.001), momentum (0.937), dan weight decay (0.0005), serta penerapan teknik augmentasi data seperti penyesuaian saturasi dan kecerahan, translasi, skala, flipping horizontal, mosaic, dan mixup. Model diuji dalam dua skenario: (1) data malam hari dan (2) gabungan data siang dan malam. Hasil penelitian menunjukkan bahwa YOLOv11 yang telah dioptimalkan mencapai precision 0.97, recall 0.92, dan mAP@0.5 sebesar 0.97 pada skenario malam hari, melampaui kinerja YOLOv8 dan YOLOv11 baseline. Pada skenario gabungan, model tetap unggul dengan precision 0.95, recall 0.95, dan mAP@0.5 sebesar 0.98. Temuan ini membuktikan bahwa kombinasi penyesuaian hiperparameter dan augmentasi adaptif efektif meningkatkan kinerja deteksi kendaraan pada malam hari tanpa menurunkan akurasi pada kondisi siang. Pendekatan ini menjanjikan untuk diaplikasikan dalam sistem pemantauan lalu lintas berbasis visi komputer yang memerlukan konsistensi performa tinggi baik di siang maupun malam hari.

Page 40 of 42 | Total Record : 418

 38   39   40   41   42 

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