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 
Analytical Hierarchy Process (AHP) Approach for CCTV Vendor Selection in Goods Procurement Siwalette, Michael; Muslim, Aries
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.v5i4.2260

Abstract

Selecting CCTV devices and vendors is a complex process because it involves many criteria, such as reputation/rating, price, distance, delivery time, and warranty period. Financing companies face difficulties in conducting these evaluations because the process is still manual, there are no standard criteria, and it requires many stages of approval that hinder the process. This study designs a web-based decision support system using the Analytic Hierarchy Process (AHP) method to assist in the objective selection of CCTV equipment. This system considers three main criteria: price, delivery time, and warranty period. The calculation results show that the system produces consistent recommendations, with a consistency ratio (CR) value below 0.1. The system also addresses zero data in alternatives by replacing zero values with small (non-zero) numbers to maintain the validity of AHP calculations. Repeated testing shows stable results even with different data. Thus, this system provides an efficient, transparent, and standardized solution in the CCTV device procurement process at financing companies
Implementasi Machine Learning untuk Analisis Sentimen Opini Publik Mengenai Pembukaan Kebun Kelapa Sawit di Papua: Machine Learning-Based Sentiment Analysis of Public Opinion on Palm Oil Plantation Expansion in Papua Pusvita, Ester Ayuk; Ranggup, Deni Stefanus Paboy; Arfan, Usman
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.v5i4.2279

Abstract

Ekspansi perkebunan kelapa sawit di Papua menimbulkan beragam respons publik di media sosial, khususnya pada platform X (Twitter). Penelitian ini bertujuan untuk menganalisis sentimen dan emosi publik terhadap isu tersebut menggunakan pendekatan machine learning melalui aplikasi Orange Data Mining. Sebanyak 1.355 tweet dikumpulkan menggunakan Twitter API v2 dan Google Colab yang terintegrasi dengan pustaka snscrape guna mengatasi batasan pengambilan data. Analisis dilakukan dengan model Multilingual Sentiment untuk klasifikasi polaritas (positif, negatif, netral) dan model Ekman Emotion untuk identifikasi enam emosi dasar. Hasil menunjukkan bahwa sentimen netral mendominasi (39,78%), diikuti negatif (32,16%) dan positif (28,05%). Namun, sentimen netral tidak selalu bersifat informatif, melainkan dapat muncul akibat ambiguitas linguistik atau keterbatasan model dalam memahami konteks lokal bahasa Indonesia. Emosi Joy (sukacita) merupakan emosi paling dominan, tetapi juga muncul dalam kategori sentimen negatif, yang mengindikasikan adanya ekspresi sarkasme dan ironi terhadap isu sawit. Hal ini mencerminkan keterbatasan model otomatis dalam mendeteksi makna tersirat dan gaya bahasa satir. Penelitian ini menyimpulkan bahwa meskipun model Multilingual Sentiment efektif untuk mendeteksi pola umum opini publik, pendekatan ini memerlukan penyesuaian kontekstual agar lebih sensitif terhadap nuansa budaya dan semantik bahasa Indonesia
Prediksi Academic Burnout pada Mahasiswa: Analisis Komparatif Algoritma Support Vector Machine dan Random Forest: Prediction of Academic Burnout in College Students: A Comparative Analysis of Support Vector Machine and Random Forest Algorithms Adinegara, Arbiansyah; Widodo, Suryarini
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.v5i4.2283

Abstract

Academic burnout telah menjadi masalah signifikan di kalangan mahasiswa, berdampak negatif pada kesehatan mental dan kinerja akademik. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap kinerja algoritma Support Vector Machine (SVM) dan Random Forest (RF) dalam memprediksi academic burnout pada mahasiswa di salah satu universitas di DKI Jakarta. Metode penelitian kuantitatif ini menggunakan data primer dari kuesioner Burnout Assessment Tool – Student Version (BAT-S) yang mencakup faktor pribadi, akademik, dan psikologis, serta data sekunder akademik mahasiswa. Data mentah kemudian melalui tahap persiapan yang meliputi pembersihan, penanganan outlier dengan teknik capping, standardisasi, dan penyeimbangan kelas menggunakan BorderlineSMOTE untuk mengatasi distribusi data yang tidak seimbang. Hasil pemodelan menunjukkan performa prediktif yang sangat tinggi untuk kedua algoritma setelah optimasi hyperparameter, dengan SVM mencapai akurasi 98,75% dan RF sebesar 97,50% pada data uji. Meskipun RF menunjukkan keunggulan pada metrik berbasis peringkat seperti ROC-AUC, SVM direkomendasikan sebagai model akhir karena memiliki profil risiko kesalahan yang lebih dapat diterima secara klinis, yakni tidak menghasilkan false negative yang berisiko tinggi. Penelitian ini membuktikan bahwa ML dapat menjadi alat efektif untuk deteksi dini risiko burnout, namun penelitian selanjutnya disarankan untuk mengeksplorasi algoritma yang lebih kompleks seperti gradient boosting dan melakukan analisis kepentingan fitur untuk pemahaman yang lebih mendalam.
Sistem Pendukung Keputusan Penilaian Kinerja Guru Menggunakan Metode Simple Additive Weighting (SAW): Decision Support System for Teacher Performance Assessment Using The Simple Additive Weighting (SAW) Method Haidar, Alif Farras; Hegarini, Ega
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.v5i4.2287

Abstract

Guru merupakan komponen yang sangat berpengaruh dalam menentukan keberhasilan pendidikan. Kinerja guru yang baik akan meningkatkan mutu pendidikan secara keseluruhan. Penilaian Kinerja Guru (PKG) menjadi suatu hal yang sangat penting dalam upaya meningkatkan kinerja guru. Namun, Proses PKG di Sekolah Islam Terpadu Al-Qalam Depok masih dilakukan secara manual sehingga rentan terhadap kesalahan perhitungan dan memakan waktu yang lama. Pembuatan Sistem Pendukung Keputusan (SPK) dengan metode Simple Additive Weighting (SAW) ini bertujuan membantu mengatasi permasalahan tersebut. Berdasarkan data yang diproses dengan metode SAW terdapat 5 alternatif guru yang dinilai dengan 4 kriteria penilaian yaitu pedagogik, kepribadian, sosial, dan profesional. hasil perangkingan menunjukkan alternatif A5 memperoleh nilai kinerja guru yang tertinggi yaitu 95. Hasil pengujian fungsionalitas dengan metode black box menunjukkan Sistem berjalan sesuai fungsi yang ditetapkan. Dengan SPK ini, PKG menjadi lebih akurat dan efisien dalam waktu untuk mengevaluasi kinerja guru yang ada disekolah tersebut sehingga dapat digunakan sebagai dasar pengambilan keputusan dalam meningkatkan mutu pendidikan di Sekolah Islam Terpadu Al-Qalam Depok.
Perbandingan Data Prediksi Diabetes Menggunakan Machine Learning: Comparison of Diabetes Prediction Data Using Machine Learning Ibrahim, Mikhail Claudio; Fachruddin, Fachruddin; Nurhadi, Nurhadi
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.v5i4.2301

Abstract

Diabetes merupakan penyakit metabolisme jangka panjang yang berdampak pada tubuh manusia dengan cara mengubah glukosa darah menjadi energi. Individu yang telah didiagnosis dengan diabetes tidak dapat mengontrol level gula dalam darah, yang akan menyebabkan peningkatan kadar gula darah dan tekanan darah. Penelitian ini bertujuan untuk menganalisis dan membandingkan visualisasi data dari empat model machine learning (Random Forest, Logistic Regression, SVC, dan Gradient Boosting ) dalam prediksi penyakit diabetes. Hasil penelitian ini diharapkan dapat memberikan panduan dalam pemilihan teknik visualisasi yang optimal untuk mendukung interpretasi hasil prediksi diabetes berbasis machine learning, serta meningkatkan efektivitas komunikasi hasil prediksi kepada praktisi medis dan pasien. Hasil penelitian memperlihatkan bahwa Gradient Boosting menempati posisi teratas dengan skor ROC AUC sebesar 0,97, disusul oleh Random Forest (0,94) dan Logistic Regression (0,93), sementara SVC mencatatkan nilai 0,84. Walaupun tingkat akurasi keseluruhan model cukup tinggi (?97%), nilai recall pada kelas positif masih rendah (0,39–0,49), yang menunjukkan adanya kendala dalam mengidentifikasi kasus minoritas pada dataset yang tidak seimbang. Variabel fisiologis, seperti BMI dan HbA1c, terbukti berperan signifikan sebagai prediktor, namun kinerja model diperkirakan dapat meningkat lebih jauh dengan mengintegrasikan faktor perilaku dan riwayat medis yang lebih terperinci.
Klasifikasi Kelayakan Penerima Beasiswa Menggunakan Naive Bayes dengan Optimasi Atribut Berbasis K-Means Clustering: Classification of Scholarship Eligibility Using Naïve Bayes with Attribute Optimization Based on K-Means Clustering Putri, Azhiah; Jasmir, Jasmir; Purnama, Benni
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.v5i4.2312

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan kelayakan penerima beasiswa di Kecamatan Tabir dengan menggunakan algoritma Naïve Bayes yang dioptimasi melalui K-Means Clustering. Dataset berjumlah 4.155 siswa diproses melalui tahap pra-pemrosesan, mencakup seleksi atribut relevan, pembersihan data, serta transformasi kategori ke bentuk numerik. Proses clustering dilakukan dengan K-Means pada K = 2, 3, dan 5, lalu dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil terbaik diperoleh pada K = 2 dengan nilai DBI = 0,909, yang selanjutnya digunakan untuk mengelompokkan data menjadi dua klaster, yaitu “Layak” dan “Tidak Layak”. Klaster yang dihasilkan kemudian digunakan untuk mengoptimasi atribut pada tahap klasifikasi menggunakan algoritma Naïve Bayes.. Evaluasi performa menggunakan confusion matrix dengan skema split data 70:30, 80:20, dan 10-fold cross validation. Hasil menunjukkan akurasi masing-masing 96,15%, 96,75%, dan 97,91%; precision 99,90%, 99,85%, dan 99,97%; recall 95,39%, 96,18%, dan 97,47%; serta F1-score 97,60%, 97,97%, dan 98,71%. Berdasarkan hasil tersebut, metode 10-fold cross validation memberikan performa terbaik karena mampu menjaga keseimbangan antara akurasi, precision, recall, dan F1-score. Dengan demikian, integrasi antara K-Means Clustering dan Naïve Bayes terbukti efektif dalam mengoptimasi atribut, serta menghasilkan sistem klasifikasi yang akurat, konsisten, dan andal untuk mendukung keputusan seleksi penerima beasiswa.
Early Warning Systems for Financial Crisis Prediction: A Systematic Literature Review of Econometrics, Machine Learning and Uncertainty Indices Firdaus, Nelwan Topan; 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.v5i4.2314

Abstract

This study evaluates the integration of econometric methods, machine learning models, and uncertainty indices within the framework of Early Warning Systems (EWS) for financial crisis prediction in stock markets. A Systematic Literature Review (SLR) was conducted on studies published between 2008 and 2024, sourced from reputable databases such as Scopus, IEEE, and other international publishers. The review identifies three main objectives. First, the development of predictive models for market volatility and systemic risk using econometric and machine learning approaches. Second, the diagnosis of risk factors by incorporating macroeconomic indicators, commodity prices, geopolitical uncertainty, and sentiment data from big data sources. Third, the evaluation of policy implications and the role of composite indicators in maintaining financial stability. The dominant data categories include market data (prices, returns, volatility, sectoral indices), macroeconomic indicators (production, interest rates, leading indicators), commodities and energy (oil and gold), and measures of risk and uncertainty (GPR, GEPU, TPU, sentiment). Methodologically, studies employ time series econometrics (ARIMA, GARCH, VAR, spillover), machine learning, hybrid approaches, and indicator or policy-based frameworks. The findings reveal a growing trend toward multivariate and hybrid models, yet highlight limited integration across methods and data domains. 
Model CNN untuk Pengenalan Ekspresi Wajah pada Pembelajaran Pemrograman dengan Kondisi Oklusi di Kelas : A CNN Model for Recognizing Facial Expressions in Programming Classes under Classroom Occlusions Baharuddin, Baharuddin; Adam, Muh. Wahyu Suryandi; Riadi, Annahl
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.v5i4.2322

Abstract

Ekspresi wajah mahasiswa merupakan indikator non-verbal yang dapat dimanfaatkan oleh Learning Analytics (LA) untuk memantau keterlibatan dan kebingungan selama mata kuliah pemrograman (programming class). Dalam konteks riset ini, LA merujuk pada proses komputasional yang menganalisis data visual (ekspresi wajah) guna menyediakan informasi bagi pengajar dan sistem pendukung pembelajaran, baik secara waktu nyata maupun pascakelas. Kami meneliti pengenalan ekspresi wajah pada kondisi kelas nyata yang sarat oklusi (layar monitor, tas, tangan, masker, rekan mahasiswa), menggunakan CNN EfficientNet-B3 dengan transfer learning dan fine-tuning untuk mengklasifikasi empat kategori: Jenuh, Normal, Senang, dan Bingung. Evaluasi menggunakan akurasi, presisi-makro, recall-makro, F1-makro, serta confusion matrix. Pada test set, model meraih 33,33% akurasi, 0,33 presisi-makro, 0,33 recall-makro, dan 0,32 F1-makro, menegaskan tantangan pengenalan di bawah oklusi dan keterbatasan data. Akurasi validasi (26,67%) dan akurasi latih (45,31%) menunjukkan model belum cukup belajar dan terjadi kebingungan antarkelas khususnya antara Normal, Senang, dan Bingung. Meski metrik masih moderat, studi ini menyediakan baseline yang dapat direplikasi untuk FER tanggap oklusi pada konteks pendidikan pemrograman. Arah peningkatan mencakup penambahan & penyeimbangan data, augmentasi spesifik oklusi, face alignment, serta modul atensi/penanganan oklusi ringan menuju LA yang lebih tangguh di kelas nyata.
Analysis of Artificial Intelligence-Based Photogrammetry for Calculating the Volume of Bulk Material Stockpiles Syam, Rahmat Fuadi; Usman, Syahrul
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.v5i4.2323

Abstract

This paper presents an automated UAV-based photogrammetric workflow for efficiently and accurately estimating bulk material stockpile volumes, addressing the limitations of conventional manual and LiDAR-based methods. The proposed approach converts UAV video data captured with a 40 MP RGB drone into georeferenced still frames, followed by SIFT and ORB feature extraction and exhaustive matching within COLMAP database. Incremental Structure-from-Motion with bundle adjustment reconstructs a sparse point cloud of 119,424 points and optimized camera parameters, while PatchMatch-based Multi-View Stereo generates a dense cloud of 2.3 million points at a ground sampling distance (GSD) of 0.1 cm. Ground Control Points obtained with RTK-GNSS ensure sub-2 cm georeferencing accuracy. Stockpile volumes are estimated using angle-of-repose height calculations, truncated-pyramid contour integration, and voxel occupancy methods, achieving volume errors of less than 3%. Validation against GPS and terrestrial laser scanning (TLS) references indicates horizontal accuracy of CE90 = 0.208 m, vertical accuracy of LE90 = 0.056 m, and mean reprojection error of 0.19 pixels. The entire process requires only 24 minutes for 199 images, confirming its applicability for industrial monitoring. Overall, the proposed AI-assisted photogrammetric pipeline provides a robust, reproducible, and cost-effective solution for automated stockpile volume measurement, enhancing safety, accuracy, and material management efficiency.
Deploying Edge AI for Road Surface Damage Detection Using TensorFlow Lite and Teachable Machine Damayanti, Iren; Putra, Zico Pratama
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.v5i4.2067

Abstract

Road damage compromises transportation safety and drives high infrastructure maintenance costs. To address the limitations of traditional methods, which are expensive and non-scalable, this study proposes an Edge AI alternative utilizing widely available smartphones and machine learning capabilities. We present a real-time road damage detection system powered by TensorFlow Lite and Teachable Machine. The system architecture employs lightweight CNN models (such as MobileNet and EfficientNet Lite) optimized for edge deployment. This implementation enables the immediate detection of anomalies (cracks and potholes) directly on the mobile device without cloud dependency, ensuring low latency. Testing demonstrated robust model performance. For pothole detection, the system achieved an accuracy of 95%; for cracks, the accuracy was 92%. During real-time trials in daytime urban settings, the system achieved an average detection latency of 200 milliseconds with an accuracy of 94%. This user-friendly system also supports data collection via crowdsourcing, facilitating comprehensive infrastructure monitoring and proactive maintenance. This innovation offers a scalable, cost-effective, and user-friendly solution with significant potential to advance transportation safety and maintenance efficiency.

Page 41 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