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 441 Documents
 40   41   42   43   44 
A Evaluasi Distribusi Guru-Siswa dan Ketersediaan Sekolah untuk Mendukung Pembangunan Pendidikan Menggunakan K-Means Clustering: An Evaluation of Teacher–Student Distribution and School Availability in Supporting Educational Development Using the K-Means Clustering Algorithm Arfan, Usman; Pekei, Yulianus
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

Abstract

Ketimpangan distribusi guru dan ketersediaan Sekolah Menengah Atas (SMA) Negeri di Indonesia menjadi tantangan serius dalam mewujudkan pemerataan pendidikan. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi distribusi jumlah guru, siswa, dan sekolah SMA Negeri dengan menerapkan algoritma K-Means Clustering. Data bersumber dari Badan Pusat Statistik (BPS) tahun 2023–2024 yang mencakup seluruh provinsi di Indonesia. Melalui pendekatan data mining menggunakan Orange, dilakukan proses pra-pemrosesan data, normalisasi, pemodelan klaster, serta visualisasi hasil. Hasil penelitian menunjukkan terbentuknya tiga klaster wilayah: Klaster 1 yang mencakup 20 provinsi dengan distribusi guru dan sekolah yang relatif ideal, Klaster 2 yang terdiri dari 6 provinsi di kawasan timur seperti Papua dan Maluku dengan tantangan tinggi akibat keterbatasan infrastruktur pendidikan, serta Klaster 3 yang berisi 8 provinsi dengan kondisi distribusi sedang. Penelitian ini mengungkap bahwa kebijakan nasional seperti rasio ideal 20:1 dalam pemberian tunjangan profesi guru belum adaptif terhadap kondisi geografis dan demografis lokal. Hasil klasterisasi ini memberikan dasar visual dan analitik yang kuat bagi pemerintah pusat dan daerah dalam merumuskan kebijakan pemerataan pendidikan yang lebih adil dan kontekstual, khususnya di jenjang menengah atas.
Analisis Sentimen Masyarakat Papua Terhadap Program Makan Gizi Gratis di Indonesia: Sentiment Analysis of Papuan Public Perceptions Toward the Free Nutritional Meal Program in Indonesia Arfan, Usman; Badii, Evradus
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

Abstract

Penelitian ini bertujuan untuk mengeksplorasi persepsi masyarakat Papua terhadap Program Makan Gizi Gratis yang dilaksanakan oleh Pemerintah Indonesia dengan menggunakan pendekatan analisis sentimen berbasis text mining. Data dikumpulkan dari platform media sosial X (Twitter) pada periode 24–28 Februari 2025. Sebanyak 712 tweet dianalisis menggunakan perangkat lunak Orange untuk mengklasifikasikan sentimen publik ke dalam tiga kategori, yaitu positif, netral, dan negatif. Hasil penelitian menunjukkan bahwa persepsi masyarakat cenderung positif, dengan 70,08% tweet menunjukkan dukungan terhadap program, 21,63% bersifat netral, dan 8,29% mengandung sentimen negatif. Pemetaan emosi berdasarkan model Ekman mengungkap dominasi emosi Surprise (Kejutan) dan Joy (Sukacita), yang mencerminkan antusiasme dan harapan terhadap kebijakan tersebut. Emosi negatif seperti Anger (Marah) dan Sadness (Kesedihan) muncul dalam proporsi yang sangat rendah, menunjukkan tingkat penerimaan yang cukup baik di kalangan pengguna media sosial. Temuan ini mengindikasikan bahwa masyarakat secara umum menilai Program Makan Gizi Gratis sebagai kebijakan positif, meskipun masih terdapat kekhawatiran mengenai efektivitas implementasinya. Penelitian ini menegaskan pentingnya pemanfaatan media sosial sebagai instrumen pemantauan persepsi publik secara real-time, serta merekomendasikan integrasi analisis sentimen dalam evaluasi kebijakan sosial berbasis data
Peramalan Multivariate Time Series Harga Aspal Menggunakan Algoritma Gated Recurrent Unit: Multivariate Time Series Forecasting of Asphalt Prices Using the Gated Recurrent Unit Algorithm Jaya, Winaldi Putra; Wintoro, Puput Budi; Septiana, Trisya; Mulyani, Yessi
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

Abstract

Fluktuasi harga minyak global menimbulkan volatilitas tinggi pada harga aspal dan menciptakan ketidakpastian dalam perencanaan bisnis. Penelitian ini mengembangkan model multivariate forecasting harga aspal menggunakan algoritma Gated Recurrent Unit (GRU). Proses penelitian mengikuti tahapan Business Understanding, Data Understanding, Data Preprocessing, Data Modelling, Evaluation, dan Deployment. Data yang dianalisis mencakup harga aspal (kategori low dan high) serta harga minyak global (close) periode 2016–2023, dengan total 371 observasi. Hasil eksplorasi menunjukkan bahwa harga minyak menjadi prediktor dominan terhadap perubahan harga aspal. Evaluasi model memperlihatkan kinerja GRU yang sangat baik dengan nilai rata-rata MAE 6,2441, RMSE 8,2880, dan R² sebesar 96,05%, yang menandakan kemampuan model dalam mengenali pola deret waktu secara akurat. Namun demikian, keterbatasan penelitian ini terletak pada cakupan data yang bersumber dari satu perusahaan dengan rentang waktu terbatas, sehingga berpotensi menimbulkan bias representatif. Selain itu, model GRU cenderung sensitif terhadap parameter pelatihan dan ukuran windowing, yang dapat mempengaruhi stabilitas hasil pada data dengan pola musiman ekstrem. Dalam implementasi praktis, integrasi GRU ke dalam sistem bisnis juga memerlukan kapasitas komputasi dan pembaruan model berkala agar hasil prediksi tetap adaptif terhadap dinamika pasar global. Model akhir diimplementasikan dalam dashboard interaktif berbasis Power BI untuk mendukung visualisasi tren harga dan mempercepat pengambilan keputusan strategis
Implementasi Algoritma C4.5 Untuk Klasifikasi Kepuasan Pelanggan: Implementing the C4.5 Algorithm for Customer Satisfaction Classification Ningsih, Listina Nadhia; Septiani, Riska; Pramadjaya, Angga; Nuralisah, Seli
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.v5i4.2211

Abstract

Perkembangan industri kuliner di Indonesia menunjukkan tren yang semakin kompetitif, didorong oleh meningkatnya jumlah pelaku usaha dan perubahan preferensi konsumen yang dinamis. Dalam situasi ini, kepuasan pelanggan menjadi faktor kunci yang sangat menentukan keberlangsungan dan pertumbuhan bisnis, termasuk bagi usaha kuliner tradisional seperti Restaurant Ayam Bekakak. Namun, pengelolaan data kepuasan pelanggan yang selama ini dilakukan secara konvensional sering kali bersifat subjektif dan tidak menghasilkan informasi yang dapat diolah secara sistematis. Hal ini menyebabkan sulitnya dalam pengambilan keputusan yang berbasis data (data-driven decision making). Oleh karena itu, dibutuhkan metode analisis yang mampu mengolah data kepuasan pelanggan secara lebih akurat dan objektif. Salah satu solusi yang dapat diterapkan adalah dengan menggunakan metode data mining, khususnya algoritma C4.5. Berdasarkan hasil penelitian menunjukkan bahwa algoritma C4.5 mampu mengklasifikasikan tingkat kepuasan pelanggan dengan akurasi sebesar 96,15%, dengan nilai precision 100% dan recall 95,2%. Nilai ini menunjukkan bahwa model dapat memprediksi kepuasan pelanggan dengan tingkat kesalahan yang sangat kecil. Dari hasil confusion matrix, hanya satu data yang salah klasifikasi, di mana pelanggan yang sebenarnya “puas” terdeteksi sebagai “tidak puas”. Hal ini menunjukkan bahwa model memiliki kemampuan generalisasi yang tinggi dan kesalahan klasifikasi yang minim. Kesesuaian karakteristik data dengan algoritma C4.5.
Klasifikasi Komposisi Menu Makanan Olahan Terhadap Standar Gizi Balita Menggunakan Random Forest: Classification of Processed Food Menu Compositions Against Toddler Nutrition Standards Using Random Forest Rahmi, Rahmi; Herisnan, Diva Nabila; Daulay, Suandi; Rahmaddeni, Rahmaddeni
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.v5i4.2280

Abstract

Peningkatan kesadaran masyarakat akan pentingnya asupan gizi seimbang, khususnya pada anak usia dini, menjadi aspek krusial dalam upaya pencegahan malnutrisi dan masalah kesehatan terkait. Penelitian ini bertujuan untuk mengklasifikasikan komposisi menu makanan olahan terhadap standar gizi balita menggunakan pendekatan data mining dengan algoritma Random Forest. Dataset yang digunakan memuat kandungan nutrisi menu yang divalidasi terhadap standar Angka Kecukupan Gizi (AKG) untuk anak usia 1–5 tahun. Klasifikasi dilakukan ke dalam tiga kategori: seimbang, tidak seimbang, dan berlebihan. Penelitian melibatkan tahapan preprocessing data, feature selection, normalisasi, serta pelatihan model menggunakan Random Forest. Evaluasi menggunakan akurasi, presisi, recall, serta f1-score. Hasil pengujian diperoleh algoritma bahwa Random Forest menghasilkan kinerja terbaik dengan akurasi 90%. Dari 136 menu, 9 diklasifikasikan sebagai seimbang, 59 tidak seimbang, dan 68 berlebihan. Penelitian ini membuktikan jika algoritma Random Forest bisa dijadikan alat yang efektif dalam pemantauan gizi balita
Implementasi Sensor GY-302 BH1750 untuk Penyesuaian Intensitas Cahaya pada Tanaman Selada dan Sawi Hidroponik: Implementation of the GY-302 BH1750 Sensor for Adjusting Light Intensity in Hydroponic Lettuce and Mustard Plants syahril, Muhammad; Sulistiani, Heni
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.v5i4.2281

Abstract

Penelitian ini mengimplementasikan sistem pengendalian intensitas cahaya otomatis untuk tanaman hidroponik selada dan sawi menggunakan sensor GY-302 BH1750, mikrokontroler ESP32, dan driver BTS7960. Sistem dirancang untuk secara otomatis mengatur intensitas cahaya sesuai kebutuhan spesifik masing-masing tanaman melalui mekanisme kontrol PWM. Pengujian dilakukan selama 8 jam dengan interval pencatatan per jam untuk dua mode tanaman berbeda. Hasil menunjukkan sistem berhasil mempertahankan intensitas cahaya pada rentang di bawah 3000 lux untuk tanaman sawi dan 4850-7890 lux untuk tanaman selada dengan akurasi tinggi dan stabilitas yang konsisten. Sistem ini terbukti mampu meningkatkan efisiensi energi hingga 40% dibandingkan sistem pencahayaan konvensional melalui penyesuaian intensitas yang presisi. Implementasi push button sebagai selector mode tanaman bekerja optimal dengan respon transisi yang cepat tanpa gangguan operasional. Temuan penelitian mengindikasikan bahwa sistem ini dapat menjadi solusi efektif untuk optimasi pertumbuhan tanaman hidroponik dengan konsumsi energi yang minimal
Integrasi Internet of Things dan Web untuk Monitoring Kendali Irigasi Tates Secara Real Time: Internet of Things and Web Integration for Real-Time Monitoring and Control of Tates Irrigation Fauzi, Fauzi; Amarudin, Amarudin
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.v5i4.2298

Abstract

Penelitian ini membahas pengembangan sistem irigasi tetes berbasis Internet of Things (IoT) yang terintegrasi dengan aplikasi web untuk monitoring dan kendali secara real-time. Sistem dirancang menggunakan mikrokontroler ESP32 yang terhubung dengan sensor ultrasonik untuk memantau ketinggian air dan pupuk, serta sensor soil moisture untuk mengukur kelembapan tanah. Data yang diperoleh dikirimkan ke server via protokol MQTT dan disimpan dalam basis data MySQL, kemudian ditampilkan melalui aplikasi web dalam bentuk numerik dan grafik. Hasil pengujian menunjukkan kinerja sistem yang andal, dimana sensor ultrasonik memiliki akurasi tinggi dengan error rata-rata 0.67%, sedangkan sensor soil moisture memiliki error di bawah 7%. Pompa air merespons perintah secara akurat baik secara manual maupun otomatis berdasarkan kondisi kelembapan tanah. Mode local server memungkinkan akses dashboard tanpa koneksi internet, sementara antarmuka yang sederhana dan user-friendly memudahkan pengguna dalam pemantauan. Integrasi grafik sensor memperjelas perubahan data secara visual, sehingga mempercepat proses pengambilan keputusan. Secara keseluruhan, sistem ini terbukti mampu meningkatkan efisiensi penggunaan air hingga 30% dan meminimalkan intervensi manual, sehingga menjadi solusi praktis dalam penerapan teknologi IoT untuk mendukung pertanian modern
Analisis Komparatif Kernel Linear, Polynomial, RBF, dan Sigmoid pada Support Vector Machine untuk Klasifikasi Penyakit Jantung: Comparative Analysis of Linear, Polynomial, RBF, and Sigmoid Kernels in Support Vector Machine for Heart Disease Classification Faradisia, Adeline; Pakereng, Magdalena A. Ineke
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.v5i4.2321

Abstract

Penyakit jantung masih menjadi salah satu penyebab utama kematian di berbagai belahan dunia, sehingga deteksi dini sangat diperlukan untuk menekan risiko yang mungkin timbul. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) dalam mengklasifikasikan risiko penyakit jantung dengan melakukan perbandingan kinerja empat jenis kernel, yaitu linear, polynomial, radial basis function (RBF), dan sigmoid. Dataset yang digunakan berasal dari open dataset “Heart Disease” di Kaggle yang berisi 303 data pasien dengan 13 atribut klinis, age, sex, jenis nyeri dada (cp), tekanan darah saat istirahat (trestbps), kolesterol serum (chol), gula darah puasa (fbs), hasil EKG istirahat (restecg), detak jantung maksimum (thalach), angina akibat olahraga (exang), depresi ST (oldpeak), kemiringan segmen ST (slope), jumlah pembuluh darah utama (ca), dan thal, serta satu target biner yang menunjukkan ada/tidaknya penyakit jantung. Proses penelitian meliputi pemuatan dataset dan eksplorasi awal, dilanjutkan pra-pemrosesan data, inisialisasi SVM, iterasi kernel, pelatihan model, prediksi pada data uji, serta evaluasi performa. Seluruh kernel dituning secara konsisten menggunakan GridSearchCV guna memperoleh konfigurasi optimal. Hasil evaluasi menunjukkan bahwa kernel polynomial memberikan performa terbaik dengan akurasi 88,52% dan F1-score 89%. Dengan demikian, kernel polynomial dinilai sebagai pilihan paling optimal untuk klasifikasi penyakit jantung menggunakan metode SVM
Kajian Analisis Variasi Jumlah Epoch Terhadap Persentase Kesesuaian Peta Batas Kampung dan Rupa Bumi Indonesia dengan Data Kartometrik Menggunakan Metode Deep Learning: Study of Variation Analysis of Epoch Number on the Percentage of Conformity of Village Boundary Maps and Indonesian Topography with Cartometric Data Using Deep Learning Methods Ilyas, Ilyas; Sari, Ratna Mustika; Sucipto, Ade Tri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2021

Abstract

Kepastian batas wilayah merupakan aspek fundamental dalam mendukung kewenangan daerah dan perencanaan pembangunan. Namun, inkonsistensi data batas di Kecamatan Rumbia, khususnya antara metode kartometrik, data Peta Batas Wilayah dari Badan Informasi Geospasial (PPBW BIG), dan Rupa Bumi Indonesia (RBI), sering menghambat pengelolaan sumber daya. Penelitian ini bertujuan menganalisis pengaruh variasi jumlah epoch pada model Deep Learning terhadap akurasi deteksi kesesuaian batas kampung. Metode penelitian mengintegrasikan Sistem Informasi Geografis (SIG) dan Convolutional Neural Network (CNN) dengan arsitektur tiga lapisan konvolusi. Data latih mencakup integrasi data kartometrik, PPBW BIG, RBI, dan Citra Tegak Satelit Resolusi Tinggi (CTSRT). Pengujian dilakukan dengan variasi epoch 100 hingga 500 menggunakan optimasi Stochastic Gradient Descent (SGD). Hasil menunjukkan bahwa peningkatan epoch berbanding lurus dengan performa model, di mana akurasi validasi mencapai 100% pada epoch 500 dengan tingkat kesesuaian data sebesar 98% berdasarkan Intersection over Union (IoU). Temuan ini menegaskan efektivitas CNN dalam analisis spasial presisi guna mendukung percepatan Kebijakan Satu Peta dan meminimalkan konflik batas wilayah.
Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor: Feature Selection Optimization Using the Hybrid ARO-DBSCAN Algorithm to Improve the Accuracy of the K-Nearest Neighbor Classification Model Arini, Florentina Yuni; Bagaskara, Josephin Nova; Anwar, Alfani Salsabilla; Faqih, Muhammad Najmuddin; Brata, Prayoga Adi; khairunnisa, Nadhia Adzqiya; Aji, Yusuf Pandu Satrio
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2129

Abstract

Penelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data.

Page 42 of 45 | Total Record : 441

 40   41   42   43   44 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 2 (2026): MALCOM April 2026 Vol. 6 No. 1 (2026): MALCOM January 2026 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