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 439 Documents
 40   41   42   43   44 
Development of Augmented Reality-Based Anatomy Learning Media (ARANOMI) for Vocational Health Students Sahria, Yoga; Utami, Edwina Nur
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.v6i1.2374

Abstract

This study aims to develop and implement the Augmented Reality Anatomy and Physiology (ARANOMI) application as an innovative learning medium in nursing education, specifically for understanding anatomy and physiology and promoting the practice of clean and healthy living (PHBS). The application is designed as a mobile-based platform supported by WebAR and contains content such as 3D organ models, explanations of physiological functions, and integrated PHBS education. The research employed a Research and Development (R&D) approach, consisting of stages of design, development, and implementation. The implementation results among nursing students showed a positive impact on their understanding and learning motivation. Based on the evaluation, 87% of students reported that learning became more engaging, while 82% stated they felt more motivated to study anatomy and physiology. In addition, most students actively participated in group discussions and independent exploration through the application. Student enthusiasm indicates that ARANOMI provides a more realistic, interactive, and contextual learning experience. However, several technical challenges were identified, including long loading times for 3D models on low-specification devices and dependence on a stable internet connection. This study concludes that the ARANOMI application effectively supports the anatomy and physiology learning process using augmented reality technology, enhances student engagement.
Exploring the Evolution of Electric Vehicle Charging Infrastructure: A Bibliometric Perspective on Public Electric Vehicle Charging Station Location Planning Notopramono, Hanna; Irawan, Mohammad Isa
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.v6i1.2375

Abstract

The rapid expansion of electric vehicles (EVs) is a crucial factor in achieving low-carbon mobility and promoting sustainable regional development. The attainment of this objective depends on technological advancement, institutional readiness, spatial equity, and governance capabilities. The establishment of Stasiun Pengisian Kendaraan Listrik Umum (SPKLU) in Indonesia must be understood within a framework that connects infrastructure planning to social, economic, and political factors.   This research analyzes the evolution of international scientific dialogue regarding EV charging infrastructure through a bibliometric lens, focusing on publications from 2010 to 2025.  This study utilizes Scopus data and analytical tools, including VOSviewer and Publish or Perish, to identify leading authors, key journals, and emerging subject trends.   The results suggest that future SPKLU planning in Indonesia requires an integrated framework that aligns technological precision with public governance principles.   This approach should account for decentralization dynamics, regional disparities, and institutional capacity, ensuring that improvements to EV infrastructure contribute to carbon-reduction goals while fostering equitable and sustainable regional development.
Analisis Usability dan Credibility Platform IPB DiSign Menggunakan System Usability Scale dan User Experience Honeycomb: Usability and Credibility Analysis of IPB DiSign Platform Using System Usability Scale and User Experience Honeycomb Salsabila, Erisa; Rohman, Afif Aulia; Putri, Zafira Ryani; Karundeng, Julyandre Hikari; Abdullah, Muhammad Fauzi; Fami, Amata
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.v6i1.2396

Abstract

Transformasi digital dalam sistem birokrasi menuntut adopsi tanda tangan digital sebagai solusi efisien. Penelitian ini menganalisis usability dan credibility platform IPB DiSign menggunakan metode System Usability Scale (SUS) dan model UX Honeycomb faset Credible. Hasil pengujian menunjukkan skor SUS sebesar 63,92, yang secara kualitatif dikategorikan sebagai Marginal menurut standar acuan (Lewis, 2018) [10]. Meskipun sistem memiliki fungsionalitas yang memadai, analisis per item mengungkapkan kelemahan pada aspek learnability. Sementara itu, skor credibility mencapai 4,2381 pada skala 1–5 yang mengindikasikan persepsi positif pengguna terhadap indikator kepercayaan (trustworthiness), otoritas, dan keandalan sistem. Analisis statistik menggunakan Uji Korelasi Spearman () dan Uji Signifikansi () menunjukkan bahwa hubungan antara usability dan credibility tidak signifikan secara statistik (). Hal ini mengindikasikan bahwa kemudahan antarmuka tidak secara otomatis menjamin peningkatan kepercayaan pengguna. Oleh karena itu, perbaikan sistem harus diprioritaskan pada transparansi keamanan dan edukasi sistem dibandingkan sekadar optimalisasi tampilan.
Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni: Clustering Analysis Using the K-Means Method to Identify Alumni Satisfaction Pattern Ramadhan, Muhammad Ilham; Nazir, Alwis; Irsyad, Muhammad; Sanjaya, Suwanto; Syafria, Fadhilah
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.v6i1.2401

Abstract

Tracer study berperan penting dalam mengevaluasi kualitas layanan pendidikan berdasarkan pengalaman alumni. Analisis kepuasan alumni terhadap fasilitas pembelajaran umumnya masih terbatas pada statistik deskriptif, sehingga belum mampu mengungkap pola kepuasan secara tersegmentasi pada data berskala besar. Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi kepuasan alumni terhadap fasilitas pembelajaran di Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) sebagai indikator penting dalam evaluasi kualitas layanan pendidikan. Metode yang digunakan adalah K-Means Clustering, diimplementasikan melalui tahapan Knowledge Discovery in Database (KDD) pada 6.508 data tracer study alumni S1 lulusan 2010–2023. Proses preprocessing mencakup normalisasi data numerik menggunakan Min-Max Scaling untuk menyamakan skala enam indikator kepuasan (Perpustakaan, Teknologi Informasi, Modul Belajar, Ruang Belajar, Laboratorium, dan Variasi Mata Kuliah), sehingga meminimalkan bias dalam perhitungan jarak Euclidean. Berdasarkan Elbow Method, diperoleh jumlah klaster optimal adalah K=3, dan kualitas pengelompokan divalidasi dengan nilai Davies-Bouldin Index (DBI) sebesar 0,874, mengonfirmasi stabilitas klaster yang terbentuk. Analisis menghasilkan tiga klaster berbeda: Klaster 0 (Tingkat Kepuasan Tinggi) yang dominan, Klaster 1 (Tingkat Kepuasan Rendah), dan Klaster 2 (Tingkat Kepuasan Sangat Tinggi). Hasil ini memberikan segmentasi kepuasan yang eksplisit sebagai dasar bagi universitas untuk merumuskan strategi peningkatan fasilitas secara terarah dan berkelanjutan.
Implementasi Large Language Models dalam Rancang Bangun Aplikasi Computer-Assisted Test Mobile Berbasis Android : Implementation of Large Language Models in the Design of Android-Based Computer-Assisted Test Mobile Applications Natadisastro, Yoga; Harahap, Nazruddin Safaat; Novriyanto, Novriyanto; Darmizal, Teddie
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.v6i1.2402

Abstract

Perkembangan teknologi digital telah mendorong penerapan Computer Assisted Test (CAT) sebagai sarana evaluasi pembelajaran yang mampu meningkatkan efisiensi dan ketepatan pelaksanaan ujian. Meskipun demikian, sebagian besar sistem CAT yang ada masih berbasis web, sehingga fleksibilitas penggunaan pada perangkat mobile belum optimal dan proses penyusunan soal ujian masih memerlukan waktu yang relatif lama. Penelitian ini bertujuan untuk merancang dan mengembangkan aplikasi CAT berbasis mobile Android yang terintegrasi dengan Large Language Models (LLM) guna mendukung pembuatan soal ujian secara otomatis. Proses pengembangan sistem dilakukan dengan menggunakan metode Rapid Application Development (RAD) agar tahapan analisis, perancangan, dan implementasi dapat dilakukan secara lebih cepat dan adaptif. Hasil pengujian menunjukkan bahwa aplikasi yang dikembangkan berfungsi dengan baik dan memperoleh tingkat penerimaan pengguna sebesar 89% berdasarkan hasil User Acceptance Test (UAT). Integrasi LLM dalam aplikasi CAT mobile mampu meningkatkan efisiensi dalam pembuatan soal serta mendukung pelaksanaan ujian digital yang lebih fleksibel dan efektif.
Pemodelan Topik dan Analisis Sentimen pada Ulasan Pengguna Aplikasi Trans Jatim: Topic Modeling and Sentiment Analysis on Trans Jatim Application User Reviews Yanuar, Maria Ulfa; Wibowo, Wahyu
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.v6i1.2410

Abstract

Transportasi publik berperan penting dalam menyediakan mobilitas masyarakat, mengurangi kemacetan, dan menekan dampak lingkungan akibat penggunaan kendaraan pribadi. Untuk menunjang efektivitas layanan tersebut, Pemerintah Provinsi Jawa Timur menghadirkan aplikasi Trans Jatim Ajaib sebagai sarana digital yang memberikan informasi jadwal, rute, dan pelacakan bus Trans Jatim secara real-time. Keberhasilan aplikasi ini tidak hanya bergantung pada fitur teknologi, tetapi juga pada pengalaman dan persepsi pengguna yang tercermin dalam ulasan di platform digital. Penelitian ini bertujuan untuk memodelkan topik ulasan pengguna aplikasi Trans Jatim menggunakan Latent Dirichlet Allocation (LDA) dan menganalisis sentimennya menggunakan model IndoBERT. Hasil analisis menunjukkan bahwa LDA berhasil mengidentifikasi 5 topik utama dengan fokus terbesar pada aspek kenyamanan dan jadwal rute. Analisis sentimen menggunakan model IndoBERT mencapai tingkat akurasi sebesar 88,2% yang menunjukkan kinerja model yang andal dalam mengklasifikasikan sentimen pengguna. Secara umum, mayoritas ulasan pengguna bersentimen positif terutama pada aspek informasi aplikasi dan jalur sedangkan perbaikan prioritas diperlukan pada fitur pembayaran untuk meningkatkan kualitas layanan secara keseluruhan.
Predictive Analytics for Property Valuation Using Random Forest in Malang City Noorihsan, Sandrian Yulian Firmansyah; Widhianingsih, Tintrim Dwi Ary; Kuswanto, Heri
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.v6i1.2411

Abstract

The property market in Malang City continues to expand alongside rising housing demand, yet limited price transparency still constrains informed decision-making for buyers, sellers, and developers. This study develops a data-driven property price prediction model using the Random Forest algorithm, selected for its robustness and ability to capture complex nonlinear relationships. An initial dataset of 4,358 property listings was collected through web scraping from Rumah123.com, and after thorough preprocessing including data cleaning, handling missing values, and feature refinement 1,573 valid observations remained for analysis. The model incorporates key property characteristics, covering temporal variables (month, year), physical attributes (land area, building area, number of bedrooms and bathrooms, electricity capacity, number of floors), property characteristics (certificate type, property type, property condition, furniture condition, hook position), and price information. Using optimally tuned hyperparameters, the final Random Forest model achieved an R² of 76.66% and a MAPE of 25.27%, indicating strong predictive performance relative to standard regression benchmarks. These findings offer managerial implications by providing objective, data-driven price estimates that can support developers, agents, and prospective buyers in pricing decisions, marketing strategies, and fair value assessments during negotiations.
Analisis Komparasi Algoritma Machine Learning untuk Prediksi Harga Sewa Properti Komersial: Comparative Analysis of Machine Learning Algorithms for Predicting Commercial Property Rental Prices Yantono, Dwi Juli Yantono; Puspaningrum, Nabila Rahmawati; Zein, Salsabila Amani; Marani, Adolfintje Hawila Amberam Winona Resky; Namat, Gregorius Januario
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.v6i1.2412

Abstract

Penentuan harga sewa properti komersial (ruko) di Kota Tangerang Selatan seringkali menghadapi kendala inefisiensi akibat metode penilaian yang subjektif dan heterogenitas pasar. Penelitian ini bertujuan untuk mengembangkan model prediksi harga sewa yang objektif dengan membandingkan tiga algoritma Machine Learning: Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Support Vector Regression (SVR). Dataset terdiri dari 275 data listing yang dikumpulkan melalui teknik web scraping dari platform Lamudi pada Desember 2025. Fitur yang digunakan meliputi luas bangunan dan lokasi (kecamatan). Hasil evaluasi menggunakan data testing menunjukkan bahwa Random Forest adalah model terbaik dengan skor R-Squared () sebesar 0,6801 dan Mean Absolute Percentage Error (MAPE) sebesar 27,40%. Sebaliknya, XGBoost dan SVR menunjukkan performa buruk dengan nilai   negatif, mengindikasikan ketidakmampuan menangkap pola data secara efektif pada dataset berskala kecil. Analisis fitur penting (feature importance) mengungkapkan bahwa luas bangunan menjadi faktor paling dominan yang memengaruhi harga sewa dibandingkan lokasi. Penelitian ini membuktikan bahwa Random Forest merupakan metode yang robust untuk valuasi properti dalam konteks manajemen aset publik.
Evaluasi Machine Learning untuk Prediksi Pembatalan Hotel dengan Threshold Adjustment dan Cost-Based Evaluation: Machine Learning Evaluation for Hotel Cancellation Prediction with Threshold Adjustment and Cost-Based Evaluation Solang, Efraim William; Adu, Franco Xander; Dharma, Agus; Gunantara, Nyoman
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.v6i1.2466

Abstract

Pembatalan pemesanan hotel merupakan permasalahan krusial yang berdampak langsung pada pendapatan dan perencanaan operasional. Penelitian ini mengevaluasi penerapan threshold adjustment dan cost-based evaluation untuk meningkatkan kualitas pengambilan keputusan bisnis. Penelitian ini melibatkan perbandingan beberapa jenis model machine learning menggunakan dataset hotel booking demand. Kinerja model dinilai menggunakan metrik F0.5-Score, precision, ROC AUC, dan pendekatan cost-based evaluation berbasis net revenue. Hasil penelitian menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan F0.5-Score 0.8279, precision 0.878 dan ROC AUC 0.9165. Model lain seperti Logistic Regression (baseline) dengan F0.5-Score 0.7816, XGBoost dengan F-.5-Score 0.8108 dan ANN dengan F0.5-Score 0.8091 menunjukan performa lebih relatif lebih rendah, mengindikasikan bahwa dataset ini lebih cocok menggunakan pendekatan ensamble learning. Temuan penting mengungkapkan bahwa penyesuaian threshold berdasarkan F0.5-Score tidak selalu menghasilkan keuntungan ekonomi maksimum. Penggunaan threshold (0.52) terbukti menghasilkan nilai net revenue lebih tinggi dibandingkan threshold optimal berbasis F0.5-Score. Pendekatan ini diharapkan dapat meningkatkan kualitas pengambilan keputusan bisnis bagi manajer hotel dalam pengelolaan risiko finansial.

Page 44 of 44 | Total Record : 439

 40   41   42   43   44 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue 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