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 581 Documents
 43   44   45   46   47 
Implementasi Internet of Things pada Smart Aquaponics Menggunakan Sensor Level Air dan Sensor BH1750 untuk Monitoring Parameter Lingkungan Berbasis Web Dashboard: Implementation of an Internet of Things-Based Smart Aquaponics Using Water Level and BH1750 Light Sensors with Web-Based Environmental Monitoring Fera Darmayanti; S. Samsugi
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2582

Abstract

Sistem  aquaponik merupakan metode  budidaya yang menggabungkan perikanan dan pertanian dalam satu ekosistem, sehingga memerlukan monitoring parameter lingkungan secara optimal dan akurat. Permasalahan dalam sistem ini adalah kurangnya pemantauan kondisi volume air dan intensitas cahaya secara langsung, yang menimbulkan dampak pada pertumbuhan dan kesehatan ikan. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem smart aquaponics berbasis Internet of Things yang dapat memonitor level air dan intensitas cahaya melalui dashboard web. Sistem ini memanfaatkan sensor ultrasonik HC-SR04 sebagai pengukur level air dan sensor cahaya BH1750 sebagai pendeteksi intensitas cahaya. Hasil pengujian menunjukkan bahwa sensor ultrasonik memiliki error rate 0,70%, nilai MAE 0,54, dan standar deviasi 0,21, sedangkan sensor cahaya BH1750 memiliki error rate 0,35%, nilai MAE 0,35 lux, dan standar deviasi 0,12 lux. Rata-rata cahaya yang terukur sebesar 216,1 lux dengan kategori cukup terang untuk keperluan monitoring. Berdasarkan hasil pengujian tersebut, sistem mampu melakukan monitoring parameter lingkungan aquaponik secara akurat, stabil, dan real-time sehingga dapat mendukung pengelolaan sistem aquaponik serta menjadi solusi monitoring lingkungan aquaponik berbasis IoT dan menjadi dasar pengembangan sistem lebih lanjut.
Prediksi harga FCPO Bursa Malaysia Menggunakan Support Vector Regression Berbasis Particle Swarm Optimization: FCPO Malaysia Stock Exchange Price Prediction Using Particle Swarm Optimization-Based Support Vector Regression Fatwa Fatahillah Fatah; Roni Andarsyah; Cahyo Prianto
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2257

Abstract

Crude Palm Oil (CPO) merupakan komoditas minyak nabati strategis yang harganya dipengaruhi oleh dinamika penawaran dan permintaan global serta kebijakan perdagangan. Fluktuasi yang cepat dan sulit diprediksi ini berdampak pada seluruh rantai pasok dari petani hingga industri pengolahan dan pembuat kebijakan, sehingga dibutuhkan model prediksi yang akurat dan adaptif berbasis sinyal pasar harian. Penelitian ini membangun model Support Vector Regression (SVR) yang ditingkatkan menggunakan Particle Swarm Optimization (PSO), serta membandingkannya dengan SVR tanpa optimasi. Data yang digunakan dalam penelitian ini meliputi informasi harga harian minyak sawit (FCPO) di BURSA Malaysia Derivatives dari tahun 2020 hingga 2025. Hasil menunjukkan PSO menemukan konfigurasi yang efektif, dengan biaya minimum MSE = 0,018675, dan PSO-SVR melampaui SVR default, baik secara visual maupun secara metrik. Pada skala asli diperoleh MAE = 83,939, MAPE = 1,84%, RMSE = 119,881, dan R² = 0,9818. Hasil ini menunjukkan bahwa PSO-SVR mampu meningkatkan kinerja prediksi dibandingkan dengan SVR standar. Namun, nilai R² yang sangat tinggi perlu diinterpretasikan secara hati-hati mengingat karakteristik harga CPO yang volatil serta potensi risiko overfitting. Dengan demikian, PSO-SVR dapat dipertimbangkan sebagai pendekatan pendukung untuk prediksi harga CPO berbasis data pasar harian, dengan tetap memerlukan validasi berkala sebelum diterapkan dalam pengambilan keputusan operasional.
Prediksi Spasial Kebakaran Lahan dan Hutan Bangka Belitung Berbasis CNN-LSTM untuk Mendukung Ketahanan Pangan dan Pembangunan Berkelanjutan: Spatial Prediction of Land and Forest Fires in Bangka Belitung Based on CNN-LSTM to Support Food Security and Sustainable Development Yudistira Bagus Pratama; Mega Sukma
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2306

Abstract

Kebakaran hutan dan lahan di Provinsi Kepulauan Bangka Belitung telah meningkat secara signifikan. Studi ini bertujuan untuk mengembangkan model prediksi spasial-temporal untuk titik api kebakaran hutan dan lahan menggunakan pendekatan pembelajaran mendalam hibrida berdasarkan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Kebaruan penelitian ini terletak pada integrasi variabel lingkungan multi-sumber (NDVI, LST, kelembaban, curah hujan, dan kecepatan angin) dengan fitur spasial berbasis satelit untuk meningkatkan akurasi prediksi. Model dilatih menggunakan data kebakaran historis dan citra satelit multi-temporal, dan dievaluasi menggunakan Mean Absolute Error (MAE) dan metrik kerugian validasi. Hasil menunjukkan bahwa model CNN-LSTM yang diusulkan mencapai kinerja yang stabil dengan kesalahan validasi rendah (val_loss = 0,024) dan MAE berkisar antara 0,12–0,13. Hasil prediksi spasial menunjukkan bahwa zona kebakaran berisiko tinggi terkonsentrasi di Kabupaten Bangka Selatan dan Bangka, sementara peramalan temporal hingga tahun 2030 menunjukkan tren yang relatif stabil dengan risiko kebakaran yang terus-menerus di area tertentu. Temuan ini menunjukkan bahwa model yang diusulkan efektif dalam menangkap pola kebakaran spasial-temporal yang kompleks dan dapat mendukung sistem peringatan dini berbasis data dan kebijakan mitigasi kebakaran regional. Studi ini berkontribusi pada kemajuan aplikasi pembelajaran mendalam dalam prediksi risiko lingkungan, khususnya dalam mengintegrasikan pemodelan spasial dan temporal untuk pembangunan berkelanjutan.  
Assessment of Liquefaction Hazard Potential Using Decision Tree, Random Forest and Support Vector Machine: A Case Study of Samarinda, Indonesia Muhammad Rizqy Septyandy; Divo Dwi Bramantyo; Muhammad Amin Syam
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2541

Abstract

Earthquake-induced soil liquefaction is a major hazard for urban areas in Indonesia built on recent alluvial deposits. This study evaluates three supervised machine learning algorithms Decision Tree (DT), Random Forest (RF), and Support Vector Machine (SVM)  liquefaction hazard mapping in Samarinda, East Kalimantan. Four predictor variables were used: shear wave velocity (Vs30), peak ground acceleration (PGA), groundwater level (GWL), and slope. Because only four Cone Penetration Test (CPT) locations were available, the dataset was expanded to 532 labeled samples through stratified spatial sampling of a previously published CPT-based fuzzy GIS liquefaction map. An 80:20 train-test split was used, and SMOTE was applied only to the training data to address class imbalance. Model performance was evaluated using accuracy, precision, recall, F1-score, and confusion matrices. DT achieved the best performance with an accuracy and weighted F1-score of 0.87, followed by SVM (0.80) and RF (0.78). The resulting hazard map classified Samarinda into Very Low (68%), Low (6%), High (7%), and Very High (19%) hazard zones. High-risk areas were concentrated in the eastern part of the city, where shallow groundwater, Sulfaquent soils, and recent alluvial deposits are present.
Perbandingan Kinerja Model GRU dan CNN-1D untuk Analisis Sentimen Pergantian Menteri Keuangan pada Media Sosial X: Performance Comparison of GRU and CNN-1D in Sentiment Analysis for the Minister of Finance Replacement on Social Media X Yoggy Montana Hendry; Gerry Firmansyah; Hani Dewi Ariessanti; Agus Herwanto
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2556

Abstract

Media sosial X (sebelumnya Twitter) telah menjadi sumber penting untuk memahami opini publik terhadap berbagai isu sosial dan politik. Salah satu isu yang memicu beragam tanggapan masyarakat adalah pergantian Menteri Keuangan Purbaya Yudhi Sadewa. Penelitian ini bertujuan membandingkan kinerja dua arsitektur deep learning, yaitu Convolutional Neural Network satu dimensi (CNN-1D) dan Gated Recurrent Unit (GRU), dalam mengklasifikasikan sentimen publik berbahasa Indonesia ke dalam kategori positif, netral, dan negatif. Sebanyak 3.567 tweet dikumpulkan melalui API resmi platform X dalam periode 8 September hingga 8 Oktober 2025. Data diproses melalui tahapan pembersihan (cleansing data), case folding, normalisasi, dan tokenisasi. Pelabelan sentimen dilakukan menggunakan pendekatan berbasis leksikon (InSet), menghasilkan distribusi positif sebesar 1.957 (54,86%), negatif sebesar 934 (26,18%), dan netral sebesar 676 (18,95%). Hasil evaluasi menunjukkan bahwa CNN-1D mengungguli GRU dengan akurasi 80%, dibandingkan dengan 65% pada GRU. CNN-1D lebih efektif dalam mengekstraksi fitur lokal pada teks pendek, sedangkan GRU berfokus pada pemodelan dependensi sekuensial. Temuan ini menegaskan pentingnya kesesuaian antara arsitektur model dan karakteristik data dalam analisis sentimen pada teks pendek.
Pengembangan Model Analisis Sentimen Teradaptasi Budaya untuk UMKM Indonesia: Pendekatan Mixed-Method dengan IndoBERT : Development of Culturally-Adapted Sentiment Analysis Model for Indonesian SMEs: A Mixed-Method Approach with IndoBERT Deshandra Afga Nagara; Sugeng Rifqi Mubaroq
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2593

Abstract

Pelaku UMKM Indonesia berhadapan dengan kesulitan memanfaatkan data media sosial sebagai pijakan pengambilan keputusan bisnis. Sekalipun 99,9% pelaku usaha tanah air berstatus UMKM, kapasitas mereka mengurai sentimen konsumen secara sistematis tetap sangat terbatas. Studi ini berargumen bahwa diperlukan model analisis sentimen yang diadaptasi secara kultural-linguistik untuk konteks UMKM Indonesia, yang dikembangkan melalui pendekatan Mixed-Method sequential exploratory. Pada fase kualitatif, Focus Group Discussion (FGD) digelar bersama 15 pelaku UMKM di Jawa Barat guna menggali kebutuhan dan konteks bisnis aktual. Fase kuantitatif lantas membangun model berbasis IndoBERT (indobenchmark/indobert-base-p1) yang di-fine-tune memakai 12.899 komentar media sosial dari empat platform: Instagram, TikTok, Facebook, dan Twitter. Tahap preprocessing memuat tiga elemen adaptasi kultural, kamus sentimen Islami, pemetaan emoji, serta normalisasi bahasa informal. Pada test set, model menorehkan akurasi 97% dengan weighted F1-score 0,97. Pada sisi kualitatif, ditemukan tiga tema dominan: Digital Paradox, logika Risk-Minimization, dan hambatan Human Capital di kalangan pelaku UMKM. Kontribusi penelitian ini terletak pada pipeline NLP teradaptasi budaya untuk bahasa Indonesia informal di media sosia.
Tourism Marketing Intelligence: Machine Learning for Demand Forecasting Using Google Trends in Indonesia Ghofar, Khidhir Akbar; Hidayat, Muhammad Alif; Adib, Adib
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2628

Abstract

Tourism demand forecasting remains challenging due to the dynamic nature of consumer behavior and the lag in traditional economic indicators. This study investigates the predictive power of online search behavior captured through Google Trends in forecasting international tourist arrivals to Indonesia, integrating digital footprints with macroeconomic indicators using machine learning approaches. Monthly data spanning January 2011 to December 2024 (N=168) were collected from multiple sources: tourist arrivals from Statistics Indonesia, Google Trends composite index from 11 destination-related keywords, exchange rates, and consumer price index. Three machine learning algorithms Random Forest, XGBoost, and LSTM were compared using temporal train-test split (80:20). Random Forest demonstrated superior performance with Test MAPE of 14.12% and R² of 0.811, outperforming XGBoost (MAPE 21.41%) and LSTM (MAPE 24.56%). Feature importance analysis revealed that Google Trends emerged as the second most important predictor (12.22% contribution), surpassing all economic indicators combined (7.20%), validating its role as a leading indicator of tourism demand. This study contributes methodologically by providing empirical evidence for the value of integrating digital behavioral signals with traditional predictors in emerging destination contexts, and practically by demonstrating deployment-ready forecasting accuracy for tourism stakeholders in Indonesia.
Optimasi LayoutLMv3 untuk DocVQA pada Tabel Statistik Melalui Fine-Tuning dan Semantic Mapping: Optimization of LayoutLMv3 for DocVQA on Statistical Tables via Fine-Tuning and Semantic Mapping Ansari A., D. Achmad; Hazriani, Hazriani; Yuyun, Yuyun
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2632

Abstract

Penelitian ini mengoptimalkan model LayoutLMv3 untuk tugas Document Visual Question Answering (DocVQA) pada tabel statistik melalui kombinasi Continual Fine-tuning (CFT) yang mengintegrasikan normalisasi koordinat 2D dan patch embedding visual, serta lapisan logika Semantic Similarity Mapping (SSM) untuk menangani variasi pertanyaan. Dataset mandiri dibangun dari 398 gambar tabel publikasi BPS "Kabupaten Pinrang Dalam Angka 2025" dengan 19.900 pasangan QA. Hasil evaluasi menunjukkan Training Loss turun dari 3,72 menjadi 0,63, ROUGE-1 mencapai 74,06%, dan akurasi human validation  meningkat dari 0% (zero-shot) menjadi 41% (CFT) dan 51% (CFT+SSM). Akurasi tertinggi 100% dicapai pada tabel dengan header tiga level. Pendekatan multimodal ini efektif meningkatkan pemahaman struktur tabel statistik, namun generalisasi pada tabel kompleks masih terbatas oleh dataset.
Prediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree: Predicting Student Graduation Rates Using the Decision Tree Algorithm Septiani, Riska; Ningsih, Listina Nadhia; Pramadjaya, Angga
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2650

Abstract

Tingkat kelulusan mahasiswa merupakan salah satu indikator penting dalam menilai kualitas proses pendidikan di perguruan tinggi. Institusi pendidikan perlu melakukan analisis terhadap data akademik mahasiswa untuk memprediksi kemungkinan kelulusan sehingga dapat mengambil langkah strategis dalam meningkatkan keberhasilan studi mahasiswa. Penelitian ini bertujuan untuk melakukan prediksi tingkat kelulusan mahasiswa menggunakan metode Decision Tree. Metode ini dipilih karena mampu mengklasifikasikan data serta menghasilkan model yang mudah dipahami dalam bentuk aturan keputusan. Data yang digunakan dalam penelitian ini meliputi beberapa atribut akademik mahasiswa, seperti indeks prestasi, lama masa studi, jumlah SKS yang telah ditempuh, serta faktor pendukung lainnya yang berkaitan dengan proses akademik. Tahapan penelitian meliputi proses pengumpulan data, pra-pemrosesan data (data preprocessing), pembangunan model menggunakan algoritma Decision Tree, serta evaluasi terhadap hasil prediksi yang dihasilkan. Hasil analisis menunjukkan bahwa persentase mahasiswa yang memperoleh predikat “Dengan Pujian” pada tahun 2025 sebesar 6,01% dan meningkat menjadi 6,67% pada tahun 2026, dengan nilai rata-rata (mean) sebesar 6,34%. Namun demikian, berdasarkan hasil prediksi menggunakan metode Decision Tree, persentase mahasiswa yang diperkirakan memperoleh predikat Dengan Pujian menurun menjadi 3,00%, atau mengalami penurunan sekitar 3,34% dari rata-rata sebelumnya. Hal ini mengindikasikan bahwa dalam pola data yang dianalisis terdapat kecenderungan penurunan jumlah mahasiswa yang mampu mencapai prestasi akademik tertinggi.
Klasifikasi Kondisi Isolator Menggunakan Logistic Regression dan Support Vector Machine dengan Analisis Citra Berbasis VGG-16, VGG-19, dan Inception V3: Classification of Insulator Conditions Using Logistic Regression and Support Vector Machine with Image Analysis Based on VGG-16, VGG-19, and Inception V3 Purwaningtyas, Aris; Yuadi, Imam
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2652

Abstract

Keandalan sistem ketenagalistrikan sangat bergantung pada kondisi isolator sebagai komponen yang mencegah kebocoran arus listrik, karena kerusakannya dapat memicu gangguan hingga pemadaman berskala luas. Meskipun inspeksi menggunakan Unmanned Aerial Vehicle (UAV) semakin banyak diterapkan, analisis visual masih dilakukan secara manual sehingga cenderung subjektif, tidak konsisten, dan memerlukan waktu yang lama. Penelitian ini mengembangkan sistem klasifikasi kondisi isolator berbasis citra menggunakan platform Orange Data Mining. Model pre-trained Deep Convolutional Neural Network (DCNN), yaitu VGG-16, VGG-19, dan Inception V3, dimanfaatkan sebagai feature extractor, sedangkan Logistic Regression dan Support Vector Machine (SVM) digunakan sebagai algoritma klasifikasi untuk membedakan isolator normal dan terkontaminasi. Dataset terdiri atas 168 citra isolator keramik dan kaca yang diperoleh melalui inspeksi lapangan menggunakan drone. Evaluasi dilakukan menggunakan 5-fold stratified cross-validation untuk menjaga distribusi kelas pada setiap fold. Hasil menunjukkan bahwa kombinasi VGG-19 dan Logistic Regression memberikan performa terbaik dengan akurasi 96,4%, AUC 0,986, dan Matthews Correlation Coefficient (MCC) 0,929, serta menurunkan false positive menjadi 3,6%. Temuan ini menunjukkan efektivitas pendekatan hybrid DCNN–machine learning untuk deteksi dini kondisi isolator secara otomatis.

Page 45 of 59 | Total Record : 581

 43   44   45   46   47 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue Vol. 6 No. 4 (2026): MALCOM October 2026 Vol. 6 No. 3 (2026): MALCOM July 2026 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