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 485 Documents
 44   45   46   47   48 
Penerapan Metode Simple Additive Weighting untuk Pendukung Keputusan untuk Pemilihan Siswa Berprestasi: Application of the Simple Additive Weighting Method in a Decision Support System for Outstanding Student Selection Ferryal Martin; Aditia Yudhistira
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.v6i3.2666

Abstract

Pemilihan siswa berprestasi merupakan hal penting untuk meningkatkan mutu pendidikan dan memotivasi siswa agar lebih kompetitif. Namun, proses penentuan siswa berprestasi di sekolah masih sering dilakukan secara manual dan subjektif, sehingga hasilnya kurang transparan dan rawan menimbulkan ketidakpuasan. Penelitian ini bertujuan menerapkan metode Simple Additive Weighting (SAW) untuk menentukan siswa berprestasi berdasarkan kriteria yang telah ditetapkan, dengan studi kasus di SMAN 1 Pesisir Utara. Perhitungan SAW dalam penelitian ini dilakukan dengan bantuan Microsoft Excel sebagai alat bantu pengolahan data, bukan dengan membangun sistem aplikasi. Urgensi penelitian ini terletak pada kebutuhan sekolah akan metode penilaian yang objektif, terukur, dan dapat dipertanggungjawabkan untuk mengurangi bias dalam pengambilan keputusan. Penyelesaian masalah dilakukan dengan menghitung nilai setiap alternatif siswa menggunakan langkah-langkah metode SAW di Excel. Kriteria yang digunakan meliputi nilai rapor, tingkat kehadiran, prestasi akademik/non-akademik, dan penilaian sikap. Setiap kriteria diberikan bobot sesuai tingkat kepentingannya, kemudian dilakukan normalisasi matriks dan perhitungan nilai preferensi untuk seluruh alternatif siswa di SMAN 1 Pesisir Utara. Hasil perhitungan menunjukkan bahwa siswa dengan kode A1 memperoleh nilai preferensi tertinggi yaitu 0,9. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode SAW yang diimplementasikan menggunakan Excel efektif digunakan untuk menentukan siswa berprestasi di SMAN 1 Pesisir Utara secara objektif dan transparan.
Integrasi K-Means dan Random Forest untuk Rekomendasi Menu Makanan Bergizi (MBG) Berdasarkan Usia Penerima: Integration of K-Means and Random Forest for Recommendation of Nutritious Food Menu (MBG) Based on Recipient Age Miftahul Jannah; Ajang Sopandi; Ryan Zulham Ramadhani; Hengki Rusdianto; Khelvin Ovella Putra
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.v6i3.2671

Abstract

Program Makan Bergizi Gratis (MBG) bertujuan meningkatkan kualitas gizi anak-anak sebagai upaya mendukung pertumbuhan dan kesehatan peserta didik, namun implementasinya menu makanan MBG yang diberikan setiap harinya masih belum sesuai dengan kebutuhan peserta didik disekolah karena tidak berdasarkan kelompok usia. Perbedaan usia, berat badan, dan tinggi badan memengaruhi kebutuhan nutrisi sehingga diperlukan pendekatan berbasis data untuk menghasilkan rekomendasi menu makanan MBG yang tepat. Penelitian ini mengusulkan integrasi algoritma K-Means Clustering dan Random Forest untuk mengelompokkan penerima berdasarkan kelompok usia peserta didik sehingga nutrisi yang diberikan sesuai dengan rekomendasi status gizi WHO serta Angka Kecukupan Gizi (AKG) Kementerian Kesehatan RI. Data yang digunakan berjumlah 1190 data menu pangan sebagai studi awal pengembangan sistem. Hasil clustering digunakan sebagai dasar pengelompokan menu makanan berdasarkan kategori gizi dari data menu pangan dan menggunakan Random Forest dalam menentukan menu harian berdasarkan data AKG. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu memberikan rekomendasi menu makanan bergizi secara otomatis sesuai dengan karakteristik individu. Penelitian ini menunjukkan bahwa integrasi metode clustering dan klasifikasi efektif dalam mendukung sistem rekomendasi menu makanan bergizi berbasis data.
Multi-Source Sentiment Analysis of Shopee Tokopedia Using Hybrid Machine Learning for Customer Relationship Management Optimization R. Nyi Pipih Kurniasari; Muthia Ramadhani; Khansa Putri Amanda; Fathoni Fathoni; Ali Ibrahim
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.v6i3.2672

Abstract

Sentiment analysis on marketplace customer reviews is important for understanding user perceptions and supporting Customer Relationship Management (CRM) strategies. This study proposes a multi-source sentiment analysis approach based on big data from Shopee and Tokopedia platforms using Hybrid Machine Learning. The research process includes data collection, preprocessing, TF-IDF feature extraction, and classification using Support Vector Machine (SVM) and Random Forest techniques. The preprocessing stage consists of case folding, tokenization, stopword removal, and stemming to improve the quality of textual data. The TF-IDF method is used to transform text data into numerical features before classification. The evaluation results show that the SVM model achieved an accuracy of 97.49%, while the Random Forest model achieved 97.47%. The sentiment distribution indicates a strong positive bias, reflecting high customer satisfaction with marketplace services. However, negative sentiment persisted, mainly due to delivery delays, application errors, and customer service issues. The proposed hybrid approach can provide data-driven insights to improve service quality and support decision-making in CRM strategies.
Prediksi Pembatalan Pemesanan Hotel: Random Forest dan XGBoost dengan Pipeline Leak-Free dan Ablation Study: Hotel Booking Cancellation Prediction: Random Forest and XGBoost with Leak-Free Pipeline and Ablation Study Fanes Arasadina; Singgih Briandoko; Muhammad Akbar Setiawan
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.v6i3.2674

Abstract

Pembatalan pemesanan hotel menyebabkan inefisiensi operasional dan kerugian finansial hingga 20% dari potensi pendapatan harian. Penelitian ini bertujuan mengembangkan dan membandingkan model prediksi pembatalan menggunakan Random Forest dan XGBoost pada 119.390 data pemesanan hotel, serta mengidentifikasi faktor dominan pembatalan sebagai dasar strategi manajemen pendapatan. Empat perbaikan metodologis diterapkan, yaitu IQR capping berbasis train set, ablation study untuk mengevaluasi deposit_type, OrdinalEncoder post-split, dan pembagian data stratified 70:15:15. Ablation study menunjukkan deposit_type tidak berkontribusi signifikan (delta AUC = 0,0006) sehingga dikeluarkan. Kedua model dioptimasi menggunakan GridSearchCV dengan 3-fold cross-validation. Tuned Random Forest menghasilkan performa terbaik dengan ROC-AUC 0,9394, accuracy 0,8749, precision 0,8691, dan F1-score 0,8219, sementara Tuned XGBoost unggul pada recall (0,8345) untuk early warning. Learning curve mengonfirmasi Tuned XGBoost memiliki generalisasi lebih baik (gap 0,0345) dibandingkan Tuned Random Forest (gap 0,0697). Seluruh perbedaan performa dikonfirmasi signifikan melalui uji McNemar (p < 0,05). Feature importance mengidentifikasi lead_time (12,42%) sebagai prediktor utama pada Random Forest (semakin panjang jarak pemesanan ke kedatangan, semakin tinggi risiko pembatalan), sementara room_type_match (17,40%) mendominasi XGBoost, mengindikasikan ketidaksesuaian kamar sebagai faktor pembatalan yang signifikan secara operasional. Temuan ini memberikan landasan empiris bagi manajemen hotel dalam merancang strategi intervensi berbasis risiko secara proaktif.
Knowledge Discovery untuk Identifikasi Atribut Dominan Depresi Mahasiswa Menggunakan Random Forest: Knowledge Discovery for Identifying Dominant Attributes of Student Depression Using Random Forest Nur Salwa Fadia Akmar; Gerri Asa Saputra; M. Suandi; Muhammad Yusuf; Alsella Meiriza; Ken Ditha Tania; Ahmad Rifai
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.v6i3.2684

Abstract

Depresi merupakan gangguan kesehatan mental yang umum dialami Mahasiswa dan dipengaruhi oleh faktor sosial, akademik, serta psikologis. Penelitian ini bertujuan untuk mengidentifikasi atribut dominan depresi pada Mahasiswa menggunakan pendekatan data mining dalam kerangka Knowledge Discovery in Databases (KDD). Kebaruan penelitian ini terletak pada integrasi seleksi fitur Weight by Information Gain dan klasifikasi Random Forest untuk mengukur kontribusi atribut secara kuantitatif. Dataset Student Mental Health yang digunakan berjumlah 101 data, dengan distribusi kelas yang tidak seimbang. Hasil menunjukkan bahwa Marital Status merupakan atribut yang paling dominan, diikuti oleh Treatment, Anxiety, dan Panic Attack. Model menghasilkan akurasi sebesar 80,36%. Penelitian ini menunjukkan bahwa pendekatan yang digunakan tidak hanya mampu melakukan klasifikasi, tetapi juga mampu mengidentifikasi faktor dominan depresi pada Mahasiswa secara objektif.
Perancangan UI/UX Logbook Keperawatan Rumah Sakit Menggunakan Metode Design Thinking: UI/UX Design for Hospital Nursing Logbook Using Design Thinking Method Rifqi Nabil Akbar; Kristoko Dwi Hartomo
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.v6i3.2687

Abstract

Rumah Sakit Dr. Oen Solo Baru merupakan institusi kesehatan di bawah Yayasan Kesehatan Panti Kosala yang berkomitmen terhadap peningkatan mutu pelayanan keperawatan. Untuk mendukung hal tersebut, diperlukan sistem dokumentasi logbook keperawatan yang mampu meningkatkan efisiensi, akurasi data, dan transparansi dalam evaluasi kinerja perawat. Namun, proses pencatatan logbook masih menghadapi kendala, seperti pencatatan yang kurang terstruktur, keterlambatan pengisian, kesulitan merekapitulasi data, serta pemantauan oleh kepala unit yang belum optimal. Oleh karena itu, penelitian ini berfokus pada perancangan sistem informasi logbook keperawatan berbasis web sebagai solusi atas permasalahan tersebut. Agar sistem yang dirancang tepat sasaran, penelitian ini mengadopsi pendekatan Design Thinking. Melalui metode ini, perancangan User Interface (UI) dan User Experience (UX) diarahkan untuk mengatasi hambatan operasional serta memenuhi kebutuhan tenaga medis di lapangan. Untuk memastikan kualitas desain, sistem dievaluasi menggunakan System Usability Scale (SUS). Hasil pengujian menunjukkan skor SUS sebesar 84,03 dari perawat pelaksana dan 85 dari kepala unit. Pencapaian ini menempatkan rancangan sistem pada grade A dengan adjective rating excellent dan acceptability range acceptable, yang menunjukkan bahwa sistem memiliki tingkat kebergunaan yang tinggi, memuaskan, dan mudah diterima oleh pengguna
Klasifikasi Penerimaan Bantuan Siswa Miskin Menggunakan Naive Bayes di Wilayah Perbatasan RI-RDTL: Classification of Poor Student Assistance Recipients Using Naive Bayes in the RI–RDTL Border Region Madalena Bada Mau; Krisantus Jumarto Tey Seran; Dian Grace Ludji; Regolinda Maneno
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.v6i3.2689

Abstract

Program Bantuan Siswa Miskin (BSM) bertujuan membantu siswa dari keluarga kurang mampu agar tetap mengenyam pendidikan di bangku sekolah. Sampai saat ini, realita penentuan penerima bantuan masih menghadapi permasalahan subjektivitas dan kurang optimalnya pemanfaatan data riil di lapangan. Dalam penelitian ini membangun model klasifikasi menggunakan Algoritma Naïve Bayes untuk memprediksi kelayakan penerima bantuan siswa miskin tingkat SMP wilayah perbatasan Indonesia dan Timor Leste yakni Kabupaten Belu. Data yang digunakan merupakan data sekunder dari Dinas Pendidikan pada tahun 2022–2024 dan terdapat 2.607 siswa yang telah menerima bantuan BSM. Tahapan penelitian ini  meliputi preprocessing data, transformasi data kategorik, normalisasi, spilt data, model metode serta evaluasi model menggunakan teknik Holdout validation dan K-Fold cross validation. Hasil penelitian menunjukkan bahwa metode K-Fold cross validation menghasilkan rata-rata akurasi sebesar 87,69%, lebih tinggi dibandingkan Holdout validation sebesar 87,16%. Selain itu, pada fold terbaik diperoleh akurasi sebesar 99,61%, yang menunjukkan bahwa model dapat mencapai performa optimal pada kondisi tertentu dan hasil ini menegaskan bahwa model memiliki kemampuan klasifikasi yang baik dan berpotensi digunakan sebagai sistem pendukung keputusan dalam menentukan penerima bantuan pendidikan secara lebih objektif dan tepat sasaran.
Design User Interface/User Experience (UI/UX) Inventory pada Toko Asen Menggunakan Figma: Designing the User Interface/User Experience (UI/UX) for the Asen Store Using Figma Grace Natalia Firdaus; Marini Marini
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.v6i3.2691

Abstract

Pengelolaan inventaris secara manual sering menimbulkan berbagai kendala bagi sebuah usaha, seperti kesalahan pencatatan informasi produk, keterlambatan dalam memperoleh informasi stok, dan kurangnya sinkronisasi data antara pemilik usaha serta karyawan. Masalah serupa juga sedang dihadapi pada Toko Asen, yang masih menggunakan sistem manual mengandalkan buku besar untuk mencatat detail produk dan harga. Hal ini menyebabkan proses pencarian data menjadi lambat serta rentan terhadap kesalahan manusia, yang memiliki dampak pada efisiensi operasional toko. Studi ini berfokus membangun User Interface dan User Experience sistem inventaris yang mendukung pengelolaan stok barang secara lebih efisien dan user-friendly. Metode yang diterapkan adalah pendekatan kualitatif deskriptif dengan kerangka Design Thinking. Hasil studi berupa prototype UI/UX yang dibuat menggunakan Figma, memberikan pengalaman penggunaan yang lebih baik dibandingkan proses pengelolaan manual sebelumnya. Tampilan antarmuka yang sederhana, alur yang jelas, dan tata letak menu yang terstruktur membantu pengguna dalam memahami alur penggunaan aplikasi inventory,pengujian usability menggunakan System Usability Scale (SUS) yang menghasilkan skor rata-rata 86,6 termasuk kategori sangat baik . Desain yang dihasilkan ini bisa menyederhanakan alur pengelolaan inventaris serta memudahkan akses informasi produk secara  cepat dan terstruktur. Sistem ini diharapkan dapat mendukung digitalisasi pengelolaan stok di Toko Asen serta meningkatkan efisiensi kerja secara keseluruhan.
Optimalisasi dan Implementasi Metode Divide and Conquer dalam Pengembangan Sistem Informasi Pengelolaan Pajak Kendaraan: Optimization and Implementation of the Divide and Conquer Method in the Development of a Vehicle Tax Management Information System Heri Aryanto; Yuri Rahmanto
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.v6i3.2693

Abstract

Pajak kendaraan bermotor merupakan salah satu sumber utama Pendapatan Asli Daerah (PAD) yang berperan penting dalam mendukung pembangunan daerah. Namun, pengelolaan data pajak kendaraan masih menghadapi berbagai permasalahan, terutama pada aspek efisiensi, akurasi data, dan kecepatan pemrosesan akibat meningkatnya volume data. Penelitian ini bertujuan untuk mengoptimalkan sistem informasi pengelolaan pajak kendaraan dengan menerapkan metode Divide and Conquer yang diintegrasikan dengan algoritma machine learning, yaitu Decision Tree, Random Forest, dan Naïve Bayes. Metode yang digunakan adalah pendekatan kuantitatif dengan metode eksperimental, yang meliputi tahap preprocessing data, pembagian data (divide), proses klasifikasi (conquer), serta penggabungan hasil (combine). Hasil penelitian menunjukkan peningkatan kinerja sistem secara signifikan, dengan peningkatan akurasi dari 78% menjadi 92%, peningkatan nilai precision dan recall, serta penurunan waktu eksekusi dari 12 detik menjadi 6 detik. Selain itu, model menghasilkan nilai AUC sebesar 0.91 yang menunjukkan kemampuan klasifikasi yang sangat baik. Penelitian ini memberikan kontribusi berupa pendekatan integratif antara metode algoritmik dan machine learning yang mampu meningkatkan akurasi dan efisiensi sistem secara simultan.
SECI and K-Means Integration for Public Sector Logistics Budget Efficiency Leiden Fauzi Yoka Surya; R. Nyi Pipih Kurniasari; Muthia Ramadhani; Khansa Putri Amanda; Ken Ditha Tania; Dedy Kurniawan; Ahmad Rifai
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.v6i3.2695

Abstract

Suboptimal management of office supplies causes significant budget waste in the public sector. This study addresses this issue by integrating the K-Means algorithm and the Socialization, Externalization, Combination, dan Internalization (SECI) knowledge management model to optimize logistics budget efficiency at the Palembang DPRD Secretariat. K-Means was utilized to partition the 2025 supply expenditure data into three priority clusters based on budget absorption and demand frequency. To ensure analytical outputs influence managerial decisions, K-Means was positioned as the primary explicit-to-explicit transformation engine within the SECI combination phase. The integration successfully transformed raw transaction data into a data-driven Standard Operating Procedure (SOP). Quantitative analysis reveals that a small subset of items in Cluster C3 accounts for a disproportionately high share of total budget absorption. Consequently, supervision can now strictly target these high-budget anomalies such as the Rp52.2 million spent on specific folio paper significantly reducing potential leakage and improving allocation efficiency. The main scientific contribution of this study is a novel framework that bridges mathematical data extraction and managerial policy formulation. This integrated approach is proven to measurably enhance regional budget efficiency.

Page 46 of 49 | Total Record : 485

 44   45   46   47   48 

Filter by Year

2021 2026


Reset
Filter By Issues
All Issue 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