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
 45   46   47   48   49 
Pengenalan Emosi Berdasarkan Fitur Akustik Suara Menggunakan Metode Support Vector Machine: Emotion Recognition Based on Acoustic Features of Speech Using Support Vector Machine Listiyaningsih, Veronika Lia; Marianingsih, Susi
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.v6i3.2771

Abstract

Pengenalan emosi berbasis suara merupakan bidang penting dalam pengolahan sinyal suara dan kecerdasan buatan yang bertujuan untuk mengidentifikasi kondisi emosional seseorang berdasarkan karakteristik akustik. Penelitian ini mengembangkan model klasifikasi emosi menggunakan Support Vector Machine (SVM) dengan kombinasi fitur Mel-Frequency Cepstral Coefficients (MFCC), pitch, dan energy untuk merepresentasikan karakteristik spektral, frekuensi dasar, dan intensitas suara. Dataset yang digunakan adalah RAVDESS yang terdiri atas 1.440 data audio dengan delapan kelas emosi. Setelah proses data cleaning, sebanyak 1.245 data digunakan dalam penelitian. Tahapan meliputi preprocessing audio, ekstraksi dan normalisasi fitur, pembagian data latih dan uji, pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi performa. Hasil pengujian menunjukkan bahwa SVM dengan kernel Radial Basis Function (RBF) mencapai akurasi terbaik sebesar 82%, dengan nilai macro-average precision, recall, dan F1-score masing-masing sebesar 0,82. Performa model meningkat dari 40% pada model awal menjadi 60% setelah data cleaning, 77% setelah ekstraksi dan normalisasi fitur, serta 82% setelah hyperparameter tuning. Kombinasi MFCC, pitch, dan energy memberikan performa terbaik dibandingkan dengan penggunaan fitur tunggal maupun kombinasi parsial.
EEG-Based Driver Drowsiness Classification Using Support Vector Machine on Monotonous Road Driving Simulation Lestari, Ayu; Anizar, Anizar; Panjaitan, Nismah
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.v6i3.2776

Abstract

Driver drowsiness is a critical road safety issue responsible for thousands of traffic fatalities annually, particularly on monotonous road environments such as toll highways. This research introduces an Electroencephalography (EEG)-based driver drowsiness classification model using a Support Vector Machine (SVM) algorithm, with Observer Rated Sleepiness (ORS) as the ground truth. Data were collected from 22 licensed drivers who completed a 90-minute monotonic driving simulation in an ergonomics laboratory using the Muse S portable EEG device. The features extracted from the EEG consisted of mean and standard deviation for delta, theta, alpha, and beta band power each (14 in total) per one-minute epoch, as well as relative band power for each band and two ratios: the theta/alpha (?/?) ratio and (theta+alpha)/beta ((?+?)/?) ratio. Each classification was carried out using an SVM with a Radial Basis Function (RBF) kernel, and a One vs Rest (OvR) multi-class strategy, and the generalization power was validated using Leave-One-Subject-Out Cross Validation (LOSO-CV), which exhibits subject-independent generalization. Results showed an average LOSO-CV accuracy of 71.97% (SD = 14.67%) with a Macro-F1 score of 0.7187. The ?/? ratio was the most discriminative feature, increasing from ?0.54 (alert) to 1.59 (severely drowsy).
Benchmarking XGBoost dan Random Forest untuk Prediksi Tingkat Stres dari Parameter Fisiologis Tidur: Benchmarking XGBoost and Random Forest for Stress Level Prediction Based on Sleep Physiological Parameters Tamboto, Stanley Alexsander; Jaya, Safitri
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.v6i3.2783

Abstract

Stres adalah salah satu gangguan kesehatan mental yang semakin meningkat di masyarakat. Kondisi fisiologis tidur dapat menjadi indikator terhadap tingkat stres. Penelitian ini bertujuan untuk membandingkan kinerja metode XGBoost dan Random Forest dalam memprediksi tingkat stres yang diklasifikasikan ke dalam lima kategori, yaitu normal, ringan, sedang, tinggi, dan sangat tinggi. Data yang digunakan berupa data numerik dengan delapan fitur fisiologis, meliputi snoring rate, respiration rate, body temperature, limb movement, blood oxygen, rapid eye movement, sleeping hours, dan heart rate. Metodologi penelitian mencakup preprocessing data melalui normalisasi, pembagian data, dan evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall,  f1-score, serta confusion matrix. Penelitian juga melakukan analisis korelasi pada setiap fitur untuk mengetahui hubungan antara parameter fisiologis dengan tingkat stres. Hasil penelitian menunjukkan bahwa kedua model menghasilkan akurasi sebesar 98%, namun Random Forest memiliki kinerja yang lebih stabil berdasarkan cross validation dengan nilai rata-rata 99,2% dibandingkan XGBoost sebesar 98,7%. Analisis feature importance menunjukkan bahwa snoring rate merupakan fitur paling dominan, serta terdapat korelasi positif dan negatif antar parameter terhadap tingkat stres. Penelitian ini menyimpulkan bahwa Random Forest lebih unggul dalam stabilitas model dan berpotensi digunakan untuk prediksi tingkat stres berbasis data fisiologis tidur.
Multimedia Interaktif Pengenalan Huruf Hijaiyah untuk Anak Usia Dini Menggunakan Model Multimedia Development Life Cycle (MDLC): Interactive Multimedia for Teaching Hijaiyah Letters to Early Childhood Using the Multimedia Development Life Cycle (MDLC) Model Anggraini, Amanda Ayu; Satria, Median
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.v6i3.2785

Abstract

Penelitian ini dilatarbelakangi oleh kondisi pengajaran huruf hijaiyah bagi anak usia dini yang masih menggunakan teknik konvensional sehingga menghasilkan rendahnya minat dan interaktivitas, serta penggunaan gadget oleh anak yang lebih dominan untuk hiburan daripada pembelajaran. Tujuan penelitian meliputi menciptakan multimedia interaktif untuk mengenalkan huruf hijaiyah, menilai seberapa baik media tersebut digunakan, serta menganalisis seberapa efektif media tersebut dalam mendukung proses belajar. Metode yang diaplikasikan menggunakan  Research and Development (R&D) dengan model Multimedia Development Life Cycle (MDLC) yang mencakup tahap konsep, perancangan, pengumpulan bahan, pembuatan, pengujian, dan distribusi. Subjek penelitian melibatkan 15 responden yang terdiri atas guru dan orang tua anak usia dini. Pengumpulan data dilaksanakan melalui observasi, wawancara, dan kuesioner. Hasil pengujian sistem melalui Black Box Testing membuktikan bahwa seluruh fitur media beroperasi secara optimal sesuai dengan rencana. Di sisi lain, hasil evaluasi usability yang menggunakan skala Likert menunjukkan total skor 900 dari skor maksimum 1125, dengan persentase 80% yang dikategorikan layak. Secara keseluruhan, hasil penelitian membuktikan bahwa multimedia interaktif yang dihasilkan layak digunakan sebagai media pendukung pembelajaran huruf hijaiyah bagi anak usia dini.
Segmentasi Pelanggan Anhesa Gym Berbasis RFM, CLV, dan Algoritma K-Means untuk Strategi Segmentation, Targeting, and Positioning: Anhesa Gym Customer Segmentation Based on RFM, CLV, and K-Means for Segmentation, Targeting, and Positioning Strategies Rajagukguk, Ricky Mangihut; Prasetiyo, Budi
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.v6i3.2795

Abstract

Anhesa Gym menghadapi tantangan dalam mempertahankan loyalitas pelanggan dan mengoptimalkan strategi pemasaran karena kurangnya pemahaman mendalam terhadap karakteristik tiap segmen pelanggan. Penelitian ini bertujuan untuk merancang strategi pemasaran Segmentation, Targeting, dan Positioning (STP) yang tepat sasaran. Berbeda dari penelitian terdahulu yang umumnya mengandalkan perhitungan tradisional, penelitian ini memberikan kontribusi melalui integrasi model Recency, Frequency, Monetary (RFM) dan algoritma K-Means Clustering yang divalidasi dengan pembobotan Analytic Hierarchy Process (AHP) dalam menghitung Customer Lifetime Value (CLV). Kombinasi ini diterapkan untuk meminimalisir bias asumsi manajerial dan memberikan bobot yang objektif pada tiap variabel perilaku. Hasil analisis menunjukkan terbentuknya tiga klaster optimal dengan nilai Davies-Bouldin Index (DBI) 0,436. Melalui AHP, variabel Monetary diidentifikasi paling berpengaruh (0,650). Klaster 2 ditetapkan sebagai segmen Loyal (skor CLV: 1,000), diikuti Klaster 0 sebagai Potential (0,327), dan Klaster 1 sebagai Lost/Churn (0,217). Berdasarkan hasil tersebut, dirumuskan strategi STP berupa penawaran layanan premium eksklusif bagi segmen Loyal serta program reaktivasi harga bagi segmen Lost/Churn. Penelitian ini secara praktis memfasilitasi pihak manajemen dalam mengambil keputusan pemasaran berbasis data.
Pengembangan Aplikasi Mobile GeoTrackOps Berbasis Lokasi dengan Sinkronisasi Offline Menggunakan Agile Scrum untuk Tim Lapangan: Development of a Location-Based GeoTrackOps Mobile Application with Offline Synchronization Using Agile Scrum for Field Teams Mataputun, Jhosua A.; Indrayani, Lilis; Suhendra, Christian D.; Getarjati, Iban
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.v6i3.2797

Abstract

GeoTrackOps merupakan aplikasi mobile yang dikembangkan untuk mendukung operasional tim lapangan melalui pelaporan berbasis lokasi dan sinkronisasi data offline-online. Penelitian ini bertujuan untuk menyempurnakan GeoTrackOps melalui peningkatan pelacakan lokasi, penyimpanan lokal berbasis SQLite, dan mekanisme sinkronisasi offline-online untuk aktivitas lapangan. Penelitian ini menggunakan pendekatan Research and Development dengan Agile Scrum melalui analisis kebutuhan, penyusunan product backlog, implementasi berbasis sprint, dan evaluasi iteratif. Fitur yang dikembangkan meliputi manajemen route, pelaporan stopsite, GPS/LBS tracking, antrean data lokal, sinkronisasi ke backend server, serta dashboard web berbasis peran untuk Admin dan Basecamp Operator. Evaluasi dilakukan menggunakan Black-Box Testing dan pengujian performa teknis pada dua perangkat Android di rute uji sepanjang 3,2 km. Hasil pengujian menunjukkan bahwa seluruh 15 skenario fungsional memperoleh status lulus, mencakup login, akses berbasis peran, alur route dan stopsite, GPS/LBS tracking, penyimpanan offline, sinkronisasi, dan akses dashboard. Pengujian performa teknis menunjukkan waktu sinkronisasi rata-rata 12,4 detik, latensi posisi dashboard rata-rata 6,7 detik, tingkat keberhasilan pengiriman data 100%, serta error rata-rata GPS/LBS sebesar 8,3 meter pada area terbuka dan 24,1 meter pada area tertutup. Hasil ini menunjukkan bahwa GeoTrackOps dapat mendukung pelaporan dan monitoring lapangan secara lebih andal, terutama pada wilayah dengan keterbatasan konektivitas jaringan.
Integrasi Efficient Channel Attention (ECA) pada DenseNet169 untuk Klasifikasi Multi-Kelas Citra X-ray Dada: Integration of Efficient Channel Attention (ECA) in DenseNet169 for Multi-Class Chest X-ray Classification Satira, Husna; Negara, Benny Sukma; Irsyad, Muhammad; Jasril, Jasril; Agustian, Surya
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.v6i3.2799

Abstract

Penyakit paru seperti pneumonia dan COVID-19 masih menjadi masalah kesehatan global yang memerlukan deteksi dini dan akurat. X-ray dada merupakan modalitas pencitraan yang umum digunakan, namun interpretasinya masih bergantung pada keahlian serta ketelitian radiolog. Penelitian ini bertujuan untuk mengevaluasi efektivitas integrasi Efficient Channel Attention (ECA) pada arsitektur DenseNet169 untuk klasifikasi multi-kelas pada citra X-ray dada. ECA dipilih karena merupakan mekanisme attention yang ringan serta mampu menangkap hubungan antarkanal fitur dengan kompleksitas parameter yang rendah. Dataset yang digunakan terdiri dari 5.228 citra yang terbagi ke dalam tiga kelas, yaitu COVID-19, pneumonia, dan normal. Penelitian ini membandingkan model DenseNet169 baseline dan DenseNet169 dengan ECA menggunakan parameter pelatihan yang sama untuk memastikan perbandingan yang adil. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa model baseline memperoleh accuracy sebesar 96,75%, sedangkan model dengan ECA memperoleh 96,27%. Dengan demikian, integrasi ECA belum memberikan peningkatan performa yang signifikan dibandingkan dengan DenseNet169 pada dataset yang digunakan. Temuan ini menunjukkan bahwa efektivitas ECA dipengaruhi oleh karakteristik arsitektur model, strategi integrasi, serta karakteristik dataset, sehingga penerapan attention mechanism tidak selalu menghasilkan peningkatan performa secara langsung.
Pengembangan Framework Explainable Multi-Task Transformer untuk Deteksi dan Klasifikasi Tingkat Keparahan Cyberbullying pada Komentar Media Sosial: Development of an Explainable Multi-Task Transformer Framework for Detecting and Classifying the Severity of Cyberbullying in Social Media Comments Salsabella, Elma; Riskiono, Sampurna Dadi
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.v6i3.2800

Abstract

Cyberbullying di media sosial menjadi ancaman serius bagi kesehatan mental pengguna internet di Indonesia. Namun, penelitian deteksi otomatis cyberbullying berbahasa Indonesia masih terbatas dan umumnya hanya berfokus pada klasifikasi biner tanpa mempertimbangkan tingkat keparahan (severity) serta interpretabilitas model. Penelitian ini mengusulkan pendekatan Multi-Task Learning (MTL) berbasis IndoBERT untuk melakukan deteksi cyberbullying dan klasifikasi severity empat kelas secara simultan dalam satu model. Dataset terdiri dari 4.795 komentar media sosial berbahasa Indonesia yang diperoleh melalui pendekatan auto-labeling hybrid berbasis aturan dan penyempurnaan semi-supervised. Validasi manual dan pengecekan konsistensi dilakukan untuk meningkatkan kualitas label sebelum pelatihan model. Hasil eksperimen menunjukkan bahwa model memperoleh weighted F1-score sebesar 0,9374 untuk deteksi cyberbullying dan 0,9027 untuk klasifikasi severity, serta mengungguli baseline Support Vector Machine (SVM) dan Bidirectional Long Short-Term Memory (BiLSTM). Ablation study menunjukkan bahwa pendekatan multi-task dan preprocessing memberikan kontribusi signifikan terhadap peningkatan performa. Selain itu, integrasi Explainable Artificial Intelligence (XAI) menggunakan Local Interpretable Model-agnostic Explanations (LIME) menunjukkan bahwa kata-kata toksik menjadi fitur dominan dalam prediksi model. Penelitian ini membuktikan bahwa pendekatan yang diusulkan efektif dan robust untuk mendeteksi cyberbullying pada data media sosial yang bersifat noisy.
Penerapan Semi-Supervised Deep Learning dengan AdaMatch untuk Klasifikasi Penyakit Paru-paru pada Citra X-ray Dada: Application of Semi-Supervised Deep Learning with AdaMatch for Classification of Lung Disease on Chest X-ray Image Zalwana, Hilya; Negara, Benny Sukma; Irsyad, Muhammad; Sanjaya, Suwanto; Fikry, Muhammad
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.v6i3.2811

Abstract

Penyakit paru-paru, seperti Coronavirus Disease 2019 (COVID-19) dan pneumonia, masih menjadi tantangan kesehatan yang memerlukan diagnosis cepat dan akurat. Citra chest X-ray (CXR) banyak digunakan untuk mendukung diagnosis, namun interpretasinya masih bergantung pada radiolog dan ketersediaan data berlabel. Keterbatasan data berlabel menjadi kendala dalam pengembangan model deep learning berbasis supervised learning. Penelitian ini menerapkan pendekatan semi-supervised deep learning menggunakan AdaMatch dengan DenseNet-169 untuk klasifikasi multikelas citra CXR menjadi COVID-19, Pneumonia, dan Normal. Dataset publik Mendeley Data yang digunakan terdiri atas 5.228 citra CXR, dengan pembagian 70% data pelatihan, 10% validasi, dan 20% pengujian. Tiga skenario proporsi data berlabel, yaitu 5%, 10%, dan 20%, digunakan untuk mengevaluasi performa model. AdaMatch memanfaatkan data berlabel dan tidak berlabel melalui mekanisme adaptive thresholding, distribution alignment, dan consistency regularization. Hasil terbaik diperoleh pada skenario 20% data berlabel dengan akurasi 98,19%, sensitivitas 98,23%, dan F1-score 98,24%. Performa tersebut mendekati model supervised learning pembanding yang memperoleh akurasi 98,95%, sensitivitas 98,98%, dan F1-score 98,98%. Temuan ini menunjukkan bahwa AdaMatch merupakan pendekatan semi-supervised yang efektif untuk meningkatkan klasifikasi citra CXR pada kondisi keterbatasan data berlabel.
Evaluasi Augmentasi Generatif dan Oversampling pada Berbagai Arsitektur Model untuk Deteksi Penipuan Kartu Kredit : Evaluation of Generative Augmentation and Oversampling Across Model Architectures for Credit Card Fraud Detection Ramadhan, Gilang Bagus; Dhenabayu, Riska; Kautsar, Achmad; Fitro, Achmad; Ariyani, Nurul Fajrin
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.v6i3.2821

Abstract

Deteksi penipuan kartu kredit pada data dengan ketidakseimbangan kelas ekstrem merupakan tantangan karena model klasifikasi cenderung bias terhadap kelas mayoritas sehingga menurunkan kemampuan mendeteksi transaksi penipuan. Metode oversampling tradisional seperti Synthetic Minority Over-sampling Technique (SMOTE) banyak digunakan, tetapi sering belum mampu merepresentasikan kompleksitas distribusi data tabular. Sebaliknya, pendekatan generatif seperti Conditional Tabular Generative Adversarial Network (CTGAN) berpotensi menghasilkan data sintetis yang lebih realistis, meskipun evaluasinya pada berbagai model klasifikasi masih terbatas. Penelitian ini bertujuan membandingkan efektivitas empat metode augmentasi data, yaitu SMOTE, Borderline-SMOTE, SMOTE-ENN, dan CTGAN, pada model Extreme Gradient Boosting (XGBoost), TabTransformer, dan Deep Autoencoder. Evaluasi dilakukan menggunakan metrik yang sensitif terhadap kelas minoritas, meliputi Receiver Operating Characteristic–Area Under the Curve (ROC-AUC), Area Under the Precision–Recall Curve (AUPRC), serta metrik pendukung lainnya. Hasil menunjukkan bahwa kombinasi XGBoost dan Borderline-SMOTE memberikan keseimbangan precision–recall terbaik dengan F1-score 0,9269 dan AUPRC 0,8306, sedangkan TabTransformer dengan CTGAN mencapai kemampuan diskriminasi tertinggi dengan ROC-AUC 0,9846 dan precision 0,9795. Temuan ini menunjukkan bahwa efektivitas augmentasi bergantung pada kesesuaian karakteristik data sintetis dengan mekanisme pembelajaran model serta memberikan implikasi praktis bagi pengembangan sistem deteksi penipuan yang andal pada data tidak seimbang

Page 48 of 49 | Total Record : 485

 45   46   47   48   49 

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