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
 51   52   53   54   55 
Segmentasi Pelanggan Kartu Halo Telkomsel Berbasis K-Means di Wilayah Sumbagsel: K-Means-Based Customer Segmentation of Telkomsel Kartu Halo in the Sumbagsel Muhammad Bayu Samudra; Alifa Putri Shahabiyah; Aliya Faiza; Edo Wicaksono; Ken Ditha Tania; Allsella Meiriza; Ahmad Rifai
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.v6i2.2607

Abstract

Perusahaan telekomunikasi dalam menjalankan operasionalnya harus mengelola banyak data pelanggan, karena penggunaan layanan digital terus bertambah. Namun, data tersebut biasanya hanya digunakan untuk urusan administratif, sehingga kemampuan untuk menganalisis data guna memahami perilaku pelanggan belum sepenuhnya dimanfaatkan. Penelitian ini secara khusus bertujuan untuk mengelompokkan pelanggan berdasarkan pola penggunaan layanan guna mengidentifikasi karakteristik setiap segmen secara lebih sistematis. Data yang digunakan merupakan data pelanggan pascabayar Kartu Halo wilayah Sumbagsel tahun 2025 yang diperoleh dari PT Telkomsel Smart Office Palembang dengan total 4.645 data. Metode yang digunakan adalah Knowledge Discovery in Databases (KDD), yang terdiri dari beberapa tahap yaitu preprocessing, transformation, dan data mining. Proses pengelompokan dilakukan dengan menggunakan algoritma K-Means, bantuan perangkat lunak RapidMiner. Penelitian menunjukkan bahwa pelanggan bisa dibagi menjadi tiga kelompok dengan kebiasaan menggunakan layanan yang berbeda. Evaluasi menggunakan Davies-Bouldin Index menunjukkan bahwa model clustering memiliki kualitas yang baik dalam memisahkan antarkelompok. Secara ilmiah, penelitian ini membantu dalam penerapan metode clustering untuk membagi pelanggan dalam industri telekomunikasi. Secara nyata, hasil ini bisa dipakai untuk membantu membuat strategi pemasaran yang lebih tepat dan didasarkan pada data.
Segmentasi Spasio-Temporal Performa Penjualan Produk Sepatu Menggunakan Algoritma K-Means: Spatio-temporal Segmentation of Footwear Sales Performance Using the K-Means Algorithm Shindy Yuliyatini; Eva Yulyanti; Gandung Triyono
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.v6i2.2609

Abstract

Ketimpangan performa penjualan antarwilayah umumnya dianalisis melalui agregasi tahunan yang berpotensi menyembunyikan dinamika pasar. Penelitian ini bertujuan mengusulkan model segmentasi performa penjualan sepatu berbasis spatio-temporal menggunakan algoritma K-Means dengan unit analisis State × Quarter. Dataset diperoleh dari platform Kaggle (Adidas US Sales Dataset) periode 2020-2021 dan diagregasi dari 400 transaksi menjadi 181 observasi menggunakan variabel total sales, units sold, operating profit, dan operating margin. Metode meliputi preprocessing menggunakan IQR dan winsorizing, normalisasi Min-Max, serta clustering K-Means. Evaluasi dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan uji stabilitas Adjusted Rand Index (ARI) sebagai metode validasi tambahan untuk mengukur konsistensi hasil clustering. Hasil menunjukkan tiga cluster  dengan distribusi 55,8% (rendah), 32,0% (menengah), dan 12,2% (tinggi). Nilai Silhouette Score sebesar 0,4263 menunjukkan pemisahan cluster  moderat, sedangkan ARI sebesar 1,000 menunjukkan stabilitas sangat tinggi. Analisis spasio-temporal menunjukkan 52% state mengalami perubahan cluster  antarkuartal. Temuan ini menunjukkan adanya dinamika performa wilayah yang tidak terdeteksi dalam agregasi tahunan. Kontribusi ilmiah penelitian ini adalah penerapan segmentasi spatio-temporal berbasis K-Means dengan evaluasi kualitas dan stabilitas cluster  untuk mengidentifikasi dinamika performa distribusi wilayah secara lebih akurat.
Penerapan Database Tuning Melalui Indexing dan Optimasi Query pada Sistem Kuesioner Akademik: Implementation of Database Tuning Through Indexing and Query Optimization in an Academic Questionnaire System Ikhwan Ikhwan; Angga Pramadjaya
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.v6i2.2610

Abstract

Kuesioner akademik adalah sistem yang dibuat untuk mengumpulkan informasi penilaian dari dosen dan mahasiswa. Penilaian tersebut meliputi penilaian mahasiswa terhadap kinerja dosen dan penilaian mahasiswa atau dosen terhadap pelayanan kampus. Seiring berjalannya waktu, jumlah data yang masuk ke basis data semakin bertambah dan membuat kinerja sistem menjadi lebih lambat. Untuk itu, penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menggunakan penerapan database tuning  melalui indexing dan optimasi query. Metode ini digunakan untuk mempercepat pencarian atau pengambilan data pada saat query SQL dijalankan. Indexing dapat diimplementasikan pada tabel dengan jumlah baris data yang banyak, dan penggunaan query yang tepat dapat membantu memberikan indexing yang cepat. Terdapat 3.107.177 baris data pada penelitian ini, namun pada penelitian ini hanya sekitar 3.000.000 data yang dipakai. Pengujian dilakukan dengan menggunakan B-tree Indexing pada tabel dan optimasi kueri SQL SELECT dengan penggunaan klausa WHERE dan GROUP BY. Hasil yang diharapkan berupa kueri data yang menjadi lebih cepat dan efektif untuk meningkatkan kinerja pada basis data setelah melakukan Table Indexing dan Optimasi Query.
Penerapan Model Recency, Frequency, Monetary untuk Segmentasi Pola Perilaku Pelanggan Indibiz: Application of the Recency, Frequency, Monetary Model for Segmentation of Indibiz Customer Behavior Patterns Aulia Pinkasari; Meiyin Monica Amilia Putri; Gibral Abdurahman; Ahmad Fadhil Rizqi; Ken Ditha Tania; Allsela Meiriza; Ahmad Rifai
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.v6i2.2611

Abstract

PT Telkom Indonesia Witel Sumbagsel menghadapi kondisi Data Rich, Information Poor (DRIP), yaitu melimpahnya data transaksi yang belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan pada unit Payment Collection. Penelitian ini menerapkan metodologi Knowledge Discovery in Databases (KDD) menggunakan model RFM (Recency, Frequency, Monetary) dan algoritma K-Means Clustering untuk mengidentifikasi pola perilaku pembayaran pelanggan. Dataset terdiri dari 46.355 transaksi periode Januari–Desember 2025. Jumlah cluster optimal ditentukan menggunakan metode Elbow dan menghasilkan empat segmen pelanggan (k=4). Evaluasi menggunakan Silhouette Coefficient memperoleh nilai 0,3463 yang menunjukkan kualitas klaster yang dapat diterima. Hasil segmentasi mengelompokkan pelanggan ke dalam kategori loyal, potential, standard, dan churn-risk, sehingga mendukung penyusunan strategi penagihan yang lebih tepat sasaran dan berbasis data. Penelitian ini menunjukkan bahwa integrasi RFM dan K-Means efektif dalam mengubah data transaksi menjadi wawasan praktis bagi manajemen penagihan telekomunikasi.
Analisis Perbandingan Kinerja IndoBERT dan TF-IDF dalam Mengklasifikasikan Sentimen EDOM Menggunakan Algoritma K-Nearest Neighbor: Comparative Analysis of IndoBERT and TF-IDF Performance in Classifying EDOM Sentiments Using the K-Nearest Neighbor Algorithm Tifanny Nabarian; Siti Nurhalizah; Salman El Farisi
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.v6i2.2614

Abstract

Dalam konteks pendidikan tinggi, dosen berkontribusi besar terhadap peningkatan kualitas pembelajaran. Di Sekolah Tinggi Teknologi Terpadu Nurul Fikri (STT NF), Evaluasi Dosen oleh Mahasiswa (EDOM) dilaksanakan setiap akhir semester dan menghasilkan data komentar mahasiswa. Namun, analisis masih dilakukan secara manual sehingga kurang efisien dan berpotensi subjektif. Selain itu, belum terdapat kajian komparatif mengenai metode representasi yang sesuai untuk digunakan bersama algoritma K-Nearest Neighbor (KNN) khususnya pada data EDOM. Tujuan dari penelitian ini adalah menganalisis dan membandingkan kinerja IndoBERT dan TF-IDF dalam merepresentasikan teks untuk klasifikasi sentimen komentar EDOM menggunakan KNN. Metode penelitian mengacu pada tahapan CRISP-DM dengan dataset komentar EDOM tahun 2024. Hasil penelitian menunjukkan bahwa IndoBERT+KNN menghasilkan accuracy sebesar 0,903 serta menunjukkan nilai precision, recall, dan F1-score yang lebih seimbang antarkelas dibandingkan TF-IDF+KNN yang memperoleh accuracy sebesar 0,820 dengan performa metrik evaluasi yang cenderung kurang seimbang antarkelas. Hasil ini menunjukkan representasi kontekstual IndoBERT lebih efektif dalam menangani kompleksitas komentar EDOM dan algoritma KNN yang berbasis jarak dibandingkan dengan pendekatan berbasis frekuensi kata pada TF-IDF. Berdasarkan temuan tersebut, penelitian ini memberikan pemilihan metode representasi teks yang lebih optimal untuk pengembangan analisis sentimen secara lebih objektif dan efisien
Penerapan Data Mining untuk Prediksi Permintaan Obat Menggunakan Algoritma Regresi Linier: Implementation of Data Mining for Drug Demand Prediction Using Linear Regression Algorithm Hafiz Pramuji Almi; Hambali Hambali; Ari Dermawan
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.v6i2.2615

Abstract

Perkembangan teknologi informasi yang pesat saat ini memberikan dampak signifikan di berbagai bidang, termasuk sektor kesehatan. Penelitian ini bertujuan untuk menerapkan konsep Data Mining dalam membangun sistem prediksi permintaan obat di Klinik Bidan Nuraini Simatupang agar pengelolaan persediaan menjadi lebih terencana dan efisien. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan analisis data historis persediaan dan permintaan obat. Sistem yang dikembangkan berbasis website menggunakan bahasa pemrograman PHP dan database MySQL, sehingga mampu menggantikan proses pencatatan manual dengan sistem terkomputerisasi yang lebih efektif dan akurat. Penerapan metode Regresi Linear digunakan untuk memprediksi permintaan obat (variabel Y) berdasarkan data ketersediaan stok (variabel X). Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi yang tinggi dengan nilai koefisien determinasi (R²) berkisar antara 93% hingga 97% pada beberapa jenis obat seperti Paracetamol, Amoxicillin, dan Vitamin C. Dengan adanya sistem ini, klinik dapat meminimalkan risiko kekurangan maupun kelebihan stok obat. Selain itu, sistem ini juga membantu pihak manajemen dalam mengambil keputusan strategis terkait perencanaan pengadaan obat di masa mendatang secara lebih tepat dan berbasis data.
Perbandingan Model Klasifikasi Supervised Machine Learning dalam Knowledge Discovery Layanan TI Pertamina Prabumulih: Comparison of Supervised Machine Learning Classification Models in Knowledge Discovery of Pertamina Prabumulih IT Services Shafa Aurelliza Arian; Putri Rahel Alifia; Bagus Prihantoro; Muhammad Iqbal Disriansyah; Ken Ditha Tania; Alsella Meiriza; Ahmad Rifai
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.v6i2.2617

Abstract

Pengelolaan data layanan Teknologi Informasi (TI) di Pertamina Prabumulih memerlukan pendekatan analitik untuk meningkatkan efektivitas penanganan dan mendukung pengambilan keputusan berbasis data. Penelitian ini bertujuan membandingkan performa beberapa model klasifikasi supervised machine learning pada layanan TI periode 2020–2025 menggunakan pendekatan knowledge discovery melalui teknik data mining terhadap 8.627 data awal. Tahapan penelitian meliputi preprocessing, pelabelan kelas, penanganan ketidakseimbangan data dengan Synthetic Minority Over-sampling Technique (SMOTE), serta pembagian data dengan skenario 70:30, 80:20, dan 90:10. Proses klasifikasi dilakukan menggunakan algoritma Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa skenario 90:10 memberikan performa terbaik, dengan Support Vector Machine (SVM) mencapai accuracy 0,8806, precision 0,8757, recall 0,8941, dan F1-score 0,8788, melampaui algoritma lainnya. Kategori desktop hardware teridentifikasi sebagai kasus terbanyak selama periode penelitian. Temuan ini dapat dimanfaatkan sebagai dasar strategis untuk prioritas penanganan layanan, alokasi sumber daya, serta penguatan Knowledge Management guna peningkatan layanan TI secara terarah, efektif, dan berkelanjutan.
Desain dan Implementasi Sistem Presensi Portabel Berbasis Internet of Things dengan Validasi Multi-Faktor untuk Akuntabilitas Tenaga Kerja Lapangan: Design and Implementation of a Portable Internet of Things-Based Attendance System with Multi-Factor Validation for Field Workforce Accountability Marhaeni, Marhaeni; Dinata, Riadi Marta; Sofwan, Agus; Suryadi, Dikky; Purnomo, Niko
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.v6i2.2618

Abstract

Manajemen presensi untuk tenaga kerja lapangan sering kali tidak efisien dan rentan terhadap manipulasi, sehingga menciptakan tantangan signifikan dalam menjaga akuntabilitas operasional. Teknologi Internet of Things (IoT) menawarkan potensi besar untuk otomasi, namun penelitian yang ada sering kali belum menyajikan sebuah solusi holistik yang portabel, terjangkau, dan mampu memberikan validasi berlapis yang tak terbantahkan. Penelitian ini mengusulkan dan mengevaluasi sebuah sistem presensi portabel berbasis IoT yang dirancang untuk mengatasi celah tersebut. Sistem ini dikembangkan menggunakan arsitektur perangkat keras modular (Arduino Uno dan ESP32-CAM), mengintegrasikan Near Field Communication (NFC) untuk identifikasi, Global Positioning System (GPS) untuk validasi lokasi, Network Time Protocol (NTP) untuk integritas waktu, serta kamera untuk bukti visual, dengan data yang dikirim secara real-time ke layanan cloud. Pengujian fungsional dan kinerja menunjukkan reliabilitas sistem yang sangat tinggi dengan 100% Task Success Rate (TSR) pada semua skenario uji dan waktu respons end-to-end rata-rata 5,25 detik. Model arsitektur yang tervalidasi ini menawarkan sebuah kerangka kerja yang praktis dan kokoh untuk implementasi sistem presensi cerdas, secara signifikan meningkatkan transparansi dan akuntabilitas dalam manajemen tenaga kerja lapangan.
Analisis Sentimen Ulasan Pengguna Aplikasi Akupunktur di Play Store Menggunakan Naïve Bayes: Sentiment Analysis User Reviews of Acupuncture Applications on Play Store Using Naïve Bayes Kusuma, Wahyu Teja; Kurniawan, Leny Candra; Rikatsih, Nindynar; Wardoyo, Puspo
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.v6i2.2620

Abstract

Integrasi kemajuan teknologi ke dalam layanan kesehatan tidak dapat dihindari. WHO menekankan aspek aksesibilitas dan keamanan pasien pada integrasi teknologi dalam layanan kesehatan. Di bidang akupunktur, saat ini telah banyak sekali ulasan-ulasan pengguna aplikasi akupunktur yang memiliki potensi untuk memengaruhi kepercayaan masyarakat. Namun, belum ada penelitian yang membahas ulasan pengguna aplikasi akupunktur. Berdasarkan gap tersebut, penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan pengguna aplikasi akupunktur yang telah ada di Google Play Store. Penelitian-penelitian analisis sentimen sebelumnya, banyak mengandalkan Deep Learning seperti LSTM atau BERT. LSTM atau BERT memiliki akurasi tinggi, namun membutuhkan sumber daya komputasi besar dan data latih yang massif. Dalam konteks aplikasi niche seperti aplikasi akupunktur dengan volume data ulasan yang tidak sebanyak aplikasi populer seperti WhatsApp atau TikTok, algoritma probabilistik klasik seperti Naïve Bayes sering kali terbukti lebih efisien dan andal. Naïve Bayes memiliki keunggulan dalam kecepatan komputasi, interpretabilitas yang baik, serta performa yang tetap stabil pada dataset dengan jumlah fitur yang terbatas maupun tidak seimbang. Akhirnya, penelitian ini melakukan analisis sentimen ulasan pengguna aplikasi akupunktur di Google Play Store dengan menggunakan Naïve Bayes. Penelitian ini berkontribusi menghasilkan analisis sentimen yang dapat menjadi baseline yang penting dalam pengembangan aplikasi akupunktur di masa depan.
Analisis Sentimen Analisis Sentimen Ulasan Aplikasi Telemedicine di Indonesia Menggunakan XLM-RoBERTa dan Non-Negative Matrix Factorization untuk Mendukung Sustainable Development Goal 3 : Sentiment Analysis of Telemedicine App Reviews in Indonesia Using XLM-RoBERTa and Non-Negative Matrix Factorization for Supporting Sustainable Development Goal 3 Sembiring, Asha; Santoso, M. Imam; Sembiring, Alfan Ramadhan
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.v6i2.2621

Abstract

Penelitian ini bertujuan menganalisis sentimen pengguna dan mengidentifikasi topik dominan dalam ulasan aplikasi telemedicine di Indonesia menggunakan XLM-RoBERTa dan Non-Negative Matrix Factorization (NMF). Telemedicine menjadi solusi penting untuk meningkatkan akses layanan kesehatan, terutama di wilayah terpencil, namun peningkatan penggunaannya belum selalu diiringi kualitas layanan yang konsisten. Data penelitian dikumpulkan dari ulasan pengguna pada aplikasi Halodoc, Alodokter, dan KlikDokter melalui Google Play Store. Analisis sentimen dilakukan untuk mengklasifikasikan ulasan menjadi positif, negatif, dan netral, sedangkan NMF digunakan untuk mengekstraksi topik utama. Hasil menunjukkan bahwa 70% ulasan bersentimen positif, menandakan mayoritas pengguna merasa puas terhadap layanan. Namun, ulasan negatif masih menyoroti permasalahan pada kecepatan respons dan kualitas konsultasi medis, terutama pada beberapa aplikasi. Pemodelan topik mengungkap bahwa aksesibilitas layanan, kualitas konsultasi, dan kecepatan respons merupakan faktor utama yang memengaruhi persepsi pengguna. Kebaruan penelitian ini terletak pada integrasi model transformer multibahasa dan analisis topik dalam konteks telemedicine di Indonesia. Temuan ini memberikan implikasi praktis bagi pengembang dan pemangku kebijakan dalam meningkatkan kualitas layanan kesehatan digital serta mendukung pencapaian SDG 3.

Page 53 of 59 | Total Record : 581

 51   52   53   54   55 

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