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
 52   53   54   55   56 
Adoption Without Optimization: Text Mining and Business Intelligence Analysis on Culinary SME Digital Literacy Dafitri, Rahma; Daryani, Dian; Sutisna, Entis
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.v6i2.2622

Abstract

Digital transformation has become critical for culinary Micro, Small, and Medium Enterprises (MSME), yet most remain digitally underperforming despite platform adoption, a gap this study terms "adoption without optimization." This study employs a sequential exploratory mixed-methods design to examine underlying barriers. Phase 1 applied NVivo-assisted thematic coding and word frequency analysis to transcripts from 10 informants. Phase 2 administered a 78-item structured questionnaire measuring five TOE-derived barrier categories (financial, technical, human resource, regulatory, and market barriers) and digital platform usage frequency across six platform types to 39 respondents, analyzed using descriptive statistics, cross-tabulation, and Pearson correlation in SPSS. Phase 3 conducted VOSviewer keyword co-occurrence analysis of 87 Scopus documents. Results reveal financial barriers rank highest (M=3.46), followed by human resource (M=3.31) and market competition barriers (M=3.25). Digital literacy is predominantly low, with 48.7% scoring in the low category (mean=14.87/30). Thematic analysis identified three novel phenomena: digital financial literacy as a distinct barrier dimension, a recursive time-constraint cycle, and the adoption-without-optimization gap, confirmed by a 79.4-percentage-point difference between platform adoption (100%) and meaningful digital performance (20.6%). Digital literacy significantly correlates with sales improvement (r=0.432, p=0.006). A five-pillar digital adaptation framework is proposed for SME digitalization policy.
Sistem Analitik Umpan Balik YouTube Berbasis Big Data dan Generative AI: Big Data-Based YouTube Feedback Analytics Architecture with Generative AI Integration Asro, Asro; Rukhviyanti, Novi
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.v6i2.2626

Abstract

Perkembangan media sosial menghasilkan data opini pengguna dalam jumlah besar dan tidak terstruktur, khususnya pada platform YouTube. Komentar pengguna mengandung informasi penting mengenai persepsi terhadap produk digital, namun analisis manual masih menjadi kendala. Penelitian ini bertujuan mengembangkan arsitektur sistem analitik umpan balik berbasis Big Data yang mengintegrasikan analisis sentimen dan Generative Artificial Intelligence (AI) dalam satu pipeline end-to-end. Sebanyak 10.625 komentar dikumpulkan melalui YouTube Data API dan disimpan dalam MongoDB. Proses analisis menggunakan kerangka CRISP-DM dengan preprocessing teks dan representasi fitur TF-IDF. Klasifikasi sentimen dibandingkan menggunakan Logistic Regression, Support Vector Machine (SVM), dan Random Forest, dengan pengujian SMOTE pada data latih. Hasil menunjukkan bahwa SVM tanpa SMOTE memberikan performa terbaik dengan akurasi 83,97% dan F1-macro 80,29%. Integrasi Generative AI memungkinkan peringkasan isu dominan serta penyusunan rekomendasi perbaikan secara otomatis. Sistem yang dikembangkan mendukung pengambilan keputusan berbasis data secara lebih efisien.
Pengaruh ChatGPT Terhadap Peforma Akademik Mahasiswa Menggunakan Algoritma Support Vector Machine: The Impact of ChatGPT on Students' Academic Performance Using the Support Vector Machine Algorithm Aulia, Gita; Sriani, Sriani
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.v6i2.2630

Abstract

Perkembangan teknologi kecerdasan buatan, khususnya ChatGPT, telah memengaruhi pola pembelajaran mahasiswa dalam mencari informasi dan menyelesaikan tugas akademik. Teknologi ini memberikan kemudahan dan efisiensi dalam memperoleh informasi, namun juga menimbulkan kekhawatiran terhadap potensi ketergantungan yang dapat memengaruhi performa akademik mahasiswa. Tujuan dari studi adalah menganalisis pengaruh penggunaan ChatGPT terhadap performa akademik mahasiswa melalui klasifikasi sentimen. Kuantitatif merupakan pendekatan yang dipakai pada studi ini dengan teknik text mining dan algoritma Support Vector Machine (SVM) guna mengklasifikasikan pendapat mahasiswa dalam sentimen negatif maupun positif. Data penelitian diperoleh secara daring dan didistribusikan kepada mahasiswa Program Studi Ilmu Komputer Universitas Islam Negeri Sumatera Utara, menghasilkan 1.104 komentar. Data diproses melalui beberapa tahapan, yaitu text preprocessing, pembobotan TF-IDF, pembagian data latih dan uji, serta evaluasi model memakai confusion matrix. Hasil penelitian menampilkan bahwa model SVM mengklasifikasikan 778 data sebagai sentimen positif dan 326 data sebagai sentimen negatif dengan tingkat akurasi sebesar 79,44%. Temuan ini menunjukkan bahwa mayoritas mahasiswa mempunyai persepsi positif terhadap penggunaan ChatGPT sebagai sarana pendukung pembelajaran. Selain itu, hasil penelitian ini memberikan implikasi penting mengenai perlunya pemanfaatan teknologi kecerdasan buatan secara bijak dalam mendukung proses pembelajaran tanpa mengurangi kemandirian belajar mahasiswa
Implementasi Algoritma K-Nearest Neighbors dalam Analisis Sentimen Ulasan Aplikasi Bank Aladin: Implementation of the K-Nearest Neighbors Algorithm for Sentiment Analysis on Aladin Bank Application Reviews Putri, Taniya Raisha Dwiva; Sanjaya, M. Rudi; Firdaus, MGS Afriyan; Indah, Dwi Rosa
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.v6i2.2633

Abstract

Digitalisasi layanan Aladin Bank Syariah melahirkan variasi ulasan di Google Play Store yang mencakup aspek kepraktisan hingga permasalahan teknis aplikasi. Guna memahami polaritas opini tersebut, penelitian ini melakukan evaluasi sentimen pengguna dengan memanfaatkan metode klasifikasi K-Nearest Neighbors (KNN). Proses analisis melibatkan pengelompokan ulasan ke dalam kelas positif, netral, dan negatif menggunakan 80% data hasil scraping, yang diproses melalui pembatasan 6.000 fitur pembobotan TF-IDF. Pengujian model mencatatkan tingkat akurasi sebesar 86,71%, di mana algoritma menunjukkan keunggulan signifikan dalam mengidentifikasi sentimen positif (F1-score 0,93) dan berkinerja cukup baik pada sentimen negatif (F1-score 0,68). Walaupun pengenalan terhadap kelas netral masih belum maksimal (F1-score 0.08), perolehan nilai rata-rata keseluruhan adalah 0.86, yang mengindikasikan efektivitas model secara umum. Temuan riset ini dapat dioptimalkan oleh manajemen bank sebagai landasan evaluasi untuk menyempurnakan kualitas layanan perbankan digital mereka.
Development and Optimization of YOLOv12 for Autonomous Vehicle Navigation Systems Ramadhani, Dian; Muttakin, Muhammad; Irsyad, Hidayat Hatta; Susilo, Edi; Andi, Rahmat Rizal
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.v6i2.2634

Abstract

This study develops and enhances a YOLOv12-based object detection model for autonomous vehicle perception on Indonesian highways, addressing limitations of earlier research that lacked realistic traffic scenarios and field validation. The Roboflow dataset contains 29 object classes, including vehicles, pedestrians, and traffic signs, with existing annotations. Preprocessing included data quality assessment, image resizing, dataset split validation, annotation format conversion, and data augmentation to improve training performance. Eight training configurations were evaluated by varying learning rate, batch size, and optimizer. Initial comparisons showed YOLOv12 significantly outperformed SSD, achieving mAP50 of 0.978 and mAP50–95 of 0.831, compared to SSD’s 0.816 and 0.639. SGD consistently provided more stable and accurate performance than Adam. The best model used SGD with a learning rate of 0.001 and batch size of 16, achieving precision of 0.952, recall of 0.955, mAP50 of 0.974, and mAP50–95 of 0.834. Field testing confirmed strong detection of pedestrians and traffic signs, although challenges remained with small and overlapping objects. Future work should improve small-object detection, expand dataset diversity, and explore advanced architectures or hybrid optimization strategies. These findings support YOLOv12 as a reliable foundation for safer, more efficient self-driving perception systems tailored to Indonesia’s complex road environments in real conditions.
Spatial Modeling of Highly Dispersed Poverty Data in East Java Using the Geographically Weighted Negative Binomial Regression Method Sugiarti, Nova Putri Dwi; Trimono, Trimono; Wara, Shindi Shella May
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.v6i2.2636

Abstract

Poverty in East Java Province is a complex issue characterized by diverse regional characteristics. This study aims to model the number of poor inhabitants in East Java while accounting for overdispersion and spatial heterogeneity using the Geographically Weighted Negative Binomial Regression (GWNBR) method with four kernel weighting functions. The results indicate that the Negative Binomial regression model performs well at the global level, with an AIC of 941.01. However, to capture local variation in poverty drivers, the GWNBR model with an Adaptive Bisquare kernel proved optimal, yielding the lowest AIC of 309.32. These findings confirm the diversity of predictor variable influences across regencies and cities, as evidenced by the significance of variables in Blitar Regency. The GWNBR approach provides more accurate local parameter estimates than the global model, serving as a strategic tool for the government to design more targeted and effective poverty alleviation policies for each region.
Analisis Ulasan Sentimen pada Aplikasi Mobile BSB Menggunakan Algoritma Convolutional Neural Networks dan Support Vector Machine: Sentiment Review Analysis on the BSB Mobile Application Using Convolutional Neural Networks and Support Vector Machine Algorithm Faza, Muhamamad; Sanjaya, M. Rudi; Ibrahim, Ali; Syahbani, M. Husni
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.v6i2.2637

Abstract

Peningkatan jumlah ulasan yang diberikan pengguna pada platform digital seperti Google Play Store menghasilkan berbagai opini yang mencerminkan kepuasan maupun ketidakpuasan terhadap layanan aplikasi tersebut. Analisis sentimen diperlukan guna mengategorikan opini pengguna dalam ulasan dari data teks menjadi informasi penting. Penelitian ini menggunakan pendekatan metode Convolutional Neural Network (CNN) serta algoritma pendekatan Support Vector Machine (SVM) dalam rangka melakukan pengelompokan data sentimen pada ulasan aplikasi BSB Mobile. Tahapan proses penelitian mencakup tahapan pengumpulan data ulasan, pra-pemrosesan teks, pembentukan algoritma CNN beserta SVM, serta penilaian performa memanfaatkan parameter evaluasi, yaitu tingkat akurasi, presisi, recall, dan F1-Score. Merujuk pada temuan tersebut, dapat disimpulkan dari analisis bahwa arsitektur CNN menghasilkan tingkat akurasi yang menyentuh angka 80,10%, sedangkan model SVM mencapai akurasi 80,70%. Berdasarkan hasil evaluasi, model SVM sedikit lebih unggul dibandingkan dengan CNN dalam mengklasifikasikan ulasan sentimen. Temuan ini menunjukkan bahwa metode machine learning, khususnya SVM, dapat menjadi alternatif yang efektif dalam menganalisis opini pengguna terhadap aplikasi BSB Mobile.
Evaluasi Komparatif Kinerja Algoritma Naïve Bayes dan Logistic Regression dalam Klasifikasi Sentimen Komentar YouTube Berbahasa Indonesia: Comparative Performance Evaluation of Naïve Bayes and Logistic Regression for Indonesian YouTube Comment Sentiment Classification Monica, Meisa; Purwanto, Asto
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.v6i2.2639

Abstract

Komentar pengguna pada platform YouTube merupakan sumber informasi yang dapat dimanfaatkan untuk memahami kecenderungan opini publik terhadap berbagai layanan digital. Namun, komentar tersebut umumnya berbentuk teks tidak terstruktur sehingga proses analisis secara manual menjadi kurang efektif ketika jumlah data sangat besar. Oleh karena itu, diperlukan pendekatan berbasis machine learning untuk mengolah serta mengklasifikasikan opini pengguna secara otomatis. Penelitian ini melakukan analisis sentimen terhadap komentar YouTube berbahasa Indonesia yang dikumpulkan menggunakan beberapa kata kunci terkait layanan digital. Data yang diperoleh kemudian diproses melalui tahapan pembersihan teks, normalisasi, serta pembentukan representasi fitur menggunakan metode TF-IDF. Untuk meningkatkan kualitas model klasifikasi, dilakukan optimasi parameter serta penyeimbangan distribusi data menggunakan teknik SMOTE. Hasil evaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score menunjukkan bahwa model klasifikasi mampu menghasilkan performa yang baik dengan tingkat akurasi tertinggi mencapai 84,88%. Selain itu, distribusi hasil klasifikasi memperlihatkan bahwa kategori sentimen positif lebih dominan dibandingkan dengan kategori netral dan negatif pada data komentar yang dianalisis.
Analisis Komparatif Arsitektur MobileNet untuk Klasifikasi Tipe Jerawat pada Citra Wajah: Comparative Analysis of MobileNet Architectures for Acne Type Classification on Facial Images Syafika, Sukma; Marianingsih, Susi
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.v6i2.2643

Abstract

Jerawat (acne vulgaris) adalah salah satu gangguan kulit wajah yang kerap dialami oleh banyak individu, serta dapat menimbulkan dampak fisik maupun psikologis bagi penderitanya. Proses identifikasi jenis jerawat secara manual memerlukan pengamatan visual yang teliti sehingga berpotensi menimbulkan kesalahan dalam proses diagnosis. Oleh sebab itu, diperlukan pengembangan sistem otomatis untuk mengidentifikasi dan mengklasifikasikan jenis jerawat secara lebih akurat. Penelitian ini dimaksudkan untuk membangun model klasifikasi jerawat berbasis citra menggunakan pendekatan Deep Learning dengan arsitektur MobileNet. Dataset yang digunakan berjumlah 3.500 citra jerawat yang terdiri dari lima kelas, yakni blackhead, whitehead, papules, pustules, dan cyst. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian dengan perbandingan 80:10:10. Sebelum proses pelatihan model dilakukan, citra melalui tahap pre-processing yang meliputi image resizing, normalisasi citra, dan augmentasi data menggunakan pustaka OpenCV. Model dikembangkan menggunakan framework TensorFlow dan Keras. Penelitian ini membandingkan performa tiga arsitektur MobileNet, yaitu MobileNetV1, MobileNetV2, dan MobileNetV3. Hasil pengujian menunjukkan bahwa MobileNetV3 menghasilkan performa terbaik dengan akurasi sebesar 94,57%, precision 0,95, recall 0,95, dan F1-score 0,95. Penelitian ini berkontribusi dalam evaluasi komparatif arsitektur MobileNet untuk menentukan model ringan yang paling efektif dalam klasifikasi citra jerawat.
Implementasi Model Klasifikasi Decision Tree untuk Evaluasi Kinerja Organisasi dan Dukungan Pengambilan Keputusan: Implementation of Decision Tree Classification Model for Organizational Performance Evaluation and Decision Support Juliyanti, Tamara; Marpaung, Xenia Clarissa Valencia; Az-Zahra, Nanda Salsabila; Nabilaputri, Silvia; Meiriza, Allsela; Tania, Ken Ditha; Rifai, Ahmad
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.v6i2.2646

Abstract

Pengelolaan data kinerja yang tidak terintegrasi menyebabkan informasi organisasi belum dimanfaatkan secara optimal dalam pengambilan keputusan strategis. Penelitian ini bertujuan mengembangkan model manajemen pengetahuan berbasis data dengan mengintegrasikan Model SECI dan algoritma Decision Tree pada PT PLN (Persero) UID Jawa Barat. Data kinerja operasional diolah melalui tahapan pembersihan data, seleksi atribut, dan transformasi data, kemudian dianalisis menggunakan algoritma C4.5 pada RapidMiner untuk menghasilkan model klasifikasi dan aturan keputusan. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 95,62% dengan standar deviasi ±6,18%. Selain itu, model menghasilkan aturan keputusan yang mudah diinterpretasikan serta mampu mengidentifikasi faktor dominan yang memengaruhi kinerja unit operasional. Aturan tersebut dipetakan ke dalam tahapan SECI untuk menghasilkan pengetahuan eksplisit yang terdokumentasi. Integrasi data mining dan manajemen pengetahuan memberikan pendekatan yang sistematis dalam mendukung evaluasi kinerja organisasi dan pengambilan keputusan berbasis data.

Page 54 of 59 | Total Record : 581

 52   53   54   55   56 

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