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
 55   56   57   58   59 
Investment Modeling Algorithm for the 50 MW Sumbawa 3 Gas Engine Power Plant (PLTMG) Project: A Correlation-Aware, Risk-Adjusted Feasibility Framework Jonathan, Filbert; Damayanti, Sylviana Maya
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.v6i3.2849

Abstract

The 50 MW PLTMG Sumbawa 3 project is included in the RUPTL 2025–2034 to strengthen the Tambora isolated subsystem, whose reserve margin declined to 0.8% in 2024 and 1.4% in 2025. PT PLN (Persero) currently evaluates investments using the Kelayakan Keuangan (KKF) framework, a deterministic Discounted Cash Flow (DCF) model that ignores uncertainty and interdependence among key cost drivers. This study develops a four-layer investment evaluation framework combining strategic analysis (PESTEL, Porter’s Five Forces, SWOT, VRIO), deterministic DCF, sensitivity analysis, and Monte Carlo simulation with 10,000 iterations. Four stochastic variables, LNG price, IDR/USD exchange rate, HSD price, and fixed O&M cost, were modeled under independent and correlated assumptions. The deterministic evaluation indicates feasibility, with an NPV of IDR 276.85 billion, IRR of 9.13%, BCR of 1.03, and a 10.14-year payback period. However, Monte Carlo simulation reveals an 82.08% probability of negative NPV, with a mean NPV of negative IDR 1.42 trillion. The exchange rate and LNG price explain over 99% of the variance in NPV. Results support conditional project approval through LNG price hedging, tariff adjustment mechanisms, accelerated gasification, and mandatory correlation-aware Monte Carlo analysis for future LNG-based generation investments.
Rancang Bangun Sistem Cerdas Pemantauan dan Analisis Kepadatan Lalu Lintas Berbasis Computer Vision Menggunakan Algoritma YOLOv11: Design and Development of an Intelligent Traffic Density Monitoring and Analysis System Based on Computer Vision Using the YOLOv11 Algorithm Israt, Taufiqul; Hendriyani, Yeka; Zaus, Mahesi Agni; Aulia, Vikri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.2882

Abstract

Penelitian ini mengembangkan sistem pemantauan dan analisis lalu lintas berbasis computer vision dengan mengintegrasikan YOLOv11L, ByteTrack, polygon zone, dan counting line. Dataset terdiri atas 7.061 citra dengan empat kelas kendaraan, yaitu sepeda motor, mobil, bus, dan truk. Model dilatih selama 100 epoch menggunakan ukuran citra 640 × 640 piksel. Hasil evaluasi menunjukkan precision 0,94073, recall 0,90639, mAP50 0,96290, dan mAP50–95 0,85763. Validasi video berdurasi satu jam menghasilkan 1.983 kendaraan berdasarkan sistem dan 2.046 kendaraan berdasarkan penghitungan manual, dengan akurasi penghitungan 96,92% pada kecepatan pemrosesan 24 FPS. Berdasarkan PKJI 2023, arus lalu lintas pagi sebesar 954,10 smp/jam dengan derajat kejenuhan 0,17, sedangkan sore sebesar 1.375,80 smp/jam dengan derajat kejenuhan 0,25. Kedua nilai tersebut berada di bawah ambang 0,85, sehingga kondisi ruas jalan masih tergolong baik. Sistem juga mencatat 11 indikasi kendaraan pada zona larangan parkir pagi dan 18 indikasi sore berdasarkan posisi serta durasi berhenti minimal 30 detik dalam polygon. Hasil penelitian menunjukkan sistem mampu mengintegrasikan deteksi, pelacakan, penghitungan kendaraan, analisis derajat kejenuhan, dan pemantauan zona larangan parkir secara otomatis dalam satu sistem, sehingga memberikan informasi lalu lintas yang akurat, real-time, dan mendukung evaluasi kondisi jalan serta pengawasan parkir secara efektif dan terintegrasi bagi pengelola jalan.
Penerapan Algoritma LightGBM untuk Penentuan Kondisi Air Akuarium Berdasarkan Parameter Kualitas Air: Implementation of LightGBM Algorithm for Determining Aquarium Water Conditions Based on Water Quality Parameters Qolbu, Mutiara; Taqwa, Ahmad; Fadhli, Mohammad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.2933

Abstract

Kualitas air sangat penting bagi kesehatan dan kelangsungan hidup ikan di akuarium. Jika parameter seperti pH, suhu, total dissolved solids (TDS), dan amonia berubah, kondisi air dapat menjadi tidak cocok bagi ikan. Masalahnya, metode pemantauan biasa masih terbatas dalam menganalisis hubungan antara parameter-parameter tersebut secara simultan. Penelitian ini bertujuan untuk menggunakan algoritma LightGBM untuk mengklasifikasikan kualitas air akuarium berdasarkan pH, suhu, TDS, dan amonia. Dataset yang digunakan terdiri dari 710 data pengukuran sensor kualitas air. Data-data ini melalui beberapa tahap, yaitu preprocessing, pelabelan data, pembagian data, penyesuaian hyperparameter, dan pelatihan model. Hasil pengujian menunjukkan bahwa konfigurasi LightGBM terbaik memiliki accuracy 99,30%, precision 98,61%, recall 99,28%, dan F1-score 98,92%. Evaluasi menggunakan confusion matrix menunjukkan bahwa dari 142 data pengujian hanya terdapat satu kesalahan klasifikasi, dengan seluruh data kategori baik dan buruk berhasil diprediksi dengan tepat. Hasil tersebut menunjukkan bahwa LightGBM dapat  mengklasifikasikan kualitas air akuarium dengan akurasi yang tinggi.
Komparasi Naive Bayes dan Support Vector Machine untuk Analisis Sentimen Kebijakan Pemerintah Mengenai Makan Bergizi Gratis: Comparing Naive Bayes and Support Vector Machine for Sentiment Analysis of Government Policy on Free Nutritious Meals Mulyani, Sri; Mutmainah, Siti; Mustafidah, Hilyatul
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.2998

Abstract

Kebijakan Program Makan Bergizi Gratis (MBG) pemerintah memicu perdebatan publik di platform TikTok. Penelitian ini bertujuan mengklasifikasikan sentimen opini publik terhadap kebijakan MBG ke dalam kelas positif dan negatif dengan membandingkan algoritma Multinomial Naive Bayes dan Support Vector Machine (SVM) menggunakan ekstraksi fitur CountVectorizer. Dataset sebanyak 4.000 komentar dikumpulkan melalui Apify dari empat akun berita resmi nasional. Pelabelan awal dilakukan secara otomatis menggunakan InSet Lexicon dan divalidasi secara manual oleh anotator manusia sebagai gold standard untuk mengurangi bias makna kata informal. Hasil pelabelan menunjukkan dominasi sentimen positif sebesar 89,60% dan negatif sebesar 10,40%. Pengujian dengan rasio split data 80:20 menunjukkan bahwa SVM kernel linear menghasilkan akurasi tertinggi sebesar 99,12%, sedangkan Naive Bayes mencapai 91,62%. Pengujian lintas skenario menunjukkan Naive Bayes lebih rentan terhadap penurunan kinerja, dengan akurasi terendah 72,70% pada skenario undersampling dan tiga kelas, sementara SVM tetap stabil di atas 95%. Analisis WordCloud menunjukkan sentimen positif didominasi optimisme terhadap pemerintah, sedangkan sentimen negatif menyoroti risiko korupsi anggaran. Keterbatasan penelitian meliputi kesulitan model memahami konteks kalimat, kata informal, dan sarkasme. Hasil penelitian menunjukkan bahwa SVM lebih efektif dan stabil untuk klasifikasi sentimen teks TikTok yang tidak seimbang, memberikan kinerja konsisten pada berbagai skenario pengujian.
Perancangan dan Implementasi Sistem Deteksi Kebocoran Gas Berbasis Internet of Things Menggunakan Algoritma Fuzzy Logic Controller: Design And Implementation of a Gas Leak Detection System Based on the Internet of Things Using Fuzzy Logic Controller Algorithm Mentia, Dilla Puspita; Lorosae, Teguh Ansyor; Mutmainah, Siti
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3001

Abstract

Salah satu penyebab utama kebakaran rumah tangga adalah kebocoran gas LPG. Berdasarkan observasi Dinas Pemadam Kebakaran Kota Bima, dalam tiga tahun terakhir terjadi 14 kasus kebakaran akibat kebocoran gas, kerusakan selang, dan kerusakan regulator. Penelitian sebelumnya masih didominasi oleh sistem alarm lokal tanpa konektivitas IoT dan belum mampu menampilkan kadar gas secara real-time. Oleh karena itu, penelitian ini mengembangkan sistem deteksi kebocoran gas berbasis Internet of Things menggunakan ESP32, sensor gas MQ-2, sensor api, serta algoritma Fuzzy Logic Controller. Algoritma tersebut dipilih karena mampu menangani ketidakpastian dan variabilitas pembacaan sensor secara adaptif, sehingga menghasilkan klasifikasi kondisi yang lebih tepat dibandingkan dengan metode ambang batas sederhana. Kadar gas diklasifikasikan menjadi tiga kondisi, yaitu aman (0–199 ppm), waspada (200–299 ppm), dan bahaya (?300 ppm). Sistem menggunakan LED dan buzzer sebagai alarm lokal, LCD I2C 16×2 untuk menampilkan informasi, serta Blynk dan bot Telegram untuk mengirim notifikasi secara real-time. Hasil pengujian menunjukkan sensor MQ-2 mampu mendeteksi kadar gas pada setiap kategori kondisi, sensor api mendeteksi keberadaan api hingga jarak 11 cm, dan notifikasi terkirim secara real-time dalam waktu kurang dari 3 detik setelah kondisi berbahaya terdeteksi. Sistem ini berpotensi meningkatkan kecepatan respons terhadap kebocoran gas dan risiko kebakaran.
Clustering Modeling of Divorce-Causing Factors Using the K-Means Algorithm Hasibuan, Salsabila Arifa; Fakhriza, M.
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3011

Abstract

The increasing divorce rate in North Sumatra is a complex social problem. Traditional policy approaches often generalize root causes across regions, especially by assuming economic issues as the main trigger. Unlike previous studies that group regions solely by geographical proximity or raw case volume, this research introduces a novel approach that clusters regions based on interaction patterns among substantive causal variables. This research applies the K-Means clustering algorithm to map the dominant factors contributing to divorce across 33 districts/cities in North Sumatra, using 2023-2025 Statistics Indonesia (BPS) data. The clustering model was evaluated using the Elbow Method and Davies-Bouldin Index (DBI). The optimal evaluation resulted in 3 clusters () with a highly valid DBI score of 0.62. The clustering revealed three regional typologies: extreme multi-crisis, high-conflict, and low-case regions. The results showed that ongoing disputes consistently dominate as the primary cause across all clusters, significantly surpassing economic factors. Practically, these clustering results provide a critical, data-driven foundation for policymaking. Rather than providing generalized financial assistance, local governments and Religious Courts can use this model to deploy targeted, region-specific psychological interventions and revitalize Pre-Marriage Guidance (Bimwin) programs tailored to each region's crisis profile.
Prediksi Nilai Akhir Sekolah Menggunakan Algoritma Random Forest: Prediction of Final School Grades Using the Random Forest Algorithm Putri, Najwa Hanindya; Nugraha, Fajar; Irawan, Yudie
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3043

Abstract

Nilai akhir sekolah merupakan indikator penting untuk menilai capaian akademik siswa dan mendukung pengambilan keputusan berbasis data. Penelitian ini menerapkan Random Forest Regression untuk mengestimasi nilai akhir akademik siswa menggunakan data akademik historis SMKN 1 Kudus. Alur penelitian mengikuti Cross-Industry Standard Process for Data Mining (CRISP-DM), yang meliputi pemahaman kebutuhan, pemahaman data, persiapan data, pemodelan, evaluasi, dan penggunaan konseptual hasil untuk pemantauan akademik dini. Dataset berisi 1.530 data siswa dari enam program keahlian dan dibagi menjadi 80% data latih serta 20% data uji. Model menggunakan n_estimators=100, max_depth=10, dan random_state=42, dengan Rata_Rata_Rapor sebagai proksi capaian akhir akademik. Evaluasi pada 306 data uji menghasilkan Mean Absolute Error (MAE) sebesar 0,4556 dan Root Mean Squared Error (RMSE) sebesar 0,5801. Nilai RMSE yang hanya sedikit lebih tinggi daripada MAE menunjukkan bahwa galat yang relatif besar terbatas; titik aktual-prediksi mendekati garis diagonal dan residual berpusat di sekitar nol. BK, PPKn, Matematika, B. Indonesia, dan PKK memiliki skor kepentingan fitur relatif tertinggi. Kebaruan penelitian terletak pada prediksi skor akademik kontinu, bukan hanya kelas lulus atau tidak lulus, serta penggabungan evaluasi berbasis galat dengan analisis kepentingan fitur untuk mendukung pemantauan dini yang dapat diinterpretasikan. 
Analisis Sentimen dan Pemodelan Topik Komentar YouTube tentang Aplikasi AI Menggunakan Naïve Bayes dan Support Vector Machine: Sentiment and Topic Modeling of YouTube Comments on AI Applications Using Naïve Bayes and Support Vector Machine Rosyada, Mila; Setiawan, R. Rhoedy; Romadhon, Zainur
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3044

Abstract

Komentar pengguna YouTube mengenai aplikasi kecerdasan buatan (Artificial Intelligence/AI), seperti ChatGPT, Google Gemini, dan Perplexity AI, terus meningkat sehingga menghasilkan opini yang sulit dianalisis secara manual. Penelitian ini menggabungkan analisis sentimen dan pemodelan topik untuk memperoleh gambaran tentang persepsi pengguna terhadap beberapa aplikasi AI. Penelitian ini bertujuan untuk menganalisis sentimen dan mengidentifikasi topik utama dari 5.588 komentar YouTube terkait aplikasi AI. Data diproses menggunakan tahapan preprocessing sederhana yang meliputi cleaning, case folding, normalisasi, tokenisasi, stopword removal, dan stemming. Pelabelan sentimen dilakukan menggunakan pendekatan berbasis leksikon, sedangkan fitur diekstraksi menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Klasifikasi sentimen dilakukan menggunakan Naïve Bayes dan Support Vector Machine (SVM), sementara pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Hasil pelabelan menunjukkan 4.801 komentar (85,92%) positif dan 787 komentar (14,08%) negatif. Evaluasi menunjukkan Naïve Bayes memperoleh akurasi 94,72%, sedangkan SVM mencapai 98,39%, sehingga SVM memberikan performa terbaik. Selain itu, LDA berhasil mengidentifikasi tiga topik dominan, yaitu pengalaman pengguna, kualitas layanan, dan diskusi umum tentang AI. Hasil penelitian menunjukkan bahwa kombinasi analisis sentimen dan pemodelan topik mampu memberikan gambaran yang lebih komprehensif mengenai persepsi pengguna terhadap aplikasi AI berdasarkan komentar di YouTube.
Desain Sistem Monitoring Ketinggian Air dan Peringatan Dini Banjir Berbasis Internet of Things: Design of an Internet of Things-Based Water Level Monitoring and Flood Early Warning System Safitri, Nurul Aulia; Lorosae, Teguh Ansyor; Mutmainnah, Siti
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3060

Abstract

Salah satu bencana yang paling sering terjadi di Indonesia adalah banjir, termasuk di Kelurahan Lampe. Kurangnya sistem yang dapat memantau ketinggian air secara langsung menyebabkan masyarakat terlambat memperoleh informasi tentang potensi banjir. Tujuan penelitian ini adalah untuk membuat sistem yang menggunakan sensor ultrasonik untuk melacak ketinggian air dan memberikan peringatan dini banjir. Penelitian ini menggunakan metode eksperimen yang meliputi tahapan perancangan perangkat keras dan perangkat lunak, implementasi sistem, serta pengujian kinerja sensor dan sistem secara menyeluruh. Sistem menggunakan aplikasi Blynk dan Telegram untuk memantau dan mengirimkan notifikasi, ESP32 sebagai mikrokontroler, sensor ultrasonik untuk mengukur ketinggian air, serta traffic LED dan buzzer sebagai indikator peringatan. Ketinggian air diklasifikasikan menjadi tiga kategori, yaitu aman, waspada, dan bahaya. Hasil pengujian menunjukkan bahwa sistem mampu mengamati perubahan ketinggian air, menampilkan data pada aplikasi Blynk, serta mengirimkan peringatan melalui Telegram sesuai kategori yang ditentukan. Berdasarkan hasil pengujian sebanyak 13 kali, sistem berhasil beroperasi pada seluruh skenario pengujian dengan tingkat keberhasilan 100%. Hasil validasi sensor ultrasonik menunjukkan persentase error rata-rata sebesar 18,52%, sedangkan pengiriman data monitoring dan notifikasi melalui aplikasi Blynk dan Telegram berlangsung dengan waktu respons yang relatif cepat. Sistem yang dirancang diharapkan dapat membantu masyarakat meningkatkan kesiapsiagaan terhadap potensi banjir.
Sistem Analisis Transaksi Tunai Harian Kenna Cell Menggunakan Machine Learning: Kenna Cell Daily Cash Transaction Analysis System Using Machine Learning Ambarwati, Niken Ayu; Utomo, Andy Prasetyo; Supriyono, Supriyono
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3063

Abstract

Analisis transaksi tunai harian menjadi kebutuhan penting bagi UMKM yang mencatat transaksi melalui berbagai metode pembayaran digital. Kenna Cell mengelola 13.289 catatan transaksi pada delapan metode pembayaran, sehingga pemilik usaha membutuhkan analisis harian yang terstruktur untuk mengantisipasi arus keluar dan tingkat kepadatan transaksi. Penelitian ini bertujuan membangun sistem berbasis machine learning yang membersihkan data transaksi tunai, menyusun panel harian, memperkirakan nominal outflow pada hari berikutnya, dan mengelompokkan kepadatan transaksi ke dalam kategori rendah, sedang, dan tinggi. Alur penelitian mengikuti CRISP-DM melalui tahap pemahaman data, pembersihan data, feature engineering, pelatihan berbasis urutan waktu, evaluasi, dan prediksi. Tahap persiapan menghasilkan 13.289 transaksi rapi dan 3.904 data harian dengan 41 indikator. XGBoost, LightGBM, dan CatBoost dibandingkan pada tugas regresi dan klasifikasi menggunakan MAE, RMSE, MAPE, R2, akurasi, presisi, recall, F1-Score Macro, dan F1-Score Weighted. CatBoost Regressor menghasilkan kesalahan terendah dengan RMSE Rp 3.534.296,59 dan MAPE 14,50%, sedangkan CatBoost Classifier memberikan keseimbangan kelas terbaik dengan akurasi 0,8066 dan F1-Score Macro 0,7713. Kebaruan penelitian terletak pada integrasi pembentukan panel harian, regresi nominal hari berikutnya, klasifikasi kepadatan transaksi, dan prediksi berdasarkan metode pembayaran dalam satu workflow operasional berbasis web untuk UMKM. Informasi yang dihasilkan mendukung persiapan likuiditas harian secara lebih terarah, dengan tetap memerlukan verifikasi manajerial

Page 58 of 59 | Total Record : 581

 55   56   57   58   59 

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