cover
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
ISSN : 27972313     EISSN : 27758575     DOI : -
Core Subject : Science,
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
Articles 633 Documents
Thermal Camera-Based Facial Temperature Monitoring System Using a Convolutional Neural Network (CNN) Prihatini, Ekawati; Yahya, Muhammad Amri; S, Huswatun Hasanah
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.v6i4.2996

Abstract

Advances in artificial intelligence and computer vision have enabled non-contact temperature monitoring through thermal imaging. However, facial temperature measurements may be affected by environmental conditions and individual characteristics, which can reduce prediction accuracy. This study develops a thermal camera-based facial temperature monitoring system using a Convolutional Neural Network (CNN). The system integrates an MLX90640 thermal camera, a webcam, a Raspberry Pi 4, an ESP32, a human-machine interface (HMI), and a servo motor to support automated monitoring. A total of 2,300 paired RGB and thermal images were collected and preprocessed into 128 × 128 grayscale images. The dataset was split into training and testing sets using an 80:20 ratio. The CNN model was trained for 60 epochs with a batch size of 16 and a learning rate of 0.001. Model performance was evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). Evaluation across five subjects produced average MAE, MSE, and RMSE values of 0.128 °C, 0.032, and 0.168 °C, respectively. The actual and predicted average temperatures were 35.29 °C and 35.39 °C, respectively. Results show the CNN can estimate facial surface temperature with relatively low errors, supporting non-contact monitoring on low-cost embedded platforms
Analysis and Modeling of Population Administration Information System Business Processes Using BPI and BPMN Sa'adah, Nihayatus; Alawi, Zakky; Budiani, Jauhara Rana
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.v6i4.3002

Abstract

Population administration services are a form of public service that requires effective, efficient processes to deliver optimal services to the community. However, in practice, several obstacles persist, including data re-entry, discrepancies between physical documents and system data, and continued reliance on manual processes, which contribute to service delays. This study aims to analyze and improve the business process of population administration services in the Population Administration Information System (SIAK) at the Population and Civil Registration Office of Bojonegoro Regency using the Business Process Improvement (BPI) and Business Process Model and Notation (BPMN) methods. Data were collected through observations and interviews with sub-district operators and Disdukcapil officers to understand the existing process flow. The analysis was conducted through As-Is process modeling, bottleneck identification, value-added and non-value-added activity analysis, and the design of a To-Be process model as the proposed improvement. The results showed that the main bottlenecks were data re-entry activities and dependence on manual processes, which increased service time. The proposed improvements simplified the service flow, reduced non-value-added activities, and ultimately improved overall process efficiency. Based on the measurement results, service processing time decreased from 55 minutes to 38 minutes, resulting in a 30.9% improvement in efficiency.
Analisis Akurasi dan Efisiensi Komputasi Arsitektur Deep Learning untuk Deteksi Jatuh Berbasis Pose Estimation: Accuracy and Computational Efficiency Analysis of Deep Learning Architectures for Pose Estimation-Based Fall Detection Mahardo, Ruben Emmanuel; Handojo, Andreas
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.v6i4.3007

Abstract

Kejadian jatuh pada lansia menyebabkan lebih dari 684.000 kematian setiap tahun, sehingga diperlukan sistem deteksi otomatis yang menyeimbangkan akurasi dan efisiensi komputasi. Penelitian ini mengevaluasi kinerja tiga arsitektur deep learning berbasis sekuens untuk deteksi jatuh berbasis estimasi pose, yaitu Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), dan Spatio-Temporal Graph Convolutional Network (ST-GCN). Kebaruan penelitian terletak pada pemisahan pengaruh kualitas backbone estimasi pose, stabilisasi post-processing, serta identifikasi ekstraksi pose sebagai bottleneck latensi real-time. Estimasi pose menggunakan YOLOv11-pose pada dataset Le2i yang terdiri atas 190 video dari empat skenario ruangan. Eksperimen menerapkan sliding window 25 frame, evaluasi lintas lingkungan, tuning hyperparameter melalui grid search, serta stabilisasi prediksi. Hasil menunjukkan TCN memperoleh F1-Score 1,000 pada Lecture_room serta Recall 0,824 dan F1-Score 0,875 pada Office, dengan waktu 2,97 detik per epoch. ST-GCN menyamai TCN pada Office, tetapi menghasilkan F1-Score 0,923 pada Lecture_room dengan biaya komputasi 1,6 kali lebih tinggi. LSTM menawarkan inferensi 0,276 milidetik per sekuens dan 17,9 FPS, tetapi Recall Office lebih rendah, yaitu 0,706. Ekstraksi pose menyumbang sekitar 90% latensi pipeline. Dengan demikian, TCN direkomendasikan untuk deteksi jatuh real-time, sedangkan LSTM lebih sesuai untuk perangkat dengan sumber daya terbatas.
Analisis Tren Topik Berbasis BERTopic untuk Pendukung Keputusan Akademik Teknik Sipil: BERTopic-Based Analysis of Student Research Trends for Academic Decision Support Pratomo, Ayang Yugo; Umniati, Naeli
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.v6i4.3035

Abstract

Penelitian ini menganalisis tren topik tugas akhir mahasiswa Teknik Sipil Universitas Mercu Buana periode 2021–2025 dan merumuskan rekomendasi akademik berbasis data. Kerangka CRISP-DM diterapkan pada 1.532 dokumen yang memuat atribut tahun, judul, dan abstrak. Teks dipraproses, direpresentasikan menggunakan Sentence-BERT, dan dimodelkan dengan BERTopic, sedangkan Latent Dirichlet Allocation (LDA) digunakan sebagai pembanding pada korpus dan jumlah topik yang sama. Analisis sensitivitas menguji sembilan kombinasi parameter UMAP–HDBSCAN. Konfigurasi terpilih menghasilkan 22 topik dengan Topic Coherence 0,7807, Topic Diversity 0,7909, dan 253 dokumen outlier, sedangkan LDA memperoleh nilai masing-masing 0,6334 dan 0,8273. Kebaruan penelitian terletak pada integrasi evaluasi komparatif pemodelan topik, analisis tren yang diperkuat secara statistik, pemetaan semantik otomatis ke bidang konsentrasi yang dilanjutkan dengan pemetaan institusional PEO, serta rekomendasi berbasis aturan yang transparan. Arah tren ditentukan menggunakan slope, sedangkan p-value dan R-squared digunakan untuk mendukung interpretasi kekuatan statistik. Building Information Modeling dan penjadwalan CPM/PERT meningkat secara signifikan, sedangkan Earned Value Management serta hidrologi dan drainase menurun secara signifikan. Hasil analisis diintegrasikan ke dalam Sistem Pendukung Keputusan Akademik hibrida semantik-statistik yang menggabungkan pemetaan berbasis Sentence-BERT dan aturan keputusan untuk menghasilkan rekomendasi awal berupa pengembangan, pemeliharaan, pemantauan, evaluasi, dan revitalisasi bidang penelitian
Klasifikasi Status Gizi Balita Menggunakan Machine Learning Berdasarkan Indikator Label Z-score Antropometri Standar WHO : Classification of Nutritional Status in Children Under Five Using Machine Learning with WHO-Standard Anthropometric Z-Score Labels Rahmadani, Revanda Putri; Arifin, Muhammad; Nugraha, Fajar
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.v6i4.3037

Abstract

Penelitian ini menerapkan Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk mengklasifikasikan status gizi balita berdasarkan catatan antropometri Puskesmas Wergu Wetan, dengan kategori BB/TB WHO sebagai target. Dataset memuat 4.593 catatan dan 39 atribut. Setelah penyaringan validitas dan deduplikasi berdasarkan kombinasi variabel analisis, sebanyak 4.540 catatan dianalisis. Target terdiri atas enam kategori, yaitu gizi buruk, gizi kurang, gizi baik, risiko gizi lebih, gizi lebih, dan obesitas. Prediktor mencakup jenis kelamin, usia dalam bulan, berat badan, dan tinggi badan tercatat. Nilai Z-score BB/TB hanya digunakan untuk audit konsistensi label dan kemudian dikeluarkan dari masukan model untuk mencegah kebocoran target. Enam algoritma machine learning dibandingkan menggunakan pembagian data latih-uji terstratifikasi 80:20 yang sama tanpa resampling. XGBoost menunjukkan kinerja awal terbaik pada data uji internal dengan akurasi 94,93% dan F1-score tertimbang 94,61%. Setelah penalaan hiperparameter menggunakan GridSearchCV, model akhir mengklasifikasikan 861 dari 908 data uji dengan benar serta menghasilkan akurasi 94,82%, F1-score tertimbang 94,51%, F1-score makro 68,33%, dan balanced accuracy 64,35%. Berbeda dari studi terdahulu yang umumnya menguji lebih sedikit model keluarga atau belum menggabungkan pencegahan kebocoran data, evaluasi peka kelas, pengujian statistik berpasangan, dan implementasi, penelitian ini berkontribusi melalui satu alur yang dapat ditelusuri serta mengintegrasikan keempat unsur dalam prototipe Streamlit nondiagnostik.
Optimasi Hyperparameter XGBoost Menggunakan Particle Swarm dan Grey Wolf Optimization untuk Prediksi Churn: XGBoost Hyperparameter Optimization Using Particle Swarm and Grey Wolf Optimization for Churn Prediction Gymnastiar, Muhammad Farhan; Shiddieq, Diqy Fakhrun; Roji, Fikri Fahru
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.v6i4.3049

Abstract

Customer churn merupakan tantangan kritis bagi industri berbasis langganan karena biaya akuisisi pelanggan baru jauh lebih tinggi dibandingkan biaya mempertahankan pelanggan yang sudah ada. Tujuan penelitian ini adalah membandingkan kinerja algoritma XGBoost dengan dua pendekatan optimasi hyperparameter, yaitu Particle Swarm Optimization (PSO) dan Grey Wolf Optimization (GWO), untuk memprediksi churn pelanggan pada layanan streaming. Dataset sintetis terkontrol sebanyak 10.000 sampel digunakan untuk memastikan perbandingan algoritma yang adil dan bebas dari kendala privasi. Evaluasi dilakukan melalui 10-fold cross-validation menggunakan metrik akurasi, recall, F1-score, dan AUC-ROC, serta dilengkapi dengan uji signifikansi statistik (paired t-test dan Wilcoxon) dan ablation test. Hasil menunjukkan bahwa kedua model yang dioptimalkan meningkatkan akurasi dibandingkan dengan baseline (baseline 96,26%; PSO 96,48%; GWO 96,52%). Uji statistik menunjukkan bahwa peningkatan yang dicapai XGBoost+PSO terhadap baseline bersifat signifikan (p = 0,0159), sedangkan peningkatan XGBoost+GWO belum signifikan (p = 0,0800). Analisis dampak bisnis menunjukkan bahwa penerapan model prediksi menghasilkan net benefit positif yang jauh lebih besar dibandingkan tanpa model. Temuan ini menegaskan bahwa optimasi metaheuristik, khususnya PSO, dapat memberikan peningkatan kinerja yang terukur, sekaligus menyoroti pentingnya validasi statistik dalam klaim superioritas algoritma. Penelitian lanjutan disarankan untuk menggunakan dataset riil guna menggeneralisasi temuan.
Pemodelan Topik Ulasan Google Menggunakan Latent Dirichlet Allocation untuk Objek Wisata Alam: Topic Modeling of Google Reviews Using Latent Dirichlet Allocation for Natural Attractions Firmansyah, Firmansyah; Shiddieq, Diqy Fakhrun; Nurhayati, Dwi
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.v6i4.3050

Abstract

Pertumbuhan jumlah ulasan wisatawan di Google Review menghasilkan data teks yang kaya informasi mengenai pengalaman pengunjung, tetapi sifatnya yang tidak terstruktur menyulitkan analisis manual. Penelitian ini bertujuan mengidentifikasi tema utama dalam ulasan wisata alam di Kabupaten Garut menggunakan metode Latent Dirichlet Allocation (LDA). Kebaruan penelitian terletak pada penerapan preprocessing yang disesuaikan dengan karakteristik bahasa ulasan lokal, meliputi normalisasi kata tidak baku dan penggunaan kamus stopword khusus pariwisata, pada konteks wisata alam Kabupaten Garut yang belum dikaji secara khusus menggunakan LDA. Sebanyak 12.861 ulasan dari berbagai destinasi wisata alam dikumpulkan menggunakan Instant Data Scraper. Data kemudian diproses melalui tahapan case folding, cleaning, normalization, tokenizing, stopword removal, dan stemming. Pemodelan dilakukan dengan menguji beberapa jumlah topik berdasarkan nilai coherence score, kemudian hasilnya divisualisasikan menggunakan pyLDAvis. Model terbaik menghasilkan lima topik dengan nilai coherence 0,5461. Kelima topik tersebut mencakup aksesibilitas destinasi, biaya kunjungan, wisata pantai dan kebersihan lingkungan, keindahan dan kenyamanan destinasi, serta pengalaman wisata pegunungan. Visualisasi pyLDAvis memperlihatkan hubungan antartopik dan distribusi kata dominan. Hasil penelitian menunjukkan bahwa LDA dapat mengekstraksi informasi bermakna dari ulasan wisatawan serta memberikan masukan bagi pengelola destinasi dan pemerintah daerah dalam meningkatkan kualitas layanan, fasilitas, kebersihan lingkungan, dan pengembangan wisata alam berkelanjutan di Kabupaten Garut.
Pengenalan Pola Batik dan Tenun Sutera Bugis Menggunakan Convolutional Neural Network (CNN): Recognition of Bugis Batik and Silk Weaving Patterns Using a Convolutional Neural Network (CNN) Pawelloi, Andi Irmayani; Arifuddin, Arifuddin; Arthanugraha, Wahyu; Selao, Ahmad; Wafiah, Andi
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.v6i4.3058

Abstract

Kabupaten Wajo memiliki warisan tenun sutra Bugis yang memiliki nilai filosofis tinggi. Identifikasi motif kain ini masih dilakukan secara manual. Cara tradisional tersebut memicu kesalahan klasifikasi dan menghambat digitalisasi budaya. Riset ini membangun sistem pengenalan motif berbasis Convolutional Neural Network (CNN) sekaligus mengukur tingkat akurasinya. Peneliti menerapkan metode Research and Development (R&D) melalui pendekatan prototipe. Peneliti mengumpulkan 3.508 citra dari observasi, katalog, dan media sosial. Himpunan data ini mencakup tujuh kelas motif dan satu kelas Non-Motif. Peneliti membagi data menjadi 70% untuk pelatihan, 15% untuk validasi, dan 15% untuk pengujian. Setelah prapemrosesan, model menjalani pelatihan transfer learning menggunakan arsitektur modifikasi MobileNetV2. Pelatihan berlangsung selama 50 epoch dengan input 224x224x3, batch size 32, dan optimizer Adam. Peneliti lalu mengintegrasikan model ke aplikasi web berbasis Flask. Kontribusi utama riset ini menghadirkan sistem identifikasi otomatis multi-kelas untuk mendukung digitalisasi tekstil Bugis. Pengujian terhadap 533 citra mencatat akurasi 97,76 persen serta skor makro precision, recall, dan F1-score sebesar 0,98. Kelas Bukan Motif, Bunga Lagosi, dan Sobbi KDI meraih F1-score sempurna sebesar 1,00. Temuan ini membuktikan bahwa sistem mampu mengenali motif secara presisi dan efektif melestarikan budaya Bugis
Prediksi Risiko Diabetes dengan Dataset BRFSS: Perspektif Recall dan Feature Importance: Diabetes Risk Prediction with BRFSS: A Recall and Feature Importance Perspective Herita, Aisy Intan; Kurniawan, Dedy; Tania, Ken Ditha
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.v6i4.3115

Abstract

Diabetes melitus tetap menjadi salah satu permasalahan kesehatan kronis global yang memerlukan deteksi dini untuk mengurangi risiko komplikasi. Machine learning telah banyak diterapkan untuk memprediksi diabetes menggunakan data survei kesehatan populasi seperti Behavioral Risk Factor Surveillance System (BRFSS), tetapi sebagian penelitian masih menitikberatkan accuracy meskipun data mengalami ketidakseimbangan kelas. Kondisi tersebut dapat menyebabkan kemampuan model dalam mengenali kasus positif kurang teridentifikasi secara optimal. Penelitian ini membandingkan lima algoritma, yaitu Support Vector Machine, Logistic Regression, Random Forest, XGBoost, dan Naive Bayes, menggunakan BRFSS 2015 dengan recall sebagai kriteria utama pemilihan model, bukan sekadar metrik evaluasi, serta menerapkan feature importance pada model dengan kemampuan deteksi terbaik. Tahapan penelitian meliputi praproses, penyederhanaan label menjadi biner, pembagian data 80:20, SMOTE, pelatihan model baseline, dan optimasi hyperparameter menggunakan GridSearchCV. Hasil menunjukkan SVM memperoleh recall tertinggi sebesar 77%, diikuti Logistic Regression sebesar 76%. Optimasi meningkatkan recall Random Forest dari 31% menjadi 65% dan XGBoost dari 23% menjadi 61%. Feature importance mengidentifikasi GenHlth, usia, BMI, HighBP, dan HighChol sebagai fitur dominan. Pendekatan ini menempatkan kemampuan deteksi kasus positif sebagai dasar seleksi model dan interpretasi fitur
Knowledge Discovery Berdasarkan Analisis Sentimen Berbasis Aspek pada Ulasan Pengguna myBCA Menggunakan Machine Learning: Knowledge Discovery from Aspect-Based Sentiment Analysis of myBCA User Reviews Using Machine Learning Disriansyah, Muhammad Iqbal; Tania, Ken Ditha; Utari, Meylani
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.v6i4.3182

Abstract

Perkembangan ekosistem keuangan berbasis digital mendorong lonjakan ulasan pengguna pada kanal digital seperti Google Play Store, membuka peluang untuk menggali informasi lewat analisis sentimen. Penelitian ini bertujuan mengungkap sentimen pengguna myBCA pada empat aspek yaitu tampilan, fitur dan performa, layanan, serta keamanan, sekaligus membandingkan performa tiga algoritma klasifikasi machine learning. Analisis sentimen berbasis aspek diterapkan pada 8.365 ulasan aplikasi myBCA yang dikumpulkan secara otomatis dari Google Play Store. Setelah melalui tahap pengolahan teks (pembersihan, penyeragaman huruf, pemecahan kata, penyaringan kata umum, penyesuaian kata dasar), ulasan dikelompokkan ke dalam empat aspek menggunakan pencocokan kata kunci, dengan label sentimen ditentukan dari rating (1–3 negatif, 4–5 positif). Fitur direpresentasikan melalui TF-IDF dan diuji dengan Support Vector Machine, Naïve Bayes, dan Random Forest. Support Vector Machine mencatat kinerja terbaik (accuracy 0,85), diikuti Random Forest (0,84) dan Naïve Bayes (0,81). Aspek keamanan mencatat persentase sentimen negatif tertinggi (90,4%), sementara fitur dan performa mencatat volume keluhan terbanyak (2.662 ulasan), didominasi kendala login, gangguan transaksi, dan ketidakstabilan pasca-pembaruan. Temuan ini menjadi landasan bagi pengembang myBCA untuk memprioritaskan stabilitas transaksi dan keamanan dibandingkan penyempurnaan tampilan