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
Application of K-Means Clustering Method for the Premier League Team Performance Segmentation Hikmalsyah, Muhammad Wahyu; Novianti, Hardini; Sanjaya, M. Rudi; Kurniati, Junia; Ariani, Ardina
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.v6i4.3248

Abstract

Final league table positions often fail to fully reflect a club's actual performance and playing style over the long term in competitions such as the Premier League. This study aims to group Premier League teams into homogeneous performance segments and present a comprehensive competitive landscape map. The problem is solved using a quantitative unsupervised learning approach by applying the K-Means Clustering algorithm to historical match statistics data spanning 12 seasons (2014/2015 to 2025/2026), comprising 4,560 official match records. Based on the Elbow method and Silhouette Score evaluations, the optimal number of clusters was determined to be . The input feature vector passed to the model strictly consisted of normalized Points and Goal Difference (GD) per season. The results successfully categorized Premier League clubs into three distinct strength strata: Elite (top-tier dominant teams), Competitive (upper-midtable contenders), and Vulnerable (relegation-prone teams), yielding a Silhouette Score of 0.450 and a Davies-Bouldin Index (DBI) of 0.741. Furthermore, baseline comparisons with Hierarchical Agglomerative Clustering (HAC) and Gaussian Mixture Models (GMM) confirmed 100% assignment convergence for the Elite stratum and demonstrated that K-Means achieved the most balanced cluster separation, providing deep strategic insights for football analysts to understand long-term club performance fluctuations.
Klasifikasi Citra Fundus untuk Identifikasi Diabetic Retinopathy, Glaucoma, Cataract Menggunakan ResNet-50 dan Transfer Learning: Fundus-Based Classification and Identification of Diabetic Retinopathy, Glaucoma, and Cataracts Using ResNet-50 Transfer Learning Karina, Karina; Wijaya, Novan
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.v6i4.3306

Abstract

Klasifikasi penyakit mata berdasarkan citra fundus retina merupakan tantangan besar dalam bidang analisis citra medis karena kemiripan karakteristik visual antar berbagai penyakit dapat memengaruhi akurasi diagnosis. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur ResNet-50 berbasis transfer learning dalam melakukan klasifikasi multi-kelas pada citra fundus yang dibagi menjadi tiga kategori, yaitu diabetic retinopathy, glaucoma, dan katarak. Dataset yang digunakan terdiri dari total 3.143 gambar setelah penyaringan pada kelas normal. Tahap preprocessing meliputi resize menggunakan metode interpolasi bicubic, normalisasi, dan augmentasi data. Penelitian ini menerapkan strategi fine-tuning parsial; selain itu, penelitian ini juga membandingkan optimasi antara penggunaan optimizer Adam dan Stochastic Gradient Descent (SGD) terhadap kinerja model. Hasil menunjukkan bahwa model mencapai kinerja terbaik dengan akurasi 95.13% menggunakan optimizer Adam, sementara model dengan optimizer SGD hanya mencapai akurasi 61.23%. Hasil ini menunjukkan bahwa pada learning rate yang sama, optimizer Adam memberikan konvergensi yang lebih cepat dan akurasi yang lebih tinggi dibandingkan dengan SGD dalam klasifikasi multi-class pada citra fundus.
Segmentasi Kematangan Buah Kopi Berdasarkan Kemiripan Warna dengan Algoritma K-Means: Coffee Fruit Ripeness Segmentation Based on Color Similarity Using the K-Means Algorithm Berutu, Nurhalijah; Sriani, Sriani
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.v6i4.3334

Abstract

Penilaian kematangan buah kopi secara manual bersifat subjektif karena pencahayaan yang tidak merata, buah yang tertutup daun, dan banyaknya buah pada satu pohon, sehingga pohon yang masih didominasi buah mentah dapat ikut dipanen. Penelitian ini menerapkan K-Means pada nilai RGB piksel untuk menyegmentasi buah kopi Arabika menjadi kategori mentah, setengah matang, dan matang, lalu mengagregasi empat sisi setiap pohon menjadi keputusan panen. Kontribusinya adalah keputusan tingkat pohon yang menggabungkan tiga klaster dengan agregasi empat sisi, disertai analisis kestabilan keputusan tersebut. Data berupa 32 citra dari delapan pohon. Citra dipotong secara manual, diubah ukurannya menjadi 1600 × 1600 piksel, dan dikelompokkan dengan K = 3 di MATLAB. Pohon dinyatakan layak panen jika rata-rata persentase setengah matang dan matang mencapai 60%. Lima pohon layak panen (empat setengah matang, satu matang) dan tiga pohon belum layak. Simpangan baku rata-rata antarsisi 10,14 poin persentase, tiga pohon berada dalam 1,6 poin dari ambang, dan penghilangan satu sisi mengubah keputusan tiga pohon. Validasi dilakukan secara visual tanpa data acuan berlabel, sehingga akurasi segmentasi belum terukur.