MALCOM: Indonesian Journal of Machine Learning and Computer Science

Clustering Modeling of Divorce-Causing Factors Using the K-Means Algorithm

Salsabila Arifa Hasibuan — 2026-08-15

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.

Inovasi Sistem Manajemen Rambu Lalu Lintas Real-Time Berbasis Internet of Things: Evaluasi Kinerja Berdasarkan Waktu Respons Transmisi Data dan Deteksi Lokasi GPS

Raka Pratindy — 2026-08-15

Keselamatan lalu lintas tetap menjadi isu kritis pada wilayah dengan keterbatasan rambu jalan statis yang dapat meningkatkan kebingungan pengemudi dan risiko kecelakaan. Penelitian ini bertujuan merancang Sistem Rambu Lalu Lintas Otomatis berbasis Internet of Things (IoT) untuk menyampaikan informasi lalu lintas secara real-time dan adaptif. Sistem dikembangkan menggunakan Raspberry Pi 3B+ sebagai pengendali utama yang terintegrasi dengan LED dot matrix, Firebase, Google Maps API, dan aplikasi Android. Penelitian menggunakan metode Research and Development (R&D) yang meliputi analisis, perancangan, perakitan perangkat keras, pemrograman, dan pengujian sistem. Hasil evaluasi menunjukkan rata-rata waktu respons transmisi data sebesar 5,8 detik dan waktu deteksi lokasi GPS sebesar 11,6 detik. Sistem mampu menampilkan informasi batas kecepatan dan rambu arah secara akurat dalam radius deteksi 10–30 meter. Temuan tersebut menunjukkan bahwa sistem berbasis IoT layak secara teknis untuk mendukung manajemen rambu yang fleksibel, adaptif, dan responsif terhadap kondisi jalan. Kebaruan penelitian terletak pada integrasi Raspberry Pi 3B+, LED dot matrix, Firebase, Google Maps API, dan aplikasi Android dalam sistem rambu adaptif berbasis geofencing. Pengujian pada lima titik koordinat juga menunjukkan kinerja sistem yang konsisten serta berpotensi dikembangkan melalui integrasi sensor lalu lintas dan kecerdasan buatan

Prediksi Nilai Akhir Sekolah Menggunakan Algoritma Random Forest

Najwa Hanindya Putri — 2026-08-15

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.

Rancang Bangun Sistem Cerdas Pemantauan dan Analisis Kepadatan Lalu Lintas Berbasis Computer Vision Menggunakan Algoritma YOLOv11

Taufiqul Israt — 2026-08-15

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.

Redesigning the Oxygen Gas Distribution Business Process for Process Time Efficiency from Department to Shipping

Naufal Abdurrahman Hawari — 2026-08-15

Inefficiencies often occur in company operations due to mismatches between business processes implemented in Enterprise Resource Planning (ERP) systems and operational practices. This study aims to improve the business processes of an industrial gas manufacturer that experiences delays in meeting customer needs due to inconsistencies within its ERP system. Business Process Reengineering (BPR) is applied through fundamental rethinking and radical redesign to improve process efficiency. The fundamental rethink stage begins with developing a Business Process Model and Notation (BPMN) model to map the current business process (As-Is), followed by 5W+1H analysis, Root Cause Analysis (RCA), and time study. The radical redesign stage involves developing a proposed business process (To-Be) based on the problems. The results indicate that the main problems are concentrated in the distribution unit, particularly manual communication, duplicate data entry, and limited integration between work units. The time study shows that the initial business process requires an average of 4 hours, 41 minutes, and 39 seconds. The proposed business process reduces the processing time to 3 hours, 37 minutes, and 25 seconds. These results demonstrate that the redesigned process improves operational efficiency by 22.8% and provides an integrated, efficient, and responsive business process

Perancangan dan Implementasi Sistem Deteksi Kebocoran Gas Berbasis Internet of Things Menggunakan Algoritma Fuzzy Logic Controller

Dilla Puspita Mentia — 2026-08-15

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.

Desain Sistem Monitoring Ketinggian Air dan Peringatan Dini Banjir Berbasis Internet of Things

Nurul Aulia Safitri — 2026-08-15

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.

Komparasi Naive Bayes dan Support Vector Machine untuk Analisis Sentimen Kebijakan Pemerintah Mengenai Makan Bergizi Gratis

Sri Mulyani — 2026-08-15

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.

Analisis Sentimen Ulasan Figma dan Canva di Google Play Store Menggunakan Support Vector Machine dan SMOTE

Indriani Zabrina Putri — 2026-08-15

Ulasan pengguna di Google Play Store memberikan informasi penting tentang pengalaman dan tingkat kepuasan pengguna terhadap aplikasi seluler. Penelitian ini bertujuan membandingkan sentimen pengguna aplikasi Canva dan Figma serta mengevaluasi kinerja algoritma Support Vector Machine (SVM) yang dikombinasikan dengan Synthetic Minority Over-sampling Technique (SMOTE) dalam mengklasifikasikan sentimen pengguna. Sebanyak 8.192 ulasan dikumpulkan dan diproses melalui tahapan pembersihan data, case folding, tokenisasi, penghapusan stopword, stemming, pelabelan sentimen berdasarkan rating pengguna, serta ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. SMOTE diterapkan pada data pelatihan untuk mengatasi ketidakseimbangan kelas sebelum proses pemodelan menggunakan SVM. Hasil evaluasi menunjukkan bahwa model memperoleh akurasi sebesar 87,19%, precision 95,32%, recall 87,01%, dan F1-score 90,97%. Sentimen positif mendominasi ulasan pada kedua aplikasi. Pengguna Canva lebih banyak menyampaikan keluhan terkait layanan berlangganan dan pengelolaan akun, sedangkan pengguna Figma lebih sering mengalami kendala login, aksesibilitas aplikasi, dan masalah teknis. Temuan ini menunjukkan bahwa kombinasi SVM dan SMOTE mampu menghasilkan kinerja klasifikasi yang baik serta memberikan informasi yang dapat digunakan oleh pengembang untuk meningkatkan kualitas layanan, mengoptimalkan fitur aplikasi, dan meningkatkan kepuasan pengguna.

An Explainable Artificial Intelligence Approach to Rice Leaf Disease Classification Using MobileNetV3-Large

Adyatma Imam Susanto — 2026-08-15

In Indonesia, rice is a vital component of food security, but persistent leaf diseases threaten productivity. Currently, field identification relies on labor-intensive, human-error-prone manual observation. To address this, we developed an accurate and interpretable classification model integrating the MobileNetV3-Large with Gradient-weighted Class Activation Mapping (Grad-CAM). The model obtained 98.82% validation accuracy after being trained via transfer learning on a public dataset with four classes: healthy, bacterial leaf blight, brown spot, and blast. The dataset was partitioned using a 90:10 data split (5,018 training and 612 validation samples). The model achieved a validation accuracy of 98.82% alongside robust multi-metric performance, obtaining a weighted average precision of 99.00%, a recall of 98.80%, Micro AUC and Macro AUC both reached 0.9977, and an F1-score of 98.90%. Furthermore, Grad-CAM analysis confirmed that the model's predictions are interpretable. The resulting heatmaps consistently concentrated on leaf regions exhibiting disease symptoms, demonstrating that the network learned visually meaningful features despite minor background activations. These findings validate that combining MobileNetV3-Large with Grad-CAM yields an effective, transparent classification system, offering strong potential for robust, user-verifiable rice disease diagnosis in agricultural deployments.

Sistem Analisis Transaksi Tunai Harian Kenna Cell Menggunakan Machine Learning

Niken Ayu Ambarwati — 2026-08-16

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

Penerapan Algoritma LightGBM untuk Penentuan Kondisi Air Akuarium Berdasarkan Parameter Kualitas Air

Mutiara Qolbu — 2026-08-16

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.

Analisis Sentimen dan Pemodelan Topik Komentar YouTube tentang Aplikasi AI Menggunakan Naïve Bayes dan Support Vector Machine

Mila Rosyada — 2026-08-16

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.

Klasifikasi Status Gizi Balita Menggunakan Machine Learning Berdasarkan Indikator Label Z-score Antropometri Standar WHO

Revanda Putri Rahmadani — 2026-08-21

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.