MALCOM: Indonesian Journal of Machine Learning and Computer Science

Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor

Fri, 26 Dec 2025 00:00:00 +0000

Penelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data.

Transformasi Digital Manajemen Stok UMKM Melalui Implementasi Sistem E-Inventory Mobile Real-Time

Sultan Akmal Ghiffari, Joko Aryanto — Fri, 26 Dec 2025 00:00:00 +0000

Pengelolaan stok barang merupakan aspek penting dalam menjaga keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM). Namun, banyak UMKM masih bergantung pada pencatatan konvensional yang rentan terhadap kesalahan dan keterlambatan, sehingga menurunkan efisiensi serta akurasi data. Penelitian ini bertujuan untuk menerapkan sistem e-inventory berbasis mobile real-time sebagai upaya digitalisasi proses manajemen stok pada UMKM. Penelitian ini menggunakan pendekatan pengembangan yang melibatkan tahap analisis, perancangan, implementasi, dan pengujian. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa seluruh fitur inti, mulai dari manajemen data, transaksi, hingga laporan statistik, berjalan valid dan sesuai spesifikasi. Selanjutnya, pengujian User Acceptance Test (UAT) oleh pengguna akhir (Pemilik UMKM) menghasilkan tingkat penerimaan 97,5% (skor rata-rata 4,88), yang mengonfirmasi sistem sangat mudah digunakan dan memenuhi kebutuhan operasional. Implementasi sistem e-inventory ini memperkuat transformasi digital pada sektor UMKM, meningkatkan efektivitas operasional, serta mendukung pengambilan keputusan yang lebih baik melalui data yang terstruktur dan real-time.

Comparison and Data Visualization in Thyroid Cancer Disease Prediction Using Machine Learning Algorithms

M. Zahran Yudha, Jasmir Jasmir, Fachruddin Fachruddin — Sun, 04 Jan 2026 00:00:00 +0000

Thyroid cancer is a common endocrine malignancy requiring accurate early prediction for improved patient outcomes. Comprehensive comparative studies of machine learning algorithms, accompanied by systematic visualization, remain limited. This study compares tree-based algorithms (Decision Trees, Random Forest) and boosting algorithms (Gradient Boosting, XGBoost) for thyroid cancer prediction and develops visualization strategies for clinical interpretation. Four algorithms were evaluated using accuracy (correct prediction proportion), precision (positive predictive value), recall (true positive rate), F1-score (harmonic mean of precision and recall), and AUC-ROC (area under the ROC curve). Visualization techniques, including confusion matrices, ROC curves, and feature importance plots, facilitated the interpretation of the model. XGBoost achieved superior performance with accuracy 95.2%, precision 94.8%, recall 95.6%, F1-score 95.2%, and AUC-ROC 0.978, followed by Random Forest (93.5%, 92.7%, 94.1%, 93.4%, 0.965), Gradient Boosting (91.8%, 90.9%, 92.4%, 91.6%, 0.952), and Decision Trees (87.3%, 86.5%, 88.2%, 87.3%, 0.913). Feature importance analysis identified key predictors. Boosting algorithms, particularly XGBoost, demonstrate superior thyroid cancer prediction across all metrics. Integrated visualization enhances clinical interpretability, providing empirical guidance for implementing machine learning-based diagnostic support systems.

Analisis Clustering Menggunakan Metode K-Means untuk Mengidentifikasi Pola Kepuasan Alumni

Mon, 05 Jan 2026 00:00:00 +0000

Tracer study berperan penting dalam mengevaluasi kualitas layanan pendidikan berdasarkan pengalaman alumni. Analisis kepuasan alumni terhadap fasilitas pembelajaran umumnya masih terbatas pada statistik deskriptif, sehingga belum mampu mengungkap pola kepuasan secara tersegmentasi pada data berskala besar. Penelitian ini bertujuan untuk mengidentifikasi pola segmentasi kepuasan alumni terhadap fasilitas pembelajaran di Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) sebagai indikator penting dalam evaluasi kualitas layanan pendidikan. Metode yang digunakan adalah K-Means Clustering, diimplementasikan melalui tahapan Knowledge Discovery in Database (KDD) pada 6.508 data tracer study alumni S1 lulusan 2010–2023. Proses preprocessing mencakup normalisasi data numerik menggunakan Min-Max Scaling untuk menyamakan skala enam indikator kepuasan (Perpustakaan, Teknologi Informasi, Modul Belajar, Ruang Belajar, Laboratorium, dan Variasi Mata Kuliah), sehingga meminimalkan bias dalam perhitungan jarak Euclidean. Berdasarkan Elbow Method, diperoleh jumlah klaster optimal adalah K=3, dan kualitas pengelompokan divalidasi dengan nilai Davies-Bouldin Index (DBI) sebesar 0,874, mengonfirmasi stabilitas klaster yang terbentuk. Analisis menghasilkan tiga klaster berbeda: Klaster 0 (Tingkat Kepuasan Tinggi) yang dominan, Klaster 1 (Tingkat Kepuasan Rendah), dan Klaster 2 (Tingkat Kepuasan Sangat Tinggi). Hasil ini memberikan segmentasi kepuasan yang eksplisit sebagai dasar bagi universitas untuk merumuskan strategi peningkatan fasilitas secara terarah dan berkelanjutan.

Implementasi Metode Simple Multi-Attribute Rating Technique untuk Penerimaan Bantuan Desa

Junaidi Junaidi, Heni Sulistiani — Mon, 05 Jan 2026 00:00:00 +0000

Penentuan penerima bantuan desa yang objektif dan transparan merupakan tantangan utama dalam tata kelola pemerintahan desa, termasuk di Desa Rangai Tri Tunggal. Proses seleksi yang masih bersifat subjektif berpotensi menimbulkan ketidakadilan dan menurunkan kepercayaan masyarakat terhadap kebijakan pemerintah desa. Penelitian ini bertujuan untuk mengimplementasikan Metode Simple Multi-Attribute Rating Technique (SMART) sebagai pendekatan sistematis dalam menentukan prioritas penerima bantuan desa berdasarkan kriteria sosial-ekonomi yang relevan. Pentingnya penelitian ini terletak pada upaya meningkatkan akuntabilitas, efisiensi, dan keadilan dalam distribusi bantuan, sekaligus mendukung prinsip good governance di tingkat desa. Urgensi penelitian muncul dari kebutuhan nyata akan sistem pengambilan keputusan yang terukur dan dapat dipertanggungjawabkan, mengingat keterbatasan anggaran dan kompleksitas kondisi penerima manfaat. Hasil penelitian menunjukkan bahwa penerapan metode SMART mampu menghasilkan peringkat prioritas calon penerima bantuan yang konsisten dengan kondisi faktual di lapangan, serta meminimalkan bias subjektif. Simpulan penelitian ini menegaskan bahwa metode SMART merupakan solusi efektif untuk mendukung pengambilan keputusan partisipatif dan berbasis data dalam konteks penerimaan bantuan desa, sehingga layak direplikasi di desa-desa lain dengan karakteristik serupa.

Implementasi Large Language Models dalam Rancang Bangun Aplikasi Computer-Assisted Test Mobile Berbasis Android

Mon, 05 Jan 2026 00:00:00 +0000

Perkembangan teknologi digital telah mendorong penerapan Computer Assisted Test (CAT) sebagai sarana evaluasi pembelajaran yang mampu meningkatkan efisiensi dan ketepatan pelaksanaan ujian. Meskipun demikian, sebagian besar sistem CAT yang ada masih berbasis web, sehingga fleksibilitas penggunaan pada perangkat mobile belum optimal dan proses penyusunan soal ujian masih memerlukan waktu yang relatif lama. Penelitian ini bertujuan untuk merancang dan mengembangkan aplikasi CAT berbasis mobile Android yang terintegrasi dengan Large Language Models (LLM) guna mendukung pembuatan soal ujian secara otomatis. Proses pengembangan sistem dilakukan dengan menggunakan metode Rapid Application Development (RAD) agar tahapan analisis, perancangan, dan implementasi dapat dilakukan secara lebih cepat dan adaptif. Hasil pengujian menunjukkan bahwa aplikasi yang dikembangkan berfungsi dengan baik dan memperoleh tingkat penerimaan pengguna sebesar 89% berdasarkan hasil User Acceptance Test (UAT). Integrasi LLM dalam aplikasi CAT mobile mampu meningkatkan efisiensi dalam pembuatan soal serta mendukung pelaksanaan ujian digital yang lebih fleksibel dan efektif.