Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Journal of Information Systems and Informatics Scientific Journal of Informatics
Agung Teguh Wibowo Almais
Universitas Islam Negeri Maulana Malik Ibrahim
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
EKSTRAKSI FITUR MENGGUNAKAN VGG-19 UNTUK CLUSTERING TINGKAT KERUSAKAN BANGUNAN PASCA BENCANA ALAM BERBASIS PCA Ahmad Jailani; Agung Teguh Wibowo Almais; Usman Pagalay; Mokhamad Amin Hariyadi; Fresy Nugroho
Jurnal Ilmiah Informatika Vol. 11 No. 1 (2026): Jurnal Ilmiah Informatika
Publisher : Department of Science and Technology Ibrahimy University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35316/.v11i1.9429

Abstract

Penilaian kerusakan bangunan pascabencana alam merupakan tugas kritis yang memerlukan kecepatan dan akurasi tinggi. Metode manual memiliki keterbatasan dari segi waktu, risiko keselamatan, dan subjektivitas. Penelitian ini mengeksplorasi pemanfaatan arsitektur Convolutional Neural Network (CNN) VGG19 untuk mengekstraksi fitur visual dari citra bangunan yang rusak. Fitur hierarkis yang dihasilkan, mulai dari tepi, retakan, hingga deformasi struktural, kemudian dianalisis menggunakan Principal Component Analysis (PCA) untuk reduksi dimensi. Hasil penelitian menunjukkan bahwa PCA berhasil mempertahankan sekitar 95% total varians data hanya dengan tiga komponen utama (PC1, PC2, PC3). Visualisasi dalam ruang dua dimensi mengindikasikan bahwa fitur dari VGG19 secara alami mampu memisahkan karakteristik kerusakan bangunan menjadi dua kelompok utama berdasarkan nilai PC1 negatif dan positif. Dengan demikian, kombinasi VGG19 dan PCA menawarkan fondasi yang efektif untuk sistem penilaian kerusakan bangunan otomatis yang lebih cepat, objektif, dan aman, meskipun validasi lebih lanjut dengan data lapangan masih diperlukan.
Multivariate LSTM for Drug Purchase Prediction in Pharmaceutical Management Fanny Brawijaya; Agung Teguh Wibowo Almais; Totok Chamidy
Journal of Information System and Informatics Vol 7 No 4 (2025): December
Publisher : Asosiasi Doktor Sistem Informasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63158/journalisi.v7i4.1313

Abstract

This study aims to develop a structured approach to predict the number of hospital drug purchases using deep learning techniques. The Multivariate Long Short-Term Memory (LSTM) model is designed to capture temporal and contextual patterns including transaction time, polyclinic type, and drug type to improve the efficiency of pharmaceutical management. The model was tested using outpatient transaction data at RSIA Fatimah Probolinggo hospital in East Java, Indonesia, through three configurations (A, B, and C) to determine the optimal parameters. The best model, the Model B1, produces a Mean Absolute Error (MAE) value of 10.239, Mean Absolute Percentage Error (MAPE) of 1.976%, and the Coefficient of Determination (R²) of 0.199, which indicates a high degree of accuracy. The results of the study prove that multivariate LSTM is able to model complex intervariable dependencies and provide superior results than conventional forecasting methods. In practical terms, this model can be used as a decision-making tool for hospital management in planning drug procurement, optimizing inventory, and preventing shortages and overstocks. The application of this model contributes to data-driven pharmaceutical supply chain planning in smart hospital management systems.
Co-Authors Ahmad Jailani Fanny Brawijaya Fresy Nugroho Mokhamad Amin Hariyadi Totok Chamidy Usman Pagalay