Article Per Year (5 Year)
p-Index From 2021 - 2026
4.269
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Teknologi Dan Industri Pangan Jurnal Pustakawan Indonesia ComEngApp : Computer Engineering and Applications Journal Journal of Tropical Life Science : International Journal of Theoretical, Experimental, and Applied Life Sciences TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmu Komputer dan Agri-Informatika Jurnal Ilmiah Kursor Biogenesis: Jurnal Ilmiah Biologi Jurnal Teknologi Informasi dan Ilmu Komputer Journal of ICT Research and Applications International Journal of Advances in Intelligent Informatics Indonesian Journal of Biotechnology Seminar Nasional Informatika (SEMNASIF) Sosio Konsepsia Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Jurnal Teknologi dan Sistem Komputer Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi Jurnal Penelitian Pendidikan IPA (JPPIPA) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control ILKOM Jurnal Ilmiah Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Jamu Indonesia Journal of Electronics, Electromedical Engineering, and Medical Informatics VISI PUSTAKA: Buletin Jaringan Informasi Antar Perpustakaan JURNAL Al-AZHAR INDONESIA SERI SAINS DAN TEKNOLOGI Indonesian Journal of Electrical Engineering and Computer Science Nusantara Science and Technology Proceedings Bioinformatics and Biomedical Research Journal Jurnal Pustakawan Indonesia Jurnal Nasional Teknik Elektro dan Teknologi Informasi J-Icon : Jurnal Komputer dan Informatika Indonesian Journal of Jamu
Wisnu Ananta Kusuma
Department Of Computer Science, Faculty Of Mathematics And Natural Sciences, IPB University, Jl Meranti Kampus IPB Dramaga, Bogor 16680, Indonesia
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Medicine & Pharmacology Physics Public Health Social Sciences Other

Published : 84 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 84 Documents
Search

 5   6   7   8   9 
Prediction of side effects of drug resistant tuberculosis drugs using multi-label random forest Helma, Siti Syahidatul; Kusuma, Wisnu Ananta; Mushthofa, Mushthofa; Handayani, Diah
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 14, No 4: August 2025
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v14.i4.pp2899-2908

Abstract

Drug-resistant tuberculosis (DR-TB) has become a concern because anti-tuberculosis drugs (ATD) used to treat it can cause side effects in patients. This study aimed to predict the potential side effects of ATD using a multi-label classification approach with a random forest (RF) algorithm. This study used 660 medical record data, including the 14 ATD treatments prescribed to the patients and the six side effects experienced by patients. The model was trained using the best parameters based on the hyperparameter tuning process. The results show that the RF multi-label algorithm can be an alternative for building ATD side effect prediction models because it produces the most optimal performance value compared to the decision tree (DT) and extreme gradient boosting (XGBoost). The area under the curve (AUC) score of all RF multi-label models is above 0.8, which means that all RF multi-label models are considered acceptable and applicable for ATD side effect prediction. In addition, eight features influenced the models based on the average feature importance score of the RF models. This study is expected to help predict the side effects of ATD used to treat DR-TB based on ATD treatment and determine the most promising tree-based machine learning algorithm for predicting ATD side effects.
Modified U-Net for Leaf Segmentation of Eucalyptus pellita Seedlings in Open Natural Environments Alami, Tegar; Herdiyeni, Yeni; Kusuma, Wisnu Ananta; Tjahjono, Budi; Siregar, Iskandar Zulkarnaen
Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Vol. 10, No. 4, November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/kinetik.v10i4.2349

Abstract

This study addressed leaf segmentation in open nursery environments for Eucalyptus pellita seedlings, where fluctuating illumination, cluttered backgrounds, and overlapping foliage had hindered reliable monitoring at operational scale. We proposed a Modified U-Net that integrated a ResNet-50 encoder for high-resolution feature extraction, L2 regularization in the decoder to improve generalization, and a composite binary cross-entropy plus Dice loss to balance pixel-level accuracy with shape conformity. We assembled 2,424 RGB images from an operational nursery and evaluated three architectures (Modified U-Net as the primary model, SegNet, and DeepLabv3+) under cloudy, sunny, and scorching illumination. We conducted inference at native resolution and summarized per-image metrics using medians with interquartile ranges, followed by nonparametric significance testing. The Modified U-Net consistently outperformed the baselines across all scenarios, achieving median Dice coefficients of 0.872 (cloudy), 0.841 (sunny), and 0.854 (scorching), with corresponding Intersection over Union values of 0.773, 0.725, and 0.745. A Kruskal-Wallis test on per-image Dice and Intersection over Union yielded no significant differences across lighting conditions (H = 4.012, p = 0.1345), indicating stable performance under natural illumination variability. Qualitative overlays revealed localized errors, including glare-induced false positives in sunny scenes and shadow-related artifacts under scorching light, which did not materially shift global overlap distributions. We concluded that the proposed architecture delivered robust, high-fidelity segmentation in realistic nursery conditions and provided a practical basis for field deployment, with further gains expected from glare- and shadow-aware augmentation and lightweight optimization for near real-time inference on edge devices.
From Serial to Parallel: Enhancing Needleman-Wunsch Performance through GPU-Based Computing Suharini, Yustina Sri; Kusuma, Wisnu Ananta; Nurdiati, Sri; Batubara, Irmanida
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 5 (2025): October 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i5.6620

Abstract

The increasing demand for faster bioinformatics analysis calls for more efficient approaches for sequence alignment. In this study, we demonstrate that a GPU-based implementation of the Needleman-Wunsch algorithm can achieve up to 14.8× speedup compared to its traditional CPU-based serial counterpart, without compromising alignment accuracy. By leveraging the parallel processing capabilities and shared memory of an NVIDIA GeForce RTX 3060 Laptop GPU, we significantly accelerated global sequence alignment tasks. Using clinically relevant genes such as NRAS, BRCA1, BRCA2, and Saccharomyces cerevisiae from NCBI ensures realistic alignment challenges and biological significance. Performance evaluation across a wide range of sequence lengths demonstrates the scalability and efficiency of the parallel approach. More importantly, this study provides a unique contribution by showing that a commodity GPU, such as the NVIDIA GeForce RTX 3060 Laptop, can serve as a practical alternative when high-performance computing clusters are unavailable or prohibitively expensive, thereby offering an accessible and cost-effective pathway to high-throughput bioinformatics workflows.
Pengkontruksian Bidirected Overlap Graph untuk Perakitan Sekuens DNA Kusuma, Wisnu Ananta; Adrianus, Albert
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 2: April 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020722070

Abstract

De novo DNA (Deoxyribonucleic Acid) sequence assembly atau perakitan sekuens DNA secara De novo adalah tahapan yang sangat penting dalam analisis sekuens DNA. Tahapan ini diperlukan untuk merakit atau menyambungkan kembali fragmen-fragmen DNA (reads) yang dihasilkan oleh Next Generation Sequencing menjadi genom yang utuh. Masalah perakitan DNA ini dapat direpresentasikan sebagai masalah Shortest Common Superstring (SCS). Perakitan ini memerlukan bantuan perangkat lunak untuk mendeteksi daerah yang sama pada reads DNA (overlap), mengkonstruksi overlap graph, dan kemudian mencari shortest path dari graf yang terbentuk. Metode ini dinamakan Overlap Layout Consensus (OLC). Hal yang penting dalam metode OLC adalah pendeteksian overlap dari masing-masing reads. Pada penelitian ini dikembangkan suatu teknik untuk membuat bidirected overlap graph. Suffix array digunakan untuk menentukan bagian overlap dari setiap reads dengan melakukan pengindeksan setiap suffix dari reads. Proses perakitan sekuens DNA merupakan suatu proses komputasi yang intensif. Untuk mengefisiensikan  proses dilakukan perubahan masing-masing suffix dan prefix menjadi suatu nilai tertentu yang bersifat tunggal dan mencari overlap dengan membandingkan angka yang merupakan representasi dari setiap reads. Cara ini lebih efisien dibandingkan melakukan pendeteksian overlap dengan metode pencocokan  string. Hasil perbandingan menunjukkan bahwa waktu yang diperlukan untuk mengeksekusi metode yang diusulkan (perbandingan angka) jauh lebih singkat dibandingkan dengan menggunakan metode pencocokan string. Untuk jumlah reads 2000 dan 5000 reads teknik yang diusulkan ini dapat menghasilkan overlap graph yang 100% akurat di mana semua reads dapat direpresentasikan ke dalam node yang dikonrtruksi dan semua overlap dapat direpresentasikan ke dalam edge. AbstractDe novo DNA sequence assembly is the important step in DNA sequence analysis. This step is required for assembling fragments or reads produced by Next Generation Sequencing to yield a whole genome. The problem of DNA assembly could be represented as the Shortest Common Superstring (SCS) problem. The assembly requires a software for detecting the overlap region among reads, constructing an overlap graph, and finding the shortest path from the overlap graph.. This method is popular as The Overlap Layout Consensus (OLC). The most important step in OLC is detecting overlaps among reads. This study develop a new approach to construct bidirected overlap graph. Suffis array is used for detecting overlap region from each reads by indexing suffix of each reads. DNA assembly process is computational intensive. To reduce the execution time suffix and prefix was converted into the single value so that the detection of overlap could be done by comparing the values. This method is much more efficient compared to that of using string matching. Using 2000 and 5000 reads, the proposed method (value comparison) could yield the perfect overlap graph, in which all reads and overlap could be represented as nodes and edges, respectively.   
Model Prediksi Interaksi Senyawa dan Protein untuk Drug Repositioning menggunakan Deep Semi-Supervised Learning Larasati, Larasati; Kusuma, Wisnu Ananta; Annisa, Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 4: Agustus 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020742236

Abstract

Drug repositioning adalah penggunaan senyawa obat yang sudah lolos uji sebelumnya untuk mengatasi penyakit baru selain penyakit awal obat tersebut ditujukan. Drug repositioning dapat dilakukan dengan memprediksi interaksi senyawa obat dengan protein penyakit yang bereaksi positif. Salah satu tantangan dalam prediksi interaksi senyawa dan protein adalah masalah ketidakseimbangan data. Deep semi-supervised learning dapat menjadi alternatif untuk menangani model prediksi dengan data yang tidak seimbang. Proses pre-training berbasis unsupervised learning pada deep semi-supervised learning dapat merepresentasikan input dari unlabeled data (data mayoritas) dengan baik dan mengoptimasi inisialisasi bobot pada classifier. Penelitian ini mengimplementasikan Deep Belief Network (DBN) sebagai pre-training dan Deep Neural Network (DNN) sebagai classifier. Data yang digunakan pada penelitian ini adalah dataset ion channel, GPCR, dan nuclear receptor yang bersumber dari pangkalan data KEGG BRITE, BRENDA, SuperTarget, dan DrugBank. Hasil penelitian ini menunjukkan pada dataset tersebut, pre-training berupa ekstraksi fitur memberikan efek optimasi dilihat dari peningkatan performa model DNN pada akurasi (3-4.5%), AUC (4.5%), precision (5.9-6%), dan F-measure (3.8%). AbstractDrug repositioning is the reuse of an existing drug to treat a new disease other than its original medical indication. Drug repositioning can be done by predicting the interaction of drug compounds with disease proteins that react positively. One of the challenges in predicting the interaction of compounds and proteins is imbalanced data. Deep semi-supervised learning can be an alternative to handle prediction models with imbalanced data. The unsupervised learning based pre-training process in deep semi-supervised learning can represent input from unlabeled data (majority data) properly and optimize initialization of weights on the classifier. This study implements the Deep Belief Network (DBN) as a pre-training with Deep Neural Network (DNN) as a classifier. The data used in this study are ion channel, GPCR, and nuclear receptor dataset sourced from KEGG BRITE, BRENDA, SuperTarget, and DrugBank databases. The results of this study indicate that pre-training as feature extraction had an optimization effect. This can be seen from DNN performance improvement in accuracy (3-4.5%), AUC (4.5%), precision (5.9-6%), and F-measure (3.8%).
Optimasi Data Tidak Seimbang pada Interaksi Drug Target dengan Sampling dan Ensemble Support Vector Machine Ramadhanti, Nabila Sekar; Kusuma, Wisnu Ananta; Annisa, Annisa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 6: Desember 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2020762857

Abstract

Data tidak seimbang menjadi salah satu masalah yang muncul pada masalah prediksi atau klasifikasi. Penelitian ini memfokuskan untuk mengatasi masalah data tidak seimbang pada prediksi drug-target interaction (interaksi senyawa-protein). Ada banyak protein target dan senyawa obat yang terdapat pada basis data interaksi senyawa-protein yang belum divalidasi interaksinya secara eksperimen. Belum diketahuinya interaksi antar senyawa dan target tersebut membuat proporsi antara data yang diketahui interaksinya dan yang belum dikethui menjadi tidak seimbang. Data interaksi yang sangat tidak seimbang dapat menyebabkan hasil prediksi menjadi bias. Terdapat banyak cara untuk mengatasi data tidak seimbang ini, namun pada penelitian ini diimplementasikan metode yang menggabungkan Biased Support Vector Machine (BSVM), oversampling, dan undersampling dengan Ensemble Support Vector Machine (SVM). Penelitian ini mengeksplorasi efek sampling yang digabungkan dalam metode tersebut pada data interaksi senyawa-protein. Metode ini sudah diuji pada dataset Nuclear Receptor, G-Protein Coupled Receptor dan Ion Channel dengan rasio ketidakseimbangannya sebesar 14.6%, 32.36%, dan 28.2%. Hasil pengujian dengan menggunakan ketiga dataset tersebut menunjukkan nilai area under curve (AUC) secara berturut-turut sebesar 63.4%, 71.4%, 61.3% dan F-measure sebesar 54%, 60.7% dan 39%. Nilai akurasi dari metode yang digunakan masih terbilang cukup baik, walaupun nilai tersebut lebih kecil dari metode SVM tanpa perlakuan apapun. Nilai tersebut bias karena nilai AUC dan F-measure ternyata lebih kecil. Hal ini membuktikan bahwa metode yang diusulkan dapat menurunkan tingkat bias pada data tidak seimbang yang diuji dan meningkatkan nilai AUC dan f-measure sekitar 5%-20%. AbstractImbalanced data has been one of the problems that arise in processing data. This research is focusing on handling imbalanced data problem for drug-target (compound-protein) interaction data. There are many target protein and drug compound existed in compound-protein interaction databases, which many interactions are not validated yet by experiment. This unknown interaction led drug target interaction to become imbalanced data. A really imbalanced data may cause bias to prediction result. There are many ways of handling imbalanced data, but this research implemented some methods such as BSVM, oversampling, undersampling with SVM ensemble. These method already solve the imbalanced data problem on other kind of data like image data. This research is focusing on exploration of effect on the sampling that used in these method for compound-protein interaction data. This method had been tested on compound-protein interaction Nuclear Receptor, GPCR and Ion Channel with 14.6%, 32.36% and 28.2% of imbalance ratio. The evaluation result using these three dataset show the value of AUC respectively 63.4%, 71.4%, 61.3% and F-measure of 54%, 60.7% and 39%. The score from this method is quite good, even though the score of accuracy and precision is smaller than the SVM. The value is bias because the AUC and F-measure score is smaller. This proves that the proposed method could reduce the bias rate in the evaluated imbalanced data and increase AUC and f-measure score from 5% to 20%.
Prediksi Interaksi Drug Target pada Gen Kanker Menggunakan Metode Lasso-XGBoost Ginoga, Muh Fadhil Al-Haaq; Kusuma, Wisnu Ananta; Mushthofa, Mushthofa
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 3: Juni 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023106603

Abstract

Pengobatan kanker saat ini sering dilakukan dengan kemoterapi menggunakan obat kimia dan dapat menyebabkan efek samping. Alternatif pengobatan dapat menggunakan senyawa herbal yang diketahui memiliki efek samping lebih sedikit. Analisis Drug Target Interaction (DTI) dapat dilakukan untuk mengetahui interaksi senyawa herbal terhadap protein kanker. Pada penelitian ini dilakukan perancangan model prediksi DTI dengan melakukan seleksi fitur pada dataset menggunakan Least Absolute Shrinkage and Selection Operator (LASSO) lalu dilakukan penyeimbangan data dengan Synthetic Minority Oversampling Technique (SMOTE) dan diprediksi menggunakan Extreme Gradient Boosting (XGBoost). Data protein terkait kanker didapatkan dari daftar Cancer Gene Census, dari daftar tersebut dilakukan penelusuran pada database GDSC, DrugCentral, dan DrugBank untuk menghasilkan daftar senyawa obat yang berinteraksi dengan protein tersebut. Selain itu, senyawa herbal dihasilkan dari database HerbalDB dan Knapsack. Pengujian dilakukan pada beberapa jenis ekstraksi fitur seperti CTD, DC, PseAAC, dan PSSM. Hasil prediksi menunjukkan beberapa senyawa herbal seperti andrographolide, ursolic acid dan oleanolic acid memiliki interaksi pada protein terkait kanker. Selain itu, LASSO-XGBoost dapat memprediksi DTI pada kanker dengan skor F1 0,861; AUROC 0,927; recall 0,85; precision 0,866; dan accuracy 0,897. AbstractCurrently, cancer treatment is usually done with chemotherapy using chemical drugs that can cause side effects. An alternative treatment can use herbal compounds that known have fewer side effects. Drug Target Interaction analysis (DTI) can be performed to determine the interaction of herbal compounds with cancer proteins. In this study, a DTI prediction model is built by selecting features on the data set using Least Absolute Shrinkage and Selection Operator (LASSO) then data balancing performed with Synthetic Minority Oversampling Technique (SMOTE) and Extreme Gradient Boosting (XGBoost) performed to predict the interaction. The cancer-associated protein data were obtained from the Cancer Gene Census list, then the list used to search on the GDSC, DrugCentral and DrugBank databases to generate a list of drug compounds that interact with these proteins. In addition, plant compounds to be generated from the HerbalDB and Knapsack databases. Tests were performed on several types of feature extraction such as CTD, DC, PseAAC and PSSM. Predictive results suggest that several herbal compounds such as andrographolide, ursolic acid and oleanolic acid interact with cancer-associated proteins. In addition, LASSO-XGBoost was able to predict DTI in cancer with score of F1 0,861; AUROC 0,927; recall 0,857, precision 0,866; and accuracy 0,897.
Penguraian Mekanisme Kerja Jamu Berdasarkan Jejaring Bahan Aktif-Protein Target-Gene Ontology Handayani, Vitri Aprilla; Afendi, Farit Mochamad; Kusuma, Wisnu Ananta
Jurnal Jamu Indonesia Vol. 1 No. 3 (2016): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v1i3.21

Abstract

Jamu merupakan obat tradisional Indonesia. Pada dasarnya obat herbal yang dibuat dari bahan-bahan alami yang diambil dari beberapa bagian dari tanaman obat yang mengandung beberapa zat dan senyawa yang penting dan bermanfaat bagi tubuh. Sejauh ini, khasiat untuk beberapa jenis jamu secara empiris telah terbukti. Dalam peneitian ini, kami bermaksud untuk menguraikan mekanisme kerja jamu menggunakan pendekatan komputasi. Penelitian ini berfokus pada ramuan jamu type 2 diabetesyang terdiri dari empat tanaman, yaitu: jahe, bratawali, sembung, dan pare. Kerangka analisis awal dengan membentuk 3 komponen jejaring yang terdiri dari: (1) bahan aktif tanaman (diperoleh dari Knapsack: 58 senyawa aktif), (2) protein target (diperoeh dari database pubchem: 416 protein target), dan (3) gene ontoogy(diperoeh dari database DAVID: 3104 GO). Selanjutnya, kami menerapkan analisis klaster-klasterdengan menggunakan konsep graf tri-partite. Graf tri-partite digunakan untuk mengelompokkan komponen-komponen penyusun jejaring dari empat tanaman yang disebutkandiatas, sehingga diperoleh system bagian-bagian penyusun ramuan jamu. Hal ini dilakukan untuk mengungkapkan mekanisme kerja jamu. Menggunakan metode fuzzy clustering pada data jejaring, kami memperoleh 15 senyawa aktif yang diduga potensial sebagai antidiabetes berada dalam kelompok berbeda. Pada 15 senyawa aktif memiliki nilai peluang cukup tinggi terbagi dalam kelompok yang berbeda, setiap kelompok terdiri dari pasangan bahan aktif yang memiliki efek sinergis tinggi. Berdasarkan koneksi antara klaster-klasterprotein dan GO-BP, penelitianini memperoleh informasi protein-protein yang menyebabkan T2D dan mekanisme proses biologis yang terkait. T2D bukan hanya disebabkan oleh protein kelainan sekresi insulin (insulin-merendahkan enzim isoform 1) saja, tetapi juga disebabkan oleh protein lain yang terlibat dalam penghambatan insulin di pankreas.
Penguraian Mekanisme Kerja Jamu dengan Menggunakan Analisis Graf Tripartit pada Jejaring Senyawa-Protein-Penyakit Rosyadah, Muchlishah; Afendi, Farit Mochamad; Kusuma, Wisnu Ananta
Jurnal Jamu Indonesia Vol. 2 No. 1 (2017): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v2i1.25

Abstract

Jamu adalah obat tradisional di Indonesia. Berbeda dengan konsep one drug-one target pada obat kimia, jamu memiliki konsep multi components-network target. Hal ini disebabkan oleh keterlibatan senyawa aktif di jamu yang menargetkan beberapa protein dalam tubuh manusia.Jaringan yang menghubungkan senyawa aktif dan protein target, serta penyakit yang berhubungan dengan protein target, memberikan dasar yang kuat guna menjelaskan menjelaskan mekanisme kerja jamu secara komputasi.Data yang digunakan berasal dari jamu yang terdiri dari 4 tanaman, yaitu: pare (Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora crispa), dan jahe (Zingiber officinale). Setiap tanaman memiliki senyawa aktif dan protein target dari tiap-tiap senyawa. Terdapat 47 senyawa aktif yang diperoleh dari jahe, 4 senyawa aktif dari sembung, 4 senyawa aktif dari pare, dan 3 senyawa aktif dari bratawali. Total ada 58 senyawa aktif yang diperoleh dari empat tanaman. Database PubChem mengidentifikasi bahwa terdapat 3.059 koneksiantara senyawa aktif dan protein tergetnya, dari 3059 koneksi tereduksi menjadi 396 protein yang unik. Selanjutnya, dengan menggunakan database disgenet, PharmGKB, dan Theurapetic Target Database didapatkan 118 sasaran penyakit yang memiliki koneksi terhadap 396 protein yang unik. Jejaring senyawa, protein target, dan penyakit yang telah dianalisis menggunakan analisis graf tripartit menunjukkan bahwa 396 protein unik dari jamu terkait dengan beberapa penyakit, sebagian besar berkaitan dengan penyakit metabolik, penyakit kardiovaskular (jantung), penyakit mata, neoplasma, stomatognatik, penyakit sistem saraf, dan penyakit Saluran pernapasan.
Profil Kimia dan Toksisitas Jamu Berpotensi Antidiabetes yang Diformulasi dengan Metode Statistika dan Machine Learning Azizah, Norma Nur; Heryanto, Rudi; Kusuma, Wisnu Ananta
Jurnal Jamu Indonesia Vol. 3 No. 1 (2018): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v3i1.47

Abstract

Bahan alam yang dapat menghambat spermatogenesis merupakan suatu alternatif untuk kontrasepsi pria. Penelitian ini bertujuan mengevaluasi formulasi optimum berbasis biji jarak pagar dan buah pare yang dapat menginhibisi spermatogenesis. Bahan sampel dimaserasi alkohol 70% untuk memperoleh ekstrak kasar. Ekstrak diujikan pada tikus Wistar jantan dewasa sebanyak 30 ekor dan dibagi menjadi enam kelompok secara acak (n=5 ekor). Kelompok I sebagai kontrol memperoleh pelarut akuades; kelompok II dan III secara berurutan memperoleh ekstrak biji jarak dan pare dengan dosis 50 mg/kgBB. Tiga kelompok lainnya, yaitu IV, V, dan VI memperoleh formulasi gabungan dengan rasio ekstrak biji jarak pagar dan pare 1:3, 3:1 serta 1:1, secara berurutan. Perlakuan diberikan per oral satu hari sekali selama 48 hari sesuai dengan siklus spermatogenesis. Pada akhir perlakuan, pemeriksaan sperma untuk konsentrasi dan kualitasnya serta bobot testis. Hasil uji rendemen ekstrak biji jarak pagar dan buah pare secara berurutan sebesar 6.11 % dan 3.32 %. Senyawa fitokimia yang terdapat pada ekstrak pare dan biji jarak pagar antara lain, alkaloid, fenol, flavonoid, tanin, saponin, triterpenoid, dan steroid. Efek ekstrak terhadap bobot testis dan konsentrasi sperma tidak ada perbedaan yang nyata antar kelompok (ANOVA P >0.05) sedangkan untuk kualitas motilitas sperma ada kecenderungan menurun pada formulasi ekstrak biji jarak dan buah pare (1:3).
Co-Authors Abdul Aziz Abdul Rahman Saleh Adrianus, Albert Afifa, Rizky Maulidya Agus Buono Ahmad, Tarmizi Aini Fazriani Aisah Rini Susanti Alami, Tegar Ali Djamhuri Annisa Annisa Annisa , Annisa Annisa Annisa Annisa Annisa Annisa Annisa Annisa Annisa Anton Suryatama Arini Aha Pekuwali Arini Pekuwali Arwan Subakti Ary Prabowo Ary Prabowo Auliatifani, Reza Auliya Ilmiawati Auriza Rahmad Akbar Azizah, Norma Nur Azzahra, Syarifah Fathimah Badollahi Mustafa Badrut Tamam Bahrul Ulum Budi Tjahjono Dahrul Syah Diah Handayani Dian Indah Savitri Dian Kartika Utami Essy Harnelly Fadli , Aulia Fahrury Romdendine, Muhammad Farhan Ramadhani , Hilmi Farit Mochamad Afendi Farohaji Kurniawan Fatriani, Rizka Fazriani, Aini Firman Ardiansyah Ginoga, Muh Fadhil Al-Haaq Halida Ernita Handayani, Vitri Aprilla Handayani, Vitri Aprilla Hanifah Nuryani Lioe Hardi, Wishnu Hasibuan, Lailan Sahrina Hendra Rahmawan Hendra Rahmawan Hera Dwi Novita Heru Sukoco Imas Sukaesih Sitanggang Indra Astuti Ira Maryati Irfan Wahyudin Irma Herawati Suparto Irman Hermadi Irmanida Batubara Irvan Lewenusa ISKANDAR ZULKARNAEN SIREGAR Isnan Mulia Janti G. Sudjana Jaya Sena Turana Joni Prasetyo Kana Saputra S Kangko, Danang Dwijo Karlisa Priandana Khaydanur Khaydanur Khaydanur, Khaydanur Laela Wulansari Larasati Larasati Lina Herlina Tresnawati Listina Setyarini Lusi Agus Setiani M. Rafi Maggy T. Suhartono Mala Nurilmala Medria Kusuma Dewi Hardhienata Mohamad Rafi Mohamad Rafi Mohamad Rafi Mohammad Romano Diansyah Mohammad Romano Diansyah Muchlishah Rosyadah Muhammad Asyhar Agmalaro Muhammad Subianto Mulyati Mulyati Mushthofa Muttaqin, Muhammad Rafi Nasution, Tegar Alami Nengsih, Nunuk Kurniati Norma Nur Azizah Nunuk Kurniati Nengsih Nur Choiriyati Nurdevi Noviana Ovi Sofia Pramita Andarwati Prihasuti Harsani Priyo Raharjo Pudji Muljono Purnajaya, Akhmad Rezki Purnomo, Tsania Firqin Ramadhanti, Nabila Sekar Ramdan Satra Ratu Mutiara Siregar Refianto Damai Darmawan Refianto Damai Darmawan Resnawati Reza Auliatifani Rif’ati, Lutfah Ronald Marseno Rosy Aldina Rosyadah, Muchlishah Rudi Heryanto SATRIYAS ILYAS Septaningsih, Dewi Anggraini Siti Syahidatul Helma Sony Hartono Wijaya Sri Nurdiati SUHARINI, YUSTINA SRI Sulistyo Basuki Sulistyo Basuki Supriyanto, Arif Syahid Abdullah Syarifah Aini Syukriyansyah Taufik Djatna Toni Afandi Tsania Firqin Purnomo Usman, Muhammad Syafiuddin Wa Ode Rahma Agus Udaya Manarfa Wahjuni, Sri Widya Sari Wijaya, Eko Praja Hamid Wina Yulianti Wishnu Hardi Wulansari, Laela Yandra Arkeman Yessy Yanitasari Yudhi Trisna Atmajaya Yulianah Yulianah Yunita Fauzia Achmad Zulkarnaen, Silvia Alviani