Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) Jurnal Pengabdian Nasional (JPN) Indonesia
Agung, Wiseto Prasetyo
Unknown Affiliation
Computer Science & IT Environmental Science Law, Crime, Criminology & Criminal Justice Social Sciences Other

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

Found 2 Documents
Search

 1 
Implementasi Anestesi Perioperatif Berbasis Artificial Intelligence (Studi Mixed Methods Exploratory di RS J. H. Awaloei) Koleangan, Peter Joshua Alexander; Hidayat, Dasrun; Agung, Wiseto Prasetyo
Jurnal Pengabdian Nasional (JPN) Indonesia Vol. 6 No. 3 (2025): September
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Indonesia Banda Aceh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63447/jpni.v6i3.1617

Abstract

Human resource and time constraints in perioperative anesthesia at J.H. Awaloei Hospital where anesthesiologist-to-patient ratio is 1:12 and a 4 to 6-hour pre-anesthesia window are associated with complications, surgical delays, and costs. This study assessed the impact of artificial intelligence (AI) on operational efficiency, clinical safety, and financial performance using a sequential exploratory mixed-methods design with in-depth interviews from 18 key informants, a staff survey (n=40), and a 20-case time-motion comparison of traditional versus AI-assisted workflows; 2023 hospital audits informed the baseline, and study activities ran from December 2024 to May 2025. Analyses used descriptive statistics and appropriate tests; costing adopted a hospital perspective with 2024 prices, chiefly inpatient accommodation. AI use was associated with an 86.2% reduction in assessment time, operating room utilization rising to 82–84%, a 30% increase in risk detection, 18–22% fewer complications, a 40% reduction in 30-day readmission, and projected annual savings. The results indicate improvements with potential to strengthen predictive risk governance and cost efficiency; broader, risk-adjusted evaluations are warranted to confirm generalizability.
KLASIFIKASI TANAMAN OBAT BERDASARKAN CITRA DAUN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORKS Nurhikam, Arizal Sabila; Agung, Wiseto Prasetyo; Rohman, Saepul; Saputra, Irigi Mahendrata
JURNAL INFORMATIKA DAN KOMPUTER Vol 8, No 1 (2024): Februari 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26798/jiko.v8i1.945

Abstract

Indonesia dikenal memiliki kekayaan hayati yang melimpah, termasuk ribuan spesies tumbuhan, di mana sebagian besar memiliki nilai pengobatan dalam pengobatan tradisional. Meskipun pengobatan tradisional telah menjadi bagian dari warisan budaya Indonesia dan digunakan oleh generasi sebelumnya, penggunaan obat tradisional saat ini mengalami penurunan karena kurangnya informasi yang tersedia. Akibatnya, banyak tumbuhan obat di Indonesia, termasuk yang memiliki potensi pengobatan, tidak dimanfaatkan dengan optimal. Untuk meningkatkan pemahaman dan pemanfaatan obat tradisional, penelitian ini menggunakan teknologi Artificial Neural Networks (ANN), khususnya metode Backpropagation Neural Networks (BNN), untuk mengklasifikasikan jenis tanaman obat berdasarkan citra daun. Metode ini didasarkan pada model matematika yang terinspirasi dari cara kerja otak manusia dan mampu mempelajari pola dari data yang diberikan. Pada penelitian ini, dilakukan pengklasifikasian citra daun herbal menggunakan algoritma BNN dengan ekstraksi ciri bentuk. Proses pengklasifikasian melibatkan segmentasi citra, operasi morfologi, serta ekstraksi ciri menggunakan parameter metric dan eccentricity. Model ini diimplementasikan melalui antarmuka pengguna grafis (GUI) menggunakan perangkat lunak Matlab untuk mempermudah pengujian. Hasil evaluasi menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan citra daun herbal dengan akurasi keseluruhan mencapai 93,75%.
Co-Authors Dasrun Hidayat Koleangan, Peter Joshua Alexander Nurhikam, Arizal Sabila Saepul Rohman Saputra, Irigi Mahendrata