Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Sari, Irawati Nurmala
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Implementasi Arsitektur GoogLeNet untuk Klasifikasi Sampah Organik dan Anorganik Berbasis Citra Digital Fauzi, Muhammad Alfan; Setiawan, Budi Darma; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan di JTIIK
Implementasi Augmentasi Data pada Konversi Text-To-Gloss BISINDO Menggunakan FLAN-T5 dengan Low-Rank Adaptation Raisaputri, Dayang Alyssa; Fatyanosa, Tirana Noor; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem text-to-gloss merupakan salah satu komponen dalam pengembangan teknologi komunikasi inklusif bagi komunitas ruli, khususnya untuk Bahasa Isyarat Indonesia (BISINDO). Penelitian ini mengimplementasikan model FLAN-T5 dengan teknik Low-Rank Adaptation (LoRA) untuk mengatasi keterbatasan dataset dalam tugas konversi text-to-gloss BISINDO. Augmentasi data berbasis combining preprocessing diterapkan untuk memperkaya dataset yang terbatas melalui lemmatisasi, menghasilkan dataset augmentasi sebesar 3000 pasangan text-gloss dari 1500 data asli. Model FLAN-T5 dikonfigurasi dengan LoRA rank 8 pada matriks Query dan Value, melatih hanya 0,44% dari total parameter. Evaluasi dilakukan menggunakan metrik BLEU, ROUGE-1, ROUGE-2, dan ROUGE-L untuk membandingkan performa model dengan data asli dan data augmentasi. Hasil eksperimen menunjukkan peningkatan signifikan pada seluruh metrik evaluasi untuk model yang dilatih dengan data augmentasi dibandingkan model dengan data asli. Analisis kualitatif terhadap 50 sampel prediksi mengidentifikasi tiga pola kesalahan utama, duplikasi kata yang mengindikasikan masalah stopping criteria decoder, kehilangan kata penting yang menunjukkan keterbatasan pemahaman semantik, dan error lemmatisasi pada preprocessing morfologi bahasa Indonesia. Penelitian ini membuktikan bahwa kombinasi FLAN-T5 dengan LoRA dan augmentasi data dapat meningkatkan performa sistem text-to-gloss BISINDO dengan mengurangi risiko overfitting pada kondisi dataset low-resource language, namun memerlukan pengembangan dataset yang lebih besar dan metode augmentasi yang lebih beragam untuk mencapai hasil yang lebih baik.
Analisis Karakteristik Spectrogram dan Mel-Spectrogram dalam Merepresentasikan Fitur Akustik untuk Klasifikasi Emosi Berbasis Suara Fadhilah, Muhammad Aldy Naufal; Adinugroho, Sigit; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas pengaruh representasi fitur audio terhadap performa sistem Speech Emotion Recognition (SER) dengan menggunakan arsitektur ConvNeXt. Dua jenis representasi fitur yang dibandingkan adalah spectrogram linear dan Mel-spectrogram, yang dievaluasi pada berbagai skenario pengujian. Dataset utama yang digunakan adalah RAVDESS sebagai data pelatihan, sedangkan pengujian dilakukan pada data bersih, data dengan gangguan noise, dan data audio berbahasa Indonesia. Pengujian noise dirancang dalam dua skenario, yaitu noise sebagai latar sepanjang durasi audio dan noise yang ditambahkan hanya pada saat ucapan berlangsung. Hasil eksperimen menunjukkan bahwa Mel-spectrogram memberikan performa yang lebih stabil pada kondisi data bersih, sedangkan spectrogram linear menunjukkan kinerja yang relatif lebih baik pada skenario noise yang berinteraksi langsung dengan ucapan. Namun, pada kondisi noise latar kontinu, performa kedua representasi mengalami penurunan yang signifikan. Selain itu, pengujian pada data audio berbahasa Indonesia menunjukkan penurunan performa yang tajam akibat perbedaan bahasa dan kondisi perekaman dibandingkan data pelatihan. Penelitian ini juga mengidentifikasi bahwa perbedaan struktur visual spectrogram, termasuk keberadaan artefak black gap dan dominasi noise, berpengaruh terhadap kemampuan generalisasi model. Temuan ini menegaskan pentingnya kesesuaian kondisi data pelatihan dan pengujian dalam pengembangan sistem SER yang robust.
Co-Authors Arinda, Vivid Ichtarosa Budi Darma Setiawan Fadhilah, Muhammad Aldy Naufal Fauzi, Muhammad Alfan Raisaputri, Dayang Alyssa Rosa Andrie Asmara Sigit Adinugroho Tirana Noor Fatyanosa, Tirana Noor