Article Per Year (5 Year)
p-Index From 2021 - 2026
4.041
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tirana Noor Fatyanosa, Tirana Noor
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

 1   2   3   4 
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 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.
Perbandingan Variasi Prompt terhadap Kualitas Puisi menggunakan Model GPT-2 Fine-tuned Zenatmaja, I Wayan Ivan; Fatyanosa, Tirana Noor; Zulvarina, Prima
Jurnal Pengembangan Teknologi 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

Pemikiran abstrak dan kreatif merupakan ciri utama kecerdasan manusia yang memungkinkan penciptaan karya seni seperti puisi, yang memiliki struktur bahasa dan kedalaman makna yang kompleks. Perkembangan Natural Language Generation (NLG) telah mendorong penggunaan model bahasa generatif seperti GPT-2 dalam generasi puisi berbahasa Indonesia, meskipun kualitas, kealamian, dan keragaman hasilnya masih menjadi perdebatan, khususnya pada bahasa Indonesia yang tergolong low-resource language. Penelitian ini bertujuan untuk membandingkan variasi prompt (zero-shot, one-shot, dan few-shot) serta pengaturan hyperparameter terhadap kualitas puisi berbahasa Indonesia yang dihasilkan oleh model GPT-2 fine-tuned. Metode penelitian melibatkan tiga model GPT-2, yaitu GPT-2 Small Indonesia (pre-trained), GPT-2 Small Indonesia Fine-Tuning Poem (pre-trained), dan GPT-2 Small Indonesia Fine-Tuning Poem yang sudah melalui proses fine-tuning menggunakan SFTTrainer dan dataset puisi dari dua buku karya Goenawan Mohamad. Evaluasi dilakukan menggunakan metrik perplexity sebagai ukuran kealamian teks serta lexical diversity melalui distinct-1 dan distinct-2. Hasil penelitian menunjukkan bahwa model GPT-FT mencapai rata-rata perplexity terendah sebesar 1,907 pada one-shot prompt dengan konfigurasi hyperparameter tertentu. Nilai distinct unigram tertinggi sebesar 0,9169 diperoleh oleh GPT-2 Small Indonesia Fine-Tuning Poem pada one-shot prompt, dan nilai distinct bigram tertinggi sebesar 0,9809 dicapai oleh GPT-2 Small Indonesia pada one-shot prompt. Temuan ini menunjukkan bahwa fine-tuning dan variasi prompt berpengaruh signifikan terhadap kealamian dan keragaman puisi. Pada penelitian selanjutnya disarankan melakukan human evaluation atau evaluasi manusia untuk mengukur kualitas estetika secara komprehensif.
Analisis Perbandingan Performa Retrieval-Augmented Generation pada Sistem Tanya Jawab Gizi Klinis Hakim, Muhammad Yasin; Fatyanosa, Tirana Noor; Data, Mahendra
Jurnal Pengembangan Teknologi 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

Informasi di domain gizi klinis yang terus berkembang pesat menimbulkan tantangan bagi tenaga medis dalam mengakses jawaban yang akurat, terutama pada literatur berbahasa Indonesia yang masih terbatas. Pemanfaatan Large Language Model (LLM) untuk sistem tanya jawab gizi klinis juga masih menghadapi permasalahan hallucination yang berisiko serius dalam konteks klinis. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi pipeline Retrieval-Augmented Generation (RAG) untuk sistem tanya jawab di domain gizi klinis menggunakan dataset berbahasa Indonesia. Pipeline dibangun dari lima komponen utama: query embedder, document retriever, prompt builder, generator berbasis Llama 3.2 3B dan GPT-OSS, serta answer builder. Evaluasi dilakukan menggunakan BERTScore dan RAGAS terhadap empat eksperimen yang membandingkan kedua model dengan dan tanpa RAG. Hasil menunjukkan bahwa RAG secara konsisten meningkatkan kualitas jawaban. Llama 3.2 3B dengan RAG memperoleh BERT F1 tertinggi (0,5703), dengan peningkatan 5,8%, sedangkan GPT-OSS dengan RAG mencapai 0,5658 dengan peningkatan 10,3%. Evaluasi RAGAS mengungkapkan trade-off antara faithfulness dan answer relevancy: GPT-OSS unggul pada faithfulness (0,6881) namun rendah pada answer relevancy (0,1595), sementara Llama 3.2 3B menunjukkan keseimbangan yang lebih baik. Temuan ini mengonfirmasi bahwa model open-source berukuran kecil dengan RAG dapat menjadi alternatif efisien untuk sistem tanya jawab klinis berbahasa Indonesia.
Analisis Tingkat Depresi Mahasiswa dari Citra Wajah Menggunakan ResNet18 dan ResNet50 dengan Convolutional Block Attention Module Pada Dataset AffectNet dan RAF-DB Ananta, Hizkia Jeremmy Krisna; Fatyanosa, Tirana Noor; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi 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 Konferensi Internasional ICET
Sistem Deteksi Anomali Pasar Saham IDX Menggunakan Z-Score dan Pipeline n8n Raditya, Gavin; Fatyanosa, Tirana Noor; Hanggara, Buce Trias
Jurnal Pengembangan Teknologi 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 TBD
Comparative Analysis of Machine Learning Algorithms for Optimal Decision-Making in Data-Driven Applications Fatyanosa, Tirana Noor; Brata, Gede Indra Adi; Reansyah, Javier Aahmes; Athaya, Haikal Thoriq; Adam, Muhammad Herdi; Aranda, Achmad Fauzi
Journal of Information Technology and Computer Science Vol. 10 No. 1: April 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025101921

Abstract

This research examines the effectiveness of machine learning algorithms, including K-Nearest Neighbors (KNN), Naive Bayes, Support Vector Machine, Decision Tree, Logistic Regression, and Gradient Boosting, applied to Kaggle competition datasets. It also investigates essential data preprocessing techniques, such as Standard Scaler, Power Transform, and Simple Imputer, to enhance model performance. The paper provides a comprehensive analysis of best practices in model selection and data preparation to achieve optimal results across different domains. From our experimental results on different datasets, we found that combining Logistic Regression with XGBoost and using ensemble methods like XGBoost and CatBoost achieved the highest scores in several Kaggle competitions. Moreover, using preprocessing such as missing value imputation, data normalization, and feature engineering significantly improved the performance of all models. Our findings suggest that the selection of appropriate machine learning algorithms and data preprocessing techniques is crucial for achieving optimal results in data-driven decision-making. By employing these methodologies, we achieved commendable results across the utilized datasets. For instance, the Predict Failure Keep It Dry dataset yielded a Kaggle score of 0.5901, while the Smoker Status using Bio Signals dataset achieved a score of 0.8675. The Bank Churn Dataset resulted in a Kaggle score of 0.89046, the Spaceship Titanic dataset scored 0.80617, and the health of horses dataset attained a score of 0.76212. These results highlight the effectiveness of the proposed combination of machine learning algorithms and preprocessing techniques in enhancing model performance on real-world datasets.
A Comparative Study: Can Deep Learning Outperform Tree-Based Models in Tabular Data Classification? Fatyanosa, Tirana Noor; Hilmi, Fadhilah; Taqiyassar, Kenzie; Pratama, Naufal Romero Putra; Satrio Condro Kusuma; Hafiz Rizky Nurwachid
Journal of Information Technology and Computer Science Vol. 10 No. 1: April 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025101922

Abstract

The rapid growth of data in various domains has heightened the need for accurate and efficient predictive models, particularly for tabular data. While deep learning has revolutionized fields like computer vision and natural language processing, its effectiveness in tabular data classification remains a topic of debate. This study conducts a comprehensive comparison between deep learning models (NODE, SAINT, TabNet, Tab Transformers) and tree-based models (Random Forest, XGBoost, LightGBM, CatBoost) to determine whether deep learning can outperform traditional methods in this context. The results indicate that tree-based models, particularly LightGBM and CatBoost, consistently achieve the highest accuracy and F1 scores, coupled with efficient execution times, making them more suitable for real-world applications that require quick and accurate predictions. In contrast, deep learning models show varied performance. Although SAINT sometimes achieves comparable accuracy, its processing time makes it less practical. The findings suggest that despite the potential of deep learning, tree-based models remain superior for tabular data classification tasks, particularly when considering a balance of accuracy, speed, and robustness. This study contributes to the ongoing discussion on the role of deep learning in tabular data and highlights the conditions under which traditional models may still be preferred.
Implementasi Reciprocal Rank Fusion pada Sistem Retrieval-Augmented Generation untuk Rekomendasi Nutrisi Medis Winata, Jaya; Fatyanosa, Tirana Noor; Data, Mahendra
Jurnal Pengembangan Teknologi 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 Konferensi Internasional TBD
Sistem Pendukung Investigasi Aktivitas Pada Log Server Web Berbasis Algoritma Bisecting K-Means Aqil Aldiyan, Rizky; Data, Mahendra; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Log server web menyimpan rekaman aktivitas akses yang dapat dimanfaatkan dalam investigasi awal insiden keamanan. Namun, volume log yang besar membuat analisis manual tidak efisien. Penelitian ini mengembangkan sistem pendukung investigasi yang mengintegrasikan konsep klasterisasi dan eksplorasi hasil klaster dalam satu alur kerja. Sistem dibangun sebagai prototipe Terminal User Interface menggunakan Rust sebagai orchestrator dan Python untuk modul komputasi. Atribut yang digunakan dalam klasterisasi berjumlah lima atribut dan diproses dengan pendekatan berbeda-beda. Data dikelompokkan menggunakan Bisecting K-Means dan dievaluasi menggunakan Silhouette Score, Davies–Bouldin Index, serta Calinski–Harabasz Index. Pada sampel 100 ribu hingga 1 juta entri, Silhouette Score berada pada 0,0923–0,1315 dan Davies–Bouldin Index pada 2,5883–2,9166, yang menunjukkan separasi klaster belum kuat. Meskipun demikian, seluruh eksperimen menghasilkan sejumlah klaster tanpa klaster kosong. Sistem juga berhasil menyajikan tampilan yang memberikan informasi ringkasan karakteristik klaster, serta mengaplikasikan fitur filtering, sorting, dan peninjauan detail log untuk membantu mempersempit ruang analisis investigasi awal.
Heart Disease Prediction System Employing Machine Learning Rian Nopiardi; Raka Dimas Saputra; Niken Fitria Apriani; Al Hafiz Akbar Maulana Siagian; Shidiq Al Hakim; Fatyanosa, Tirana Noor
Journal of Information Technology and Computer Science Vol. 10 No. 2: August 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025102926

Abstract

Heart disease places a significant strain on healthcare systems. Moreover, it kills millions of people each year, which is a leading cause of death worldwide. Hypertension, diabetes, unhealthy lifestyles, and genetic predispositions are all risk factors for heart disease. However, it is not easy to identify a heart disease. For this reason, helping in identifying the heart disease is important to prevent a death, e.g., caused by a heart attack. In this study, we aim to develop a heart disease prediction system. The system is developed according to the Cross-Industry Standard Process for Data Mining (CRISP-DM) framework by employing machine learning algorithms. In this work, Logistic Regression (LR) and Random Forest (RF) are utilized as our machine learning algorithms for classifying heart disease using a heart disease dataset from Kaggle. Our results show LR has an AUC value of 0.921 and F1-Score 0.89 that outperforms RF with an AUC value of 0.920 and F1-Score 0.84 in this work. Then, we select LR to be applied to the developed heart disease prediction system.
Co-Authors Achmad Ridok Adam, Muhammad Herdi Agus Wahyu Widodo, Agus Wahyu Aji, Alham Fikri Al Hafiz Akbar Maulana Siagian Al Kautsar, Prima Daffa Amadeo, Yoel Ananta, Hizkia Jeremmy Krisna Andreas Nugroho Sihananto Aqil Aldiyan, Rizky Aranda, Achmad Fauzi Athaya, Haikal Thoriq Azhari, Muhammad Rizqi Azzam, Ja'far Shidqul Brata, Gede Indra Adi Candra Dewi Candra Dewi Daffa Izzuddin Eman, Eleazar Tadeo Fidian, Diagne Alya Fitra Abdurrachman Bachtiar Gusti Ahmad Fanshuri Alfarisy, Gusti Ahmad Fanshuri Hafiz Rizky Nurwachid Hakim, Gibran Hakim, Muhammad Yasin Hanggara, Buce Trias Hilmi, Fadhilah Kusuma, Satrio Condro Lailil Muflikhah Lazuardi, Muhammad Dzakwan Bintang Lina, Femi Novia M Shochibul Burhan, M Shochibul Mahendra Data Marchelo, Nalendra Marji Maulana, Muhammad Taufik Murnastiti, Nurul Annisa Nazura Wirayuda Tama Niken Fitria Apriani Novanto Yudistira Nurwachid, Hafiz Rizky Pratama, Naufal Romero Putra Prima Zulvarina, Prima Putra Pandu Adikara Putra, Hanif Fermanda Raditya, Gavin Rafsandjani, Moch. Gustav Ali Raisaputri, Dayang Alyssa Raka Dimas Saputra Ravindra Rahman, Azka Reansyah, Javier Aahmes Rian Nopiardi Rizal Setya Perdana Sagala, Revaldo Gemino Kantana Saladin, Abid Faiz Sari, Irawati Nurmala Satrio Condro Kusuma Shidiq Al Hakim SIAGIAN, AL HAFIZ AKBAR MAULANA Tanaya, I Putu Paramaananda Taqiyassar, Kenzie Wayan Firdaus Mahmudy Winata, Jaya Zenatmaja, I Wayan Ivan