Article Per Year (5 Year)
p-Index From 2021 - 2026
4.484
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 : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Leveraging Stacked Vessel Segment and Channels of Fundus Image for Eye Disease Detection using Hybrid U-Net-Residual Convolutional Candra Dewi; Novanto Yudistira; Daffa Izzuddin; Nazura Wirayuda Tama; 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.2025102928

Abstract

Fundus images can be used to identify symptoms of various eye diseases. However, a limitation of using fundus images for classification is the generalization of information from the entire image, which can reduce recognition accuracy. To address this, this study proposes a combination of RGB channels from fundus images and segmented images for the identification process. Segmentation is performed using U-Net, which produces a segmentation of the blood vessels from the retinal image. The combined image is then used as input for the identification process with different ResNet models, including ResNet18, ResNet34, ResNet50, ResNet101, and ResNet152. Three model tuning scenarios are explored to obtain an optimal hybrid segmentation and classification model: learning using ResNet without U-Net (nounet), learning using a ResNet model with a frozen U-Net model (frozenunet), and learning using both the U-Net and ResNet models (hotunet). Testing is carried out to recognize normal, cataract, and glaucoma classes. The results show that the highest accuracy of 0.82 is achieved with the hybrid U-Net and ResNet152 model using frozenunet learning. This indicates that the addition of segmented images can improve identification results, with the best performance for glaucoma having a precision of 0.90, recall of 0.86, and F1-score of 0.88.
Analisis Dampak Panjang Dimensi Embedding Matryoshka Terhadap Kualitas Hasil dan Waktu Eksekusi dalam Sistem Pencarian Pakar Rafsandjani, Moch. Gustav Ali; Perdana, Rizal Setya; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pencarian pakar akademis berperan penting dalam membantu proses verifikasi kebenaran informasi. Pendekatan pencarian berbasis dokumen secara konvensional menggunakan representasi vektor semantik berdimensi tetap, yang dapat menimbulkan tantangan kompromi antara efisiensi komputasi dan kekayaan semantik. Penelitian ini menerapkan metode Matryoshka Representation Learning (MRL) pada arsitektur pencarian dua tahap guna mengeksplorasi trade-off kinerja pencarian pakar. Pengujian dilakukan menggunakan 100 kueri uji benchmark yang dievaluasi secara otomatis oleh juri Large Language Model (LLM) berbasis sistem penilaian Elo. Hasil eksperimen menunjukkan bahwa variasi panjang dimensi embedding memengaruhi latensi pencarian dengan nilai statistik F sebesar 3,9255 serta tingkat signifikansi p-value sebesar 0,0037. Pemangkasan dimensi hingga level 128 dimensi memotong waktu eksekusi rata-rata sebesar 36,02 persen dan disertai penurunan rata-rata kualitas hasil pencarian sebesar 4,97 persen jika dibandingkan dengan baseline dimensi 768 dimensi. Melalui pemetaan batas efisiensi, dimensi 128 diidentifikasi sebagai konfigurasi yang dinilai seimbang untuk penerapan sistem pencarian pakar secara praktis.
Pengembangan Model Machine Learning Berbasis CatBoost Melalui Analisis Fitur dan Optimasi Hyperparameter Lanjutan Pasya, Muhammad Rizky; Fatyanosa, Tirana Noor; Indriati, IndriatI
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi customer churn yang akurat sangat penting untuk efisiensi strategi retensi di industri telekomunikasi. Meski penelitian terdahulu mencapai benchmark F1-Score 0,637895 melalui kombinasi K-Means Clustering dan CatBoost, pendekatan pipeline ganda tersebut membebani komputasi secara signifikan. Penelitian ini mengusulkan model klasifikasi tunggal CatBoost yang lebih ringan (lightweight) pada dataset IBM Telco Customer Churn. Tiga optimasi sistematis diterapkan: Advanced Feature Engineering untuk mengekstraksi profil finansial dan risiko, hyperparameter tuning via Optuna untuk mengatasi imbalanced data, dan Threshold Optimization. Evaluasi menggunakan 10-Fold Stratified Cross-Validation menunjukkan peningkatan F1-Score yang progresif: dari baseline 0,6280 menjadi 0,6308 (rekayasa fitur), 0,6359 (Optuna), hingga berakhir di 0,637872 pada ambang batas probabilitas 0,51. Meski terdapat selisih yang sangat kecil sebesar 0,000023 dari benchmark, model usulan ini berhasil mereplikasi 99,996% daya prediktif referensi tanpa intervensi komputasi clustering yang berat. Hasil ini menawarkan alternatif model prediktif yang jauh lebih efisien secara komputasi dan tangkas untuk implementasi real-time.
Analisis Pengaruh Metode Chunking terhadap Kinerja Retrieval-Augmented Generation pada Dokumen Publikasi Badan Pusat Statistik Athaya, Haikal Thoriq; Fatyanosa, Tirana Noor; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 9 (2026): September 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Retrieval-Augmented Generation (RAG) menggabungkan pencarian informasi dengan model bahasageneratif untuk menghasilkan jawaban berbasis konteks dokumen. Kualitas konteks dipengaruhi olehproses chunking, yaitu pemecahan dokumen menjadi bagian-bagian kecil sebelum penyimpanan padavector database dan retrieval. Penelitian ini menganalisis tiga metode chunking, yaitu Element-BasedChunking, Max-Min Semantic Chunking, dan Recursive Chunking, pada 10 dokumen publikasi BadanPusat Statistik dengan 30 pasangan ground truth QA berbahasa Indonesia. Retrieval dievaluasimenggunakan Precision@k, Recall@k, Mean Reciprocal Rank (MRR), dan F1@k, sedangkangeneration dievaluasi menggunakan BLEU dan ROUGE-L pada Top-1 sampai Top-10. RecursiveChunking memperoleh rerata tertinggi pada Precision@k sebesar 0,169, MRR 0,419, F1@k 0,202, danBLEU 0,140. Max-Min Semantic Chunking memperoleh Recall@k tertinggi sebesar 0,412, sedangkanElement-Based Chunking memperoleh ROUGE-L tertinggi sebesar 0,683. Rerata agregat deskriptifdengan bobot sama terhadap enam metrik menghasilkan nilai tertinggi pada Recursive Chunking sebesar0,326, diikuti Element-Based Chunking 0,314 dan Max-Min Semantic Chunking 0,304 pada konfigurasieksperimen ini.
Evaluasi Robustness Model FLAN-T5 Terhadap Variasi Prompt Pada Tugas Klasifikasi Teks Yashifa, Muhammad Arsya Zain; Fatyanosa, Tirana Noor; Adikara, Putra Pandu
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

Artikel ini diterbitkan pada SIET 2026
Analisis Dampak Fitur Order Flow dalam Prediksi Harga Penutupan Saham PT Bumi Resources Tbk (BUMI) dengan Model CNN-LSTM Idma, Faiz Alvino; Fatyanosa, Tirana Noor; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 10 (2026): Oktober 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pergerakan harga saham pada perdagangan intraday memiliki karakteristik yang dinamis sehingga memerlukan model prediksi yang mampu memanfaatkan informasi harga dan aktivitas transaksi secara efektif. Penelitian ini bertujuan menganalisis kemampuan model Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) dalam memprediksi harga penutupan (future close) saham PT Bumi Resources Tbk (BUMI) menggunakan data OHLCV berinterval 15 detik, serta mengevaluasi pengaruh penambahan fitur yang diekstraksi dari data running trade terhadap performa model. Data penelitian menggunakan transaksi saham BUMI periode Maret hingga Mei 2026. Tahapan penelitian meliputi pembentukan data OHLCV, feature engineering berupa log return, high-low spread, dan volume imbalance, normalisasi menggunakan MinMaxScaler, pembentukan sekuens dengan teknik windowing, serta pelatihan model CNN-LSTM menggunakan metode Walk-Forward Validation. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan Coefficient of Determination (R²). Hasil pengujian menunjukkan bahwa model CNN-LSTM menggunakan fitur OHLCV memperoleh rata-rata MAE sebesar 2,3006, RMSE sebesar 2,9765, MAPE sebesar 1,1874%, dan R² sebesar 0,9736. Penambahan fitur running trade meningkatkan performa model dengan menghasilkan MAE sebesar 1,0639, RMSE sebesar 1,2952, MAPE sebesar 0,4979%, dan R² sebesar 0,9921. Hasil tersebut menunjukkan bahwa informasi mikrostruktur pasar dari data running trade mampu meningkatkan akurasi prediksi harga penutupan saham intraday.
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 Edy Santoso 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 Idma, Faiz Alvino Indriati Indriati 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 Pasya, Muhammad 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 Yashifa, Muhammad Arsya Zain Zenatmaja, I Wayan Ivan