Article Per Year (5 Year)
p-Index From 2021 - 2026
1.475
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Noor Fatyanosa, Tirana
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 10 Documents
Search

 1 
Analisis Perbandingan Kinerja Fine-Tuning Varian Pretrained BERT untuk Deteksi Intrusi Berbasis Host pada Dataset ADFA-LD Radinka Akmal, Salsa Zufar; Noor Fatyanosa, Tirana; Data, Mahendra
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Deteksi intrusi berbasis host merupakan komponen penting dalam menjaga keamanan sistem karena mampu menganalisis aktivitas internal host melalui urutan system call, sehingga dapat mendeteksi perilaku intrusi yang tidak dapat diidentifikasi oleh Network-based Intrusion Detection System (NIDS). Namun seiring perkembangan zaman, muncul tantangan karena pola serangan modern tidak lagi ditandai sebagai peristiwa atau event tunggal, melainkan sebagai deviasi sekuensial yang sulit dibedakan dari aktivitas normal. Berbagai pendekatan machine learning dan deep learning sebelumnya menunjukkan keterbatasan karena memerlukan pelatihan dari awal dan tidak mampu memanfaatkan pengetahuan lintas domain. Untuk menjawab permasalahan tersebut, berbagai penelitian telah memanfaatkan model BERT untuk tugas deteksi intrusi berbasis host, namun studi komprehensif mengenai perbedaan kinerja antar variannya masih terbatas. Celah tersebut menjadi landasan penelitian ini, yang bertujuan mengevaluasi performa beberapa varian pretrained BERT serta mengidentifikasi konfigurasi pelatihan yang paling efektif untuk deteksi intrusi pada dataset ADFA-LD. Penelitian dilakukan melalui tahapan pra proses data, fine-tuning model, dan eksplorasi hyperparameter untuk menilai pengaruh masing-masing komponen terhadap kualitas deteksi. Hasil penelitian menunjukkan adanya variasi trade-off antara performa akurasi dan efisiensi komputasi pada tiap varian BERT, sementara metode pra proses dan pemilihan hyperparameter terbukti memengaruhi performa secara signifikan. BERT-BASE mencapai F1-score tertinggi sebesar 0,9552, sementara DistilBERT mampu menurunkan waktu inferensi hingga lebih dari 60% (44,97 detik) dan penggunaan memori GPU hingga sekitar 37% (274,94 MB) dibandingkan BERT-BASE, dengan penurunan F1-score yang relatif kecil, yaitu sekitar 0,6%. Temuan ini memberikan dasar untuk pemilihan arsitektur dan strategi pelatihan yang lebih tepat dalam pengembangan HIDS berbasis model transformer.
Penerapan Model RoBERTa Untuk Deteksi Emosi Multikelas Berbasis Teks Bahasa Inggris Muzaki, Farid; Noor Fatyanosa, Tirana; Ridok, Achmad
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan teknologi digital telah mempercepat pertumbuhan komunikasi berbasis teks, khususnya di media sosial yang menjadi ruang utama bagi pengguna dalam mengekspresikan emosi. Dalam konteks ini, deteksi emosi berbasis teks menjadi penting untuk berbagai keperluan, seperti analisis opini, sistem interaksi cerdas, dan pemantauan psikologis. Penelitian ini mengusulkan pemanfaatan model RoBERTa untuk klasifikasi emosi multikelas dalam teks berbahasa Inggris, dengan enam label utama: sadness, joy, love, anger, fear, dan surprise. Data penelitian berasal dari dataset publik dengan 20.000 entri, yang diproses melalui tahapan preprocessing dan tokenisasi. Model RoBERTa kemudian di-fine-tune dengan konfigurasi hyperparameter optimal yang diperoleh melalui proses penyetelan sistematis, termasuk pengaturan learning rate, batch size, epoch, dan weight decay. Evaluasi model dilakukan dengan metrik accuracy, precision, recall, dan F1-score, baik pada data pelatihan maupun pengujian. Hasil eksperimen menunjukkan bahwa model mampu menghasilkan klasifikasi emosi yang akurat dan stabil, serta menunjukkan performa generalisasi yang baik tanpa indikasi overfitting. Temuan ini mengonfirmasi bahwa RoBERTa merupakan model yang efektif untuk tugas deteksi emosi dalam teks dan layak dikembangkan lebih lanjut untuk aplikasi NLP berbasis kecerdasan buatan.
Pengembangan Alat Pendukung Investigasi Serangan Siber Berdasarkan Log Server Web Menggunakan Algoritma SBERT all-MiniLM-L6-v2 dan Agglomerative Clustering Adi Sumarno, Abdullah Hilal; Data, Mahendra; Noor Fatyanosa, Tirana
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Serangan siber terhadap aplikasi web terus meningkat seiring ketergantungan institusi pada layanan digital. Log server web merupakan sumber bukti digital vital yang merekam jejak aktivitas, namun analisis manual terhadap jutaan baris log sering kali tidak efektif dan rentan kesalahan. Penelitian ini bertujuan mengembangkan alat bantu investigasi otomatis menggunakan metode Unsupervised Learning. Sistem yang dibangun menerapkan algoritma Agglomerative Clustering untuk mengelompokkan pola serangan. Tantangan utama dalam klasterisasi log adalah representasi data teks URL yang tidak terstruktur. Oleh karena itu, penelitian ini mengusulkan ekstraksi fitur hibrida yang menggabungkan fitur berbasis aturan dari Sigma Rules dan fitur semantik menggunakan model SBERT all-MiniLM-L6-v2. Berdasarkan hasil pengujian hyperparameter tuning pada rentang k=10 hingga k=15, metode Average Linkage dengan jumlah klaster (k) 12 terbukti memberikan hasil paling optimal. Evaluasi eksternal menunjukkan nilai Homogeneity Score sebesar 0,992 dan Completeness Score sebesar 0,309. Tingginya homogenitas membuktikan kemampuan sistem dalam memisahkan aktivitas normal dan anomali dengan kemurnian tinggi, sementara granularitas klaster yang terbentuk mampu memisahkan varian serangan spesifik seperti SQL Injection dan Sensitive File Exposure untuk mempermudah analisis serangan siber.
Penerapan Algoritma Random Forest untuk Klasifikasi Cedera Pelari Berbasis Data Kinerja Wearable Devices dengan Teknik Resampling dan Optuna Tuning Adnawirya Pratama, Cendikia; Muflikhah, Lailil; Noor Fatyanosa, Tirana
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kemajuan wearable devices memungkinkan pemantauan kinerja pelari secara objektif dan berkelanjutan untuk mendukung klasifikasi dan pencegahan running-related injuries. Namun, pemodelan cedera berbasis data menghadapi tantangan berupa ketidakseimbangan kelas yang ekstrem serta kompleksitas pola temporal. Dataset yang digunakan berupa data temporal mingguan dengan distribusi sangat tidak seimbang, terdiri dari 42.223 data non-injury dan 575 data injury, sehingga berpotensi menimbulkan bias model tanpa penanganan khusus. Untuk mengatasi permasalahan tersebut, diterapkan tiga teknik undersampling, yaitu Random Undersampling, Cluster-based Undersampling, dan NearMiss Undersampling, guna menjaga representativitas dan keberagaman pola kelas mayoritas. Hasil eksperimen menunjukkan bahwa NearMiss Undersampling memberikan kinerja baseline terbaik dengan akurasi 0,8826, F1-score 0,8756, dan AUC 0,9645. Kinerja model selanjutnya meningkat melalui hyperparameter tuning menggunakan Optuna dengan pendekatan Tree-structured Parzen Estimator (TPE), menghasilkan akurasi 0,9000, F1-score 0,8959, dan AUC 0,9782. Selain itu, evaluasi augmentasi data menggunakan SMOTE pada skenario Cluster-based Undersampling menunjukkan bahwa tingkat augmentasi 20% memberikan performa paling stabil. Secara keseluruhan, kombinasi strategi resampling yang tepat dan optimasi parameter terbukti efektif dalam meningkatkan kinerja klasifikasi cedera pelari berbasis data wearable devices.
Fine-Tuning Bert Untuk Named Entity Recognition Pada Dokumen Klinis Gizi Condro Kusuma, Satrio; Noor Fatyanosa, Tirana; Data, Mahendra
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

Penelitian ini bertujuan mengembangkan sistem ekstraksi informasi pada dokumen klinis gizi menggunakan pendekatan Named Entity Recognition (NER) berbasis Bidirectional Encoder Representations from Transformers (BERT). Sistem yang dikembangkan dirancang untuk mengidentifikasi dan mengklasifikasikan entitas penting dalam dokumen klinis gizi, meliputi kondisi kesehatan, bahan makanan, kandungan nutrisi, serta informasi pendukung lainnya. Pendekatan ini memungkinkan transformasi data teks tidak terstruktur menjadi informasi terstruktur yang dapat dimanfaatkan dalam analisis klinis dan pengambilan keputusan. Penelitian ini mengevaluasi beberapa model BERT berbahasa Indonesia untuk menentukan model yang paling sesuai pada domain klinis gizi. Proses evaluasi dilakukan melalui perbandingan performa antar model menggunakan metrik precision, recall, dan F1-score, kemudian dilanjutkan dengan proses fine-tuning pada model terpilih untuk meningkatkan kinerja dalam tugas NER. Hasil penelitian menunjukkan bahwa model BERT mampu memberikan performa yang stabil dan efektif, khususnya dalam mengenali entitas dengan jumlah data yang besar. Namun, performa pada entitas dengan distribusi data terbatas masih menunjukkan kekurangan, terutama pada nilai precision. Temuan ini menunjukkan bahwa pendekatan berbasis BERT memiliki potensi yang kuat untuk diterapkan dalam pengolahan dokumen klinis gizi, dengan peluang pengembangan lebih lanjut melalui optimalisasi fine-tuning dan penanganan ketidakseimbangan data.
Analisis Penerapan XLM-RoBERTa pada Named Entity Recognition untuk Deteksi Entitas Sensitif Laporan Asuhan Gizi Klinik Berformat PDF Pradipta, Muhammad Fadhil; Noor Fatyanosa, Tirana; 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

Artikel ini diterbitkan pada seminar TBD
Analisis Performa Summary-Based Multimodal Retrieval dengan Arsitektur Dual Database pada Sistem RAG Asuhan Gizi Anak Rajendra Alkautsar Dikna, Muhammad; Noor Fatyanosa, Tirana; Fitra Abdurrachman Bachtiar, Fitra
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 Asian Conference on Machine Learning
Klasifikasi Gangguan Kesehatan Mental dan Kondisi Neurodevelopmental Menggunakan BERT dengan Integrasi Fitur Leksikon pada Unggahan Reddit Jaya, Dionisius Surya; Noor Fatyanosa, Tirana; Indriati
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

Penelitian ini mengusulkan arsitektur klasifikasi teks hybrid untuk mendeteksi tanda-tanda gangguan kesehatan mental pada postingan media sosial Reddit. Arsitektur yang diusulkan mengintegrasikan representasi kontekstual dari model BERT (Bidirectional Encoder Representations from Transformers) dengan 14 fitur emosi berbasis leksikon dari VADER dan NRC EmoLex menjadi vektor hybrid berdimensi 832 melalui mekanisme concatenation. Model dilatih menggunakan Focal Loss untuk menangani ketidakseimbangan kelas dan hiperparameter dioptimalkan menggunakan algoritma TPE (Tree-structured Parzen Estimator) melalui kerangka Optuna. Evaluasi dilakukan melalui studi ablasi terhadap tujuh arsitektur komparatif pada dataset Reddit yang mencakup lima kelas gangguan: ADHD, OCD, Aspergers, Depression, dan PTSD. Hasil pengujian menunjukkan model Hybrid BERT+Lexicon yang diusulkan mencapai Weighted F1-Score 0,8643 (akurasi 86,41%), melampaui model leksikon murni secara masif (terbaik: Lexicon-Only, F1 0,3800) dan konsisten lebih baik dari BERT-Only (F1 0,8637). Studi ablasi membuktikan fitur BERT sebagai komponen paling determinan, sementara fitur leksikon memberikan kontribusi per-kelas: VADER pada deteksi Depression dan emosi Fear NRC EmoLex pada deteksi PTSD.
Analisis Sentimen Komentar Pembaca Webtoon Dengan Metode SVM dan Zero-Shot Learning Berbasis Word Embeddings (Studi Kasus Webtoon Omniscient Reader) Gema Adzani, Irsyad; Pandu Adikara, Putra; Noor Fatyanosa, Tirana
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Tuntutan industri webtoon untuk terus mempertahankan jumlah pembaca merupakan tantangan bagi setiap kreator webtoon. Di tengah tenggat waktu rilis episode baru mingguan, para kreator harus terus memantau komentar webtoon untuk memastikan karyanya mendapatkan respon bagus dari pembaca. Penelitian mengenai analisis sentimen komentar pembaca webtoon ini dilakukan untuk memberikan pilihan metode kepada kreator webtoon dalam mengevaluasi karyanya berdasarkan komentar pembaca. Data komentar webtoon yang digunakan pada penelitian ini merupakan 500 data komentar dari sepuluh episode pertama webtoon berjudul Omniscient Reader. Pelabelan data dilakukan oleh pakar bahasa Inggris untuk memberi label positif dan negatif. Data diolah dengan melakukan ekstraksi fitur menggunakan RoBERTa. Hasil ekstraksi fitur digunakan untuk membuat model klasifikasi Support Vector Machine. Klasifikasi dilakukan dengan menggunakan SVM dengan algoritma optimasi SMO. Hasil klasifikasi SVM dibandingkan dengan hasil klasifikasi zero-shot learning pada Large Language Model (LLM). Akurasi SVM pada penelitian ini berhasil memprediksi dengan tingkat akurasi sebesar 91%., sedangkan zero-shot learning dengan LLM pada penelitian ini memiliki rentang 54% hingga 92% dipengaruhi oleh perintah pada prompt. 
Klasifikasi Multi-label Emosi pada Teks Multibahasa Menggunakan Multilingual BERT dengan Optimasi Threshold Kodrihan, Daffa Daniswara; Noor Fatyanosa, Tirana; Nurwarsito, Heru
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Analisis emosi pada teks multibahasa menghadapi tantangan berupa perbedaan karakteristik bahasa, ketidakseimbangan distribusi label, dan kemungkinan munculnya lebih dari satu emosi dalam satu teks. Penelitian ini bertujuan mengembangkan model klasifikasi multi-label emosi pada teks multibahasa menggunakan Multilingual BERT serta mengoptimalkan global threshold untuk meningkatkan keseimbangan Precision dan recall. Dataset yang digunakan mencakup lima label emosi, yaitu anger, disgust, fear, joy, dan sadness. Setelah proses pembersihan dan penghapusan data yang tumpang tindih, dataset dibagi menjadi 59.428 data train, 6.604 data validation, dan 41.310 data test. threshold optimal ditentukan pada data validation dengan memaksimalkan macro F1 score. Hasil pengujian menunjukkan bahwa threshold optimal sebesar 0,32 meningkatkan macro F1 score validation dari 0,5579 pada threshold standar 0,50 menjadi 0,5881, serta meningkatkan recall macro dari 0,4774 menjadi 0,5932. Evaluasi akhir pada data test menghasilkan subset accuracy sebesar 0,4916, Precision macro sebesar 0,5778, recall macro sebesar 0,5969, macro F1 score sebesar 0,5868, micro F1 score sebesar 0,5889, Hamming loss sebesar 0,1463, dan ROC-AUC macro sebesar 0,8549. Label joy memperoleh F1 score tertinggi sebesar 0,6643, sedangkan sadness memperoleh F1 score terendah sebesar 0,5492. Hasil penelitian menunjukkan bahwa Multilingual BERT dapat diterapkan untuk klasifikasi multilabel emosi pada teks multibahasa dan optimasi threshold mampu meningkatkan keseimbangan Precision dan recall, meskipun tidak meningkatkan seluruh metrik evaluasi.
Co-Authors Achmad Ridok Adi Sumarno, Abdullah Hilal Adnawirya Pratama, Cendikia Condro Kusuma, Satrio Fitra Abdurrachman Bachtiar, Fitra Gema Adzani, Irsyad Heru Nurwarsito Indriati Jaya, Dionisius Surya Kodrihan, Daffa Daniswara Lailil Muflikhah Mahendra Data Muzaki, Farid Pandu Adikara, Putra Pradipta, Muhammad Fadhil Radinka Akmal, Salsa Zufar Rajendra Alkautsar Dikna, Muhammad