Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika Upgris Jurnal Teknologi Informasi dan Terapan (J-TIT) Infotekmesin
Noora Qotrun Nada
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Mechanical Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pengukuran Kualitas Layanan Sistem Informasi Akademik Menggunakan Metode Webqual 4.0 Noora Qotrun Nada; Setyoningsih Wibowo2
Jurnal Informatika Upgris Vol 1, No 2 Desember (2015)
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v1i2 Desember.870

Abstract

- Perkembangan IT yang pesat menjadikan website sebagai bagian yang tidak terpisahkan dari sebuah lembaga pendidikan dalam hal layanan bagi civitas akademika, dosen, mahasiswa, dan tenaga kependidikan. Layanan suatu sistem informasi akademik berbasis web perlu diukur untuk mengetahui tingkat kepuasan pengguna. Dalam penelitian ini, kualitas webite sistem akademik universitas diukur dengan menggunakan metode WebQual 4.0. WebQual merupakan instrumen yang menilai kualitas suatu website menurut perspektif pengguna akhir. Analisis Regresi Linear Berganda digunakan utuk menguji hubungan antar variabel dari WebQual 4.0 dengan User Satisfaction (kepuasan pengguna). Dari hasil penelitian dapat disimpulkan bahwa hanya satu variabel WebQual 4.0, yaitu Service Interaction Quality yang berpengaruh signifikan terhadap User satisfaction (kepuasan pengguna) website sistem akademik universitas.
APLIKASI MONITORING KINERJA PEGAWAI MENGGUNAKAN ALGORITMA SIMPLE ADDITIVE WEIGHTING (SAW) DI BADAN PUSAT STATISTIK KABUPATEN PATI BERBASIS MOBILE Noora Qotrun Nada; Muhammad Wahyu Izzul Fahmi; Aris Tri Jaka Harjanta
Jurnal Informatika Upgris Vol 6, No 2: Desember (2020)
Publisher : Universitas PGRI Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26877/jiu.v6i2.8240

Abstract

Penyimpangan pegawai merupakan masalah yang sering ditemui, khususnya di Badan Pusat Statistik. Kurangnya tingkat kesadaran pegawai merupakan faktor utama dari permasalahan ini. Tugas akhir ini bertujuan membuat aplikasi untuk mengurangi bahkan menghilangkan masalah tersebut. Perangkat lunak tersebut merupakan sebuah sistem informasi monitoring karyawan menggunakan algoritma Simple Additive Weighting (SAW) berbasis mobile dimana karyawan yang bertugas dilapangan akan terpantau dengan mudah oleh admin atau ketua instansi terkait. Fitur yang ada dalam sistem tersebut tidak hanya untuk memonitoring tetapi terdapat login, input pekerjaan, input pegawai, input target, input nilai, input realisasi, lihat pekerjaan yang didapat, input izin, lihat izin. Pembangunan sistem informasi monitoring karyawan menggunakan algoritma Simple Additive Weighting (SAW) berbasis mobile ini menggunakan menggunakan metode waterfall yang tahap -tahapannya meliputi tahapan analisis, desain, implementasi dan pengujian. Unified Modeling Language (UML) digunakan sebagai alat bantu dalam perancangan sistem ini. Sedangkan Bahasa pemrogaman yang digunakan adalah Hypertext Preprocessor (PHP) dengan MySQL sebagai manajemen database-nya kemudian di get menggunakan android studio menggunakan bahasa pemrogaman java. Pada pembuatan sistem monitoring kinerja pegawai ini dilakukan empat pengujian yaitu black box, white box, user acceptance test (UAT). Pengujian black box dilakukan oleh tiga penguji dan mendapatkan hasil valid 100% dimana sistem ini sudah sesuai seperti yang diharapkan. Sedangkan white box menghasilkan kompleksitas 3 dengan presentase tercapai 100% yang menunjukan bahwa sistem sudah memenuhi kriteria rekayasa perangkat lunak. Pengujian ketiga yaitu user acceptance test (UAT) yang dilakukan empat responden dan menghasilkan presentasi rata – rata 83,75% dengan hasil pengujian tersebut menunjukan bahwa sistem layak untuk digunakan. Pengujian terakhir yaitu uji coba perangkat, pengujian ini bertujuan untuk mengetahui apakah aplikasi dapat diinstal di perangkat dengan OS yang berbeda dan hasilnya dapat diinstal di beberapa OS yang berbeda dan dapat berjalan dengan baik.
CNN Implementation in Progressive Web App for Automatic Garbage Classification using TensorFlow.js Eka Setyabudi; Noora Qotrun Nada; Mega Novita
Jurnal Teknologi Informasi dan Terapan Vol 12 No 2 (2025): December
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25047/jtit.v12i2.458

Abstract

The substantial and continuously increasing volume of global waste has become a critical environmental challenge, exacerbating the inherent inefficiency of conventional manual sorting techniques. This research addresses this problem by developing and evaluating an automated waste classification system using Convolutional Neural Networks (CNN), specifically the VGG16 architecture, integrated into a Progressive Web App (PWA) to enhance accessibility and sorting efficiency. Our primary goal is to deliver an intelligent, lightweight, and cross-platform solution capable of performing client-side inference on diverse devices. The VGG16 model was retrained using transfer learning on a validated public dataset of 10,365 images, comprising two classes (organic and inorganic waste). The trained model was converted to a browser-compatible format, TensorFlow.js, and deployed within the PWA framework which utilizes Service Workers for offline capabilities. Despite the significant challenge posed by the VGG16 model's large size, the system successfully performed client-side inference by prioritizing GPU acceleration and achieved 0.94 overall accuracy on the test dataset2. This result, supported by high F1-scores for both waste categories, confirms that deploying high-accuracy CNN models at the edge using PWA and TensorFlow.js is a feasible and promising strategy for practical, technology-based waste management and environmental education.
Prediksi Risiko Depresi Berdasarkan Data Demografis dan Psikososial menggunakan Metode Ensemble Learning dengan Pendekatan Stacking Arwan Mangli; Noora Qotrun Nada; Mega Novita
Infotekmesin Vol 17 No 1 (2026): Infotekmesin: Januari 2026
Publisher : P3M Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/infotekmesin.v17i1.3102

Abstract

Depression is a mental health problem with high prevalence that requires accurate and reliable computational-based prediction systems to support early detection. This study proposes a depression risk prediction architecture based on a stacking ensemble approach incorporating an out-of-fold (OOF) mechanism to prevent data leakage during meta-feature generation. The model combines Support Vector Machine and XGBoost as base learners, with Logistic Regression employed as the meta-learner. A public Depression Professional Dataset is processed using a stratified split strategy, class balancing on the training data through SMOTE, and feature standardization to enhance training stability. Experimental results demonstrate that the proposed approach achieves superior performance with an accuracy of 0.99, precision of 0.91, recall of 1.00, and an F1-score of 0.95, along with consistent detection capability for the minority class. These findings confirm that the systematic integration of OOF stacking and SMOTE improves model sensitivity while reducing false negative errors, making it suitable for the development of artificial intelligence–based mental health screening systems.
Co-Authors Aris Tri Jaka Harjanta, Aris Tri Arwan Mangli Eka Setyabudi Mega Novita Muhammad Wahyu Izzul Fahmi Setyoningsih Wibowo2