Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi Infolitika Journal of Data Science
Qaisa, Rara Syifa
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

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

Found 3 Documents
Search

 1 
Analisa Pengujian Sistem Informasi Website E-Commerce Bali-Store Menggunakan Metode Black Box Testing Saputra, Ulia; Astrianda, Nica; Nasution, Bagas Ramadhan; Anggara, Ade Arya; Qaisa, Rara Syifa; Jakfar, Ana Elvia
Jurnal Teknologi Informasi Vol 2, No 2 (2023): Oktober
Publisher : Universitas Teuku Umar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35308/jti.v2i2.7847

Abstract

Penelitian ini bertujuan untuk menguji kinerja dan kualitas aplikasi web e-commerce vape bali-store melalui pengujian blackbox Alpha dan Beta. Pengujian Alpha dilakukan untuk memverifikasi kinerja optimal dan mendeteksi kemungkinan kesalahan atau bug pada aplikasi sebelum diujikan kepada pengguna sebenarnya. Pengujian Alpha melibatkan beberapa prosedur pengujian, seperti pengujian menu utama, halaman pesanan dll. Selanjutnya, pengujian Beta dilakukan untuk menguji kesiapan aplikasi sebelum diluncurkan kepada pengguna sebenarnya. Fokus pada pengujian Beta adalah mengevaluasi pengalaman pengguna dalam menggunakan aplikasi. Evaluasi dilakukan melalui kuisioner yang menggunakan skala penilaian Likert. Hasil pengujian Alpha menunjukkan bahwa aplikasi web ecommerce vape store beroperasi dengan baik dan tidak ditemukan adanya kesalahan atau bug yang signifikan. Sementara itu, hasil pengujian Beta menunjukkan bahwa sebagian besar responden memberikan penilaian positif sebesar 95% terhadap kualitas aplikasi dan pengalaman pengguna
Penerapan CNN Arsitektur VGG16 untuk Deteksi Kesegaran Ikan Berdasarkan Citra Digital Suhendra, Rivansyah; Ayu, Ratih Sari; Qaisa, Rara Syifa; Juliwardi, Ilham; Astrianda, Nica; Arisna, Puput; Syahril, Alfis; Hasanah, Uswatun
Jurnal Teknologi Informasi Vol 4, No 1 (2025): Mei
Publisher : Universitas Teuku Umar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35308/jti.v4i1.12301

Abstract

Kesegaran ikan merupakan indikator utama dalam menentukan kualitas dan keamanan produk perikanan. Penilaian secara manual masih bersifat subjektif dan memerlukan keahlian khusus. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kesegaran ikan secara otomatis menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur VGG16. Data berupa 1.378 citra mata ikan dikumpulkan dari pasar ikan di Meulaboh dan Blangpidie, kemudian melalui proses preprocessing menggunakan teknik contrast stretching. Dataset dibagi menjadi data latih (80%) dan data validasi (20%). Proses pelatihan dilakukan dengan menerapkan augmentasi dan normalisasi data guna meningkatkan kemampuan generalisasi model. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan citra dengan akurasi, precision, recall, dan F1-score sebesar 100%. Analisis confusion matrix menunjukkan tidak adanya kesalahan klasifikasi pada data validasi. Temuan ini menunjukkan bahwa citra mata ikan merupakan fitur visual yang efektif untuk mengidentifikasi tingkat kesegaran. Sistem yang dikembangkan memiliki potensi untuk diimplementasikan dalam proses sortir dan kontrol mutu hasil perikanan. Penelitian selanjutnya disarankan untuk memperluas cakupan jenis ikan dan pengujian dalam kondisi lingkungan nyata guna meningkatkan robustitas model.
Assessing LightGBM Performance in Automated Leukemia Cell Classification Qaisa, Rara Syifa; Maghfirah, Hayatun; Suryadi, Suryadi; Husdayanti, Noviana; Suhendra, Rivansyah
Infolitika Journal of Data Science Vol. 4 No. 1 (2026): May 2026 (In Press)
Publisher : Heca Sentra Analitika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.60084/ijds.v4i1.351

Abstract

Leukemia is a type of blood cancer that requires fast and accurate diagnosis for effective treatment. Manual identification of leukemia blood cell subtypes is often challenging, time-consuming, and prone to observer variability, making automated image-based classification essential. This study evaluates the performance of the Light Gradient-Boosting Machine (LightGBM) as a computationally efficient and interpretable alternative to deep learning models for classifying leukemia subtypes. The dataset includes 3,000 microscopic images representing five classes: acute lymphocytic, acute myelogenous, chronic lymphocytic, chronic myelogenous, and healthy blood cells. Images were preprocessed using bilinear interpolation to balance quality and efficiency, and 90 statistical features were extracted across 13 distinct color spaces. The model was trained on an 80% subset and validated on a 20% hold-out set after hyperparameter optimization. LightGBM achieved robust performance with an accuracy of 93.3%, precision of 99.1%, recall of 94.9%, and an F-measure of 96.8%. Feature importance analysis revealed that texture variance in the YIQ color space (STD_YIQ_I) was the most critical predictor, highlighting the biological relevance of chromatin texture in classification. These results indicate that LightGBM is an effective, lightweight, and reliable approach for leukemia subtype classification, holding strong potential for implementation in resource-constrained automated diagnostic systems.
Co-Authors Ana Elvia Jakfar Anggara, Ade Arya Arisna, Puput Ayu, Ratih Sari Husdayanti, Noviana Juliwardi, Ilham Maghfirah, Hayatun Nasution, Bagas Ramadhan Nica Astrianda Saputra, Ulia Suhendra, Rivansyah Syahril, Alfis Uswatun Hasanah