Noreha Abdul Malik

Noreha Abdul Malik

Auto-generated profile, based on publicly available information

Noreha Abdul Malik

International Islamic University Malaysia

Research Focus & Metrics

Academic Career Length

2Years (2025-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
10 January 2025 in IIUM Engineering Journal
Verified
Journal Article
Open access
PDF file
YAYasser Asrul Ahmad
Yasser Asrul Ahmad
NMNurul Salshabila Mustapa
Nurul Salshabila Mustapa
ARAnis Hannani Razaman
Anis Hannani Razaman
MHMuhammad Nasrin Aqil Abdul Hamid
Muhammad Nasrin Aqil Abdul Hamid
NMNoreha Abdul Malik
Noreha Abdul Malik
MJMohd Faizal Jamlos
Mohd Faizal Jamlos
Stingless bee colonies require constant monitoring to ensure hive health and optimal honey production. However, conventional monitoring practices are time-consuming and labor-intensive, especially for beekeepers in rural or remote areas. Without access to real-time hive data, beekeepers may struggle to detect changes in temperature, humidity, and other vital conditions that could impact bee health and productivity. Most studies rely on Wi-Fi modules for communication between local and cloud servers. However, using Wi-Fi for bee monitoring requires that the stingless bee hives be located near buildings with Wi-Fi access. To address this issue, a prototype of a remote monitoring system for a stingless bee colony was developed using Long Range (LoRa) technologies due to the low data rate, low power, and operability in an outdoor environment. This system aims to help beekeepers monitor the beehives remotely. The prototype comprises two nodes: a beehive sensor node and a LoRa gateway node. The beehive monitoring sensor node is equipped with the ESP32 as a microcontroller, LoRa SX1278, BME680, and KY-037. The LoRa gateway comprises ESP32 and LoRa SX1278 and is interfaced with Ubidots through Node-Red. The developed prototype was tested at four locations at varying distances in the Mahallah Ruqayyah Kelulut farm. The result shows that LoRa is feasible for remote monitoring because it can reliably transmit data up to 58 meters despite a higher data rate. The Ubidots dashboard displays the temperature, humidity percentage, air quality, pressure, sound levels, and RSSI value for thorough insights into the bee's condition, as it can be accessed using web and mobile applications. Overall, the stingless bee remote monitoring system using LoRa communication is a promising solution for outdoor applications between the sender and receiver for data transmission in remote areas. ABSTRAK: Koloni lebah kelulut memerlukan pemantauan berterusan untuk memastikan kesihatan sarang dan pengeluaran madu yang optimum. Walau bagaimanapun, amalan pemantauan konvensional memerlukan banyak masa dan tenaga, terutamanya bagi penternak lebah di kawasan pedalaman atau terpencil. Tanpa akses kepada data sarang secara masa nyata, penternak lebah mungkin menghadapi kesukaran untuk mengesan perubahan suhu, kelembapan, dan keadaan penting lain yang boleh menjejaskan kesihatan serta produktiviti lebah. Kebanyakan kajian menggunakan modul Wi-Fi untuk komunikasi antara pelayan tempatan dan awan. Walau bagaimanapun, penggunaan Wi-Fi untuk pemantauan lebah memerlukan sarang lebah kelulut diletakkan berhampiran bangunan dengan akses Wi-Fi. Bagi mengatasi isu ini, satu prototaip sistem pemantauan jauh untuk koloni lebah kelulut telah dibangunkan menggunakan teknologi Long Range (LoRa) yang mempunyai kadar data rendah, penggunaan tenaga yang rendah, serta sesuai untuk persekitaran luar. Sistem ini bertujuan membantu penternak lebah memantau sarang lebah dari jauh. Prototaip ini terdiri daripada dua nod: nod sensor sarang lebah dan nod pintu gerbang LoRa. Nod sensor pemantauan sarang lebah dilengkapi dengan ESP32 sebagai mikropengawal, LoRa SX1278, BME680, dan KY-037. Pintu gerbang LoRa pula menggunakan ESP32 dan LoRa SX1278 yang dihubungkan dengan Ubidots melalui Node-Red. Prototaip ini telah diuji di empat lokasi berbeza pada jarak yang berbeza di ladang Kelulut Mahallah Ruqayyah. Hasil menunjukkan bahawa LoRa adalah sesuai untuk pemantauan jarak jauh kerana, walaupun pada kadar data yang lebih tinggi, ia boleh menghantar data dengan baik sehingga jarak 58 meter. Papan pemuka Ubidots memaparkan suhu, peratusan kelembapan, kualiti udara, tekanan, tahap bunyi, dan nilai RSSI untuk memberikan gambaran lengkap mengenai keadaan lebah, yang boleh diakses melalui aplikasi web dan mudah alih. Secara keseluruhan, sistem pemantauan jauh lebah kelulut menggunakan komunikasi LoRa adalah penyelesaian yang menjanjikan untuk aplikasi luar di kawasan terpencil antara penghantar dan penerima bagi penghantaran data.

10 May 2026 in IIUM Engineering Journal
Verified
Journal Article
Open access
Teddy Surya GunawanTeddy Surya Gunawan
Teddy Surya Gunawan
NJNurul Jannah
Nurul Jannah
MKMira Kartiwi
Mira Kartiwi
NMNoreha Abdul Malik
Noreha Abdul Malik
Spinal X-rays are still often read through manual measurements, yet the patients who most need timely assessment cannot afford delay, inconsistency, or heavy computational pipelines. Motivated by this clinical tension, this study proposes an efficiency-aware deep learning framework for three-class spinal disorder classification that asks a practical question rarely centered in prior work: not only which model is most accurate, but which model is accurate enough, light enough, and fast enough to matter in real screening settings. Using a public dataset of 338 subjects, five lightweight backbones, CBAM-enhanced variants, and a dual-branch fusion model were evaluated through stratified 5-fold cross-validation under multiple balancing strategies, with performance measured by accuracy, precision, recall, F1-score, parameter count, FLOPs, model size, latency, and throughput. The results reveal an unexpected pattern: bigger models do not win. MobileNetV3Small delivers the strongest efficiency-performance balance, reaching an F1-score of 0.962 with only 1.0 million parameters, while the best overall result is achieved by the Fusion_MNv3_MNAS model under augmentation-only training, with an F1-score of 0.976. Ablation findings further show that attention and fusion are not universally beneficial, but become most effective when paired with sufficient data-driven regularization, and that fine-tuning about 30% of backbone parameters yields the most favorable adaptation. Taken together, these findings show that performance in spinal X-ray classification depends less on model size alone than on the fit between architecture and training strategy. The study therefore offers a concrete and clinically relevant message: lightweight, well-regularized models can match or surpass heavier alternatives while remaining more practical for scalable deployment. ABSTRAK: Radiograf tulang belakang masih kerap dinilai melalui pengukuran manual, sedangkan pesakit yang memerlukan rawatan awal tidak dapat menanggung kelewatan, ketidakselarasan, atau kebergantungan pada sistem pengiraan yang berat. Berpunca pada masalah klinikal ini, kajian ini mengemukakan satu rangka kerja pembelajaran mendalam berpaksikan kecekapan bagi pengelasan tiga kelas gangguan tulang belakang, dengan menumpukan persoalan praktikal yang jarang diberi perhatian dalam kajian terdahulu, iaitu bukan pada model mana yang paling tepat, tetapi model mana yang cukup tepat, cukup ringan, dan cukup pantas bagi persekitaran saringan klinikal. Dengan menggunakan satu set data awam yang melibatkan 338 subjek, lima model asas ringan, varian yang dipertingkatkan dengan CBAM, serta model gabungan dwi-cabang telah dinilai melalui pengesahan silang berstrata lima lipatan di bawah beberapa strategi pengimbangan kelas, dengan prestasi diukur menggunakan ketepatan, kejituan, keboleh ingatan, skor F1, bilangan parameter, FLOPs, saiz model, kependaman, dan kadar pemprosesan. Dapatan kajian menunjukkan satu corak yang tidak dijangka, iaitu model yang lebih besar tidak semestinya memberi prestasi terbaik. MobileNetV3Small memperlihatkan keseimbangan paling kukuh antara kecekapan dan prestasi dengan mencapai skor F1 sebanyak 0.962 hanya menggunakan 1.0 juta parameter, manakala prestasi keseluruhan terbaik dicapai oleh model Fusion_MNv3_MNAS di bawah latihan berasaskan augmentasi sahaja dengan skor F1 sebanyak 0.976. Analisis ablasi seterusnya menunjukkan bahawa mekanisme perhatian dan gabungan tidak sentiasa memberikan manfaat secara menyeluruh, sebaliknya menjadi paling berkesan apabila dipadankan dengan regularisasi berasaskan data yang mencukupi, dan penalaan halus sekitar 30% parameter rangka asas menghasilkan penyesuaian yang terbaik. Secara keseluruhan, dapatan ini menunjukkan bahawa prestasi dalam pengelasan sinar-X tulang belakang kurang bergantung pada saiz model semata-mata, sebaliknya lebih dipengaruhi oleh kesesuaian antara seni bina model dan strategi latihan. Oleh itu, kajian ini membawa mesej yang jelas dan signifikan dari sudut klinikal, iaitu model ringan yang diregularisasikan dengan baik mampu menandingi malah mengatasi model yang lebih berat, iaitu kekal lebih praktikal bagi pelaksanaan berskala dalam persekitaran saringan klinikal.