Juhraini Helfiana Lexa
Unknown Affiliation

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Analisis Komparatif XGBoost dan Temporal Fusion Transformer (TFT) pada Time Series Forecasting Harga Solana Herdiyanto, Qatrunnada Athirah; Juhraini Helfiana Lexa; Chan, M. Zikry Sahendra
Teknik: Jurnal Ilmu Teknik dan Informatika Vol. 6 No. 1 (2026): Mei : Teknik: Jurnal Ilmu Teknik dan Informatika
Publisher : LPPM Sekolah Tinggi Ilmu Ekonomi - Studi Ekonomi Modern

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/teknik.v6i1.1138

Abstract

 Cryptocurrency price prediction, particularly for highly volatile assets like Solana (SOL), is a crucial challenge in time series data analysis in digital finance. This study aims to compare the performance of the XGBoost machine learning algorithm with the Temporal Fusion Transformer (TFT) deep learning model in predicting Solana's daily closing price. The dataset used consists of historical Solana price data and network fundamentals data in the form of Total Value Locked (TVL). The research process includes data preprocessing, dividing training and test data, model training, and evaluation using the Root Mean Squared Error (RMSE) metric. The results show that using the same-day price feature has the potential to cause target leakage, resulting in invalid prediction accuracy. In testing using pure historical data without data leakage, the XGBoost model performed better than TFT with an RMSE of 4.27, while TFT produced an RMSE of 18.59. Furthermore, the integration of network fundamentals data in the form of TVL did not improve prediction accuracy and even caused a decrease in performance for the XGBoost model with an RMSE of 7.10. The results of this study show that the use of historical price action features is more effective than fundamental network indicators for short-term daily Solana price predictions.
RANCANG BANGUN APLIKASI MONITORING PELANGGARAN LALU LINTAS DETEKSI HELM OTOMATIS Sinaga, Christian Nicholas; Juhraini Helfiana Lexa; Debi Yandra Niska
Jurnal Informatika dan Rekayasa Elektronik Vol. 9 No. 1 (2026): JIRE April 2026
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v9i1.2012

Abstract

Tingginya pelanggaran penggunaan helm pada pengendara sepeda motor berkontribusi terhadap fatalitas kecelakaan lalu lintas. Pengawasan manual dinilai kurang efisien sehingga dibutuhkan solusi berbasis teknologi yang mampu melaksanakan pemantauan secara otomatis dan real-time. Oleh karena itu, penelitian ini merancang dan mengembangkan aplikasi monitoring pelanggaran lalu lintas berbasis deteksi penggunaan helm menggunakan algoritma YOLOv8 dengan sumber input video dari kamera smartphone. Metode yang digunakan merupakan pendekatan pengembangan sistem dengan model prototyping yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian dan evaluasi. Dataset diperoleh dari sumber publik dan data lapangan, kemudian melalui tahap preprocessing dan pelatihan model menggunakan parameter tertentu. Hasil penelitian menunjukkan bahwa model mengalami peningkatan performa yang signifikan, dengan nilai mAP50 mencapai 0,945 pada epoch ke-30. Selain itu, sistem mampu mendeteksi penggunaan helm secara real-time serta menyimpan bukti pelanggaran dalam bentuk snapshot dan timestamp. Meskipun demikian, masih terdapat kesalahan deteksi yang dipengaruhi oleh kondisi lingkungan. Secara keseluruhan, sistem yang dikembangkan memiliki potensi sebagai solusi monitoring lalu lintas yang lebih efektif, fleksibel, dan ekonomis.