M. Zikry Sahendra Chan
Universitas Negeri Medan

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

Found 2 Documents
Search

Studi Komparatif Algoritma Pengurutan Hibrida dan Klasik: Evaluasi Timsort dan Quick Sort Berdasarkan Skenario Karakteristik Data M. Zikry Sahendra Chan; Qatrunnada Athirah H; Chelsea Febiola Sebayang
Jurnal Riset Informatika dan Inovasi Vol 3 No 12 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)
Publisher : shofanah Media Berkah

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

Abstract

Algoritma pengurutan (sorting algorithm) merupakan salah satu komponen fundamental dalam pengolahan data karena berperan penting dalam meningkatkan efisiensi proses pencarian, analisis, dan pengelolaan data. Namun, performa algoritma pengurutan sangat dipengaruhi oleh karakteristik distribusi data yang digunakan. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap kinerja algoritma Quick Sort sebagai algoritma klasik dan Timsort sebagai algoritma hybrid sorting berdasarkan variasi karakteristik dataset. Metode penelitian yang digunakan adalah pendekatan kuantitatif eksperimental melalui pengujian waktu eksekusi pada empat skenario data, yaitu data acak, data terurut, data terurut terbalik, dan data dengan banyak elemen duplikat, dengan ukuran dataset 1000, 2500, dan 5000 elemen. Hasil pengujian menunjukkan bahwa Quick Sort mengalami penurunan performa yang signifikan pada kondisi data terurut dan terurut terbalik, sedangkan Timsort menunjukkan performa yang lebih stabil dan adaptif pada seluruh skenario pengujian. Selain itu, Timsort juga lebih efisien dalam menangani dataset dengan banyak elemen duplikat. Oleh karena itu, algoritma Timsort direkomendasikan sebagai solusi yang lebih optimal dibandingkan Quick Sort klasik dalam pengolahan data dengan karakteristik distribusi yang bervariasi.
Komparasi Arsitektur Deep Learning Berbasis Attention untuk Prediksi Quality of Service (QoS) Jaringan Angelina S. Saragih; Yehezkiel Haganta Tarigan; Zulfahmi Indra; M. Zikry Sahendra Chan
Teknik: Jurnal Ilmu Teknik dan Informatika Vol. 6 No. 2 (2026): Oktober: 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.v6i2.1283

Abstract

Quality of Service (QoS) is an important indicator in computer network management as it directly affects the quality of services experienced by users. Accurate QoS prediction can assist network administrators in making proactive decisions and improving network performance. This study compares the performance of four deep learning architectures, namely Conv1D, LSTM, Conv1D+Attention, and LSTM+Attention, for time-series QoS prediction. The dataset consists of 95,611 observations collected from a GNS3-based network simulation environment, including three QoS parameters: traffic_in_bps, traffic_out_bps, and latency_ms. Prior to model training, the data were processed using Min-Max Scaling and a sliding window approach to generate sequential inputs. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). Experimental results show that the LSTM+Attention model achieved the best performance with an MAE of 0.003224, an RMSE of 0.013578, and an R² of 0.943872. Meanwhile, the Conv1D model demonstrated competitive performance with results close to the best-performing model. Further analysis indicates that the attention mechanism improved the performance of the LSTM architecture but did not provide similar benefits when applied to Conv1D. These findings suggest that the effectiveness of attention mechanisms is influenced by the characteristics of the underlying architecture used for QoS prediction.