Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Teknik: Jurnal Ilmu Teknik dan Informatika JRIIN :Jurnal Riset Informatika dan Inovasi
Chan, M. Zikry Sahendra
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Studi Komparatif Algoritma Pengurutan Hibrida dan Klasik: Evaluasi Timsort dan Quick Sort Berdasarkan Skenario Karakteristik Data Chan, M. Zikry Sahendra; Qatrunnada Athirah H; Sebayang, Chelsea Febiola
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.
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.
Co-Authors Herdiyanto, Qatrunnada Athirah Juhraini Helfiana Lexa Qatrunnada Athirah H Sebayang, Chelsea Febiola