School of Data Science, Mathematic and Informatics http://repository.ipb.ac.id/handle/123456789/160870 2026-09-01T14:44:53Z 2026-09-01T14:44:53Z Waruwu, Christ Bastian http://repository.ipb.ac.id/handle/123456789/179521 2026-08-20T01:32:11Z 2026-01-01T00:00:00Z

Model Prediksi Pergerakan Saham Pada Emiten di Sektor Pertanian Menggunakan Deep Learning dan Grammatical Evolution Waruwu, Christ Bastian Saham merupakan instrumen investasi yang memungkinkan individu maupun lembaga memiliki sebagian kepemilikan pada suatu perusahaan. Sektor kelapa sawit menarik perhatian investor di Indonesia karena berperan penting sebagai penyumbang ekspo dan pendapatan negara. Fluktuasi harga komoditas serta perubahan nilai tukar Rupiah membuat pergerakan harga saham di sektor ini kompleks dan sulit diprediksi. Model deep learning seperti LSTM mampu menangkap pola non-linear pada data tersebut, namun sifat black-box-nya membuat hasil prediksi sulit diinterpretasikan. Kompleksitas dan keterbatasan inrterpretabilitas ini mendasari pengembangan model prediksi alternatif yang akurat sekaligus transparan. Penelitian ini bertujuan membandingkan model deep learning (basic LSTM dan hybrid RNN-LSTM) dengan grammatical evolution (GE) sebagai meta-ensemble learner penghasil formula trading transparan berdasarkan akurasi dan profitabilitas. Penelitian menggunakan data harian delapan emiten kelapa sawit (AALI, LSIP, PALM, SSMS, JAWA, BWPT, GZCO, dan UNSP) periode September 2019-Juni 2025 yang diperkaya harga CPO dan kurs USD/IDR. Data diproses melalui pembersihan, rekayasa fitur, dan penskalaan, kemudian dibagi menjadi 80% data latih dan 20% data uji. Deep learning dioptimalkan melalui hyperparameter tuning, sedangkan GE dikembamgkan menggunakan tata bahasa backus-naur form (BNF). Kedua pendekatan dievaluasi menggunakan RMSE, MAE, MAPE, R2, dan simulasi trading harian (total return, sharpe rasio, dan maximum drawdown). Hasil penelitian menunjukkan model grammatical evolution konsisten menghasilkan akurasi statistik tertinggi pada seluruh emiten, dengan R2 0,87-0,97, MAPE terendah 1,19%-2,99%, dan MAE terendah pada seluruh emiten (0,86 pada BWPT; 71,19 pada AALI), disertai waktu inferensi tercepat 1-6 milidetik. Formula GE berperan sebagai meta-ensemble learner yang mengoreksi bias prediktif deep learning dengan memanfaatkan harga saham, CPO, kurs, serta indikator SMA dan RSI. Model GE bahkan memangkas variabel otomatis menjadi formula linier yang ringkas, seperti pada emiten AALI (df[‘Close_Stock’]-0.5/0.1). Hyperparameter tuning pada model hybrid RNN-LSTM justru berpotensi menurunkan akurasi pada beberapa emiten (BWPT dan JAWA) akibat over-parameterization. Simulasi trading menunjukkan deep learning lebih menguntungkan daripada grammatical evolution, dengan total return di atas 200% pada JAWA. Akurasi statistik tidak selalu sejalan dengan profitabilitas, sehingga model grammatical evolution lebih sesuai untuk interpretabilitas dan efisiensi komputasi, sedangkan model deep learning lebih sesuai untuk trading aktif.

2026-01-01T00:00:00Z Azhari, Mirza Farhan http://repository.ipb.ac.id/handle/123456789/179460 2026-08-15T08:11:07Z 2026-01-01T00:00:00Z

Deteksi dan Identifikasi Kecurangan pada Skema Pembagian Rahasia Shamir Menggunakan Verifikasi Berbasis Paritas Azhari, Mirza Farhan Pengelolaan kunci kriptografi merupakan aspek penting dalam sistem keamanan modern karena berkaitan dengan kerahasiaan, integritas, dan ketersediaan informasi. Skema pembagian rahasia Shamir memungkinkan suatu rahasia dibagi menjadi beberapa keping dan hanya dapat dipulihkan apabila sejumlah minimum keping digabungkan. Namun, skema Shamir standar mengasumsikan bahwa setiap partisipan menyerahkan keping yang valid, sehingga keping yang dimodifikasi akibat kesalahan atau kecurangan dapat menghasilkan rahasia yang salah tidak dapat terdeteksi. Penelitian ini bertujuan menguraikan peran parameter verifikasi berbasis paritas dalam skema ambang batas Shamir termodifikasi, termasuk proses pembangkitan dan pengikatannya terhadap setiap keping rahasia pada tahap distribusi. Penelitian ini juga menganalisis mekanisme verifikasi paritas di bawah authenticated parity model dalam mendeteksi dan mengidentifikasi keping rahasia yang rusak selama rekonstruksi, serta menentukan kondisi yang diperlukan untuk koreksi dan pemulihan rahasia asli. Selain itu, penelitian ini mengevaluasi beban komputasi tambahan dari rekonstruksi rekursif yang diusulkan dibandingkan metode yang telah ada, serta trade-off antara efisiensi penyimpanan keping rahasia dan kinerja rekonstruksi berdasarkan batas bawah OKS. Penelitian dilakukan melalui pendekatan konstruktif-teoretis yang disertai simulasi numerik, diawali dengan kajian literatur mengenai skema pembagian rahasia Shamir dan mekanisme deteksi kecurangan di bawah kerangka Ogata–Kurosawa–Stinson (OKS). Skema bekerja pada lapangan hingga dengan bilangan prima sebagai modulus; dealer membangkitkan polinomial rahasia berderajat k-1, dan setiap partisipan memperoleh keping rahasia beserta parameter cek paritas, sehingga setiap keping direpresentasikan sebagai tripel identitas partisipan, nilai keping, dan parameter paritas yang diasumsikan tersimpan secara autentik (authenticated parity model). Pada tahap rekonstruksi, combiner memverifikasi setiap keping melalui relasi paritas, mengidentifikasi dan mengoreksi keping yang tidak sesuai, sebelum rahasia dipulihkan melalui formulasi rekursif berbasis struktur matriks Vandermonde tanpa menghitung invers matriks secara penuh. Hasil penelitian menunjukkan bahwa mekanisme paritas mampu mendeteksi, mengidentifikasi, dan mengoreksi keping tidak valid tanpa memerlukan pemeriksaan kombinatorik terhadap seluruh sub himpunan partisipan, serta tetap mempertahankan sifat kerahasiaan sempurna dari skema Shamir. Penambahan mekanisme verifikasi tidak menyebabkan peningkatan orde komputasi yang besar, meskipun laju informasi efektif menurun akibat tambahan parameter paritas pada setiap keping. Simulasi empiris menunjukkan bahwa waktu eksekusi tetap berada pada skala milidetik dan skema tetap fleksibel terhadap perubahan urutan penggabungan keping serta penambahan peserta baru. Penelitian ini menyimpulkan bahwa skema Shamir termodifikasi dengan parameter verifikasi berbasis paritas, yang direpresentasikan sebagai tripel identitas partisipan, nilai keping, dan parameter paritas, mampu mendeteksi, mengidentifikasi, dan mengoreksi keping rahasia yang dimodifikasi pada tahap rekonstruksi di bawah authenticated parity model, sekaligus tetap mempertahankan sifat kerahasiaan sempurna dari skema Shamir. Penambahan parameter paritas menurunkan laju informasi efektif menjadi ? = 1/2, namun rekonstruksi rekursif berbasis metode selisih terbagi Newton tetap efisien tanpa menghitung invers matriks Vandermonde secara penuh, sehingga penambahan mekanisme verifikasi tidak menyebabkan lonjakan kompleksitas komputasi. Simulasi empiris menunjukkan bahwa waktu eksekusi tetap berada pada skala praktis, sehingga skema yang diusulkan dapat dipandang sebagai perluasan skema Shamir yang menyediakan kemampuan verifikasi dan koreksi dengan overhead terkendali sekaligus menjadi dasar matematis bagi pengembangan skema pembagian rahasia yang lebih adaptif terhadap manipulasi keping.

2026-01-01T00:00:00Z Idris, Muh. Akbar http://repository.ipb.ac.id/handle/123456789/179455 2026-08-31T06:25:03Z 2026-01-01T00:00:00Z

Perbandingan Kinerja ST-DBSCAN dan ST-SCKM Serta Model Hybrid dalam Pengelompokan Data Kualitas Udara Berbasis Spasial-Temporal Idris, Muh. Akbar Penggerombolan data spasial-temporal diperlukan untuk mengenali pola yang berubah menurut atribut, lokasi, dan waktu. Metode berbasis kepadatan dapat membentuk gerombol tidak beraturan sekaligus menghasilkan label noise, tetapi sensitif terhadap perbedaan kepadatan dan parameter. Metode berkendala spasial memberikan regionalisasi yang lebih menyeluruh, tetapi tidak secara langsung mempertahankan kandidat anomali sebagai keluaran akhir. Penelitian ini membandingkan Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise (ST-DBSCAN), Spatio-Temporal Spatially Constrained K-Means (ST-SCKM), dan dua model hybrid. Kajian simulasi menggunakan rancangan faktorial penuh 2! yang mengombinasikan geometri sirkular dan koridor, jarak antarpusat 3 dan 7 satuan, serta kontaminasi anomali 0% dan 10%. Setiap skenario terdiri atas 1.200 observasi, empat gerombol acuan, dan sepuluh replikasi yang dianalisis secara terpisah pada ruang fitur empat dimensi yang memuat X, Y, waktu, dan F1 atau F2. Hasil simulasi menunjukkan bahwa ST-SCKM memperoleh rataan Composite Regionalization Score sebesar 0,7233 dan skor tertinggi pada tujuh dari delapan skenario. Skenario 3 menghasilkan skor yang sama antara ST-SCKM dan kedua model hybrid setelah pembulatan. Evaluasi pada skenario terkontaminasi menunjukkan bahwa ST-DBSCAN memperoleh rataan F1-score deteksi sebesar 0,7863, sedangkan Hybrid 2 memperoleh nilai sebesar 0,7206. Kajian empiris menggunakan data pemantauan PM2.5, NO2, dan NOx di Jepang tahun 2024 yang diperoleh melalui OpenAQ. Pengolahan dengan median tiga jam menghasilkan sampel akhir sebanyak 9.998 observasi yang dianalisis pada ruang fitur delapan dimensi, yaitu bujur, lintang, waktu, sinus bulan, kosinus bulan, PM2.5, NO2, dan NOx. Pendekatan ST-SCKM menghasilkan empat zona dengan cakupan 100% dan Composite Zoning Score tertinggi sebesar 0,7919, sedangkan metode ST-DBSCAN menghasilkan cakupan 81,69% dengan 1.831 observasi berlabel noise. Hasil penelitian menempatkan metode ST-SCKM sebagai metode utama untuk regionalisasi dan metode ST-DBSCAN sebagai metode pendukung untuk mendeteksi kandidat anomali pada konfigurasi yang diuji. Empat zona hasil metode ST-SCKM memperlihatkan perbedaan relatif dalam profil polutan, lokasi, dan musim dominan, sementara pola High-High dan Low-Low dari analisis spasial lokal digunakan sebagai informasi deskriptif. Nilai F1-score metode ST-DBSCAN terhadap pseudo-acuan rentang antarkuartil mencapai 0,4443 untuk PM2.5, 0,4513 untuk NO2, dan 0,5313 untuk NOx, tetapi pemeriksaan sensor, meteorologi, sumber emisi, dan kejadian lokal tetap diperlukan untuk memastikan makna substantif setiap kandidat.; Spatio-temporal clustering is required to identify patterns that vary across attributes, locations, and periods. Density-based methods can identify irregularly shaped clusters and retain noise labels, although their results are sensitive to density variation and parameter selection. Spatially constrained methods provide more complete regionalization but do not directly retain anomaly candidates as their final output result. This study compared Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise (ST-DBSCAN), Spatio-Temporal Spatially Constrained K-Means (ST-SCKM), and two hybrid models. The simulation study employed a full 2! factorial design combining circular and corridor geometries, center separations of 3 and 7 units, and anomaly contamination levels of 0% and 10%. Each scenario contained 1,200 observations, four reference clusters, and ten replications analyzed separately in two four-dimensional feature spaces consisting of X, Y, time, and either F1 or F2. The simulation results showed that ST-SCKM method achieved a mean Composite Regionalization Score of 0.7233 and the highest score in seven of the eight scenarios. Scenario 3 produced equal rounded scores for ST-SCKM method and both hybrid models. Detection evaluation in the contaminated scenarios showed that ST-DBSCAN method achieved a mean F1-score of 0.7863, compared with 0.7206 for Hybrid 2. The empirical study used 2024 monitoring data for PM2.5, NO2, and NOx in Japan obtained through OpenAQ. Three-hour median aggregation produced a final sample of 9,998 observations analyzed in an eight-dimensional feature space consisting of longitude, latitude, time, month sine, month cosine, PM2.5, NO2, and NOx. ST-SCKM generated four zones with 100% coverage and the highest Composite Zoning Score of 0.7919, whereas ST-DBSCAN achieved 81.69% coverage and labelled 1,831 observations as noise. The findings support ST-SCKM as the primary regionalization method and ST-DBSCAN as a supporting method for candidate anomaly detection under the evaluated configurations. The four ST-SCKM zones exhibited relative differences in pollutant profiles, locations, and dominant seasons, while local High-High and Low-Low spatial patterns were interpreted descriptively. ST-DBSCAN achieved F1-scores of 0.4443 for PM2.5, 0.4513 for NO2, and 0.5313 for NOx against the interquartile-range pseudo-references, although sensor records, meteorological conditions, emission sources, and local events remain necessary to verify the substantive meaning of each candidate.

2026-01-01T00:00:00Z Pomalingo, Dewi Zulyani http://repository.ipb.ac.id/handle/123456789/179451 2026-08-15T07:50:04Z 2026-01-01T00:00:00Z

Evaluasi Kinerja Biclustering Algoritma Cheng and Church dan QUBIC pada Data Produksi Perikanan Budidaya di Indonesia Pomalingo, Dewi Zulyani Biclustering merupakan sebuah metode penggerombolan objek dan peubah secara simultan sehingga mampu menemukan pola lokal yang tidak selalu terlihat melalui metode clustering klasik. Beragam algoritma biclustering memiliki cara kerja dan tujuan optimasi yang berbeda, sementara belum terdapat pedoman khusus yang dapat dijadikan acuan untuk memilih algoritma paling sesuai. Penelitian ini bertujuan untuk mengevaluasi kinerja dua algoritma biclustering, yaitu CC (Cheng and Church) dan QUBIC (qualitative biclustering) pada data simulasi dan data produksi perikanan budidaya di Indonesia tahun 2023. Algoritma CC mengidentifikasi bicluster berdasarkan homogenitas numerik melalui minimisasi Mean Squared Residue (MSR), sedangkan QUBIC mengidentifikasi kesamaan pola kualitatif melalui proses diskretisasi. Data simulasi dibangkitkan dalam matriks berukuran 34 × 14 dengan background berdistribusi normal baku. Dua bicluster dengan model konstan memiliki rataan 5 dan 10 serta ragam 0,25 disisipkan pada matriks tersebut. Skenario simulasi terdiri atas ukuran bicluster kecil 10 × 4, sedang 12 × 5, dan besar 15 × 6, serta tingkat tumpang tindih 0%, 10%, dan 20%. Nilai pada daerah tumpang tindih ditentukan menggunakan rata-rata terbobot. Setiap kombinasi skenario diulang sebanyak 100 kali, kemudian baris dan kolom matriks diacak sebelum algoritma CC dan QUBIC diterapkan. Kemampuan algoritma dalam mengidentifikasi bicluster aktual dievaluasi menggunakan indeks Liu dan Wang. Hasil simulasi menunjukkan bahwa QUBIC menghasilkan indeks Liu dan Wang yang lebih tinggi daripada CC pada seluruh skenario, dengan rataan keseluruhan masing-masing sebesar 0,870 dan 0,382. Uji Wilcoxon berpasangan menunjukkan perbedaan kinerja yang signifikan, sehingga QUBIC secara umum lebih baik dalam mengidentifikasi bicluster aktual. CC memberikan kinerja terbaik pada bicluster berukuran besar, sedangkan QUBIC memberikan kinerja terbaik pada ukuran kecil dan sedang. Data empiris berupa volume produksi 14 jenis perikanan budidaya pada 34 provinsi telah distandardisasi. Pada algoritma CC, threshold optimal ditentukan melalui pengujian beberapa nilai ambang batas d yang menghasilkan ASR rendah dengan kestabilan struktur bicluster. CC menghasilkan 7 bicluster pada threshold optimal d = 0,009, mencakup 33 provinsi dengan nilai Average Squared Residue (ASR) sebesar 0,0052. Pada algoritma QUBIC, pemilihan kombinasi parameter dilakukan dengan mempertimbangkan jumlah bicluster nontrivial, rata-rata volume bicluster, dan nilai ASR. QUBIC menghasilkan 8 bicluster pada kombinasi parameter r = 1, q = 0,06, dan c = 0,75 yang mencakup 31 provinsi dengan ASR sebesar 0,4360. Nilai ASR CC yang lebih rendah dibanding QUBIC menunjukkan bahwa CC lebih unggul dalam membentuk bicluster yang homogen pada data produksi perikanan budidaya. Hal ini juga terlihat pada plot profil bicluster CC yang cenderung lebih berimpit dan sejajar, sedangkan profil bicluster QUBIC lebih menyebar, dan umumnya menunjukkan pola naik turun yang searah. Jumlah keanggotaan provinsi yang tercakup menunjukkan bahwa kedua algoritma mampu menangkap pola pada sebagian besar provinsi di Indonesia, meskipun CC memiliki cakupan yang sedikit lebih luas. Nilai indeks Liu dan Wang sebesar 0,1951 menunjukkan bahwa struktur keanggotaan hasil bicluster CC dan QUBIC memiliki tingkat kemiripan yang relatif rendah. Dengan demikian, meskipun kedua algoritma diterapkan pada data yang sama, yakni produksi perikanan budidaya, CC dan QUBIC cenderung menghasilkan penggerombolan yang berbeda.; Biclustering is a method that simultaneously clusters objects and variables, thereby enabling the identification of local patterns that may not be detected by conventional clustering methods. Various biclustering algorithms have different mechanisms and optimization objectives, while no specific guideline is currently available for selecting the most appropriate algorithm. This study aims to evaluate the performance of two biclustering algorithms, namely CC (Cheng and Church) and QUBIC (Qualitative Biclustering), using simulated data and Indonesian aquaculture production data from 2023. The CC algorithm identifies biclusters based on numerical homogeneity through the minimization of Mean Squared Residue (MSR), whereas QUBIC identifies similarities in qualitative patterns through a discretization process. The simulated data were generated as a 34 × 14 matrix with a standard normally distributed background. Two constant-model biclusters with means of 5 and 10 and a variance of 0,25 were embedded in the matrix. The simulation scenarios consisted of small (10 × 4), medium (12 × 5), and large (15 × 6) biclusters, with overlap levels of 0%, 10%, and 20%. Values in the overlapping regions were determined using a weighted average. Each combination of scenarios was replicated 100 times, after which the rows and columns of the matrix were randomly permuted before the CC and QUBIC algorithms were applied. The ability of the algorithms to identify the true biclusters was evaluated using the Liu and Wang index. The simulation results showed that QUBIC produced higher Liu and Wang index values than CC across all scenarios, with overall means of 0,870 and 0,382, respectively. The paired Wilcoxon test indicated a significant difference in performance, demonstrating that QUBIC was generally better at identifying the true biclusters. CC performed best for large biclusters, whereas QUBIC performed best for small and medium-sized biclusters. The empirical data consisted of the production volumes of 14 aquaculture commodities across 34 provinces and were standardized prior to analysis. For the CC algorithm, the optimal threshold was determined by evaluating several values of the threshold parameter d, with selection based on a low ASR value and the stability of the resulting bicluster structure. CC produced 7 biclusters at the optimal threshold of d=0,009, covering 33 provinces, with an Average Squared Residue (ASR) value of 0,0052. For QUBIC, the parameter combination was selected by considering the number of nontrivial biclusters, the average bicluster volume, and the ASR value. QUBIC produced 8 biclusters using the parameter combination r=1, q=0,06, and c=0,75, covering 31 provinces, with an ASR value of 0,4360. The lower ASR value obtained by CC indicates that CC was superior to QUBIC in forming numerically homogeneous biclusters in the aquaculture production data. This is also reflected in the bicluster profile plots, where CC shows more aligned profiles, while QUBIC shows more dispersed but similar trends. The number of provinces included in the biclusters indicates that both algorithms were able to capture patterns across most provinces in Indonesia, although CC provided slightly broader coverage. The Liu and Wang index value of 0,1951 indicates that the membership structures of the biclusters produced by CC and QUBIC had a relatively low level of similarity. Therefore, although both algorithms were applied to the same aquaculture production data, CC and QUBIC tended to produce different clustering structures.

2026-01-01T00:00:00Z