http://repository.ipb.ac.id/handle/123456789/160870 School of Data Science, Mathematic and Informatics Sat, 26 Sep 2026 11:26:22 GMT 2026-09-26T11:26:22Z http://repository.ipb.ac.id/handle/123456789/180005 Evaluasi Ketahanan IndoBERT dalam Analisis Sentimen Berita Ekonomi dan Implikasinya terhadap Prediksi Harga Saham RESILOY, UNIQUE DESYRRE A. Pemanfaatan analisis sentimen berita ekonomi dalam prediksi harga saham memerlukan model yang tidak hanya memiliki kinerja klasifikasi yang baik, tetapi juga mampu mempertahankan kinerjanya ketika karakteristik bahasa dan kualitas label berubah. Selain itu, informasi sentimen yang dihasilkan model belum tentu selalu memberikan tambahan informasi yang bermanfaat bagi prediksi harga saham. Penelitian ini bertujuan mengevaluasi ketahanan IndoBERT-Finansial terhadap perubahan karakteristik linguistik dan kualitas label, mengevaluasi kinerja model terpilih pada berita ekonomi empiris berbahasa Indonesia, serta menilai kontribusi indeks sentimen terhadap prediksi harga penutupan IHSG, BBRI, dan TLKM menggunakan Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Kajian simulasi menggunakan 40.000 teks berita ekonomi sintetis yang dibentuk dalam empat skenario linguistik dengan lima replikasi. Evaluasi dilakukan terhadap arsitektur Base dan Large pada kondisi label Original dan Relabeled serta dua skema pelatihan, yaitu fine-tuning langsung (FT-L) dan fine-tuning bertahap (FT-B). Ketahanan dievaluasi berdasarkan perubahan kinerja klasifikasi dan konsistensi hasil antarkondisi dengan Macro F1 sebagai metrik utama. Pada kajian empiris, model terpilih diterapkan pada 32.491 artikel berita ekonomi periode 2021–2025. Probabilitas kelas hasil klasifikasi digunakan untuk membentuk indeks sentimen harian yang kemudian ditambahkan sebagai peubah eksogen dalam model LSTM dan GRU untuk prediksi lima horizon, yaitu H+1 hingga H+5. Kontribusi sentimen dinilai dengan membandingkan galat model tanpa sentimen dan dengan sentimen. Hasil simulasi menunjukkan bahwa ketahanan IndoBERT-Finansial tidak hanya berkaitan dengan ukuran arsitektur, tetapi juga dengan kondisi label, skema pelatihan, dan interaksi antarfaktor. Kondisi label dan skema fine-tuning memberikan pengaruh yang signifikan terhadap Macro F1, sementara tidak ditemukan satu arsitektur maupun skema fine-tuning yang secara konsisten unggul pada seluruh kondisi pengujian. Berdasarkan keseluruhan evaluasi, IndoBERTFinansial Base dengan FT-L dipilih untuk kajian empiris. Model tersebut menghasilkan Balanced Accuracy sebesar 0,8510, Macro F1 sebesar 0,8439, dan Weighted F1 sebesar 0,8512 pada data uji. Penambahan indeks sentimen tidak memberikan pengaruh yang seragam terhadap prediksi harga saham. Pada IHSG dan BBRI, perbedaan galat antara model tanpa sentimen dan dengan sentimen tidak signifikan. Pada TLKM, penambahan sentimen menurunkan MAPE LSTM dari 3,0328% menjadi 2,8680% dan menghasilkan perbaikan yang signifikan, tetapi pada GRU justru meningkatkan MAPE dari 2,7984% menjadi 2,8661% dengan perbedaan yang juga signifikan. Temuan ini menunjukkan bahwa kualitas klasifikasi sentimen yang baik tidak secara otomatis menghasilkan peningkatan prediksi harga saham. Manfaat sentimen berita bergantung pada aset dan arsitektur model yang menggunakannya, sehingga informasi sentimen lebih tepat diperlakukan sebagai informasi tambahan yang perlu dievaluasi sesuai konteks pemodelannya.; The use of economic news sentiment analysis for stock price prediction requires a model that not only achieves good classification performance but is also able to maintain its performance when linguistic characteristics and label quality change. In addition, sentiment information produced by the model does not necessarily provide useful additional information for stock price prediction. This study aims to evaluate the robustness of IndoBERT-Financial under changes in linguistic characteristics and label quality, assess the performance of the selected model on empirical Indonesian economic news, and examine the contribution of sentiment indices to the prediction of the closing prices of IHSG, BBRI, and TLKM using Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models. The simulation study used 40,000 synthetic economic news texts generated under four linguistic scenarios with five replications. The evaluation compared Base and Large architectures under Original and Relabeled label conditions and two training schemes, namely direct fine-tuning (FT-L) and staged fine-tuning (FTB). Robustness was evaluated based on changes in classification performance and the consistency of results across conditions, with Macro F1 as the primary metric. In the empirical study, the selected model was applied to 32,491 economic news articles from 2021–2025. Class probabilities from the sentiment classification results were used to construct daily sentiment indices, which were then included as exogenous variables in LSTM and GRU models for five-step-ahead forecasting from H+1 to H+5. The contribution of sentiment was assessed by comparing the errors of models without sentiment and models with sentiment. The simulation results show that the robustness of IndoBERT-Financial is not determined solely by model size, but is also associated with label condition, training scheme, and interactions among factors. Label condition and fine-tuning scheme had significant effects on Macro F1, while no single architecture or fine-tuning scheme consistently outperformed the others across all testing conditions. Based on the overall evaluation, IndoBERT-Financial Base with FT-L was selected for the empirical study. The selected model achieved a Balanced Accuracy of 0.8510, a Macro F1 of 0.8439, and a Weighted F1 of 0.8512 on the test data. Adding the sentiment index did not produce a uniform effect on stock price prediction. For IHSG and BBRI, the differences in prediction error between models without sentiment and models with sentiment were not statistically significant. For TLKM, adding sentiment reduced the LSTM MAPE from 3.0328% to 2.8680% and produced a significant improvement, whereas in GRU it increased the MAPE from 2.7984% to 2.8661%, with the difference also being significant. These findings indicate that good sentiment classification performance does not automatically lead to improved stock price prediction. The usefulness of news sentiment depends on the aset and the forecasting architecture in which it is incorporated, so sentiment information is more appropriately treated as supplementary information whose contribution should be evaluated within the specific modeling context. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/180005 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/179954 Evaluasi Kinerja BERTopic dalam Pemodelan Topik Multidomain pada Teks Berita Berbahasa Indonesia Saputra, Wawan Pemodelan topik berbasis Transformer semakin banyak digunakan untuk mengidentifikasi struktur tematik pada data teks berskala besar. Salah satu metode yang berkembang adalah BERTopic, yang mengintegrasikan representasi dokumen berbasis embedding, reduksi dimensi, clustering, dan representasi topik. Kinerja BERTopic dapat bervariasi berdasarkan kombinasi komponen dan parameter yang digunakan serta karakteristik korpus yang dianalisis. Kajian yang mengevaluasi BERTopic secara sistematis pada teks berita berbahasa Indonesia dari beberapa portal juga masih terbatas. Penelitian ini bertujuan mengevaluasi secara deskriptif kinerja BERTopic berdasarkan variasi model embedding, algoritma clustering, dan metode representasi topik, mengidentifikasi konfigurasi dengan TQ maksimum pada setiap domain, serta menginterpretasikan topik dan komposisi sumber berita pada pemodelan Multidomain. Data penelitian terdiri atas 1.846 artikel berita mengenai Program Makan Bergizi Gratis (MBG) yang berasal dari CNN Indonesia sebanyak 396 artikel, Kompas sebanyak 617 artikel, dan Detik sebanyak 833 artikel. Data dianalisis dalam empat domain, yaitu CNN Indonesia, Kompas, Detik, dan Multidomain yang merupakan gabungan ketiga portal. Eksperimen membandingkan empat model embedding, yaitu IndoBERT, IndoSBERT, multilingual BERT, dan multilingual MPNet. Embedding direduksi menggunakan UMAP dengan n_components 5, 10, dan 15, kemudian dikelompokkan menggunakan K-Means, BIRCH, dan HDBSCAN dengan variasi parameter 5, 10, 15, 20, dan 30. Representasi topik dibandingkan menggunakan c-TF-IDF dan KeyBERTInspired dengan rentang unigram (1,1) dan unigram-bigram (1,2). Sebanyak 720 konfigurasi dievaluasi pada setiap domain sehingga diperoleh 2.880 konfigurasi. Evaluasi dilakukan menggunakan Topic Coherence (TC), Topic Diversity (TD), dan Topic Quality (TQ), sedangkan proporsi outlier digunakan sebagai informasi tambahan untuk menilai cakupan dokumen pada konfigurasi HDBSCAN. Hasil menunjukkan bahwa kinerja komponen BERTopic bervariasi antardomain. Berdasarkan rata-rata TQ, IndoBERT menghasilkan nilai tertinggi pada CNN Indonesia, sedangkan IndoSBERT menghasilkan rata-rata tertinggi pada Kompas, Detik, dan Multidomain. HDBSCAN menghasilkan rata-rata dan nilai maksimum TQ tertinggi dibandingkan K-Means dan BIRCH pada seluruh domain. Demikian pula, c-TF-IDF dengan rentang unigram-bigram (1,2) menghasilkan rata-rata dan nilai maksimum TQ tertinggi pada seluruh domain dibandingkan metode representasi lainnya. Hasil tersebut menunjukkan bahwa model embedding bersifat lebih spesifik terhadap domain, sedangkan HDBSCAN dan c-TF-IDF unigram-bigram menunjukkan pola kinerja yang lebih konsisten dalam ruang konfigurasi yang dievaluasi. Konfigurasi terbaik CNN Indonesia menggunakan IndoBERT, UMAP dengan n_components 15, HDBSCAN dengan min_cluster_size 30, dan c-TF-IDF unigram-bigram, dengan TQ sebesar 0,7489 dan proporsi outlier 58,59%. Konfigurasi terbaik Kompas menggunakan IndoBERT, UMAP-5, HDBSCAN dengan min_cluster_size 15, dan c-TF-IDF unigram-bigram, dengan TQ tertinggi sebesar 0,7831 dan proporsi outlier 20,42%. Pada Detik, konfigurasi terbaik menggunakan IndoSBERT, UMAP-15, HDBSCAN dengan min_cluster_size 15, dan c-TF-IDF unigram-bigram, dengan TQ sebesar 0,7355 dan proporsi outlier 0,96%. Pada multidomain, beberapa konfigurasi multilingual MPNet mencapai TQ maksimum yang sama sebesar 0,7499. Salah satu konfigurasi tersebut menggunakan UMAP dengan n_components = 5, HDBSCAN dengan min_cluster_size = 15, dan c-TF-IDF unigram-bigram, serta menghasilkan TC sebesar 0,7499, TD sebesar 1,0000, dan tidak menghasilkan dokumen outlier. Perbedaan proporsi outlier tersebut menunjukkan bahwa TQ yang tinggi tidak selalu disertai cakupan dokumen yang tinggi sehingga kedua informasi perlu dipertimbangkan secara bersama dalam menafsirkan kinerja BERTopic. Interpretasi terhadap konfigurasi yang dipilih menghasilkan tiga topik pada CNN Indonesia, yaitu keracunan makanan siswa, anggaran dan tata kelola MBG, serta wacana pendanaan zakat. Kompas menghasilkan dua topik, yaitu pelaksanaan MBG di sekolah dan wacana zakat untuk pendanaan MBG, sedangkan Detik menghasilkan dua topik berupa pelaksanaan dan isu keamanan pangan MBG serta mitra dapur dan pembayaran MBG. Pada Multidomain terbentuk dua topik, yaitu pelaksanaan umum program MBG dan susu, sapi perah, serta rantai pasok. Topik pelaksanaan umum mencakup 1.799 dari 1.846 dokumen dan memiliki komposisi portal yang relatif mengikuti komposisi awal korpus, sedangkan topik susu, sapi perah, dan rantai pasok terdiri atas 47 dokumen dengan proporsi dokumen Kompas yang relatif lebih besar. Hasil tersebut menunjukkan bahwa pemodelan Multidomain menghasilkan struktur topik yang lebih ringkas dan dapat menggambarkan tema bersama lintas portal, sedangkan pemodelan domain tunggal memberikan rincian tema yang tidak selalu terbentuk sebagai topik tersendiri setelah korpus digabungkan. Secara keseluruhan, hasil penelitian menunjukkan bahwa evaluasi BERTopic perlu mempertimbangkan kombinasi komponen pemodelan, kualitas topik, cakupan dokumen, dan karakteristik domain.; Transformer-based topic modeling has increasingly been used to identify thematic structures in large-scale text corpora. One increasingly adopted approach is BERTopic, which integrates embedding-based document representation, dimensionality reduction, clustering, and topic representation. However, BERTopic performance may vary across different modeling components, parameter settings, and corpus characteristics. Systematic evaluations of BERTopic on Indonesian-language news texts collected from multiple news portals remain limited. This study aimed to descriptively evaluate BERTopic performance across different embedding models, clustering algorithms, and topic representation methods; identify the configurations achieving the maximum TQ in each domain; and interpret the resulting topics and news-source composition in Multidomain modeling. The dataset consisted of 1,846 news articles concerning Indonesia's Free Nutritious Meal Program (Makan Bergizi Gratis, MBG), comprising 396 articles from CNN Indonesia, 617 from Kompas, and 833 from Detik. The data were analyzed in four domains: CNN Indonesia, Kompas, Detik, and a Multidomain corpus combining the three portals. The experiment compared four embedding models: IndoBERT, IndoSBERT, multilingual BERT, and multilingual MPNet. The embeddings were reduced using UMAP with n_components of 5, 10, and 15 and subsequently clustered using K-Means, BIRCH, and HDBSCAN with parameter values of 5, 10, 15, 20, and 30. Topic representations were compared using c-TF-IDF and KeyBERTInspired with unigram (1,1) and unigram-bigram (1,2) ranges. A total of 720 configurations were evaluated for each domain, resulting in 2,880 configurations. Performance was assessed using Topic Coherence (TC), Topic Diversity (TD), and Topic Quality (TQ), while the outlier proportion was used as additional information to assess document coverage in HDBSCAN configurations. The results showed that the performance of BERTopic components varied across domains. Based on mean TQ, IndoBERT achieved the highest value for CNN Indonesia, whereas IndoSBERT achieved the highest mean TQ for Kompas, Detik, and the Multidomain corpus. HDBSCAN produced the highest mean and maximum TQ values across all domains compared with K-Means and BIRCH. Similarly, c-TF-IDF with the unigram-bigram (1,2) range consistently achieved the highest mean and maximum TQ values across all domains compared with the other topic representation methods. These results indicate that embedding performance was more domain-specific, whereas HDBSCAN and c-TF-IDF with unigram-bigram representation exhibited more consistent performance patterns within the evaluated configuration space. The best CNN Indonesia configuration used IndoBERT, UMAP with n_components = 15, HDBSCAN with min_cluster_size = 30, and c-TF-IDF unigram-bigram, achieving a TQ of 0.7489 with an outlier proportion of 58.59%. The best Kompas configuration used IndoBERT, UMAP-5, HDBSCAN with min_cluster_size = 15, and c-TF-IDF unigram-bigram, achieving the highest overall TQ of 0.7831 with an outlier proportion of 20.42%. For Detik, the best configuration used IndoSBERT, UMAP-15, HDBSCAN with min_cluster_size = 15, and c-TF-IDF unigram-bigram, producing a TQ of 0.7355 and an outlier proportion of 0.96%. In the multidomain corpus, multiple multilingual MPNet configurations achieved the same maximum TQ of 0.7499. One of these configurations used UMAP with n_components = 5, HDBSCAN with min_cluster_size = 15, and c-TF-IDF unigram-bigram, producing a TC of 0.7499, a TD of 1.0000, and no outlier documents. The differences in outlier proportions demonstrate that a high TQ does not necessarily correspond to high document coverage. Therefore, both aspects should be considered when interpreting BERTopic performance. Interpretation of the selected configurations identified three topics in CNN Indonesia: student food poisoning, MBG budgeting and governance, and the discourse on zakat-based funding. Kompas produced two topics: MBG implementation in schools and the discourse on using zakat to fund MBG. Detik also produced two topics: MBG implementation and food-safety issues, and kitchen partners and MBG payments. The Multidomain corpus produced two topics: general implementation of the MBG program and milk, dairy cattle, and the supply chain. The general implementation topic contained 1,799 of the 1,846 documents and had a source composition relatively similar to that of the overall corpus, whereas the milk, dairy cattle, and supply-chain topic contained 47 documents and had a relatively higher proportion of documents from Kompas. These findings indicate that Multidomain modeling produces a more compact topic structure, whereas single-domain modeling provides more detailed themes that do not necessarily remain distinct after the corpora are combined. Overall, the findings indicate that BERTopic evaluation should consider combinations of modeling components, topic quality, document coverage, and domain characteristics. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/179954 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/179521 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. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/179521 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/179460 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. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/179460 2026-01-01T00:00:00Z