Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Jurnal Informatika dan Teknik Elektro Terapan

PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN QUANTUM MACHINE LEARNING BERBASIS VARIATIONAL QUANTUM CIRCUITS

Safira Hasna Setiyani

Published Oct 19, 2025• 0 citations
Publisher

Abstract

Pergerakan harga saham bersifat kompleks, non-linear dan dipengaruhi oleh berbagai faktor ekonomi sehingga prediksinya menjadi tantangan bagi metode tradisional. Penelitian ini bertujuan untuk memanfaatkan Quantum Machine Learning (QML) berbasis Variational Quantum Circuits (VQC) dalam memprediksi arah pergerakan harga saham di Bursa Efek Indonesia. Dataset yang digunakan merupakan data harga harian saham (open, high, low, close, volume) selama periode 2020 - 2025 yang diperoleh dari Yahoo Finance dan IDX. Metode penelitian meliputi preprocessing data, transformasi time series menggunakan sliding window, serta pelatihan model QML untuk memprediksi tren naik atau turun saham. Hasil eksperimen menunjukkan bahwa model QML mampu mencapai akurasi prediksi sebesar 99,70%. Evaluasi dilakukan menggunakan metrik akurasi, mean squared error (MSE) dan confusion matrix, menunjukkan kemampuan VQC menangkap pola non-linear yang kompleks. Penelitian ini menegaskan potensi QML sebagai teknologi inovatif untuk analisis pasar saham dan membuka peluang pengembangan sistem prediksi saham berbasis komputasi kuantum di masa depan.

DOI
10.23960/jitet.v13i3s1.8038

Related papers

Analisis Komparatif Efisiensi Parameter Hybrid Quantum-Classical Neural Network pada Prediksi Energi Molekul QM9

Fahmi Izhari

Percepatan penemuan material baru terkendala oleh tingginya biaya komputasi metode kimia quantum konvensional seperti DFT (Density Functional Theory). Meskipun metode Deep Learning klasik menawarkan alternatif yang lebih cepat, pendekatan ini sering kali membutuhkan arsitektur dengan jutaan parameter untuk mencapai akurasi yang memadai. Penelitian ini mengevaluasi potensi Quantum Machine Learning (QML) untuk mengatasi masalah inefisiensi parameter tersebut. Secara spesifik, penelitian ini membandingkan kinerja model Hybrid Quantum Neural Network (HQNN) berbasis sirkuit variasional 4-qubit melawan model Classical Multi-Layer Perceptron (MLP) sebagai baseline pada tugas regresi energi internal ($U_0$) menggunakan dataset QM9. Untuk memastikan perbandingan yang adil, kedua model dibatasi secara ketat memiliki jumlah parameter yang identik, yaitu sekitar 72 parameter. Hasil eksperimen menunjukkan bahwa model Quantum mencapai konvergensi pelatihan yang lebih baik dengan nilai Mean Squared Error (MSE) akhir sebesar 0.6292, mengungguli model Klasik yang berhenti di angka 0.7369. Lebih lanjut, model Quantum mencatatkan akurasi prediksi dengan Mean Absolute Error (MAE) sebesar 759.89 Hartree. Temuan ini membuktikan bahwa fitur quantum entanglement memberikan daya ekspresi (expressibility) yang superior dibandingkan transformasi linear klasik pada batasan sumber daya komputasi yang ketat, menjadikan algoritma hibrida quantum solusi yang menjanjikan untuk simulasi kimia di era Noisy Intermediate-Scale Quantum (NISQ).

Jurnal Minfo Polgan•Dec 28, 2025•0 citations

Inovasi Dompet Digital Berbasis Kriptografi Kuantum untuk Keamanan Optimal

Muharrom Fatihaturrizqi

Perkembangan dompet digital sebagai bagian dari transformasi ekonomi digital global menghadirkan tantangan serius dalam hal keamanan, terutama dengan kemunculan komputer kuantum yang berpotensi menembus sistem enkripsi tradisional. Artikel ini mengkaji inovasi dompet digital berbasis kriptografi kuantum sebagai solusi strategis untuk mengantisipasi ancaman siber di masa depan. Melalui pendekatan kualitatif deskriptif dan metode studi pustaka, penelitian ini mengeksplorasi dua pilar utama kriptografi kuantum, yaitu Quantum Key Distribution (QKD) dan Post-Quantum Cryptography (PQC), serta bagaimana keduanya diterapkan dalam sistem dompet digital hybrid. Hasil kajian menunjukkan bahwa teknologi ini mampu meningkatkan keamanan hingga 99,8% dibandingkan algoritma konvensional, serta memberikan jaminan perlindungan jangka panjang terhadap data pengguna. Meskipun demikian, adopsi teknologi ini menghadapi tantangan berupa biaya tinggi, keterbatasan regulasi, dan kekurangan sumber daya manusia yang terampil. Di sisi lain, implementasi dompet kuantum diperkirakan akan memperkuat stabilitas ekonomi digital global, mendorong pertumbuhan pasar teknologi kuantum, serta membuka jutaan lapangan kerja baru. Temuan ini menggaris bawahi pentingnya kolaborasi lintas sektor untuk mempercepat integrasi kriptografi kuantum dalam sistem keuangan digital secara luas.

Bersatu Jurnal Pendidikan Bhinneka Tunggal Ika•Aug 9, 2025•0 citations

EKSPLORASI KAPASITAS PENGKODEAN AMPLITUDO UNTUK MODEL QUANTUM MACHINE LEARNING

Rabiatul Adawiyah, Munifah Munifah

Komputasi kuantum melakukan perhitungan dengan menggunakan fenomena fisik dan prinsip mekanika kuantum untuk memecahkan masalah. Bentuk komputasi ini secara teoritis telah terbukti memberikan percepatan pada beberapa masalah pemrosesan modern. Perkembangan baru dalam teknologi kuantum mulai bermunculan, dan penerapan model pembelajaran untuk perangkat baru ini terus berkembang. Dengan banyak antisipasi pemanfaatan fenomena kuantum di bidang Machine Learning telah menjadi jelas. Penelitian ini mengembangkan model kerangka kerja perangkat lunak TensorFlow Quantum (TFQ) untuk tujuan machine learning. Kedua model yang dikembangkan memanfaatkan teknik pengkodean informasi dari pengkodean amplitudo untuk penyusunan keadaan dalam model pembelajaran kuantum. Tujuan dari penelitian ini adalah mengeksplorasi kapasitas pengkodean amplitudo untuk menyediakan persiapan keadaan yang diperkaya dalam metode pembelajaran dan analisis mendalam tentang properti data yang memberikan wawasan tentang data pelatihan menggunakan Variational Quantum Classifier (VQC). Munculnya metode baru ini menimbulkan pertanyaan tentang cara terbaik menggunakan alat ini, tujuannya adalah untuk memberikan beberapa penjelasan ikhtisar untuk keadaan machine learning kuantum yang dapat diterapkan mengingat kendala perangkat yang sebenarnya. Hasil penelitian ini menunjukkan ada keuntungan yang jelas untuk menggunakan pengkodean amplitudo dibandingkan metode lain seperti ditunjukkan menggunakan jaringan saraf klasik kuantum hibrid di TFQ. Selain itu, ada beberapa langkah prapemrosesan yang dapat menghasilkan lebih banyak data kaya fitur saat menggunakan VQC, pada dasarnya teorema makan siang tidak gratis berlaku untuk metode pembelajaran kuantum seperti halnya dalam teknik klasik. Informasi meskipun dikodekan dalam bentuk kuantum tidak mengubah langkah-langkah penyiapan data tetapi melibatkan cara-cara baru untuk memahami dan mengapresiasi metode-metode baru ini. Pekerjaan masa depan di bidang ini akan membutuhkan perluasan ke dalam teknik klasifikasi multikelas yang cukup dikembangkan untuk dapat diterapkan dalam pekerjaan seperti ini.

Informatika Jurnal Teknik Informatika dan Multimedia•May 19, 2023•4 citations

Analisis Bibliometrik Terhadap Tren dan Pertumbuhan Penelitian Quantum Machine Learning

Raka Yudistira, Endah Setyowati

Penelitian ini bertujuan untuk menganalisis tren serta perkembangan penelitian dalam bidang Quantum Machine Learning (QML) melalui pendekatan bibliometrik. QML merupakan turunan bidang ilmu dari Machine Learning (ML) yang mengintegrasikan ebberapa prinsip dasar mekanika kuantum seperti superposisi dan entanglement yang memungkinkan komputasi yang lebih kompleks. Dibalik potensinya yang besar, jumlha publikasi ilmiah pada bidang ini masih relative terbatas dibandingkan dengan topik lain yang sering digunakan seperti Artificial Intelligence (AI). Maka dari itu, analisis serta pemetaan yang sistematis melalui pendekatan bibliometrik sangat diperlukan untuk membantu para peneliti untuk mengembangkan penelitian pada topik QML ini. data dikumpulkan dengan menggunakan software publish or perish dengan menggunakan database scopus pada periode 2013-2023 atau rentang 10 tahun terakhir. Didapatkan 200 dokumen yang berupa artikel ilmiah dan konfrensi. Analisis dilakukan terhadap berbagai parameter seperti tren jumlah publikasi dari tahun ke tahun, produktivitas penulis dalam mengembangkan penelitian pada bidang ini, jurnal dengan frekuensi publikasi tertinggi, serta keterikatan kata kunci pada QML. Data yang dianalisis serta divisualisasikan menggunakan Microsoft Excell dan VOSviewer. Hasil penelitian menunjukan hasil yang membantu para peneliti seperti peningkatan publikasi pada rentang tahun 2017-2020, penulis paling produktif pada topik QML adalah M.schuld 6 jurnal ilmiah yang sudah dipublikasikan. Keterikatan kata kunci yang sangat erat dengan QML yakni quantum computing dan deep learning. Serta frekuensi tempat publikasi jurnal ilmiah terbanyak pada topik ini pada Nature Communications. Temuan ini diharapkan dapat menajdi rujuan serta acuan bagi para peneliti untuk yang akan meneliti pada bidang QML

Jurnal Nasional Teknologi dan Sistem Informasi•Jan 14, 2026•0 citations

IMPLEMENTASI TEKNOLOGI QUANTUM CRYPTOGRAPHY UNTUK MENINGKATKAN KEAMANAN DALAM JARINGAN KOMPUTER DAN KEAMANAN KOMPUTER

Chaidir Chalaf Islamy, Rahmadani Suryanto Dwi Putra

Perkembangan tekonologi komputasi kuantum membawa tantangan besar bagi sistem keamanan informasi konvensional yang selama ini mengandalkan kompleksitas matematis, seperti RSA dan ECC. Munculnya algoritma kuantum seperti Shor’s algorithm berpotensi mengancam eksistensi metode kriptografi klasik. Dalam konteks ini, kriptografi kuantum hadir sebagai solusi inovatif dengan memanfaatkan prinsip-prinsip mekanika kuantum untuk menjamin keamanan data secara teoritis, bahkan terhadap penyerang dengan daya komputasi tak terbatas. Penelitian ini membahas implementasi teknologi Quantum Cryptography, khususnya protokol BB84 yang telah ditingkatkan, sebagai metode distribusi kunci rahasia yang aman pada jaringan komputer. Fokus utama adalah pada keamanan pertukaran kunci Quantum Key Distribution (QKD) serta efisiensi algoritma dalam lingkungan jaringan dengan keterbatasan sumber daya. Selain itu, penelitian ini juga meninjau penerapan kriptografi kuantum dalam berbagai konteks jaringan masa depan, termasuk Wireless Body Sensor Networks (WBSN), jaringan 5G, dan post-quantum networks, serta potensi integrasinya dalam infrastruktur keamanan digital di masa depan. Hasil pengujian Avalanche Effect, Hash Generation Time, dan Hash Verification Time menunjukkan bahwa kriptografi kuantum mampu memberikan performa keamanan yang lebih baik dibandingkan dengan metode kriptografi populer seperti RSA dan AES

Jurnal Mnemonic•Mar 16, 2026•0 citations

Kajian Teoritis Dinamika Sistem Kuantum Terbuka Menggunakan Persamaan Lindblad

Sunarti, Muh. Anas, La Ode Safiuddin +5 more

Penelitian ini bertujuan untuk mengkaji secara teoritis dinamika sistem kuantum terbuka menggunakan persamaan Lindblad sebagai kerangka utama dalam mendeskripsikan evolusi non-uniter. Latar belakang penelitian didasarkan pada keterbatasan pendekatan sistem kuantum tertutup yang tidak mampu merepresentasikan interaksi sistem dengan lingkungan secara realistis. Metode yang digunakan adalah pendekatan analitik matematis dengan memanfaatkan operator densitas (density matrix) dalam kerangka teori open quantum systems, serta mengadopsi asumsi Born dan Markov untuk menyederhanakan interaksi sistem-lingkungan. Hasil kajian menunjukkan bahwa persamaan Lindblad mampu menggambarkan fenomena dekoherensi dan dissipasi secara sistematis melalui kontribusi operator Lindblad yang mempengaruhi koherensi dan populasi keadaan sistem. Studi kasus pada sistem dua-level (qubit) memperlihatkan bahwa interaksi dengan lingkungan menyebabkan peluruhan koherensi serta perubahan populasi menuju keadaan kesetimbangan. Secara fisik, hal ini mengindikasikan adanya kehilangan informasi kuantum akibat interaksi eksternal, yang berdampak pada stabilitas sistem. Selain itu, model Lindblad terbukti memiliki konsistensi matematis yang kuat serta relevansi luas dalam berbagai aplikasi fisika kuantum modern. Namun demikian, keterbatasannya dalam menggambarkan sistem non-Markovian menunjukkan perlunya pengembangan model yang lebih umum. Oleh karena itu, penelitian ini diharapkan dapat memberikan kontribusi teoritis dalam memahami dinamika sistem kuantum terbuka serta menjadi dasar bagi pengembangan studi lanjutan dalam bidang teknologi kuantum.

Einstein's.•Apr 28, 2026•0 citations
Pergerakan harga saham bersifat kompleks, non-linear dan dipengaruhi oleh berbagai faktor ekonomi sehingga prediksinya menjadi tantangan bagi metode tradisional. Penelitian ini bertujuan untuk memanfaatkan Quantum Machine Learning (QML) berbasis Variational Quantum Circuits (VQC) dalam memprediksi arah pergerakan harga saham di Bursa Efek Indonesia. Dataset yang digunakan merupakan data harga harian saham (open, high, low, close, volume) selama periode 2020 - 2025 yang diperoleh dari Yahoo Finance dan IDX. Metode penelitian meliputi preprocessing data, transformasi time series menggunakan sliding window, serta pelatihan model QML untuk memprediksi tren naik atau turun saham. Hasil eksperimen menunjukkan bahwa model QML mampu mencapai akurasi prediksi sebesar 99,70%. Evaluasi dilakukan menggunakan metrik akurasi, mean squared error (MSE) dan confusion matrix, menunjukkan kemampuan VQC menangkap pola non-linear yang kompleks. Penelitian ini menegaskan potensi QML sebagai teknologi inovatif untuk analisis pasar saham dan membuka peluang pengembangan sistem prediksi saham berbasis komputasi kuantum di masa depan.
Percepatan penemuan material baru terkendala oleh tingginya biaya komputasi metode kimia quantum konvensional seperti DFT (Density Functional Theory). Meskipun metode Deep Learning klasik menawarkan alternatif yang lebih cepat, pendekatan ini sering kali membutuhkan arsitektur dengan jutaan parameter untuk mencapai akurasi yang memadai. Penelitian ini mengevaluasi potensi Quantum Machine Learning (QML) untuk mengatasi masalah inefisiensi parameter tersebut. Secara spesifik, penelitian ini membandingkan kinerja model Hybrid Quantum Neural Network (HQNN) berbasis sirkuit variasional 4-qubit melawan model Classical Multi-Layer Perceptron (MLP) sebagai baseline pada tugas regresi energi internal (U0U_0U0​) menggunakan dataset QM9. Untuk memastikan perbandingan yang adil, kedua model dibatasi secara ketat memiliki jumlah parameter yang identik, yaitu sekitar 72 parameter. Hasil eksperimen menunjukkan bahwa model Quantum mencapai konvergensi pelatihan yang lebih baik dengan nilai Mean Squared Error (MSE) akhir sebesar 0.6292, mengungguli model Klasik yang berhenti di angka 0.7369. Lebih lanjut, model Quantum mencatatkan akurasi prediksi dengan Mean Absolute Error (MAE) sebesar 759.89 Hartree. Temuan ini membuktikan bahwa fitur quantum entanglement memberikan daya ekspresi (expressibility) yang superior dibandingkan transformasi linear klasik pada batasan sumber daya komputasi yang ketat, menjadikan algoritma hibrida quantum solusi yang menjanjikan untuk simulasi kimia di era Noisy Intermediate-Scale Quantum (NISQ).
Perkembangan dompet digital sebagai bagian dari transformasi ekonomi digital global menghadirkan tantangan serius dalam hal keamanan, terutama dengan kemunculan komputer kuantum yang berpotensi menembus sistem enkripsi tradisional. Artikel ini mengkaji inovasi dompet digital berbasis kriptografi kuantum sebagai solusi strategis untuk mengantisipasi ancaman siber di masa depan. Melalui pendekatan kualitatif deskriptif dan metode studi pustaka, penelitian ini mengeksplorasi dua pilar utama kriptografi kuantum, yaitu Quantum Key Distribution (QKD) dan Post-Quantum Cryptography (PQC), serta bagaimana keduanya diterapkan dalam sistem dompet digital hybrid. Hasil kajian menunjukkan bahwa teknologi ini mampu meningkatkan keamanan hingga 99,8% dibandingkan algoritma konvensional, serta memberikan jaminan perlindungan jangka panjang terhadap data pengguna. Meskipun demikian, adopsi teknologi ini menghadapi tantangan berupa biaya tinggi, keterbatasan regulasi, dan kekurangan sumber daya manusia yang terampil. Di sisi lain, implementasi dompet kuantum diperkirakan akan memperkuat stabilitas ekonomi digital global, mendorong pertumbuhan pasar teknologi kuantum, serta membuka jutaan lapangan kerja baru. Temuan ini menggaris bawahi pentingnya kolaborasi lintas sektor untuk mempercepat integrasi kriptografi kuantum dalam sistem keuangan digital secara luas.
Komputasi kuantum melakukan perhitungan dengan menggunakan fenomena fisik dan prinsip mekanika kuantum untuk memecahkan masalah. Bentuk komputasi ini secara teoritis telah terbukti memberikan percepatan pada beberapa masalah pemrosesan modern. Perkembangan baru dalam teknologi kuantum mulai bermunculan, dan penerapan model pembelajaran untuk perangkat baru ini terus berkembang. Dengan banyak antisipasi pemanfaatan fenomena kuantum di bidang Machine Learning telah menjadi jelas. Penelitian ini mengembangkan model kerangka kerja perangkat lunak TensorFlow Quantum (TFQ) untuk tujuan machine learning. Kedua model yang dikembangkan memanfaatkan teknik pengkodean informasi dari pengkodean amplitudo untuk penyusunan keadaan dalam model pembelajaran kuantum. Tujuan dari penelitian ini adalah mengeksplorasi kapasitas pengkodean amplitudo untuk menyediakan persiapan keadaan yang diperkaya dalam metode pembelajaran dan analisis mendalam tentang properti data yang memberikan wawasan tentang data pelatihan menggunakan Variational Quantum Classifier (VQC). Munculnya metode baru ini menimbulkan pertanyaan tentang cara terbaik menggunakan alat ini, tujuannya adalah untuk memberikan beberapa penjelasan ikhtisar untuk keadaan machine learning kuantum yang dapat diterapkan mengingat kendala perangkat yang sebenarnya. Hasil penelitian ini menunjukkan ada keuntungan yang jelas untuk menggunakan pengkodean amplitudo dibandingkan metode lain seperti ditunjukkan menggunakan jaringan saraf klasik kuantum hibrid di TFQ. Selain itu, ada beberapa langkah prapemrosesan yang dapat menghasilkan lebih banyak data kaya fitur saat menggunakan VQC, pada dasarnya teorema makan siang tidak gratis berlaku untuk metode pembelajaran kuantum seperti halnya dalam teknik klasik. Informasi meskipun dikodekan dalam bentuk kuantum tidak mengubah langkah-langkah penyiapan data tetapi melibatkan cara-cara baru untuk memahami dan mengapresiasi metode-metode baru ini. Pekerjaan masa depan di bidang ini akan membutuhkan perluasan ke dalam teknik klasifikasi multikelas yang cukup dikembangkan untuk dapat diterapkan dalam pekerjaan seperti ini.
Penelitian ini bertujuan untuk menganalisis tren serta perkembangan penelitian dalam bidang Quantum Machine Learning (QML) melalui pendekatan bibliometrik. QML merupakan turunan bidang ilmu dari Machine Learning (ML) yang mengintegrasikan ebberapa prinsip dasar mekanika kuantum seperti superposisi dan entanglement yang memungkinkan komputasi yang lebih kompleks. Dibalik potensinya yang besar, jumlha publikasi ilmiah pada bidang ini masih relative terbatas dibandingkan dengan topik lain yang sering digunakan seperti Artificial Intelligence (AI). Maka dari itu, analisis serta pemetaan yang sistematis melalui pendekatan bibliometrik sangat diperlukan untuk membantu para peneliti untuk mengembangkan penelitian pada topik QML ini. data dikumpulkan dengan menggunakan software publish or perish dengan menggunakan database scopus pada periode 2013-2023 atau rentang 10 tahun terakhir. Didapatkan 200 dokumen yang berupa artikel ilmiah dan konfrensi. Analisis dilakukan terhadap berbagai parameter seperti tren jumlah publikasi dari tahun ke tahun, produktivitas penulis dalam mengembangkan penelitian pada bidang ini, jurnal dengan frekuensi publikasi tertinggi, serta keterikatan kata kunci pada QML. Data yang dianalisis serta divisualisasikan menggunakan Microsoft Excell dan VOSviewer. Hasil penelitian menunjukan hasil yang membantu para peneliti seperti peningkatan publikasi pada rentang tahun 2017-2020, penulis paling produktif pada topik QML adalah M.schuld 6 jurnal ilmiah yang sudah dipublikasikan. Keterikatan kata kunci yang sangat erat dengan QML yakni quantum computing dan deep learning. Serta frekuensi tempat publikasi jurnal ilmiah terbanyak pada topik ini pada Nature Communications. Temuan ini diharapkan dapat menajdi rujuan serta acuan bagi para peneliti untuk yang akan meneliti pada bidang QML
Perkembangan tekonologi komputasi kuantum membawa tantangan besar bagi sistem keamanan informasi konvensional yang selama ini mengandalkan kompleksitas matematis, seperti RSA dan ECC. Munculnya algoritma kuantum seperti Shor’s algorithm berpotensi mengancam eksistensi metode kriptografi klasik. Dalam konteks ini, kriptografi kuantum hadir sebagai solusi inovatif dengan memanfaatkan prinsip-prinsip mekanika kuantum untuk menjamin keamanan data secara teoritis, bahkan terhadap penyerang dengan daya komputasi tak terbatas. Penelitian ini membahas implementasi teknologi Quantum Cryptography, khususnya protokol BB84 yang telah ditingkatkan, sebagai metode distribusi kunci rahasia yang aman pada jaringan komputer. Fokus utama adalah pada keamanan pertukaran kunci Quantum Key Distribution (QKD) serta efisiensi algoritma dalam lingkungan jaringan dengan keterbatasan sumber daya. Selain itu, penelitian ini juga meninjau penerapan kriptografi kuantum dalam berbagai konteks jaringan masa depan, termasuk Wireless Body Sensor Networks (WBSN), jaringan 5G, dan post-quantum networks, serta potensi integrasinya dalam infrastruktur keamanan digital di masa depan. Hasil pengujian Avalanche Effect, Hash Generation Time, dan Hash Verification Time menunjukkan bahwa kriptografi kuantum mampu memberikan performa keamanan yang lebih baik dibandingkan dengan metode kriptografi populer seperti RSA dan AES
Penelitian ini bertujuan untuk mengkaji secara teoritis dinamika sistem kuantum terbuka menggunakan persamaan Lindblad sebagai kerangka utama dalam mendeskripsikan evolusi non-uniter. Latar belakang penelitian didasarkan pada keterbatasan pendekatan sistem kuantum tertutup yang tidak mampu merepresentasikan interaksi sistem dengan lingkungan secara realistis. Metode yang digunakan adalah pendekatan analitik matematis dengan memanfaatkan operator densitas (density matrix) dalam kerangka teori open quantum systems, serta mengadopsi asumsi Born dan Markov untuk menyederhanakan interaksi sistem-lingkungan. Hasil kajian menunjukkan bahwa persamaan Lindblad mampu menggambarkan fenomena dekoherensi dan dissipasi secara sistematis melalui kontribusi operator Lindblad yang mempengaruhi koherensi dan populasi keadaan sistem. Studi kasus pada sistem dua-level (qubit) memperlihatkan bahwa interaksi dengan lingkungan menyebabkan peluruhan koherensi serta perubahan populasi menuju keadaan kesetimbangan. Secara fisik, hal ini mengindikasikan adanya kehilangan informasi kuantum akibat interaksi eksternal, yang berdampak pada stabilitas sistem. Selain itu, model Lindblad terbukti memiliki konsistensi matematis yang kuat serta relevansi luas dalam berbagai aplikasi fisika kuantum modern. Namun demikian, keterbatasannya dalam menggambarkan sistem non-Markovian menunjukkan perlunya pengembangan model yang lebih umum. Oleh karena itu, penelitian ini diharapkan dapat memberikan kontribusi teoritis dalam memahami dinamika sistem kuantum terbuka serta menjadi dasar bagi pengembangan studi lanjutan dalam bidang teknologi kuantum.