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 Algoritme

Analisis Perbandingan Performa Hybrid Quantum-Classical Neural Network dan Convolutional Neural Network dalam Klasifikasi Citra

Putri Naomi Febrianti Telaumbanua, Sunneng Sandino Berutu, Aninda Astuti

Published Oct 5, 2026• 0 citations
Publisher

Abstract

Tantangan utama dalam penggunaan CNN konvensional untuk klasifikasi citra medis terletak pada tingginya kompleksitas parameter dan potensi penurunan efisiensi generalisasi pada volume data besar. Penelitian ini mengeksplorasi solusi alternatif melalui arsitektur hibrida, yaitu Hybrid Quantum-Classical Neural Network (HQCNN) yang diterapkan pada dataset PathMNIST. Dalam skema ini, lapisan CNN klasik difungsikan sebagai ekstraktor fitur spasial, yang kemudian dipetakan ke dalam domain kuantum melalui mekanisme angle encoding pada konfigurasi 4 qubit. Kebaruan dalam studi ini terletak pada pengujian skalabilitas model yang dilakukan secara bertahap hingga mencapai volume 130.000 sampel data. Hasil eksperimen mengonfirmasi keunggulan HQCNN dengan capaian akurasi sebesar 83,0%, melampaui performa model CNN klasik yang mengalami penurunan efektivitas signifikan pada angka 72,3%. Temuan tersebut menunjukkan bahwa integrasi prinsip kuantum seperti entanglement melalui gerbang CNOT mampu menghasilkan pemisahan kelas yang lebih tajam dan meminimalisir risiko overfitting pada dataset medis berskala besar.

DOI
10.35957/algoritme.v7i1.15735

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

Penerapan Quantum Neural Network Berbasis Qubit Encoding Pada Sinyal Audio Untuk Identifikasi Tingkat Kebisingan

Mohammad Amrizal Kurniansyah, Barlian Henryranu Prasetio

Polusi suara merupakan ancaman laten yang dapat memicu kerusakan pendengaran permanen (Noise-Induced Hearing Loss). Perangkat pemantau konvensional seperti Sound Level Meter (SLM) memiliki keterbatasan karena hanya mengukur intensitas desibel total tanpa mampu mengidentifikasi sumber spesifik pembawa bising. Penelitian ini merancang purwarupa sistem pemantau kebisingan lingkungan kerja cerdas berbasis edge computing pada Raspberry Pi 5 menggunakan sensor mikrofon digital INMP441 I2S. Sistem ini dirancang untuk menghitung Tingkat Kebisingan Ekuivalen (Leq dBA) sekaligus mengklasifikasikan 5 jenis sumber kebisingan (air conditioner, drilling, engine idling, jackhammer, dan siren). Metode klasifikasi yang diterapkan adalah Quantum Neural Network (QNN) berbasis Qubit Encoding (Amplitude Encoding) pada sirkuit 6-qubit, dengan membandingkan kinerjanya terhadap Convolutional Neural Network (CNN) klasik. Ekstraksi fitur menggunakan Log-Mel Spectrogram 64x64 piksel. Hasil pengujian menunjukkan bahwa model CNN unggul dengan akurasi 95,91% (waktu latih 790,63 detik), sedangkan QNN mencapai akurasi 65,88% (waktu latih 5918,55 detik). Pengujian kalibrasi perangkat keras menunjukkan tingkat galat pembacaan dBA hanya sebesar 1,11 dBA terhadap SLM referensi. Purwarupa ini berhasil mengintegrasikan prediksi kelas cerdas dengan kalkulasi desibel untuk memicu peringatan keselamatan kerja secara real-time berdasarkan Nilai Ambang Batas Keselamatan dan Kesehatan Kerja (K3) regulasi Permenaker No. 5 Tahun 2018.

Jurnal Pengembangan Teknologi dan Ilmu Komputer•Aug 23, 2026•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

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

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

Safira Hasna Setiyani

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.

Jurnal Informatika dan Teknik Elektro Terapan•Oct 19, 2025•0 citations

Hybrid quantum-classical convolutional neural networks

Junhua Liu, Kwan Hui Lim, Kristin Lee Wood +3 more

arXiv:1911.02998•Science China Physics Mechanics and Astronomy•Aug 4, 2021•291 citations
Tantangan utama dalam penggunaan CNN konvensional untuk klasifikasi citra medis terletak pada tingginya kompleksitas parameter dan potensi penurunan efisiensi generalisasi pada volume data besar. Penelitian ini mengeksplorasi solusi alternatif melalui arsitektur hibrida, yaitu Hybrid Quantum-Classical Neural Network (HQCNN) yang diterapkan pada dataset PathMNIST. Dalam skema ini, lapisan CNN klasik difungsikan sebagai ekstraktor fitur spasial, yang kemudian dipetakan ke dalam domain kuantum melalui mekanisme angle encoding pada konfigurasi 4 qubit. Kebaruan dalam studi ini terletak pada pengujian skalabilitas model yang dilakukan secara bertahap hingga mencapai volume 130.000 sampel data. Hasil eksperimen mengonfirmasi keunggulan HQCNN dengan capaian akurasi sebesar 83,0%, melampaui performa model CNN klasik yang mengalami penurunan efektivitas signifikan pada angka 72,3%. Temuan tersebut menunjukkan bahwa integrasi prinsip kuantum seperti entanglement melalui gerbang CNOT mampu menghasilkan pemisahan kelas yang lebih tajam dan meminimalisir risiko overfitting pada dataset medis berskala besar.
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).
Polusi suara merupakan ancaman laten yang dapat memicu kerusakan pendengaran permanen (Noise-Induced Hearing Loss). Perangkat pemantau konvensional seperti Sound Level Meter (SLM) memiliki keterbatasan karena hanya mengukur intensitas desibel total tanpa mampu mengidentifikasi sumber spesifik pembawa bising. Penelitian ini merancang purwarupa sistem pemantau kebisingan lingkungan kerja cerdas berbasis edge computing pada Raspberry Pi 5 menggunakan sensor mikrofon digital INMP441 I2S. Sistem ini dirancang untuk menghitung Tingkat Kebisingan Ekuivalen (Leq dBA) sekaligus mengklasifikasikan 5 jenis sumber kebisingan (air conditioner, drilling, engine idling, jackhammer, dan siren). Metode klasifikasi yang diterapkan adalah Quantum Neural Network (QNN) berbasis Qubit Encoding (Amplitude Encoding) pada sirkuit 6-qubit, dengan membandingkan kinerjanya terhadap Convolutional Neural Network (CNN) klasik. Ekstraksi fitur menggunakan Log-Mel Spectrogram 64x64 piksel. Hasil pengujian menunjukkan bahwa model CNN unggul dengan akurasi 95,91% (waktu latih 790,63 detik), sedangkan QNN mencapai akurasi 65,88% (waktu latih 5918,55 detik). Pengujian kalibrasi perangkat keras menunjukkan tingkat galat pembacaan dBA hanya sebesar 1,11 dBA terhadap SLM referensi. Purwarupa ini berhasil mengintegrasikan prediksi kelas cerdas dengan kalkulasi desibel untuk memicu peringatan keselamatan kerja secara real-time berdasarkan Nilai Ambang Batas Keselamatan dan Kesehatan Kerja (K3) regulasi Permenaker No. 5 Tahun 2018.
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.
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
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.