📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenDESAIN DAN IMPLEMENTASI MODEL QUANTUM CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI TULISAN TANGAN
Kemajuan dalam komputasi kuantum membuka peluang baru dalam berbagai aplikasi, termasuk dalam bidang pembelajaran mesin, seperti Quantum Convolutional Neural Network (QCNN). Meskipun simulasi QCNN telah menunjukkan kinerja yang baik, tantangan dalam penerapan model kuantum masih ada, terutama terkait dengan keterbatasan sumber daya komputasi dan desain arsitektur yang optimal. Penelitian ini bertujuan untuk menganalisis kinerja model dasar Hybrid QCNN dalam klasifikasi tulisan tangan untuk digit dan alfabet, serta merancang dan mengimplementasikan varian model Hybrid QCNN yang lebih baik dengan mencoba berbagai ansatz konvolusi, ansatz pooling, teknik encoding, dan metode optimasi. Berdasarkan eksperimen, model dasar Hybrid QCNN menunjukkan akurasi sebesar 73.58%, sementara model alternatif yang dikembangkan mampu mencapai akurasi 81.38%, dengan menggunakan ansatz konvolusi Conv10, ansatz pooling PoolG, metode optimasi Adam, dan teknik encoding Angle. Perbandingan antara model dasar dan alternatif menunjukkan bahwa model alternatif memiliki kinerja yang lebih baik dalam hal akurasi. Penelitian ini juga menemukan beberapa kendala, seperti kesulitan model dalam membedakan karakter yang serupa secara visual dan keterbatasan dalam eksplorasi desain ansatz. Saran untuk penelitian selanjutnya termasuk peningkatan kualitas data pelatihan, eksplorasi desain ansatz lebih luas, dan pengujian model secara langsung pada komputer kuantum fisik untuk memaksimalkan keunggulan komputasi kuantum.
RANCANG BANGUN SISTEM AGEN LLM BERBASIS MODEL PERILAKU DALAM PENGEMBANGAN SOCIAL MEDIA BOT INSTAGRAM DENGAN PEMANFAATAN POLA PERILAKU DAN POPULARITAS AKUN INFLUENCER
Social media bot adalah sistem terotomatisasi yang bertempat pada platform media sosial. Social media bot umumnya digunakan dengan tujuan tertentu menyesuaikan kebutuhan. Bergantung kepada penggunaannya, social media bot dapat memiliki kemampuan untuk berinteraksi dengan pengguna. Namun, interaksi antara bot dan pengguna pada media sosial terlimitasi oleh kemampuan bot untuk memahami bahasa alami manusia dan melakukan aksi-aksi sebagaimana perilaku pengguna di media sosial. Maka dari itu, social media bot dapat diperlengkapi dengan sistem agen LLM yang dibekali dengan kemampuan pemrosesan bahasa alami, kemampuan untuk melakukan penalaran, dan kemampuan untuk melakukan aksi. Influencers adalah pihak yang memiliki pengaruh dalam media sosial. Melihat potensial dari pengaruh yang dihasilkan oleh influencer, sistem agen LLM dapat dirancang sedemikian rupa untuk memanfaatkan pola perilaku influencer dengan mempelajarinya sebagai landasan bagi cara kerja sistem agen LLM. Pemanfaatan pola perilaku influencers mendasari cara sistem agen LLM berinteraksi dan melakukan aksi-aksi di media sosial, mencakup aksi like, follow, comment, post, dan reply chat. Di sisi lain, tidak hanya pola perilaku, sistem agen LLM juga dapat memanfaatkan popularitas dari influencers untuk memenuhi kebutuhannya. Influencer memiliki sebuah kepribadian tertentu dan berada pada lingkup komunitas tertentu. Dalam berinteraksi dan merespon, influencer memiliki pola perilaku yang dapat dijadikan sebagai acuan. Berlandaskan pada pola ini, sistem agen LLM dibangun berbasis model perilaku dengan melakukan konfigurasi persona dan kepribadian selayaknya seorang pengguna Instagram. Guna memaksimalkan interaksi yang dibangun dengan pengguna, sistem agen LLM juga diperlengkapi dengan komponen pemahaman, penalaran, pengetahuan, dan memori. Selain merespon, sistem agen LLM juga mampu secara inisiatif melakukan berbagai aksi di media sosial. Dalam hal ini, digunakan sebuah model probabilistik untuk menyimulasikan perilaku sebuah pengguna Instagram. Target dari aksi sistem agen LLM diarahkan kepada post atau akun milik influencer, memanfaatkan popularitas dari influencer dalam pembangunan personalisasi.
PENGEMBANGAN SISTEM PUBLIKASI JURNAL ILMIAH PEER REVIEW BERBASIS PLATFORM DISTRIBUTED LEDGER TECHNOLOGY DENGAN KONFIGURASI ANONIMITAS PENELAAH
Sistem publikasi jurnal ilmiah pada umumnya menggunakan sistem peer review untuk menjaga kualitas luaran publikasi. Dengan berkembangnya distributed ledger technology (DLT) atau yang biasa dikenal dengan blockchain, DLT juga telah dikembangkan menjadi sistem publikasi ilmiah karena sifat terdesentralisasi dan transparan DLT. Dengan desentralisai, sistem publikasi ilmiah berbasis DLT memungkinkan peserta sistem untuk menjalankan proses publikasi tanpa kemungkinan penyensoran oleh otoritas pusat. Dengan transparansi, proses publikasi menjadi lebih dapat dipertanggungjawabkan, dan memungkinkan audit yang bersifat transparan. Pada pengembangan sistem-sistem publikasi ilmiah berbasis DLT, terdapat usulan terkait anonimitas pengguna, yang telah menjadi bagian dari sistem publikasi ilmiah pada umumnya (seperti proses blinded peer review), namun memerlukan konfigurasi tambahan pada DLT akibat transparansi proses pada sistem. Studi ini bertujuan untuk mengembangkan konfigurasi anonimitas pada proses peer review sistem yang tetap menjaga akuntabilitas, otorisasi, dan sybil resistance. Teknik anonimitas akan menggunakan teknik yang umum digunakan pada DLT, seperti zero-knowledge proof dan mixing technology. Pengembangan sistem dilakukan dengan analisis proses publikasi jurnal ilmiah berbasis peer review, analisis kumpulan pengembangan sistem publikasi ilmiah berbasis DLT, dan analisis Tornado Cash sebagai salah satu implementasi teknik anonimitas pada DLT. Hasil analisis kemudian dikembangkan menjadi kebutuhan sistem, arsitektur sistem, proses sistem, dan kemudian dikembangkan menjadi proof of concept. Proof of concept yang dikembangkan menunjukkan bahwa pengembangan sistem publikasi ilmiah berbasis DLT dengan konfigurasi anonimitas dapat dicapai dengan memastikan akuntabilitas, otorisasi, dan sybil resistance sistem tetap terjaga.
DETEKSI ALFABET BAHASA ISYARAT INDONESIA (BISINDO) BERBASIS MOBILE MENGGUNAKAN ALGORITMA YOLO VERSI 11
Bahasa Isyarat Indonesia (BISINDO) merupakan sarana komunikasi utama bagi individu dengan keterbatasan pendengaran dan bicara, namun aksesibilitasnya terbatas karena sedikitnya pengguna yang fasih dan kurangnya pengetahuan masyarakat umum. Perkembangan teknologi computer vision dan deep learning menawarkan solusi untuk mengatasi hambatan komunikasi ini melalui sistem pengenalan gerakan tangan secara otomatis. Tugas akhir ini mengembangkan aplikasi mobile berbasis YOLOV11 untuk mengenali 26 alfabet BISINDO secara real-time melalui kamera ponsel. Aplikasi dilengkapi fitur autentikasi dan media edukasi untuk meningkatkan pemahaman BISINDO, memungkinkan interaksi yang lebih inklusif antara pengguna bahasa isyarat dan masyarakat luas. Evaluasi pada dataset 2.912 citra BISINDO menunjukkan bahwa varian YOLOV11M terkuantisasi mencapai mAP0.5:0.95 sebesar 82,3% dengan presisi 99,2%, melampaui performa YOLOV9E yang hanya mencapai 69,38% mAP pada studi sebelumnya. Metode kuantisasi model dalam format INT8 dan FP16 serta optimasi resolusi masukan 352×352 piksel mampu memangkas ukuran model hingga 50% tanpa penurunan performa yang signifikan. Pengujian real-time menghasilkan throughput 10 FPS pada ponsel Vivo V50 Lite menggunakan varian YOLOV11N dengan kuantisasi INT8, menunjukkan efisiensi yang cocok untuk implementasi mobile dengan sumber daya terbatas. Pengujian menghasilkan latensi minimal sebesar 10 FPS (frame per second) pada ponsel Vivo V50 Lite menggunakan varian YOLOV11N dengan kuantisasi INT8 dan resolusi masukan 320x320 piksel.
PENGEMBANGAN KONTROL AKSES DALAM KERANGKA KERJA SISTEM MANAJEMEN REKAM MEDIS ELEKTRONIK BERBASIS IOTA
Rekam medis merupakan komponen fundamental dalam penyelenggaraan pelayanan kesehatan di Indonesia. Seiring dengan diberlakukannya Peraturan Menteri Kesehatan Nomor 24 Tahun 2022, seluruh fasilitas pelayanan kesehatan (fasyankes) diwajibkan untuk menyelenggarakan rekam medis elektronik (RME). Namun, digitalisasi ini membawa tantangan baru, terutama dalam hal keamanan data. Isu mengenai kontrol akses terhadap data rekam medis milik pasien menjadi krusial, mengingat pasien memiliki hak penuh atas data tersebut. Saat ini, kontrol akses sepenuhnya diserahkan kepada sistem informasi masing-masing fasyankes atau vendor pihak ketiga sehingga menimbulkan ketidakpastian dan potensi risiko kebocoran data. Selain itu, basis data yang digunakan saat ini belum dapat sepenuhnya menjamin integritas dari data RME yang disimpan. Tugas Akhir ini bertujuan untuk merancang kontrol akses dalam kerangka kerja sistem manajemen RME yang berfokus kepada peningkatan keamanan data, khususnya dalam aspek kerahasiaan dan integritas data dengan menggunakan Distributed Ledger Technlogy (DLT), yaitu IOTA. Selain itu, sistem yang dikembangkan juga menggabungkan beberapa teknologi lainnya seperti InterPlanetary File System (IPFS) sebagai layer penyimpanan tambahan dan Proxy Re-Encryption sebagai mekanisme enkripsi yang dapat membantu dalam pemberian salinan data RME. Sistem dirancang agar dapat memberikan kendali penuh kepada pasien terhadap data RME mereka, termasuk pemberian persetujuan aktif terhadap setiap akses, pengaturan durasi akses, serta pembatasan bagian data yang dapat diakses oleh pihak lain sesuai kebutuhan pelayanan. Tugas Akhir ini menghasilkan DecMed, sebuah kerangka kerja sistem manajemen RME berbasis IOTA dengan mekanisme kontrol akses yang dapat meningkatkan kerahasiaan dan integritas data. DecMed mengharuskan seluruh akses terhadap data RME harus atas persetujuan aktif dari pasien. DecMed juga mendukung pengelolaan akun pasien dan personel fasyankes yang terintegrasi dengan kontrol akses data. Pengujian yang dilakukan terhadap sistem DecMed menunjukkan bahwa sistem berjalan dengan baik serta memenuhi seluruh kebutuhan yang telah didefinisikan terkait dengan manajemen RME di Indonesia.
PENGEMBANGAN APLIKASI PEMANTAUAN PROYEK UNTUK PROJECT MANAGEMENT OFFICE PADA KMPPD BANK INDONESIA
Kelompok Manajemen Program dan Proyek Digitalisasi (KMPPD) serves as the Project Management Office (PMO). KMPPD is responsible for monitoring all digitalization projects within the Departemen Layanan Digital dan Kemanan Siber (DLDS). Currently, the project monitoring process still relies on the use of Microsoft Excel-based worksheets. This dependence on manual processes creates various obstacles. This Final Project aims to design and develop a web-based project monitoring application to accommodate the specific needs of KMPPD. The development methodology used refers to the Waterfall model, starting from the analysis phase through to testing. The application's functionality design is based on the Project Management Body of Knowledge (PMBOK) 6th Edition framework. Technically, the application is implemented using a layered architecture design. The application is composed of main modules, such as project and program management, work breakdown structure, milestone schedule, risk register, issue log, dashboard, and user management. The implementation of 53 functional requirements was successfully carried out and has successfully passed unit testing and integration testing.
PENAMBAHAN FITUR PATOLOGIS DALAM SISTEM LOKALISASI SUARA DEEPFAKE BERBAHASA INDONESIA
Deteksi dan pelokalan suara deepfake merupakan tantangan penting dalam menjaga integritas konten audio, terutama dalam konteks bahasa Indonesia yang masih minim dijelajahi. Penelitian ini mengusulkan pendekatan gabungan antara Light Convolutional Neural Network (LCNN) dan Bidirectional Long Short-Term Memory (BiLSTM) untuk mendeteksi serta melokalisasi segmen deepfake dalam audio berbahasa Indonesia. Dataset dikembangkan secara khusus dan terdiri dari tiga subset: (1) suara asli berbahasa Indonesia yang diperoleh dari sumber terbuka dan tertutup dalam lingkungan terkendali, (2) suara palsu penuh yang dihasilkan menggunakan model text-to-speech (TTS) dan voice conversion (VC) multibahasa atau yang telah dilatih pada data berbahasa Indonesia, serta (3) suara palsu sebagian yang dibuat dengan menyisipkan potongan suara palsu ke dalam audio asli dan juga sebaliknya. Sebagai masukan, digunakan delapan fitur patologis dan fitur spektral konvensional berupa Linear Frequency Cepstral Coefficients (LFCC). Meskipun fitur patologis secara individu belum melampaui performa LFCC, kombinasi keduanya meningkatkan akurasi lokalisasi secara signifikan. Penelitian ini menunjukkan potensi fitur patologis dan arsitektur LCNN-BiLSTM dalam meningkatkan sistem lokalisasi suara deepfake untuk bahasa Indonesia.
PENGEMBANGAN SISTEM VISUALISASI GRAF HETEROGEN UNTUK MENDUKUNG PEMAHAMAN STRUKTUR PROGRAM
Pemahaman teradap struktur dan alur program merupakan aspek penting dalam proses pengembangan perangkat lunak, khususnya ketika pengembang harus memelihara atau melanjutkan kode program yang telah dibuat oleh pihak lain. Namun kompleksitas kode sumber, terutama pada proyek berskala besar, seringkali menjadi hambatan dalam memahami keterkaitn antar komponen program. Visualisasi program berbasis graf menjadi salah satu pendekatan yang efektif untuk mengurangi kompleksitas tersebut. Tugas Akhir ini mengusulkan dan mengembangkan Sistem Visualisasi Graf Heterogen yang dirancang untuk membantu pengembang memahami struktur dan alur eksekusi program secara lebih efisien. Sistem ini menghasilkan tiga jenis tampilan graf yang saling terhubung, yaitu Package Graph, Call Graph, dan Control Flow Graph, yang masing-masing merepresentasikan keterkaitan antarkelas, antarfungsi, serta alur eksekusi dalam satu fungsi. Sistem ini juga mendukung filtering pada graf, duplicate node, pemecahan simpul graf menjadi tampilan yang lebih rinci, serta highlight simpul antar tampilan untuk memfasilitasi navigasi dan eksplorasi kode sumber secara bertahap. Pengujian sistem dilakukan melalui pengujian fungsional, yang mencakup pengujian integrasi backend dan integrasi sistem, pengujian nonfungsional yaitu pengujian performance, serta pengujian pengguna yang terdiri atas program comprehension task dan usability task. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan mampu mendukung pemahaman terhadap struktur dan alur program dengan lebih baik serta memberikan pengalaman pengguna yang positif.
PENGEMBANGAN ALAT VISUALISASI ARSITEKTUR PERANGKAT LUNAK UNTUK ANALISIS MULTIDIMENSI
Visualisasi arsitektur perangkat lunak merupakan aspek penting dalam mendukung pemahaman dan analisis perangkat lunak secara menyeluruh. Namun, kompleksitas perangkat lunak dan beragamnya kebutuhan analisis sering kali menyulitkan proses eksplorasi. Penelitian ini mengembangkan sebuah alat visualisasi arsitektur perangkat lunak berbasis graph yang dirancang untuk mendukung eksplorasi dan analisis multidimensi. Alat ini dibangun dengan pendekatan visualisasi berbasis graph dan dirancang untuk menyajikan struktur perangkat lunak secara intuitif. Kontribusi utama dari alat ini adalah implementasi tata letak berbasis grid dua dimensi (Semantic Grid Layout) yang memetakan node ke dalam kategori berdasarkan dua dimensi tertentu sehingga memudahkan perbandingan antar dimensi dan mendukung analisis multidimensi secara efisien. Selain itu, alat ini mendukung fitur pewarnaan berdasarkan kategori dan metrik yang memungkinkan analisis visual secara lebih fleksibel dan mendalam. Evaluasi dilakukan melalui studi kasus pada dataset arsitektur perangkat lunak yang diekstraksi langsung dari kode sumber, serta pengujian pengguna yang mencakup sesi think-aloud, tanya jawab, dan pengisian kuesioner System Usability Scale (SUS). Hasil evaluasi menunjukkan bahwa alat ini mampu menyederhanakan kompleksitas visual, memfasilitasi eksplorasi berbasis dimensi, dan mendukung analisis struktur arsitektur secara lebih efektif, sehingga memberikan kemudahan bagi pengguna dalam memahami arsitektur perangkat lunak serta mengidentifikasi pola, anomali, maupun potensi penyimpangan desain.
PENGEMBANGAN KAKAS UNTUK GENERASI VISUALISASI GRAF DARI KODE PROGRAM SEBAGAI MEDIA PEMBELAJARAN PEMROGRAMAN BAGI PEMULA
Pemahaman konsep pemrograman merupakan tantangan fundamental bagi pemula yang seringkali kesulitan memahami struktur dan alur logika dari kode sumber. Kakas visualisasi yang ada saat ini seringkali menghasilkan graf yang terlalu kompleks atau kurang intuitif untuk kebutuhan pembelajaran dasar. Pada tugas akhir ini, dikembangkan sebuah kakas visualisasi graf dari kode sumber Python untuk dijadikan media pembelajaran bagi pemula. Kakas ini bekerja dengan memetakan kode sumber ke dalam tiga representasi graf fundamental: Control Flow Graph (CFG) untuk alur kontrol, Call Graph (CG) untuk interaksi fungsi, dan Program Dependency Graph (PDG) untuk ketergantungan data. Dengan menyajikan ketiga graf ini dalam antarmuka yang interaktif, kakas ini dapat menghasilkan representasi visual yang intuitif dengan menyeimbangkan antara kelengkapan informasi dan kesederhanaan penyajian. Hasil pengujian fungsional dan User Acceptance Testing (UAT) menunjukkan bahwa kakas yang dikembangkan dapat diterima dan dinilai bermanfaat oleh pengguna pemula dalam membantu pemahaman program.
PENGEMBANGAN SISTEM KLASIFIKASI MOTOR IMAGERY BERBASIS CNN DARI SINYAL ELECTROENCEPHALOGRAPHY (EEG) MENGGUNAKAN DATASET DARI BERBAGAI SUMBER
Abstrak dapat dilihat di file nya
PENGEMBANGAN SISTEM SERVICE SELECTION DENGAN PENDEKATAN MACHINE LEARNING PADA SIDECAR SERVICE MESH
Arsitektur microservice telah diadopsi secara luas, namun menghadirkan tantangan dalam proses service selection yang dinamis untuk menjaga otonomi setiap service. Umumnya, service selection masih menggunakan metode konvensional seperti round-robin yang kurang adaptif terhadap perubahan beban dan kondisi non-fungsional seperti Quality of Service (QoS). Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem service selection dengan pendekatan machine learning yang diintegrasikan pada sidecar dalam arsitektur service mesh untuk meningkatkan nilai QoS. Metodologi yang digunakan mengadaptasi kerangka kerja CRISP-ML yang terdiri dari tahap pemahaman bisnis dan data, persiapan data, pemodelan, serta evaluasi. Sistem yang dikembangkan mengintegrasikan model prediksi time-series (LSTM dan GRU) untuk memprediksi metrik response time dan model Reinforcement Learning (Q-Learning) untuk memilih instance service secara dinamis. Modul ini diimplementasikan sebagai sidecar terpisah yang berkomunikasi dengan Istio Proxy melalui konfigurasi Envoy Filter. Pengujian dilakukan dalam dua skenario: pengujian beban linier dengan variasi sumber daya dan pengujian dengan variasi jenis request. Hasil pengujian menunjukkan bahwa pendekatan machine learning berhasil meningkatkan nilai QoS dibandingkan dengan metode round-robin. Secara spesifik, model dengan prediksi LSTM menunjukkan penurunan response time rata-rata hingga 47,8% dan kenaikan throughput sebesar 44% pada pengujian beban. Pada skenario dengan adanya request yang bervariasi, pendekatan ini mampu menurunkan response time rata-rata hingga 23% dibandingkan metode least request.
PENGEMBANGAN EKSTRAKTOR REPRESENTASI PENGETAHUAN PERANGKAT LUNAK DARI KODE SUMBER DALAM BAHASA GO
Tugas akhir ini mempresentasikan bagaimana sebuah sistem ekstraktor representasi pengetahuan dalam bentuk graf properti untuk bahasa pemrograman Go dikembangkan. Terdapat dua komponen utama dalam uraian tugas akhir ini, yaitu skema representasi pengetahuan yang dijadikan sebagai blueprint terhadap graf yang dibentuk dan alat ekstraktor yang dapat melakukan ekstraksi graf terhadap kode sumber yang ditulis dalam bahasa pemrograman Go. Skema yang dibentuk memerhatikan sintaks dan semantik yang dimiliki oleh bahasa Go, sehingga representasi pengetahuan yang dihasilkan bersifat lengkap. Representasi pengetahuan sebagai graf yang dihasilkan oleh alat ekstraktor dapat divisualisasikan menggunakan kakas-kakas visualisasi yang telah ada. Selain itu, representasi pengetahuan dalam bentuk graf yang dihasilkan dimaksudkan untuk menjadi landasan awal dalam analisis perangkat lunak lebih lanjut.
OPTIMALISASI SISTEM IDENTIFIKASI PEMBICARA SKALA BESAR BERBASIS I-VECTOR DENGAN LDA, PCA, DAN LSH
Identifikasi pembicara merupakan proses untuk mengenali identitas seseorang berdasarkan karakteristik unik dari suaranya. Teknologi ini memanfaatkan fitur-fitur akustik seperti intonasi, resonansi, dan pola artikulasi untuk membedakan antar individu. Sistem identifikasi pembicara memiliki peran penting dalam berbagai bidang, termasuk keamanan biometrik, layanan pelanggan otomatis, serta personalisasi aplikasi digital. Namun, seiring bertambahnya jumlah pengguna, sistem ini menghadapi tantangan dalam hal efisiensi pencocokan dan kecepatan respon saat bekerja pada skala besar dimana jumlah pembicara yang terdaftar berjumlah ribuan hingga jutaan. Penelitian ini bertujuan merancang dan mengoptimalkan sistem identifikasi pembicara yang tetap akurat dan cepat. Proses dimulai dengan mengekstrak ciri khas dari suara berupa Mel-Frequency Cepstral Coefficients (MFCC), yang dapat menangkap karakteristik unik dari suara seseorang. Secara teknis, karakteristik ini berupa koefisien numerik yang merepresentasikan daya dari sinyal suara dalam domain frekuensi dan dikompresi berdasarkan skala mel yang meniru cara manusia mendengar frekuensi. Ciri-ciri ini kemudian diubah menjadi representasi numerik sederhana yang disebut i-vector , yang telah dikenal sebagai salah satu pendekatan paling efektif dan banyak digunakan dalam sistem identifikasi pembicara. Untuk meningkatkan kemampuan sistem dalam membedakan suara dari pembicara yang berbeda, digunakan metode Linear Discriminant Analysis (LDA) yang memaksimalkan jarak antar kelas. Setelah itu, ukuran data dikurangi menggunakan Principal Component Analysis (PCA). Sebagai langkah akhir, sistem ini menerapkan Locality Sensitive Hashing (LSH), sebuah teknik pencarian approximate nearest neighbor yang memungkinkan pencocokan dilakukan hanya pada sebagian kecil data, bukan seluruh data. Eksperimen dilakukan menggunakan dataset suara dari Youtube yang dikumpulkan sendiri dan terdiri atas 1.500 pembicara unik. Pengujian terhadap 1.000 hingga 1.500 pembicara diperoleh akurasi di atas 98% dan mempercepat proses pencarian hingga 90 kali dibandingkan pencarian biasa. Hasil ini membuktikan bahwa pendekatan yang diusulkan cocok untuk sistem identifikasi pembicara berskala besar, bahkan ketika dijalankan dengan sumber daya komputasi yang terbatas.
IMPLEMENTASI ALGORITMA QUANTUM CLASSIFIER DAN ALGORITMA COORDINATE DESCENT TERDISTRIBUSI UNTUK KLASIFIKASI
Komputasi kuantum telah menjadi salah satu bidang penelitian yang berkembang pesat sehingga memberikan alternatif yang baru sebagai metode pembelajaran mesin. Penelitian ini bertujuan untuk melakukan analisis perbandingan kinerja antara algoritma klasik dengan algoritma kuantum untuk masalah klasifikasi, dengan fokus khusus pada perbandingan antara algoritma klasik, distributed coordinate descent yang menggunakan metode Free-Axis Selection (Fraxis) dan Free Quaternion Selection (FQS), dan variational quantum classifier (VQC). Eksperimen dilakukan menggunakan dataset iris, wine, NHANES, dan FMNIST. Pada eksperimen dataset iris, dan wine, distributed coordinate descent baik menggunakan metode fraxis maupun FQS memberikan hasil akurasi yang mendekati hasil akurasi ANN dan bahkan melebihi ANN pada eksperimen dataset FMNIST. Sementara itu, VQC memberikan hasil yang beragam bergantung konfigurasi optimizer dan feature map yang digunakan. Meskipun demikian, algoritma kuantum membutuhkan waktu yang jauh lebih panjang dari algoritma klasik.