π Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPENGARUH NOISE DALAM BUΕΎEK-HILLERY QUANTUM CLONING MACHINE MENGGUNAKAN OPERATOR KRAUS
Proses duplikasi merupakan sebuah proses melakukan penggandaan informasi dari sebuah sistem kepada sistem yang lain. Namun untuk melakukan duplikasi keadaan kuantum sembarang tak dapat dilakukan sebagaimana tertera pada No-Cloning Theorem. Akan tetapi, No-Cloning Theorem tak membatasi duplikasi tak sempurna sehingga muncul Quantum Cloning Machine yang memungkinkan untuk mendapatkan hasil duplikasi yang mendekati keadaan yang diinginkan diantaranya adalah Bu!ek-Hillery Quantum Cloning Machine. Dalam keadaan riil, sistem kuantum dapat berinteraksi dengan lingkungan yang menyebabkan adanya gangguan (noise) yang dapat dimodelkan dengan operator Kraus. Penelitian ini akan mengamati pengaruh beberapa tipe noise pada Bu!ek-Hillery Quantum Cloning Machine meliputi bit flip, phase flip, noise depolarizing dan amplitude damping. Penelitian ini dilakukan secara analitik untuk mendapatkan persamaan untuk tiap noise serta komputasi untuk kasus-kasus input tertentu, yaitu keadaan basis dan keadaan superposisi. Hasil penelitian ini menunjukkan bahwa secara umum, noise akan menurunkan nilai fidelitas dan amplitude overlap untuk masing-masing qubit namun dalam beberapa kasus nilai fidelitas dan amplitude overlap dapat membesar bahkan melebihi nilai ketika tak ada gangguan sama sekali.
PREDIKSI KERAPATAN PETIR MENGGUNAKAN QUANTUM SUPPORT VECTOR REGRESSION
Fenomena petir telah memberikan berbagai dampak negatif sehingga memerlukan sistem proteksi yang efektif. Untuk menentukan level proteksi petir, prediksi kerapatan petir dapat dijadikan sebagai referensi. Meskipun demikian, algoritme klasik masih memiliki keterbatasan pada data kecil atau kompleks. Hal ini telah mendorong berbagai penelitian pembelajaran mesin menggunakan quantum computing. Salah satu algoritme quantum machine learning yang sering digunakan pada kasus regresi adalah QSVR. Penelitian yang telah ada menunjukkan bahwa QSVR dapat memberikan nilai error yang lebih kecil dibandingkan dengan model klasik yang ada. Meskipun demikian, belum terdapat penelitian yang menggunakan QSVR dalam prediksi kerapatan petir. Pada penelitian ini dilakukan prediksi kerapatan petir menggunakan QSVR untuk memanfaatkan potensi tersebut. Terdapat dua dataset yang digunakan pada penelitian ini, yaitu data PLN Puslitbang dan NASA MERLIN. Prediksi dilakukan berdasarkan parameter-parameter spasial dan meteorologi. Pengembangan model QSVR ini difokuskan pada pembangunan quantum feature map dan quantum kernel. Hasil eksperimen menunjukkan performa yang bervariasi. Pada dataset PLN Puslitbang, model SVR dengan RMSE 0.0102, MAE 0.0058, dan R2 0.7750 masih sedikit lebih unggul dibandingkan model QSVR BPS terbaik dengan RMSE 0.0104, MAE 0.0059, dan R2 0.7651. Model QSVR dengan feature map kompleks cenderung overfitting. Selain itu, secara umum penggunaan trainable kernel belum menunjukkan penurunan error. Sebaliknya, pada dataset NASA MERLIN model QSVR BPS dengan RMSE 0.0275, MAE 0.0110, dan R2 0.3856 mengungguli model SVR dengan RMSE 0.0282, MAE 0.0095, dan R2 0.3566. QSVR menunjukkan keunggulan yang konsisten khususnya pada data berukuran kecil. Sebagai tambahan, eksperimen pada kedua dataset menunjukkan bahwa koordinat garis lintang menjadi parameter yang paling memengaruhi model. Penelitian ini menunjukkan bahwa QSVR memiliki potensi besar sebagai alternatif yang lebih baik dalam prediksi kerapatan petir.
ANALISIS PREDIKSI HARGA SAHAM MENGGUNAKAN QUANTUM LONG SHORT-TERM MEMORY (QLSTM) DAN PERBANDINGAN TERHADAP LSTM
Saham merupakan salah satu instrumen investasi yang paling diminati karena menawarkan potensi keuntungan yang tinggi. Salah satu model machine learning yang sering digunakan untuk menganalisis data time series, seperti harga saham, adalah model Long Short-Term Memory (LSTM), yang mana model ini dikembangkan untuk mengatasi masalah vanishing gradient pada model Recurrent Neural Network (RNN). Dalam beberapa tahun terakhir, penelitian mengenai Quantum Computing dan Quantum Machine Learning menjadi cukup populer. Salah satunya adalah penelitian mengenai model Quantum Long Short-Term Memory (QLSTM), yang mana model ini mengintegrasikan konsep Quantum Computing dengan LSTM klasik. Penelitian ini bertujuan untuk menentukan prediksi harga saham menggunakan model QLSTM, menentukan tingkat akurasi dari model QLSTM dalam memprediksi harga saham, dan membandingkan performa model QLSTM dan LSTM dalam prediksi harga saham. Perbandingan perfoma model QLSTM dan LSTM ditentukan dengan membandingkan nilai metrik MAPE dan RMSE. Berdasarkan hasil analisis yang dilakukan, hasil prediksi model QLSTM mampu mendekati nilai harga saham aktual dan memiliki tingkat akurasi yang sangat baik dengan nilai MAPE dibawah 2%. Setelah itu, diperoleh juga hasil perbandingan QLSTM dan LSTM, dengan nilai MAPE untuk QLSTM adalah 1,15%, 1,25%, dan 1,37% untuk masing-masing saham PGAS, UNVR, dan INCO. Sementara itu, nilai MAPE LSTM adalah 1,17%, 1,50%, dan 1,60%. Untuk RMSE, diperoleh nilai 17,77, 59,67, dan 98,40 untuk QLSTM, serta 19,14, 73,02, dan 115,55 untuk LSTM. Hasil ini menunjukkan bahwa model QLSTM memiliki performa yang lebih baik dibandingkan model LSTM klasik.