Rahma, Hilmia (2025) PENERAPAN MODEL QUANTUM NEURAL NETWORK UNTUK MENGIDENTIFIKASI SERANGAN JANTUNG. S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (139kB)
	Text Abstrak.pdf Download (168kB)
	Text Bab I.pdf Download (209kB)
	Text Daftar Pustaka.pdf Download (209kB)
	Text Full-Text.pdf Restricted to Registered users only Download (3MB)

Abstract

Serangan jantung merupakan salah satu penyebab utama kematian di dunia dengan mortalitas yang meningkat akibat keterlambatan diagnosis terutama pada fase golden hour, yaitu periode kritis satu jam pertama setelah gejala muncul. Seiring perkembangan teknologi, muncul pendekatan baru dalam bidang machine learning, salah satunya adalah Quantum neural network (QNN). QNN menggabungkan kekuatan pemrosesan paralel dari komputasi kuantum dengan kemampuan pembelajaran dari neural network. Penelitian ini bertujuan untuk mengimplementasikan serta menganalisis performa berbagai model QNN dalam upaya mengidentifikasi serangan jantung dan mendukung pengambilan keputusan klinis berbasis teknologi. Empat model QNN yang diuji meliputi Estimator QNN, Sampler QNN, Variational quantum classifier (VQC), dan Quantum convolutional neural network (QCNN) dengan pemodelan berbasis pustaka Qiskit Machine learning versi 0.8.3. Dataset diperoleh dari Kaggle melalui tahapan proses meliputi exploratory data analysis (EDA), preprocessing dan splitting data, pembuatan serta optimasi model, dan diakhiri dengan evaluasi kinerja model. Hasil awal menunjukkan bahwa model VQC memberikan akurasi lebih tinggi dibandingkan model lainnya sehingga selanjutnya dilakukan optimasi melalui penyesuaian jumlah fitur, iterasi, serta eksplorasi berbagai jenis feature map/encoding. Evaluasi akhir menunjukkan konfigurasi pada model VQC dengan 4 fitur hasil EDA, 60 iterasi, ansatz RealAmplitude, optimizer COBYLA, dan feature map berupa Angle encoding memberikan hasil terbaik dengan akurasi mencapai 68% serta confusion matrix dan classification report yang lebih stabil. Model ini mengungguli pendekatan feature map lain, seperti ZZ Feature Map, Z Feature Map, Pauli Feature Map, maupun IQP Encoding. Temuan ini menegaskan bahwa pemilihan model dan feature map berperan penting dalam meningkatkan performa klasifikasi sekaligus membuka peluang pengembangan model QNN di bidang medis

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 57201 - Jurusan Sistem Informasi
Depositing User:	Hilmia Rahma
Date Deposited:	09 Oct 2025 06:10
Last Modified:	09 Oct 2025 06:10
URI:	https://rama.unimal.ac.id/id/eprint/16586

Actions (login required)

View Item