Perpustakaan Digital ITB

Quantum Convolutional Neural Network (QCNN) merupakan arsitektur yang menggabungkan keunggulan pemrosesan kuantum dengan konsep konvolusi dari deep learning. Namun, keterbatasan ukuran dataset dan kompleksitas pemrosesan kuantum seringkali menjadi kendala dalam mencapai kinerja optimal. Penelitian ini bertujuan untuk menganalisis efektivitas berbagai teknik augmentasi data dalam meningkatkan kinerja algoritma QCNN, baik pada model kuantum murni maupun model hybrid dengan pendekatan transfer learning dari CNN klasik. Teknik augmentasi yang digunakan terbagi menjadi tiga kategori utama: geometric transformation, photometric transformation, dan kombinasi keduanya. Geometric meliputi rotasi acak, flipping horizontal dan vertikal, serta affine transformation. Photometric mencakup variasi brightness, contrast, saturation, dan hue menggunakan color jitter. Masing-masing transformasi diuji dalam beberapa konfigurasi yang terpisah. Hasil eksperimen menunjukkan bahwa augmentasi memberikan dampak signifikan pada model full QCNN, khususnya ketika dikombinasikan dengan angle encoding. Teknik kombinasi geometric dan photometric C1 (perubahan rotasi, flip serta penyesuaian brightness dan contrast) menghasilkan peningkatan akurasi hingga 87.00%, dengan rata-rata improvement sebesar 27.27% dibandingkan baseline tanpa augmentasi. Sebaliknya, pada model hybrid QCNN, peningkatan kinerja paling signifikan dicapai oleh teknik photometric P3 (perubahan saturation dan hue), dengan akurasi maksimum 73.00% dan rata-rata improvement 12.93% saat menggunakan arsitektur ResNet18. Temuan ini memperkuat potensi augmentasi data sebagai strategi penting dalam pengembangan model QCNN yang lebih akurat.