Perpustakaan Digital ITB

Quantum computing (QC) menunjukkan potensi yang luar biasa dalam mempercepat pemrosesan data kompleks dengan memanfaatkan prinsip mekanika kuantum. Penerapan QC dalam bidang pembelajaran mesin yang dikenal sebagai quantum machine learning (QML) membuka peluang baru dalam pengembangan model prediktif berkapasitas tinggi. Salah satu pendekatan QML yang menjanjikan adalah quantum support vector classifier (QSVC). Dalam penerapan multidisiplin, QSVC menawarkan solusi untuk dapat mengklasifikasikan fenomena alam kompleks, seperti petir, terutama jenis cloud-to-ground (CG) yang sering dijumpai. Studi ini menunjukkan bahwa QSVC mampu mengolah data petir yang memiliki karakteristik besar dan nonlinear secara efisien. Model ini juga mampu memberikan akurasi dan stabilitas yang lebih tinggi dibandingkan model klasik SVC dengan nilai akurasi 0.85 dalam mengklasifikasikan polaritas petir CG meskipun pada saat ini, perangkat keras kuantum masih memiliki beberapa keterbatasan. Faktor-faktor utama dalam menentukan polaritas petir CG di Indonesia meliputi signal strength, multiplicity, chi square, ellipse semi minor, ellipse semi major, latitude, serta kelembapan relatif pada 2 meter (RH2M). Hasil penelitian ini mendemonstrasikan potensi QSVC dalam membangun sistem klasifikasi petir yang lebih presisi, memiliki potensi dalam menghemat biaya sensor, serta relevan untuk peningkatan sistem proteksi infrastruktur dan keselamatan manusia.