Perpustakaan Digital ITB

Regresi polinomial merupakan metode statistik yang digunakan untuk memodelkan hubungan non-linear. Meskipun efektif, metode ini menghadapi tantangan signifikan, salah satunya kompleksitas komputasi yang tinggi, terutama saat derajat polinomial dan jumlah variabel meningkat. Tugas akhir ini bertujuan mengimplementasikan regresi polinomial menggunakan pendekatan quantum annealing, sebuah metode optimasi berbasis prinsip mekanika kuantum yang mampu mencari solusi minimum global dari fungsi objektif secara efisien. Proses implementasi dimulai dengan memformulasikan regresi polinomial ke dalam bentuk Quadratic Unconstrained Binary Optimization (QUBO), kemudian menggunakan layanan Fixstar Amplify yang menyediakan quantum inspired processing unit untuk mensimulasikan proses quantum annealing. Evaluasi dilakukan dengan membandingkan performa model kuantum terhadap model klasik berbasis Scikit-learn, menggunakan matrix symmetric mean absolute percentage error pada berbagai dataset dari UCI machine learning repository dan Kaggle. Hasil menunjukkan selisih SMAPE antara metode klasik dan quantum annealing sebesar -4.981870 %. bahwa meskipun akurasi model quantum secara umum sedikit lebih rendah, secara teori metode ini memiliki keunggulan dari sisi efisiensi komputasi dalam skenario tertentu. Tugas akhir ini menunjukkan bahwa quantum annealing merupakan pendekatan menjanjikan untuk mengatasi kompleksitas regresi polinomial, khususnya pada dataset dengan feature yang banyak.