Perpustakaan Digital ITB

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.