Perpustakaan Digital ITB

Quantum Convolutional Neural Network (QCNN) menunjukkan potensi besar untuk tugas klasifikasi citra, namun penerapannya terhambat oleh ketiadaan panduan sistematis untuk konfigurasi hyperparameter. Proses pemilihan yang sering kali bersifat trial-and-error menyebabkan kinerja model menjadi suboptimal dan tidak efisien. Penelitian ini mengatasi permasalahan tersebut dengan membangun sebuah kerangka kerja eksperimental untuk melakukan analisis sensitivitas hyperparameter QCNN secara komprehensif. Menggunakan metode constrained grid search, ribuan konfigurasi model dievaluasi pada dataset MNIST, Fashion-MNIST, dan CIFAR-10 dalam dua skenario: lingkungan noiseless dan lingkungan dengan model noise kuantum yang realistis. Hasil analisis menggunakan uji statistik non-parametrik menunjukkan bahwa hampir semua kategori hyperparameter yang diuji, termasuk optimizer, metode embedding, arsitektur ansatz, metode reduksi dimensionalitas, dan fungsi biaya, memiliki dampak yang signifikan secara statistik terhadap kinerja. Ditemukan bahwa pilihan optimizer dan metode embedding data adalah dua faktor paling krusial. Sebuah temuan kunci dari penelitian ini adalah bahwa pilihan hyperparameter secara aktif dan signifikan menentukan ketahanan model terhadap noise, mengungkap adanya trade-off yang jelas antara kinerja optimal dalam kondisi ideal dan ketahanan dalam kondisi noisy. Penelitian ini adalah sebuah panduan praktis berbasis bukti empiris yang dapat membantu peneliti memprioritaskan tuning untuk mencapai kinerja QCNN yang lebih efektif dan efisien.