Perpustakaan Digital ITB

Penerapan algoritma kuantum dalam pemrosesan bahasa alami menawarkan solusi potensial terhadap tantangan efisiensi dan representasi semantik dalam klasifikasi sentimen. Tugas akhir ini mengusulkan pendekatan hibrida klasikal-quantum untuk klasifikasi sentimen tingkat kalimat dengan mengeksplorasi berbagai kombinasi strategi encoding dan desain sirkuit kuantum variasional. Strategi encoding meliputi representasi kalimat (BoW, TF-IDF, Word2Vec, FastText, MiniLM, MPNet), reduksi dimensi (PCA, UMAP), serta metode penyandian fitur ke dalam sirkuit kuantum (angle encoding dan pauli encoding) dan jumlah qubit yang digunakan. Di sisi sirkuit, tiga jenis ansatz diuji, berupa real amplitude, cosine interference, dan strongly entangling layers (SEL). Eksperimen dilakukan menggunakan dataset ulasan Amazon, dengan metrik akurasi dan waktu pelatihan sebagai evaluasi utama. Hasil menunjukkan bahwa kombinasi representasi MPNet, reduksi dimensi PCA, angle encoding, dan cosine interference ansatz memberikan performa dengan trade-off terbaik dengan rata-rata akurasi pengujian sebesar 86,5% dan waktu pelatihan efisien 277 detik. Temuan ini mengindikasikan bahwa desain sirkuit yang efisien tidak selalu bergantung pada kompleksitas struktur ansatz, dan bahwa konfigurasi encoding yang tepat dapat secara signifikan meningkatkan performa klasifikasi. Penelitian ini menegaskan potensi pendekatan hibrida klasikal-quantum dalam NLP, serta membuka arah baru untuk pengembangan pipeline QNLP yang lebih efisien dan akurat.