BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Penelitian tentang jaringan saraf tiruan (artificial neural networks) dengan menggunakan metode komputasi quantum sudah banyak dilakukan. Ide dasar dari metode ini ialah dengan menerapkan sifat sebuah atom pada mekanika quantum yang ditransformasikan kedalam bentuk quantum bit (qubit) pada komputasi quantum. Beberapa penelitian yang telah dilakukan antara lain untuk kompresi file gambar (Huifang & Mo. 2010), mesin penerjemah bahasa (Narayan, et al. 2013), memprediksi harga saham (Mahajan. 2010) dan klasifikasi data (Cao & Li. 2014; Li & Xiao. 2013; Li et al. 2013; Raković. 2005; Zhang et al. 2013). Dari hasil beberapa penelitian tersebut algoritma pembelajaran dan pengujian dapat diimplementasikan dengan baik.
Pada penelitian ini dipaparkan metode entangled neural networks yang merupakan salah satu bentuk dari jaringan saraf quantum (quantum neural networks) (Behrman et al. 2000; Garman. 2011; Shafee. 2004; Weigang. 2000.) dimana metode ini menggunakan entanglement sebagai sebuah fitur kunci sebagai bentuk superposisi dalam qubit yang digunakan untuk menginterpretasikan data. Dengan kata lain setiap qubit memiliki nilai yang berbeda – beda pada keadaan tertentu dalam suatu waktu sehingga pembentukan qubit yang sesuai dengan dataset yang diharapkan sangatlah sulit. Berdasarkan metode yang diusulkan oleh beberapa penelitian sebelumnnya (Yang. 2014; Zhang & Xie. 2013; Zhong & Yuan. 2013), untuk mengukur fitur kunci tersebut dapat digunakan sebuah pendekatan dari keadaan dari setiap qubit. Dari metode tersebut akan dilakukan analisis kecepatan konvergensi pada algoritma pembelajaran dengan beberapa data yang berbeda karena dari penelitian yang sudah dilakukan sebelumnya belum memberikan hasil yang signifikan pada algoritma pembelajaran. Dari hasil analisis ini diharapkan memberikan beberapa faktor yang mempengaruhi konvergensi pada algoritma pembelajaran dari metode entangled neural network.
2
1.2. Rumusan Masalah
Berdasarkan uraian latar belakang masalah sebelumnya, maka rumusan masalah yang dibahas dalam penelitian ini ialah pembentukan nilai qubit dan entanglement yang memiliki nilai yang berbeda – beda pada keadaan tertentu dalam suatu waktu sehingga mempengaruhi kecepatan konvergensi dalam algoritma pembelajaran.
1.3. Tujuan Penelitian
Menganalisis kecepatan konvergensi dalam algoritma pembelajaran pada metode entangled neural network.
1.4. Batasan Penelitian
Penelitian ini mempertimbangkan beberapa batasan masalah sebagai berikut : 1. Model jaringan saraf quantum menggunakan pendekatan entanglement 2. Algoritma pembelajaran yang diuji adalah algoritma perceptron
3. Data yang digunakan dalam pengujian berupa dataset dari UCI Machine learning repository yaitu dataset lenses dan balance scale.
1.5 Manfaat penelitian
Penelitian ini memberikan manfaat pada penggunaan jaringan saraf tiruan dalam pengenalan pola, klasifikasi data, peramalan dan beberapa kasus pada data mining maupun soft computing khususnya yang menggunakan konsep komputasi quantum.
