Analisis Konvergensi Pada Entangled Neural Network
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara