| dc.description.abstract | Penelitian ini mengimplementasikan dan mengevaluasi dua model Quantum Machine Learning untuk klasifikasi jet dari data tumbukan proton-proton 7 TeV, yaitu Variational Quantum Classifier (VQC) dan Quantum Support Vector Machine (QSVM), serta membandingkan kinerjanya pada simulasi ideal dan real quantum hardware. Data yang digunakan adalah multijet primary dataset CERN dengan 19.346 sampel data dan dua kelas jet, yang diproses melalui seleksi fitur, standarisasi, reduksi dimensi PCA tujuh komponen, dan normalisasi. VQC diuji dengan dua variasi optimizer gradient-free dan lima variasi ukuran training set, sedangkan QSVM mengadaptasi pendekatan metode boosted dengan algoritma SAMME untuk eksplorasi feature map secara adaptif. Pada simulasi ideal, VQC mencapai akurasi tertinggi 74,8% dan boosted QSVM mencapai 73,60%. Pada pengujian real quantum hardware IBM Quantum, VQC mengalami degradasi performa 23,4% pada backend (QPU) ibm_fez dan 24,2% pada ibm_marrakesh, sedangkan boosted QSVM tidak menunjukkan degradasi (0,0%) pada kedua backend karena dominasi estimator dengan arsitektur sirkuit dangkal. boosted QSVM mengungguli VQC pada kondisi simulasi maupun hardware, namun secara keseluruhan tidak ditemukan bukti quantum advantage pada penelitian ini, konsisten dengan keterbatasan fundamental perangkat NISQ. | |
