Analisis Efektivitas CNN, QCNN, dan Hybrid QCNN dalam Klasifikasi Jenis Kutu Putih Pada Buah Naga

Abstract

Penelitian ini bertujuan menganalisis efektivitas model Convolutional Neural Network (CNN), Quantum Convolutional Neural Network (QCNN), dan Hybrid Quantum Convolutional Neural Network (Hybrid QCNN) dalam mengklasifikasikan empat jenis kutu putih pada buah naga. Dataset awal terdiri atas 80 citra yang kemudian ditingkatkan jumlahnya melalui augmentasi data sebanyak 20 kali sehingga diperoleh 1.572 citra. Data dibagi menjadi data pelatihan, validasi, dan pengujian dengan rasio 80:10:10. Hasil penelitian menunjukkan bahwa model CNN memberikan performa terbaik dengan akurasi 98,73%, presisi 98,75%, recall 98,75%, dan F1-score 98,73%. hybrid QCNN memperoleh akurasi 96,20%, presisi 96,37%, recall 96,25%, dan F1-score 96,22%. Sementara itu, QCNN hanya mencapai akurasi 50,00%, presisi 51,53%, recall 50,03%, dan F1-score 48,27%. Hasil tersebut menunjukkan bahwa MobileNetV2 merupakan model yang paling efektif untuk klasifikasi jenis kutu putih pada buah naga, sedangkan integrasi komputasi klasik dan kuantum pada hybrid QCNN mampu meningkatkan performa secara signifikan dibandingkan QCNN murni.