IMPLEMENTASI TEORI QUANTUM MENGGUNAKAN K-NEAREST NEIGHBOR (KNN) PADA DATA COMPOUND FACIAL EXPRESSION

WIJAYA, DANIEL FEBRIAN EKA (2025) IMPLEMENTASI TEORI QUANTUM MENGGUNAKAN K-NEAREST NEIGHBOR (KNN) PADA DATA COMPOUND FACIAL EXPRESSION. Other thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123200120_Daniel Febrian Eka Wijaya.pdf Download (303kB)
	Text 3_Abstrak_123200120_Daniel Febrian Eka Wijaya.pdf Download (443kB)
	Text 4_Halaman Pengesahan_123200120_Daniel Febrian Eka Wijaya.pdf Download (593kB)
	Text 5_Daftar Isi_123200120_Daniel Febrian Eka Wijaya.pdf Download (255kB)
	Text 6_Daftar Pustaka_123200120_Daniel Febrian Eka Wijaya.pdf Download (245kB)
	Text 1_Skripsi full_123200120_Daniel Febrian Eka Wijaya.pdf Restricted to Repository staff only Download (2MB)

Abstract

Penelitian ini membahas implementasi algoritma Hybrid Quantum K-Nearest Neighbor
(QKNN) dalam klasifikasi ekspresi wajah berbasis data Real World Affective Database (RAF
DB), khususnya pada kategori ekspresi compound. Permasalahan utama yang diangkat dalam
penelitian ini adalah bagaimana pengaruh algoritma Hybrid QKNN terhadap waktu pelatihan dan
bagaimana perbedaannya dibandingkan dengan model K-Nearest Neighbor (KNN) klasik dalam
klasifikasi ekspresi compound. Penelitian ini bertujuan untuk mengevaluasi potensi peningkatan
akurasi yang dapat diperoleh dari pendekatan kuantum serta menganalisis efisiensi waktu
eksekusinya dibandingkan dengan model klasik.
Metode penelitian yang digunakan dalam penelitian ini mencakup beberapa tahap utama,
yaitu identifikasi masalah, studi literatur, pengumpulan data, pemrosesan data, pelatihan model,
pengujian model, analisis hasil, serta deployment sistem. Data yang digunakan terdiri dari ekspresi
compound dalam RAF-DB dengan total 3954 data, yang diklasifikasikan ke dalam 11 kelas emosi
berbeda. Tahapan pemrosesan data meliputi pembersihan data, normalisasi, serta konversi fitur
sebelum digunakan dalam pelatihan model. Model dikembangkan menggunakan pendekatan
pembelajaran mesin dengan skema pembagian data latih dan uji. Evaluasi model dilakukan
berdasarkan metrik akurasi serta waktu eksekusi, dengan metode validasi silang untuk memastikan
generalisasi model. Dalam pengembangan sistem, digunakan metode waterfall, yang mencakup
analisis kebutuhan, desain sistem, implementasi, pengujian dengan black box testing, serta
deployment.
Hasil penelitian menunjukkan bahwa model Hybrid QKNN secara umum memberikan
akurasi yang lebih tinggi dibandingkan dengan model KNN klasik dalam berbagai konfigurasi
parameter. Akurasi tertinggi pada model klasik ditemukan pada k=5 dengan metrik Manhattan
distance, mencapai 44,54%, sedangkan pada model kuantum, akurasi tertinggi mencapai 51,41%
dengan parameter k=9 menggunakan metrik yang sama. Dari segi waktu eksekusi, model kuantum
memiliki waktu komputasi yang sedikit lebih tinggi dibandingkan dengan model klasik pada
beberapa konfigurasi, namun perbedaan ini masih dalam batas yang dapat diterima. Pengujian
sistem menggunakan metode black box testing menunjukkan bahwa sistem yang dikembangkan
mampu mengolah dan mengklasifikasikan data ekspresi dengan baik sesuai dengan kebutuhan
analisis emosi. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan kuantum pada
algoritma KNN memiliki potensi yang signifikan dalam meningkatkan akurasi klasifikasi ekspresi
wajah tanpa mengorbankan efisiensi waktu secara drastis.
Kata Kunci: Quantum K-Nearest Neighbor, Klasifikasi Ekspresi, Pembelajaran Mesin,
Quantum Machine Learning, Ekspresi Compound.

Item Type:	Thesis (Other)
Additional Information:	DANIEL FEBRIAN EKA WIJAYA (Penulis-123200120) ; Mangaras Yanu Florestiyanto (Pembimbing)
Uncontrolled Keywords:	Quantum K-Nearest Neighbor, Klasifikasi Ekspresi, Pembelajaran Mesin, Quantum Machine Learning, Ekspresi Compound.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	02 Jun 2025 02:38
Last Modified:	03 Jun 2025 06:30
URI:	http://eprints.upnyk.ac.id/id/eprint/42648

Actions (login required)

View Item