Analisis Quantum Perceptron Untuk Memprediksi Jumlah Pengunjung Ucok Kopi Pematangsiantar Pada Masa Pandemi Covid-19
DOI:
https://doi.org/10.26418/jp.v8i1.52191Keywords:
Analisis, Komputasi Quantum, Quantum perceptron, Prediksi PendahuluanAbstract
Quantum perceptron adalah merupakan metode jaringan saraf tiruan yang memadukan antara algoritma perceptron dengan komputasi quantum. Pada penelitian ini, peneliti melakukan analisis quantum perceptron untuk memprediksi jumlah pengunjung pada ucok kopi Pematangsiantar pada masa pandemi Covid-19. Dalam memprediksi jumlah pengunjung pada Ucok Kopi Pematangsiantar, peneliti menggunakan data pengunjung sebelumnya pada masa panedmi Covid-19. Variabel yang digunakan adalah 10 varibel dimulai dari x1 sampai dengan x10. Hasil dari penelitian ini adalah analisis quantum perceptron untuk memprediksi jumlah pengunjung ucok kopi Pematangsiantar.
References
N. Wiebe, A. Kapoor, and K. M. Svore, “Quantum perceptron models,†Adv. Neural Inf. Process. Syst., pp. 4006–4014, 2016.
W. Hastomo, A. S. B. Karno, N. Kalbuana, E. Nisfiani, and L. ETP, “Optimasi Deep Learning untuk Prediksi Saham di Masa Pandemi Covid-19,†JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 2, pp. 133–140, 2021.
H. Sarjono and I. Zulkifli, “Prediksi Jumlah Tamu Menginap di Hotel Karlita International, Tegal, Jawa Tengah,†Binus Bus. Rev., vol. 4, no. 2, pp. 661–675, 2013.
K. Khoirudin, D. Nurdiyah, and N. Wakhidah, “Prediksi Penerimaan Mahasiswa Baru Dengan Multi Layer Perceptron,†J. Pengemb. Rekayasa dan Teknol., vol. 14, no. 1, p. 1, 2019.
D. Kopczyk, “Quantum machine learning for data scientists,†2018.
E. P. Cynthia and E. Ismanto, “Eka Pandu Cynthia, 2) Edi Ismanto,†RABIT J. Teknol. dan Sist. Inf. Univrab, vol. 2, no. 2, pp. 83–98, 2017.
S. R. Suhartanto, C. Dewi, and L. Muflikhah, “Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak,†J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 7, pp. 555–562, 2017.
A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus Di Kota Bengkulu),†J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.
E. Teran, Z. Wang, and D. A. Jimenez, “Perceptron learning for reuse prediction,†Proc. Annu. Int. Symp. Microarchitecture, MICRO, vol. 2016-December, 2016.
A. P. R. Kusuma and S. Herawati, “Analisis Metode Perceptron Untuk Prediksi Kunjungan Wisatawan Mancanegara,†vol. 6, no. 2, pp. 85–90, 2017.
S. Sen, D. Sugiarto, and A. Rochman, “Komparasi Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM) dalam Peramalan Harga Beras,†Ultimatics, vol. XII, no. 1, p. 35, 2020.
N. Wiebe, A. Kapoor, and K. M. Svore, “Quantum perceptron models,†Adv. Neural Inf. Process. Syst., no. Nips, pp. 4006–4014, 2016.
L. M. Gultom, “Klasifikasi Data Dengan Quantum Perceptron,†Teknovasi, vol. 4, no. 1, pp. 1–9, 2017.
A. Daskin, “A Simple Quantum Neural Net with a Periodic Activation Function,†Proc. - 2018 IEEE Int. Conf. Syst. Man, Cybern. SMC 2018, pp. 2887–2891, 2019.
A. J. da Silva, T. B. Ludermir, and W. R. de Oliveira, “Quantum perceptron over a field and neural network architecture selection in a quantum computer,†Neural Networks, vol. 76, pp. 55–64, 2016.
E. Torrontegui and J. J. G. Ripoll, “Universal quantum perceptron as efficient unitary approximators,†2018.
