H-QGQS: Kerangka Kerja Hybrid QGNN–QSVM untuk Prediksi Kinerja Publikasi Universitas Berbasis Data Scientometrik
Lukman Anas(1*); Aghus Sofwan(2); Iwan Setiawan(3);
(1) Program Doktor Sistem Informasi, Sekolah Pascasarjana Universitas Diponegoro, Semarang, Indonesia & Informatika, Universitas Muhammadiyah Makassar, Indonesia.
(2) Universitas Diponegoro, Semarang, Indonesia
(3) Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia
(*) Corresponding Author
AbstractEvaluasi kinerja publikasi universitas berbasis indikator scientometrik menghadapi tantangan karena data bersifat relasional, heterogen, dan nonlinier. Penelitian ini mengusulkan H-QGQS, kerangka hibrida yang mengintegrasikan Quantum Graph Neural Network (QGNN) dan Quantum Support Vector Machine (QSVM) untuk mengklasifikasikan kinerja publikasi universitas ke dalam kategori rendah, sedang, dan tinggi. Evaluasi dilakukan pada 3.818 rekaman dengan skenario eksperimen dari pendekatan klasik hingga berbasis kuantum. Hasil menunjukkan bahwa SVM (S-1) mencapai akurasi 0,92, sedangkan H-QGQS (S-3) memperoleh akurasi 0,73. Meskipun akurasi SVM lebih tinggi, H-QGQS menunjukkan potensi dalam merepresentasikan hubungan scientometrik yang kompleks dan mengidentifikasi universitas berkinerja tinggi. Temuan ini menegaskan peluang pemanfaatan quantum-enhanced graph learning untuk pemodelan scientometrik, meskipun masih diperlukan peningkatan pada arsitektur, fitur, efisiensi komputasi, dan skalabilitas model.
KeywordsH-QGQS; QGNN; QSVM; Scientometrik; Publikasi
|
Full Text:PDF |
Article MetricsAbstract view: 34 timesPDF view: 5 times |
Digital Object Identifier https://doi.org/10.33096/busiti.v7i3.3786
|
Cite |
References
F. Mayta-Tovalino et al. , “Evaluasi saintometrik tren dan karakteristik global penelitian yang dipublikasikan tentang kesehatan masyarakat kerja,” Heliyon , vol. 8, no. 12, hal. e12165, 2022, doi: 10.1016/j.heliyon.2022.e12165.
N. Scelles dan JA Teixeira da Silva, “Membuat dampak publikasi dalam suatu bidang sebanding dengan meningkatkan dampak sitasi tertimbang bidang (FWCI): kasus manajemen olahraga,” Scientometrics , vol. 130, no. 3, hlm. 1571–1586, 2025, doi: 10.1007/s11192-025-05268-4.
F. Emmert-Streib, S. Tripathi, A. Farea, dan O. Yli-Harja, “Analisis Saintometrik Lanjutan Pembelajaran Mesin Ilmiah dan PINN: Pemodelan Topik dan Analisis Tren,” IEEE Access , vol. 12, no. Agustus, hlm. 153253–153272, 2024, doi: 10.1109/ACCESS.2024.3481671.
M. Daradkeh, L. Abualigah, S. Atalla, dan W. Mansoor, “Analisis dan Klasifikasi Penelitian Saintometrik Menggunakan Jaringan Saraf Konvolusional: Studi Kasus dalam Ilmu Data dan Analitik,” Electron. , vol. 11, no. 13, 2022, doi: 10.3390/electronics11132066.
P. Lamichhane dan DB Rawat, “Pembelajaran Mesin Kuantum: Kemajuan, Tantangan, dan Perspektif Terkini,” IEEE Access , vol. 13, hlm. 94057–94105, 2025, doi: 10.1109/ACCESS.2025.3573244.
F. Rodríguez-Díaz, D. Gutiérrez-Avilés, A. Troncoso, dan F. Martínez-Álvarez, “Survei Pembelajaran Mesin Kuantum: Landasan, Algoritma, Kerangka Kerja, Data dan Aplikasi,” ACM Comput. Bertahan. , jilid. 58, tidak. 4, hlm. 1–35, 2026, doi: 10.1145/3764582.
D. Ranga, A. Rana, S. Prajapat, P. Kumar, K. Kumar, dan AV Vasilakos, “Pembelajaran Mesin Kuantum: Menjelajahi Peran Teknik Pengkodean Data, Tantangan, dan Arah Masa Depan,” Matematika , vol. 12, no. 21, hlm. 1–32, 2024, doi: 10.3390/math12213318.
L. Anas, A. Sofwan, dan I. Setiawan, “Model Identifikasi Peneliti Berbakat Berdasarkan Indikator Saintometrik dengan Pendekatan Pembelajaran Mesin Kuantum (QML) BT - Prosiding Analisis dan Manajemen Data,” A. Swaroop, B. Virdee, SD Correia, dan Z. Polkowski, Eds., Cham: Springer Nature Switzerland, 2025, hlm. 340–350. doi: 10.1007/978-3-032-03072-6_27.
M. Faisal et al., “Utilizing Machine Learning-Based Decision-Making to Align Higher Education Curriculum with Industry Requirements,” Int. J. Mod. Educ. Comput. Sci., vol. 17, no. 4, pp. 1–25, Aug. 2025, doi: 10.5815/ijmecs.2025.04.01.
S. Piperno, A. Ceschini, SY Chang, M. Grossi, S. Vallecorsa, dan M. Panella, “Studi tentang jaringan saraf grafik kuantum yang diterapkan pada fisika molekuler,” Phys. Scr. , vol. 100, no. 6, 2025, doi: 10.1088/1402-4896/add8e9.
N. Donthu, S. Kumar, D. Mukherjee, N. Pandey, dan WM Lim, “Cara melakukan analisis bibliometrik: Tinjauan umum dan pedoman,” J. Bus. Res. , vol. 133, no. Maret, hlm. 285–296, 2021, doi: 10.1016/j.jbusres.2021.04.070.
R. Kumar, “Analisis Bibliometrik: Wawasan Komprehensif tentang Alat, Teknik, Aplikasi, dan Solusi untuk Keunggulan Penelitian,” Spectr. Eng. Manag. Sci. , vol. 3, no. 1, hlm. 45–62, 2025, doi: 10.31181/sems31202535k.
M. Faisal et al., “Assessing AI-Driven Personalization in Smart Cities Using Hybrid Machine Learning and MCDM Approach,” HighTech Innov. J., vol. 6, no. 3, pp. 770–792, Sep. 2025, doi: 10.28991/HIJ-2025-06-03-03
YA Alohali, MS Fayed, T. Mesallam, Y. Abdelsamad, F. Almuhawas, dan A. Hagr, “Model Pembelajaran Mesin untuk Memprediksi Jumlah Sitasi Makalah Ilmiah di Bidang Otologi,” Biomed Res. Int. , vol. 2022, 2022, doi: 10.1155/2022/2239152.
VM Venkatappa dan . Venkateshappa, “Jaringan Neural Konvolusi Kuantum Baru untuk Aplikasi Klasifikasi Gambar,” Eng. Technol. Appl. Sci. Res. , vol. 15, no. 5, hlm. 27046–27051, 2025, doi: 10.48084/etasr.12416.
C. García-Villar dan JM García-Santos, “Indikator bibliometrik untuk mengevaluasi aktivitas ilmiah,” Radiol. (Edisi Bahasa Inggris , vol. 63, no. 3, hlm. 228–235, 2021, doi: https://doi.org/10.1016/j.rxeng.2021.01.002.
J. Zhou dkk. , “Jaringan saraf graf: Tinjauan metode dan aplikasi,” AI Open , vol. 1, no. Desember 2020, hlm. 57–81, 2020, doi: 10.1016/j.aiopen.2021.01.001.
XM Zhang, L. Liang, L. Liu, dan MJ Tang, “Jaringan Neural Graf dan Aplikasi Terkininya dalam Bioinformatika,” Front. Genet. , vol. 12, no. Juli, hlm. 1–22, 2021, doi: 10.3389/fgene.2021.690049.
L. Xu, XY Zhang, M. Li, dan SQ Shen, “Mesin vektor pendukung kuantum untuk klasifikasi multi,” Commun. Theor. Phys. , vol. 76, no. 7, hlm. 1–8, 2024, doi: 10.1088/1572-9494/ad48fc.
D. Alaminos, MB Salas, dan MA Fernández-Gámez, “Metode Komputasi Kuantum dan Pembelajaran Mendalam untuk Peramalan Pertumbuhan PDB,” Comput. Econ. , vol. 59, no. 2, hlm. 803–829, 2022, doi: 10.1007/s10614-021-10110-z.
T. Hoang, “GNN: Graph Neural Network and Large Language Model for Data Discovery,” hlm. 1–7, 2024, doi: 10.48550/arXiv.2408.13609.
B. Khemani, S. Patil, K. Kotecha, dan S. Tanwar, “Tinjauan jaringan saraf graf: konsep, arsitektur, teknik, tantangan, kumpulan data, aplikasi, dan arah masa depan,” J. Big Data , vol. 11, no. 1, 2024, doi: 10.1186/s40537-023-00876-4.
H. Salloum, A. Salloum, M. Mazzara, and S. Zykov, “Quantum Annealing in Machine Learning: QBoost on D-Wave Quantum Annealer,” Procedia Comput. Sci., vol. 246, no. C, pp. 3285–3293, 2024, doi: 10.1016/j.procs.2024.09.311.
C. Zhang, “Multi-phase and multi-scale engine wear modeling via quantum chemical molecular dynamics and machine learning: A theoretical framework,” Wear, vol. 571, p. 205771, Jun. 2025, doi: 10.1016/j.wear.2025.205771.
T. Yin, “Mesin vektor pendukung kuantum: teori dan aplikasi,” dalam Prosiding Lokakarya CONF-MPCS 2024 , 2024, hlm. 34–42. doi: 10.54254/2753-8818/51/2024CH0158.
D. Sharma, VB Sabale, P. Singh, dan A. Kumar, “Memanfaatkan mesin vektor pendukung kuantum untuk klasifikasi lintas domain keadaan kuantum,” Quantum Mach. Intell. , vol. 7, no. 1, hlm. 1–9, 2025, doi: 10.1007/s42484-025-00274-4.
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Buletin Sistem Informasi dan Teknologi Islam (BUSITI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.