IMPLEMENTASI MODEL QUANTUM INSPIRED SUPPORT VECTOR MACHINE UNTUK DETEKSI ANOMALI LALU LINTAS JARINGAN 5G BERBASIS MACHINE LEARNING

Abstract

Penelitian ini mengusulkan dan mengimplementasikan model Quantum-Inspired Support Vector Machine (QSVM) untuk mendeteksi anomali pada lalu lintas jaringan 5G. Tujuan utama adalah membandingkan kinerja QSVM (menggunakan QSVC dengan ZZFeatureMap sebagai quantum kernel) dengan SVM klasik (SVC RBF, versi berbobot) pada dataset lalu lintas 5G yang telah dipraproses dan diseimbangkan sebagian. Metode meliputi pra-pemrosesan fitur (scaling, encoding, penanganan ketidakseimbangan), pembentukan quantum feature map, pelatihan model hibrida quantum-classical di simulator, serta evaluasi dengan metrik precision, recall, F1-score, ROC-AUC, dan waktu inferensi. Pada hasil eksperimen menunjukkan QSVC mampu mempertahankan akurasi global yang relatif tinggi (akurasi ≈ 0.776) namun gagal mendeteksi kelas anomali pada konfigurasi eksperimen tertentu (recall anomali ≈ 0), sehingga metrik akurasi global menyesatkan untuk tugas deteksi anomali yang tidak seimbang. Sebaliknya, SVC klasik berbobot menunjukkan kemampuan deteksi anomali yang lebih baik (precision ≈ 0.2625; recall ≈ 0.5250; F1 ≈ 0.35) meski mengorbankan peningkatan false positive pada kelas normal. Pada temuan ini menegaskan pentingnya fokus pada metrik kelas minoritas, desain feature map kuantum yang lebih sensitif terhadap anomali, serta strategi penanganan ketidakseimbangan (oversampling / penyesuaian bobot). Rekomendasi penelitian lanjutan mencakup pengujian sensitivity pada parameter feature map, serta validasi pada backend NISQ nyata, dan integrasi teknik interpretabilitas untuk meningkatkan kegunaan operasional sistem deteksi.