Analisis Bibliometrik Terhadap Tren dan Pertumbuhan Penelitian Quantum Machine Learning
DOI:
https://doi.org/10.25077/TEKNOSI.v11i3.2025.361-368Kata Kunci:
Quantum, Machine learning, bibliometrikAbstrak
Penelitian ini bertujuan untuk menganalisis tren serta perkembangan penelitian dalam bidang Quantum Machine Learning (QML) melalui pendekatan bibliometrik. QML merupakan turunan bidang ilmu dari Machine Learning (ML) yang mengintegrasikan ebberapa prinsip dasar mekanika kuantum seperti superposisi dan entanglement yang memungkinkan komputasi yang lebih kompleks. Dibalik potensinya yang besar, jumlha publikasi ilmiah pada bidang ini masih relative terbatas dibandingkan dengan topik lain yang sering digunakan seperti Artificial Intelligence (AI). Maka dari itu, analisis serta pemetaan yang sistematis melalui pendekatan bibliometrik sangat diperlukan untuk membantu para peneliti untuk mengembangkan penelitian pada topik QML ini. data dikumpulkan dengan menggunakan software publish or perish dengan menggunakan database scopus pada periode 2013-2023 atau rentang 10 tahun terakhir. Didapatkan 200 dokumen yang berupa artikel ilmiah dan konfrensi. Analisis dilakukan terhadap berbagai parameter seperti tren jumlah publikasi dari tahun ke tahun, produktivitas penulis dalam mengembangkan penelitian pada bidang ini, jurnal dengan frekuensi publikasi tertinggi, serta keterikatan kata kunci pada QML. Data yang dianalisis serta divisualisasikan menggunakan Microsoft Excell dan VOSviewer. Hasil penelitian menunjukan hasil yang membantu para peneliti seperti peningkatan publikasi pada rentang tahun 2017-2020, penulis paling produktif pada topik QML adalah M.schuld 6 jurnal ilmiah yang sudah dipublikasikan. Keterikatan kata kunci yang sangat erat dengan QML yakni quantum computing dan deep learning. Serta frekuensi tempat publikasi jurnal ilmiah terbanyak pada topik ini pada Nature Communications. Temuan ini diharapkan dapat menajdi rujuan serta acuan bagi para peneliti untuk yang akan meneliti pada bidang QMLReferensi
R. S. Gupta, C. E. Wood, T. Engstrom, J. D. Pole, and S. Shrapnel, “A systematic review of Quantum Machine Learningfor digital health,” NPJ Digit Med, vol. 8, no. 1, Dec. 2025, doi: 10.1038/s41746-025-01597-z.
M. Doosti, P. Wallden, C. B. Hamill, R. Hankache, O. T. Brown, and C. Heunen, “A Brief Review of Quantum Machine Learningfor Financial Services,” Jul. 2024, [Online]. Available: http://arxiv.org/abs/2407.12618
M. Schuld and N. Killoran, “Is Quantum Advantage the Right Goal for Quantum Machine Learning?,” Jul. 01, 2022, American Physical Society. doi: 10.1103/PRXQuantum.3.030101.
A. A. Ahmadi Kia, A. Shirzad, and A. M. Saghiri, “A Bibliometrik Analysis of Quantum Machine LearningResearch.”
T. Ichikawa, “Bibliometrik analysis of topic structure in quantum computation and quantum algorithm research,” Jan. 2022, [Online]. Available: http://arxiv.org/abs/2201.01911
D. P. García, J. Cruz-Benito, and F. J. García-Peñalvo, “Systematic Literature Review: Quantum Machine Learningand its applications,” Dec. 2023, [Online]. Available: http://arxiv.org/abs/2201.04093
R. Bansal and N. K. Rajput, “Quantum Machine Learning: Unveiling Trends, Impacts through Bibliometrik Analysis,” Apr. 2025, [Online]. Available: http://arxiv.org/abs/2504.07726
M. Ramezani, S. A. Zargar, A. Bahrampour, S. B. Shouraki, and A. Bahrampour, “Parallel Data Processing in Quantum Machine Learning,” Aug. 2025, [Online]. Available: http://arxiv.org/abs/2508.12006
A. Bayerstadler et al., “Industry quantum computing applications,” EPJ Quantum Technol, vol. 8, no. 1, Dec. 2021, doi: 10.1140/epjqt/s40507-021-00114-x.
H. Y. Huang et al., “Power of data in quantum Machine Learning,” Nat Commun, vol. 12, no. 1, Dec. 2021, doi: 10.1038/s41467-021-22539-9.
T. N. Pandey, V. Ravalekar, S. D. Nair, and S. K. Pradhan, “A comparative analysis of classical Machine Learning models with quantum-inspired models for predicting world surface temperature,” Sci Rep, vol. 15, no. 1, Aug. 2025, doi: 10.1038/s41598-025-12515-4.
N. Schetakis et al., “Quantum neural networks with data re-uploading for urban traffic time series forecasting,” Sci Rep, vol. 15, no. 1, Dec. 2025, doi: 10.1038/s41598-025-04546-8.
S. Wu, Y. Zhang, and J. Li, “Quantum data parallelism in quantum neural networks,” Phys Rev Res, vol. 7, no. 1, Jan. 2025, doi: 10.1103/PhysRevResearch.7.013177.
S. H. Sack and D. J. Egger, “Large-scale quantum approximate optimization on nonplanar graphs with Machine Learning noise mitigation,” Phys Rev Res, vol. 6, no. 1, Jan. 2024, doi: 10.1103/PhysRevResearch.6.013223.
X. Wang, Y. Du, Z. Tu, Y. Luo, X. Yuan, and D. Tao, “Transition role of entangled data in quantum Machine Learning,” Nat Commun, vol. 15, no. 1, Dec. 2024, doi: 10.1038/s41467-024-47983-1.
M. Ramezani, S. A. Zargar, A. Bahrampour, S. B. Shouraki, and A. Bahrampour, “Parallel Data Processing in Quantum Machine Learning,” Aug. 2025, [Online]. Available: http://arxiv.org/abs/2508.12006
T. Haug, C. N. Self, and M. S. Kim, “Quantum Machine Learningof large datasets using randomized measurements,” Dec. 2022, doi: 10.1088/2632-2153/acb0b4.
D. Ranga, A. Rana, S. Prajapat, P. Kumar, K. Kumar, and A. V. Vasilakos, “Quantum Machine Learning: Exploring the Role of Data Encoding Techniques, Challenges, and Future Directions,” Nov. 01, 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/math12213318.
X. B. Nguyen, H. Q. Nguyen, H. Churchill, S. U. Khan, and K. Luu, “Quantum visual feature encoding revisited,” Quantum Mach Intell, vol. 6, no. 2, Dec. 2024, doi: 10.1007/s42484-024-00192-x.
D. Ranga, A. Rana, S. Prajapat, P. Kumar, K. Kumar, and A. V. Vasilakos, “Quantum Machine Learning: Exploring the Role of Data Encoding Techniques, Challenges, and Future Directions,” Nov. 01, 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/math12213318.
R. M. Devadas and S. T, “Quantum Machine Learning: A comprehensive review of integrating AI with quantum computing for computational advancements,” Jun. 01, 2025, Elsevier B.V. doi: 10.1016/j.mex.2025.103318.
M. Cerezo, G. Verdon, H.-Y. Huang, L. Cincio, and P. J. Coles, “Challenges and Opportunities in Quantum Machine Learning,” Mar. 2023, doi: 10.1038/s43588-022-00311-3.
K. Zaman, A. Marchisio, M. A. Hanif, and M. Shafique, “A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead,” Jun. 2025, [Online]. Available: http://arxiv.org/abs/2310.10315
M. Schuld and N. Killoran, “Quantum Machine Learningin feature Hilbert spaces,” Mar. 2018, doi: 10.1103/PhysRevLett.122.040504.
M. Schuld, R. Sweke, and J. J. Meyer, “The effect of data encoding on the expressive power of variational Quantum Machine Learningmodels,” Mar. 2021, doi: 10.1103/PhysRevA.103.032430.
M. Schuld, A. Bocharov, K. Svore, and N. Wiebe, “Circuit-centric quantum classifiers,” Apr. 2018, doi: 10.1103/PhysRevA.101.032308.
M. Schuld, V. Bergholm, C. Gogolin, J. Izaac, and N. Killoran, “Evaluating analytic gradients on quantum hardware,” Nov. 2018, doi: 10.1103/PhysRevA.99.032331.
M. Schuld, I. Sinayskiy, and F. Petruccione, “An introduction to quantum Machine Learning,” Sep. 2014, doi: 10.1080/00107514.2014.964942.
M. Schuld, I. Sinayskiy, and F. Petruccione, “Prediction by linear regression on a quantum computer,” Aug. 2016, doi: 10.1103/PhysRevA.94.022342.
J. Behler, “Hochdimensionale neuronale Netze für Potentialhyperflächen großer molekularer und kondensierter Systeme,” Angewandte Chemie, vol. 129, no. 42, pp. 13006–13020, Oct. 2017, doi: 10.1002/ange.201703114.
K. T. Schütt, F. Arbabzadah, S. Chmiela, K. R. Müller, and A. Tkatchenko, “Quantum-Chemical Insights from Deep Tensor Neural Networks,” Nov. 2016, doi: 10.1038/ncomms13890.
K. T. Schütt, M. Gastegger, A. Tkatchenko, K.-R. Müller, and R. J. Maurer, “Unifying Machine Learning and quantum chemistry -- a deep neural network for molecular wavefunctions,” Jun. 2019, [Online]. Available: http://arxiv.org/abs/1906.10033
K. T. Schütt, H. E. Sauceda, P.-J. Kindermans, A. Tkatchenko, and K.-R. Müller, “SchNet - a deep learning architecture for molecules and materials,” Mar. 2018, doi: 10.1063/1.5019779.
G. Pilania, J. E. Gubernatis, and T. Lookman, “Multi-fidelity Machine Learning models for accurate bandgap predictions of solids,” Comput Mater Sci, vol. 129, pp. 156–163, Mar. 2017, doi: 10.1016/j.commatsci.2016.12.004.
J. Behler, “Perspective: Machine Learning potentials for atomistic simulations,” Journal of Chemical Physics, vol. 145, no. 17, Nov. 2016, doi: 10.1063/1.4966192.
J. Behler, “Constructing high-dimensional neural network potentials: A tutorial review,” in International Journal of Quantum Chemistry, John Wiley and Sons Inc, Aug. 2015, pp. 1032–1050. doi: 10.1002/qua.24890.
Y. Zhang et al., “DP-GEN: A concurrent learning platform for the generation of reliable deep learning based potential energy models,” Oct. 2019, doi: 10.1016/j.cpc.2020.107206.
Y. Zhang, C. Hu, and B. Jiang, “Embedded Atom Neural Network Potentials: Efficient and Accurate Machine Learning with a Physically Inspired Representation.”
G. Pilania, A. Mannodi-Kanakkithodi, B. P. Uberuaga, R. Ramprasad, J. E. Gubernatis, and T. Lookman, “Machine Learning bandgaps of double perovskites,” Sci Rep, vol. 6, Jan. 2016, doi: 10.1038/srep19375.
G. Pilania, C. Wang, X. Jiang, S. Rajasekaran, and R. Ramprasad, “Accelerating materials property predictions using Machine Learning,” Sci Rep, vol. 3, 2013, doi: 10.1038/srep02810.
Y. Zhang and E.-A. Kim, “Quantum Loop Topography for Machine Learning,” Feb. 2017, doi: 10.1103/PhysRevLett.118.216401.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 