H-QGQS: Kerangka Kerja Hybrid QGNN–QSVM untuk Prediksi Kinerja Publikasi Universitas Berbasis Data Scientometrik

Lukman Anas (Program Doktor Sistem Informasi, Sekolah Pascasarjana Universitas Diponegoro, Semarang, Indonesia & Informatika, Universitas Muhammadiyah Makassar, Indonesia.)
Aghus Sofwan (Universitas Diponegoro, Semarang, Indonesia)
Iwan Setiawan (Informatika, Universitas Muhammadiyah Makassar, Makassar, Indonesia)

Buletin Sistem Informasi dan Teknologi Islam
Vol 7, No 3 (2026)

Evaluasi 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.