New Innovation: Predicting Anemia with the K-Medoids Method and Quantum Computing Using Manhattan Distance

Abstrak

Anemia adalah suatu kondisi medis yang ditandai dengan rendahnya jumlah sel darah merah atau kadar hemoglobin dalam darah, sehingga mengakibatkan penurunan kapasitas darah dalam mengangkut oksigen ke jaringan tubuh. Permasalahan yang menjadi fokus penelitian ini adalah mencari alternatif lain selain metode K-Medoids dalam komputasi kuantum untuk mendiagnosis anemia. Para peneliti mencoba menyempurnakan metode K-Medoids melalui pendekatan komputasi kuantum berdasarkan permasalahan sebelumnya yang belum menerapkan komputasi kuantum dalam penelitiannya. Penelitian ini bertujuan untuk meningkatkan kinerja metode K-Medoids dalam mengklasifikasikan data rekam medis anemia dengan memanfaatkan komputasi kuantum. Metode K-Medoids klasik memiliki keterbatasan dalam hal efisiensi dan akurasi ketika menangani kumpulan data yang kompleks. Dataset yang digunakan terdiri dari 5 atribut dan satu target yang bertujuan untuk memprediksi pola anemia. Pengujian dilakukan dengan membandingkan metode klasik K-Medoids dan pendekatan komputasi kuantum menggunakan perhitungan jarak Manhattan. Hasil penelitian menunjukkan bahwa integrasi framework komputasi kuantum dapat diterapkan pada metode K-Medoids dengan perhitungan jarak Manhattan. Simulasi yang dilakukan menunjukkan bahwa penerapan komputasi kuantum metode K-Medoids dengan perhitungan jarak Manhattan menghasilkan nilai akurasi yang sama yaitu 80%. Dari hasil penelitian tersebut, kinerja metode K-Medoids yang mengintegrasikan komputasi kuantum dapat digunakan secara efektif untuk pengelompokan data rekam medis anemia.