Implementasi HYBRID Quantum-Classical Vision Transformer Untuk Pengenalan Pola Motif Batik Tulis Tradisional

Batik tulis tradisional Indonesia merupakan warisan budaya yang memiliki kompleksitas visual tinggi, sehingga pengenalan dan klasifikasi motifnya secara otomatis menjadi tantangan signifikan dalam bidang computer vision. Penelitian ini mengimplementasikan arsitektur Hybrid Quantum-Classical Vision Transformer yang mengintegrasikan Vision Transformer (ViT) sebagai ekstraktor fitur klasik dan Quantum Neural Network (QNN) berbasis Parameterized Quantum Circuit (PQC) sebagai pemroses fitur kuantum. Dataset yang digunakan adalah Indonesian Batik Motif Dataset dari Kaggle yang terdiri dari 111.685 citra dengan 111 kategori motif. Data dibagi dengan rasio 70:15:15 untuk tahap pelatihan, validasi, dan pengujian. Hasil evaluasi menunjukkan model mampu mencapai akurasi sebesar 95,04%, presisi 94,96%, recall 95,02%, dan F1-Score 94,20% pada data uji. Visualisasi confusion matrix memperlihatkan prediksi yang solid pada diagonal utama, meskipun terdapat kegagalan pada beberapa kelas spesifik akibat bottleneck dimensi pada lapisan kuantum. Model ini kemudian diimplementasikan ke dalam aplikasi web berbasis Flask bernama "Batik AI" yang memungkinkan pengguna mengunggah citra batik dan memperoleh hasil klasifikasi secara interaktif. Penelitian ini memberikan kontribusi dalam pengembangan metode klasifikasi citra motif batik menggunakan pendekatan komputasi kuantum-klasik hibrida.

Kata Kunci : batik,fine-grained classification, hybrid quantum-classical, quantum neural network, vision transformer.