Eksplorasi Model Federated Learning Pada Tugas Klasifikasi Dan Deret Waktu Penyakit Demam Berdarah

Kusuma, Moch Farrel Arrizal (2023) Eksplorasi Model Federated Learning Pada Tugas Klasifikasi Dan Deret Waktu Penyakit Demam Berdarah. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6026231021-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB)

Abstract

Federated Learning (FL) telah muncul sebagai pendekatan revolusioner dalam bidang machine learning, memungkinkan pelatihan model pada perangkat klien yang tersebar dengan mengutamakan perlindungan privasi data pengguna yang sangat tinggi. Pembelajaran terdesentralisasi menjadi opsi pembuatan model kolaboratif untuk meningkatkan performa model tanpa perlu membagikan data mentah pasien secara bebas. Dalam dunia kesehatan, kasus kesalahan diagnosa masih sering didapati dan percepatan deteksi dini penyakit menjadi salah satu langkah yang penting untuk mendapatkan perawatan dan diagnosa yang lebih efektif demi mencegah komplikasi penyakit akibat kesalahan diagnosa. Penelitian ini bertujuan untuk menerapkan pendekatan FL untuk melakukan klasifikasi multi kelas penyakit dengue dengan menggunakan data rekam medis pasien serta memprediksi jumlah penyakit dengue untuk mempersiapkan segala kebutuhan medis demi pelayanan kesehatan yang prima dengan menggunakan lebih dari satu sumber penelitian untuk mendapatkan performa model global yang lebih baik. Penelitian tesis ini sudah berhasil mengembangkan pengembangan model kolaboratif dimana antara pusat pelatihan dan partisipan sudah tidak lagi membagikan datanya untuk digunakan sebagai model machine learning. Adaptive federated menunjukkan hasil yang lebih baik bila dibandingkan dengan algoritma aggregasi sederhana yaitu federated average.
==============================================================================================
Federated Learning (FL) has emerged as a revolutionary approach in the field of machine learning, enabling the training of models on decentralized client devices while prioritizing the protection of user data privacy. This decentralized learning approach offers a collaborative model-building option to enhance model performance without the need for sharing raw patient data openly. In the healthcare domain, misdiagnosis cases are still prevalent, and the acceleration of early disease detection is crucial for obtaining more effective treatment and diagnosis, thereby preventing complications resulting from misdiagnoses. This research aims to apply the FL approach to classify multiple classes of dengue fever using patient medical records and to predict the number of dengue cases in order to prepare medical resources for optimal healthcare services. This thesis has successfully developed a collaborative model wherein data sharing between the central training hub and participants is no longer necessary for machine learning model development. The adaptive federated learning method has shown better results compared to simple aggregation algorithms such as federated averaging.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Federated Learning, Classification, Forecasting, Dengue, Data Privasi
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 59101-(S2) Master Thesis
Depositing User:	Moch. Farrel Arrizal Kusuma
Date Deposited:	08 Aug 2024 02:31
Last Modified:	08 Aug 2024 02:31
URI:	http://repository.its.ac.id/id/eprint/113949

Actions (login required)

View Item