Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Laksana Wira Pratama, Evan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Kinerja Federated Learning dalam Mendeteksi Kekambuhan Laksana Wira Pratama, Evan; Ali Fauzi, M.; Andri Bakhtiar, Fariz
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kekambuhan kanker tiroid terdiferensiasi atau (Differentiated Thyroid Cancer/DTC) hingga saat ini tetap menjadi tantangan klinis yang signifikan. Deteksi dini kekambuhan DTC sangat penting agar pasien dapat segera mendapatkan penanganan yang tepat, sehingga kondisi tidak semakin parah. Namun, keterbatasan akses data medis privat menjadi hambatan bagi penelitian yang ingin mengembangkan machine learning, sehingga diperlukan metode pelatihan yang mendukung implementasi privasi-preserving seperti Federated Learning (FL). Penelitian ini menggunakan tiga model, yaitu ANN, Logistic Regression, dan XGBoost, yang diterapkan dengan FL untuk mendeteksi kekambuhan DTC. Simulasi dilakukan pada data Non-IID, sehingga pemilihan metode agregasi pada FL menjadi krusial. Hasil penelitian menunjukkan model ANN dengan FedProx memiliki performa terbaik dalam mengenali kelas positif (kambuh) dan kelas negatif (tidak kambuh), dengan nilai recall 0,91 dan spesifisitas 0,95. Model LR dengan FedProx memiliki kinerja serupa, tetapi sedikit lebih rendah dalam mendeteksi kelas positif dengan recall 0,88. Sementara itu, XGBoost dengan FedXgbCyclic tidak mampu mengatasi data Non-IID dan ketidakseimbangan kelas dengan baik, menghasilkan recall hanya 0,62. Temuan ini menunjukkan bahwa pada kondisi data Non-IID ekstrem, metode agregasi FedProx lebih unggul dibandingkan FedAvg pada ANN dan LR, serta FedXgbCyclic lebih baik dibandingkan FedXgbBagging pada model XGBoost.
Co-Authors Ali Fauzi, M. Andri Bakhtiar, Fariz