<![CDATA[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.]]>
Copyrights © 2025
