<![CDATA[Penerapan Deep Learning untuk diagnosis otomatis aritmia jantung menghadapi kendala fundamental terkait privasi data pasien dan isolasi data medis antar-institusi (data silos). Federated Learning (FL) menawarkan solusi arsitektur yang memungkinkan pelatihan model secara kolaboratif tanpa pertukaran data mentah. Namun, tantangan utama muncul akibat heterogenitas data (Non-Independent and Identically Distributed/Non-IID) dan ketidakseimbangan kelas ekstrem pada sinyal Elektrokardiogram (EKG), yang sering kali menyebabkan degradasi kinerja model global. Penelitian ini bertujuan mengevaluasi efektivitas strategi agregasi FedProx dan FedCluster dalam menangani data EKG Non-IID yang diintervensi dengan teknik Local Random Over Sampling (ROS). Metodologi melibatkan simulasi FL pada sepuluh klien menggunakan arsitektur 1D-CNN dengan dataset gabungan MIT-BIH dan PTB-XL yang didistribusikan menggunakan partisi Dirichlet (α = 0,5). Hasil eksperimen menunjukkan bahwa FedCluster mengalami overfitting akibat amplifikasi derau statistik dari ROS (akurasi uji ~54%), sedangkan FedProx menunjukkan stabilitas superior (akurasi uji 66,21%) dengan kemampuan memulihkan sensitivitas deteksi penyakit langka Hypertrophy hingga 28,49%. Penelitian ini menyimpulkan bahwa integrasi FedProx dengan ROS merupakan pendekatan yang paling layak untuk menyeimbangkan privasi dan keselamatan pasien.]]>
Copyrights © 2026
