<![CDATA[Perkembangan deep learning mendorong pemanfaatannya untuk klasifikasi citra medis dalam analisis klinis. Data rekam medis yang sensitif menghalangi pengumpulan data terpusat sehingga Federated Learning (FL) menjadi solusi kolaboratif tanpa pemindahan data mentah. Namun, pertukaran parameter model dalam FL menimbulkan biaya komunikasi tinggi. Penelitian ini mengkaji Affine Quantization INT8 pada FL berbasis ResNet-18 menggunakan dataset citra lesi kulit PAD-UFES-20. Skenario baseline (FP32) dibandingkan dengan Affine Quantization (INT8) menggunakan distribusi IID stratified pada 5, 10, dan 15 klien. Evaluasi mencakup akurasi model global, biaya komunikasi berdasarkan jumlah ronde dan target akurasi, serta korelasi antara quantization error dan perubahan akurasi. Affine Quantization INT8 mereduksi biaya komunikasi sekitar 75% pada jumlah ronde yang sama, namun akurasi menurun 1,7%–3,9% seiring bertambahnya klien. Ketika target akurasi menjadi tolok ukur, skenario INT8 memerlukan biaya lebih tinggi akibat konvergensi lambat. Korelasi antara RMSE quantization error dan perubahan akurasi menunjukkan hubungan negatif lemah dan tidak konsisten. Efektivitas Affine Quantization INT8 bersifat kondisional: signifikan ketika jumlah ronde menjadi pembatas, namun tidak efisien ketika akurasi menjadi target evaluasi.]]>
Copyrights © 2026
