Implementasi Segmented CKKS Homomorphic Encryption pada Federated Learning dengan Model ResNet22 untuk Klasifikasi Kanker Payudara

Irawan, Chyntia (2026) Implementasi Segmented CKKS Homomorphic Encryption pada Federated Learning dengan Model ResNet22 untuk Klasifikasi Kanker Payudara. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (215kB)
	PDF BAB_II.pdf Download (881kB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan, sehingga deteksi dini yang akurat sangat diperlukan. Namun, pemanfaatan data medis terdistribusi menghadapi tantangan privasi, sehingga Federated Learning (FL) digunakan untuk memungkinkan pelatihan model tanpa berbagi data mentah. Meskipun demikian, pertukaran parameter model dalam FL tetap berpotensi menimbulkan kebocoran informasi, sehingga penelitian ini menerapkan Segmented CKKS Homomorphic Encryption pada sistem Federated Learning dengan model ResNet22 menggunakan dataset CBIS-DDSM. Evaluasi performa dilakukan menggunakan metrik AUC dan PR-AUC pada berbagai konfigurasi tingkat keamanan dan panjang kunci. Hasil terbaik pada skenario terenkripsi diperoleh pada konfigurasi 192-bit dengan key size 8192, dengan nilai AUC sebesar 0,8545 dan PR-AUC sebesar 0,8136, yang menunjukkan penurunan performa yang relatif kecil dibandingkan model tanpa enkripsi. Hasil ini menunjukkan bahwa Segmented CKKS mampu meningkatkan perlindungan privasi dalam Federated Learning tanpa mengorbankan performa model secara signifikan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Irawan, Chyntia (00000067992)
Contributors:	Wicaksana, Arya
Keywords:	Federated Learning, Homomorphic Encryption, Kanker Payudara, ResNet22, Segmented CKKS
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jan 2026 08:06
URI:	https://kc.umn.ac.id/id/eprint/43607

Actions (login required)

View Item