Implementasi Packed CKKS Homomorphic Encryption pada Federated Learning dengan Model CNN ResNet-22 untuk Klasifikasi Kanker Payudara

Veronica Wijaya, Stefanie (2026) Implementasi Packed CKKS Homomorphic Encryption pada Federated Learning dengan Model CNN ResNet-22 untuk Klasifikasi Kanker Payudara. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (255kB)
	PDF BAB_II.pdf Download (3MB)
	PDF BAB_III.pdf Download (3MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (222kB)
	PDF DAFTAR_PUSTAKA.pdf Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (801kB)

Abstract

Pelatihan model machine learning pada data medis terdistribusi menghadapi tantangan besar dalam menjaga privasi data pasien serta tingginya biaya komunikasi pada skema federated learning (FL) terenkripsi. FL memungkinkan pelatihan kolaboratif tanpa pertukaran data mentah, namun penerapan homomorphic encryption secara signifikan meningkatkan communication overhead. Penelitian ini menerapkan Packed CKKS Homomorphic Encryption pada FL berbasis CNN ResNet-22 untuk klasifikasi kanker payudara menggunakan dataset CBIS- DDSM, serta mengintegrasikan mekanisme top-k sparsification untuk menekan biaya komunikasi. Eksperimen pada skenario tiga klien menunjukkan bahwa konfigurasi top-k = 0,2 menghasilkan biaya komunikasi terendah, dengan performa klasifikasi yang tidak mengalami penurunan drastis dibandingkan baseline FL tanpa enkripsi, ditunjukkan oleh AUC sebesar 0,8554 dan PR-AUC sebesar 0,8095, serta peningkatan waktu komputasi sekitar 1,59 kali dibandingkan mode tanpa enkripsi. Hasil ini menegaskan bahwa top-k = 0,2 paling sesuai untuk menurunkan biaya komunikasi pada FL terenkripsi dengan trade-off performa yang terukur.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Veronica Wijaya, Stefanie (00000068054)
Contributors:	Wicaksana, Arya
Keywords:	Federated Learning, Homomorphic Encryption, Kanker Payudara, Packed CKKS, ResNet22
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/43608

Actions (login required)

View Item