Implementasi Gaussian Mechanism pada Feature Buffer dalam Federated Learning dengan Model HARNet untuk Klasifikasi Aktivitas Manusia

Revian, Revan (2026) Implementasi Gaussian Mechanism pada Feature Buffer dalam Federated Learning dengan Model HARNet untuk Klasifikasi Aktivitas Manusia. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (217kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (680kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (238kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (221kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (817kB)
	Archive (ZIP) 00000067662_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Pelatihan model machine learning pada data aktivitas manusia terdistribusi menghadapi tantangan akibat data scarcity, label skew, dan risiko privacy pada mekanisme feature sharing. Federated Learning memungkinkan training kolaboratif tanpa mengirim raw data, tetapi intermediate activation yang dibagikan melalui feature buffer masih dapat memiliki keterkaitan dengan raw input. Penelitian ini menerapkan Gaussian Mechanism pada feature buffer dalam Federated Learning berbasis HARNet untuk klasifikasi aktivitas manusia menggunakan dataset UCI-HAR. Mekanisme diterapkan pada sisi client melalui L2 clipping dengan batas norma 256 dan penambahan Gaussian noise sebelum activation dikirim ke server. Eksperimen dilakukan pada 75 client, partisi Dirichlet = 0,1, tiga seed, dan empat nilai privacy budget (). Konfigurasi = 10.000 menghasilkan akurasi rata-rata 67,59% dan distance correlation 0,9530, sedangkan FLea menghasilkan akurasi 71,02% dan distance correlation 0,9928 serta FedAvg menghasilkan akurasi 66,32%. Dibandingkan dengan FLea sebagai baseline yang menggunakan feature buffer, konfigurasi tersebut mengalami utility loss sebesar 4,83%. Di antara nilai yang diuji, konfigurasi = 10.000 memberikan privacy- utility trade-off terbaik dengan mempertahankan akurasi yang lebih tinggi daripada FedAvg dan menghasilkan distance correlation yang lebih rendah daripada FLea.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Revian, Revan (00000067662)
Contributors:	Wicaksana, Arya
Keywords:	Differential Privacy, Feature Buffer, Federated Learning, Gaussian Mechanism, HARNet
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	30 Jul 2026 11:58
URI:	https://kc.umn.ac.id/id/eprint/48850

Actions (login required)

View Item