Pengembangan Adaptive Beta Berbasis Entropi Soft-Label pada Enhanced Entropy Reduction Aggregation dalam SCARLET

Naradiska, Joicelyn (2026) Pengembangan Adaptive Beta Berbasis Entropi Soft-Label pada Enhanced Entropy Reduction Aggregation dalam SCARLET. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (628kB)
	PDF BAB_I.pdf Download (222kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (473kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (226kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (214kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (548kB)
	Archive (ZIP) 00000068868_2521_LembarPengesahan.pdf Restricted to Registered users only Download (67kB)

Abstract

Federated Learning (FL) memungkinkan pelatihan model dilakukan secara terdistribusi tanpa mengirimkan data mentah dari klien ke server. Namun, distribusi data non-IID dapat menurunkan performa model global. Penelitian ini mengembangkan Adaptive pada Enhanced Entropy Reduction Aggregation dalam SCARLET dengan memanfaatkan entropi soft-label. Nilai entropi dinormalisasi dan diproses menggunakan Exponential Moving Average (EMA), kemudian digunakan untuk menentukan nilai pada setiap communication round. Eksperimen menggunakan MNIST sebagai private dataset, EMNIST Letters sebagai public dataset, dan LeNet-5 sebagai model klasifikasi. Pada skenario = 0.3, Adaptive menghasilkan akurasi akhir sebesar 0.9151 dan loss akhir sebesar 0.2782, lebih baik dibandingkan seluruh konfigurasi statis yang diuji. Hasil penelitian menunjukkan bahwa Adaptive dapat menyesuaikan tingkat sharpening soft-label tanpa menambah biaya komunikasi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Naradiska, Joicelyn (00000068868)
Contributors:	Wicaksana, Arya
Keywords:	Adaptive , Federated Distillation, Federated Learning, Non-IID, SCARLET
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	30 Jul 2026 11:59
URI:	https://kc.umn.ac.id/id/eprint/48855

Actions (login required)

View Item