Analisis Trade-off Komunikasi-Komputasi pada Federated Averaging untuk Klasifikasi Penyakit Jantung
Abstrak
Klasifikasi penyakit jantung menggunakan Federated Learning (FL) mampu menjadi solusi untuk meningkatkan privasi di dunia medis. Sayangnya, penerapan FL terkendala oleh tingginya communication cost yang harus dioptimalkan dengan turut mempertimbangkan computational load yang rendah. Penelitian ini mengajukan sebuah arsitektur FL yang memadukan Federated Averaging (FedAvg) dengan model Multi-Layer Perceptron (MLP) untuk melakukan klasifikasi penyakit jantung menggunakan dataset UCI Heart Disease. Arsitektur ini telah dilibatkan dalam pelatihan FL yang dilakukan hingga akurasi mendekati skenario pelatihan terpusat (centralized) sebagai titik threshold dengan local epoch (E) yang bervariasi. Terdapat dua metrik yang diperhitungkan dalam penelitian ini, yaitu communication cost dan computational load yang akan dimodelkan menggunakan regresi linear. Selanjutnya, telah ditentukan juga titik optimal antara keduanya melalui metode Weighted Sum Model (WSM). Hasil pengujian menunjukkan bahwa communication cost mengalami penurunan seiring dengan kenaikan local epoch (E), namun disertai dengan kenaikan computational load. Pemodelan tren korelasi menggunakan regresi linear menghasilkan R² sebesar 0.57 untuk communication cost dengan slope negatif dan 0,76 untuk computational load dengan slope positif, menunjukkan adanya trade-off antara kedua metrik. Terakhir, titik optimal antara communication cost dan computational load terletak pada E = 20 yang memiliki skor akhir WSM minimum, yaitu 0,2475. Kata Kunci: federated learning, efisiensi komunikasi, FedAvg, IID, penyakit jantung
Unduhan
Referensi
[1] C. W. Tsao et al., “Heart Disease and Stroke Statistics - 2023 Update: A Report from the American Heart Association,” 2023. doi: 10.1161/CIR.0000000000001123.
[2] A. A. Maulani, S. Winarno, J. Zeniarja, R. T. E. Putri, and A. N. Cahyani, “Comparison of Hyperparameter Optimization Techniques in Hybrid CNN-LSTM Model for Heart Disease Classification,” Sinkron, vol. 9, no. 1, 2024, doi: 10.33395/sinkron.v9i1.13219.
[3] A. G. Renauldy, “PERLINDUNGAN PRIVASI PADA PENGAMBILAN INFORMASI UNTUK BASIS DATA REKAM MEDIS,” Bandung, 2023.
[4] A. Horst et al., “Federated learning: a privacy-preserving approach to data-centric regulatory cooperation,” Frontiers in Drug Safety and Regulation, vol. 5, 2025, doi: 10.3389/fdsfr.2025.1579922.
[5] S. W. Herlambang, “FEDERATED LEARNING APPROACHES FOR IOT INTRUSION DETECTION BASED ON FEDAVG AND FEDPROX ON IID AND NON-IID DATA,” Bandung, 2025.
[6] H. Brendan McMahan, E. Moore, D. Ramage, S. Hampson, and B. Agüera y Arcas, “Communication-efficient learning of deep networks from decentralized data,” in Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, AISTATS 2017, 2017.
[7] Y. Luo, X. Jin, C. Xia, C. Xu, and Y. Sun, “Communication-Computation Co-Optimized Federated Learning for Efficient Large-Model Embedding Training,” Mathematics, vol. 13, no. 23, 2025, doi: 10.3390/math13233871.
[8] A. Imteaj, U. Thakker, S. Wang, J. Li, and M. H. Amini, “A Survey on Federated Learning for Resource-Constrained IoT Devices,” IEEE Internet Things J., vol. 9, no. 1, 2022, doi: 10.1109/JIOT.2021.3095077.
[9] K. Narmadha and P. Varalakshmi, “FedEff: efficient federated learning with optimal local epochs for heterogeneous clients,” Sci. Rep., 22672-1.
[10] J. Premsmith and H. Ketmaneechairat, “A predictive model for heart disease detection using data mining techniques,” Journal of Advances in Information Technology, vol. 12, no. 1, 2021, doi: 10.12720/jait.12.1.14-20.
[11] K. L. Du, C. S. Leung, W. H. Mow, and M. N. S. Swamy, “Perceptron: Learning, Generalization, Model Selection, Fault Tolerance, and Role in the Deep Learning Era,” 2022. doi: 10.3390/math10244730.
[12] A. Janosi, W. Steinbrunn, M. Pfisterer, and R. Detrano, “UCI Machine Learning Repository: Heart Disease Data Set,” Uci, 1988.
[13] C. M. Bishop and H. Bishop, Deep Learning: Foundations and Concepts. 2023. doi: 10.1007/978-3-031-45468-4.
[14] E. Saputra, E. R. Susanto, and K. Kunci, “Implementation of Deep Learning with Multilayer Perceptron (MLP) for Heart Disease Prediction Using the SMOTE-ENN Technique,” 2025. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC
[15] A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, Dive into Deep Learning. Cambridge University Press, 2023.
[16] M. Nardi, L. Valerio, and A. Passarella, “Communication Costs Analysis of Unsupervised Federated Learning: an Anomaly Detection Scenario,” in CEUR Workshop Proceedings, 2023.
[17] G. James, D. Witten, T. Hastie, and R. Tibshirani, “An Introduction to Statistical Learning with Applications in R Second Edition,” Springer Texts, 2023.
[18] R. T. Marler and J. S. Arora, “The weighted sum method for multi-objective optimization: New insights,” Structural and Multidisciplinary Optimization, vol. 41, no. 6, 2010, doi: 10.1007/s00158-009-0460-7.
[19] P. Kairouz et al., “Advances and open problems in federated learning,” 2021. doi: 10.1561/2200000083.
[20] R. T. Marler and J. S. Arora, “Survey of multi-objective optimization methods for engineering Maximum objective function values,” Structural and Multidisciplinary Optimization, vol. 26, no. 6, 2004.
