Penelitian Stimulus Dosen

JudulPembobotan Klien berdasarkan Kualitas Data untuk Pembelajaran Federasi Terpersonalisasi pada Rekam Medis Elektronik
Nama HibahHibah Internal Penelitian
Nama ProgramHibah Penelitian Tahun 2026
Nama SkemaPenelitian Stimulus Dosen
AbstrakElectronic Health Record (EHR) menjadi sumber data utama untuk pengembangan model prediksi klinis berbasis kecerdasan buatan. Namun, implementasi Personalized Federated Learning (PFL) pada data EHR masih menghadapi dua tantangan utama, yaitu heterogenitas distribusi data (non-IID) antar institusi kesehatan dan variasi kualitas data, seperti missing value, ketidaklengkapan, serta inkonsistensi pencatatan. Sebagian besar penelitian PFL berfokus pada penanganan non-IID, sementara aspek kualitas data belum dimanfaatkan secara optimal dalam proses pembelajaran model. Penelitian ini bertujuan mengembangkan metode Data Quality-Aware Client Weighting pada Personalized Federated Learning untuk meningkatkan kinerja prediksi klinis berbasis Electronic Health Record. Pendekatan yang diusulkan memanfaatkan skor kualitas data setiap klien sebagai dasar penentuan bobot agregasi model, sehingga kontribusi setiap klien tidak hanya dipengaruhi oleh jumlah data, tetapi juga oleh tingkat kualitas data yang dimiliki. Metode penelitian meliputi pengukuran kualitas data menggunakan beberapa dimensi, seperti completeness, consistency, validity, dan missing rate, yang kemudian digabungkan menjadi Data Quality Score. Selanjutnya, dataset EHR publik akan disimulasikan sebagai beberapa klien federasi dengan karakteristik kualitas data yang berbeda. Model Personalized Federated Learning akan dimodifikasi dengan mekanisme quality-aware client weighting dan dibandingkan dengan metode dasar seperti FedAvg dan Personalized Federated Learning tanpa mempertimbangkan kualitas data. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, F1-score, dan area under the ROC curve (AUC). Luaran yang ditargetkan meliputi sebuah metode Data Quality-Aware Client Weighting untuk Personalized Federated Learning pada Electronic Health Record, publikasi ilmiah pada jurnal nasional terakreditasi atau jurnal internasional bereputasi, serta prototipe implementasi dan dokumentasi penelitian yang dapat menjadi dasar pengembangan penelitian lanjutan di bidang kecerdasan buatan untuk layanan kesehatan.
Pengusul Moch. Nasheh Annafii, S.Kom., M.Kom.
Anggota 1 Wahid Alfaridsi Achmad Zein, M.Kom.
Anggota 2 Aziz Musthafa, S.Kom, M.T.
Tahun Penelitian2026
Sumber DanaUNIDA GONTOR
Dana Non DiktiIDR 0.00