Mohon tunggu...
MUHAMAD JOHAR ARIFIN
MUHAMAD JOHAR ARIFIN Mohon Tunggu... Mahasiswa - UIN MALANG

Teknik Informatika UIN Malang

Selanjutnya

Tutup

Ilmu Alam & Tekno

MPC dalam Diagnosis Jantung: Privasi Data Terjaga, Akurasi Tak Tergoyahkan

17 September 2024   13:02 Diperbarui: 17 September 2024   13:04 56
+
Laporkan Konten
Laporkan Akun
Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.
Lihat foto
Bagikan ide kreativitasmu dalam bentuk konten di Kompasiana | Sumber gambar: Freepik

MPC dalam Diagnosis Jantung: Privasi Data Terjaga, Akurasi Tak Tergoyahkan

Teknologi Internet of Medical Things (IoMT) telah membuka banyak peluang bagi inovasi di bidang kesehatan, terutama dalam hal diagnosis dan pengelolaan penyakit kronis seperti penyakit jantung. Artikel yang ditulis oleh Gang Cheng et al. (2024) yang berjudul Collaborative Secure Decision Tree Training for Heart Disease Diagnosis in Internet of Medical Things menawarkan pendekatan baru yang fokus pada keamanan data. Dengan menggunakan metode Secure Multi-Party Computation (MPC), artikel ini mengeksplorasi cara institusi medis dapat bekerja sama untuk membangun model machine learning tanpa membocorkan informasi sensitif. Pendekatan ini sangat relevan karena menjaga privasi data pasien menjadi tantangan yang signifikan di era digital, khususnya ketika melibatkan data medis yang sangat pribadi.


Melalui penelitian ini, penulis menunjukkan bagaimana metode pohon keputusan dapat digunakan dalam diagnosis penyakit jantung secara kolaboratif dengan hasil yang sangat akurat. Model yang mereka kembangkan mencapai akurasi 93,24%, hanya berbeda 0,3% dari algoritma plaintext konvensional, yang membuktikan bahwa privasi data dapat dipertahankan tanpa mengorbankan akurasi diagnosis. Selain itu, pendekatan ini juga mempertahankan efisiensi komputasi yang memungkinkan model untuk dilatih secara kolaboratif antara berbagai pihak tanpa mengungkapkan data pasien. Dalam review ini, saya akan membahas lebih lanjut bagaimana pendekatan MPC ini memberikan kontribusi besar dalam perkembangan diagnosis penyakit jantung di lingkungan IoMT, serta potensi aplikasinya di masa depan.


***


Internet of Medical Things (IoMT) menghadirkan tantangan besar dalam hal privasi data medis. Artikel yang ditulis oleh Gang Cheng et al. (2024) memberikan solusi inovatif dengan menggunakan Secure Multi-Party Computation (MPC) dalam pelatihan model decision tree untuk diagnosis penyakit jantung. MPC memungkinkan berbagai institusi medis untuk bekerja sama dalam melatih model machine learning tanpa mengungkapkan data sensitif masing-masing pihak. Ini penting mengingat data kesehatan sangat rentan terhadap kebocoran, dan kolaborasi lintas institusi seringkali terhambat oleh kekhawatiran mengenai privasi.


Model yang dikembangkan dalam penelitian ini menggunakan metode secret sharing, di mana data pasien dibagi menjadi beberapa bagian yang didistribusikan ke tiga server terpisah untuk pelatihan model decision tree. Dengan pendekatan ini, setiap institusi dapat berkontribusi dalam pelatihan tanpa harus mengakses data pihak lain. Misalnya, dalam konteks diagnosis penyakit jantung, data sensitif seperti riwayat medis dan hasil tes pasien tidak perlu dibagikan secara eksplisit, sehingga menjaga kerahasiaan informasi pribadi. Dalam uji coba menggunakan Cleveland heart disease database, model ini mampu mencapai akurasi 93,24%, mendekati akurasi algoritma plaintext yang mencapai 93,54%. Perbedaan akurasi sebesar 0,3% ini menunjukkan bahwa privasi data tidak mengorbankan keakuratan hasil diagnosis.


Efisiensi komputasi juga menjadi salah satu poin utama dari penelitian ini. Waktu yang dibutuhkan untuk melatih model dengan kedalaman lima node hanya 17,779 detik, dan total biaya komunikasi yang diperlukan mencapai 2475,36 MB di tiga server. Angka-angka ini menegaskan bahwa metode MPC yang digunakan tidak hanya menjaga privasi tetapi juga efisien dalam hal sumber daya komputasi. Sistem ini memungkinkan setiap partisipan untuk tetap offline setelah mengunggah data mereka, dengan proses komputasi dilanjutkan di server pusat yang mengolah data secara aman.


Selain itu, pendekatan berbasis MPC ini mengatasi masalah overfitting pada decision tree dengan menjaga ukuran data di setiap node tetap konsisten. Hal ini memungkinkan model untuk mengatasi peningkatan kompleksitas seiring bertambahnya kedalaman pohon keputusan, yang biasanya dapat mempengaruhi kinerja model. Bahkan ketika menggunakan kedalaman pohon yang lebih kecil, model ini masih mampu memberikan hasil yang memadai dengan akurasi 81,33% pada data pengujian.


Dengan mengadopsi MPC dalam skenario diagnosis penyakit jantung, penelitian ini membuka jalan bagi lebih banyak kolaborasi antar institusi medis tanpa risiko kebocoran privasi. Pendekatan ini bisa menjadi standar baru dalam pengembangan model machine learning di bidang kesehatan, mengingat tingginya kebutuhan untuk melindungi data sensitif dalam skala global.


***


Penerapan Secure Multi-Party Computation (MPC) dalam diagnosis penyakit jantung, seperti yang dijelaskan oleh Gang Cheng et al. (2024), memberikan solusi penting bagi masalah privasi data di era IoMT. Dengan akurasi yang mendekati 93,24% dan efisiensi komputasi yang terbukti, metode ini menunjukkan bahwa kolaborasi antar institusi medis dapat dilakukan tanpa mengorbankan keamanan data sensitif. Selain itu, dengan waktu pelatihan yang singkat, hanya 17,779 detik dan biaya komunikasi yang terukur, metode ini dapat diimplementasikan dalam skenario dunia nyata tanpa banyak kendala teknis.

HALAMAN :
  1. 1
  2. 2
Mohon tunggu...

Lihat Konten Ilmu Alam & Tekno Selengkapnya
Lihat Ilmu Alam & Tekno Selengkapnya
Beri Komentar
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE

Belum ada komentar. Jadilah yang pertama untuk memberikan komentar!
LAPORKAN KONTEN
Alasan
Laporkan Konten
Laporkan Akun