View/Open

Author
SYADZA, PUSPADARI AZHAR

Date Published
16 Jul 2026

Advisor
Yuliana, M.Cs.,
Fajri Farid, M.Sc.,

Subject
Sains Data

Publisher

Perlindungan data medis menjadi salah satu tantangan dalam penerapan machine learning di bidang kesehatan karena informasi pasien bersifat sensitif. Homomorphic Encryption (HE) memungkinkan komputasi dilakukan secara langsung pada data terenkripsi tanpa mengungkapkan data asli. Penelitian ini bertujuan untuk mengevaluasi performa model regresi logistik berbasis Homomorphic Encryption menggunakan skema Cheon-Kim-Kim-Song (CKKS) dalam klasifikasi penyakit jantung serta menganalisis pengaruh penerapan Homomorphic Encryption terhadap kinerja komputasi model. Penelitian menggunakan Heart Disease Dataset (Cleveland subset) dari UCI Machine Learning Repository. Tahapan penelitian meliputi preprocessing, pembagian data, normalisasi Z-score, pembangkitan kunci, enkripsi data, pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa model regresi logistik tanpa enkripsi memperoleh akurasi sebesar 83,33 persen dan nilai AUC-ROC sebesar 0,9531. Meskipun memerlukan waktu komputasi yang lebih besar, penerapan skema CKKS mampu mempertahankan performa klasifikasi dengan baik serta menjaga kerahasiaan data selama proses komputasi.

URI
https://repo.itera.ac.id/depan/submission/SB2607240089

Keyword
CKKS Homomorphic Encryption Klasifikasi Penyakit Jantung Privasi Data Regresi Logistik