Pengaruh Data yang Berkorelasi terhadap Performa Sistem Federated Learning

Abstract

Penelitian ini mempelajari pengaruh korelasi data antar node dalam sistem Federated Learning. Korelasi data dimodelkan dengan bit-flipping terhadap data yang digunakan di node selain node acuan. Teknik bit-flipping dilakukan dengan fungsi exclusive OR (XOR) dengan vektor biner yang dibangkitkan secara acak dengan rasio P. Besarnya korelasi diperoleh dari 1 - P. Tujuan dari penelitian ini adalah untuk mendapatkan gambaran tren performa sistem dari perubahan nilai korelasi. Sistem federated learning pada penelitian ini mengacu kepada suatu referensi yang menggunakan data berupa gambar dan model deteksi support vector machine (SVM). Penelitian dilakukan dengan simulasi menggunakan dua node hingga empat node yang terhubung dengan pusat agregasi. Hasil simulasi menunjukkan bahwa, untuk node 1 sebagai node acuan, tertinggi diperoleh saat P = 0 atau korelasi = 1, yaitu dengan akurasi sebesar 87,47%. Terlebih lagi, semakin besar korelasi maka semakin besar performa akurasi, dan semakin kecil nilai korelasi maka semakin kecil performa akurasi. Semakin bertambah jumlah node yang terkoneksi dalam sistem dengan nilai P tertentu dapat membantu meningkatkan akurasi. Akan tetapi, semakin bertambahnya jumlah node namun korelasi mendekati 0 akan mempengaruhi atau mengurangi akurasi sistem.