Analisis GRU dengan Federated Learning dalam Klasifikasi Deteksi Jatuh pada Lansia Berbasis Perlindungan Privasi Data [AJG]

Abstract

Seiring meningkatnya populasi lansia, insiden jatuh menjadi risiko kesehatan yang serius. Sistem deteksi jatuh berbasis sensor wearable dapat memantau aktivitas tubuh pengguna secara real-time , namun pendekatan Machine Learning konvensional memerlukan pengumpulan data terpusat yang dapat menimbulkan masalah privasi.

Penelitian ini mengusulkan sistem deteksi jatuh berbasis Gated Recurrent Unit (GRU) dengan menerapkan metode Federated Learning (FL) untuk menjaga privasi data. Pendekatan FL memungkinkan model dilatih secara terdistribusi di perangkat pengguna, sehingga data sensor yang sensitif tetap bersifat lokal dan tidak perlu dikirim ke server.

Tujuan penelitian adalah menganalisis performa model GRU dalam skenario FL dan membandingkan akurasinya dengan metode pembelajaran terpusat. Evaluasi akan difokuskan pada metrik akurasi, presisi, dan sensitivitas. Hasil penelitian ini diharapkan dapat menunjukkan bahwa FL mampu mencapai performa yang sebanding dengan metode terpusat, sekaligus memberikan jaminan privasi data pengguna.