PLBPLB

TEMATIKTEMATIK

Perlindungan data medis menjadi prioritas utama di era digital karena tingginya risiko kebocoran dan penyalahgunaan informasi pasien. Regulasi seperti HIPAA, GDPR, dan Undang-Undang Kesehatan No. 36 Tahun 2009 mewajibkan penerapan keamanan, namun tantangan teknis dalam implementasi masih besar. Differential Privacy (DP) menawarkan pendekatan matematis untuk menjamin privasi dengan menambahkan noise terkontrol sehingga keberadaan individu sulit diidentifikasi tanpa mengurangi nilai analisis data. Penelitian ini bertujuan mengevaluasi efektivitas DP pada dataset prescriptions. Data yang diuji bersumber dari database rekam medis publik MIMIC-III yang mencakup ribuan catatan resep. Empat atribut sensitif (row_id, subject_id, hadm_id, icustay_id) dianalisis menggunakan variasi parameter ε = {0.1, 0.5, 1.0, 5.0}. Evaluasi dilakukan menggunakan Mean Squared Error (MSE) dan Root Mean Squared Error (RMSE) untuk menilai trade-off antara privasi dan akurasi. Hasil penelitian menunjukkan bahwa Laplace mechanism lebih stabil dibanding Gaussian dengan nilai RMSE konsisten lebih rendah, terutama pada ε kecil hingga sedang. Gaussian menghasilkan error tinggi pada ε kecil dan baru mendekati Laplace pada ε besar. Kebaruan penelitian ini terletak pada analisis kuantitatif langsung menggunakan RMSE untuk membandingkan kinerja mekanisme Laplace dan Gaussian pada atribut-atribut identitas rekam medis, memberikan bukti empiris praktis yang melengkapi studi sebelumnya yang seringkali bersifat teoretis atau tinjauan umum. Temuan ini menegaskan bahwa pemilihan mekanisme dan parameter ε sangat menentukan kualitas data medis yang diproteksi. Secara praktis, penelitian ini merekomendasikan penggunaan Laplace mechanism dengan ε = 0.5–1.0 untuk implementasi Differential Privacy pada sistem rekam medis elektronik. Konfigurasi ini memberikan keseimbangan optimal antara perlindungan privasi pasien dan utilitas data untuk analisis kesehatan.

Penelitian ini menemukan bahwa Laplace mechanism secara konsisten lebih unggul daripada Gaussian mechanism untuk proteksi data resep medis, dengan menunjukkan stabilitas dan error (RMSE) yang jauh lebih rendah, terutama pada nilai ε kecil hingga sedang.Implikasi praktis utamanya adalah rekomendasi penggunaan Laplace mechanism dengan ε = 0.0 sebagai konfigurasi optimal pada sistem rekam medis elektronik (RME) untuk menyeimbangkan privasi pasien dan utilitas data.Arah penelitian selanjutnya mencakup eksplorasi mekanisme hybrid, integrasi DP dengan federated learning untuk kolaborasi antar-rumah sakit, serta validasi menggunakan dataset medis lokal Indonesia.

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi mekanisme hybrid yang lebih optimal dalam menjaga privasi data medis. Selain itu, integrasi Differential Privacy dengan federated learning dapat menjadi fokus penelitian untuk memungkinkan kolaborasi aman antar-rumah sakit dalam analisis data kesehatan. Validasi menggunakan dataset medis lokal Indonesia juga penting untuk meningkatkan relevansi kontekstual dan memastikan efektivitas Differential Privacy dalam konteks kesehatan di Indonesia.

  1. Analisis Kinerja Differential Privacy pada Data Resep Medis Menggunakan Laplace dan Gaussian Mechanism... jurnal.plb.ac.id/index.php/tematik/article/view/2634Analisis Kinerja Differential Privacy pada Data Resep Medis Menggunakan Laplace dan Gaussian Mechanism jurnal plb ac index php tematik article view 2634
  2. Global and local impacts of differential privacy on estimates of health care inequity - Waller - 2022... onlinelibrary.wiley.com/doi/10.1111/1475-6773.14080Global and local impacts of differential privacy on estimates of health care inequity Waller 2022 onlinelibrary wiley doi 10 1111 1475 6773 14080
  3. 0. pdf obj endobj h2 pg h1 td table tr span figure lbody li textbox diagram footnote note endnote sect... research.ijcaonline.org/volume70/number19/pxc3888291.pdf0 pdf obj endobj h2 pg h1 td table tr span figure lbody li textbox diagram footnote note endnote sect research ijcaonline volume70 number19 pxc3888291 pdf
Read online
File size306.04 KB
Pages7
DMCAReport

Related /

ads-block-test