Pengolahan Query yang Menjaga Privasi dalam Sistem Basis Data Federatif untuk Data Medis
DOI:
https://doi.org/10.69688/dike.v3i2.146Keywords:
Pengolahan query, basis data federatif, privasi data, data medis, enkripsi homomorfik, secure multi-party computationAbstract
Pengolahan query yang menjaga privasi dalam sistem basis data federatif untuk data medis menjadi penting seiring meningkatnya kebutuhan kolaborasi antar lembaga kesehatan tanpa harus mengorbankan kerahasiaan pasien. Penelitian ini bertujuan untuk merancang dan mengevaluasi metode pengolahan query yang mampu melindungi informasi sensitif, sekaligus tetap mendukung analisis data lintas institusi. Metode yang digunakan adalah pendekatan federated query processing dengan penerapan teknik enkripsi homomorfik, secure multi-party computation (SMPC), serta kebijakan kontrol akses berbasis atribut. Sistem diujikan pada skenario pertukaran data medis antar rumah sakit menggunakan dataset simulasi rekam medis elektronik. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu mengeksekusi query gabungan dengan tingkat akurasi tinggi tanpa perlu memindahkan data mentah dari sumber aslinya. Selain itu, pengujian kinerja memperlihatkan bahwa overhead komputasi masih berada dalam batas yang dapat diterima untuk kebutuhan aplikasi medis. Temuan penting dari penelitian ini adalah kombinasi mekanisme federatif dan teknik privasi memberikan keseimbangan antara keamanan, efisiensi, dan utilitas data. Dengan demikian, sistem yang diusulkan dapat menjadi solusi potensial bagi pengelolaan data medis terdistribusi yang aman, serta mendukung riset dan pelayanan kesehatan berbasis data tanpa melanggar privasi pasien.
References
W. Zhang, X. Chen, and M. Li, “Elastic and Fault-Tolerant Cloud Architecture for Scalable Data Management,” IEEE Transactions on Cloud Computing, vol. 9, no. 4, pp. 1120–1132, 2021, doi: 10.1109/TCC.2020.2978456.
Y. Liu and H. Chen, “Federated query optimization over distributed databases,” Data & Knowledge Engineering, vol. 133, p. 101864, 2021, doi: 10.1016/j.datak.2021.101864.
S. Patel, P. Shah, and M. Vora, “Secure multi-party computation for privacy-preserving data mining,” Procedia Computer Science, vol. 152, pp. 223–230, 2019, doi: 10.1016/j.procs.2019.05.031.
M. Kuzu, H. Zhang, and M. Kantarcioglu, “Efficient Privacy-Preserving Distributed Data Analysis,” IEEE Transactions on Knowledge and Data Engineering, vol. 33, no. 5, pp. 2014–2027, 2021, doi: 10.1109/TKDE.2019.2941204.
S. Halevi and V. Shoup, “Algorithms in HElib,” Journal of Cryptographic Engineering, vol. 10, no. 2, pp. 165–188, 2020, doi: 10.1007/s13389-020-00213-0.
M. Keller, V. Pastro, and D. Rotaru, “Overdrive: Making SPDZ great again,” in Advances in Cryptology – EUROCRYPT 2018, Springer, 2018, pp. 158–189. doi: 10.1007/978-3-319-78381-9_6.
A. E. W. Johnson et al., “MIMIC-III, a freely accessible critical care database,” Scientific Data, vol. 3, no. 1, p. 160035, 2016, doi: 10.1038/sdata.2016.35.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Putri Lestari, Ahmad Pratama
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
