Pendahuluan 

Pada era Big Data dan Artificial Intelligence (AI), kebutuhan akan pembelajaran mesin yang menjaga privasi menjadi semakin mendesak. Tradisi pelatihan model AI secara terpusat dengan mengumpulkan data dari berbagai sumber ke satu server menimbulkan risiko besar terhadap keamanan dan kerahasiaan data. Di sinilah Federated Learning (FL) muncul sebagai solusi inovatif. FL adalah metode pelatihan model secara kolaboratif tanpa perlu memindahkan data dari tempat asalnya. Dengan kata lain, alih-alih mengirim data ke server, model yang dikirim ke perangkat pengguna untuk dilatih secara lokal, lalu parameter hasil pelatihan dikirim kembali ke server pusat untuk digabungkan menjadi model global. 

Konsep ini membawa perubahan paradigma dalam pengembangan AI, karena memungkinkan pelatihan lintas-perangkat atau lintas-organisasi tanpa melanggar prinsip privasi. FL sangat relevan dalam berbagai skenario seperti perangkat mobile, sistem kesehatan, keuangan, dan industri yang beroperasi di bawah regulasi ketat terkait data. Selain menjaga kerahasiaan, FL juga meningkatkan efisiensi karena meminimalkan kebutuhan transfer data besar, mengurangi ketergantungan pada infrastruktur cloud, dan mendukung sistem edge computing. Dengan kombinasi antara desentralisasi, privasi, dan efisiensi, FL digadang-gadang menjadi fondasi penting untuk pengembangan AI masa depan yang bertanggung jawab dan kolaboratif. 

 

Apa Itu Federated Learning? 

Federated Learning (FL) adalah pendekatan pelatihan terdistribusi yang memungkinkan beberapa perangkat atau organisasi melatih model bersama tanpa harus saling berbagi data mentah. Model dikirim ke masing-masing klien, dilatih secara lokal, lalu hasil pelatihan (misalnya bobot parameter) dikirim kembali ke server pusat untuk agregasi (Yurdem et al., 2024). Menurut Sukanya (2025) melalui Analytics Vidhya, FL sangat cocok diterapkan pada kasus di mana data bersifat sensitif, besar volumenya, atau tidak mungkin dipindahkan karena regulasi dan alasan teknis. Alih-alih mengirim data ke cloud, FL memindahkan model ke data.  

Ciri Khas FL: 

  • Model dilatih di sisi klien (lokal) 
  • Hanya parameter model yang dikirim ke server 
  • Server pusat melakukan agregasi parameter 
  • Proses dapat berlangsung secara iteratif dan sinkron/asinkron 

Untuk mempermudah pemahaman tentang bagaimana FL bekerja, berikut ilustrasi alur komunikasi antara perangkat lokal dan server pusat. Model global dikirim ke perangkat, dilatih secara lokal, lalu diperbarui kembali ke server tanpa memindahkan data mentah dari perangkat pengguna. 

Source: LeewayHertz (2025) 

 

Mengapa Federated Learning Dibutuhkan? 

Dalam dunia nyata, banyak skenario di mana data tersebar di berbagai lokasi, berada di perangkat yang berbeda, atau tunduk pada regulasi seperti General Data Protection Regulation (GDPR). FL menjawab permasalahan ini dengan membolehkan pelatihan tanpa kompromi terhadap privasi. Sari (2025) menyatakan bahwa FL sangat penting dalam dunia perbankan, medis, dan perangkat pintar. Di semua domain ini, menjaga privasi data sangat krusial, namun model pembelajaran tetap diperlukan untuk mengembangkan sistem prediktif yang andal.  

Kemudian, FL memungkinkan kolaborasi lintas entitas yang sebelumnya sulit dilakukan karena hambatan hukum dan keamanan. Rumah sakit dari berbagai negara, misalnya, dapat melatih model diagnosis bersama tanpa perlu memindahkan data pasien yang sensitif. Demikian pula, perusahaan finansial dapat berbagi wawasan model deteksi fraud tanpa membuka data nasabah. Dengan menjaga data tetap di lokasi asalnya, FL tidak hanya melindungi identitas pengguna, tetapi juga mengurangi risiko kebocoran data massal akibat sentralisasi informasi. Hal inilah yang membuat FL dianggap sebagai pendekatan strategis menuju AI yang inklusif, terdesentralisasi, dan etis. 

 

Keuntungan Utama Federated Learning: 

1. Hyper-Personalised 

Dengan model yang dilatih langsung di perangkat pengguna, FL memungkinkan adaptasi terhadap perilaku dan preferensi masing-masing individu tanpa mengorbankan privasi. Hal ini menghasilkan sistem yang jauh lebih kontekstual dan relevan, seperti prediksi konten yang semakin akurat di smartphone pengguna. 

2. Low Cloud Infrastructure Overheads 

Data tidak dikirim ke server pusat sehingga beban pada infrastruktur cloud menjadi jauh lebih ringan. Hanya parameter model yang ditransmisikan, bukan kumpulan data besar. Hal ini mengurangi kebutuhan penyimpanan, bandwidth, dan sumber daya komputasi di sisi server. 

3. Minimum Latencies 

FL mendukung arsitektur edge computing, di mana pemrosesan dilakukan langsung di perangkat. Hal ini mengurangi waktu tunggu karena tidak perlu mengirim data ke cloud dan menunggu respons. Aplikasi seperti audio assistant dan deteksi objek di kamera bisa merespons lebih cepat. 

 4. Privacy Preserving 

Keuntungan paling mendasar dari FL adalah menjaga data tetap di lokal. Hal ini secara signifikan menurunkan risiko kebocoran data pribadi dan membuat FL sangat cocok untuk lingkungan dengan regulasi ketat seperti GDPR. 

Source: Sukanya (2025) 

 

Jenis-Jenis Federated Learning 

Tergantung pada struktur data dan distribusi entitas, FL dibedakan menjadi tiga jenis utama (Sari, 2025). 

1. Horizontal Federated Learning 

Digunakan saat semua pihak (misalnya institusi atau perangkat) memiliki data dengan fitur atau kolom yang sama, tetapi berbeda dalam baris atau entitas. Misalnya, dua rumah sakit yang memiliki data medis pasien (fitur sama seperti tekanan darah, usia, riwayat penyakit), tetapi pasiennya berbeda. 

2. Vertical Federated Learning 

Digunakan saat berbagai pihak memiliki data tentang entitas yang sama, tetapi dengan fitur yang berbeda. Misalnya, sebuah bank dan e-commerce sama-sama memiliki informasi tentang pelanggan tertentu. Bank menyimpan data keuangan, sementara e-commerce menyimpan data belanja. Data ini bisa digunakan bersama untuk analisis kredit, tanpa saling membocorkan informasi. 

 3. Federated Transfer Learning 

Digunakan saat data dan fitur di antara perangkat sangat sedikit yang tumpang tindih. Model dilatih untuk satu tugas, lalu ditransfer ke perangkat lain dengan penyesuaian minimal. Misalnya, model yang awalnya dilatih untuk mendeteksi mobil dapat disesuaikan untuk mendeteksi hewan peliharaan, meskipun data latihnya sangat berbeda.

 

Aplikasi Nyata Federated Learning 

FL telah diterapkan di berbagai sektor industri, dari sistem prediksi konten di smartphone hingga diagnosis medis kolaboratif antar rumah sakit. IBM Research (2023) dan Yurdem et al. (2024) menyebutkan bahwa FL menjadi kunci dalam mendorong AI di sektor yang sangat sensitif terhadap data. Berikut adalah penerapan FL dalam dunia nyata. 

  • Perawatan Kesehatan: Rumah sakit bisa membangun model diagnosis kolektif tanpa membagikan data pasien. 
  • Teknologi Finansial: Bank dapat berkolaborasi untuk mendeteksi penipuan kartu kredit secara kolektif tanpa membagikan informasi nasabah. 
  • Perangkat Seluler dan IoT: Google Gboard menggunakan FL untuk meningkatkan sistem prediksi teks pengguna Android. 
  • Manufaktur dan Transportasi: Data sensor dari pabrik berbeda bisa digunakan untuk model prediksi kerusakan mesin.

 

Tantangan dan Permasalahan Federated Learning 

Meskipun menjanjikan, FL tidak luput dari tantangan teknis dan praktis. Heterogenitas data, keterbatasan daya komputasi perangkat, dan risiko keamanan menjadi perhatian utama. Berikut ini adalah tantangan utama yang dihadapi oleh FL. 

  • Heterogenitas Data: Data pada tiap klien bisa sangat berbeda dalam distribusi, ukuran, atau kualitas. 
  • Komputasi dan Komunikasi: Tidak semua perangkat memiliki daya yang memadai untuk melatih model lokal. 
  • Keamanan dan Serangan Model: Meski data tidak dikirim, informasi sensitif bisa bocor lewat gradient leakage atau model inversion. 
  • Agregasi Model: Mencari metode agregasi parameter yang adil dan robust tetap menjadi tantangan aktif dalam penelitian FL. 

 

Masa Depan Federated Learning 

Menurut IBM dan studi dari Daly et al. (2025), masa depan FL sangat menjanjikan, terutama dalam konteks sistem edge computing, kendaraan otonom, dan model multimodal berskala besar. FL diperkirakan akan menjadi kunci dalam menghubungkan smart devices secara aman tanpa perlu terhubung ke cloud secara terus-menerus. Selain itu, integrasinya dengan teknologi seperti federated foundation models dan federated analytics membuka peluang baru dalam pengembangan AI yang adaptif, hemat sumber daya, dan tetap menjunjung tinggi privasi pengguna. Berikut adalah tren dan arah penelitian FL. 

  • Federated Learning + Blockchain untuk auditabilitas dan kepercayaan 
  • Federated Learning + Large Language Models (LLMs) untuk pelatihan kolaboratif tanpa data terpusat 
  • Auto-FL atau Federated AutoML untuk pemilihan model otomatis di berbagai devices 

 

Kesimpulan 

Federated Learning (FL) menawarkan solusi elegan untuk era AI yang menuntut privasi dan kolaborasi. FL tidak hanya menjaga keamanan data pengguna, tetapi juga membuka peluang kolaborasi antar entitas yang sebelumnya tertutup karena regulasi dan risiko keamanan. Dengan dukungan dari komunitas riset dan industri, FL diyakini akan menjadi tulang punggung pengembangan AI yang bertanggung jawab, adil, dan terdistribusi di masa depan. Lebih dari sekadar tren teknis, FL mencerminkan perubahan paradigma dalam cara kita membangun dan menyebarkan sistem AI. FL memperlihatkan bahwa inovasi tidak harus mengorbankan etika atau privasi. Justru sebaliknya, pendekatan yang mempertahankan data pada sumbernya membuka jalan bagi pengembangan sistem yang lebih aman, transparan, dan kontekstual. 

Di masa depan, integrasi FL dengan teknologi seperti blockchain, differential privacy, atau LLMs akan menjadi titik krusial dalam penguatan infrastruktur AI global. Tantangan seperti sinkronisasi data yang heterogen, efisiensi komunikasi, serta keamanan model masih perlu ditangani. Namun dengan arah riset yang terus berkembang dan kolaborasi lintas sektor, FL memiliki potensi besar untuk menjadi standar baru dalam ekosistem pembelajaran mesin yang etis dan terdesentralisasi.  

 

Penulis 

Satriadi Putra Santika 

FDP Scholar 

 

Daftar Pustaka 

Daly, K., Eichner, H., Kairouz, P., McMahan, H. B., Ramage, D., & Xu, Z. (2025). Federated Learning in Practice: Reflections and Projections. arXiv preprint arXiv:2410.08892v2. 

IBM Research. (2023). What is Federated Learning? https://research.ibm.com/blog/what-is-federated-learning. Di akses 30 Juni 2025. 

LeewayHertz. (2025). Federated learning: Unlocking the potential of secure, distributed AI. https://www.leewayhertz.com/federated-learning/. Di akses 30 Juni 2025. 

Sari, R. P. (2025). Federated Learning: Arsitektur AI yang Aman & Etis. AI Hub ID. https://aihub.id/pengetahuan-dasar/federated-learning. Di akses 30 Juni 2025. 

Sukanya, T. (2025). What is Federated Learning?. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/05/federated-learning-a-beginners-guide/. Di akses 30 Juni 2025. 

Yurdem, B., Kuzlu, M., Gullu, M. K., Catak, F. O., & Tabassum, M. (2024). Federated learning: Overview, strategies, applications, tools and future directions. Heliyon, 10, e38137.