Perkembangan Federated Learning dalam Menjaga Privasi Data: Kajian Literatur Sistematis

Abstract

Perkembangan Artificial Intelligence (AI) dan Machine Learning (ML) telah meningkatkan kebutuhan terhadap data dalam jumlah besar untuk menghasilkan model yang akurat. Pendekatan centralized machine learning yang selama ini banyak digunakan menghadapi berbagai tantangan, terutama terkait perlindungan privasi, keamanan data, dan kepatuhan terhadap regulasi perlindungan data pribadi. Sebagai alternatif, Federated Learning berkembang sebagai paradigma pembelajaran terdistribusi yang memungkinkan pelatihan model dilakukan pada perangkat lokal tanpa memindahkan data mentah ke server pusat. Penelitian ini bertujuan untuk menganalisis perkembangan Federated Learning, mengkaji perannya dalam menjaga privasi dan keamanan data, mengidentifikasi berbagai tantangan implementasi, serta merumuskan arah pengembangan penelitian di masa depan. Penelitian menggunakan metode Systematic Literature Review (SLR) dengan mengacu pada pedoman Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) 2020. Literatur diperoleh dari berbagai basis data ilmiah bereputasi dan dianalisis menggunakan thematic analysis melalui proses identifikasi, seleksi, sintesis, dan interpretasi temuan penelitian. Hasil kajian menunjukkan bahwa Federated Learning telah berkembang menjadi salah satu pendekatan utama dalam privacy-preserving artificial intelligence melalui mekanisme pelatihan terdistribusi, secure aggregation, differential privacy, dan homomorphic encryption. Meskipun demikian, implementasinya masih menghadapi tantangan berupa heterogenitas data, communication overhead, keterbatasan sumber daya perangkat, ancaman keamanan model, dan kebutuhan standarisasi tata kelola. Penelitian ini menegaskan bahwa Federated Learning memiliki prospek yang besar dalam mendukung pengembangan sistem AI yang aman, efisien, dan berorientasi pada perlindungan privasi data.