Perpustakaan Digital ITB

Federated Learning adalah bentuk pembelajaran mesin terdesentralisasi yang merupakan alternatif yang lebih baik secara privasi karena sifat pembelajaran mesin yang melatih model secara lokal tanpa perlu ada perpindahan data ke server pusat. Pembaruan model kemudian dikirim ke server, sehingga proses pembelajaran tidak terpusat di satu titik saja. Multi Layer Perceptron (MLP) merupakan salah satu model kompleks yang fleksibel dan dapat digunakan dalam pembelajaran mesin untuk prediksi data bertipe regresi. Buku ini akan membahas perbandingan pelatihan model prediksi MLP dengan pendekatan Centralized Learning dan Federated Learning berdasarkan metrik performa seperti R 2 , MAE, MSE, RMSE dan kemampuannya dalam memprediksi biaya medis. Hal ini bertujuan untuk mengetahui apakah Federated Learning, dengan segala kelebihannya seperti tidak perlu adanya perpindahan data untuk pembelajaran yang terpusat, dapat menggantikan Centralized Learning dalam segi performa untuk kepentingan bisnis. Hasil dari percobaan yang dibuat adalah, Federated Learning masih belum dapat menggantikan Centralized Learning dalam sisi performa. Hal ini tentunya kurang baik diimplementasikan dalam ranah bisnis seperti bisnis asuransi, karena estimasi biaya yang tidak akurat akan sangat memengaruhi biaya premi yang ditetapkan kepada calon pelanggan. Penulis berkesimpulan bahwa model yang dilatih dengan Federated Learning belum mampu menjadi alternatif bagi Model yang dilatih dengan Centralized Learning, dan perlu adanya optimisasi lebih lanjut atau eksplorasi dengan model lain yang lebih kuat dan kompleks. Penulis juga menyarankan agar calon peneliti hendaknya memiliki pengetahuan yang tinggi mengenai pembelajaran mesin, agar dapat membuat desain model yang lebih baik dan mendapatkan hasil yang lebih valid dari penulis.