Maraknya penggunaan algoritma pembelajaran mesin membuat, kebutuhan akan
data terus meningkat. Hal ini terkadang membuat privasi data pengguna seringkali
dikesampingkan. Federated Learning adalah sistem pembelajaran mesin yang
berusaha untuk menyelesaikan masalah ini, dimana sistem federated learning
tidak membutuhkan perpindahtanganan data. Namun, sistem federated learning
yang konvensional mempunyai kinerja optimasi yang cukup lambat, yang salah
satunya disebabkan oleh algoritma agregasinya yang bersifat sinkron. Tugas akhir
ini menguji efek dari penggunaan algoritma asinkron pada sistem federated
learning dengan mengadaptasi algoritma Stale-Synchronous Parallel. Pengujian
yang dilakukan menunjukan bahwa algoritma agregasi asinkron dapat
meningkatkan kinerja optimasi pada sistem yang mempunyai distribusi data yang
relatif merata dan kinerja network yang tidak merata. Meskipun demikian,
pengujian yang lebih detil perlu dilakukan untuk menyelidiki korelasi ini lebih
lanjut.