digilib@itb.ac.id +62 812 2508 8800

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.