Abstract & Overview
Semakin berkembangnya pasar big data yang digunakan oleh pengguna khususnya Internet of Things (IoT) berbasis kecerdasan buatan telah menarik banyak pihak baik dari industri maupun akademisi. Melalui penggunaan data lokal dari berbagai perangkat IoT, pemberi layanan aplikasi dapat menghasilkan informasi berguna melalui pendekatan machine learning (ML) seperti centralized learning dengan menggunakan cloud server dan local learning pada perangkat IoT langsung. Namun, dengan adanya risiko bocornya privasi pengguna ketika mengirim data lokal ke cloud server dan sumber daya komputasi yang terbatas pada IoT, penggunaan federated learning (FL) dapat menjadi solusi efisien. Pendekatan FL merupakan sebuah pendekatan ML kolaboratif di mana setiap perangkat IoT dapat melakukan proses training secara independen dan kemudian hanya mengirimkan model local kepada cloud server tanpa melakukan data sharing. Secara khusus, penggunaan FL untuk layanan aplikasi pada perangkat IoT tidak hanya memperbaiki kinerja untuk proses training, namun juga dapat melindungi privasi data bagi penggunanya. Penelitian ini berfokus pada perancangan sistem FL dengan privacy-awareness yang dapat digunakan oleh para pengguna perangkat IoT. Dalam hal ini, teknik enkripsi yang berbasis homomorphic encryption untuk mengenkripsi data dari perangkat IoT ketika proses training dari FL dapat diimplementasikan sebagai bentuk perlindungan privasi pengguna IoT dari malicious attackers. Dari penelitian ini, dapat dianalisis perbandingan tingkat akurasi model dari berbagai pendekatan baik tanpa dan dengan teknik enkripsi tersebut.