Revolusi industri 4.0 dipacu dengan perkembangan teknologi yang ditandai dengan transformasi digital secara masif. AI (Artificial Intelligence) merupakan salah satu teknologi yang krusial dalam transformasi digital namun dalam prosesnya membutuhkan banyak data yang sering dibatasi oleh aspek keamanan dan privasi data. Pengumpulan data untuk membuat dataset menjadi sangat mahal dan terbatas, khususnya untuk data yang sensitif seperti data kesehatan. Arsitektur dari aplikasi artificial intelligence harus disesuaikan dengan keterbatasan yang ada untuk memfasilitasi keamanan dan privasi data dengan proses desentralisasi. FL (Federated Learning) merupakan arsitektur AI yang menjadikan proses sentralisasi terbagi ke beberapa klien agar tercipta proses desentralisasi yang memungkinkan proses training dilakukan pada klien lokal sehingga data privasi tetap terjaga. Penelitian ini bertujuan untuk mengimplementasikan arsitektur FL pada uji coba berupa data kesehatan untuk klasifikasi penyakit Alzheimer dengan karakteristik imbalance class pada dataset dan variasi heterogenitas. Proses FL disimulasikan menggunakan algoritma optimasi FedAdagrad dan FedAvg dengan hasil performa akurasi federated learning (49,1%) dibandingkan dengan akurasi regular CNN (55%). Kondisi imbalance class mempengaruhi performa model pada kedua prosedur, variasi heterogenitas data desentralisasi mereduksi performa FL
Kata Kunci:Federated Learning;Algoritma Federated Optimization;rivasi Data;Heterogenitas Data