Yuris Mulya Saputra, dosen Program Studi Teknologi Rekayasa Internet, telah mempublikasikan riset terbarunya yang membahas strategi cerdas dalam meningkatkan efisiensi Federated Learning (FL) pada lingkungan komputasi tepi seluler (Mobile Edge Computing – MEC). Riset ini menjawab tantangan besar yang kerap dihadapi sistem FL, yaitu masalah keterlambatan update dari perangkat pengguna yang memiliki sumber daya terbatas—fenomena yang dikenal dengan istilah straggler problem.
Untuk mengatasi hal ini, Dr. Yuris dan timnya mengembangkan kerangka kerja FL baru yang bersifat menjaga privasi dan adaptif terhadap keterbatasan perangkat. Dengan mengintegrasikan teknologi homomorphic encryption (HE), framework ini memungkinkan pengguna seluler dengan keterbatasan sumber daya untuk mengalihkan sebagian proses pelatihan model ke server awan maupun node di tepi jaringan (MEN – Mobile Edge Nodes) secara aman.
Salah satu inovasi kunci dari penelitian ini adalah metode efisien untuk mengemas batch data pelatihan ke dalam bentuk terenkripsi (ciphertext), sehingga mempermudah proses pelatihan data yang sudah dienkripsi di MEN atau server. Tidak hanya itu, penyedia layanan seluler juga dapat memberikan insentif kepada pengguna lambat (straggler) untuk mengunggah data yang telah terenkripsi ke MEN atau server untuk disimpan dan diproses secara jarak jauh.
Namun, menyimpan data terenkripsi dalam jumlah besar tentu memunculkan tantangan baru, seperti beban tinggi pada MEN/server dan biaya pelatihan yang tinggi. Untuk mengatasinya, tim peneliti memformulasikan model optimasi untuk memaksimalkan keuntungan penyedia layanan dengan memperhitungkan kapasitas perangkat, biaya enkripsi, penyimpanan, pelatihan, dan alokasi insentif.
Dengan membuktikan bahwa permasalahan optimasi ini bersifat konveks, tim berhasil menemukan solusi efisien menggunakan metode titik interior. Hasil simulasi menggunakan dataset pengenalan aktivitas manusia menunjukkan peningkatan signifikan dalam akurasi model (hingga 24,29%) dan kecepatan konvergensi (2,86 kali lebih cepat) dibanding pendekatan FL konvensional seperti FedAvg, terutama ketika tingkat keterlambatan mencapai 20% hingga 80%. Tak hanya itu, keuntungan penyedia layanan juga meningkat hingga 2,84 kali lipat.
Riset ini memperlihatkan kontribusi penting dalam pengembangan teknologi AI yang adaptif dan efisien di lingkungan mobile edge, sejalan dengan agenda pembangunan berkelanjutan SDG 9 dan SDG 11. Penelitian ini tidak hanya menunjukkan keunggulan teknis, tetapi juga memberikan dampak positif dalam konteks sosial dan ekonomi digital berbasis privasi.
Baca selengkapnya di sini.