<![CDATA[Penelitian ini mengembangkan arsitektur Federated Learning (FL) hierarkis tiga tingkat untuk mengatasi berbagai tantangan pokok dan signifikan terkait privasi, skalabilitas, serta heterogenitas data pada sistem Internet of Things (IoT) skala besar. Melalui pendekatan terintegrasi, arsitektur yang diusulkan mengintegrasikan perangkat edge, gateway cluster, dan server cloud, yang dilengkapi dengan mekanisme privacy-preserving bertingkat menggabungkan differential privacy, secure aggregation, dan audit berbasis blockchain. Algoritma agregasi adaptif (FedAdapt) dirancang khusus untuk menangani data non-IID dan serangan Byzantine secara robust. Hasil eksperimen pada tiga domain aplikasi utama menunjukkan dengan jelas bahwa arsitektur mencapai akurasi rata-rata 92,8% serta yang menekan overhead komunikasi hingga 73,4% dibandingkan pendekatan standar. Sistem ini juga terbukti sangat tangguh terhadap serangan hingga 30% klien jahat, dengan tingkat keberhasilan serangan inferensi ditekan dari 72,3% menjadi 8,1%. Secara keseluruhan, arsitektur yang dikembangkan menawarkan keseimbangan optimal antara akurasi, efisiensi, dan privasi, menjadikannya solusi praktis dan skalabel untuk implementasi analitik data cerdas pada ekosistem IoT masa depan.]]>
Copyrights © 2026
