Diam-Diam AI Makin Pintar Gara-Gara Federated Learning, Apa Maksudnya?
Jakarta, CNBC Indonesia - Perkembangan teknologi yang semakin masif tentunya berdampak pada kemudahan manusia dalam beraktivitas. Kecerdasan buatan yang semakin canggih membuat hidup terasa makin mudah. Misalnya saja, ponsel pintar yang dimiliki seperti mengenali penggunanya.
Pembahasan kecerdasan buatan (Artificial Intelligence/AI) tersebut mengutip tulisan Rachmad Andri Atmoko asal Universitas Brawijaya The Conversation yang ditayangkan pada 19 Januari 2026. Dia menjabarkan, ponsel pintar seperti dapat menebak kata apa yang ingin diketik, mampu menebak selera musik, hingga fitur kesehatan yang dapat memberi saran yang sangat personal.
Semua itu bukan kebetulan. Di balik kemudahan itu, ada kecerdasan buatan (AI) yang terus belajar dari kebiasaan penggunanya. Selama ini, cara AI belajar sering menimbulkan kekhawatiran. Data pribadi mulai dari teks, pencarian, hingga pola penggunaan dikumpulkan dan dikirim ke server pusat perusahaan teknologi.
Bayangkan satu gudang raksasa yang menampung data jutaan orang. Praktis untuk dianalisis, tapi juga rawan disalahgunakan dan bocor.
Di sinilah federated learning hadir sebagai pendekatan baru yang diam-diam mengubah cara AI menjadi pintar. Belajar tanpa mengumpulkan data, Federated learning secara sederhana membalik pola lama.
Jika sebelumnya data pengguna dikirim ke server untuk "diajari" AI, kini justru model AI yang datang ke perangkat pengguna. Alih-alih memindahkan data, proses belajarnya dilakukan langsung di ponsel, tablet, atau komputer masing-masing pengguna. Setelah itu, perangkat hanya mengirim hasil pembelajaran berupa pembaruan model bukan data mentah ke server pusat.
Analogi, jika cara lama seperti mengumpulkan semua siswa ke satu kelas besar. Federated learning lebih mirip guru yang berkeliling ke rumah siswa, lalu menyimpulkan pelajaran bersama tanpa membawa catatan pribadi masing-masing murid. Hasilnya, AI tetap berkembang, tetapi data pribadi tetap tinggal di perangkat pengguna.
"Data foto, pesan, dan kebiasaan kita tetap tersimpan aman di perangkat sendiri," tulisnya, dikutip Sabtu (24/1/2026).
Ternyata, Google sudah menggunakan federated learning sejak 2017 lalu, terutama pada keyboard Gboard di Android. Ketika pengguna sering mengetik kata atau frasa tertentu, Gboard mempelajarinya secara lokal di ponsel. Google hanya menerima pola umum, bukan isi pesan.
Selain itu, Apple juga telah menerapkan pendekatan serupa pada Siri dan fitur QuickType. Apple mengombinasikan pemrosesan lokal dengan teknik privasi tambahan agar data pengguna tidak bisa ditelusuri kembali ke individu tertentu.
Artinya, tanpa disadari, miliaran pengguna ponsel sudah berinteraksi dengan AI yang belajar lewat federated learning.
Manfaat federated learning juga terasa di sektor kesehatan. Data medis adalah salah satu jenis data paling sensitif dan dilindungi ketat oleh regulasi. Selama ini, banyak riset AI medis terhambat karena rumah sakit tidak boleh sembarangan berbagi data pasien.
Namun, dengan federated learning, masalah itu bisa diatasi. Model AI dikirim ke masing-masing rumah sakit, belajar dari data pasien setempat, lalu mengirimkan pembaruan model secara anonim. Rekam medis tidak pernah keluar dari sistem rumah sakit.
"Sebuah studi di jurnal Nature menunjukkan teknik ini berhasil mendeteksi tumor otak menggunakan data dari lembaga medis di beberapa negara. Data pasien tetap aman di masing-masing rumah sakit," ungkapnya.
Hal ini membuka peluang riset lintas negara tanpa melanggar aturan privasi seperti regulasi perlindungan data (GDPR) di Uni Eropa.
Meski terdengar canggih, namun federated learning bukan tanpa kelemahan. Karena proses belajar dilakukan di perangkat pengguna, beban komputasi ikut berpindah. Ponsel bisa bekerja lebih keras, baterai lebih cepat terkuras, dan koneksi internet tetap dibutuhkan untuk mengirim pembaruan model.
Masalah lain adalah kesenjangan perangkat. Ponsel kelas atas mungkin mampu menjalankan proses ini dengan lancar, tapi perangkat murah dengan prosesor terbatas bisa kesulitan.
Soal keamanan pun belum sepenuhnya selesai. Walau data mentah tidak dikirim, pembaruan model masih berpotensi dianalisis untuk menebak informasi sensitif jika tidak dilindungi dengan teknik tambahan.
Untuk menutup celah tersebut, para peneliti mengembangkan metode lanjutan. Salah satunya adalah secure aggregation, teknik kriptografi yang membuat server hanya bisa melihat hasil gabungan dari banyak perangkat, tanpa mengetahui kontribusi masing-masing pengguna.
Dengan cara ini, bahkan jika server pusat berniat "mengintip", ia tetap tidak bisa mengetahui pembaruan individu.
Hal lainnya adalah differential privacy. Teknik ini menambahkan gangguan acak (noise) ke dalam proses pembelajaran, sehingga hasil akhir tidak bisa digunakan untuk melacak data satu orang tertentu. Secara matematis, model tetap akurat secara umum, tapi aman secara individu.
Penelitian terbaru menunjukkan kombinasi secure aggregation dan differential privacy memberikan perlindungan ganda: data individu tersembunyi, dan hasil akhir juga tahan terhadap analisis statistik yang agresif.
Di tengah kekhawatiran global soal privasi dan penyalahgunaan data oleh perusahaan teknologi besar, federated learning menawarkan harapan. Tentu masih banyak pekerjaan rumah. Namun, arah pengembangannya sudah jelas, AI masa depan harus bisa pintar tanpa harus mengintip data pribadi kita.
[Gambas:Video CNBC]