Dalam dekade terakhir, teknologi Deep Learning (DL), khususnya Convolutional Neural Network (CNN), telah berhasil diaplikasikan dalam citra medis untuk mengklasifikasikan tumor otak. Namun, performa model DL sangat bergantung pada dataset medis yang besar dan beragam. Pengumpulan dataset yang besar memerlukan akses ke data pasien dari banyak rumah sakit, yang dapat melanggar privasi. Pendekatan Federated Learning (FL) muncul sebagai solusi menjaga privasi data ini. Meskipun demikian, penerapan FL memunculkan tantangan baru, seperti heterogenitas perangkat yang digunakan, dan dapat memengaruhi kinerja model. Untuk mengatasi tantangan, penelitian ini mengusulkan algoritma Dynamic Batch size and Epoch (DBSE) yang dapat mengatur batch size dan epoch secara dinamis pada setiap perangkat. Dengan menggunakan DBSE, efisiensi komputasional meningkat dengan meminimalkan waktu tunggu pelatihan FL. Hasil verifikasi menunjukkan FL dengan DBSE dapat mempercepat konvergensi model sebesar 1.29x dibandingkan dengan FL tanpa menggunakan DBSE pada lingkungan yang sama, dengan akurasi dalam klasifikasi tumor otak mencapai 99.31%.
