Federated Learning (FL) telah menjadi paradigma pembelajaran mesin yang penting untuk mengatasi tantangan privasi data dalam era digital. Namun, implementasi FL menghadapi dua tantangan utama: perlindungan privasi yang memadai dan penanganan distribusi data Non-IID (Non-Independent and Identically Distributed) yang dapat menurunkan performa model. Penelitian ini mengusulkan pendekatan novel yang mengintegrasikan Differential Privacy dengan Adaptive Parameter Tuning untuk mengatasi kedua tantangan tersebut secara simultan. Metode yang diusulkan menerapkan penyesuaian dinamis terhadap empat parameter: learning rate, batch size, jumlah epoch lokal, dan clipping norm, berdasarkan karakteristik performa setiap klien secara real-time pada setiap round komunikasi. Differential Privacy diimplementasikan melalui mekanisme Gaussian noise dengan privacy budget ε=10.0 dan δ=1e-5 untuk melindungi data. Eksperimen dilakukan pada dataset MNIST dengan tiga skenario Non-IID: Label Skew, Quantity Skew, dan Feature Skew menggunakan 10 klien virtual selama 20 round pelatihan. Lima pendekatan dievaluasi: Static Baseline, Fully Adaptive, LR+Epochs, Clipping Only, dan Epochs+Batch. Hasil menunjukkan metode Fully Adaptive mencapai akurasi test tertinggi 77.40% dibandingkan model parameter statis 48.40% (peningkatan 59.92%) dengan pengurangan loss sebesar 62.54%. Model adaptif juga menunjukkan konvergensi lebih cepat, mencapai threshold akurasi 70% pada round ke-15, serta efisiensi waktu komputasi 33.25% lebih baik.