Pemanfaatan teknologi kecerdasan buatan dalam bidang medis menghadapi tantangan besar terkait privasi data pasien dan keterbatasan infrastruktur komputasi di institusi kesehatan. Penelitian ini bertujuan membangun sistem klasifikasi citra penyakit Alzheimer berbasis Magnetic Resonance Imaging (MRI) yang menjaga kerahasiaan data menggunakan metode Federated Learning (FL) dan memanfaatkan arsitektur EfficientNet. Model dilatih secara terdistribusi tanpa memindahkan data mentah antar institusi, dengan proses agregasi parameter dilakukan menggunakan metode Federated Averaging (FedAvg). Enam model EfficientNet, dari B0 hingga B5, diuji performanya berdasarkan akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa seluruh model mencatat performa di atas 97%, dengan EfficientNetB2 menjadi model terbaik dengan akurasi yang sama dengan EfficientNetB3 yaitu 98,63% akan tetapi memiliki precision yang lebih tinggi dengan nilai 98,66%. Model ini terbukti mampu menjaga keseimbangan antara performa tinggi dan efisiensi sumber daya komputasi, sehingga sesuai diterapkan dalam lingkungan medis dengan keterbatasan perangkat keras. Penelitian ini diharapkan dapat menjadi referensi pengembangan sistem klasifikasi citra medis terdistribusi yang mengutamakan privasi dan tetap dapat diterapkan secara efektif pada infrastruktur komputasi yang terbatas