Article Per Year (5 Year)
p-Index From 2021 - 2026
1.286
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi JURNAL ILMIAH INFORMATIKA JURNAL INSTEK (Informatika Sains dan Teknologi) International Journal Of Science, Technology & Management (IJSTM) JoMMiT : Jurnal Multi Media dan IT Jurnal Pengabdian Siliwangi JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Nur Widiyasono
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences Transportation Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
FEDERATED XGBOOST FOR ETHEREUM AML: PERFORMANCE EFFICIENCY TRADE OFF IN A MULTI EXCHANGE SETTING Nazwa Auliarahman; Nur Widiyasono; Aradea
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.66853

Abstract

Penelitian ini mengevaluasi efektivitas federated learning dalam mendeteksi alamat ilegal pada blockchain Ethereum untuk Anti Money Laundering (AML). Studi ini membandingkan XGBoost centralized dan federated dalam simulasi multi exchange, data dibagi secara horizontal menjadi 3 subset yang merepresentasikan entitas bursa independen. Untuk mengisolasi pengaruh pelatihan terdistribusi, pembagian data dilakukan secara homogen (IID), sehingga analisis difokuskan pada perbedaan mekanisme pembelajaran tanpa dipengaruhi heterogenitas data. Hasil menunjukkan bahwa model federated mencapai performa yang kompetitif dengan PR AUC 0,9962 dan akurasi 97,11%, dibandingkan model terpusat dengan PR AUC 0,9975 dan akurasi 97,75%. Namun, performa tersebut disertai peningkatan durasi pelatihan 4,01 detik dibandingkan 3,39 detik, yang disebabkan oleh beban komunikasi selama proses pembaruan model. Temuan ini menegaskan adanya trade off antara kinerja dan efisiensi dalam penerapan federated learning. Meskipun mampu mendekati performa pembelajaran centralized, pendekatan ini menimbulkan biaya operasional tambahan. Studi ini merupakan evaluasi dasar dalam kondisi terkontrol dan belum merepresentasikan skenario dunia nyata, sehingga diperlukan penelitian lanjutan pada data non IID dan skala sistem yang lebih besar.
Co-Authors Adhy, Dewanto Rosian Agung Purnama Saputra Ahmad Luthfi Alam Rahmatullah Alam Rahmatulloh Alpan Hikmat Muharram Permana Aradea Aradea Asep Solahudin Rusdi Budi Tjahjono Dwi Kurnia Wibowo Heni Sulastri Husni Mubarok Husni Mubarok Ilham Taufiqurrohman Irfan Febrian Editia Kurdiat Muhammad Abdullah Hadi Nazwa Auliarahman Nizirwan Anwar Rayhan Ramadhan Rianto, Rianto Rudi Hermawan