<![CDATA[Deteksi penipuan kartu kredit merupakan tantangan penting dalam dunia keuangan yang membutuhkan akurasi tinggi sekaligus menjaga privasi data pengguna. Pendekatan tradisional seperti centralized learning mengharuskan pengumpulan data ke satu server pusat, yang meningkatkan risiko pelanggaran privasi. Untuk mengatasi hal ini, penelitian ini menerapkan Federated Learning (FL), yaitu metode pelatihan model secara terdistribusi di masing-masing site atau klien tanpa memindahkan data mentah. Model yang digunakan adalah LightGBM karena efektif dalam mendeteksi transaksi mencurigakan, dan proses agregasi global dilakukan dengan teknik Knowledge Distillation yang dijalankan pada akhir setiap ronde pelatihan lokal. Dataset yang digunakan berasal dari dua sumber berbeda dengan total 10 dataset, untuk mensimulasikan skenario multi-klien dengan domain data yang bervariasi. Hasil pengujian menunjukkan bahwa model FL mencapai akurasi hingga 96%, sebanding dengan centralized learning, serta menunjukkan distribusi metrik yang seimbang antar kelas. Pengujian lintas domain menunjukkan peningkatan F1-score hingga 94%, menandakan kemampuan generalisasi model terhadap data baru. Dari sisi efisiensi, meskipun agregasi membutuhkan waktu lebih lama seiring bertambahnya klien, proses tetap dalam batas wajar. Secara keseluruhan, kombinasi FL dan Knowledge Distillation terbukti menjaga privasi tanpa mengorbankan performa deteksi, menjadikannya solusi potensial untuk sistem deteksi penipuan di lingkungan nyata.]]>
Copyrights © 2025
