cover
Contact Name
Muhammad Nur Akbar
Contact Email
muhammad.akbar@uin-alauddin.ac.id
Phone
+6285242044250
Journal Mail Official
instek@uin-alauddin.ac.id
Editorial Address
Jl. H. M. Yasin Limpo No. 36 Samata, Gowa, Sulawesi Selatan
Location
Kab. gowa,
Sulawesi selatan
INDONESIA
JURNAL INSTEK (Informatika Sains dan Teknologi)
ISSN : 25411179     EISSN : 25811711     DOI : https://doi.org/10.24252/instek.v6i2
The Scope topics include, but are not limited to : Agent System and Multi-Agent Systems Analysis & Design of Information System Artificial Intelligence Big Data and Data Mining Cloud & Grid Computing Computer Vision Cryptography Decision Support System DNA Computing E-Government E-Business E-Learning Embedded System Enterprise System Green software development Green computing Green Information Technology Human Computer Interaction Image Processing & Computer Vision Informatics Theory Information System IT for Education IT for Industry IT for Chemical Mechatronics Mobile Computing & Applications Natural Language Processing Network & Data Communications Open Source System Semantic Web Social Networking & Application Soft Computing Software Engineering Software Entrepreneurship Web Engineering Wireless Communication Mikrokontroller elektronic and telecomonunication
Articles 341 Documents
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.