Analisis Komparatif Differential Privacy Pada Federated Learning Melalui Metode Server & Client Clipping Untuk Deteksi Penipuan Kartu Kredit

Bintang Restu Bawono, Dr. Ir. Guntur Dharma Putra, , S.T., M.Sc ; Dr.Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM.

2025 | Skripsi | TEKNOLOGI INFORMASI

Sebagian besar data transaksi perbankan bersifat imbalanced, dimana hal ini menjadikan model klasifikasi tradisional rentan menghasilkan false positive yang tinggi, mengakibatkan biaya investigasi tambahan serta potensi ketidaknyamanan bagi nasabah yang sah. Berbagai pendekatan, seperti data balancing melalui teknik oversampling ataupun undersampling, maupun data augmentation, strategi-strategi ini sering kali memperkenalkan synthetic data, meningkatkan risiko overfitting pada model klasifikasi tersebut. Federated Learning (FL)—paradigma yang melatih model kecerdasan buatan secara terdistribusi tanpa memindahkan data mentah—hadir sebagai alternatif dibanding praktik konvensional untuk melakukan training data dengan data yang terbatas untuk tiap institusi. Walau demikian, gradien yang dikirim dalam FL masih dapat mengungkap informasi sensitif. Di sinilah Differential Privacy (DP) berfungsi: menambahkan noise Gaussian terkontrol sebesar ? dan membatasi kebocoran lewat anggaran privasi ? (privacy budget), yaitu batas numerik seberapa banyak informasi tentang individu dapat tersirat dari keluaran algoritma. 

Riset ini merancang dan mengevaluasi Differentially-Private Federated Learning pada European Credit Card Fraud Dataset memakai arsitektur Convolutional Neural Network. Sensitivitas gradien dibatasi melalui clipping, yakni memotong norma gradien ke ambang tertentu agar setiap pembaruan tidak menghasilkan kebocoran data. Empat skema clipping diuji—fixed clipping dan adaptive clipping yang ditempatkan di client ataupun server. Masing-masing dikombinasikan dengan empat tingkat noise (? = 0, 0,01, 0,03, dan 0,10) dan disimulasikan pada dua klien selama 50 communication rounds. Kinerja diukur menggunakan (?), clipping norm, accuracy, dan Area Under the ROC Curve (AUC)—metrik yang tangguh untuk data penipuan yang tidak seimbang. 

Eksperimen menegaskan keberadaan privacy–utility trade-off. Pada tingkat noise rendah, seluruh varian model mempertahankan akurasi dan AUC tinggi dengan privacy budget yang masih ketat; sebaliknya, penambahan noise secara bertahap menaikkan ? sekaligus menurunkan utilitas model. Di antara keempat skema, konfigurasi adaptive-side adaptive clipping paling stabil sehingga memberikan kompromi terbaik antara perlindungan privasi formal dan efektivitas deteksi penipuan yang dapat diterapkan di dunia nyata

Most banking-transaction datasets are highly imbalanced, where such imbalance makes conventional classifiers prone to large numbers of false positives, driving up investigation costs and inconveniencing legitimate customers. Typical counter-measures—oversampling, undersampling, or other forms of data augmentation—inject synthetic examples, raising the risk of overfitting and, critically, leaving the problem of data fragmentation across institutions unsolved. Federated Learning (FL) offers a broader remedy: each bank trains locally and transmits privacy-preserving model updates—rather than raw records—to a central server, collectively enriching the minority class while keeping customer data

on-premise. Yet the exchanged gradients can still leak sensitive information. Differential Privacy (DP) mitigates this risk by clipping each gradient to a norm bound Ct and adding calibrated Gaussian noise with scale ?; the resulting privacy budget ? upper-bounds what an adversary can infer about any individual. 

This study designs and evaluates a differentially private FL scheme on the European Credit-Card Fraud 2013 dataset using a lightweight Convolutional Neural Network. Four clipping variants are investigated—fixed and adaptive clipping placed either on the client or on the server. Each variant is combined with four noise levels (? = 0, 0.01, 0.03, and 0.10) and simulated on two clients over 50 communication rounds. Performance is assessed by the privacy budget (?), the clipping norm, Accuracy, and the Area Under the ROC Curve (AUC)—a metric well-suited to highly imbalanced fraud data.

The experiments confirm a clear privacy–utility trade-off. At low noise levels, all model variants retain high Accuracy and AUC while keeping a tight privacy budget; conversely, increasing ? enlarges ? and progressively degrades utility. Among the four schemes, the server-side adaptive clipping configuration proves the most stable, offering the best compromise between formal privacy guarantees and effective fraud-detection performance. 

<!--EndFragment-->

Kata Kunci : Federated Learning, Differential Privacy, Clipping, Convolutional Neural Network, Credit-Card Fraud.