Perpustakaan Digital ITB

Pengesahan UU 27/2022 tentang Pelindungan Data Pribadi mewajibkan penyedia layanan jasa keuangan sebagai pengelola data pribadi untuk melayani permintaan penghapusan data pribadi debitur yang tidak mudah dilakukan terhadap model pemelajaran mesin. Salah satu solusi untuk mengatasi ini adalah penggunaan algoritma machine unlearning (MUL) untuk menghapus pengaruh data latih terhadap bobot model pemelajaran mesin. Penelitian ini dilakukan untuk membandingkan unjuk kerja implementasi algoritma ?-? Certified Removal (?-? CR) dan algoritma Projective Residual Update (PRU) pada skenario penilaian risiko kredit dengan model pemelajaran berbasis regresi logistik multivariat. Pengembangan model risiko kredit dilakukan menggunakan set data debitur lembaga jasa keuangan di Indonesia untuk mendapatkan model pemelajaran terbaik berdasarkan hasil hyperparameter tuning. Algoritma MUL yang digunakan dalam eksperimen diimplementasikan menggunakan nilai ?? ? {0.01, 0.005, 0.001} untuk menghapus pengaruh kk = 10% data latih. Hasil eksperimen menunjukkan algoritma ?-? CR menghasilkan model pemelajaran hasil MUL dengan nilai LL2-distance yang lebih rendah, akurasi yang lebih tinggi, serta waktu unlearning yang lebih rendah dibandingkan algoritma PRU untuk kk < 3% dan berlaku sebaliknya untuk kk ? 3%. Penelitian lebih lanjut diperlukan untuk mengeksplorasi pengaruh ukuran serta dimensi set data terhadap unjuk kerja model pemelajaran hasil MUL.