Perpustakaan Digital ITB

Machine unlearning (MUL) merupakan salah satu pendekatan yang digunakan untuk menghapus dampak dari data latih terhadap model pembelajaran mesin. Penghapusan ini dapat dilakukan karena berbagai alasan, seperti perlindungan privasi, peningkatan keamanan, optimalisasi kegunaan, dan peningkatan akurasi model. Pendekatan ini, diharapkan mampu menghasilkan model yang performanya mirip dengan model yang dilatih ulang (naïve MUL). Penelitian ini bertujuan untuk mengevaluasi perbedaan ukuran kinerja antara melakukan machine unlearning secara naif dan menggunakan algoritma exact machine unlearning, khususnya algoritma SISA dan DaRE Forest dalam skenario penentuan credit scoring. Model pembelajaran untuk credit scoring dikembangkan dengan menggunakan algoritma random forest sebagai model dasar. Algoritma MUL yang digunakan yaitu SISA dan DaRE Forest, juga dikembangkan menggunakan model dasar random forest untuk menghapus pengaruh k = 50% dari data latih. Evaluasi dilakukan dengan menganalisis akurasi model, waktu yang diperlukan untuk melatih ulang model, serta kemiripan hasil prediksi dari masing-masing model. Hasil penelitian menunjukkan bahwa algoritma DaRE Forest memiliki kinerja yang lebih baik dibandingkan model SISA dan model naif. Model yang dihasilkan oleh DaRE Forest memiliki akurasi yang lebih tinggi, waktu pelatihan ulang lebih cepat, dan kemiripan hasil prediksi yang lebih tinggi.