Perpustakaan Digital ITB

Seiring meningkatnya kesadaran akan privasi data, kebutuhan untuk menghapus pengaruh data tertentu dari model machine learning (ML) menjadi semakin krusial, terutama pada sistem klasifikasi ras berbasis gambar wajah yang memanfaatkan data biometrik sensitif. Machine unlearning (MUL) hadir sebagai solusi untuk mengatasi tantangan ini tanpa harus melatih ulang model dari awal (naïve retraining). Penelitian ini menyajikan analisis komparatif antara dua algoritma approximate unlearning, yaitu Nabla Tau dan SCAR, pada sistem klasifikasi ras berbasis CNN. Perbandingan dilakukan berdasarkan aspek efektivitas, efisiensi, dan utilitas dengan dua jenis skenario pengujian, yaitu random removal dan class removal dengan berbagai proporsi forget set. Hasil evaluasi menunjukkan bahwa tidak ada algoritma yang unggul secara absolut. SCAR menunjukkan efektivitas lebih tinggi pada kasus random removal, sementara Nabla Tau lebih efektif untuk class removal dan secara konsisten mempertahankan utilitas model yang lebih baik. Di sisi lain, SCAR rentan mengalami penurunan utilitas drastis (catastrophic unlearning), yang dipengaruhi oleh proporsi forget set dan distribusi kelas pada surrogate set. Studi ini menyimpulkan bahwa Nabla Tau menawarkan keseimbangan performa yang lebih andal untuk tugas klasifikasi ras.