Federated Learning Architecture

Intelijen Fraud Nasional
Tanpa Berbagi Data Sensitif

12+ lembaga keuangan berbagi intelijen fraud secara kolektif menggunakan Federated Learning — model AI belajar dari data terdistribusi tanpa satu pun data nasabah pernah meninggalkan lembaga.

Zero Raw Data Sharing

Differential Privacy (ε=1.0)

POJK / BI Compliant

12+

Lembaga
Terkoneksi

Data Nasabah
Dibagikan

48×

Federasi
per Hari

Mengapa Federated Learning?

Pendekatan tradisional menciptakan risiko privasi yang tidak dapat diterima

Pendekatan Tradisional

Centralized Data Sharing

Data transaksi nasabah dikirim ke server pusat
Risiko kebocoran PII & nomor rekening
Berpotensi melanggar POJK perlindungan data konsumen
Lembaga enggan bergabung karena risiko reputasi
Single point of failure jika server pusat diserang

GARUDASHIELD FL

Privacy-Preserving Federation

Hanya gradient model yang dikirim — bukan data mentah
Data nasabah tidak pernah meninggalkan lembaga
Compliant POJK, PDPA, regulasi Bank Indonesia
Lembaga percaya bergabung karena privasi terjamin
Model makin cerdas seiring bertambahnya lembaga

Arsitektur Jaringan FL

Setiap lembaga melatih model lokal; hanya gradient updates yang diagregasi secara aman

Gradient Upload Model Update Data nasabah tetap lokal

FL
AGGREGATOR

BPR Sejahtera
Jakarta

Kop. Makmur
Surabaya

BPR Berkah
Bandung

FinPay ID
Jakarta

BPR Mitra
Medan

Kop. Maju
Semarang

BPR Koperasi Fintech

4 Fase per Ronde Federasi

Satu ronde selesai dalam ~10 menit; tidak ada data mentah yang keluar

Distribusi Model Global

Server FL mendistribusikan model global terkini ke semua lembaga yang ikut dalam ronde ini.

Server → Lembaga

Pelatihan Lokal

Setiap lembaga melatih model pada data transaksi lokal selama beberapa epoch. Data tidak keluar.

Di dalam lembaga

Upload Gradient + DP

Lembaga kirim gradient model (bukan data) dengan noise differential privacy Gaussian (ε=1.0).

Lembaga → Server

Agregasi FedAvg

Server agregasi gradient via Federated Averaging, hasilkan model global lebih baik. Kembali ke fase 1.

Loop setiap 30 menit

Spesifikasi Teknis

Implementasi state-of-the-art dengan jaminan privasi terukur secara matematis

Algoritma FedAvg + DP-SGD

# Server: Federated Averaging (McMahan et al. 2017)
def fed_avg(global_model, client_updates):
    n_total = sum(u['n_samples'] for u in client_updates)
    new_w = []
    for idx in range(len(global_model.weights)):
        w_avg = sum(
            u['weights'][idx] * u['n_samples'] / n_total
            for u in client_updates
        )
        new_w.append(w_avg)
    return new_w

# Client: DP-SGD — noise sebelum kirim gradient
def dp_gradient(grad, epsilon=1.0, delta=1e-5):
    clipped = clip_by_norm(grad, max_norm=1.0)
    sigma   = gaussian_sigma(epsilon, delta, sensitivity=1.0)
    return clipped + normal(0, sigma, clipped.shape)
                        

Differential Privacy (ε=1.0, δ=10⁻⁵)

Setiap gradient diberi noise matematis sebelum dikirim ke server. Dengan parameter ini, bahkan server FL tidak dapat merekonstruksi data transaksi individual nasabah — dijamin secara kriptografis.

Parameter Konfigurasi FL

Algoritma

FedAvg + DP-SGD

Ronde / hari

48× (setiap 30 menit)

Min. klien/ronde

3 dari 12 lembaga

Privacy budget (ε)

1.0 (strong privacy)

Ukuran gradient

~2.1 MB / ronde

Model base

Isolation Forest + MLP

Roadmap Implementasi

Dari MVP terpusat menuju jaringan federated penuh lintas Indonesia

Fase 1 — Centralized MVP

LIVE SEKARANG

Server ML terpusat: Isolation Forest + multi-model ensemble. Dashboard lembaga & regulator. API gateway PHP. Real-time fraud scoring.

garudashield.adindamochamad.com

Fase 2 — FL Pilot

Q3 2026

FedAvg + DP-SGD dengan 3–5 lembaga pilot. Secure aggregation. Dashboard FL monitoring per ronde. Audit trail gradient.

Fase 3 — National Federation

Q1 2027

50+ lembaga BPR, Koperasi & Fintech. Cross-institutional fraud pattern. Integrasi SKNBI & BI-FAST. Real-time federation setiap 30 menit.

Intelijen Fraud Nasional Tanpa Berbagi Data Sensitif