Seiring dengan berkembangnya era digital, proses audit keuangan menghadapi berbagai tantangan terutama dalam mengidentifikasi anomali atau ketidakwajaran dalam data pembukuan. Salah satu hambatan utama adalah keterbatasan dalam berbagi data antar organisasi karena masalah privasi dan regulasi yang ketat. Federated Learning (FL) muncul sebagai solusi inovatif yang memungkinkan kolaborasi pelatihan model machine learning tanpa harus memindahkan data asli, sehingga menjaga kerahasiaan data.
Pengertian Federated Learning
Federated Learning merupakan metode pembelajaran mesin terdistribusi yang memungkinkan beberapa pihak untuk melatih model secara bersama-sama tanpa harus berbagi data mentah. Setiap pihak melatih model secara lokal dengan data mereka sendiri, kemudian hanya parameter model yang dikirimkan ke server pusat untuk diintegrasikan. Dengan cara ini, data sensitif tetap terlindungi dan tidak keluar dari sumbernya.
Penerapan Federated Learning dalam Deteksi Anomali pada Pembukuan
Sebuah studi terkini oleh Mashiko dan tim (2025) memperkenalkan metode baru bernama Data Collaboration (DC) analysis yang mengadaptasi Federated Learning tanpa harus berbagi model secara langsung. Metode ini menggunakan representasi data yang telah dienkripsi dan direduksi dimensinya untuk membangun autoencoder guna mendeteksi anomali di pembukuan. Penelitian tersebut menunjukkan bahwa pendekatan ini tidak hanya menjaga privasi data, tetapi juga meningkatkan akurasi deteksi anomali jika terbandingkan dengan metode tradisional seperti FedAvg, terutama pada data yang tidak identik dan independen (non-i.i.d.).
Kelebihan Metode Ini
- Perlindungan Privasi Data: Dengan tidak membagikan data mentah ataupun model secara langsung, risiko kebocoran data dapat terminimalkan.
- Efisiensi Komunikasi: Pendekatan DC memungkinkan pelatihan model dilakukan hanya dalam satu siklus komunikasi, sehingga mengurangi beban komunikasi yang biasanya terjadi dalam Federated Learning tradisional.
- Kinerja Lebih Baik: Dalam uji coba, metode ini menunjukkan hasil deteksi anomali yang lebih akurat daripada metode baseline baik dari organisasi tunggal maupun metode FedAvg.
Tantangan dan Peluang ke Depan
Meskipun menjanjikan, penerapan metode ini dalam skala besar membutuhkan infrastruktur yang memadai serta koordinasi yang baik antar organisasi. Selain itu, perlu adanya pengembangan regulasi dan standar untuk mendukung penggunaan Federated Learning dalam audit keuangan. Namun demikian, dengan meningkatnya kebutuhan akan keamanan data dan efektivitas audit, Pembelajaran Terfederasi berpotensi menjadi metode utama dalam mendeteksi anomali pembukuan di masa depan.
Kesimpulan
Penerapan Federated Learning dalam deteksi anomali pembukuan memungkinkan kolaborasi aman antar organisasi tanpa berbagi data mentah, menjaga privasi dan mengurangi risiko kebocoran data. Metode ini menggunakan pendekatan Data Collaboration dengan representasi terenkripsi, sehingga meningkatkan akurasi deteksi ketidakwajaran pada data yang beragam daripada metode tradisional.
Federated Learning akan menjadi kunci dalam memperkuat integritas audit dan mendukung transformasi digital pengelolaan risiko perusahaan. Untuk optimalisasi, membutuhkan investasi teknologi, pelatihan SDM, dan regulasi yang mendukung kolaborasi aman antar organisasi, sehingga tercipta sistem audit yang transparan, akurat, dan adaptif terhadap perubahan bisnis.
