Pertumbuhan pesat transaksi digital, seperti kartu kredit, memberikan banyak peluang bagi para penipu. Oleh karena itu, institusi keuangan memerlukan sistem deteksi penipuan kartu kredit yang kuat untuk meminimalisir transaksi yang tidak memiliki izin. Namun, pengembangan deteksi penipuan kartu kredit menghadapi berbagai tantangan, terutama terkait dengan privasi dan keamanan data, yang menyebabkan sulitnya akses terhadap data transaksi. Permasalahan ini menyulitkan proses pembelajaran pola kompleks dari transaksi penipuan. Oleh karena itu, studi ini mengusulkan sistem deteksi penipuan kartu kredit yang dibangun menggunakan Federated Learning (FL) yang dikombinasikan dengan Deep Learning (DL). Pendekatan ini memungkinkan beberapa institusi keuangan untuk melatih model secara kolaboratif tanpa harus berbagi data mentah. Untuk mempelajari hubungan fitur yang kompleks, kami mengusulkan penggunaan model TabTransformer. Mekanisme self-attention pada model ini meningkatkan kemampuan dalam mendeteksi pola penipuan. Studi sebelumnya telah menunjukkan efektivitas penggabungan FL dan DL. Dalam penelitian ini, metode yang diusulkan menunjukkan peningkatan kinerja dalam mendeteksi aktivitas penipuan. Hasil penelitian ini menunjukkan bahwa model yang dikembangkan mencapai accuracy sebesar 98.04%, precision sebesar 68.67%, recall sebesar 97.76%, dan F1-score sebesar 80.59% pada dataset IEEE-CIS Fraud Detection. Dibandingkan dengan model baseline, metode yang diusulkan menunjukkan kinerja yang lebih unggul.