Perpustakaan Digital ITB

Pertumbuhan volume transaksi keuangan online secara signifikan menimbulkan ancaman transaksi fraud, yaitu transaksi oleh pencuri identitas pengguna layanan. Transaksi fraud akan merugikan pihak perusahaan penyedia layanan dan juga pengguna layanan transaksi online. Model machine learning telah banyak digunakan untuk mendeteksi transaksi fraud dan menghasilkan metriks evaluasi yang memuaskan. Namun, meningkatnya volume dan variasi data transaksi menjadikan algoritma machine learning tradisional kesulitan untuk mendeteksi transaksi fraud. Penelitian ini bertujuan untuk menerapkan Adversarial AttentionBased Variational Autoencoder (AAVGA) untuk mendeteksi fraud dengan memodelkan data transaksi sebagai graf dan menggunakan penyematannya untuk tugas klasifikasi. AAVGA adalah salah satu metode penyematan graf terbaru yang menggunakan Graph Attention Network (GAN) untuk membangkitkan penyematan graf dan menerapkan strategi adversarial untuk meningkatkan generalisasi pada penyematan graf. Penyematan graf yang dihasilkan digunakan sebagai masukan berbagai algoritma klasifikasi dan klusterisasi untuk mendeteksi transaksi fraud. Hasil perbandingan metriks evaluasi menunjukkan pendekatan ini mendapatkan akurasi sempurna dengan menggunakan algoritma machine learning XGBoost pada data graf dengan 8000 titik. Akurasi serupa juga didapatkan dengan penerapan machine learning langsung dengan algoritma Decision Tree. Pada penggunaan algoritma klusterisasi, pendekatan ini memprediksi benar terhadap seluruh transaksi fraud dan mengungguli penerapan machine learning langsung. Berdasarkan hasil tersebut, pendekatan pemodelan graf pada data transaksi menunjukkan hasil yang menjanjikan untuk disempurnakan lebih lanjut mengingat luasnya kapabilitas graph deep learning.