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.