Pembelajaran mesin grafik dan sistem deteksi penipuan tumbuh dan populer saat ini.
Sistem deteksi penipuan telah banyak digunakan sebagai alat untuk mendeteksi transaksi
yang berpotensi penipuan. Sistem fraud detection dapat digunakan untuk mengetahui pola
transaksi yang diduga merupakan transaksi kriminal. Pengembangan graph machine
learning dapat diimplementasikan pada apa saja yang dapat direpresentasikan dalam bentuk
grafik. Fraud detection system perbankan dapat diimplementasikan dalam bentuk graf
dengan menghubungkan nasabah yang telah melakukan transaksi dengan nasabah lain atau
aktivitas transaksi nasabah. Dari graf yang telah terbentuk akan dilakukan prediksi agar
transaksi baru dapat digolongkan sebagai transaksi penipuan atau tidak dengan
menghubungkan transaksi tersebut dengan graf yang telah dibuat. Hasil percobaan
menunjukkan bahwa model deteksi penipuan berbasis grafik menghasilkan kinerja yang
lebih baik daripada model berbasis pohon, namun dengan waktu inferensi yang lebih lama.
untuk mencoba mengurangi waktu inferensi yang dihasilkan pada model graf, penulis juga
melakukan pengambilan sampel dengan metode importance sampling. Hasil penelitian
menunjukkan, dengan akurasi yang masih lebih tinggi dari model berbasis pohon,
pengambilan sampel dapat mengurangi nilai waktu inferensi pada model graf, meskipun
masih lebih tinggi dari model berbasis pohon. Melalui hasil eksperimen yang dilakukan,
AUC Score terbaik dihasilkan oleh model GraphSage degan AUC 0,997, namun
berdasarkan waktu inferensi tercepat, dihasilkan oleh LightGBM dari tree-based model
yaitu 3.96 ms. Dengan implementasi importance sampling, AUC yang dihasilkan 0,994
dengan waktu inferensi 503 ms.