Perpustakaan Digital ITB

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.