Perpustakaan Digital ITB

Fraud detection dalam transaksi perbankan semakin kompleks seiring meningkatnya volume transaksi dan berkembangnya teknik kecurangan yang semakin canggih. Pendekatan berbasis Graph Neural Network (GNN) telah digunakan untuk mengenali pola hubungan antar transaksi, namun masih memiliki keterbatasan dalam menyebarkan informasi risiko secara efektif. Penelitian ini mengintegrasikan risk propagation ke dalam GraphSAGE (Graph Samping and Aggregate) untuk memperkaya representasi embedding dan meningkatkan akurasi fraud detection pada saat kondisi data berlabel tersedia dan juga pada saat kondisi data berlabel terbatas. Hasil eksperimen menunjukkan bahwa risk propagation secara signifikan meningkatkan AUC, dengan GraphSAGE baseline hanya mencapai AUC 0.803, sedangkan model yang mengintegrasikan risk propagation meningkat drastis menjadi 0.998. Dalam skenario pelatihan dengan data berlabel kecil, AUC tetap berada dalam kisaran yang baik, dengan AUC sebesar 0.823 walaupun pada kondisi hanya terdapat 20% data berlabel, menunjukkan bahwa risk propagation tetap efektif dalam menyebarkan informasi risiko meskipun jumlah data berlabel terbatas. Dengan demikian, integrasi risk propagation dalam GraphSAGE terbukti memperkaya representasi embedding dengan menyebarkan informasi risiko ke transaksi yang terhubung, sehingga model lebih mampu mengenali pola fraud yang tersembunyi. Namun, tanpa balancing data, F1-score dan AP tetap rendah akibat dominasi kelas mayoritas (non-fraud), dengan F1-score sebesar 0.299 dan AP sebesar 0.495. Penerapan undersampling berhasil meningkatkan F1-score menjad 0.980 dan AP menjadi 0.981, lebih unggul dibanding oversampling.