Dalam ekosistem Fintech 2026, metode deteksi penipuan konvensional yang berbasis data tabular (baris dan kolom) seperti Random Forest atau XGBoost sudah mulai usang. Mengapa? Karena algoritma ini memperlakukan setiap pengguna sebagai entitas independen. Padahal, sindikat penipuan modern bekerja dalam jejaring (ring fraud) yang kompleks. Di sinilah peran Graph Neural Networks (GNN) menjadi krusial. GNN tidak hanya mempelajari fitur dari satu node (user), tetapi juga mempelajari struktur topologi hubungan antar node (transaksi antar user).
Kajian Matematis: Message Passing
Inti dari GNN adalah mekanisme Message Passing. Bayangkan User A adalah penipu. Dalam database relasional biasa, User B yang bertransaksi dengan User A mungkin terlihat normal. Namun, dalam grafik, User A akan 'mengirim pesan' berupa bobot kecurigaan (embedding) ke tetangganya, User B, C, dan D. Setelah beberapa lapis propagasi (multi-hop), jaringan dapat menyimpulkan bahwa User B adalah bagian dari sindikat, meskipun profil individunya bersih. Riset menunjukkan GNN meningkatkan deteksi collusive fraud hingga 45% dibanding model linear.
Tutorial Implementasi Menggunakan PyTorch Geometric
Untuk memulai, kita perlu mengubah dataset transaksi menjadi struktur Data(x, edge_index). Variabel x adalah fitur node (waktu login, device ID), dan edge_index adalah representasi siapa mentransfer ke siapa. Gunakan arsitektur GraphSAGE (Graph Sample and Aggregate) karena kemampuannya melakukan induksi pada node baru yang belum pernah dilihat saat training (inductive learning), sangat cocok untuk sistem perbankan yang dinamis.
Kritik teknis yang perlu diperhatikan: GNN sangat rakus memori GPU. Untuk dataset dengan jutaan node (seperti data nasabah CybermaXia), jangan memuat seluruh grafik ke VRAM. Gunakan teknik Neighbor Sampling atau Cluster-GCN untuk memecah grafik menjadi sub-grafik kecil (mini-batch) tanpa merusak integritas informasi strukturalnya.