 |
| Tampilan Jurnal Awal |
Jurnal ini dibuat oleh: Nouhaila Innan Dkk. dari berbagai instansi dan disiplin ilmu terkait Quantum Teknologi. Jurnal dengan judul "Financial Fraud Detection using Quantum Graph Neural Networks" Tahun 2023 dengan subject Quantum Physics (quant-ph); Artificial Intelligence (cs.AI); Machine Learning (cs.LG) menarik untuk kita lakukan resume. Karena penipuan keuangan menimbulkan kerugian besar dan dapat mencoreng reputasi institusi keuangan. Pendekatan tradisional sering kali gagal menangkap dinamika kompleks dari aktivitas penipuan. Artikel ini mengusulkan Quantum Graph Neural Networks (QGNNs) sebagai metode inovatif dalam mendeteksi penipuan keuangan. Dengan memanfaatkan Variational Quantum Circuits (VQC), QGNN dapat menganalisis data berbentuk graf secara lebih efisien dibandingkan metode konvensional.
Hasil penelitian menunjukkan bahwa QGNN mengungguli Classical Graph Neural Networks (GNNs) dengan AUC 0,85 dan akurasi 94,5% pada dataset dunia nyata. Penelitian ini menegaskan potensi besar QGNN dalam meningkatkan deteksi penipuan keuangan dan memberikan kontribusi penting bagi keamanan ekosistem keuangan.
Penipuan keuangan adalah ancaman serius bagi institusi keuangan global. Metode deteksi tradisional sering kali kurang efektif menghadapi kompleksitas dan dinamika taktis dari aktivitas penipuan. Untuk mengatasi tantangan ini, studi ini memperkenalkan Quantum Graph Neural Networks (QGNNs) sebagai pendekatan revolusioner dalam deteksi penipuan keuangan.
Latar Belakang
Dengan meningkatnya transaksi digital, penipuan finansial menjadi semakin canggih, memerlukan metode deteksi yang lebih adaptif dan presisi. Metode berbasis Graph Neural Networks (GNNs) telah membuktikan kemampuannya dalam mengidentifikasi pola kompleks dalam data berbentuk graf. Namun, pendekatan berbasis graf konvensional menghadapi keterbatasan dalam menangani pertumbuhan data eksponensial. QGNN memanfaatkan sifat unik komputasi kuantum, seperti superposisi dan entanglement, untuk meningkatkan efisiensi dan akurasi deteksi.
Pendekatan Penelitian
Penelitian ini mengembangkan model QGNN yang menggunakan Variational Quantum Circuits (VQC) untuk meningkatkan representasi fitur data graf. Data diuji pada dataset transaksi kartu kredit dengan fitur terenkripsi, termasuk waktu, jumlah, dan 28 atribut lainnya.
Langkah Utama:
- Konstruksi Graf: Setiap transaksi diterjemahkan menjadi graf, dengan node sebagai fitur dan edge sebagai hubungan antar fitur.
- Analisis Topologi Data: Menggunakan clustering untuk mengurangi node, sehingga efisien dalam pemrosesan kuantum.
- Encoding Quantum: Data diubah menjadi keadaan kuantum dengan teknik encoding sudut menggunakan qubit.
- Klasifikasi: Hasil akhir diklasifikasikan sebagai penipuan atau tidak menggunakan lapisan linear.
Hasil dan Diskusi
QGNN menunjukkan kinerja superior dibandingkan metode GNN klasik. Dengan 6 qubit dan satu lapisan tersembunyi, QGNN mencapai akurasi 94,5% dengan F1 score 0,86, mengungguli model GNN klasik dengan akurasi 92,3% dan F1 score 0,83.
Keunggulan utama QGNN adalah kemampuan:
- Memproses data secara paralel.
- Mengidentifikasi pola tersembunyi yang sulit dikenali oleh metode klasik.
- Menangani dataset yang tidak seimbang dengan toleransi tinggi.
Kesimpulan
QGNN membuktikan potensi untuk merevolusi deteksi penipuan keuangan. Dengan peningkatan fitur kuantum yang lebih kompleks, model ini diharapkan dapat mencapai keunggulan kuantum nyata, mendukung keamanan sistem keuangan secara global.
Penelitian ini membuka jalan bagi integrasi lebih lanjut antara komputasi kuantum dan pembelajaran mesin dalam mendeteksi dan mencegah ancaman keuangan masa depan.
Kata Kunci
Quantum Machine Learning, Quantum Graph Neural Networks, Variational Quantum Circuits, Deteksi Penipuan
Link Jurnal: https://doi.org/10.48550/arXiv.2309.01127
