Deteksi Fraud Pada Transaksi Ethereum Menggunakan Kolmogorov-Arnold Networks Berdasarkan Graph Oversampling

Juwono, Yhudha (2026) Deteksi Fraud Pada Transaksi Ethereum Menggunakan Kolmogorov-Arnold Networks Berdasarkan Graph Oversampling. Masters thesis, Institut Teknologi Sepulun Nopember.

Text 6025231055-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pertumbuhan pesat ekosistem mata uang kripto, khususnya Ethereum, memicu peningkatan volume dan kompleksitas transaksi yang rentan terhadap aktivitas kecurangan seperti scam, ponzi scheme, dan pencucian uang. Sifat pseudonim dari alamat Ethereum menyulitkan proses identifikasi pelaku, sementara fleksibilitas smart contract membuka celah baru bagi tindakan penipuan. Oleh karena itu, deteksi fraud pada jaringan Ethereum menjadi sangat penting untuk menjaga keamanan dan kepercayaan pengguna dalam ekosistem blockchain. Pendekatan berbasis tabular memiliki keterbatasan dalam merepresentasikan hubungan antarakun karena setiap data diperlakukan sebagai entitas yang berdiri sendiri. Representasi berbasis graf menawarkan alternatif yang lebih sesuai karena mampu memodelkan keterhubungan antar entitas, sehingga pola interaksi yang berkaitan dengan aktivitas fraud dapat dianalisis secara lebih komprehensif. Selain itu, proses deteksi masih menghadapi tantangan berupa ketidakseimbangan distribusi kelas, mengingat jumlah transaksi fraud jauh lebih sedikit dibandingkan transaksi normal. Kondisi tersebut menyebabkan model kesulitan mempelajari karakteristik kelas minoritas, sehingga kemampuan mendeteksi transaksi fraud menjadi kurang optimal.Untuk mengatasi ketidakseimbangan data, penelitian ini menggunakan Wasserstein Attention Generative Adversarial Network (WAGAN) sebagai tahap generatif. WAGAN menghasilkan node dannonlinearetis yang merepresentasikan distribusi data fraud dengan tetap mempertahankan fitur transaksi dan struktur topologis graf. Pendekatan ini memastikan bahwa data latih menjadi lebih seimbang dan representatif, sehingga model dapat mempelajari karakteristik transaksi fraud secara lebih baik.Setelah proses oversampling, deteksi fraud dilakukan menggunakan Contrastive Graph Kolmogorov-Arnold Networks (ConGKAN). Model ini memanfaatkan supervised contrastive learning untuk membangun representasi node dan mampu membedakan akun fraud dari non-fraud secara lebih baik. Dengan kemampuan Kolmogorov-Arnold Networks (KAN) dalam mengaproksimasi fungsi non-linear berdimensi tinggi, ConGKAN meningkatkan akurasi dan ketahanan deteksi fraud pada transaksi Ethereum.
====================================================================================================================================
With the growth of the cryptocurrency ecosystem, especially the Ethereum blockchain, the transaction volume and complexity have grown significantly, which makes the ecosystem vulnerable to malicious activities. It is challenging to track such malicious participants due to the fact that while flexibility of the smart contract fraud detection mechanism makes it possible, the pseudonymity of the blockchain addresses poses some weaknesses in terms of committing fraud.Tabular data is usually used in traditional data analysis, but it does not consider the complex relations between different accounts and their transactions. Graphs allow observing the flow of funds more clearly; however, due to the low proportion of the fraud class in relation to all transactions, standard machine learning models are limited in efficiency.The approach to solve this problem is to use the Wasserstein Attention Generative Adversarial Network (WAGAN) in the process of oversampling in order to generate synthetic samples from the minority class. The generated samples are highly similar to the real distribution of the fraud class.After enrichment of data, classification has been done using the Contrastive Graph Kolmogorov-Arnold Network (ConGKAN). The architecture of ConGKAN incorporates supervised contrastive learning together with the capacity of Kolmogorov-Arnold Networks (KAN) to learn high dimensional, non-linear relationships in order to make fraud detection on Ethereum more accurate and robust.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	deteksi fraud, ethereum, graph neural network, wasserstein, attention, contrastive learning, kolmogorov–arnold networks. fraud detection, ethereum, graph neural network, wasserstein, Attention, contrastive supervised learning, kolmogorov–arnold networks.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Yhudha Juwono
Date Deposited:	31 Jul 2026 07:29
Last Modified:	31 Jul 2026 07:29
URI:	http://repository.its.ac.id/id/eprint/140925

Actions (login required)

View Item