Tentang Sesi Ini
Ringkasan & metadata
Sesi tingkat ahli ini membedah bagaimana Amazon Neptune — database graf terkelola dari AWS — dipakai membangun sistem pendukung keputusan risiko. Fokusnya bukan model prediksi tunggal, melainkan pertanyaan yang lebih dalam: "bagaimana relasi antar-entitas — pengguna, perangkat, transaksi, alamat — dimodelkan sebagai graf agar pola mencurigakan yang tak terlihat di tabel biasa menjadi kasat mata?" Kredivo Group, salah satu pemain fintech kredit terbesar di Asia Tenggara, berbagi pengalaman nyata memakai graf untuk deteksi fraud dan penilaian risiko kredit.
Di dunia risiko, penipuan jarang berdiri sendiri. Seorang penipu berbagi perangkat, alamat, atau nomor telepon dengan akun-akun lain yang ia kendalikan. Dilihat baris per baris di tabel relasional, tiap akun tampak normal. Tetapi begitu semuanya dipetakan sebagai jaringan relasi, sebuah sindikat langsung tampak sebagai gugusan padat yang terhubung ke titik-titik yang sama. Di situlah keunggulan model graf — dan inti dari sesi ini.
Kenapa penting untuk Anda? Jika tim risiko atau fraud Anda sudah mentok dengan aturan berbasis tabel yang lambat dan mudah diakali, sesi ini menunjukkan cara berpikir baru: mengendus hubungan, bukan sekadar atribut.
Kredivo adalah platform kredit digital (paylater/BNPL) asal Indonesia di bawah FinAccel — memberi limit kredit instan untuk belanja daring maupun luring dan pinjaman tunai. Kredivo dikenal sebagai salah satu pemain paylater terbesar di Indonesia (dilaporkan menguasai lebih dari separuh pasar BNPL lokal) dengan basis jutaan pengguna terdaftar; segmennya banyak menyasar kelas menengah dan konsumen muda yang belum terjangkau kartu kredit. Karena pengambilan keputusan kredit dan pencegahan fraud adalah inti bisnisnya, Kredivo menjadi contoh kontekstual yang pas untuk sesi ini.
Catatan: graph database seperti Amazon Neptune umum dipakai lintas industri untuk deteksi fraud berbasis relasi. Contoh publik yang terdokumentasi adalah Careem, yang memakai deep learning berbasis graf di atas Amazon Neptune untuk mendeteksi kecurangan identitas — dilaporkan mengenali lebih dari 50% akun yang secara historis pernah diblokir karena fraud, hanya dari data identitas. Itu adalah contoh industri, bukan klaim tentang Kredivo. Penerapan spesifik Kredivo dipresentasikan di sesi ini; detail teknisnya belum dipublikasikan luas, sehingga buku ini tidak mengklaim rincian arsitektur Neptune internal Kredivo.
Sumber: TechCrunch, "Southeast Asian credit fintech Kredivo scores $270M Series D" (2023); Forbes, "BNPL Competition Tightens In Southeast Asia… FinAccel" (2022); AWS Machine Learning Blog, "How Careem is detecting identity fraud using graph-based deep learning and Amazon Neptune" (2021).
Kenapa Graf Unggul untuk Risiko
Kenapa graf, bukan tabel
Database relasional menyimpan data sebagai tabel — deretan baris dan kolom. Untuk menjawab "apakah akun A dan akun B terhubung lewat perangkat yang sama, lalu perangkat itu dipakai transaksi ke alamat yang sama?", Anda harus melakukan JOIN berlapis antar-tabel. Satu-dua hop masih cepat; tetapi begitu pertanyaan menuntut menelusuri relasi berkedalaman banyak (multi-hop), JOIN meledak secara komputasi dan kueri menjadi lambat atau bahkan tak praktis.
Database graf membalik model itu. Relasi bukan hasil sambungan sesaat, melainkan warga kelas satu yang disimpan langsung sebagai edge. Menelusuri "teman dari teman dari teman" adalah operasi traversal yang efisien — mengikuti pointer, bukan mencocokkan ulang seluruh tabel. Untuk data yang sangat berelasi seperti jejaring fraud atau riwayat kredit, ini bukan sekadar lebih cepat; ia membuat pertanyaan yang tadinya mustahil menjadi wajar.
Kaidah praktis: kalau pertanyaan bisnis Anda mengandung frasa "terhubung dengan", "melalui", atau "dalam beberapa langkah dari" — Anda sedang berhadapan dengan masalah graf.
Node, edge & kueri
Model graf berdiri di atas dua elemen sederhana. Node (simpul / vertex) mewakili entitas: pengguna, perangkat, transaksi, alamat, kartu. Edge (busur) mewakili relasi berarah antar-node: "pengguna memakai perangkat", "transaksi dikirim ke alamat". Keduanya bisa membawa property (label, waktu, nominal). Berikut komponen inti yang dibahas di sesi:
Untuk menanyai graf, Neptune mendukung dua bahasa utama: Gremlin (gaya imperatif, "melangkah" dari node ke node) dan openCypher (gaya deklaratif, mencocokkan pola seperti (a)-[:PAKAI]->(d)<-[:PAKAI]-(b)). Untuk analitik berat di atas seluruh graf, tersedia Neptune Analytics dengan algoritma bawaan; sementara Neptune ML memakai Graph Neural Network (GNN) untuk memprediksi properti node atau kemunculan edge — misal menaksir probabilitas sebuah akun fraud dari pola tetangganya.
Analogi yang Mudah Dicerna
Peta jaringan pertemanan
Ibaratnya, menilai risiko dengan tabel itu seperti membaca buku telepon: Anda tahu nama, alamat, dan nomor tiap orang, satu per satu — tetapi tak pernah melihat siapa berteman dengan siapa. Sementara menilai risiko dengan graf itu seperti punya peta jaringan pertemanan: Anda langsung melihat kelompok orang yang saling terhubung rapat, dan bisa mengendus sebuah geng penipuan yang di daftar biasa tampak sebagai orang-orang asing yang tak berhubungan.
- Node = orang di peta — setiap pengguna, perangkat, atau alamat adalah satu titik.
- Edge = garis pertemanan — "orang ini memakai perangkat itu", "transaksi ini menuju alamat itu".
- Traversal = menelusuri garis — "siapa teman dari temannya orang yang sudah kita tahu penipu?"
- Deteksi komunitas = mengenali geng — gugusan padat yang berbagi banyak titik yang sama.
- Skor risiko = reputasi menular — kalau tetanggamu di peta banyak yang penipu, risikomu ikut naik.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, sebuah sistem pendukung keputusan risiko berbasis graf mengalir seperti ini: data mentah dari sumber (aplikasi, log transaksi, data perangkat) masuk lewat pipeline ke Amazon Neptune yang menyimpannya sebagai graf. Di atasnya, layanan kueri menjalankan traversal Gremlin/openCypher untuk penilaian saat-transaksi, sementara Neptune ML (GNN) menghitung skor risiko dari pola relasi. Hasilnya mengalir ke mesin keputusan — approve, tolak, atau tinjau manual — dengan seluruh jejak terpantau Observability.
Alur penilaian risiko satu transaksi
Ketika seorang pengguna mengajukan pinjaman atau melakukan transaksi, inilah yang terjadi di balik layar dalam hitungan milidetik:
- Perekaman relasi. Entitas transaksi (pengguna, perangkat, alamat, kartu) ditulis sebagai node & edge baru ke dalam graf.
- Traversal tetangga. Kueri graf menelusuri beberapa hop di sekitar entitas: apakah perangkat ini dipakai banyak akun lain? Apakah alamat ini terhubung ke akun yang pernah gagal bayar?
- Deteksi pola. Algoritma graf memeriksa apakah entitas berada dalam gugusan padat (komunitas) atau di jalur mencurigakan yang menghubungkan akun-akun berisiko.
- Skor GNN. Neptune ML menaksir probabilitas risiko dari embedding relasi — reputasi menular dari tetangga.
- Keputusan. Skor graf digabung sinyal lain menjadi keputusan: setujui, tolak, atau eskalasi ke analis.
- Rekam. Seluruh jejak traversal disimpan untuk audit, pelatihan ulang model, dan kepatuhan.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan lintas industri jasa keuangan yang khas di Indonesia.
Skor risiko & deteksi fraud (Kredivo)
Penyedia kredit digital seperti Kredivo Group memodelkan pemohon, perangkat, nomor telepon, dan alamat sebagai graf. Saat pengajuan masuk, sistem menelusuri: apakah perangkat pemohon pernah dipakai akun yang gagal bayar? Apakah ia berada satu gugusan dengan sindikat pembuat identitas palsu? Neptune ML menghasilkan skor risiko dari pola relasi, sementara Gremlin menjalankan traversal saat-transaksi. Hasilnya: penipuan berbasis identitas sintetis dan cincin fraud terdeteksi lebih dini, tanpa memperlambat pemohon jujur.
Anti pencucian uang (AML)
Bank memakai graf untuk memetakan aliran dana antar-rekening, entitas, dan pihak ketiga. Skema pencucian klasik — layering dan smurfing — bekerja dengan memecah dana lewat banyak rekening perantara agar sulit dilacak baris per baris. Dengan graf, jalur mencurigakan yang menghubungkan sumber dana berisiko ke penerima akhir menjadi kasat mata, dan deteksi komunitas mengungkap jaringan rekening yang dikendalikan pihak yang sama — memenuhi kebutuhan pelaporan ke regulator.
Deteksi klaim kolusi
Perusahaan asuransi menautkan klaim, bengkel, dokter, pengacara, dan pemegang polis sebagai graf. Kolusi klaim sering melibatkan pihak-pihak yang sama muncul berulang di banyak klaim yang seolah tak berhubungan. Traversal graf mengungkap cincin kolusi — misal satu bengkel yang selalu terhubung ke klaim kecelakaan mencurigakan dari banyak pemegang polis berbeda — sehingga tim investigasi bisa fokus pada pola berisiko tinggi alih-alih memeriksa klaim satu per satu.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Risiko adalah masalah relasi. Fraud dan risiko kredit hidup di hubungan antar-entitas, bukan di atribut satu baris.
- Graf mengungkap yang tak terlihat. Sindikat yang tampak sebagai orang asing di tabel menjadi gugusan padat di graf.
- Neptune menyediakan fondasinya — graph store terkelola, kueri Gremlin/openCypher, analytics, dan Neptune ML (GNN) untuk skor risiko.
- Terbukti di lapangan. Kredivo memakainya untuk skor kredit & deteksi fraud; pola yang sama menjawab AML perbankan dan klaim kolusi asuransi.