DETEKSI ANOMALI JARINGAN TRANSAKSI TOKEN ERC20 DI BLOCKCHAIN ETHEREUM MENGGUNAKAN GRAPH NEURAL NETWORK

Nazhif Alaudin Fahmi, . (2026) DETEKSI ANOMALI JARINGAN TRANSAKSI TOKEN ERC20 DI BLOCKCHAIN ETHEREUM MENGGUNAKAN GRAPH NEURAL NETWORK. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text 1_Cover_123220063_Nazhif Alaudin Fahmi.pdf Download (152kB)
	Text 2_Abstrak_123220063_Nazhif Alaudin Fahmi.pdf Download (211kB)
	Text 3_Halaman Pengesahan_123220063_Nazhif Alaudin Fahmi.pdf Download (355kB)
	Text 4_Daftar Isi_123220063_Nazhif Alaudin Fahmi.pdf Download (159kB)
	Text 5_Daftar Pustaka_123220063_Nazhif Alaudin Fahmi.pdf Download (176kB)
	Text 6_Skripsi Full_123220063_Nazhif Alaudin Fahmi.pdf Restricted to Repository staff only Download (8MB)

Abstract

Perkembangan teknologi blockchain pada platform Ethereum mendorong meningkatnya penggunaan token berbasis ERC20 dalam berbagai aktivitas digital, seperti decentralized finance dan perdagangan aset kripto. Seiring dengan tingginya volume transaksi tersebut, muncul berbagai aktivitas anomali dan penipuan, antara lain Ice Phishing, NFT Scam, dan Reward Scam, yang menyebabkan kerugian finansial serta menurunkan kepercayaan terhadap ekosistem blockchain. Permasalahan utama dalam mendeteksi anomali pada transaksi ERC20 terletak pada kompleksitas struktur jaringan transaksi dan ketidakseimbangan data yang ekstrem antara transaksi normal dan anomali. Penelitian sebelumnya umumnya menggunakan pendekatan berbasis data tabular dan hanya berfokus pada satu jenis anomali, sehingga belum mampu menangkap pola hubungan antar alamat dompet secara menyeluruh. Oleh karena itu, diperlukan pendekatan deteksi anomali yang mampu memodelkan struktur jaringan transaksi serta mendeteksi berbagai jenis anomali secara simultan.
Penelitian ini menggunakan metode kuantitatif dengan pendekatan pengembangan sistem berbasis prototyping. Dataset transaksi token ERC20 diperoleh dari Etherscan dan diproses melalui tahapan pembersihan data, rekayasa fitur, serta transformasi ke dalam bentuk graf. Alamat dompet dimodelkan sebagai node dan transaksi sebagai directed edge, dengan penambahan metrik struktural seperti in-degree, out-degree, dan PageRank sebagai fitur node. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian menggunakan strategi stratified split. Model yang digunakan adalah Graph Neural Network dengan arsitektur GraphSAGE, sedangkan ketidakseimbangan kelas ditangani menggunakan class weighting. Evaluasi kinerja model dilakukan menggunakan metrik accuracy dan F1-score, serta didukung oleh visualisasi embedding node menggunakan t-SNE.
Hasil penelitian menunjukkan bahwa model GraphSAGE mampu mendeteksi anomali pada jaringan transaksi token ERC20 secara efektif. Berdasarkan lima kali pengujian independen, model memperoleh rata-rata accuracy sebesar 95,92% dan F1-score macro sebesar 82,62%, dengan performa terbaik mencapai accuracy 97,42% dan F1-score macro 88,69%. Evaluasi per kelas menunjukkan bahwa model mampu mengklasifikasikan transaksi normal dan seluruh jenis anomali dengan F1-score di atas 76%, meskipun data bersifat sangat tidak seimbang. Visualisasi t-SNE memperlihatkan pemisahan yang jelas antara node normal dan anomali. Dengan demikian, penelitian ini membuktikan bahwa pendekatan Graph Neural Network berbasis GraphSAGE efektif untuk deteksi anomali multikelas pada transaksi ERC20. Kontribusi penelitian ini adalah penerapan deteksi anomali berbasis graf pada transaksi token ERC20 serta pengembangan sistem pendukung untuk mitigasi penipuan pada blockchain Ethereum.

Kata Kunci: Blockchain, ERC20, Deteksi Anomali, Graph Neural Network, GraphSAGE.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Nazhif Alaudin Fahmi(123220063 - Penulis) ; Andrey Ferriyan (Pembimbing)
Uncontrolled Keywords:	Blockchain, ERC20, Deteksi Anomali, Graph Neural Network, GraphSAGE
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	21 Jan 2026 01:33
Last Modified:	21 Jan 2026 01:33
URI:	http://eprints.upnyk.ac.id/id/eprint/46597

Actions (login required)

View Item