Comparative Analysis of Relational and Graph Models in a Multi-Model Cloud Database Using Money Laundering Typologies Benchmark

Dewi Adelia Priyono, Dr. Mardhani Riasetiawan, SE Ak, M.T.

2026 | Skripsi | ILMU KOMPUTER

Banyak beban kerja analitik yang melibatkan hubungan kompleks yang memerlukan penelusuran query multi-level, salah satu kasusnya adalah pencucian uang. Dalam lingkungan basis data multi-model, memilih model data yang tepat merupakan suatu tantangan karena beban kerja yang sama dapat diimplementasikan menggunakan model relasional maupun graf, namun kinerjanya dapat berbeda secara signifikan seiring dengan peningkatan kompleksitas kueri dan volume data.

Oleh karena itu, penelitian ini melakukan pengujian tolok ukur kinerja model relasional dan graf di Google Cloud Spanner menggunakan dataset Anti-Pencucian Uang (AML) sintetis dan lima skenario query berbasis tipologi (Q1–Q5), mulai dari interaksi sederhana hingga penelusuran multi-hop yang dalam. Tolok ukur ini dieksekusi melalui empat fase ingestion data inkremental (P1–P4) untuk mengevaluasi waktu penyelesaian query elapsed time dan pemanfaatan Central Processing Unit (CPU) seiring dengan peningkatan volume data dan kedalaman penelusuran.

Hasilnya menunjukkan bahwa perbedaan kinerja antara kedua model tetap berada di kisaran 5–20% untuk kueri langsung yang sederhana, yang menunjukkan kinerja serupa antara keduanya. Namun, untuk tipologi AML yang kompleks, model graf memiliki skalabilitas yang lebih efektif, dengan waktu penyelesaian sekitar 50% lebih cepat dan penggunaan waktu CPU hingga 70% lebih rendah seiring dengan meningkatnya volume data dan kedalaman kueri. Hal ini menjadikan model graf lebih cocok untuk queries yang melibatkan hubungan kompleks dibandingkan dengan model relasional.

Many analytical workloads involve complex relationships that require multi-level query traversal, one case is money laundering. In a multi-model database environment, choosing the appropriate data model is challenging because the same workload can be implemented using either relational or graph models, yet their performance can differ significantly as query complexity and data volume increase.

For that reason this study conducts a performance benchmark of relational and graph models in Google Cloud Spanner using a synthetic Anti-Money Laundering (AML) dataset and five typology-driven query scenarios (Q1–Q5), ranging from simple interactions to deep multi-hop traversals. The benchmarks are executed across four incremental data ingestion phases (P1–P4) to evaluate query elapsed time and Central Processing Unit (CPU) utilization under increasing data volume and traversal depth.

The results show that performance differences between the two models remain around 5–20% for simple direct queries, showing similar performance between the two models. However, for complex AML typologies, the graph model scales more effectively, with around 50% lower elapsed time and up to 70% lower CPU time as data volume and query depth increase. Making it suitable for queries involving complex relationships compared to relational models.

Kata Kunci : Anti-Money Laundering (AML), Multi-Model Database, Relational Data Model, Graph Data Model