Citation Number
7
Views
17
Downloands
4
Ödeme ve bankacılık sistemleri yeni teknolojik imkânlarla her geçen gün bir değişime ve gelişime uğramaktadır. Bu kapsamda kredi kartı teknolojisi de barındırdığı çeşitli avantajlar dolayısıyla kullanımı hızla artan bir ödeme seçeneği olarak karşımıza çıkmaktadır. Diğer taraftan kredi kartları en yaygın ödeme şekli haline geldikçe, sanal ortamdaki dolandırıcılık oranının da bu duruma paralel bir biçimde artma eğilimi gösterdiği bildirilmektedir. Hem yasal hem de sahtekârlığa yönelik işlemlerin benzer davranış eğilimine sahip olduğu gerçeği kredi kartı sahteciliğinin sanal ortamda tespitini oldukça zorlaştırmaktadır. Literatür incelendiğinde kredi kartı sahteciliğini tespite yönelik araştırmalarda çoğunlukla makine öğrenmesi algoritmalarından faydalanıldığı ve bu çalışmalar kapsamında farklı sınıflandırma algoritmalarının bireysel olarak dikkate alındığı görülmektedir. Öte yandan literatürde sınıflandırma işlemi için makine öğrenmesi algoritmalarının birlikte kullanıldıkları yöntemlere de rastlanıldığı ve bu sayede son derece hassas sınıflandırıcılara ulaşılabildiği rapor edilmektedir. Buna rağmen kredi kartı sahteciliğini tespit etmek amacıyla karar ağacı, k en yakın komşu ve näive bayes sınıflandırıcıların bir arada kullanıldığı bir çalışma literatürde mevcut değildir. Bu gözlemden hareketle bu çalışma kapsamında eldeki problemin çözümüne yönelik karar ağacı, k en yakın komşu ve näive bayes makine öğrenmesi algoritmalarından yararlanan ve Çoğunluk Oyu ile Karar Verme Sistemi (ÇOKS) olarak adlandırılan yeni bir sezgisel algoritma geliştirilmiştir. Geliştirilen yöntem ile literatürdeki çalışmalarda elde edilen başarının üzerine çıkıldığı saptanmıştır. Bu algoritmanın ortak karar verme mekanizması için de bir sayısal devre tasarımı lojik fonksiyonu olan çoğunluk fonksiyonundan faydalanılmıştır. Bu sayede ilgili algoritmaların güçlü yönlerinin stratejik bir şekilde birleştirilmesi amaçlanmıştır. ÇOKS’nin etkinliği her biri 30 farklı özniteliğe sahip 284,807 kredi kartı işleminin yer aldığı bir veri kümesi üzerinde test edilmiştir. Yürütülen testler finansal güvenliği hedefleyen bu yeni yöntemin %99,93 doğruluk oranı, %95,60 kesinlik oranı ve %80,0 ROC AUC değeri ile veri kümesindeki bir işlemi “sahte” veya “yasal” işlem olarak sınıflandırabilmeyi başardığını göstermiştir. Literatürdeki benzer çalışmalarla yapılan kıyaslamalar doğruluk oranıyla birlikte ÇOKS’nin özellikle kesinlik ve ROC AUC performans ölçütleri açısından yüksek bir başarı gösterdiğini ortaya koymuştur.
Payment and banking systems are changing and developing day by day with the new technological advances. In this context, the use of credit card as the preferred payment method is rapidly increasing due to its various advantages. On the other hand, as credit cards become the most common form of payment, the rate of fraud in the online world tends to increase in parallel with this trend. The fact that both legal and fraudulent transactions have similar behavioral tendency makes it difficult to detect the credit card fraud in the online world. When the literature is analyzed, it is seen that machine learning algorithms are mostly utilized to detect the credit card fraud and different classification algorithms are individually taken into account within the scope of the associated studies. On the other hand, the existence of the methods that employ multiple machine learning algorithms to obtain highly sensitive classifiers is also reported in the literature. However, there exists no study in the literature that uses decision tree, k nearest neighbor and näive bayes classifiers together to detect the credit card fraud. Based on this observation, a new heuristic algorithm called ÇOKS, that employs decision tree, k nearest neighbor and näive bayes machine learning algorithms, has been developed towards the solution of the problem at hand. It has been determined that the success achieved in the studies in the literature has been exceeded with the developed method. The majority function, which is a logic function of digital circuit design, is also used for the common decision-making mechanism of this algorithm. In this way, it is aimed to strategically combine the strengths of the related algorithms. The effectiveness of ÇOKS was tested on a data set containing 284,807 credit card transactions, each with 30 different features. The tests conducted have shown that this new method, which aims financial security, has been able to classify a transaction in the dataset as " fraud" or "legal" with 99.93% accuracy rate, 95.60% precision rate and 80.0% ROC AUC value. The comparisons with the similar studies in the literature revealed that ÇOKS has shown a high success rate especially in terms of precision and ROC AUC along with the accuracy.
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
