Detection of Credit Card Fraud Using Artificial Intelligence Supported ÇOKS Method

Abstract

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.

Keywords

• Credit card
• fraud detection
• data mining
• machine learning
• decision-making with majority voting

Yapay Zeka Destekli ÇOKS Yöntemi ile Kredi Kartı Sahtekarlığının Tespiti

Abstract

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.

Keywords

• Kredi kartı
• sahtekârlık tespiti
• veri madenciliği
• makine öğrenmesi
• çoğunluk oyu ile karar

References

1. Awoyemi J. O., Adetunmbi A. O., Oluwadare S. A., Credit card fraud detection using machine learning techniques: A comparative analysis, 2017 International Conference on Computing Networking and Informatics (ICCNI), 1-9, (2017).
2. Kaya D. F., Türkiye’de Kredi Kartı Uygulaması, İstanbul: Türkiye Bankalar Birliği, (2009).
3. Shen A., Tong R., Deng Y., Application of classification models on credit card fraud detection, In Service Systems and Service Management, 2007, 1-4.
4. Chaudhary K., Mallick B., Credit Card Fraud: The study of its impact and detection techniques, International Journal of Computer Science and Network (IJCSN), 2012, 1 (4): 31-35.
5. Robertson D., U.S. Credit & Debit Cards 2015, The Nilson Report, (2015).
6. Maes S., Tuyls K., Vanschoenwinkel B., Manderick B., Credit card fraud detection using Bayesian and neural networks, Proceeding International NAISO Congress on Neuro Fuzzy Technologies, (2002).
7. Kundu A., Panigrahi S., Sural S., Majumdar A. K., Credit card fraud detection: A fusion approach using Dempster–Shafer theory and Bayesian learning, Special Issue on Information Fusion in Computer Security, 2009, 10 (4): 354-363.
8. RamaKalyani K., UmaDevi D., Fraud Detection of Credit Card Payment System by Genetic Algorithm, International Journal of Scientific & Engineering Research, 2012, 3 (7): 1-6.

9. Meshram P. L., Bhanarkar P., Credit and ATM Card Fraud Detection Using Genetic Approach, International Journal of Engineering Research & Technology (IJERT), 2012, 1 (10): 1-5.
10. Maes S., Tuyls K., Vanschoenwinkel B., Manderick B., Credit card fraud detection using Bayesian and neural networks, Interactive image-guided neurosurgery, 1993, 261-270.
11. Haykin S., Neural Networks: A Comprehensive Foundation (2nd Edition), (1999).
12. Chiu A., Tsai C., A Web Services-Based Collaborative Scheme for Credit Card Fraud Detection, Proceedings of the IEEE International Conference on e-Technology, e-Commerce and e-Service, 177-181, (2004).
13. Brause R., Langsdorf T., Hepp M., Neural Data Mining for Credit Card Fraud Detection, International Conference on Tools with Artificial Intelligence, 103-106, (1999).
14. Ng A. Y., Jordan M. I., On discriminative vs. generative classifiers: A comparison of logistic regression and naive bayes, Advances in neural information processing systems, 2002, 2: 841-848.
15. Raj S. B. E., Portia A. A., Analysis on Credit Card Fraud Detection Methods, International Conference on Computer, Communication and Electrical Technology, 152-156, (2011).
16. Maes S., Tuyls K., Vanschoenwinkel B., Manderick B., Credit card fraud detection using Bayesian and neural networks, In Proceedings of the 1st international naiso congress on neuro fuzzy technologies, 261-270, (2002).
17. Soylu K., Kredi Kartı Sahte İşlem Tespiti, Master, Bilgisayar Mühendisliği, Ankara Üniversitesi, Ankara, (2018).
18. Sahin Y., Duman E., Detecting Credit Card Fraud by Decision Trees and Support Vector Machines, Proceedings of International Multi-Conference of Engineers and Computer Scientists, 1: 1-6, (2011).
19. Bhattacharyya S., Jha S., Tharakunnel K., Westland J. C., Data mining for credit card fraud: A comparative study, Decision Support Systems, 2011, 50 (3): 602-613.
20. Fabrizio C., Andrea D. P., Yann-Aël L. B., Olivier C., Yannis M., Gianluca B., Scarff: a scalable framework for streaming credit card fraud detection with Spark, Information fusion Elsevier, 2018, 41: 182-194.
21. Zhang S., KNN-CF Approach: Incorporating Certainty Factor to kNN Classification, IEEE Intelligent Informatics Bulletin, 2010, 11 (1).
22. Keskenler M. F., Mikroskobik Görüntülerde Sperm Yoğunluk Tespiti, Yüksek Lisans, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Atatürk Üniversitesi, Erzurum, (2019).
23. Keskenler M. F., Haşıloğlu A., Özyer G. T., Özyer B., Şimşek E., Sperm Detection and Analysis Using Feature Description Algorithms, Signal Processing and Communications Applications Conference (IEEE), 1-4, (2019).
24. W. Y., L. J., Y. M. H., Online Object Tracking: A Benchmark, Computer Vision Foundation, 2411- 2418.
25. Thompson T., Lloyd A., Joseph A., Weiss M., The Weiss Functional Impairment Rating Scale-Parent Form for assessing ADHD: evaluating diagnostic accuracy and determining optimal thresholds using ROC analysis, Quality of Life Research, 2017, 26 (7): 1879-1885.
26. Pinchi V., Pradella F., Vitale G., Rugo D., Nieri M., Norelli G.-A., Comparison of the diagnostic accuracy, sensitivity and specificity of four odontological methods for age evaluation in Italian children at the age threshold of 14 years using ROC curves, 2016, 56 (1): 13-18.
27. Vaishnavi Nath D., Geetha S., Credit Card Fraud Detection using Machine Learning Algorithms, Procedia Computer Science, 2019, 165: 631-641.
28. Keskenler M. F., Keskenler E. F., Yoğun İşlem Yüküne Sahip Matris Çarpımı Hesaplama Sürelerinin Önbellek Kullanım Optimizasyonu ve Paralel Programlama Teknikleri Kullanılarak İyileştirilmesi, Muş Alparslan Üniversitesi Fen Bilimleri Dergisi, 2018, 6 (2): 545-551.
29. Lotfollahi M., Jafari Siavoshani M., Shirali Hossein Zade R., Saberian M., Deep packet: a novel approach for encrypted traffic classification using deep learning, Soft Computing, 2020, 24 (3): 1999-2012.
30. Dietterich T. G, Ensemble Methods in Machine Learning, Oregon State University USA, (2001).
31. Matteo R., Giorgio V., Ensemble methods: A review, (2012).
32. Elçiboğa İ. K., Türkiye’de Kart Dolandırıcılık Trendlerinin Değişimi, Fintechtime, (2019).
33. Fathima N., Shoukat S., Mohiuddin S., Afzal M., Implementation Of Majority Voting And Adaboost For Credit Card Fraud Detection, International Journal Of Merging Technology And Advanced Research In Computing, 2020, 8 (29): 1-8.
34. Yıldız B., Applying Decision Tree Techniques to Classify European Football Teams, Journal of Soft Computing and Artificial Intelligence, 2020, 1 (2): 86-91.
35. Uğuz S., Oral O. Ç., PV Güç Santrallerinden Elde Edilecek Enerjinin Makine Öğrenmesi Metotları Kullanılarak Tahmin Edilmesi, International Journal of Engineering Research and Development, 2019, Aralık 2019-Özel Sayı: 769-779.
36. Patil T.R., Sherekar S.S., Performance analysis of Naive Bayes and J48 classification algorithm for data classification, International journal of computer science and applications, 2013, 6(2): 256-261.
37. Uludağ O., Gürsoy A., On the Financial Situation Analysis with KNN and Naive Bayes Classification Algorithms, Journal of the Institute of Science and Technology, 2020, 10 (4): 2881-2888.
38. Uğuz S., Makine öğrenmesi : teorik yönleri ve Python uygulamaları ile bir yapay zeka ekolü, Nobel Akademik Yayıncılık, Ankara, (2019).
39. Aylak B., Oral O., Yazıcı K., Yapay Zeka ve Makine Öğrenmesi Tekniklerinin Lojistik Sektöründe Kullanımı, El-Cezeri Journal of Science and Engineering, 2021, 8 (1): 74-93.
40. Soylu K., Kredi Kartı Sahte İşlem Tespiti, Yüksek Lisans, Ankara Üniversitesi Fen Bilimleri Enstitüsü, (2018).