Geri Dön

Makine öğrenmesi algoritmaları ile suistimallerin belirlenmesi

Fraud detection by machine learning algorithms

  1. Tez No: 784343
  2. Yazar: HARUN KUTLUAY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FURKAN UYSAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bankacılık, İstatistik, İşletme, Banking, Statistics, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ankara Sosyal Bilimler Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Denetim ve Risk Yönetimi (Disiplinlerarası) Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

Özet

Kurumlar için tehdit unsuru olarak görülen suistimaller, kurumların yalnızca itibarını zedeleyip, güvensizlik ortamı oluşturmakla kalmayıp, faaliyetlerinin sonlandırılmasına neden olacak kadar etkili olabilmektedir. Suistimaller, yönetilmesi gereken en önemli kurumsal risklerden biri olmakla birlikte, bu riskin gerçekleşmesi durumunda ise sosyal ve ekonomik açıdan birçok olumsuz sonuç ile karşılaşılabilmektedir. Bu bağlamda, böyle bir riski yönetebilmek ve beraberinde sürdürülebilirliği sağlamak için, suistimallerin önlenmesi ve büyük boyutlara ulaşamadan ortaya çıkarılmasına yönelik, başta bankacılık ve finans sektöründe olmak üzere tüm sektörlerde faaliyet gösteren organizasyonların, nitelikli insan kaynağının yanı sıra veri analitiğine dayalı teknolojiye yatırım yapmaları kaçınılmaz olmuştur. Bu tez çalışmasının amacı, bankacılık ve finans sektöründeki suistimallerin ortaya çıkarılması konusunda, çalışanların demografik, mesleki ve finansal bilgileri üzerinden makine öğrenmesi algoritmalarından beşi aracılığıyla suistimal yapıp yapmadığına yönelik öngörü modelleri geliştirmek ve çalışanların profilleri üzerinden suistimallerin belirlenmesine yönelik literatürdeki eksikliği gidermektir. Bu çalışmada yöntem olarak, bir bankada 2017 ile 2021 yılları arasında suistimal yapan ve yapmayan çalışanlara ilişkin istatistiksel olarak anlamlı 8 değişken kullanılarak, Lojistik Regresyon, Rassal Orman, Karar Ağacı, Naive Bayes ve Destek Vektör Makinesi sınıflandırma algoritmaları ile çalışanların suistimal gerçekleştirip gerçekleştirmediği test edilmiş ve bu algoritmaların performans değerleri karşılaştırılmıştır. Çalışma sonucunda, Yaş, Cinsiyet, Eğitim Düzeyi, Birimde Çalışma Süresi, İzin Kullanım Oranı, KKB Skoru, Kredi Başvuru Adedi ve Kredi Kartı Doluluk Oranı değişkenleri kullanılarak oluşturulan Lojistik Regresyon modelinin en yüksek doğruluk oranı ve F-Skor değerine sahip olduğu belirlenmiştir.

Özet (Çeviri)

Known as a threat to organizations, fraud, not only destroys their reputation by creating an untrustable environment, but also causes bankruptcy. Fraud as an enterprise risk to be managed can have many social and economic effects in the case of not handled. It is inevitable for organizations in a range of sectors, especially in the banking and finance sector, to invest in technology based on data analytics besides qualified human resources to prevent and detect frauds before reaching substantial damages, and to ensure organizational sustainability. The study aims to develop a predictive model through a machine learning algorithm based on demographic, professional, and financial features for detecting frauds in the banking and finance industry, and to extend the literature in this field by proposing a machine learning-based model. As a research methodology, whether employees committed fraud was tested by classification algorithms, Logistic Regression, Random Forest, Decision Tree, Naive Bayes, and Support Vector Machine with the features of the bank employees worked between 2017 and 2021, and the performance metrics of these algorithms were compared. It is concluded that the Logistic Regression model using the features of Age, Gender, Education Level, Working Time in the Unit, Annual Leave Rate, Personal Credit Rating, Number of Loan Applications, and Credit Card Utilization Rate has the highest accuracy rate and F-Score value.

Benzer Tezler

  1. Makine öğrenmesi algoritmaları ile dinamik portföy modellemesi

    Dynamic portfolio modelling via machine learning algorithms

    BURAK ALTINIŞIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    MaliyeTrakya Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ENGİN DEMİREL

  2. Makine öğrenmesi algoritmaları ile borsa verilerinin tahminlenmesi

    Prediction of stock market data with machine learning algorithms

    DİLARA ELİZE PAMUKÇU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriİZMİR BAKIRÇAY ÜNİVERSİTESİ

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR UĞURLU

  3. Makine öğrenmesi algoritmaları ile hisse senedi kapanış tahmini

    Stock closing prediction with machine learning algorithms

    SALİM DEMİRAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET GÜRHANLI

  4. Makine öğrenmesi algoritmaları ile COVID-19 hastalarının belirlenmesi

    Identifying COVID-19 patients with machine learning algorithms

    MİNE AYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Endüstri ve Endüstri MühendisliğiPamukkale Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZCAN MUTLU

  5. Makine öğrenmesi algoritmaları ile eczaneler için ilaç talep tahmini

    Drug demand forecasting for pharmecies with machine learning algorithms

    İLKER POYRAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET GÜRHANLI