Karar Ağacı Destekli Hile Tespiti ve Bir Uygulama
| dc.contributor.author | Gür, Önder | |
| dc.date.accessioned | 2026-01-24T11:55:27Z | |
| dc.date.available | 2026-01-24T11:55:27Z | |
| dc.date.issued | 2023 | |
| dc.department | Alanya Alaaddin Keykubat Üniversitesi | |
| dc.description.abstract | Çalışmada, Sertifikalı Hile Denetçileri Birliği’nin (ACFE) hile ağacında yer alan ve işletmelerde sıklıkla karşılaşılan hileli ödemelerin verdiği zararı azaltmak için makine öğrenmesi yönteminin kullanıldığı bir uygulama ile hile tespit sürecine katkının sağlanması amaçlanmıştır. Bu amaçla, elde edilmek istenen çıktılar için Python’da bir uygulama sistemi tasarlanmıştır. Çalışmada, bir bankaya ait normal işlemler ile hileli işlemlerin yer aldığı yapay veri setinden yararlanılmıştır. Yöntem olarak kullanılmasına karar verilen Karar Ağacı tekniğiyle önce sınıf etiketleri bilinen bir veri setiyle ana model oluşturulmuş, sonra etiketsiz bir veri seti üzerinde modelin test edilmesi sağlanmıştır. Karar ağacı tekniğinin modeli, %97,1 doğruluk, %98,4 f1-skor, %98,9 kesinlik ve %98 duyarlılık değerlerini elde etmiştir. Çalışma, karar ağacı tekniğinin tahmin aşamasında ürettiği hatalı sınıf etiketlerinin azaltılması açısından iyileştirmeye açık olup, diğer tekniklerle karşılaştırılarak da geliştirilebilir. | |
| dc.description.abstract | In the study, it is aimed to contribute to the fraud detection process with an application in which machine learning method is used to reduce the damage caused by fraudulent disbursements, which is included in the fraud tree of the Association of Certified Fraud Examiners (ACFE). To achieve the desired outcomes, a Python application system is developed for this purpose. In the study, an artificial data set containing normal transactions and fraudulent transactions of a bank, was used. Using the Decision Tree technique, which was selected as the chosen method, the main model was developed using a data set with known class labels, and then the model was evaluated using unlabeled data. The model of the decision tree technique achieved 97,1% accuracy, 98,4% f1-score, 98,9% precision and 98% sensitivity. The study is open to improvement in terms of reducing the erroneous class labels produced by the decision tree technique during the estimation phase and can be improved by comparing it with other techniques. | |
| dc.identifier.doi | 10.29023/alanyaakademik.1196078 | |
| dc.identifier.endpage | 528 | |
| dc.identifier.issn | 2651-4192 | |
| dc.identifier.issue | 1 | |
| dc.identifier.startpage | 511 | |
| dc.identifier.uri | https://doi.org/10.29023/alanyaakademik.1196078 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12868/2959 | |
| dc.identifier.volume | 7 | |
| dc.language.iso | tr | |
| dc.publisher | Alanya Alaaddin Keykubat Üniversitesi | |
| dc.relation.ispartof | Alanya Academic Review | |
| dc.relation.ispartof | Alanya Akademik Bakış | |
| dc.relation.publicationcategory | Makale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.snmz | KA_DergiPark_20260121 | |
| dc.subject | Finance | |
| dc.subject | Finans | |
| dc.title | Karar Ağacı Destekli Hile Tespiti ve Bir Uygulama | |
| dc.title.alternative | Decision Tree Supported Fraud Detection and an Application | |
| dc.type | Article |
