Fraud Detection in Banking Electronic Payment Using Data Mining

طی سالهای اخیر تجارت الکترونیک رشد قابل توجهی داشته، بطوریکه امروزه به عنوان یکی از کانالهای رایج برای کسب و کارها مطرح است. علت این امر را باید در گسترش روزافزون اینترنت و سهولت استفاده از این کانال دربسیاری از موارد جستجو کرد. اما همانطور که فرایند پرداخت جز لاینفک هر کسب و کاری است، پرداخت الکترونیکی نیز از اجزای لاینفک تجارت الکترونیکی است، همانگونه که بازار قابل توجهی برای فروشندگان است، منبع درآمد خوبی برای سوءاستفاده متقلبین نیز بوده است. امروزه روشهای متفاوتی برای کشف تقلب، بویژه در حوزه بانکداری الکترونیک صورت گرفته است که از رایجترین آنها روش داده کاوی میباشد. اگرچه روشها و الگوریتمهای روش داده کاوی طی سالیان اخیر گسترش و پیشرفت چشمگیری داشتهاند، اما مساله دقت و سرعت در کشف تقلب هنوز به عنوان مساله ای چالش برانگیز مطرح است. باتوجه به اهمیتی که در مورد تقلب کارتهای اعتباری و تراکنشهای الکترونیکی مطرح شد، در این پژوهش سعی داریم تا با پیادهسازی روشهایی از داده کاوی، شیوه ای موثر برای افزایش دقت تشخیص تقلب بیابیم. در این پژوهش به سه روش دادهکاوی میپردازیم. روشهای رگرسیون و شبکه عصبی پس انتشار خطا به عنوان روشهای موجود و روششبکه عصبی مبتنی بر الگوریتم ژنتیک 1 به عنوان راه حلی جدید به تفسیر بیان خواهند شد. پژوهش جاری از دادههای تراکنشهای واقعی یک بانک بهره برده شده است، لذا نتایج حاصله نسبت به پژوهشهای دیگر واقعیتر بوده و این ازمزایای مهم پژوهش محسوب میشود. با توجه به معیارهای به دست آمده، تشخیص مدل شبکه عصبی مصنوعی GMDH از بیشترین معیار صحت برخوردار بوده و بنابراین میتوان آن را به عنوان بهترین مدل جهت تشخیص تقلب تراکنشهای مالی )در بین مدلهای بکار برده شده در این پژوهش( معرفی نمود