İÇİNDEKİLER, ii -- ÖZET, iii -- ABSTRACT, iv -- TEŞEKKÜR, v -- ŞEKİLLER DİZİNİ, vi -- ÇİZELGELER DİZİNİ, viii -- SİMGELER VE KISALTMALAR DİZİNİ, ix -- 1. GİRİŞ, 1 -- 2. LİTERATÜR ÖZETİ, 3 -- 3. BİLGİNİN OLUŞUM SÜRECİ, 5 -- 3.1. Veri (Data), 6 -- 3.2. Enformasyon, 6 -- 3.3. Bilgi, 7 -- 4. VERİ MADENCİLİĞİ, 9 -- 4.1. Veri Madenciliği Yararlı Bilgiye Ulaşma Süreçleri, 10 -- 4.1.1. Problemin tanımı, 13 -- 4.1.2. Verinin temizlenmesi, 13 -- 4.1.3. Verinin bütünleştirilmesi, 13 -- 4.1.4. Verinin dönüştürülmesi, 14 -- 4.1.5. Değişken seçimi, 14 -- 4.1.6. Model oluşturma ve değerlendirme, 15 -- 4.2. Veri Madenciliği Modelleri, 17 -- 4.2.1. Sınıflandırma modeli, 18 -- 4.2.1.1. Karar ağaçları, 30 -- 4.2.1.2. Naive bayes algoritması, 18 -- 4.2.1.3. K en yakın komşu algoritması, 22 -- 4.2.1.4. Yapay sinir ağları, 24 -- 4.2.1.5. Genetik algoritmalar, 25 -- 5. SAHTECİLİK TANIMI VE SAHTECİLİK ÖNLEME YÖNTEMLERİ, 30 -- 5.1. Sanal ve Gerçek Ortamda Sahtecilik, 30 -- 5.2. Sanal Ticarette Sahtecilik Önleme Yöntemleri, 31 -- 6. E-TİCARET SİTESİ SİPARİŞ VERİLERİNİN ANALİZİ, 32 -- 6.1. Verilerin Analiz Süreci, 32 -- 6.2. Değişkenlerin Sınıflandırma Üzerinde Etkisinin Belirlenmesi, 33 -- 6.3. Model Üzerinde Sınıflandırma Metodlarının Uygulanması, 36 -- 7. WEKA’DA ALGORİTMALARIN UYGULANMASI, 37 -- 7.1. Navie Bayes Uygulanması, 37 -- 7.2. RBF Network Uygulanması, 40 -- 7.3. IBK Uygulanması, 42 -- 7.4. NBTree Uygulanması, 45 -- 7.5. J48 Uygulanması, 47 -- 8. ARAŞTIRMA BULGULARI VE TARTIŞMA, 51 -- 9. SONUÇ VE ÖNERİLER, 54 -- KAYNAKÇA, 55 -- ÖZGEÇMİŞ, 58

İnternet üzerinden yapılan alış verişlerde sahtecilik içeren işlemler, ana kaygılardan biridir. Dolandırıcılık işlemleri sadece müşteriler ve E-Ticaret şirketlerini değil, aynı zamanda bankalar için de mali kayıplara neden olmaktadır. Bu nedenle, sahtecilik olarak ilişkilendirebilecek siparişleri sınıflandırabilmek ve tespit edebilmek E-Ticaret siteleri için büyük önem taşır. Bu türde sahtecilik tespiti, bankacılık sektöründe olduğu gibi müşterileri hakkında bolca bilgi bulunduğundan daha kolaydır ancak, ticari internet sitelerinde müşteri hakkında uygun nitelikleri bulmak daha zordur. Bu çalışmada bir E-Ticaret sitesinin gerçek verileri, yasa dışı kredi kartı kullanımlarını analiz etmek için kullanılmıştır. Öncelikle tüm ham veri analiz edilmiş ve eksik değerlerinden filtre edilmiştir. Gainratio algoritmasıyla en uygun değerler seçilmiş, sonrasında veri madenciliği tekniğiyle Navie Bayes, Karar Ağacı (J48) algoritmaları kullanılarak, %95’ten fazla doğru sınıflandırma oranıyla sahtecilik içeren işlemler tespit edilip sınıflandırılmıştır.

Fraudulent transactions are one of the main concerns regarding online shopping. Fraud transactions cause financial losses for not only to customers and E-Commerce merchants but also to the banks. Therefore, it is crucial for E-commerce sites to have capabilities to detect and to classify product orders that can be attributed as fraud. These kinds of fraud detections are easier when there is available abundant information about clients as in Banking but it becomes challenging to find proper attributes in commercial web sites. In this study real transaction data of an ECommerce site are used to analyze for illegitimate use of credit card transactions. Firstly all raw data analyzed and filtered from missing values. Appropriate attributes are selected using gainratio algorithms, after then Fraudulent transactions have been detected and classified and a true positive rate more than %95 is obtained using data mining techniques namely, Naïve Bayesian, Decision trees (J48).

Tez (Yüksek Lisans) -- İstanbul Ticaret Üniversitesi -- Kaynakça var.