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.

Amaç –Çalışmada,hilenin verdiği zararın azaltılmasına yönelik teknoloji temelli araçlarla çözüm üretilmeye çalışılmıştır. İşletmelerde sıklıkla karşılaşılan hileli ödemelerin tespiti için makine öğrenimi yöntemleriylebir model oluşturulması amaçlanmaktadır. Yöntem –Çalışmada, bir bankaya ait finansal ve finansal olmayanlar bilgilerle oluşturulan 594.643 adetlik yapay veri setinden yararlanılmıştır. Veri seti kullanılarak makine öğrenmesinin Karar Ağacı, Destek Vektör Makinesi, Lojistik Regresyon ve Yapay Sinir Ağlarıyöntemleriyle tahmin yapılmıştır. Yöntemlerin algoritmaları veri setinin %69’u ile önce eğitilmiş, sonra veri setinin %31’i ile tahmin yapması sağlanmıştır. Bulgular -Yöntemlerin oluşturduğu değerlere bakıldığında doğruluk metriği sırasıyla Karar Ağacı %99,42, Destek Vektör Makinesi %99,11, Lojistik Regresyon %98,95 ve Yapay Sinir Ağları %99,35 hesaplandığı görülmüştür. 1.620 tane hileli işlemi doğru tahmin ederek en fazla doğru tahmin yapan ve bu süreçleri en hızlı (1,32sn) gerçekleştiren yöntem karar ağacı olmuştur. Sonuçlara göre ortalama olarak en başarılı, en hızlı ve en çok doğru tahmin yapan modeli karar ağacının oluşturduğu tespit edilmiştir.Tartışma -Uygulamada kullanılan yöntemlere bağlı olarak veri setiyle yapılan model denemelerinde makine öğrenimi yöntemleri yanlış pozitif ve yanlış negatif değerleri üretmiştir. Her ne kadar bu değerleri sıfıra indirmek mümkün olmasa da azaltılması yönünde geliştirilmeye açıktır.