Saran, MuratMaqadas, Rusul Mahdı Abdulhadı Al2025-06-052025-06-052025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=htlyhJG97gjBTPjAeWRhPq9MGylnMavt4PxZTXvsYiM8bIGen7PHHWXfyYL_vKQNhttps://hdl.handle.net/20.500.12416/10001E-ödeme teknolojisinin hızla artmasıyla birlikte, kartlar önemli araçlardan biri olarak öne çıkmaktadır. Ancak, bu büyüme dolandırıcılık saldırılarının riskini de beraberinde getirerek ilgili tarafların zarar görmesine ve kayıplar yaşamasına neden olabilir. Bankalar, varlıklarını korumak ve düzenleyici kurallara uymak için güçlü dolandırıcılık tespit sistemleri kurmayı hedeflemektedir. Bu nedenle, güvenlik ve bütünlük gereksinimlerini karşılayan bir model geliştirmek kritik öneme sahiptir. Bu araştırma projesinde, Derin Sinir Ağı (DNN) ve AdaBoost ile topluluk öğrenimi gibi gelişmiş Makine Öğrenimi (ML) modelleri tanıtılarak, veri setlerindeki dengesiz yapıyı dengeleme yöntemleriyle dolandırıcılık tespit edilmiştir. Ayrıca, veri gizliliğini koruyarak bankalar arasında Federated Learning (FL) aracılığıyla iş birliği içinde öğrenme kolaylaştırılmıştır. Bu çalışmada, FL modeli, öğrenme sürecini sabote etmeye çalışan bankaların kötü niyetli eylemlerine karşı dayanıklılığı değerlendirmek için farklı oranlarda etiket tersine çevirme saldırılarına karşı test edilmiştir. Modeller, bir Irak bankasından alınan gerçek bir veri seti ve tanınmış Kaggle kredi kartı veri seti üzerinde test edilmiştir. Yöntemlerin tüm yönlerini kapsayacak bir dizi performans metriği ile değerlendirilmiştir. Sonuçlar, Random Forest (RF) ve AdaBoost ile topluluk öğreniminin her iki veri setinde de dikkate değer bir performans sergilediğini göstermiştir. Ayrıca, FL cosine tabanlı yöntem, mevcut Federated Average yönteminden daha iyi sonuçlar vermiştir. Son olarak, RF+AdaBoost ile FL cosine birleşimini içeren önerilen yaklaşım, özel bir banka veri setinde doğrulama yapıldığında %96.47 doğruluk ve %94.58 geri çağırma oranı ile mevcut yöntemi geride bırakmıştır. Bu çalışma, dolandırıcılık tespiti alanında gerçek veri setlerinin eksikliğini ele alarak akademik literatüre katkıda bulunmuştur.With the rapid increase in e-payment technology, cards are present as one of the essential tools. However, with this growth comes a risk of fraudulent attacks that may cause involved parties' losses and damage. Banks aim to establish strong fraud detection systems to protect assets and obey regulator rules. Therefore, developing a model that copes with security and integrity requirements is crucial. This research project introduced advanced Machine Learning (ML) models, such as Deep Neural Network (DNN) and ensemble learning with AdaBoost, to detect fraud while addressing the skewed nature of datasets using balancing methods. Additionally, it facilitates collaborative learning among banks using Federated Learning (FL) while preserving data privacy. In this study, the FL model was tested against various percentages of label-flip attacks to evaluate resilience against malicious acts by banks trying to sabotage the learning process. The models were tested on two datasets: a real dataset from an Iraqi bank and the known Kaggle creditcard dataset. Models were assessed on a set of performance metrics to cover all aspects of the methods. Results showed that ensemble learning with Random Forest (RF) and AdaBoost achieved remarkable performance across both datasets. Moreover, the FL cosine-based worked better than the existing Federated Average method. Lastly, the proposed approach combining RF+AdaBoost with FL cosine aggregation surpassed the existing method when validated on a private bank dataset achieving 96.47% accuracy and 94.58% recall. The present study contributed to the academic literature by addressing the lack of real datasets in the fraud detection domain.enBilgisayar Mühendisliği Bilimleri-bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis87934224