Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   3 ,  Septem ber   20 21 ,  pp.  1 634 ~ 1642   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 3 . pp 1634 - 1642          1634       Journ al   h om e page :  http: // ij eecs.i aesc or e.c om   Fra ud ulent  credit card  transacti on  detecti on using  soft  co mp uti ng techn iqu es       Aishwar ya Pr iya d ars hini 1 ,  Sa n hita  Mishr a 2 , Deb an i Pr as ad  Mishr a 3 , Surender  R e d dy   Sa lk ut i 4 ,  Ra m akan t a  Mohant y 5   1 Depa rtment of  Com pute r  Scie n ce   and Engi ne ering,  III T  Bhuban eswar ,   Ind ia   2 Depa rtment  of   El e ct ri ca l   Eng in ee ring ,   KIIT   De emed  to   be  Univ ersity ,   Indi a   3 Depa rtment of  El e ct ri ca l   Eng in ee ring ,   III T  Bhu bane sw ar ,   India   4 Depa rtment of  Rai lro ad  and   E lectr i c al E ng ine er i ng,   W oosong Unive rsit y ,   Repub lic  of  Kor ea   5 Depa rtment of  Com pute r  Scie n ce   and Engi ne ering,  Ge et han ja l i Colle ge   of   Enginee ring   and   Tec hnolog y ,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Dec  8,   202 0   Re vised  Ju l  29 ,  2021   Accepte d  Aug   4 ,  2021       Now aday s,  fr au dule nt  or  de ceitf ul  a ct iv it i es  associa t ed  with   fina nc ial   tra nsac ti ons,  pr e dom ina ntly   usin g  cre di t  c ard s  h ave   b ee n  in crea sing  at   an  al arming  r at e   a nd  are   on e  of   the   m ost  pre v al en t  a ct iv it i es  in  fina n c e   industri es,   cor p ora te   companie s ,   and  o the r  gov ern m ent   orga n izati ons.  I t  is   the ref or e  essent ia l   to  inc orpor a te   a  fr aud  d et e ct ion   s y st em  th at   m ai n l y   consists  of  inte ll ige n t  fr aud  d et e ct ion   techniq ues  to  k ee p  in   vie w  the  consum er  and  client s’  welf are   a l ike .   Num ero us  fra ud  detec t ion  p roc edur es ,   te chn ique s,  and  s y stems   in  l it er a ture   h ave   b ee n  i m ple m ent ed  b y   emplo y ing   a   m y r ia d  of   intelligent   technique s   inc lud ing  a lgo rit hm s  and  fra m eworks  to  det e ct   fra udul ent  and  dec eitful  tr ansa ctions.  Thi s   pape r  ini tially   a naly s es  the  dat a  through  expl ora tor y   data  anal y sis  an d  the n  proposes  var iou s   cl assifi ca t ion  m odel s  that  are  i m ple m ent ed  usi ng  int ellig ent   so ft  computing  te chn ique s  to   pre dictivel y   c las sif y   fra udule n t   cre d it   ca rd  tr ansa ctions.  Cla ss ifi c at ion   algorithms   such  a s  K - Nea rest  n ei ghbor  (K - NN ),   dec ision   tree,  ran dom   fore st  (RF),  and  logi sti c  reg ression  (L R)  have   be en  i m ple m ent ed  t o   cri tica lly   eva l uat e  their  pe rform anc es.   T he  proposed   m odel   is   computat ion al l y  eff ic i ent,  li gh t - weight   and  c a n  be  used  for  cre di t  ca rd   fra udule n t  tr ansa ct ion   detec ti on  with  be tt er   a cc ur acy .   Ke yw or ds:   Data distri bu ti on   Ex plo rat or y  da ta  an al ysi s    Fr a ud d et ect io n    Ou tl ie rs   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Su r en der Re dd y   Salku ti   Dep a rtm ent o f R ai lroad  a nd E le ct rical  En gi ne erin g   Woos ong U nive rsity   17 - 2,  Jaya ng - Don g,   D ong - G u,   Dae j eo n - 34 606, Re pu blic of K or ea   Em a il :  su rende r@wsu.ac . kr       1.   INTROD U CTION   Fo r   ye ars,   fr a ud  a nd   il le gal  tr ansacti ons  have  bee n  sig nific ant  pro blem s  i n  ba nkin g,   m edici ne,   a nd   insurance ,  am on g  oth e rs.  Be cause  of   t he  inc reased  reli ance   on  the  inte rn e t,  the  am ou nt  of   t otal  on li ne  cred it   card   t ran sact io ns   has  inc rease d  dram at ic ally  acro s s  va rio us   paym ent  m e tho ds  su c h  as  Phon e Pe,  Gp ay ,   Paytm ,  and   oth e rs.   Cr eat ing   a  secu re   fr am ewo r k  f or  safer   onli ne  transacti ons  with  ad va nced   a uth entic at io n  ser vices   that  can  hel p  pr e ve nt  f raud  and  ot her  f raudu le nt  tra ns act ion   pract ic es  ha s  bec om e  an  increasin gly  diff ic ult   j ob,   gi ven  that   no  syst em   is  perfect .  T her e   is  al ways  the  l ikeli hood  of  a  flaw.  Fr a udule nt  or  decep ti ve   cred it   card   pu rch as es   m ay  be  interp reted  as  uncert ifie d  or   un la wful  cred it   card   use ,  wh ic h  is  rar e  [1 ] - [ 8].  F raud  is  a   com plex  pro ble m   that  inv ol ve s  en gag i ng   i n  il le gal  or   il li ci t  finan ci al   gai n  w hile  vi ola ti ng   la ws,   regul at ion s,  and   po li ci es  [ 9 ] ,  [ 10] .  Ra nd om   fo rest   (RF ),   K - Nea rest  neig hbor   (KN N) ,  m ulti la ye r   per ce ptron  ( MLP),   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Fraudule nt c re dit car d  tr ansac ti on   detect ion usi ng so ft  c ompu ti ng tec hniq ues   ( Aishw ar y a  Priy adar s hini )   1635   extrem e  le arn i ng   m achine  (E LM),  an d  ba gging   cl assifi er  wer e  am on g  th e  m achine  le arn in g  al gorithm s  us ed   to  def i ne  an d  cl assify   cred it   card   tra ns act io n  data  into  f ra udulent  an d  non - f ra udulent  cat egories  [11 ] - [ 14 ] .   Fr a ud   detect io n  in  cred it   car d  transacti ons  has  pique d  res earche rs'   interest .  The  num ber   of   te ch niqu es  fo r   detect ing   f ra udulent  or  dece pt ive  act ivit y  in  t he  realm   of   fin ancial   transacti on s ,  w hethe r  onli ne  or  offli ne ,  ha s   grown  dram ati cal ly .  Ghos h  [ 15 ]   s uggeste d  the  m et ho d  of  f raud  detect ion  us i ng  ne ur al   netw orks,  wh ic h  consi ste d  of  a   la rg e   dataset   that  inclu de d  s tolen  or  lost  c red it   ca rd s ,  phishin g,   cy ber - a tt acks,  non - rec ei ve d  issue  (N R I)  f r auds,  a nd  s o  on.  Ca rcil lo   et   al.   [ 16 ]   m erged  th e  c omm o nly  us e d   supe rv ise d  le ar ning  a nd   un s uper vise d  le arn i ng   al gorit hm s  to  identif y  fr au du le nt  pa tt ern s  in  credi t  card   transacti on s .  The  aut om at ed   m et ho d  [17]  w as  us e d  to  e xa m ine  al l  cur re nt  transacti on s   and   a ssig n  ea ch  one  a  valid  or   fr a udule nt  r ank i ng.  These  f raud  de t ect ion   syst em s   are  based   on   e xp e rt - dr iv en  ru le s  that  f or m   a  co m plete  colle ct ion   of  fr au d  detect ion  r ules an d  patte r ns  when  co m bin ed  with  a reli able  data  sou rce.  T he  r ules  a re  ba sed  on  p at te r ns  f ou nd   in the d at a u sin g  va rio us  intel li gen t m achine learn in g  al gorit hm s,  su ch  as  lo gisti c reg res sio n   ( LR )   a nd   s up port   vecto r   m achines  ( S VM )   [ 18 ] ,  [ 19] .   Andrea   et   al.   [20]  pr ese nt  a   sign ific a ntly   chall eng i ng  ta sk   f or   m achine  le arn in g  al gorithm s  for   sever al   reas on s,  i.e.,  seas on a li ty ,   and   sk ew ness .  J oh a nnes   et   al.   [2 1]  ad dr ess  t he  pro ble m   of   fr a ud   de te ct ion  that  pr im aril y  t he  us ed   lo ng   s hort  te rm   m e mo ry   ( LSTM )   ne tworks   as  a  m achine - le ar ning  al gorithm   to  detect   fr a udulent  t ransac ti on s  a nd  t el l  the  ge nu i ne   an d  f ra ud  ones  a par t.   Sa m   e t  al.   [ 22]   pro po se d  a   m od el   t hat   com bin e s  neural  netw ork  cl assifi ers  an d  ba ye sia n  net works  to  dif f eren ti at e  a  fraudulent  cre di t  card   transacti on  fro m   a  le gitim at e  on e .  Sim il arly ,   Bolt on   an d  H and   [ 23]   cond uc te d  researc h  that  descr i bes  va rio us  fr a udulent  cre dit  card   act ivit ie s  and   kee ps   up - to - date   wit h  ne wer   dec ep ti on   te chn i qu e s  that  fr au ds te rs  can   e m plo y.  Zarea poor ,  See j a,  a nd  Alam   [2 4]  propose d  a  com par at ive  stu dy  ba sed  on  the  perform ance  of   va rio us   m achine lear nin g t ech niques.   It w as  prim arily to r e view  the  d if fer e nt cre di t card  frau d  te c hn i qu e s .   This p ape r  ai m s  to  im pr ove  th e  predict ive  ac cur acy  o f   disti nguis hing  f ra udule nt  fi nan ci a l  transacti on   data  from   le gi tim a te   finan ci a l  transacti on   da ta .  Gain  a  co m pr ehen sive  unde rstan ding  of  the  la te st  research  pap e rs  desc ribi ng  the   ap plica ti on   of  var i ou s   m achine  le ar ni ng  an d  arti fici al   intel li gen ce  t echn i qu e s  to   id entify   cred it   ca rd  f ra ud s  a nd   em plo y  an  eff ic ie nt   cl assifi cat ion   m od el   with  higher  accu rac y  and   higher  faster  pr e dicti on   rate  for  f raud  detect ion   f or   t he  fin ancial   industr y,   an d   go vernm ent  orga ni zat io ns .  Ultim at ely,  these   so ft  com pu ti ng  te chn i qu e s  and   the  propose d  m e tho dolo gy   pu t  tog et he r   ai ds   in  achiev ing   pe rf ect   acc ur acy ,   and   t his  el i m i nated  the  nee d  to  use   hea vier  le arn i ng   al gorithm s,  hen c e  reducin g  the   huge  com pu t at ion al   ov e r head an d  i ncr easi n g t he p red ic ti ve pe rfo rm ance o f  t he dete ct ion sy ste m .       2.   OVERVIEW   OF  MACHI N E L EAR NI N G TECH NI Q UES  APPLIE D   2.1.      K - Nea re st  nei gh b ou r  c lassifier   K - N e a r e s t   n e i g h b o u r   i s   a   s u p e r v i s e d   a n d   p a t t e r n   c l a s s i f i c a t i o n   l e a r n i n g   a l g o r i t h m   t h a t   h e l p s   u s   f i g u r e   o u t   t h e  c l a s s  t o  t h e  n e w  i n p u t   ( t e s t  v a l u e ) .   W h e n   k  n e a r e s t   n e i g h b o r s  a r e  c h o s e n ,   d i s t a n c e  i s   d e t e r m i n e d   b e t w e e n  t h e m .   I t   t r i e s   t o   p r e d i c t   t h e   c o n d i t i o n a l   d i s t r i b u t i o n   o f   Y   g i v e n   X   a n d   a s s i g n   a   g i v e n   o b s e r v a t i o n   ( t e s t   v a l u e )   t o   t h e   c l a s s   w i t h   t h e   h i g h e s t   e s t i m a t e d   p r o b a b i l i t y .   I t   c a l c u l a t e s   t h e   d i s t a n c e   b e t w e e n   a l l   o f   t h o s e   c a t e g o r i e s   a f t e r   i d e n t i f y i n g   t h e   k   p o i n t s   i n   t h e   t r a i n i n g   d a t a   n e a r e s t   t o   t h e   t e s t   v a l u e .   T h e   t e s t   r e s u l t   w o u l d   f a l l   i n t o   t h e   g r o u p   w i t h   t h e   s h o r t e s t   d i s t a n c e   [ 2 5 ] .   E v e n   t h o u g h   K N N   i s   c o m p u t a t i o n a l l y   e x p e n s i v e ,   i t   a c h i e v e s   v e r y   g o o d   o u t p u t   r e l i a b l y ,   w i t h o u t   a n y   a n a l y t i c a l   a s s u m p t i o n s   r e l e v a n t   t o   t h e   d i s t r i b u t i o n s   i n   w h i c h   t h e   t r a i n i n g   s a m p l e s   a r e   f e t c h e d   p r o p e r l y ,   o u t   o f   t h e   d i f f e r e n t   t e c h n i q u e s   t h a t   h a v e   b e e n   u s e d   t o   i d e n t i f y   f r a u d u l e n t   a c t i v i t i e s   i n   c r e d i t   c a r d   t r a n s a c t i o n s   i n   t h e   l i t e r a t u r e .   I f   t h e   b o r d e r i n g   o r   c l o s e r   n e i g h b o r   i s   r e c o g n i z e d   a s   a   f r a u d u l e n t   t r a n s a c t i o n ,   i t   i s   t e r m e d   a s   f r a u d   o n e   [ 2 6 ] .   T h e   c o d e   s n i p p e t   f o r   t r a i n i n g   t h e   K N N   c l a s s i f i e r   h a s   b e e n   p r e s e n t e d   i n   F i g ure   1 .           Fig ure   1 .  Trai ni ng   K NN cla ss ifie r  m od el       2.2.      Rand om  forest  classifi cat i on   techniq ue   It  is  al so   a  su pe rv ise d  le ar ning  te ch nique  th at   can  be  ef fici ently   us ed  f or  so lvin g  cl assi ficat ion   a nd   regressio n  pr oble m s.  It  is   han dy  f or   c om puti ng   so l ution s  for  sit uations   wh e re  the  data set   m us t  be  classified   [14 ] ,  [ 27] .  A  s et   of  decisi on  trees  ( DT )  a re   a  hel pful  way  of  ob ta ini ng  the  pr e dicti on  values .  A  gro up  of   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 34   -   16 42   1636   decisi on  trees  ( DT)   is  buil t,  w hich  are  the n  use d  f or  p re dicti ng   the  cl ass .  The  voti ng   te c hniq ue  of  the  m ajorit y  can   be  us e d  f or  obta inin g  the   final  predict iv e  ou t pu t  from   t he  tree  that  res e m bles  cl os el y.  The  c om pu ta ti on al   eff ic ie ncy  of   R andom   Fo rest  cl assifi ers  li es  in  the  fact  that   the  co ns tr uction  of   each  tree   do es  not  de pe nd   on   oth e rs [28] . T he  code s nippet  for  trai ning  the  r a ndom  f or est   cl assifi er  ha s  be en prese nted  i n  Fi g ure   2.           Figure  2 .  Trai ni ng   ra ndom  f orest  classi fier  m od el       2.3.      Decisi on  tree   The  pr im ary  pu r pose  of  a  de c isi on   tree  is  cl a ssific at ion .  T he   decisi on  tree consi sts  of   a rcs   and  nod e s,  wh ic h  m akes  its  resem blance  with  a  data  str uctu re.  T he  nodes  of   t he  deci sion   tre es  im pl y  a  decisi on,  a nd   t he   arcs  denote  th e  outc om e  of   t hat  decisi on   [ 2 9].  T he  de sig n  of  a  decisi on  tree  is  pri m arily  done  us in g  a   top - dow n  ap proac h.   Feat ur e  S el ect ion   m easur es   can  be  us e d  to   find   t he  be st  possible  s plit ti ng   point.  The  functi on   values   are  c om par ed  to  t he  decisi on  tree' s  nodes  or  value s.  T he  c od e   sni pp et   for  t rai nin g  the  decisi on  tre e   cl assifi er h a s  be en prese nted  i n  Fi g ure   3 .           Figure  3 .  Trai ni ng   decisi on t r ee cl assifi er m od el       2.4.      L og is tic  regressio n   Lo gisti c  reg res sion   (LR )  is  m ai nly  a  pr edict ive  analy sis  m od el   us e d  in  a  regressio n  anal ysi s  wh er e   the  cl assifi cat ion  outp ut  var i able  is  bin a ry.   The   outp ut  de pende nt  var ia ble  is  est im at e d  us in g  a   seri es  of  releva nt  param et ers  am on g  th e  ind e pende nt  var ia bles.  T he   cod e  s ni pp et   for  trai ni ng   t he   log ist ic   regr ession  cl assifi er h a s  be en prese nted  i n  Fi gure  4 .           Figure  4 .  Trai ni ng  l og ist ic   regressio n  cl assifi er m od el       3.   DA T AS ET  P REPA R ATIO N   This  re searc h  work  use s  a  publicl y  avail ab le   dataset   [ 14 ]   that  co ntains  on ly   492  fr a ud ulent  c red it   card   tra ns act io ns   out  of   a  w hoppin g  total   of  284,315  tra nsa ct ion s  m ade  within  the  tw o  days.  It  sho ws  that  the   dataset   is  hi gh l y  sk ewe d  or  i m balanced  with  the   cl ass  1  or  the  fr a udule nt   cred it   car d  t r ansacti on,  acc ountin g  for  a  t otal  of   0.1 72%  of  the  t otal  nu m ber   of  c red it   car d  t r ansacti ons.  T he  dataset   f eat ur es  V_1,V _2,V_ 3,…,V _28,  a re  a ll   nu m eric  values  t hat  we re  ob ta ine d  by  a pply ing   pri ncipa l  com po ne nt  a naly si s  ( PCA )   tran sf orm ation   on  th e  or igi nal  rec ords  to  m ai nt ai n  the  co nf i den ti al it y  of   the  us e rs  an d  cred it  cardh old er s.  T he  only   feature s  that  are  no t   transfor m ed  and   pr e - existi ng  num eric  values  are  “Ti m e ”  an d  “Am ou nt”.  Fea tures  “Ti m e”  a nd   “ Am ou nt”  are  the  tim e  elap se d  in  sec onds   bet ween   eac h  tran sact ion   a nd   t he   total  tran sact io n  am ou nt,  in $  resp ect ively .  T he data set  d et a il s h ave  b ee n p resen te d  in  Ta ble 1.       Table  1.   Desc ription o f data se t   No r m al   tran sactio n s   Fraud u len t  tra n sac tio n s   Featu res   Nu m b e r  o f  tr an sac t io n s   2 8 4 ,315   492   30   2 8 4 ,807   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Fraudule nt c re dit car d  tr ansac ti on   detect ion usi ng so ft  c ompu ti ng tec hniq ues   ( Aishw ar y a  Priy adar s hini )   1637   Our  m ai n  obj e ct ive  in  ca rr yi ng  out  the   ex pl or at ory   data  a naly sis  is  to  a naly ze  an d  under sta nd  th e   com plete   distribu ti on  of  the   data  an d  ide ntify  correla ti on   a nd  de pe ndency  am on g  var i ou s  i nput  featur e s.  Starti ng,  with  unde rstan ding  the  dataset ,  as  exp la ine d   a bove ,  only   two  of   the  m any  inp ut   feature s  are  know n,   i.e.,  “ Am ou nt”   an d  “Ti m e”.  These  col um ns   are  al read y  sc al ed  a nd  are   r eady  to   be   use d  in   our  e xper i m ent.   Our  dataset   is  highly   i m balanced,   w he re  on l y  49 2  ( 0.1 72% )  ou t  of  28 4,8 07   tra ns act io ns  are  fr au dul ent ,  and   the  rest  283,8 23  ( 99. 83%)  a re   ge nu i ne  tra ns a ct ion s.  This  da ta set   is  highly   i m balanced,   a nd  to   com pen sat e  for   the  hi gh  im bal ance  i n  the   da ta set ,  the  a da pt ive  syntheti c  ( A DASY N )   oversam pling  [ 16 ]   m et ho d  ha s  bee n  us e d  to  resam ple  the  datase t.  Fo ll ow i ng   wh ic h,   the  M achine  le ar ning  al gorithm s  wer e  a pp li ed  to  the  resam pled  data set .  The  c ode  sn ip pet  f or   im plem entat ion   of  A DAYS N  oversam pling   ha s  bee n  prese nt ed  in   Fig ure   5 .           Figure  5 .  Co de  sn i pp e nt fo r  i m ple m entat ion  of AD ASYN   ov e rsam pling       Af te r  resam pling,  the g e nu i ne   and  f r au dule nt  cl ass  distri buti ons,  the  e val uation  an d  est im at ion   of   t he  var i ou s   feat ur e s  sig nificant  t owar ds   m od el s’   input  feature s   are  ca rr ie d  out.  Eve n  t hough,  the  featu res  i n  th e   data  are   not   re vealed  du e  to  c onfide ntial it y  issues,  i t  is  hi gh l y  appr opriat e  that  the  fe at ur es,   V_1,V _2,V_ 3,…,V _28,  wh i ch  ar e   PC A  norm al iz ed,   w hi le   “t i m e”,  “am ou nt”,  an d  “ cl ass”  are  non - PC A   norm al iz ed  featur es,   be  te ste d  for  t heir  c or relat ion   an d  li near  de pe nd e nc y  on  the   re st  of  feat ur es   an d  how   includi ng   or   e xclu ding  a  fea ture  can  a ff ect   the  ov e rall   outc om e.   Ther e fore,  the  e xp l or at or y  data  a naly sis   (EDA)   is  car ried  out  to  analy ze  and   underst and   the  c om plete   distribu ti on   of   the  data  a nd  identify   co rrel at ion  and  de pe nd e nc y  a m on g  va rio us   in put  feat ures.  Starti n g,   wi th  un der sta nd i ng  the  dataset ,   as  ex plaine d  a bove,  on ly   t wo  of  t he   m any  inp ut   f eat ur es   are   kn own,  i.e. ,  “ Amount”   a nd  “Ti m e”.  These   c ol um ns   are  pr e vi ou sly   scal ed  a nd  are   rea dy  to   be   us e d  in   our  e xp e rim ent.  Our  dataset   is  hig hly  im balanced,  w her e   on l y  49 2  (0.17 2%)   ou t  of  284,8 07  tra nsa ct ion s  are  fr a udulent  a nd   t he   rest  283,8 23  (99.8 3%)   a re  ge nu i ne  tra ns act ion s .  The  2 - D  scat te r  plo t  was  plo tt ed  to  acc ur at el y  visu al iz e  an d  reali ze  the  cre dit  card   tra ns a ct ion   in  bo t h  cl asses,   i.e.,  cl ass  0  a nd  cl ass  1,  re pr e se ntin g  genuine  c red it   ca rd   t ran sact i on s   an d  f raud ulent  car d  tra ns a ct ions ,   resp ect ively .  T he  2 - D  scat te r  plo t  has  bee n  pr ese nted  i n  Fig ure   6.   A gain ,  to  accuratel y  ve rify  the  trans a ct io n  distrib ution,  w e  plo t   the  3 - D   scat te r  plo t  a nd  pai r  plo t  of  al l  the  c om bin at ions  of  the  featur e s  “Ti m e ”  a nd   “Am ou nt”,  pre sented  in Fi g ure   7 .           (a)   (b)     Figure  6 .  2 - D   Scat te r  pl ot r e presenti ng ;  (a)   Distrib ution o f  f ra udule nt tra ns act io ns   vs  a m ou nt ($) ,     (b) Dist rib utio n   of frau dule nt  tran sact io ns v s t i m e (s ec)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 34   -   16 42   1638       Figure  7 .  3 - D  s cat te r  plo t a nd  pair plot  of the  tran sact io n vs   tim e and  tra ns a ct ion   vs  am ount  r especti ve ly       Fr om   the  ab ove  3 - D  scat te r  plo t,  first  co nsi der in g  plo tt in g  the  c red it   ca rd   tra ns act io n  distrib utio n  ver s us   the  feat ur e  “Ti m e”,  on e  can  see  that  wh et her   the  cr edit  card   tran sa ct ion   is  genuin e  or   frau dule nt ,  it   has  been  eve nly  di stribu te d  th rou ghout  the  ti m e.   The re  is  no  spe ci fic  dis ti nction  m ade  wh e n  it   com es  to  tim e,  i.e.   it   ind ic at es  no   sign ific a nt  pa tt ern   rele van t  t o  f raud ulent  c red it   car d  tra nsa ct ion s  withi n  the  s pecifie d  tim e .   Si m il arly ,  the  3 - D  scat te r  plot   of   the  transac ti on   distrib utio n  versus  “ Am ou nt”,  ca n  be  a naly zed  that  m os t  or  al l  of   the  fr a udulent  trans act ion s  ha ve  bee n  carried  ou t  on   a m ou nts  le ss  than  $2500.  O n  com pu ta ti on ,  ou t  of  a   total   of   284,8 07  tra ns act io ns ,  284,3 57   ha ve  a  transacti on  a m ou nt  le ss  tha n  or  e qu al   t o  $  2500,  acc ount ing   for   99.84  perce nt  of   t he  total   tr a ns act io ns .  I n  c on t rast,  no  f ra udulent  t ran sa ct ion   has  a  t ra ns act io n  am ount  m or e  sign ific a nt  tha n  $  2500.   Sim i la rly ,  an oth e r  i m po rtant  obse r vation  be in g  th e  transa ct ion,  wh et her  f raud ul ent  or  genuine ,  was  s pr ea d  e ve nly  thr ough ou t  ti m e,  an d  t her e  is   no  cl ea r  disti nction.  T her e   is  a  hea vy  ov e r la p  of   genuine  a nd   f raud ulent  tran sact ion s  th rou ghout  the  tim e  and   it   can  be  obser ve d  that  there  is  no  cl ear  disti nction.  S o,  there  is  no   pa rtic ular  patte rn  about  f ra udul ent  be ha vio r  s pecific  to  a ny  par t  of   t he  day .  It  i s  even ly  s pr ea d  t hro ughout  2 da ys. The  h ist ogr a m , p ai r plot al ong dist pl ot fo r  it  h as  b ee n p r esented  in Fi gu re  8.           Fig ure   8 .  Histo gr am , p ai r plo t,  and  distplot t o sh ow a  hea vy  ov e rlap  of  genuine  a nd  fr a udulent tra ns act io ns   with  no clea r d ist incti on       Fo r   t h e   d i s t p l o t ,   t h e   p a p e r   u s e s   k e r n e l   d e n s i t y   e s t i m a t o r   ( K D E ) .   K D E   h e l p s   i n   d i s c e r n i n g   o u t   t h e   c r u c i a l   f e a t u r e s   o f   t h e   d a t a ,   s u c h   a s   s k e w n e s s ,   b i m o d a l i t y ,   a n d   c e n t r a l   t e n d e n c y .   H o w e v e r ,   i t   h a s   i t s   p i t f a l l s .   K D E   t e n d s   t o   r e p r e s e n t   t h e   u n d e r l y i n g   d a t a   p o o r l y   i n   c e r t a i n   s i t u a t i o n s ,   a s   i t   a s s u m e s   t h a t   t h e   u n d e r l y i n g   d i s t r i b u t i o n   i s   s m o o t h   a n d   u n b o u n d e d .  T h i s  a s s u m p t i o n   f a i l s   w h e n   a  v a r i a b l e   ( h e r e ,  t i m e )  i s  n a t u r a l l y  b o u n d e d  a n d  t h e r e  a r e   o b s e r v a t i o n s   o r   t r a n s a c t i o n s   e l a p s e d   a t   a r o u n d   t h e   s t a r t i n g   o f   t h e   d a y   ( a s s u m e d   t o   b e   0   s e c ) ,   K D E   c u r v e   h e r e   e x t e n d s   t o   u n r e a l i s t i c   v a l u e s ,   r e s u l t i n g   i n   t i m e   a b o v e   b e i n g   p l o t t e d   t o   n e g a t i v e   v a l u e s ,   w h i c h   c a n n o t   b e   n e g a t i v e .     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Fraudule nt c re dit car d  tr ansac ti on   detect ion usi ng so ft  c ompu ti ng tec hniq ues   ( Aishw ar y a  Priy adar s hini )   1639   Now,   the  im balance  in  our  da ta set   has  bee n  analy zed .  Con si der i ng   th e  sk ew ness  of   th e  dataset ,  to   eff ect iv el y  fit  our  cl assifi er  m od el s  and   ge ner at e  ef fici ent  cl assifi cat ion s ,  the  m os t  com m on   te chn iq ues  are   ei ther  a pp ly in g  unde r - sam pling   or  ov e rsa m pl ing   t o  e ve n  ou t   the  im balance  in   the  dataset .  Her e ,  howe ver,   ADAS Y N  ov ersam pling   te chn i qu e  has  been   c onsider ed  [ 30 ] .  A ss um ing   random   un de r - sam pling   is  i m ple m ented  on   our  dataset ,  the  sam ples  fr om   the  m ajo rity   cl ass  in  the  da ta   are  delet ed  r andom ly ,  and   there   is  no  way  w hat so e ver   one  ca n  preser ve  t he  e ssentia l  or  i nfo rm ation - rich  sa m ples  fr om   the  data.   Ne ve rthe le ss,  as  al read y  pro po s ed  in  our  m et ho dolo gy,  ADAS Y N  ove rsam pling   te ch nique  was  im ple m ented  to  resam ple   the d at aset  t o  e ff ic ie ntly  train  the cla ssifie r  algorit hm s .       4.   METHO DOL OGY   O u r   s t u d y   u s e d   t h e   d a t a s e t   [ 1 4 ] ,   w h i c h   i s   h i gh l y   i m ba l a n c e d ,   a n d   t h e   b a l a nc i n g   i s   c a r r i e d   o u t   u s i n g   t h e   A D A S Y N   o v e r s a m pl i n g   m e t h o d .   F o l l o w i n g   t h i s ,   t h e   d a t a s e t   i s   c r o s s - v a l i d a t e d   u s i n g   s t r a t e gi c   t e n - f o l d   c r o s s - v a l i d a t i o n .   T h e   c l a s s i f i e r   m o de l s   w e r e   e v a l u a t e d   a n d   t e s t e d  f o r   t h e i r   p e r f o r m a n c e   o n   t he   d a t a   u s i n g   v a r i o u s   p e r f o r m a n c e   m e t r i c s   a n d   p a r a m e t e r s   s u c h   a s   a c c u r a c y ,   r e c a l l ,   p r e c i s i o n ,   a n d   F 1 - s c o r e ,   w h i c h   w e r e   c om p u t e d   u s i n g   t h e   c o n f u s i o n   m a t r i x .   T he   e s t i m a t e d   p e r f o r m a n c e   p a r a m e t e r s   a r e   t h e n   c om p a r e d   w i t h  e v e r y   m o d e l   u s e d   i n   t h i s   s t u d y   t o   c l a s s i f y   t h e   d a t a   i n t o   c l a s s   0   a n d   c l a s s   1 ,   i . e . ,   g e n u i n e   c l a s s   a n d   f r a u d u l e n t   c l a s s   c r e di t   c a r d  t r a n s a c t i o n s ,   r e s p e c t i v e l y .   A   c o n f u s i o n   m a t r i x ,   i n   g e n e r a l ,   c om p u t e s   t h e   p e r f o r m a n c e   o f   t h e   c l a s s i f i e r   m o d e l   w h i l e   a s s i g n i ng   a n   i n p u t   t o   t h e   l a b e l s .   F o r   b i n a r y   c l a s s i f i c a t i o n ,   i t   i s   a   2 × 2   t a b l e   o r   a   2 - d i m e n s i o n a l   m a t r i x  d e s i g n e d   t o   c om p u t e   a n d   r e p r e s e n t   t h e   q u a n t i t y   o f   a l l   f o u r   r e s u l t s   o f   a   b i n a r y   c l a s s i f i e r   a nd   d e n o t e d   a s   T N ,   F N ,   T P ,   a n d   F P   [ 1 2 ] .   T h e   e nt r i e s   of   t h e   c o n f u s i o n   m a t r i x   h a v e   b e e n   b r i e f l y   e x p l a i n e d   b e l o w :     Tru e   –   P os it ive s: C orrectl y C la ssifie d Fra udul ent Cred it  Ca r d  T ransac ti on s     False   –   P os it ives: Erro neousl y C la ssifie d  F r audulent C re dit Ca rd   Tra ns ac ti on s     Tru e   –   Ne gativ e:  Correct ly  Cl assifi ed N on - F raud ulent  or   ge nu i ne  c red it  ca rd Tra ns act io ns     False   –   Ne gative:  Err on e ously  Cl assifi ed  N on - F raud ulent  or g e nuine c re dit car d  T ran s a ct ion s   Ac cura cy :   Ac cur acy   is   the  perform ance  pa ram et er  us ed   to  cal culat e  to   determ ine  the   exte nt  to  w hich  th e   cl assifi cat ion  a lgorit hm  can  predict  the  class es co rr ect ly .     Accuracy  =     +   +  +  +    (1)     Re call:   Re cal l   is  a  per form a nce  pa ram et er   that  rep rese nt s  how  ef fici en t  the  m od el   or  the  cl assifi er  is  in  detect ing t he  a ct ual f ra udule nt  cred it  ca rd tra ns act io n .     Re cal l =    +    (2)     Preci sion:   T hi s  is  the  per f orm ance  par am e te r  that  m easur es  the  reli abili ty   of   a  m od el   or   the  cl assif yi ng  al gorithm .      Pr eci sio n  =    +    (3)     Re call/ Preci sion  Tr ad e off :   I t  is  a   ver y  signi ficant  trade - of f  betwee n  prec isi on   ve rsus  re cal l.  It  ind ic at es  that,   as  the  pr eci si on  with  wh ic h  the  cl assifi er  pr edict s  increase s,  it   will   detect  a  le sser  nu m ber   of   fr a udule nt   cases,  viz.  s uppose  t ha t  the  cl assifi e r  m od el   ha s  a  pr eci sio n  of  95%,   with   only   five  cas es  of  f raud ulent  c red i t  card  transacti ons.   S uppose  one  tri es  ad ding  a no ther  five   f raudu le nt  tra ns act ion   ca ses  to   i t.  I n  that  ca se ,  ou r   cl assifi er  m od el   con si ders  90 %  preci sio n,   i. e.,  the   lo wer   t he   preci sion,  our  cl assifi er   m od el   w ould  be  a ble  t o  pr e dict m or e num ber  of s uc h ca ses.   F1 – S c o r e   o r   F 1 – m e a s u r e :   F1 - S c o r e ,   a   p e r f o r m a n c e   p a r a m e t e r   e s t i m a t e d   t o   f i n d   t h e   t e s t i n g   a c c u r a c y   o f   t he   f r a u d u l e n t   c r e d i t   c a r d   d e t e c t i on   c l a s s i f i e r   m od e l   o r   t h e   c l a s s i f y i n g   a l g o r i t h m .   T o   c a l c ul a t e   t h e   s c o r e ,   i t   c o n s i d e r s   e v a l u a t i n g   t h e   h a r m o n i c   m e a n   o f   t w o   p e r f o r m a n c e   m e t r i c s :   p r e c i s i o n   a n d   r e c a l l   o f   t h e   t e s t   s a m pl e s   [ 1 3 ] .     F1 - sco re =   2   ∗    2   ∗    +  +    (4)       5.   RESU LT S  AND DI SCUS S ION   The  ge ne rated  resam pled  dataset   was  then  div ide d  into  trai ning  an d   te sti ng   set s,  with  the   te sti ng   set   hav i ng   a  sp li t  r at io  of   0.3 3.   T o  furthe r  incre ase  the  eff ic ie nc y  and   perf or m ance  of  our  le arn i ng   al gorith m s,   we   e m plo ye d  strat ifie d  k - fo l d  cr oss - vali dation  w it h  k= 10.  T his  will   helps   us  w it h  m od el   resu l ts  bein g  le ss   bi as e d  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 34   -   16 42   1640   and   le ss  optim ist ic   towar ds  the  m ino rity   class  an d  any  ot her   ou tl ie rs  i n  the  data.  T he  c orrelat ion   m at rix  wa s   us e d  to  ide ntify  wh ic h  feat ur es  ha ve  high  posit ive  an d  neg at ive  c orr el at ion   or   de pe nd e ncy  co nc ern i ng  fr a udulent c re di t card  tr ansact ion s . T he  c orre la ti on  m at rix  ha s b ee n plott ed  and  pr ese nted   in Figu re  9.           Fig ure   9 .  Co rr e la ti on  m at rix  f or r esam pled d at a       Correl at ion  m at rix  f or r e sam pled  data  can  b e  r e pr ese nted  b y :     Feature s  wi th   Ne ga ti ve  c or r el ation:   Feat ures  10 , 12 , 14 , 17   are   neg at i vely   co rr el at e d.  T his  in dicat es  that t he  le sse r  t hese  values  wo uld   be, t he  e nd  ou tc om e w ou l d be m os t l ikely  a f ra udule nt t ran sact io n.     Feature s  wi th  Positi ve  correl ation:   Feat ures   2 , 11 , 4 , 19   are  posit ivel y  cor relat e d,   i. e.,  the  higher  t he   va lues  of the se  f eat ures,  the  m or e p r ob a ble  the end  outc om e w ould  be  a   fr a udulent t ransac ti on .   Fu rt her m or e,   it   can  be  obser ved  that  only   a  ha ndf ul  of   t he  dataset   feat ur es   are   c orrelat ed,   i.e .,  t he   at tribu te   “cl ass ”  is  ind epe nde nt  of   both  the   featur es  “am ou nt ”  a nd   “t im e”.  It  is  al so   c le ar  from   the  belo w   correla ti on   m a trix  that  the  transacti on  cl ass,  wh et her   genu ine  (class  0)   a nd   fr a udulent  (class  1),  esse ntial ly   dep e nds  on the  PCA n or m al ized  att rib utes.   T h e   m o d e l   p e r f o r m a n c e   o n   t h e   o r i g i n a l   d a t a s e t   a n d   t h e   A D A S Y N   r e s a m p l e d   d a t a s e t   a r e   t h e n   c o m p a r e d .   I t   c a n   b e   o b s e r v e d   t h a t ,   t h e r e   h a s   b e e n   a   s i g n i f i c a n t   i m p r o v e m e n t   i n   t h e   p e r f o r m a n c e   o f   c l a s s i f i e r   m o d e l s ,   a f t e r   a p p l y i n g   A D A S Y N   o v e r s a m p l i n g   t e c h n i q u e .   T h e   e s t i m a t e d   r e s u l t s   o f   t h e   v a r i o u s   c l a s s i f i e r   m o d e l s   o n   t h e   o r i g i n a l   d a t a s e t   b e f o r e   a p p l y i n g   A D A S Y N   a r e   p r e s e n t e d   i n   T a b l e   2 .   T h e   e s t i m a t e d   p e r f o r m a n c e   p a r a m e t e r s   o f   t h e   v a r i o u s   c l a s s i f i e r   m o d e l s   a s   a p p l i e d   t o   t h e   A D A S Y N   r e s a m p l e d   d a t a s e t   a r e   p r e s e n t e d   i n   T a b l e   3 .       Table  2 .  Per for m ance m et rics  est i m at ed  fo r   va rio us  classi fie r  m od el s b e f ore ap plyi ng   A D ASYN   ov e rsam pling   Clas sif ier  m o d els’  p erfo r m an ce  m etri cs   Decisio n   tre e   Ran d o m   f o rest   KNN   Log istic  regress io n   Accurac y   9 7 .08 %   9 9 .98 %   8 0 .33 %   9 7 .10 %   Precisio n   0 .98 1   0 .99 8   0 .82 3   0 .98 3   F1 - sco re   0 .94 2   0 .99 9   0 .80 1   0 .94 3       Table  3.   Per for m ance m et rics  est i m at ed  fo r  vario us  classi fie r  m od el s af te r   app ly in g ADA SYN  ov e rsam pling   Clas sif ier  m o d els’  p erfo r m an ce  m etri cs   Decisio n   tr ee   Ran d o m   f o r est   K NN   (k = 9)   Log istic  regr ess io n   Accurac y   1 0 0 .0%   1 0 0 .0%   8 3 .33 %   9 0 .10 %   Precisio n   1 .0   1 .0   0 .99   0 .91   Recall   1 .0   1 .0   0 .83 3   0 .89   F1 - sco re   1 .0   1 .0   0 .99 8   0 .90   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Fraudule nt c re dit car d  tr ansac ti on   detect ion usi ng so ft  c ompu ti ng tec hniq ues   ( Aishw ar y a  Priy adar s hini )   1641   Fr om   Table  3,   we  em plo ye d  K N N,   wh ic h  gi ves  us   a n  accu racy  scor e  of   83. 33%  on  the  da ta   with  th e   best  value   of  k,  w hic h  was  a ut o   e valuated   by   our  m od el   t o  be   k= 9.  T he  s econd   m od el ,  the  l og ist ic   re gr ession  cl assifi er,  giv e s  a  bette r  resu l t  as  co m par ed  to  that  of   the  K N N  al gorith m   with  an  ov e rall   accuracy  scor e  of  90.10% .  The  oth e r  two  cl as sifie r  m od el s,  i.e.,  the  ra ndom   fo rest  cl assifi er  m od el ,  a nd   the  decisi o n  tr ee  cl assifi er  m od e l,  ga ve  a n  a bso lute  10 0.0%  ac cur acy ,   w hich   is  an  i nteresti ng  est im ation   of  accu racy,  giv e n  th e   data  set   was  hi gh ly   im balanced  or  s ke wed   a nd   it   was  re sa m pled  us ing   one  of  the   m os t  prom inent  resa m pl ing   te chn iq ues , A DASY N.   Furth er,  the  preci sio n,   recall , and F 1 - sc ore f or d ec isi on  tree   an d r andom  f or est   a re 1.0,   un i qu e .  Als o,   t he  preci sio n,   r ecal l  and   F 1 - s cor e  for  K N N  and   l og ist ic   re gr essi on  are  0.99,  0.8 33,  0.9 98   a nd  0.91,  0.89,  0.9 0,   res pecti vely .       Table  4.   Per for m ance of  d iffe ren t cl assifi e rs for P rusti  and  Ra th   [ 13 ]   Perf o r m an ce  Met ri cs   ELM   MLP   KNN   Ran d o m  For est   Ens e m b le  Metho d   Accurac y   7 8 .25   8 0 .38   8 1 .43   8 1 .92   8 3 .83   Precisio n   8 6 .00   8 7 .68   8 8 .52   8 9 .12   9 4 .50   F1 - sco re   8 6 .63   8 8 .03   8 8 .84   8 9 .22   9 0 .31       We  com par e  ou r  sim ulate d  r esults  with  P r us ti   an d  Ra th   [13],  we  f ound  that  our  sim ulate d  res ults  ou t perform ed  al l  cl assifi ers  and   e ns em bles  us ed  by  the m   pr esented  a bove  in  Table   4.   Subse qu e nt ly ,  the   auth or s   in   the  li te ratur e  a pp li ed  var i ou s   sta nd al on e   s of t  c om pu ti ng  te ch niques  t o  the   pr e - pr oces se d  data  to   ob ta in   accu rat e  an d  preci se  cl assifi cat ion s  of   t he  data  into  the  s ai d  cat e gories,  nam el y  the  ge nuine  c la ss  of  cred it   tran sact ion s  (class  0)   a nd   t he  f raud ulent  or   dece ptiv e  cl ass  of   c redi t  card   tran sact ion s ,  as  desc ri bed   i n  the  li te ratur e  ( cl ass   1).  A  co nfusi on  m at rix  was  us ed   to  es tim a te   accurac y  and   oth e r  pe rfor m ance  pa ra m et ers   sh owin g  the  m od el s  would  cl assify   the   da ta   into  cl ass   0  or  cl ass  1.  The  obj ect i ve  of  this  st ud y   has  bee n  entirel y  ded ic a te d  to  im pr ov i ng   t he  m od el   pe rfor m ance  by  var yi ng   a nd   fine - t un i ng   t he  m od el   par am eter s  that   can  help  us   re nd e r  the   best  resu lt s.  Give n  the  data,  i f  w e   can  get  su c h  a  good  est im ation   c oncer ning   the  m od el ’s  perfor m ance  in  cl assify ing   the  fr a udulent  tra ns a ct ion s  int o  ei ther  genuin e  or  fr a udule nt  cl asses,   wh ic h  is  sign if ic antly   bette r,   there  is  no  sp ec ific   need   of  ha ving  hea vier  le arn i ng   al gorit hm s   to  be  e m pl oye d  wh e n  t he  sta ndal on e m od el s c an give  su c h  a   gr eat er  acc ur ac y.       6.   RESU LT S  AND DI SCUS S ION S   T h i s   s t u d y   a n a l y z e d   n um e r o us   m ul t i f a c e t e d   a n d   c r i t i c a l   t a s k s   t h a t   i n c l u d e d   d e t e c t i n g   d e c e i t f u l   a n d   f r a u d u l e n t   a c t i v i t i e s   i n   t h e   c r e d i t   c a r d   i n   a   r e l a t i v e l y   h i g h e r   s k e w e d   ( i m b a l a n c e d )   e n v i r o n m e nt .   W e   a p p l i e d   s t a n d a l o n e  s o f t  c om p u t i n g   a n d   i n t e l l i g e n t   t e c hn i q u e s   s u c h   a s  t h e   r a n d om   f o r e s t ,   d e c i s i o n  t r e e ,  K N N ,   a n d   l og i s t i c   r e g r e s s i o n   c l a s s i f i e r   t o   a c c u r a t e l y   a n d   p r e d i c t i v e l y   e s t i m a t e   t h e   c l a s s i f i e r ’ s   p e r f o r m a n c e   m e t r i c s   t o   e f f i c i e n t l y   d e t e c t   f r a u d   a n d   e f f e c t i v e l y   t e l l   t h e m   a p a r t   f r om   t h e   g e n u i n e   c r e d i t   c a r d   t r a n s a c t i o n s   a n d   a c h i e v e d   s i g n i f i c a n t   i m p r o v e m e n t s   i n   t h e   p e r f o r m a n c e   m e t r i c s   o f   t h e   c l a s s i f i e r   m o d e l s .   I n   t h e   f u t u r e ,   a n   o p e n   d i r e c t i o n   o f   t h e   w o r k   w o u l d   i n c l u d e   w o r k i n g   w i t h   d a t a   t h a t   r e p r e s e n t s   t h e   r e a l - w o r l d   s c e n a r i o ,   i . e . ,   t h e   d a t a s e t   i s   p r o p e r l y   ba l a n c e d  o u t   i n   t e r m s   o f   t h e   m i n o r i t y   c l a s s ,   t h e   f r a u d u l e n t   c r e di t   c a r d   t r a n s a c t i o n s .   A l s o ,   i m p r o v i n g   t h e   m o d e l ’ s   e f f i c i e n c y   b y   e n h a n c i n g   t h e   m o d e l ’ s   f i t t i n g   p a r a m e t e r s   w o u l d   b e   t h e   pr i m a r y   o b j e c t i v e .   H e r e ,   e v e n   t h o u g h   o u r   w o r k   h a s   b e e n   l i m i t e d   t o  t h e   d a t a s e t ,   P C A   t r a n s f o r m e d   n u m e r i c a l   v a l u e s ,   y e t   c o n s i de r i n g   m o r e   g e n e r i c   s c e n a r i o ,   i t   w o u l d   b e   s t i m ul a t i n g   t o   e x t e n d   o u r   w o r k   w i t h   d a t a s e t s   h a v i n g   t e xt   v a l u e   a n d   s e n t i m e n t a l   s t a t e m e n t s .       ACKN OWLE DGE MENTS   This  researc h work wa s fu nded by “ Woos ong U niv e rsity ’ s A ca dem ic  Re search  F unding - 20 21 ”.       REFERE NCE S   [1]   A.   Srivasta va ,  A.   Kundu ,  S.   Sural ,   and  A.   Maju m dar ,   “ Credi t  c a rd  fra ud  detec ti o n  using  hidde n  Markov  m odel , ”   IEE E  Tr ansact ions  on  dependable   and  s ec ure  compu ting ,   vol.  5,   n o.   1,   pp .   37 - 48,   2008 ,   do i:  10. 1109/T DS C. 2007. 70228 .   [2]   S.   S.  Dhok,   and   G.   R.   Bamnote,   “ Credi t  ca rd  fr au d  det ection  usin g  hidde n  Marko v  m odel , ”  Int ernati onal  Journal of  Soft   Computing   and  Engi n ee ring   ( IJS CE) ,   vol. 2,  no.   1 ,   pp .   231 - 2 37,   2012 .   [3]   A.  Praka sh  and   C.   Chandr ase k ar,   “ An  opti m ize d  m ult iple  se m i - hidde n  m ark ov  m odel   for  c red it   ca rd   fra u d   det e ct ion , ”  Indi an  Journal  of  Sci ence  and  Technol ogy ,   vol.   8,   no.   2,   pp.   176 - 182,   Jan.   2015 ,   doi :   10. 17485/ijst/20 15/v8i 2/58081 .   [4]   V.  Bhusari and   S.  Pati l ,   “ Applicati on  of   hidde n   Markov  m odel   i n  cre d i t ca rd  fr a ud  det e ction, ”   In te rnational   Jour nal  of  Distribut ed  a nd  Parallel  S yst ems ,   vol .   2 ,   no .   6,   pp .   203 - 211 ,   Nov.  2011 ,   doi:  10. 5121/i j dps.20 11. 2618 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   3 ,  Se ptem ber   20 21 :  16 34   -   16 42   1642   [5]   N.   B.   Khand are,  “ Credi t   ca rd   f rau d  de te c ti on  u sing  hidde n  Ma rkov  m odel , ”   In te rnational   Jour nal  of  Adv an ce  Sci en ti fic  Re sear ch  and  Engi n ee r ing  Tr ends ,   vol .   1,   no .   4 ,   Jul.   201 6.   [6]   A.  Singh  and   D .   Nara y an ,   “ A  s urve y   on  hidd e n  m ark ov  m odel   for  cre dit   c ard   fra ud  det ection , ”  Inte rnat ional   Journal  of   Engi n ee ring a nd   Ad va nce d  Te chnol og y   ( IJE AT) ,   vol.  1,   no.   3 ,   pp .   49 - 52 ,   2012.   [7]   S.  Subudhi   and  S.  Panigra hi,   “ Us e  of  fuz z y   c luste ring  and  support  vec tor  m ac hi ne  for  det ecting   fra ud  in  m obile   te l ec om m unic at i on  net works , ”  Inte rnational   Jou rnal  of  Sec urity  and  Net works ,   vol.   11,   no.   1 - 2,   pp.   3 - 11,   2016 ,  doi:   10 . 1504/IJSN . 201 6. 075069 .   [8]   B.   Mehdi ,   C.   Hasna,   and   O.  Tay eb ,   “ Intelli g ent   cr edit  scori ng  s y stem  usin g  knowledge   m ana gement , ”   IA ES  Inte rnational   J ournal  of  Art i fi ci a l  Int el l ige n ce   ( IJA I) ,   vol .   8,   no .   4,   p p.   391 - 398,   Dec .   2019 ,   do i:  10. 11591/ijai.v8.i4.pp391 - 398 .   [9]   A.  Guha,   “ P red ic ti on   of  B ankr uptcy   using  B i g  Data  Anal y t i cs  base d  on   Fuzz y   c - m ea ns  Al gorit hm , ”  I AE S  Inte rnational   J ournal  of  Artific ia l  Intelli g en ce   ( IJA I) ,   vol.  8,   no.   2,   p p.   168 - 174,   J un.   2019 ,   doi :  10. 11591/ijai.v8.i2.pp168 - 174 .   [10]   M.   A.  Febri ant o no,   S.   H.   Pram ono,   R.   Rahmadw at i ,   and   G.  Nagh d y ,  “ Cla ss ifi c at i on  of  m ult i cl ass  imbala nc ed  da t a   using  cost - sensiti ve  decision  tre e   C5. 0, ”  IAE S  Int ernati onal  Jour nal  of  Arti ficial   Inte lligen ce   ( IJAI) ,   vol.   9,   no.   1,   pp.   65 - 72 ,   Mar .   2020 ,   doi :  10 . 11 591/i jai. v9 . i1 . pp 65 - 72 .   [11]   H.   E.   Mos ta fa   a nd   F.  Bena bbou,   “ A  dee p  le arn in g  base d  te chn iqu e  for  pla gi ari sm   det e ct ion :  a  compara t ive   stud y , ”  IAE S  Inte rnat io nal  Journal  of  Arti fi c ial   Int e ll ige n ce   ( IJA I) ,   vol.   9,   no.   1,   pp.   81 - 90,   Mar.   2020 ,   doi:  10. 11591/ijai.v9.i1.pp81 - 90 .   [12]   E.   W .   Ngai,   Y.   Hu,  Y.  H.   W on g ,  Y.   Chen ,   and   X.   Sun ,   “ The   appl icati on  of  data  m ini ng  te chniques  in  fina ncia l  fra ud  detec ti on:   A  cl assificat ion  fra m ework  and  an  acade m ic  rev ie w  of  l it er at ur e,”  Dec ision   suppor t  systems ,   vol.  50,   no .   3 ,   pp .   55 9 - 569 ,   2011 ,   doi :  10. 1016 /j.d ss . 2010. 08. 006 .   [13]   D.  Prus ti ,   and   S.   K.  Rat h,   “ Fraudule n t  Tra nsa ct ion  Det ection  in  Credi t  C ard   b y   Appl y ing  En sem ble   Mac hin e   Le arn ing  techni ques, ”   In   10 th   Inte rnationa l  Confe renc e  on   Computing,   C omm unic ati on  and  Net workin g   Technol ogi es ,   2 019,   pp .   1 - 6 ,   doi :  10. 1109 /ICCC NT45670. 2019. 8944867 .   [14]   Mac hine   L ea r ning  Group – UL B,   Credit  c ard   Fraud  Dete c ti on,   Kaggl e ,   2018.   [Onl ine ] .   Avail able :  htt ps:// ww w.ka g gle . com/m lg - ulb/ cre d it c ard fra ud .   [15]   S.  Ghos h,   Rei lly ,   “ Credit  ca rd  fra ud  det e ct ion  with  a  neur al - n et work,”   In   Pro ce ed ings  of  the  Tw ent y - Sevent h   Hawaii  Int ernational  Conf ere nce on  Syst em  Sc ie n ce s ,  1994 ,   p p.   62 1 - 630,   doi :  10 . 1 109/HICSS . 1994. 323314 .   [16]   F.   Carc illo,  Y.  A.   Le   Borgne ,  O.   Cae le n ,   Y.   Kess ac i,   F.   Oblé ,   and  G.   Bonte m pi,   “ Com bini ng  unsupervise d  an d   supervise d  learn ing  in  cr edi t  card  fra ud  de te c tion,”   Informatio n  Sci en ce s ,   vo l.  557,   pp.   317 - 331,   2019 ,   do i :   10. 1016/j.ins. 20 19. 05. 042 .   [17]   F.  Carc i ll o,   Y.  A.  Le   Borgn e,   O .   Cae l en . ,   and  G.   Bonte m pi ,   “ Stre aming  ac t ive   l earning  strategie s  f or  rea l - li f e  cr edit   ca rd  fr aud  de tect ion:   assess m ent   and  visualiz at ion , ”  In te rnationa l Journal  of  Data   Sci en ce   and   Ana ly tics ,   vo l.   5 ,   no .   4,   pp .   285 - 300 ,   2018 ,   doi :   0 . 100 7/s41060 - 018 - 0116 - z .   [18]   A.  C.   Bahnsen,   D.   Aouada ,   A.   Stoja novic,   and   B.   Otte rst en,   “ Feat ur e  engi n ee r i ng  strat egies  for   cre di t  ca rd  fr au d  det e ct ion , ”  Ex p e rt Sy stem  w it h   A ppli cat opns ,   vol .   51,   pp.   134 - 142 ,   2016 ,   doi :  10 . 1 016/j . eswa. 2015. 12. 030 .   [19]   S.   Bhat tacha r yya,     S.   Jha,   K.   Th ara kunne l,   and  J .   C.   W estl and,   “ Data   m ini ng  for  cre di t  ca rd  fra ud :  A  compara ti ve   stud y , ”  De ci sion   Support  Syst ems ,   vol. 50, no. 3,  pp.   602 - 613 ,   20 11 ,   doi :  10 . 1016 /j . dss . 2010. 08 . 0 08.   [20]   A.   Dal  Pozzol o,   G.   Borac chi ,   O.   Cae l en,   C.   Ali ppi,   and  G.   Bonte m pi,   “ Credi t  ca rd  fra ud  detec ti on:  a  reali sti c  m odel ing  and  a  novel   l ea rn ing  st rat eg y , ”  I EEE  tr ansacti ons  on  n eural  net works  and  le arning  sys te ms ,   vol .   29,   no .   8.   pp .   3784 - 379 7,   2017 ,   doi :   10. 1109/T NN LS. 20 17. 2736643 .   [21]   J.   Jurgovs ky ,   M.   Grani tzer,   K.   Zi egler,   S.   Cala bre tt o ,   P.  E.   Portie r ,   L.   He - Gue lt on,   and  O.   Ca el en ,   “ Sequenc e  cl assifi ca t ion  for   cre d it - c ard   fr au d  detec t ion,”  E x pert  Syst ems  wit h  Appl i cations ,   vol.   100 ,   pp .   23 4 - 245,   2018 ,   doi :   10. 1016/j.e sw a. 2 018. 01. 037 .   [22]   S.   M a e s ,   K.   T u y l s ,   B.   V a n s c h o e n w i n k e l ,   a n d   B.   M a n d e r i c k ,   “ C r e d i t   c a r d   f r a u d   d e t e c t i o n   u s i n g   B a y e s i a n   a n d   n e u r a l   n e t w o r k s , ”   In   P r o c e e d i n g s   o f   t h e   1 s t   i n t e r n a t i o n a l   n a i s o   c o n g r e s s   o n   n e u r o   f u z z y   t e c h n o l o g i e s ,  2 0 0 2 ,   p p .   2 6 1 - 270 .   [23]   R.   J.  Bolt on,   an d  D.  J  Hand,   “Unsupervi sed  profil ing  m et hods   for  fra ud  det e c ti on, ”  Credit   sc oring  and  cre dit   cont rol  VII ,   pp.   235 - 255,   2001 .   [24]   M .   Z a r e a p o o r ,   K .   R .   S e e j a ,   a n d   M.   A .   A l a m ,   “ A n a l y s i s   o n   c r e d i t   c a r d   f r a u d   d e t e c t i o n   t e c h n i q u e s :   b a s e d   o n   c e r t a i n   d e s i g n   c r i t e r i a , ”   I n t e r n a t i o n a l   j o u r n a l   o f   c o m p u t e r   a p p l i c a t i o n s ,   v o l .   5 2 ,   n o .   3 ,   p p .   3 5 - 4 2 ,   2 0 1 2 ,   d o i :   1 0 . 5 1 2 0 / 8 1 8 4 - 1 5 3 8 .   [25]   A.   A.  Akin y e lu ,   and   A.   O.   Ade wum i,   “ Cla ss ifi ca t ion  of   phishi ng  email  using  ran dom   fore st  m ac hine   learni n g  te chn ique , ”  Journal  of   Applied   M athe mati cs ,  201 4 ,   doi :  10 . 1155/ 2014/425731.   [26]   S.   Kira n,   J.   Gur u,   R.   Kum ar,  N.   Kum ar,   D.   Kat ariy a ,   and   M.   S har m a,   “ Credit  ca rd  fr aud  de tec ti on  using  Na ïv e   Ba y es  m odel   ba sed  and  KN N  c la ss ifi er , ”  In te rn ati onal  Journal  of  Adv an ce   Re s earc h,   Id eas  an d  Innov ati ons  in  Technol ogy ,   vo l. 4, no. 3, pp. 44 - 47,   2018 .   [27]   E.   N.   Os egi   and  E.   F .  Jum bo,   “ Com par at ive  an aly sis  of  cre d it   ca r d  fra ud  d et e ctio n  in  sim m ula te d   anne a li ng  tra in e d   art if ic i al   n eur a l  net work  and  h ierarc hi ca l   te m por al   m emor y ,”  M achi ne  Learning   wit h  Appl i cat io ns ,   vol.  6 ,   20 2 1 ,   doi:   10 . 1016/j.m lwa. 2021. 10008 0.   [28]   C.   Nuno,  G.  Fi guei ra ,   and   M.  Costa,   “ A  d ata  m ini ng - base d  s y stem  for  cre di t - ca rd  fr aud  de tecti on  in  e - ta i l,”   Dec ision  Suppor t  Syst ems ,  vol .   9 5,   pp .   91 - 101 ,   2 017 ,   doi :  10 . 101 6/j . dss . 2017. 01 . 002 .   [29]   A.  Coli n ,   “ Buil d ing  Dec ision Tre es  with the   ID3  Algorit hm ”,   Dr .   Dobbs   Journal ,   1996.   [30]   H.   H e ,  Y.   Bai ,  E .   A   Garc ia,   and  S.   Li,  “ AD AS Y N:  Adapti ve  s y n the tic  sam pli ng  appr oac h  for  im bal an ce d  l ea rnin g, ”   In  2008   IEE E  I nte rnational   Joint  Confe ren ce   on  Neural  Net w orks  ( IEE E  World  Congress   o n  Computati ona l   Inte lligen ce ) ,  20 08,   pp .   1322 - 13 28,   doi :  10 . 1109 /IJCNN . 2008. 4633969 .     Evaluation Warning : The document was created with Spire.PDF for Python.