???jsp.display-item.identifier??? https://repositorio.unipampa.edu.br/jspui/handle/riu/4173
???org.dspace.app.webui.jsptag.ItemTag.full???
???org.dspace.app.webui.jsptag.ItemTag.dcfield??????org.dspace.app.webui.jsptag.ItemTag.value??????org.dspace.app.webui.jsptag.ItemTag.lang???
dc.contributor.advisor1Oliveira, Alessandro Bof de-
dc.creatorBeltran, Rafael Duarte-
dc.date.accessioned2019-08-01T13:34:35Z-
dc.date.available2019-08-01T13:34:35Z-
dc.date.issued2019-06-28-
dc.identifier.citationBELTRAN, Rafael Duarte. Detecção de fraudes bancárias utilizando métodos de clustering. Orientador: Alessandro Bof de Oliveira. 2019. 61 p. Trabalho de Conclusão de Curso (Bacharel em Ciência da Computação) - Universidade Federal do Pampa, Curso de Ciência da Computação, Alegrete, 2019.pt_BR
dc.identifier.urihttp://dspace.unipampa.edu.br:8080/jspui/handle/riu/4173-
dc.description.abstractFinancial institutions have extensively used computerized systems for the provision of their services. Therefore, the number of financial solutions through digital means is increasing. The convenience of using these tools brings with it the important issue of data security in these financial transactions. Among these security issues, this paper focuses on the detection of credit card fraud. By using an electronic payment method, such as a credit card, to make purchases or contract services. When the credit card is used, data from that purchase is added to a transaction table, some of which are the purchase moment and their values. These data can be used to construct a typical pattern of behavior. When system security is compromised, such as when the credit card is used by someone other than the user, we have a fraud. The purpose of this project is to detect unusual behaviors, that are, atypical transactions in comparison to others. The data used comes from a real database with history of credit card transactions and anonymous. The database is labeled with 284,807 standard transactions and 492 frauds. In this study, an analysis of the database in question was performed, after this analysis the unnecessary resources were removed. Having the data set ready, a selection was made of the clustering methods that would be applied, and subsequently tested hybrid approaches of these algorithms. As a result, in the best cases, fraud detection rates greater than 88% were obtained, using the clustering methods DBSCAN and K-Means.The DBSCAN achieved better results using Manhattan metric.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Pampapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectCiência da computaçãopt_BR
dc.subjectFraudes eletrônicaspt_BR
dc.subjectAgrupamento de dadospt_BR
dc.subjectClusterizaçãopt_BR
dc.subjectComputer sciencept_BR
dc.subjectElectronic fraudspt_BR
dc.subjectClustering of datapt_BR
dc.subjectClusteringpt_BR
dc.titleDetecção de fraudes bancárias utilizando métodos de clusteringpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.publisher.initialsUNIPAMPApt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.description.resumoInstituições financeiras tem utilizado extensivamente sistemas informatizados para a prestação de seus serviços. Dessa forma, é crescente o número de soluções financeiras por meio digital. A conveniência da utilização dessas ferramentas traz consigo a importante questão da segurança dos dados nessas operações financeiras. Dentre essas questões de segurança, este trabalho se concentra na detecção de fraudes de cartão de crédito. Ao utilizar um meio de pagamento eletrônico, como o cartão de crédito, para efetuar compras ou contratação de serviços. No momento que o cartão de crédito é utilizado, são adicionados dados dessa compra para uma tabela de transações, alguns desses dados são os horários das compras e seus valores. Esses dados podem ser utilizados para construir um padrão de comportamento típico. Quando a segurança do sistema é comprometida como, por exemplo, a utilização do cartão de crédito por outra pessoa que não o usuário, temos a ocorrência de uma fraude. O objetivo deste projeto é detectar comportamentos não usuais, ou seja, transações atípicas em comparação às outras. Os dados utilizados são provenientes de uma base de dados real com histórico de transações de cartões de crédito e anônimas. A base de dados é rotulada com 284.807 transações normais e 492 fraudes. Nesse trabalho, foi realizada uma análise da base de dados em questão, após essa análise os recursos desnecessários foram removidos. Tendo o conjunto de dados pronto, foi realizada uma seleção, dos métodos de clustering que seriam aplicados e, posteriormente testadas abordagens híbridas desses algoritmos. Como resultados, nos melhores casos, foram obtidas taxas de detecção de fraude maiores que 88%, utilizando os métodos de clustering DBSCAN e K-Means. O DBSCAN obteve melhores resultados superiores, utilizando métrica Manhattan.pt_BR
dc.publisher.departmentCampus Alegretept_BR
???org.dspace.app.webui.jsptag.ItemTag.appears???Ciência da Computação

???org.dspace.app.webui.jsptag.ItemTag.files???
???org.dspace.app.webui.jsptag.ItemTag.file??? ???org.dspace.app.webui.jsptag.ItemTag.description??? ???org.dspace.app.webui.jsptag.ItemTag.filesize??????org.dspace.app.webui.jsptag.ItemTag.fileformat??? 
Rafael Duarte Beltran - 2019.pdf1.08 MBAdobe PDF???org.dspace.app.webui.jsptag.ItemTag.view???


???jsp.display-item.copyright???