Detección de fraudes en transacciones financieras usando algoritmos de Machine Learning

• Intriago Montalván, Juan Darío ^[1] ; Vásquez-Bermeo, Dowsan Miguel ^[1] ; Eugenia Mazón, Bertha ^[1] ; Tusa, Eduardo ^[1]
  1. [1] Universidad Tecnica de Machala

     Universidad Tecnica de Machala

     Machala, Ecuador

     
• Localización: Ingenium et Potentia: Revista Electrónica Multidisciplinaria de Ciencias Básicas, Ingeniería y Arquitectura, ISSN-e 2665-0304, Vol. 8, Nº. 14, 2026 (Ejemplar dedicado a: Enero - Junio. 2026), págs. 111-136
• Idioma: español
• DOI: 10.35381/i.p.v8i14.4814
• Títulos paralelos:
  • Fraud detection in financial transactions using Machine Learning algorithms
• Enlaces
  • Texto completo
• Resumen
  • español

    El trabajo aborda el fraude financiero en transacciones con tarjetas de crédito. El objetivo es evaluar modelos de machine learning que identifiquen el algoritmo más robusto para la detección de fraudes financieros. Como solución se implementó una comparativa entre Random Forest, K-Nearest Neighbors y Árbol de Decisión aplicando la técnica SMOTEEN para balancear las clases. Se desarrollaron dos aplicaciones una web funcional para la evaluación y visualización de datos, y una de escritorio para la anonimización de los datos. Los resultados importantes demostraron que el modelo de Random Forest fue el más equilibrado, obteniendo métricas sobresalientes como 99% de Accuracy, 99% de Precisión, 98% de Recall y 99% de F1-Score con un ROC AUC de 0.99%. El enfoque propuesto, basado en los modelos de ensamble y técnicas de balanceo de clases como SMOTEEN, confirma ser una alternativa efectiva y adaptable para fortalecer el sistema de monitoreo de fraude financiero

  • English

    The paper addresses financial fraud in credit card transactions. The objective is to evaluate machine learning models that identify the most robust algorithm for the detection of financial fraud. As a solution, a comparison between Random Forest, K-Nearest Neighbors and Decision Tree was implemented by applying the SMOTEEN technique to balance the classes. Two applications were developed, a functional web for data evaluation and visualization, and a desktop for data anonymization. The important results showed that Random Forest's model was the most balanced, obtaining outstanding metrics such as 99% Accuracy, 99% Precision, 98% Recall and 99% F1-Score with an ROC AUC of 0.99%. The proposed approach, based on ensemble models and class balancing techniques such as SMOTEEN, proves to be an effective and adaptable alternative to strengthen financial fraud monitoring systems.