با گسترش تراکنش‌های مالی آنلاین و پیچیدگی الگوهای تقلب، تشخیص تراکنش‌های جعلی به چالشی مهم تبدیل شده است. روش‌های سنتی در برابر داده‌های نامتوازن و رفتارهای پویای متقلبان کارایی کمی دارند و پژوهش‌های پیشین نیز اغلب به چالش‌هایی مانند عدم توازن داده‌ها و معیارهای ارزیابی نامناسب توجه کافی نکرده‌اند. در این پژوهش، با هدف رفع این کاستی‌ها، یک چارچوب جامع برای تشخیص و پیش‌بینی تقلب در تراکنش‌های کارت اعتباری ارائه شده است. بدین منظور، مجموعه‌داده معتبر تشخیص تقلب کارت اعتباری پس از مراحل پاک‌سازی، نرمال‌سازی و متوازن‌سازی داده‌ها آماده‌سازی شد. سپس عملکرد چهار الگوریتم متداول یادگیری ماشین شامل رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان با استفاده از معیارهایی نظیر دقت، بازخوانی، شاخص‌های F1 و F2، سطح زیر منحنی ROC و سطح زیر منحنی دقت–بازخوانی مورد ارزیابی قرار گرفت. همچنین، به‌منظور بهبود عملکرد مدل‌ها، از تکنیک‌های تکمیلی نظیر وزن‌دهی کلاس‌ها، تنظیم آستانه تصمیم‌گیری مبتنی بر امتیاز F2 و بهینه‌سازی ابرپارامترها استفاده شد. نتایج تجربی نشان می‌دهد که الگوریتم جنگل تصادفی، به‌ویژه در معیارهای مبتنی بر بازخوانی، عملکرد باثبات‌تری نسبت به سایر روش‌ها ارائه می‌دهد. در ادامه، جهت تسهیل به‌کارگیری عملی مدل، دو رابط برنامه‌نویسی کاربردی مبتنی بر فریم‌ورک‌های فلاسک و فست‌اِی‌پی‌آی و یک رابط کاربری گرافیکی با ابزار گرادیو توسعه یافته است. این پژوهش علاوه بر معرفی یک مدل دقیق، یک طرح عملیاتی برای استقرار سامانه در زیرساخت بانکی ایران ارائه می‌کند که می‌تواند در کاهش خسارات ناشی از تراکنش‌های جعلی و افزایش امنیت نظام پرداخت الکترونیکی مؤثر باشد.