Classification of loan borrowers of national pension and provident fund of Bhutan : a case study

การจำแนกประเภทผู้กู้กองทุนบำนาญและเบี้ยยังชีพประเทศภูฏาน : กรณีศึกษา

Name: Wangdi Kinzang

keyword: Data segmentation

LCSH: PROVIDENT FUNDS -- BHUTAN -- CLASSIFICATION

LCSH: NATIONAL PENSION AND PROVIDENT FUND

Abstract: The National Pension and Provident Fund (NPPF) of Bhutan has introduced member financing schemes such as Housing and Education loan to its members since 2003. The number of members applying for the loans is growing every year. Granting a loan is becoming an important task for Loan Officials to avoid potential risks in the future. However, the occurrences of repayment defaulters and Non Performing Loan (NPL) as well as a number of cases that the mortgages have to be ceased have been increasing significantly. With an aim to investigate a suitable classification model as a decision tool for loan officials to judge future loan applications, the thesis comprehensively studies five different algorithms, namely MLP, RBF, SMO, J48 and RF. Applying five algorithms directly to the original dataset provides unacceptable accuracy of bad borrowers’ detection at 1.1%. This is because NPPF dataset is imbalanced and the five algorithms solely cannot learn very well from marginal proportions of bad borrowers. Two data manipulation techniques, i.e., SMOTE and segmentation, are additionally investigated. The experimental results indicate that the performance is highly increased when SMOTE and segmentation techniques are both applied. The best model can accurately classify applicants at 96.76%, with 81.93% true positive detection of bad borrowers.

Abstract: กองทุนบำนาญและเบี้ยยังชีพประเทศภูฏานได้เริ่มโครงการเงินกู้เพื่อการศึกษา และที่พักอาศัย ให้แก่ สมาชิกกองทุนตั้งแต่ปี พ.ศ. 2546 และมีจำนวนผู้สมัครเข้าโครงการเพิ่มขึ้นในทุกๆ ปี การพิจารณา อนุมัติจึงต้องทำด้วยความรอบคอบเพื่อลดอัตราเสี่ยงที่อาจเกิดขึ้นได้ แต่จากสถิติในแต่ละปีมีการขาดส่ง และการยึดทรัพย์เพิ่มจำนวนขึ้นมาโดยตลอด วิทยานิพนธ์ฉบับนี้ศึกษาแบบจำลองจำแนกผู้สมัครเงินกู้ สำหรับกองทุนดังกล่าว โดยใช้อัลกอริทึมห้ารูปแบบ ได้แก่ MLP, RBF, SMO, J48 และ RF จากผล การศึกษาอัลกอริทึมทั้งหมดไม่สามารถจำแนกผู้สมัครเงินกู้ได้อย่างมีประสิทธิภาพ การคัดกรองผู้ที่มี แนวโน้มค้างชำระหรือไม่สามารถชำระเงินกู้ทำได้เพียง 1.1 % ทั้งนี้เนื่องจากความไม่สมดุลย์ของข้อมูล ผู้จัดทำจึงศึกษาวิธีการจัดการข้อมูลอีกสองรูปแบบเข้ามาช่วย ให้การสร้างแบบจำลองมีประสิทธิภาพ ยิ่งขึ้น คือ SMOTE และ Segmentation ซึ่งการประยุกต์ใช้วิธีการทั้งสองร่วมกับอัลกอริทึมทั้งห้าให้ผล เป็นที่น่าพอใจอย่างมาก โดยแบบจำลองที่สร้างจากอัลกอริทึม RF ให้ผลดีที่สุดคือ มีความถูกต้อง 96.76 % โดยสามารถคัดกรองผู้ที่มีแนวโน้มค้างชำระหรือไม่สามารถชำระเงินกู้ได้สูงถึง 81.93 %

King Mongkut's University of Technology North Bangkok. Central Library

Address: Bangkok

Email: library@kmutnb.ac.th

Name: Akara Prayote

Role: Thesis Advisor

Email : apy@kmutnb.ac.th

Name: Utomporn Phalavonk

Role: Thesis Advisor

Email : upv@kmutnb.ac.th

Created: 2009

Modified: 2567-08-26

Issued: 2010-07-16

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: E-THESIS

eng

DegreeName: Master of science

Level: Master's Degree

Descipline: Information Technology

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15177798.pdf	1.34 MB

ใช้เวลา

0.02228 วินาที