การพัฒนาแบบจำลองสำหรับการพยากรณ์การอนุมัติสินเชื่อเพื่อที่อยู่อาศัย

Development of models for forecasting housing loan approvals

Name: กอบกาญจน์ วัชรจิรโสภณ

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6107021858025@email.kmutnb.ac.th

Name: ธนพล เจนสุทธิเวชกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : tanapon.j@it.kmutnb.ac.th

ThaSH: สินเชื่อที่อยู่อาศัย -- การพยากรณ์

ThaSH: การควบคุมสินเชื่อ

ThaSH: ข้อมูล -- การจำแนก

ThaSH: ระบบสนับสนุนการตัดสินใจ

Abstract: บทความนี้มีวัตถุประสงค์เพื่อนำเสนอการพัฒนาแบบจำลองสำหรับพยากรณ์การอนุมัติสินเชื่อเพื่อที่อยู่อาศัย เพื่อตอบสนองต่อการแข่งขันของสถาบันการเงิน ในการให้สินเชื่อแก่ผู้กู้ ซึ่งการอนุมัติสินเชื่อที่มีความรวดเร็วและถูกต้องในการประเมินความเสี่ยงของผู้กู้ ก่อนการตัดสินใจอนุมัติสินเชื่อ เพื่อป้องกันการเกิดสินเชื่อที่ไม่ก่อให้เกิดรายได้ (Non-performing Loan: NPL) จึงมีความสำคัญอย่างยิ่งต่อรายได้ของสถาบันการเงิน ซึ่งผู้วิจัยได้นำข้อมูลการอนุมัติสินเชื่อเพื่อที่อยู่อาศัย จำนวน 614 รายการในอดีต จาก Analytics Vidhya มาทำการวิเคราะห์ข้อมูล เพื่อพัฒนาแบบจำลองสำหรับการพยากรณ์การอนุมัติสินเชื่อเพื่อที่อยู่อาศัย ด้วยกระบวนการ CRISP-DM ในการวิเคราะห์ข้อมูล ผู้วิจัยใช้โปรแกรม Rapid Miner ในการวิจัยและทำการทดลองหาอัลกอริทึมที่ให้ค่าความถูกต้องสูงที่สุด ซึ่งใช้อัลกอริทึมทั้งหมด 3 อัลกอริทึมในการทดลองคือ Decision Tree, Bagging และRandom Forest โดยวัดผลด้วยวิธีการวัดความถูกต้องแบบไขว้ (Cross Validation) ผลการทดลองพบว่าอัลกอริทึม Random Forest มีประสิทธิภาพดีที่สุดสำหรับชุดข้อมูลนี้ และนำอัลกอริทึม Random Forest มาปรับค่าพารามิเตอร์ให้มีค่าความถูกต้องมากขึ้น โดยค่าความถูกต้องสูงสุดในการพยากรณ์การอนุมัติสินเชื่อเพื่อที่อยู่อาศัย ซึ่งมีค่าความถูกต้องเท่ากับ 82.09 เปอร์เซ็น สรุปได้ว่า แบบจำลองสาหรับการพยากรณ์การอนุมัติสินเชื่อเพื่อที่อยู่อาศัย ที่พัฒนาขึ้นมีประสิทธิภาพอยู่ในเกณฑ์ดี

Abstract: The paper aims to present the development of credit approval forecasted tool for housing loans, in which the device could be a handling tool to support the high competition in the financial institution sector. Generally, the adoption of such a credit process requires a quick response and precise decision making in evaluating the risk profile of borrowers. In preventing an NPL, the forecasted tool is vital to financial institutions' revenue and profit. The researcher has focused on the dataset of 614 housing loan approval transactions in the past extracted from Analytics Vidhya to analyze and develop the forecasted tool. To improve the device, the method of analysis is mainly derived from CRISP-DM and Rapid Miner. Three Algorithms are being used, Decision Tree, Bagging, and Random Forests, and they have been compared against each other and are measured by the Cross-Validation method. The Random forest, therefore, is the most efficient algorithm. After the parameters have been adapted to increase the model accuracy, it can achieve an efficiency of 82.09 percent. In conclusion, the development of forecasting housing approval model is in its good efficiency in term of accuracy.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2563

Modified: 2563-12-21

Issued: 2563-12-21

บทความ/Article

application/pdf

BibliograpyCitation : ใน King Mongkut's University of Technology North Bangkok Faculty of Information Technology and Digital Innovation. The 16th National Conference on Computing and Information Technology (NCCIT 2020) (p.364-369). กรุงเทพฯ : คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2020pp.364-369.pdf	531.21 KB	14	2024-04-25 00:43:39

ใช้เวลา

0.029994 วินาที