การพยากรณ์ความเสี่ยงการทุจริตของรายการบัตรอิเล็กทรอนิกส์

Forecasting the fraud risk of electronic card transactions

Name: ศิริพงษ์ ประดิษฐ์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Name: วัชรีวรรณ จิตต์สกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

ThaSH: การสุ่มตัวอย่าง (สถิติ)

ThaSH: การทุจริตและประพฤติมิชอบ -- พยากรณ์

ThaSH: การพาณิชย์อิเล็กทรอนิกส์ -- การทุจริต -- พยากรณ์

Abstract: งานวิจัยนี้ทำการศึกษาปัญหาเกี่ยวกับการทุจริตที่เกิดขึ้นกับบัตรอิเล็กทรอนิกส์ โดยจะทำการศึกษาพฤติกรรมจากรายการใช้บัตรอิเล็กทรอนิกส์ในอดีตที่ส่งผลต่อการทุจริต และหาแนวโน้มความเสี่ยงที่จะเกิดการทุจริตที่อาจจะเกิดขึ้นในอนาคต โดยเปรียบเทียบอัลกอริทึม จำนวน 3 อัลกอริทึม ได้แก่ อัลกอริทึมป่ าสุ่ม อัลกอริทึมเพื่อนบ้านใกล้ที่สุด และอัลกอริทึมกาเดียนบูท ข้อมูลที่ใช้คือ รายการใช้บัตรอิเล็กทรอนิกส์มีจำนวนทั้งสิ้น 110,233 รายการ ทำการคัดเลือกข้อมูลให้เหลือเพียง 11,000 รายการ ทำการแบ่งเป็น 2 ส่วน คือ ข้อมูลสำหรับสร้างแบบจำลองจำนวน 10,000 รายการ และข้อมูลที่สำหรับทดสอบแบบจำลองจำนวน 1 ,000 รายการ เมื่อได้แบบจำลองที่ดีที่สุดแล้วได้ทำการทดสอบแบบจำลอง เพื่อเปรียบเทียบประสิทธิภาพสำหรับการพยากรณ์ความเสี่ยงที่จะเกิดการทุจริต ผลการวิจัยพบว่า อัลกอริทึมกาเดียนบูทให้ประสิทธิภาพสูงสุด โดยมีค่าความถูกต้องร้อยละ 80.83ค่าความแม่นยำ เท่ากับ 0.81 ค่าระลึกเท่ากับ 0.81 รองลงมาคือ อัลกอริทึมป่ าสุ่ม โดยมีค่าความถูกต้องเท่ากับร้ อยละ74.49 ค่าความแม่นยำเท่ากับ 0.76 ค่าระลึกเท่ากับ 0.74 และอัลกอริทึมเพื่อนบ้านใกล้ที่สุด โดยมีค่าความถูกต้องเท่ากับร้อยละ 54.88 ค่าความแม่นยำเท่ากับ 0.59 และค่าระลึกเท่ากับ 0.55 ตามลำดับ

Abstract: This research investigates the problem of fraud occurring with electronic cards. It will study the behavior of electronic card transactions in the past that resulted in fraud and find out the potential risk of fraud that may occur in the future. by using three algorithms, which are Random Forest, K-Nearest Neighbor and Gradient Boosted Trees, make a model of 110,233 data, only 11,000 entries were selected, then the data that has been divided into 2 parts is 10,000 modeling data and data to test 1000 models, Once the best model was obtained the model was tested to compare performance for forecasting fraud risk. The findings reveal that the Gradient Boosted Trees algorithm is more effective. It has 80.83%, of accuracy precision is 0.81 and recall is 0.81 Next is the Random Forest algorithm. with an accuracy of 74.49%, an accuracy of 0.76 and a recall value of 0.74 K-Nearest Neighbor algorithms. The accuracy was 54.88%, the accuracy was 0.59 and the recall was 0.55, respectively

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2565

Modified: 2566-11-15

Issued: 2565-09-09

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 18 (NCCIT 2022) (pp.128-133). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2022pp.128-133.pdf	812.9 KB	12	2024-11-02 14:07:03

ใช้เวลา

0.039885 วินาที