The forecasting patterns of juvenile recidivism ศิริลักษณ์ หล่อพันธ์มณี*, ศิริพร ฉิมพลี, วิชชา ฉิมพลี, วัชรากรณ์ เนตรหาญ และ ณรงค์ฤทธิ์ ภิรมย์นก
Article Sidebar
Main Article Content
Abstract
The juvenile delinquency is one of the most important problems of many countries because juvenile will be important forces of the nation in the future and the recidivism of juvenile tend to increase continuously. The research also studies the forms of juvenile delinquency to predict juvenile recidivism by applying the AI: Artificial Intelligence algorithm. The result shows the predictions based on factors that cause juvenile delinquency and selected by the XGBoost algorithm consists of 6 characteristics: 1) Living by making a living 2) Tamper behavior into someone else's house, building, or car 3) Accepting employment, purchasing and / or selling drugs 4) History of prosecution 5) Training history / Imprisonment / Probation / Rehabilitation of drug addicts 6) Age while committing crime. The results of the performance evaluation are as follows. 97.80 percent of the accuracy accounted for 97.80 percent and the gift accounted for 100 percent
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
กรมพินิจและคุ้มครองเด็กและเยาวชน (2562). สถิติคดีย้อนหลังระหว่างปี พ.ศ.2553 – 2558. สืบค้น 6 กันยายน 2562, จากhttp://www.djop.go.th/Djop/main.php?page=NewsAll&CatID=63.
โกศล วงศ์สวรรค์ และคณะ. (2537). ปัญหาสังคม. กรุงเทพฯ: รวมสาร์น.
ชื่นจิตร วาณิชย์สุวรรณ. (2554). ปัจจัยที่มีอิทธิพลต่อการกระทำผิดของเด็กและเยาวชนในสถานพินิจและคุ้มครองเด็กและเยาวชนจังหวัดสงขลา. (วิทยานิพนธ์มหาบัณฑิต). คณะรัฐศาสตร์มหาวิทยาลัยสงขลานครินทร์. สงขลา.
ชินพัฒน์ แก้วชินพร.(2553). การจำแนกประเภทข้อมูลด้วยเทคนิคต้นไม้ตัดสินใจและการจัดกลุ่ม. (วิทยานิพนธ์มหาบัณฑิต). สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. กรุงเทพฯ.
ชาญคณิต กฤตยา สุริยะมณี, และ อุนิษา เลิศโตมรสกุล. (2553). ปัจจัยที่มีผลต่อการกระทำผิดซํ้าคดียาเสพติด: กรณีศึกษา ผู้กระทำผิดร้ายแรงและมีโทษสูงและต้องดูแลเป็นพิเศษ. กรุงเทพมหานคร: สำนักงานคณะกรรมการป้องกันและปราบปรามยาเสพติด กระทรวงยุติธรรม.
นงเยาว์ ในอรุณ. (2557). การประยุกต์ใช้เทคนิคเหมืองข้อมูลในการพยากรณ์โรคเบาหวาน: กรณีศึกษาโรงพยาบาลศูนย์สวรรค์ประชารักษ์. (วิทยานิพนธ์ดุษฎีบัณฑิต). มหาวิทยาลัยนเรศวร. กรุงเทพฯ.
นวลจันทร์ ทัศนชัยกุล. (2548). อาชญากรรม การป้องกัน: การควบคุม. นนทบุรี: พรทิพย์การพิมพ์.
ปรารถนา อุตพัฒน์. (2560). แผนที่ความรุนแรงของอาชญากรรมในประเทศไทยจากการศึกษาด้วยวิธีเรียงลำดับความคล้ายคลึงกัน. การประชุมวิชาการเสนอผลงานวิจัยระดับบัณฑิตศึกษา ครั้งที่ 2, 20 มกราคม 2560 ณ มหาวิทยาลัยราชภัฏมหาสารคาม, (น.408-412).
วิไลลักษณ์ ตรีพืช. (2562). การวิเคราะห์ข้อมูลผู้บาดเจ็บและเสียชีวิตจากอุบัติเหตุในช่วงเทศกาลสงกรานต์โดยใช้เทคนิคการทำเหมืองข้อมูล. วารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์, 14(1).
สุชา จันทร์เอม. (2541). จิตวิทยาเด็กเกเร. กรุงเทพฯ: ไทยวัฒนาพานิช.
โสภา ชปีลมันน์. (2536). บุคลิกภาพและพัฒนาการ: แนวโน้มสู่พฤติกรรมปกติ และการมีพฤติกรรมเบี่ยงเบนของเด็กและเยาวชน. กรุงเทพฯ: คณะสังคมศาสตร์และมนุษยศาสตร์ มหาวิทยาลัยมหิดล.
อนันต์ ประวิเศษ. (2547). ความคิดเห็นเกี่ยวกับโรงการบำบัด แก้ไข ฟื้นฟู ผู้กระทำผิดของสถานพินิจและคุ้มครองเด็กและเยาวชน จังหวัดนครราชสีมา. (วิทยานิพนธ์รัฐประศาสนศาสตรมหาบัณฑิต สาขาวิชานโยบายสาธารณะ). มหาวิทยาลัยมหาสารคาม. มหาสารคาม.
Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceeding of the 22nd ACM SIGKDD international Conference on Knowledge Discovery and Data Mining, August, 2516, San Francisco California USA.
Han, J., Kamber, M. & Pei, J. (2011). Data Mining: Concepts and Techniques. (3th ed.). Morgan Kaufmann Publisher.
Zhang, D. & TSAI, J. P. (2003). Machine Learning and Software Engineering, Software Quality Journal, 11, 87–119.