การตรวจสอบความผิดปกติของระบบบัตรเครดิตในเครือข่ายอีดีซีโดยใช้วิธีแบบป่าสุ่ม
Article Sidebar
Main Article Content
บทคัดย่อ
ธุรกิจบัตรเครดิตในประเทศไทยมีแนวโน้มเติบโตอย่างต่อเนื่อง โดยคาดว่ายอดการใช้จ่ายผ่านบัตรจะขยายตัวเฉลี่ยร้อยละ 8–9 ต่อปีในช่วงปี 2567–2568 อย่างไรก็ตาม ระบบเครือข่ายสำหรับการทำธุรกรรมยังคงประสบปัญหาการขัดข้องบ่อยครั้ง ส่งผลกระทบโดยตรงต่อผู้ใช้บริการทั้งด้านความสะดวก ความเชื่อมั่น และประสิทธิภาพในการทำงาน เครื่องมือที่ใช้อยู่ในปัจจุบันยังไม่สามารถตรวจสอบและตอบสนองได้อย่างทันท่วงที ทำให้ปัญหาการขัดข้องของระบบยังคงเกิดขึ้นอย่างต่อเนื่อง งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้ของเครื่องที่เหมาะสมสำหรับการจำแนกเหตุการณ์ผิดปกติในระบบบัตรเครดิตเครือข่ายอีดีซี โดยใช้ข้อมูลบันทึกเหตุการณ์ในอดีตร่วมกับข้อมูลแฟ้มล็อกจากอุปกรณ์อีดีซี รวมทั้งสิ้น 5,011 ชั่วโมง อัลกอริทึมที่นำมาพิจารณา ได้แก่ ต้นไม้ตัดสินใจ ป่าสุ่ม และเพื่อนบ้านใกล้ที่สุด ผลการประเมินประสิทธิภาพแสดงให้เห็นว่า แบบจำลองที่ใช้อัลกอริทึมป่าสุ่มสามารถให้ค่าความถูกต้อง 99.96% ความแม่นยำ 99.90% ความครอบคลุม 99.90% และค่าประสิทธิภาพโดยรวม 99.90% สรุปได้ว่าอัลกอริทึมป่าสุ่มเป็นวิธีการที่เหมาะสมที่สุดในการพัฒนาเป็นต้นแบบสำหรับเครื่องมือตรวจสอบความผิดปกติของระบบบัตรเครดิตในเครือข่ายอีดีซีเพื่อยกระดับเสถียรภาพและความน่าเชื่อถือของระบบธุรกรรมทางการเงิน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
เอกสารอ้างอิง
(1) เอกลักษณ์ เขตจัตุรัส. (2567). มนุษย์กับการใช้ชีวิตในยุคดิจทัล. วารสารเมธีวิจัย, 1(3), 25–30.
(2) เจษฏา ศรีเพ็ชร, และมนตรี โสคติยานุรักษ์. (2564). สังคมไร้เงินสด: จากเศรษฐกิจแบบใช้เงินสดสู่เศรษฐกิจแบบไร้เงินสดในประเทศไทย. วารสารสังคมศาสตร์และมานุษยวิทยาเชิงพุทธ, 6(7), 84–98.
(3) พิมพ์พรรณ์ คำจิ่ม. (2567). แนวทางพัฒนากลยุทธ์การตลาดในการส่งเสริมการใช้บัตรเครดิตของกลุ่ม Generation Y ในยุคดิจิทัล. สารนิพนธ์ปริญญาการจัดการมหาบัณฑิต วิทยาการจัดการ. กรุงเทพฯ: มหาวิทยาลัยมหิดล.
(4) ธนาคารแห่งประเทศไทย. (2568). การให้บริการบัตรเครดิตแยกตามประเภทบัตรเครดิต. (ออนไลน์), สืบค้นจาก https://app.bot.or.th/BTWS_STAT/statistics/BOTWEBSTAT.aspx?reportID=757&language=th
(1 กรกฎาคม 2568).
(5) ธนาคารแห่งประเทศไทย. (2568). รายงานข้อมูลสถิติระบบเทคโนโลยีสารสนเทศขัดข้องกระทบต่อการให้บริการสำคัญของธนาคารพาณิชย์. (ออนไลน์), สืบค้นจาก https://www.bot.or.th/th/statistics/system-failure-disclosure.html
(1 กรกฎาคม 2568).
(6) ธนาธาร ภัทรกวิน, และประภาส จงสถิตย์วัฒนา. (2559). การตรวจสอบความผิดปกติของเครื่องจักรจากแฟ้มล็อกในกระบวนการผลิตฮาร์ดดิสก์ด้วยต้นไม้ตัดสินใจ. วารสารไทยการวิจัยดำเนินงาน, 4(2), 10–17.
(7) Achary, R., & Shelke, J. C. (2023). Fraud detection in banking transaction using machine learning (pp. 221–226). In International Conference on Intelligent and Innovative Technologies in Computing, Electronics (IITCEE). IEEE.
(8) Hossain George, M. Z., Alam, M. K., & Hasan, M. T. (2023). Machine learning for fraud detection in digital banking: A systematic literature review. ASRC Procedia: Global Perspectives in Science and Scholarship, 3(1), 37–61.
(9) สกุลกาญจน์ ทองคำ, และนุวีย์ วิวัฒนวัฒนา. (2565). การเรียนรู้ของเครื่องเพื่อการทำนายการผิดนัดชำระของลูกหนี้บัตรเครดิต (หน้า 37–48). ใน การประชุมวิชาการวิทยาการข้อมูล ครั้งที่ 2. มหาวิทยาลัยศรีนครินทรวิโรฒ.
(10) Fathima, A., Shree Devi, G., & Gulzar, Z. (2023). Cyber security reinforcement through firewall log analysis and machine learning. International Journal on Recent and Innovation Trends in Computing and Communication, 11(10), 8574–8580.
(11) ไพศาล สิมาเลาเต่า, และจรัญ แสนราช. (2562). การเปรียบเทียบประสิทธิภาพการจำแนกข้อมูลปัจจัยสนับสนุนการเรียนรู้การศึกษาระบบเปิดด้วยสื่อการสอนอิเล็กทรอนิกส์ในระดับอุดมศึกษา. วารสารวิชาการครุศาสตร์อุตสาหกรรม พระจอมเกล้าพระนครเหนือ, 10(1), 66–74.
(12) จุฑาทิพย์ ทิพย์พูล, และนิเวศ จิระวิชิตชัย. (2559). การจำแนกจดหมายอิเล็กทรอนิกส์ที่เป็นสแปมโดยใช้เทคนิคเหมืองข้อมูล. วารสารวิทยาศาสตร์และเทคโนโลยี มทร. ธัญบุรี, 6(1), 102–109.
(13) Darapureddy, N., Karatapu, N., & Battula, T. K. (2019). Research of machine learning algorithms using K-fold cross validation. International Journal of Engineering and Advanced Technology, 8(6S), 215–218.
(14) ชิตพงษ์ กิตตินราดร. (2563). ต้นไม้ตัดสินใจ. (ออนไลน์), สืบค้นจาก https://guopai.github.io/ml-blog09.html
(1 กรกฎาคม 2568).
(15) Al Tarawneh, B. A., & Bani Salameh, H. (2022). Classification of firewall logs actions using machine learning techniques and deep neural network (EasyChair Preprint No. 8317). EasyChair.
(16) Tarapitakwong, J., Chartrungruang, B., Somhom, S., & Tantranont, N. (2017). A classification model for predicting standard levels of OTOP’s wood handicraft products by using the K nearest neighbor. International Journal of the Computer, the Internet and Management, 25(2), 135–141.
(17) พีรศุษม์ ทองพ่วง, และจรัญ แสนราช. (2567). การเปรียบเทียบประสิทธิภาพการจำแนกข้อมูลเพื่อทำนายการได้รับทุนการศึกษาของนักศึกษาระดับปริญญาตรี โดยใช้เทคนิควิธีการทำเหมืองข้อมูล. วารสารการพัฒนางานประจำสู่งานวิจัย, 8(2), 44–52.
(18) Rahman, M. H., Islam, T., Rana, M. M., Tasnim, R., Mona, T. R., & Sakib, M. M. (2023). Machine learning approach on multiclass classification of internet firewall log files (Preprint). arXiv.
