Using Data Mining Techniques to Develop Models for Credit Card Payment Amounts
Article Sidebar
Main Article Content
บทคัดย่อ
The goals of this study were to create a credit card payment amount model utilizing data mining techniques by using the following four methods: regression analysis, artificial neural networks, support vector machines for regression, and maroon peak (Model Tree: M5P). The amount of credit card payments from March 2015 to August 2022 served as the study's source of data. The experimental findings indicate that, at 7.80% of MMRE, the maroon peak (Model Tree: M5P) was the model with the highest performance for prediction.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
References
Chitra, K., and B. Subashini. (2013). Data Mining Techniques and its Applications in Banking Sector. International Journal of Emerging Technology and Advanced Engineering. 3(8), 219-226.
Chu, Wesley, and Tsau Young Lin. (2015). Foundations and advances in data mining. Springer Science & Business Media. 180,125-136.
Desai, V. S., Crook, J. N., Overstreet, G. A. (1996). A comparison of neural networks and linear scoring models in the credit union environment. European Journal of Operational Research. 95, 24-37.
Ghodselahi A. (2019). A Hybrid Support Vector Machine Ensemble Model for Credit Scoring. International Journal of Computer Applications. 17, 75-87.
N. keadyam. (2017). Forecasting the amount of credit card’s Payments Using Time series Data Mining Techniques. Siam University.
Mustaffa Z Zainal NA. (2016). Developing a gold price predictive analysis using Grey Wolf Optimizer. IEEE Student Conference on Research and Development 2016.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics. 20, 53–65.
R.A. Johnson and D.W Wichern. (2018). Applied Multivariate Statistical Analysis.
Sven F. Crone and Rohit Dhawan. (2007). Forecasting Seasonal Time Series with Neural Networks: A Sensitivity Analysis of Architecture Parameters. IEEE Trans. Neural Networks (IJCNN), 2099-2104.
Weiss, S. M., Kulikowski, C. A. (2018). Computer Systems That Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning, and Expert Systems; 1991st San Francisco, Calif, USA Morgan Kaufmann
Zurada, Jozef, and Martin Zurada. (2011). How Secure Are “Good Loans: Validating Loan-Granting Decisions and Predicting Default Rates on Consumer Loans. Review of Business Information Systems (RBIS). 6(3), 65-84.