Decision support system for credit card approval using

Abstract

Currently, the credit card approval system plays a crucial role in banking and financial institutions as it is used to assess applicants' qualifications. However, credit card approval remains a complex process that requires analyzing multiple factors, including financial history, income, spending behavior, and other criteria. This process relies on personnel to review and approve credit cards based on predetermined regulations, which can lead to delays. This research presents a credit card approval decision support system using supervised machine learning (Supervised Learning) in classification to improve efficiency and reduce errors in the approval process. The researcher developed a model to categorize credit card applicants into two groups: those who meet the criteria and those who do not. The study applied ten machine learning techniques. The models. The research findings indicate that the XGBoost method achieved an accuracy of 98.0 %, based on comparisons from the Confusion Matrix table.

ในปัจจุบันระบบอนุมัติบัตรเครดิตมีบทบาทสำคัญต่อธุรกิจธนาคารและสถาบันการเงิน เนื่อง จากใช้ในการพิจารณาคุณสมบัติของผู้สมัคร อย่างไรก็ตาม การอนุมัติบัตรเครดิตยังคงเป็นกระบวนการที่ซับซ้อน ต้องอาศัยการวิเคราะห์ข้อมูลหลายปัจจัย รวมถึงประวัติทางการเงิน รายได้ และพฤติกรรมการใช้จ่าย และปัจจัยอื่นๆ โดยใช้บุคคลากรในการตรวจสอบและอนุมัติให้บัตรเครดิตตามกฎเกณที่กำหนด ส่งผลให้มีความล่าช้า งานวิจัยนี้นำเสนอระบบสนับสนุนการตัดสินใจอนุมัติบัตรเครดิตโดย โดยใช้การเรียนรู้ของเครื่องแบบมีผู้สอนประเภทการจำแนก เพื่อเพิ่มประสิทธิภาพและลดข้อผิดพลาดในการพิจารณาอนุมัติ ผู้วิจัยได้สร้างแบบจำลองเพื่อแบ่งกลุ่มผู้สมัครบัตรเครดิตที่บัตรเครดิต เป็น 2 ประเภท ได้แก่ กลุ่มลูกค้าที่ผ่าเกณฑ์ และกลุ่มลูกค้าที่ผ่าเกณฑ์ โดยใช้อัลกอลิทึม 10 เทคนิค เรียนรู้และทดสอบกับข้อมูลรายการสมัครสินเชื่อบัตรเครดิตบนทดสอบของผู้ใช้งาน โดยมีข้อมูลรายการสมัครบัตรเครดิต จำนวน 1,568 รายการ เพื่อหาโมโดลที่มีประสิทธิภาพมากที่สุด สำหรับนำไปใช้พัฒนาระบบพิจารณาอนุมัติบัตรแบบอัตโนมัติต่อไป ผลการวิจัยพบว่าวิธีแบบเทคนิคXGBoost ให้ค่าความถูกต้อง 98.0 % เมื่อเปรียบเทียบค่าจากตารางเมทริกซ์ความสับสน