Abstract:
مقدمه: رشد فناوری اطلاعات در سازمانها، منبع عظیمی از دادههای ذخیره شده در حوزه جرائم مرتبط با مواد مخدر را فراهم آورده است. تحلیل این دادهها و کشف الگوهای پنهان موجود در آن به کمک داده کاوی میتواند به کشف و پیشگیری از وقوع جرائم در این حوزه کمک نماید. هدف این مقاله بکارگیری تکنیکهای دادهکاوی جهت شناسایی افراد مستعد به قاچاق مواد مخدر در استان سیستان و بلوچستان و نیز کشف الگوهای جرم است.
روش: پژوهش حاضر بر روی دادههای 467 مجرم حوزه مواد مخدر در استان سیستان و بلوچستان که در ﻃﻲ ﺳﺎلهای 1392 الی 1399 ﻣﺮﺗﻜﺐ جرم قاچاق مواد مخدر شدهاند با نمونه گیری در دسترس انجام گرفته است. برای انجام این تحقیق از متدولوژی استاندارد CRISP-DM و الگوریتمهای طبقهبندی ماشین بردار پشتیبان، بیزین ساده، رگرسیون لجستیک، درخت تصمیم و نزدیکترین همسایه و برای استخراج الگوهای جرائم از الگوریتم الگوکاوی اپریوری استفاده شده است.
یافتهها: الگوریتم الگوکاوی بالغ بر 20 الگوی جرم با دقت بالای 80 درصد استخراج کرده است. به علاوه نتایج نشان میدهد در میان الگوریتمهای طبقهبندی، طبقهبند نزدیکترین همسایه قادر است با دقت 84 درصد افراد در معرض خطر را شناسایی کند.
نتیجهگیری: با بکارگیری مدل ساخته شده با این الگوریتم میتوان سامانهای برای شناسایی افراد مستعد به قاچاق مواد مخدر طراحی کرد. نتایج حاصل از پیشبینیهای انجام گرفته توسط سامانه مذکور و کشف الگوهای پنهان موجود در دادهها می توانند کمک شایانی به پلیس، دستگاههای قضایی و مددکارهای اجتماعی در شناسایی افراد در معرض خطر و کاهش جرائم مرتبط با قاچاق مواد مخدر نمایند.
Introduction: In recent years, technology advancement and the growth of information technology in organizations have provided a huge source of data stored in the field of drug-related offenses. Analyzing these data and discovering hidden patterns in it can help detect and prevent the occurrence of crimes in this area. This paper aimed to identify the susceptible people to drug trafficking in Sistan and Baluchestan province and discover patterns of crime using data mining techniques.
Method: The present study was conducted on data of 467 drug offenders in Sistan and Baluchestan province who have committed drug trafficking in the years 2011 to 2020 by available sampling. CRISP-DM methodology was used to build a prediction model. Also, Support Vector Machine (SVM), Naïve Bayes, Logistic Regression nad Decision Trees have been used to predict people at risk and Apriori Algorithm has been used to extract crime patterns.
Findings: The pattern mining algorithm extracted over 20 crime patterns with a precision of over 80%. The results of the evaluations show that the IBK classifier can accurately identify 84 % of the people at risk.
Discussion: A system for identifying people susceptible to drug trafficking can be designed using the model made by the IBK classifier. In addition, the results of the predictions by the above mentioned system as well as the extracted hidden patterns can help police, judiciary and social workers to identify people at risk and reduce drug-related crimes.