Ahmad Bakhtiyari Shahri - Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
Samira Noferesti - Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran.
Nosrat Eftekhari - Faculty of Electrical and Computer Engineering, Chabahar International University, Chabahar, Iran
Nadia Jahantigh - Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran

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 ۴۶۷ مجرم حوزه مواد مخدر در استان سیستان و بلوچستان که در طی سال­های ۱۳۹۲ الی ۱۳۹۹ مرتکب 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. یافته ها: الگوریتم الگوکاوی بالغ بر ۲۰ الگوی جرم با دقت بالای ۸۰ درصد استخراج کرده است. به علاوه نتایج نشان می­دهد در میان الگوریتم­های طبقه­بندی، طبقه­بند نزدیکترین همسایه قادر است با دقت ۸۴ درصد افراد در معرض خطر را شناسایی کند. نتیجه گیری: 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.

Drug offenses, Data mining, Support vector machine (SVM), Crime patterns, Crime prediction, جرائم مواد مخدر, داده کاوی, طبقه بند نزدیکترین همسایه, الگوهای جرم