การพยากรณ์การออกกลางคันของนักศึกษามหาวิทยาลัยจากการปรับปรุงด้วยการคัดเลือกคุณลักษณะร่วมกับวิธีโครงข่ายประสาทเทียมเพอร์เซ็ปตรอนหลายชั้น
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์หาคุณลักษณะที่เป็นปัจจัยในการพยากรณ์การออกกลางคันของนักศึกษามหาวิทยาลัย เปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์ และปรับปรุงเพื่อเพิ่มประสิทธิภาพของแบบจำลองด้วยการคัดเลือกคุณลักษณะร่วมกับวิธีโครงข่ายประสาทเทียมเพอร์เซ็ปตรอนหลายชั้น ข้อมูลที่ใช้ในการวิจัยได้มาจากระบบงานทะเบียนนักศึกษาและประมวลผล กองบริการการศึกษา มหาวิทยาลัยอุบลราชธานี ประกอบด้วยข้อมูล 3 ส่วน ได้แก่ (1) ข้อมูลพื้นฐาน จำนวน 1,029 รายการ (2) ข้อมูลรายภาค จำนวน 6,826 รายการ และ (3) ข้อมูลผลการเรียน จำนวน 29,790 รายการ หลังจากผ่านกระบวนการเตรียมข้อมูลตามกระบวนการคริปสดีเอ็ม (CRISP-DM) คงเหลือข้อมูลเพื่อสร้างแบบจำลอง จำนวน 882 รายการ และจำนวนคุณลักษณะ 14 แอททริบิวต์ (Attributes) แบบจำลองในการพยากรณ์การออกกลางคันของนักศึกษาสร้างด้วยวิธี (1) Decision Tree (C4.5) (2) Naive Bayes (3) Multilayer Perceptron Neural Network และ (4) Support Vector Machine ร่วมกับการคัดเลือกคุณลักษณะด้วยวิธี (1) Gain Ratio (2) Chi-Square และ (3) Correlation-based Feature Selection (CFS) หาประสิทธิภาพของแบบจำลองด้วยวิธี 10-Folds Cross Validation เพื่อเปรียบเทียบค่า (1) Accuracy (2) Precision (3) Recall และ (4) Mean Absolute Error (MAE) ผลการวิจัย พบว่า คุณลักษณะที่เป็นปัจจัยสำคัญในการพยากรณ์การออกกลางคันของนักศึกษา มี 5 แอททริบิวต์ ได้แก่ (1) ผลการเรียนเฉลี่ยสะสม (2) ผลการเรียนเฉลี่ยสะสมกลุ่มวิชาในคณะ (3) ผลการเรียนเฉลี่ยสะสมกลุ่มวิชานอกคณะ (4) การกู้ยืมหรือทุนการศึกษ และ (5) สถานภาพนักศึกษา (คลาสเป้าหมาย) แบบจำลองในการพยากรณ์การออกกลางคันของนักศึกษาที่มีค่าความถูกต้องสูงที่สุดสร้างด้วยวิธีโครงข่ายประสาทเทียมเพอร์เซ็ปตรอนหลายชั้นร่วมกับการคัดเลือกคุณลักษณะด้วยวิธี CFS ที่ได้ค่าความถูกต้องหลังจากปรับค่าพารามิเตอร์ในการสร้างแบบจำลองแล้ว เท่ากับ 90.39% จากผลการวิจัยแสดงให้เห็นว่าสามารถใช้เทคนิคการคัดเลือกคุณลักษณะปรับปรุงประสิทธิภาพของแบบจำลองโครงข่ายประสาทเทียมเพื่อใช้ในการพยากรณ์การออกกลางคันของนักศึกษามหาวิทยาลัยได้แม่นยำมากขึ้นและสามารถนำแบบจำลองไปใช้พัฒนาระบบพยากรณ์การออกกลางคันของนักศึกษาต่อไปได้
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา (JSSE) เป็นผู้ถือลิสิทธิ์บทความทุกบทความที่เผยแพร่ใน JSSE นี้ ทั้งนี้ ผู้เขียนจะต้องส่งแบบโอนลิขสิทธิ์บทความฉบับที่มีรายมือชื่อของผู้เขียนหลักหรือผู้ที่ได้รับมอบอำนาจแทนผู้เขียนทุกนให้กับ JSSE ก่อนที่บทความจะมีการเผยแพร่ผ่านเว็บไซต์ของวารสาร
แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
ทางวารสาร JSSE ได้กำหนดให้มีการกรอกแบบโอนลิขสิทธิ์บทความให้ครบถ้วนและส่งมายังกองบรรณาธิการในข้อมูลเสริม (supplementary data) พร้อมกับนิพนธ์ต้นฉบับ (manuscript) ที่ส่งมาขอรับการตีพิมพ์ ทั้งนี้ ผู้เขียนหลัก (corresponding authors) หรือผู้รับมอบอำนาจ (ในฐานะตัวแทนของผู้เขียนทุกคน) สามารถดำเนินการโอนลิขสิทธิ์บทความแทนผู้เขียนทั้งหมดได้ ซึ่งสามารถอัพโหลดไฟล์บทความต้นฉบับ (Manuscript) และไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนู “Upload Submission” ดังนี้
1. อัพโหลดไฟล์บทความต้นฉบับ (Manuscript) ในเมนูย่อย Article Component > Article Text
2. อัพโหลดไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนูย่อย Article Component > Other
ดาวน์โหลด ไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
References
Boonprasom, C. and Sanrach, C. (2018). Predictive analytic for student dropout in undergraduate using data mining technique (in Thai). Technical Education Journal King Mongkut’s University of Technology North Bangkok, 9(1), 142-151.
Habusaya, S. and Ditcharoen, N. (2020). Analysis of ICD-10 coding errors in 43 files database systems for medical record department using data mining techniques. KKU Science Journal, 48(1), 142 – 155.
Iamprik, C. and Sudadet, K. (2017). Predicting student’s data for performance by data mining. Proceedings of The Thirteenth National Conference on Computing and Information Technology NCCIT2017 (pp. 32-37).
Pacharawongsakda, E. (2014). An introduction to data mining techniques (in Thai). Bangkok: Asia Digital Press Company Limited.
Paruechanon, P. and Sriurai, W. (2018). Applying association rule to risk analysis for dropout students of Information Technology Department (in Thai). Journal of Science and Science Education, 1(2), 123-133.
Pavya, K., and Srinivasan, D. B. (2017). Feature Selection Techniques in Data Mining: A Study. International Journal of Scientific Development and Research (IJSDR), 2(6), 594-598.
Pheunpha, P. (2020). Drop-out Factors of Students of Business Administration Faculty (in Thai). Journal of Education, Mahasarakham University. 14(2), 144-158.
Prakobpol, T. (2009). Artificial Neural Networks. HCU Journal, 12(24). 73-87.
Rawengwan, P. and Seresangtakul, P. (2017). A model for forecasting educational status of students (in Thai). Proceedings of The National and International Graduate Research Conference 2017. (pp 273 – 283). Khon Kaen University.
Sittichat, S. (2017). Study of Educational Attributes Using Data Mining Technique (in Thai). Information Technology Journal, 13(2), 20–28.
Sriurai, W. (2014). Patients Classification of Metabolic Syndrome Using Feature Selection and Artificial Neural Network (in Thai). Srinakharinwirot Science Journal, 30(1), 91-102.
Techapanurak, E. (2021). Bayesian Neural Network (in Thai). Retrieved September 25, 2021, from medium.com : https://medium.com/@dopplerz/bayesian-neural-network-ตอนที่-1-ทฤฎีความน่าจะเป็นแบบเบย์ๆ-99deeab8c206
Ubon Ratchathani University. (2018). Rules and Regulations of Ubon Ratchathani University on Bachelor’s Degree Education B.E. 2561 (2018) (in Thai). Retrieved December 30, 2020, from https://www.ubu.ac.th /web/files_up/46f20 19042610283611.pdf.