การทำนายโอกาสการเลื่อนชั้นของนักศึกษาในระดับอุดมศึกษาด้วยอัลกอริทึมการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอการทำนายข้อมูลโอกาสที่นักศึกษาชั้นปีที่ 1 จะได้เลื่อนชั้นขึ้นชั้นปีที่ 2 โดยใช้การเรียนรู้ของเครื่อง ในบริบทการศึกษาระดับอุดมศึกษา มีวัตถุประสงค์การวิจัย 1) เพื่อสร้างแบบจำลองทำนายโอกาสการได้ขึ้นชั้นปี 2 ของนักศึกษาชั้นปีที่ 1 สาขาวิชาวิทยาการคอมพิวเตอร์ และ 2) เพื่อพัฒนาเว็บแอปพลิเคชันทำนายโอกาสการได้ขึ้นชั้นปี 2 ของนักศึกษาชั้นปีที่ 1 สาขาวิชาวิทยาการคอมพิวเตอร์
ผลการสร้างแบบจำลองทำนายโอกาสการได้ขึ้นชั้นปี 2 ของนักศึกษาชั้นปีที่ 1 สาขาวิชาวิทยาการคอมพิวเตอร์ เก็บรวบรวมข้อมูลโดยการใช้แบบสอบถาม นักศึกษาสาขาวิชาวิทยาการคอมพิวเตอร์ชั้นปีที่ 1-4 มหาวิทยาลัยราชภัฏบุรีรัมย์จำนวน 125 คน และรวบรวบข้อมูลจากสำนักวิชาการและงานทะเบียนของมหาวิทยาลัยราชภัฏบุรีรัมย์ ปรับข้อมูลที่ไม่สมดุลด้วยเทคนิค SMOTE และสร้างแบบจำลองจากอัลกอริทึม 3 แบบ ได้แก่ เทคนิคการวิเคราะห์การถดถอยโลจีสติก เทคนิคป่าไม้ตัดสินใจ และเทคนิคต้นไม้ตัดสินใจ วัดประสิทธิภาพแต่ละอัลกอริทึมด้วยค่าความถูกต้อง และค่าความคลาดเคลื่อนของเครื่องมือ ผลการวัดประสิทธิภาพของแบบจำลอง พบว่า แบบจำลองที่ใช้เทคนิคการวิเคราะห์การถดถอยโลจีสติกมีประสิทธิภาพในการทำนายที่สูงที่สุด
ผลการพัฒนาเว็บแอปพลิเคชันทำนายโอกาสการได้ขึ้นชั้นปี 2 ของนักศึกษาชั้นปีที่ 1 สาขาวิชาวิทยาการคอมพิวเตอร์ นำแบบจำลองที่มีประสิทธิภาพสูงสุดมาพัฒนาในรูปแบบเว็บแอปพลิเคชันที่ใช้ในการทำนายด้วยภาษา Python และ Django Framework และใช้โปรแกรม Postgresql เป็นฐานข้อมูล ผลการวิเคราะห์ความพึงพอใจของผู้ใช้ที่มีต่อเว็บแอปพลิเคชัน พบว่า ผู้ใช้มีความพึงพอใจในระดับมากที่สุด มีค่าเฉลี่ยอยู่ที่ 4.59 และค่าเบี่ยงเบนมาตรฐาน 0.55
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of Information and Learning ดำเนินการโดยสำนักวิทยบริการ มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตปัตตานี บทความที่ได้รับการตีพิมพ์ในวารสารได้รับความคุ้มครองตามกฎหมายลิขสิทธิ์ โดยเจ้าของลิขสิทธิ์จะมีสิทธิในการทำซ้ำ ดัดแปลง และเผยแพร่งานบทความ ทั้งรูปแบบอิเล็กทรอนิกส์ การทำฉบับสำเนา การแปล และการผลิตซ้ำในรูปแบบต่างๆ ลิขสิทธิ์บทความเป็นของผู้เขียนและสำนักวิทยบริการ มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตปัตตานี วารสารฯ ขอสงวนสิทธิ์ในการพิจารณาตีพิมพ์ตามความเหมาะสม รวมทั้งการตรวจทานแก้ไข การปรับข้อความ หรือขัดเกลาภาษาให้ถูกต้องตามเกณฑ์ที่กำหนด สำหรับผลการวิจัยและความคิดเห็นที่ปรากฏในบทความถือเป็นความคิดเห็นและอยู่ในความรับผิดชอบของผู้เขียน
References
Akarachantachote, N., & Panitsupakamol, D. (2019). Comparison of imbalanced data problem solving for income classification of type I pharmacies entrepreneur. The 9 th STOU National Research Confer-ence, Nonthaburi, Thailand. http://sci-database.hcu.ac.th/science/file/rsID292_F1_20200122213859.pdf
Atik, D. A., Işildar, Y. G., & Erkoç, F. (2021). Prediction of secondary school students’ environmental attitudes by a logistic regression model. Environment, Development and Sustainability, 24, 4355-4370. https://doi.org/10.1007/S10668-021-01618-3
Bancha, P. (2021). Sā ngō̜kān rīanrū samrap AI dūai Python machine learning [Create learning for AI with Python machine learning]. Se-Ed.
Beaulac, C., & Rosenthal, S. J. (2019). predicting university students’ academic success and major using Random Forests. Research in Higher Education, 60(7), 1048-1064. https://doi.org/10.1007/S11162-019-09546-Y
Behr, A., Giese, M., Herve, D., Teguim, K., & Theune, K. (2020). Early prediction of university dropouts – a random forest approach. Journal of Economics and Statistics, 240(6), 743-789. https://doi.org/10.1515/JBNST-2019-0006
Chacha, R. C. B., López, L. G. W., Guerrero, X. V. V., & Villacis, G. V. W. (2019, December 3-5). Stu-dent dropout model based on logistic regression. First International Conference, ICAT 2019, Quito, Ec-uador. https://doi.org/10.1007/978-3-030-42520-3_26
Clitan, I., Puscasiu, A., Muresan, V., Unguresan L. M., & Abrudean, M., (2021). Web application for sta-tistical tracking and predicting the evolution of active cases with the novel Coronavirus (SARS-CoV-2). International Journal of Modeling and Optimization, 11(3), 70-74. https://doi.org/10.7763/IJMO.2021.V11.780
Dien, T. T., Duy-Anh, L., Hong-Phat. N., Van-Tuan, N., Thanh-Chanh, T., Minh-Bang, L., Thanh-Hai, N., & Thai-Nghe, N. (2021, July 1-3). Four grade levels-based models with Random Forest for student perfor-mance prediction at a multidisciplinary university. Proceedings of the 15th International Conference on Complex, Intelligent and Software Intensive Systems (CISIS-2021), Asan, Korea. https://doi.org/10.1007/978-3-030-79725-6_1
Elreedy, D., & Atiya, F. A. (2019). A comprehensive analysis of synthetic minority oversampling tech-nique (SMOTE) for handling class imbalance. Information Sciences, 505, 32-64. https://doi.org/10.1016/j.ins.2019.07.070
Fathiya, H., & Sadath, L. (2021, March 17-18). University admissions predictor using Logistic Regres-sion. 2021 International Conference on Computational Intelligence and Knowledge Economy (ICCIKE), Amity University Dubai, UAE46-51. https://doi.org/10.1109/ICCIKE51210.2021.9410717
Gotardo, A. M. (2019). Using decision tree algorithm to predict student performance. Indian Journal of Science and Technology, 12(5), 1-8. https://doi.org/10.17485/IJST/2019/V12I5/140987
Grus, J. (2019). Data science from scratch (2nd ed). Core Function.
Hussain, S., & Khan, Q. M. (2021). Student-performulator: Predicting students’ academic performance at secondary and intermediate level using machine learning. Annals of Data Science, 10(3), 637-655. https://doi.org/10.1007/s40745-021-00341-0
Ishaq, A., Sadiq, S., Umer, M., Ullah, S., Mirjalili, S., Rupapara, V., & Nappi, P. (2021). Improving the prediction of heart failure patients’ survival using SMOTE and effective data mining techniques. IEEE Access, 9, 39707-39716. https://doi.org/10.1109/ACCESS.2021.3064084
Kepan, S., Leelapatarapun, P., & Yokkhun, A. (2018). Analysis of factors influencing the dismissal of students using data mining techniques case study: Computer Science Program and Information Tech-nology Program of Yala Rajabhat University [Master’s thesis, Yala Rajabhat University]. YRU Wisdom Bank. https://wb.yru.ac.th/handle/yru/3447
Khakata, E., Omwenga, O., & Msanjila. S. (2019). Student performance prediction on internet mediated environments using decision trees. International Journal of Computer Applications, 181(42), 1-9. https://doi.org/10.5120/IJCA2019918466
Li, S., & Liu, T. (2021). Performance prediction for higher education students using deep learning. Hindawi Complexity, 2021, 9958203. https://doi.org/10.1155/2021/9958203
Pacharawongsakda, E. (2020). A little book of big data and machine learning. IDC Premier.
Prasetyo, D. H., Hogantara, A. P., & Isnainiyah, N. I. (2021). A web-based diabetes prediction application using XGBoost algorithm. Journal of Computing and Applied Informatics, 5(2), 49-59. https://doi.org/10.32734/JOCAI.V5.I2-6290
Rekha, R., Abirami, A. P., Aishvarya, G., Akshaya, B., Annapoorna, K. A., & Sanchana, S. (2021). A web based application for tracking public transport and predicting usage. International Journal of Aquatic Science, 12(2), 3770-3783. https://www.journal-aquaticscience.com/article_135799.html
Saraubon, K. (2020). Rīanrū data science læ AI: Machine learning dūai python [Learn data science and AI: Machine learning with Python. Media Network.
Srisa-ard, B. (2013). Kānwičhai bư̄angton [Introduction to research] (9th ed.). Suweerivasarn.
Thaweechat, N., Pengprachan, O., Yathongchai, W., & Yathongchai, C. (2022). A prediction system for undergraduate student dropout at faculty of science, Buriram Rajabhat University using data mining techniques. Science and Technology Buriram Rajabhat University, 4(1), 47-60. https://ph02.tci-thaijo.org/index.php/scibru/article/view/242082
Wu, J., Lin, M., & Tsai, C. (2023). A predictive model that aligns admission offers with student enrollment probability. Education Sciences, 13(5), 1-13. https://doi.org/10.3390/educsci13050440