การเปรียบเทียบประสิทธิภาพและทำนายผลสถานภาพการเป็นนักศึกษา คณะวิทยาศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาเรื่องการเปรียบเทียบประสิทธิภาพและทำนายผลสถานภาพการเป็นนักศึกษา คณะวิทยาศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง มีวัตถุประสงค์เพื่อศึกษาทำความเข้าใจและเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่ม รวมทั้งเปรียบเทียบการทำนายผลสถานภาพการเป็นนักศึกษา วิธีการจำแนกกลุ่มที่นำมาเปรียบเทียบประสิทธิภาพและการทำนายผลคือ วิธีความใกล้เคียงกันมากที่สุดโดยใช้อัลกอริทึมชนิด IBk วิธีแผนภาพต้นไม้เพื่อการตัดสินใจโดยใช้อัลกอริทึมชนิด J48 วิธีโครงข่ายประสาทโดยใช้อัลกอริทึมชนิดเพอร์เซปตรอนแบบหลายชั้น และวิธีซัพพอร์ตเวกเตอร์แมชชีนโดยใช้อัลกอริทึม SMO ชนิดโพลิโนเมียลเคอร์เนล ในการเปรียบเทียบประสิทธิภาพของวิธีการจำแนกกลุ่มทั้ง 4 วิธี จะใช้ค่าความถูกต้อง ค่าอัตราความถูกต้องเชิงบวก ค่าอัตราความถูกต้องเชิงลบ ค่าความแม่นยำ ค่าความระลึก และค่าความถ่วงดุล โดยจะพิจารณาจากค่าเหล่านี้ที่มีค่ามากที่สุด ส่วนค่าอัตราความผิดพลาดเชิงบวกและค่าอัตราความผิดพลาดเชิงลบจะพิจารณาจากค่าน้อยที่สุด ในการทำนายผลของวิธีการจำแนกกลุ่มทั้ง 4 วิธี จะใช้ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) และค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ในการเปรียบเทียบ โดยพิจารณาจากค่า MAE และ MSE ที่มีค่าน้อยที่สุด
ผลการศึกษาพบว่าวิธีโครงข่ายประสาทมีค่าความถูกต้อง ค่าอัตราความถูกต้องเชิงบวก ค่าความถูกต้องเชิงลบ ค่าความแม่นยำ ค่าอัตราความผิดพลาดเชิงบวก ค่าอัตราความผิดพลาดเชิงลบ ค่าความระลึกและค่าความถ่วงดุลดีที่สุดคือ 98.1481%, 1, 0.727, 0.981, 0.273, 0, 1 และ 0.99 ตามลำดับ ส่วนวิธีแผนภาพต้นไม้เพื่อการตัดสินใจและวิธีซัพพอร์ตเวกเตอร์แมชชีนมีค่าอัตราความถูกต้องเชิงบวก ค่าอัตราความผิดพลาดเชิงลบ และค่าความระลึกดีที่สุดคือ 1, 0 และ 1 ตามลำดับ ดังนั้นวิธีโครงข่ายประสาทมีประสิทธิภาพดีที่สุด ส่วนการเปรียบเทียบการทำนายผลของวิธีการจำแนกกลุ่มสถานภาพการเป็นนักศึกษา พบว่าวิธีโครงข่ายประสาทมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยและความคลาดเคลื่อนกำลังสองเฉลี่ยน้อยที่สุดคือ 0.0217 และ 0.0188 ตามลำดับ ดังนั้นวิธีโครงข่ายประสาทมีการทำนายผลดีที่สุด
Article Details
"ข้อคิดเห็น เนื้อหา รวมทั้งการใช้ภาษาในบทความถือเป็นความรับผิดชอบของผู้เขียน"
References
Pholsukkarn, A. and Sinsomboonthong, S. 2010. Factors Influencing Learning Achievement of Fresmen in the Faculty of Science, King Mongkut’s Institute of Technology Ladkrabang. Ladkrabang Science Journal, 19(2), p. 1-22
[2] ปรียารัตน์ นาคสุวรรณ์ และกิดาการ สายธนู. 2555. การทำนายผลสัมฤทธิ์ในการเรียนวิชาสถิติเบื้องต้นของนิสิตปริญญาตรี มหาวิทยาลัยบูรพา ด้วยการวิเคราะห์การจำแนกและข่ายงานระบบประสาท. วารสารวิทยาศาสตร์บูรพา, 17(1), น. 59-68.
Naksuwan, P. and Saithanu. 2012. Prediction of Learning Achievement on Elementary Statistics Course of Burapha University Undergraduate Students by Discriminant Analysis and Neural Networks. Burapha Science Journal, 17(1), p. 59-68.
[3] ดาระกา ศิริสันติสัมฤทธิ์ และคณะ. 2553. ปัจจัยการจัดการศึกษาที่มีความสัมพันธ์กับคุณลักษณะบัณฑิตที่พึงประสงค์. วารสาร ครุศาสตร์อุตสาหกรรม, 9(1), น. 144-150.
Sirisuntisumrit, D., et al. 2010. Factors of Education Management Correlating with Desirable Characteristics of Graduates. Journal of Industrial Education, 9(1),p. 144-150
[4] สำนักทะเบียนและประมวลผล. 2556. คู่มือนักศึกษาระดับปริญญาตรี. สถาบันเทคโนโลยีพระจอมเกล้า เจ้าคุณทหารลาดกระบัง. น. 74-76.
Guide for Undergraduate Students. Office of the Registration. 2013. King Mongkut’s Institute of Technology Ladkrabang. p. 74-76.
[5] Kumar, V. and Wu, X. 2009. Top Ten Algorithms in Data Mining. Minnesota : CRC Press.
[6] รุจิรา ธรรมสมบัติ. 2554. ระบบสนับสนุนการตัดสินใจในการเลือกใช้แพคเกจอินเทอร์เน็ตมือถือโดยใช้ต้นไม้ตัดสินใจ. วิทยานิพนธ์ ปริญญาบริหารธุรกิจมหาบัณฑิต สาขาคอมพิวเตอร์ บัณฑิตวิทยาลัย วิทยาลัยราชพฤกษ์.
Thammasombut, R. 2011. Decision Support System for Selection the Mobile Internet Package Using Decision Tree. Thesis. Master’s Degree in Business, Department of Business Computer, Graduate School, Rajapruk College.
[7] Berson, A. and Stephen, J. S. 1997. Data Warehou-sing, Data Mining, and OLAP. New York : John Wiley and Sons.
[8] วาทินี นุ้ยเพียร สมชาย ปราการเจริญ และพยุง มีสัจ. 2553. การเปรียบเทียบประสิทธิภาพและวิเคราะห์ การจำแนกข้อมูลโดยใช้โครงข่ายประสาทเทียม ซัพพอร์ตเวกเตอร์แมชชีน นาอีฟเบย์ และเคเนียรเรสต์เนเบอร์. วิทยานิพนธ์ ปริญญาเทคโนโลยีสารสนเทศ มหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ บัณฑิตวิทยาลัยมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ.
Nuipian, V., Prackancharoen, S. and Meesad, P.A Comparative Efficiency and Analysis of Classification by Neural Network, Support Vector Machines, Naïve Bayes and K-Nearest Neighbor. 2010. Thesis, Master’s Degree in Information Technology, Department of Information Technology, College School, King Mongkut’s University of Technology North Bangkok.
[9] Bill, C. H., Rick, L. W. and Kent, A. W. 1994. Predicting Graduate Student Success : A Comparison of Neural Networks and Traditional Techniques. Computers Ops Res., 21(3), 249-263.