An Efficiency Comparison and Prediction in Student Status, Faculty of Sciences, King Mongkut’s Institute of Technology Ladkrabang
Article Sidebar
Main Article Content
Abstract
In this study, an efficiency comparison and prediction in student status, faculty of sciences, King mongkut’s institute of technology Ladkrabang were investigated. The purposes are understand and compare efficiency the classification method and also compare prediction in student status, faculty of sciences, King mongkut’s institute of technology Ladkrabang. The classification methods to efficiency comparison and prediction are k-nearest neighbor method by IBk algorithm, decision tree method by J48 algorithm, neural network method by multilayer perceptron algorithm, and support vector machine method by polynomial kernel, SMO algorithm. In efficiency comparison of four classification methods by using the maximum of accuracy, true positive rate, true negative rate, precision, recall, F-Measure and the minimum of false positive rate and false negative rate. In prediction of four classification methods by using the minimum of mean absolute error (MAE) and mean square error (MSE).
The result of the study demonstrated that neural network method has the best of accuracy, true positive rate, true negative rate, precision, false positive rate, false negative rate, recall, and F-Measure, 98.1481%, 1, 0.727, 0.981, 0.273, 0, 1 and 0.99 respectively. Nevertheless, decision tree and support vector machine method have the best of true positive rate and false negative rate and recall, 1, 0 and 1 respectively. Then, neural network method has the best efficiency. In addition, the prediction comparison of classification methods show that neural network method has the minimum MAE and MSE, 0.0217 and 0.0188 respectively. Then, neural network method has the best prediction.
Article Details
"The opinions and contents including the words in papers are responsibility by the authors."
"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.