การพยากรณ์การออกกลางคันของผู้เรียนสายอาชีวศึกษา กรณีศึกษา วิทยาลัยอาชีวศึกษาขอนแก่น โดยใช้การเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างและเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์การออกกลางคันของผู้เรียนสายอาชีวศึกษาวิทยาลัยอาชีวศึกษาขอนแก่นโดยใช้เทคนิคการเรียนรู้ของเครื่องชุดข้อมูลประกอบด้วยกลุ่มผู้เรียนระดับประกาศนียบัตรวิชาชีพ,ระดับประกาศนียบัตรวิชาชีพชั้นสูงและระดับปริญญาตรีสายเทคโนโลยีบัณฑิตระหว่างปีการศึกษา2564–2566รวมทั้งสิ้น2,802รายการประกอบ20ตัวแปรจากวิทยาลัยอาชีวศึกษาขอนแก่นโดยใช้เทคนิคการเรียนรู้ของเครื่อง5วิธีในการสร้างแบบจำลองได้แก่เทคนิคต้นไม้ตัดสินใจ(DecisionTree),เทคนิคเบย์อย่างง่าย(NaiveBayes),เทคนิคป่าสุ่มตัดสินใจ(RandomForest),เทคนิคเพื่อนบ้านใกล้สุด(K-NearestNeighbors:KNN)และเทคนิคซัพพอร์ตเวกเตอร์แมชชีน(SupportVectorMachine:SVM)ในการประเมินประสิทธิภาพของแต่ละแบบจำลองด้วยวิธีการCross-validationผลการทดลองพบว่าเทคนิค Random Forest ให้ความแม่นยำสูงสุดที่ 97.83% รองลงมาคือ Decision Tree ที่ 97.58%, SVM ที่ 96.53%และNaiveBayesที่95.79%ในขณะที่KNNมีความแม่นยำต่ำสุดที่ 84.40%ผลการเปรียบเทียบชี้ให้เห็นว่าแบบจำลองที่สร้างด้วยเทคนิคRandomForestมีประสิทธิภาพเหนือกว่าเทคนิคอื่นๆที่ใช้ในการศึกษา
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
สงวนสิทธิ์ โดย สถาบันการอาชีวศึกษาภาคตะวันออกเฉียงเหนือ 1
306 หมู่ 5 ถนนมิตรภาพ หนองคาย-อุดรธานี ตำบลโพธิ์ชัย อำเภอเมืองหนองคาย จังหวัดหนองคาย 43000
โทร 0-4241-1445,0-4241-1447
ISSN : 3027-6861 (print) ISSN : 3027-687X (online)
เอกสารอ้างอิง
R. Kladchuen and C. Saenraj, “A comparison of algorithm efficiency and appropriate feature selection for predicting academic achievement of vocational students”, Thanyaburi University Research Journal, 17(1), , 2018, p1–10. (in Thai)
C. Boonprason and C. Saenraj, “Analysis of predicting undergraduate student dropout using data mining techniques”, King Mongkut’s University of Technology North Bangkok Academic Journal of Industrial Education, 9(1), 2018, p142–151. (in Thai)
Office of Vocational Education Standards and Qualifications, Criteria and Guidelines for Managing Vocational Education at the Certificate and Higher Certificate Levels, Topic 1 : Vocational Education Management, 1st ed. Bangkok : Office of Vocational Education Standards and Qualifications, 2019. (in Thai)
A. Juthaphad, “Development of an information system for predicting the number of new students using decision tree classification rules”, Proceedings of the 12th Naresuan Research National Conference: Research and Innovation for National Development, Phitsanulok: Naresuan University, 2016, p31–45. (in Thai)
T. Iadcharoen, “A study of the performance of predicting interest in products from business accounts on the LINE application using machine learning techniques”, Dept. of Engineering Management, College of Innovation in Technology and Engineering, Dhurakij Pundit University, Bangkok, 2022. (in Thai)
K. Wongsawasdi, “Analysis of diabetic patient data using machine learning techniques”, Khon Kaen University Research and Development Journal, 11(1), 2019, p23–34. (in Thai)
N. Chanamarn and P. Sithidej, “Analysis of learning factors through feature selection and forecasting”, Sakon Nakhon Rajabhat University Journal, 6(12), 2014, p31–45. (in Thai)
J. Charoenying, “Forecasting academic achievement using data mining techniques with RapidMiner”, Master’s Thesis, Srinakharinwirot University, 2020. [Online]. Available:https://irthesis.swu.ac.th/dspace/bitstream/123456789/1231/1/gs591130025.pdf. (in Thai)
T. Srisuwan, “Development of an online payment fraud detection system using machine learning techniques”, Thammasat University Research and Development Journal, 12(3), 2022, p67–79. (in Thai)
P. Thawananon et al., “Application of ensemble learning models to forecast stock price trends in the Stock Exchange of Thailand”, Journal of Information Science and Technology, 7(1), 2017, p12–21. (in Thai)
P. Thongsri, “Application of machine learning techniques to forecast electricity demand”, King Mongkut’s University of Technology Thonburi Research and Development Journal, 13(4), 2018, p89–101. (in Thai)
S. Toompetchrat et al., “Forecasting TOEIC examination results of English major students at Rangsit University using data mining techniques”, Proceedings of the Rangsit University National Conference 2017, Pathum Thani : Rangsit University, 2017. p98–105. (in Thai)
S. Saengsuwan, “Development of an online product recommendation system using machine learning techniques”, Chiang Mai Rajabhat University Research and Development Journal, 10(2), 2021, p45–58. (in Thai)
P. Pianphailun et al., “Comparison of models for predicting O-NET scores using data mining techniques”, Proceedings of the 2nd National Conference of Kanchanaburi Rajabhat University, Kanchanaburi : Kanchanaburi Rajabhat University, 2017, p188–194. (in Thai)
N. Rojanaburanon, Guide to Data Analysis with RapidMiner Studio 9. [Online]. https://www.gotoknow .org/posts/660127. (Accessed 10 Mar 2025). (in Thai)
