การวิเคราะห์การทำนายการลาออกกลางคันของนักศึกษาระดับปริญญาตรี โดยใช้เทคนิควิธีการทำเหมืองข้อมูล

Predictive analytic for student dropout in undergraduate using data mining technique

Name: ชณิดาภา บุญประสม

Organization : มหาวิทยาลัยราชภัฎอุบลราชธานี. คณะวิทยาการคอมพิวเตอร์

Email : chanidapa.b@ubru.ac.th

Name: จรัญ แสนราช

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะครุศาสตร์อุตสาหกรรม

Email : charun.s@fte.kmutnb.ac.th

ThaSH: การออกกลางคัน -- พยากรณ์

ThaSH: นักศึกษาปริญญาตรี -- การลาออก

ThaSH: ข้อมูล -- การจำแนก

ThaSH: ดาต้าไมนิง

Abstract: การวิจัยในครั้งนี้มีวัตถุประสงค์เพื่อ 1) วิเคราะห์หาปัจจัยที่เกี่ยวข้องในการลาออกกลางคันของนักศึกษาระดับ ปริญญาตรี 2) สังเคราะห์โมเดลสำหรับการทำนายการออกกลางคันของนักศึกษาระดับปริญญาตรี และ 3) เปรียบเทียบ ประสิทธิภาพการจำแนกข้อมูลของโมเดลด้วยเทคนิควิธี Decision Tree, K-Nearest Neighbors, Naive Bayes โดยใช้ ข้อมูลจากฐานข้อมูลงานทะเบียนของมหาลัยวิทยาลัยราชภัฏอุบลราชธานี ของนักศึกษาระดับปริญญาตรี ระหว่างปี การศึกษา 2558-2560 มีจำนวน 11 แอททริบิวต์และ 13,729 ชุดข้อมูล เมื่อนำมาวิเคราะห์ค่าน้ำหนักของแอททริบิวต์ ด้วยวิธีการ Information Theory พบว่า 1) มีปัจจัยที่เกี่ยวข้องในการลาออกกลางคันของนักศึกษาจำนวน 8 ปัจจัย 2) นำปัจจัยที่ได้มาทำการสร้างเป็นโมเดลทดสอบผลลัพธ์ด้วยวิธีการ 10-Fold Cross Validation และวัดประสิทธิภาพด้วย ค่า Accuracy เพื่อหาวิธีการที่มีความถูกต้องมากที่สุด 3) ผลการเปรียบเทียบประสิทธิภาพการจำแนกข้อมูลพบว่าโมเดลที่ สร้างด้วยเทคนิควิธี Naive Bayes มีประสิทธิภาพสูงสุดมีค่าเฉลี่ยความถูกต้อง 93.58 % มากกว่าเทคนิควิธี Decision Tree มีค่าเฉลี่ยความถูกต้อง 93.52 % และเทคนิควิธี K-Nearest Neighbors มีค่าเฉลี่ยความถูกต้อง 87.95 % และมี ปัจจัยที่เกี่ยวข้องสูงสุด 5 อันดับ ได้แก่ การกู้ยืมกองทุนเพื่อการศึกษา, สาขาวิชา, เกรดเฉลี่ย, อาชีพของมารดา และอาชีพ ของบิดา

Abstract: The purposes of this research were 1) to analyze the factors that involved with the dropout of undergraduate students 2) to propose a model for predicting the dropout of undergraduate synthesize 3) to compare the performance of 3 different classification techniques, including Decision Tree, K-Nearest Neighbors, and Naive algorithms. The data was collected from the undergraduate student’s registration database of Ubon Ratchathani Rajabhat University during the academic years from 2015 to 2017. The dataset has 11 attributes and 13,729 records. The data were analyzed using the Information theory selection method. The results showed that 1) there are 8 factors that influencing student’s dropout 2) Those factors were used to build models with the different techniques, Moreover, the cross-validation with 10 folds method was used to evaluate the best prediction accuracy of each technique. 3) the result suggested that the Naive Bayes model has the best performance among all techniques. It has the average accuracy of 93.58 %, which are higher than Decision tree and K-Nearest Neighbors which have the average accuracy of 93.52 % and 87.95 %, accordingly. The findings also indicated that students’ decision to dropout was significantly influenced by the student loan, major of study, grade point average, and the occupation of their parents.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2561

Modified: 2561-11-28

Issued: 2561-11-28

บทความ/Article

application/pdf

BibliograpyCitation : วารสารวิชาการครุศาสตร์อุตสาหกรรม มจพ. ปีที่ 9, ฉบับที่ 1 ‪(ม.ค.-เม.ย. 61)‬, หน้า 142-151

tha

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	edu_61_090116.pdf	491.52 KB	97	2025-10-10 15:34:38

ใช้เวลา

0.024017 วินาที