การจำแนกความคิดเห็นที่มีต่อกัญชาเพื่อการแพทย์บนโซเชียลมีเดียด้วยเทคนิคเหมืองข้อความ

Classification of comments on social media about medical marijuana using text mining technique

Name: กมลทิพย์ ตะสะเวทย์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6507021857025@kmutnb.ac.th

Name: มณเฑียร รัตนศิริวงศ์วุฒิ

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : montean.r@it.kmutnb.ac.th

keyword: เทคนิคการจำแนกข้อมูล

; ระบบธุรกิจอัจฉริยะ

; การทำเหมืองข้อความ

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพ ของวิธีจำแนกความคิดเห็นที่มีต่อกัญชาเพื่อการแพทย์บน โซเชียลมีเดียด้วยเทคนิคเหมืองข้อความ โดยทาการ เปรียบเทียบประสิทธิภาพอัลกอริทึม 4 อัลกอริทึมได้แก่ อัลกอริทึมป่าสุ่ม อัลกอริทึมซัพพอร์ตเวกเตอร์ แมชชีน อัลกอริทึมนาอีฟเบย์ และอัลกอริทึมเพื่อนบ้านใกล้ที่สุด จะทาการวิเคราะห์และสร้างแบบจำลองในการจำแนก ความคิดเห็นที่มีต่อกัญชาจากโซเชียลมีเดียได้แก่ Facebook Pantip และTikTok จะใช้ความคิดเห็นเป็น ภาษาไทยทั้งหมด 1,000 ข้อความแบ่งเป็นในเชิงบวก 500 ข้อความและเชิงลบ 500 ข้อความ ทากระบวนการจัดเตรียม ข้อความ ด้วยการทาความสะอาดข้อมูล กาจัดคาหยุด สกัด คุณลักษณะ จึงแบ่งข้อมูลเป็น 2 ชุด คือชุดข้อมูลเรียนรู้ร้อย ละ 70 และชุดข้อมูลทดสอบร้อยละ 30 จากนั้นทาการวัด ประสิทธิภาพของแบบจำลองด้วยเทคนิค Confusion Matrix ผลการวิจัยพบว่าอัลกอริทึมแบบป่าสุ่ม ให้ผลลัพธ์ ประสิทธิภาพดีที่สุด โดยให้ค่าความถูกต้องร้อยละ 84 ค่าความแม่นยา 0.844 ค่าระลึก 0.843 และค่าความถ่วงดุล 0.843

Abstract: The objective of this study was to compare the performance of sentiment classification methods regarding medical marijuana on social media using text mining techniques. Four algorithms Random Forest, Support Vector Machine, Naive Bayes, and KNearest Neighbors were analyzed and modeled. The study collected and analyzed 1,000 Thai-language comments, equally divided between positive and negative sentiments, from social media platforms including Facebook, Pantip, and TikTok. After data preprocessing, which involved cleaning, stop word removal, and feature extraction, the data was split into 70% training and 30% testing sets. Model performance was evaluated using the Confusion Matrix technique. The research findings indicated that the Random Forest algorithm yielded the best results, with an accuracy of 84%, precision of 0.844, recall of 0.843, and F1-score of 0.843.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2567

Modified: 2567-11-22

Issued: 2567-11-22

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 20 (NCCIT 2024) (pp.279-284). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2024pp.279-284.pdf	422.34 KB	4	2025-10-16 19:54:07

ใช้เวลา

0.027544 วินาที