การวิเคราะห์ปัจจัยที่มีผลต่อการพ้นสภาพของนักศึกษาระดับปริญญาตรี ด้วยเทคนิคการทำเหมืองข้อมูล

ผู้วิจัย

นนทวัฒน์ ทวีชาติ1 อรยา เพ็งประจญ2 วิไลรัตน์ ยาทองไชย3* และชูศักดิ์ ยาทองไชย4

บทคัดย่อ

การเพิ่มขึ้นของอัตราการพ้นสภาพของนักศึกษาระดับอุดมศึกษาเป็นปัญหาที่สำคัญประการหนึ่งในสถาบันการศึกษา การค้นหาความรู้จากฐานข้อมูลด้านการศึกษาด้วยเทคนิคการทำเหมืองข้อมูลที่มีประสิทธิภาพในการวิเคราะห์หาปัจจัยที่มีผลต่อการพ้นสภาพของนักศึกษาสามารถนำไปสู่การวางแผนการศึกษาและการจัดการเพื่อลดอัตราการพ้นสภาพของนักศึกษา รวมถึงการสร้างระบบสารสนเทศสำหรับสนับสนุนการตัดสินใจของผู้บริหารสถานศึกษาเพื่อปรับปรุงคุณภาพระบบการศึกษาระดับอุดมศึกษา ทำการวิเคราะห์ข้อมูลเพื่อสร้างแบบจำลองโดยใช้เทคนิคการทำเหมืองข้อมูลแบบการจำแนกข้อมูลด้วยผังต้นไม้ตัดสินใจ และใช้อัลกอริทึม J48 ในการทดสอบแบบจำลองด้วยวิธีการตรวจสอบไขว้ และวิธีการแบ่งข้อมูลแบบสุ่มด้วยการแบ่งเป็นร้อยละ โดยใช้โปรแกรมWEKA ใช้ชุดข้อมูลของนักศึกษาคณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏบุรีรัมย์ ที่เข้าศึกษาระหว่างปี พ.ศ. 2556 – 2559 มีจำนวน 3,604 ชุดข้อมูล ได้ปัจจัยที่มีผลต่ออัตราการพ้นสภาพ จำนวน 11 ปัจจัย คือ ปัจจัยที่เกี่ยวข้องกับการเรียนในระดับมัธยมศึกษา และปัจจัยระหว่างเรียนในมหาวิทยาลัย โดยวัดค่าความถูกต้องได้ค่าร้อยละ 96.73 ความแม่นยำได้ค่าร้อยละ 96.6 ค่าความระลึกได้ร้อยละ 96.7 และค่าความถ่วงดุลได้ร้อยละ 96.5 จากผลการวิจัยนี้สามารถนำกฎการจำแนกข้อมูลมาใช้ในการพัฒนาระบบทำนายการพ้นสภาพนักศึกษาระดับปริญญาตรี คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏบุรีรัมย์ต่อไป

บรรณานุกรม

จีระนันท์ เจริญรัตน์ และวีระศักดิ์ เจริญรัตน์. (2559). การวิเคราะห์ปัจจัยที่ส่งผลต่อการพ้นสภาพของนักศึกษาที่มีผลการเรียนปกติโดยใช้ต้นไม้ ตัดสินใจ. บทความวิจัยสาขาวิชาคอมพิวเตอร์ธุรกิจ คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏสกลนคร. พฤฒิพงศ์ เพ็งศิริ, พันธนา ก้อนเชื้อรัตน์, ชัชฏา ชวรางกูร และอัจฉราพรรณ คชเดช. (2556). การวิเคราะห์ความสัมพันธ์ของปัจจัยข้อมูลนักศึกษา ที่มีผลต่อระดับผลการเรียนด้วยเทคนิคต้นไม้ตัดสินใจ กรณีศึกษา นักศึกษามหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ. บทความวิจัย คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ. พระนครศรีอยุธยา. G.W. Dekker, M. Pechenizkiy, and J.M. Vleeshouwers, Predicting students drop out: a Case study. In T. Barnes, M. Desmarais, C. Romero, and S. Ventura, editors, Proceedings of the 2nd International Conference on Educational Data Mining, 2009, pp.41-50. J. F. Superby, J. P. Vandamme, and N. Meskens. Determination of factors influencing the achievement of the first-year university students using data mining methods, Proceedings of 8th International Conference on Intelligent Tutoring Systems, 2006, pp. 37-44. M. Jadrić, Ž. Garača, and M. Ćukušić, Student dropout analysis with application of data mining methods, Management, Vol.15, No.1, 2010, pp. 31-46 Q.A. Al-Radaideh, E.M. Al-Shawakfa, and M.I. Al-Najjar, Mining student data using decision trees, Proceedings of International Arab Conference on Information Technology, 2006, pp.1-5. S. Kotsiantis, Educational Data Mining: A Case Study for Predicting Dropout – Prone Students. International Journal of Knowledge Engineering and Soft Data Paradigms, Vol.1, No.2, 2009, pp.101–111. U. Fayadd, G. Piatesky-Shapiro, and P. Smyth, From data mining to knowledge discovery in databases, AI Magazine, Vol.17, No.3, 1996, pp.37-54.