Analysis of Factors Affecting Developmental Delay by Age in Early Childhood with Data Mining Techniques

Main Article Content

อิทธิพล ดวงแก้ว
สายยัญ สายยศ

Abstract

The purpose of this research was to analyze factors affecting developmental delay in each age group of 4 preschool children, namely 9, 18, 30 and 42 months, which were evaluated by the surveillance and promotion manual. Early Childhood Development (DSPM). By requesting information support from Khon Kaen Provincial Public Health Office. Data is from October 2016 to September 2017. The researchers studied factors affecting early development in early childhood from previous medical and public health research. Get 24 factors. The model was constructed using data mining techniques such as Decision Tree technique, K-Nearest Neighbors technique and Naïve Bayes technique. Testing was performed using the K-fold Cross-validation method. validation, the results showed that the Decision Tree technique is the most accurate in predicting all 4 developmental stages which are 9 months of age at 87.50%, 18 months of age at 84.70%, 30 months of age at 83.60 and 42 months of age at 82.90%.

Article Details

How to Cite
[1]
ดวงแก้ว อ. and สายยศ ส., “Analysis of Factors Affecting Developmental Delay by Age in Early Childhood with Data Mining Techniques”, JIST, vol. 9, no. 2, pp. 44–55, Dec. 2019.
Section
Research Article: Soft Computing (Detail in Scope of Journal)

References

1. J. Han, M. Kamber, J. Pei. “ Data mining concepts and techniques”, 3rd ed. ElSevier, USA, 2554.

2. ปรียนุช ชัยกองเกียรติ. “ปัจจัยที่มีความสัมพันธ์กับ พัฒนาการสงสัยล่าช้าของเด็กปฐมวัย”. วารสารมหาวิทยาลัยนราธิวาสราชนครินทร์ สาขามนุษยศาสตร์และสังคมศาสตร์, หน้า 161-171, 2561.

3. เยาว์รัตน์ รัตน์นันต์. การศึกษาปัจจัยที่มีผลต่อพัฒนาการเด็กปฐมวัยไทย เขตสุขภาพที่ 8. สืบค้นเมื่อ วันที่ 10 ตุลาคม 2561.

4. ภรณี แก้วลี, “ปัจจัยที่มีความสัมพันธ์กับพัฒนาการเด็กปฐมวัยในเขตเทศบาลนครอุบลราชธานี”. การประชุมวิชาการและนำเสนอผลงานวิจัยระดับชาติราชธานีวิชาการครั้งที่ 1, หน้า 1675-1685, 2559.

5. โสภา เหมือนประสาน และ พรนภา ศุกรเวทย์ศิร, “ปัจจัยด้านสังคมที่มีความสัมพันธ์กับพัฒนาการสงสัยล่าช้าในเด็กปฐมวัย อำเภอลำปลายมาศ จังหวัดบุรีรัมย์”, สำนักงานป้องกันควบคุมโรคที่ 7 ขอนแก่น. หน้า 1-11, 2561.

6. จีระนันต์ เจริญรัตน์ม, “การวิเคราะห์ปัจจัยที่ส่งผลต่อการพ้นสภาพของนักศึกษาที่มีผลการเรียนปกติโดยใช้ต้นไม้ตัดสินใจ”, SNRU Journal of Science and Technology, หน้า 256-267, 2559.

7. Cheewaprakobkit, P, “Study of Factors Analysis Affecting Academic Achievement of Undergraduate Students in International Program”, Paper presented at the Proceedings of the International Multi Conference of Engineers and Computer Scientists, 2556.

8. Pansumret Y., Phuboon-ob, J., Pongsiri, W., “On Comparison of Data Mining Algorithms for Analysis of Factors Affecting the Academic Performance of Students”, J. Sci. Technol MSU, pp 281-289, 2556.

9. ณัฐวุฒิ ศรีวิบูลย์, “การเปรียบเทียบประสิทธิภาพอัลกอริทึม เหมืองข้อมูลเพื่อวิเคราะห์ปัจจัยที่ส่งผลต่อการเกิดโรคมะเร็ง”, SNRU Journal of Science and Technology. หน้า 344-352, 2559.

10. ณัฐธิดา สุวรรณโณ, อันธิกา สิงห์เอี่ยม, “การหาปัจจัยที่ส่งผลต่อความเสี่ยงของนักศึกษาเรียนอ่อนด้วยเทคนิคกฎความสัมพันธ์ กรณีศึกษา: มหาวิทยาลัยสงขลานครินทร์”, วารสารวิทยาการจัดการ (Journal of Management Sciences), หน้า 65-79, 2554.

11. โกวิทย์ ปรดิษฐ์ ผล, ปรีชา วิจิตรธรรมรส, “การศึกษาปัจจัยที่ส่งผลต่อการสำเร็จการศึกษาตามเกณฑ์การศึกษาของนักศึกษาระดับปริญญาโทด้วยเทคนิคเหมืองข้อมูล กรณีศึกษาสถาบันบัณฑิตพัฒนบริหารศาสตร์”, KKU International Journal of Humanities and Social Sciences, หน้า 113-145, 2560.

12. กรมอนามัย กระทรวงสาธารณสุข, รายงานประจำปี 2560.

13. สุรวัชร ศรีเปารยะ และสายชล สินสมบูรณ์ทอง, “การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง: กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย”, วารสารวิทยาศาสตร์และเทคโนโลยี, หน้า 839-853, 2560.

14. หนึ่งฤทัย เกื้อเอียด และคณะ, “สถานการณ์และปัจจัยที่มีความสัมพันธ์ต่อพัฒนาการของเด็กไทยอายุต่ำกว่า 5 ปี : การทบทวนวรรณกรรม”, วารสารเครือข่ายวิทยาลัยพยาบาลและการสาธารณสุขภาคใต้. หน้า 281-296, 2560.