เทคนิคเหมืองข้อมูลสำหรับพัฒนาตัวแบบระบบสนับสนุนการตัดสินใจ สำหรับทำนายทักษะด้านโปรแกรมประยุกต์ของนักศึกษาระดับปริญญาตรีในยุคดิจิทัล
คำสำคัญ:
เว็บแอปพลิเคชั่น, การทำนาย, ตัวแบบโมเดล, เหมืองข้อมูล, ระบบสนับสนุนการตัดสินใจ, ต้นไม้การตัดสินใจ, นาอีฟเบย์, ตัวแบบเชิงเส้นวางนัยทั่วไปบทคัดย่อ
การวิจัยครั้งนี้มีความมุ่งหมายเพื่อสร้างตัวแบบสำหรับสร้างตัวแบบโมเดลการทำนาย (model) ผลทักษะวิชาด้าน โปรแกรมประยุกต์ของนักศึกษามหาวิทยาลัยเอกชนแห่งหนึ่ง โดยใช้ข้อมูลกลุ่มตัวอย่างนักศึกษาชั้นปีที่ 1 สาขาการจัดการ ธุรกิจการค้าสมัยใหม่ ที่ลงเรียนวิชาการใช้โปรแกรมประยุกต์ในองค์กรสมัยใหม่ ในภาคการศึกษาที่ 1 ปีการศึกษา 2561 ข้อมูลที่ได้จากฐานข้อมูลนั้น จะถูกนำมาใช้วิเคราะห์สำหรับทำนายความสามารถในการเตรียมพร้อมเข้าสอบวัดความ เชี่ยวชาญในทักษะด้านโปรแกรมประยุกต์ โดยมีรายละเอียดข้อมูลที่นำมาใช้กำหนดในการทำวิจัยทั้งหมด 16 คุณลักษณะ จำนวนระเบียนที่นำมาใช้วิเคราะห์ข้อมูล ทั้งหมด 554 ระเบียน มาสร้างตัวแบบการทำนาย โดยใช้เทคนิคการสร้างโมเดล แบบต้นไม้การตัดสินใจ (Decision Tree), Naïve Bay และ Generalized Linear Model (GLM) ในอันที่จะนำมาพัฒนา เป็นระบบสนับสนุนการตัดสินใจด้วยโปรแกรมประยุกต์บนเว็บไซต์โดยใช้ AJAX ร่วมกับ PHP ซึ่งเป็นทางเลือกหนึ่งที่จะ สามารถช่วยแนะแนวทางให้กับนักศึกษาได้ทราบข้อมูลในการปรับตัวและจัดการกับข้อมูลทางด้านการเรียนของตนเองให้ เหมาะสมมากยิ่งขึ้น
References
กระทรวงเทคโนโลยีสารสนเทศและการสื่อสาร. แผน แม่บทเทคโนโลยีสารสนเทศและการสื่อสาร (ฉบับที่2) ของประเทศไทย พ.ศ. 2552-2556 [อินเทอร์เน็ต]. 2552 [เข้าถึงเมื่อ 15 มี.ค. 2562]. เข้าถึงได้จาก http:// www.mict.go.th
เพลินพิศ ศิริสมบูรณ์. คุณลักษณะบัณฑิตตามกรอบ มาตรฐานคุณวุฒิระดับอุดมศึกษาแห่งชาติของวิทยาลัย เซาธ์อีสท์บางกอก ประจําปีการศึกษา 2556-2557 (รุ่นที่ 15). วารสารวิชาการเซาธ์อีสท์บางกอก 2559;2 (2):55-67.
ชุติมา อุตมะมุณีย์, ประสงค์ ปราณีตพลกรัง. การพัฒนา ตัวแบบระบบสนับสนุนการตัดสินใจแบบอัตโนมัติ ออนไลน์สำหรับการเลือกสาขาวิชาเรียนของนักศึกษา ระดับอุดมศึกษา. Journal of Information Science and Technology 2553;1(2):39-48.
Jobthai com. 10 คุณสมบัติในการทำงานที่ นายจ้าง ทุกคนต้องการจากผู้สมัครงาน. [อินเทอร์เน็ต]. 2560 [เข้าถึงเมื่อ 30 มี.ค. 2562]. เข้าถึงได้จาก https:// www.jobthaicom/REACH/ career-tips.html
สายชล สินสมบูรณ์ทอง. การทำเหมืองข้อมูล. (พิมพ์ ครั้งที่ 1). กรุงเทพฯ: จามจุรีโปรดักท์; 2558.
Hsia T, Shie A, Chen L. Course planning of extension education to meet market demand by using data mining techniques-an example of chinkuo technology university in Taiwan. Expert Syst Appl 2008;34(1):596-602.
วันวิสาข์ ชนะประเสริฐ. การประยุกต์ใช้เทคนิคเหมือง ข้อมูลเพื่อแนะนำอาชีพสำหรับนักศึกษาปริญญาตรี คณะโบราณคดี มหาวิทยาลัยศิลปากร. ใน: เอกสาร ประกอบการประชุมวิชาการบัณฑิตศึกษาระดับชาติ และนานาชาติ มหาวิทยาลัยศิลปากร ครั้งที่ 7 วันที่ 20-21 กรกฎาคม 2560. บัณฑิตวิทยาลัย มหาวิทยาลัย ศิลปากร. กรุงเทพฯ; 2560.หน้า 42-50.
สุคนธ์ทิพย์ วงศ์พันธ์. การเปรียบเทียบเทคนิคการคัด เลือกคุณลักษณะที่เหมาะสมและอัลกอริทึมเพื่อจำแนก พฤติกรรมการกระทำความผิดของนักเรียนระดับ อาชีวศึกษา. วิทยานิพนธ์ปริญญามหาบัณฑิต สาขา วิทยาการคอมพิวเตอร์, บัณฑิตวิทยาลัย มหาวิทยาลัย เกษตรศาสตร์. กรุงเทพฯ; 2551.
Quinlan JR. Machine learning: introduction of decision trees. Boston: Kluwer Academic Publishers; 1986.
Villacampa O. Feature selection and classification methods for decision making: a comparative analysis. Ph.D. Dissertation, Nova Southeastern University. USA; 2015.
Sakhare NN, Joshi SA. Classification of criminal data using J48-Decision Tree algorithm. IFRSA Int J Data Warehous Mining 2014;4:167-71.
มหาวิทยาลัยเชียงใหม่. Data mining with rapid miner (สำหรับผู้เริ่มต้น) [อินเทอร์เน็ต]. 2562 [เข้าถึง เมื่อ 30 เม.ย.2562]. เข้าถึงได้จาก:https://jupiter. ba.cmu.ac.th
ฐิติมา ช่วงชัย. การวิเคราะห์หารูปแบบการเรียนรู้โดย ใช้เหมืองข้อมูลของนักศึกษาต่อการจัดทำปริญญา นิพนธ์. วารสารบัณฑิตศึกษา มหาวิทยาลัยราชภัฏวไลย อลงกรณ์ในพระบรมราชูปถัมภ์ 2559;10(2):53-62.
Sinsomboon S. Data mining. Bangkok: Jamjuree Product; 2015.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
