การทำนายปัจจัยที่มีผลกระทบต่อการออกกลางคันของนักศึกษา โดยใช้เทคนิคดาต้า ไมน์นิง กรณีศึกษา มหาวิทยาลัยราชภัฏกำแพงเพชร
Predicting Factors Influencing Student Dropout Using Data Mining Techniques: A Case Study of Kamphaeng Phet Rajabhat University
Abstract
งานวิจัยนี้ มีวัตถุประสงค์ คือ 1) เพื่อศึกษาสถานการณ์การออกกลางคันของนักศึกษามหาวิทยาลัยราชภัฏกำแพงเพชร 2) เพื่อสร้างโมเดลในการทำนายปัจจัยที่มีผลกระทบต่อการออกกลางคันของนักศึกษาโดยใช้เทคนิคดาต้า ไมน์นิง 3) เพื่อทดสอบประสิทธิภาพของโมเดลที่พัฒนา โดยใช้ข้อมูลจากฐานข้อมูลงานทะเบียนของมหาวิทยาลัยราชภัฏกำแพงเพชร ของนักศึกษาระดับปริญญาตรี ภาคปกติ ซึ่งเป็นนักศึกษาหมู่เรียน 59, 60, 61, 62 และ 63 จำนวน 18 แอตทริบิวต์ และ 2,418 ชุดข้อมูล ผลการศึกษาพบว่า 1) แต่ละหมู่เรียนมีนักศึกษาออกกลางคัน โดย หมู่เรียน 59 ออกกลางคันร้อยละ 23.59 หมู่เรียน 60 ออกกลางคันร้อยละ 26.52 หมู่เรียน 61 ออกกลางคันร้อยละ 25.33 และหมู่เรียน 62 ออกกลางคันร้อยละ 25.35 2) แบ่งกลุ่มข้อมูล Training :Testing ด้วยอัตราส่วน 70:30 นำปัจจัย 10 ปัจจัยและชุดข้อมูลกลุ่ม Training มาสร้างเป็นโมเดลโดยใช้เทคนิค Classification เปรียบเทียบ 3 วิธี คือ Decision Tree, Naive Bays และ K-Nearest Neighbors 3) ทดสอบประสิทธิภาพของโมเดล ด้วยวิธีการ 10-Fold Cross Validation และวัดประสิทธิภาพด้วยค่า Accuracy พบว่า โมเดลที่สร้างด้วยเทคนิควิธี K-Nearest Neighbors มีค่าความถูกต้อง 92.19% เทคนิควิธี Decision Tree มีค่าความถูกต้อง 91.47% และเทคนิควิธี Naive Bays มีค่าความถูกต้อง 90.16% ตามลำดับ และเมื่อนำโมเดลไปใช้ใช้กับข้อมูลทดสอบ พบว่า โมเดลที่สร้างด้วยเทคนิควิธี Naive Bays มีค่าความถูกต้อง 94.20% เทคนิควิธี K-Nearest Neighbors มีค่าความถูกต้อง 93.52% และเทคนิควิธี Decision Tree มีค่าความถูกต้อง 92.84% ตามลำดับ และจากปัจจัยทั้งหมด ปัจจัยที่ทำให้นักศึกษาออกกลางคันสูงสุด 5 อันดับ ได้แก่ เกรดเฉลี่ยกลุ่มวิชาแกน/เอกบังคับ/ครูบังคับ เกรดเฉลี่ยกลุ่มวิชาภาษาและการสื่อสาร เกรดเฉลี่ยกลุ่มวิชาสังคมศาสตร์ เกรดเฉลี่ยกลุ่มวิชามนุษยศาสตร์ และสาขาวิชาที่เรียน จะเห็นได้ว่าปัจจัยส่วนใหญ่เป็นเรื่องของเกรดเฉลี่ยของกลุ่มรายวิชาต่าง ๆ และสาขาวิชาที่เรียน ดังนั้น อาจารย์ที่ปรึกษาและอาจารย์ผู้รับผิดชอบหลักสูตรควรติดตามประเมินผลการเรียนรู้ระหว่างการเรียนในรายวิชาเพื่อให้เห็นถึงแนวโน้มผลการเรียนที่คาดว่าจะได้รับเพื่อจัดกิจกรรมสนับสนุนการเรียนรู้ให้กับนักศึกษาให้ได้รับผลการเรียนตามเกณฑ์ที่เหมาะสม เพื่อลดอัตราการออกกลางคันของนักศึกษา
References
Kamphaeng Phet Rajabhat University. Roles and duties of Kamphaeng Phet Rajabhat University. [Online]. [Cited November 21, 2019]. Available: https://www.kpru.ac.th/about-kpru/kpru-mission.php (in Thai).
E. Pacharawongsakda. An Introduction to Data Mining Techniques. Bangkok: Asia Digital Co. Ltd. ,2014 (in Thai).
M. Frye, D. Gyulai, J. Bergmann, and R. Schmitt, “Adaptive scheduling through machine learning-based process parameter prediction,”MM Journal, Special Issue on HSM2019.pp.3060-3066, Dec.2020.
J. Han, M. Kamber, and J. Pei. Data Mining: Concepts and Techniques. (3rd Edition). San Francisco: Morgan Kaufmann, 2011.
J. R. Quinlan. Induction of Decision Trees. Machine Learning, 1986.
J. Chareonrat. “Analysis on factors affecting normal-grade student dismissal using decision tree,” SNRU Journal of Science and Technology, vol. 8, no.2, pp. 256-267.May.-Aug. 2016 (in Thai).
C. Boonprasom and C. Sanrach. “Predictive Analytic for Student Dropout in Undergraduate using Data Mining Technique, Technical Education Journal : King Mongkut’s University of Technology North Bangkok, vol. 9, no. 1,
pp. 142-151, Jan.-Apr. 2018 (in Thai).
P. Laopilai and C. Sanrach. “Analysis for Student Dropout in Undergraduate Using Data Mining Technique,” The Sci J of PhetchaburiRajabhat University,vol.16, no.2,pp. 61-71,Jul.- Dec. 2019 (in Thai).
A. Paphat, W. Sriurai, and N. Ditcharoen. “Improved University Student Dropout Prediction Using Feature Selection with Multilayer Perceptron Neural Network,” Journal of Science and Science Education, vol. 5, no. 1,
pp.39-48, Jan.-Jun. 2022 (in Thai).
