2009-2015 ©
             ข้อมูลการเผยแพร่ผลงาน
การเผยแพร่ในรูปของบทความวารสารทางวิชาการ
ชื่อบทความที่เผยแพร่ การพยากรณ์โอกาสสำเร็จการศึกษาของนักศึกษาด้วยเทคนิคการทำเหมืองข้อมูล 
วัน/เดือน/ปี ที่เผยแพร่ 20 กรกฎาคม 2562 
การประชุม
     ชื่อการประชุม การประชุมวิชาการและการเสนอผลงานวิจัยระดับชาติและนานาชาติ ครั้งที่ 6 เรื่อง “นวัตกรรมการศึกษาเพื่อพัฒนาสังคมสู่ความยั่งยืน” 
     หน่วยงาน/องค์กรที่จัดประชุม มหาวิทยาลัยภาคตะวันออกเฉียงเหนือ 
     สถานที่จัดประชุม หอประชุมประภากรคอนเวนชั่นฮอลล์ มหาวิทยาลัยภาคตะวันออกเฉียงเหนือ 
     จังหวัด/รัฐ ขอนแก่น 
     ช่วงวันที่จัดประชุม 20 กรกฎาคม 2562 
     ถึง 20 กรกฎาคม 2562 
Proceeding Paper
     Volume (ปีที่) ครั้งที่ 6 
     Issue (เล่มที่)
     หน้าที่พิมพ์ 1218-1231 
     Editors/edition/publisher มหาวิทยาลัยภาคตะวันออกเฉียงเหนือ 
     บทคัดย่อ บทคัดย่อ งานวิจัยนี้ได้เสนอการพยากรณ์โอกาสสำเร็จการศึกษาของนักศึกษา ด้วยเทคนิคการทำเหมืองข้อมูล กรณีศึกษาคณะบริหารธุรกิจ สาขาวิชาการบัญชี การตลาด การจัดการ และการเงินและการธนาคาร เทคนิคที่ใช้พัฒนาโมเดลประกอบด้วย 4 เทคนิค ได้แก่ ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine : SVM) โครงข่ายประสาทเทียม (Artificial Neural Networks : ANN) โครงข่ายเบย์ (Bayesian Network : BNs) และต้นไม้ตัดสินใจ (Decision Tree : DT) โดยใช้ข้อมูล 1,963 ชุดข้อมูลจากคณะบริหารธุรกิจ ของมหาวิทยาลัยเอกชนแห่งหนึ่งในภาคตะวันออกเฉียงเหนือ ในการสร้างโมเดล จากการวิเคราะห์ชุดข้อมูลพบว่า ชุดข้อมูลนี้ไม่มีความสมดุลของข้อมูล ผู้วิจัยจึงได้ใช้วิธีการสังเคราะห์ข้อมูลใหม่ โดยใช้เทคนิค Oversampling แบบ Synthetic Minority Oversampling Technique (SMOTE) เพื่อปรับสมดุลของชุดข้อมูล จากนั้นทำการสร้างโมเดลซัพพอร์ตเวกเตอร์แมชชีน โมเดลโครงข่ายประสาทเทียม โมเดลโครงข่ายเบย์ โมเดลต้นไม้ตัดสินใจ และใช้ 10-fold cross-validation สำหรับทดสอบประสิทธิภาพของโมเดล โดยมีค่าความถูกต้องเท่ากับ 95.56% 95.62% 95.59% และ 94.77% ตามลำดับ ผลการศึกษาพบว่าโมเดลโครงข่ายประสาทเทียมมีค่าความถูกต้องสูงกว่าโมเดลอื่น Abstract This research presented the forecasting of graduation students status by using the data mining method. The case study was related to the faculty of business administration, which involved four programs, (accounting, marketing, management, and finance and banking). In this study, four techniques were applied to develop the models, they were Support Vector Machine (SVM), Artificial Neural Networks (ANN), Bayesian network (BN), and Decision Tree (DT). In order to construct the models, 1,936 data sets were used. From the Faculty of Business Administration of a private university in the northeast, The data analysis results indicated that the data sets were imbalanced. To solve the imbalance problem, we applied the new synthesis method, oversampling technique, and synthetic minority oversampling technique (SMOTE) to balance the data sets. The accuracy obtained by SVM, ANN, BN, DT techniques with 10-fold cross-validation, for testing the performance of the models are 95.56%, 95.62%, 95.59%, and 94.77% respectively. The experimental results showed that the ANN model has more accuracy than other models.  
ผู้เขียน
575020176-8 นาย สิปปกร พงศ์เดโชธนบดี [ผู้เขียนหลัก]
คณะวิทยาศาสตร์ ปริญญาโท โครงการพิเศษ

การประเมินบทความ (Peer Review) มีผู้ประเมินอิสระ 
มีการเผยแพร่ในระดับ ชาติ 
รูปแบบ Proceeding Full paper 
รูปแบบการนำเสนอ Oral 
เป็นส่วนหนึ่งของวิทยานิพนธ์ เป็น 
ผลงานที่นำเสนอได้รับรางวัล ไม่ได้รับรางวัล 
แนบไฟล์
Citation 0