ระบบพยากรณ์เพื่อสนับสนุนการตัดสินใจศึกษาต่อหลังสำเร็จมัธยมศึกษาตอนต้น โดยใช้อัลกอริธึมป่าสุ่ม

Abstract

การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) สร้างแบบจำลองพยากรณ์เพื่อสนับสนุนการตัดสินใจศึกษาต่อหลังสำเร็จมัธยมศึกษาตอนต้น โดยใช้อัลกอริธึมป่าสุ่ม 2) ประเมินประสิทธิภาพของแบบจำลองพยากรณ์เพื่อสนับสนุนการตัดสินใจศึกษาต่อหลังสำเร็จมัธยมศึกษาตอนต้น และ 3) พัฒนาระบบพยากรณ์เพื่อสนับสนุนการตัดสินใจศึกษาต่อหลังสำเร็จมัธยมศึกษาตอนต้น ผู้วิจัยใช้ชุดข้อมูลผลสัมฤทธิ์ทางการเรียนของนักเรียนโรงเรียนขยายโอกาสทางการศึกษาชั้นมัธยมศึกษาปีที่ 3 ในสังกัดสำนักงานเขตพื้นที่การศึกษาประถมศึกษานครสวรรค์ เขต 2 ตั้งแต่ปีการศึกษา 2558 - 2560 ได้ถูกนำมาวิเคราะห์โดยนำกลุ่มตัวอย่างข้อมูลของผลสัมฤทธิ์ทางการเรียน จำนวน 1,030 เรคคอร์ด ซึ่งประกอบไปด้วย 8 กลุ่มสาระวิชา 7 คุณลักษณะ นำมาสร้างแบบจำลองทดสอบประสิทธิภาพ โดยใช้อัลกอริธึม 3 อัลกอริธึม ได้แก่ 1) อัลกอริธึม C4.5(J48) 2) อัลกอริธึมต้นไม้สุ่ม และ 3) อัลกอริธึมป่าสุ่ม เพื่อทำการเปรียบเทียบประสิทธิภาพแบบจำลองพยากรณ์ และใช้การเลือกคุณลักษะแบบ InfoGainAttributeEval ทดสอบประสิทธิภาพด้วยวิธี 10-fold cross-validation โดยใช้โปรแกรม Weka แล้วนำผลการทดสอบที่ได้มาพัฒนาระบบพยากรณ์เพื่อสนับสนุนการตัดสินใจศึกษาต่อหลังสำเร็จมัธยมศึกษาตอนต้นใช้งานผ่านเว็บเบราว์เซอร์ ผลการวิจัยนี้พบว่าอัลกอริธึมป่าสุ่มมีค่าประสิทธิภาพมากที่สุดค่าความถูกต้องร้อยละ 73.20 ค่าความแม่นยำเท่ากับร้อยละ 73.0 ค่าความครบถ้วนเท่ากับร้อยละ 73.0 ค่าประสิทธิภาพโดยรวมเท่ากับร้อยละ 73.0

The objectives of this study were: 1) to create the predictive system to support decision-making on further education after junior high school using the random forest 2) to evaluate the efficiency of the predictive system to support decision-making on further education after junior high school and 3) to develop the predictive system to support decision-making on further education after junior high school. The researcher used the academic achievement data set of secondary school year 3rd on educational opportunity expansion schools in Nakhonsawan Primary Education Service Area Office 2 in 2015-2017. The data were analyzed by education achievement scores of the sample of 1,030 records from 8 core topics and 7 features to create the efficiency testing model and using 3 algorithms for training and testing data 1) C4.5 (j48) 2) Random Tree and 3) Random Forest to compare the efficiency of the testing model. Furthermore, using the InfoGainAttributeEval Method for efficiency, testing using a 10-fold cross-validation model with Weka Program. Afterward, the testing result was used to develop the predictive system to support decision-making on further education after junior high school on web browsers. The finding found that the Random Forest Algorithm was the highest efficiency: Accuracy was 73.20%, Recall was 73.0%, Precision was 73.0%, and the F-measure was 73.0%