การพยากรณ์ผลสัมฤทธิ์ทางการเรียนของผู้เรียนชั้นประถมศึกษา โดยใช้อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน
คำสำคัญ:
การพยากรณ์ , ผลสัมฤทธิ์ทางการเรียน , แพลตฟอร์ม, อัลกอริทึม, ซัพพอร์ตเวกเตอร์แมชชีนบทคัดย่อ
บทความทางวิชาการนี้มุ่งเน้นการใช้อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีนพยากรณ์ผลสัมฤทธิ์ทาง การเรียนของนักเรียนชั้นประถมศึกษาปีที่ 6 ปีการศึกษา 2567 โดยใช้เทคโนโลยีปัญญาประดิษฐ์ ChatGPT เพื่อจำลองชุดข้อมูลของนักเรียน จำนวน 1,000 ชุด โดยอ้างอิงข้อมูลจริงจากโรงเรียน 3 แห่งในจังหวัดเลย ข้อมูลที่ศึกษา ได้แก่ เพศ, เกรดเฉลี่ย, เกรดเฉลี่ยสะสม, จำนวนของชั่วโมงที่เรียน, และสถานะทางการเรียน จากนั้นนำข้อมูลเข้าสู่อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีนโดยแบ่งข้อมูลเป็น 2 กลุ่ม คือ กลุ่มฝึกสอนโมเดล 70% และกลุ่มทดสอบโมเดล 30% เพื่อประเมินประสิทธิภาพของโมเดล ซึ่งขั้นตอนการสร้างโมเดลมี 5 ขั้นตอน ดังนี้ 1) ขั้นรวบรวมข้อมูล 2) ขั้นเตรียมข้อมูล 3) ขั้นสร้างโมเดล 4) ขั้นทดสอบและประเมินประสิทธิภาพของโมเดลด้วยวิธีการ 10-Fold cross-validation และ 5) ขั้นการนำแบบโมเดลไปใช้งานจริงโดยผสานร่วมกับโปรแกรม Altair AI Studio Educational 2025.0.0 ผลการศึกษาพบว่า โมเดลมีประสิทธิภาพสูงทั้งในด้านของค่าความถูกต้อง ความแม่นยำ และค่าความระลึก ทั้งนี้ได้ผสานการทำงานเข้ากับแพลตฟอร์ม One Compiler ซึ่งเป็นสภาพแวดล้อมออนไลน์สำหรับการรันโค้ดและออกแบบส่วนติดต่อผู้ใช้ด้วยภาษา HTML ซึ่งสามารถป้อนข้อมูลนักเรียนในการพยากรณ์ผลสัมฤทธิ์ทางการเรียนล่วงหน้าได้อย่างสะดวก ทั้งนี้ เครื่องมือนี้จึงอำนวยความสะดวกแก่ผู้บริหารสถานศึกษา ครู และผู้ที่สนใจ ในการพัฒนาการจัดการเรียนการสอนให้มีประสิทธิภาพมากยิ่งขึ้น
เอกสารอ้างอิง
นคร ละลอกน้ำ. (2561). การใช้เทคนิคการขุดข้อมูลทางการศึกษาเพื่อการศึกษา. วารสารการศึกษาและการพัฒนาสังคม, 14(2), 1-16.
ชัยมงคล ปินะสา, สำราญ มีแจ้ง และ น้ำทิพย์ องอาจวาณิชย์. (2567). การประยุกต์ใช้โครงข่ายประสาทเทียมในการคัดเลือกข้อสอบข้อถัดไป. วารสารวัดผล, 30(1), 1-15.
วีระพันธ์ พาณิชย์. (2564). การประยุกต์ใช้ Machine Learing ทำนายผลการเรียนวิชา Web Database ของนิสิตสาขาเทคโนโลยีการศึกษา คณะศึกษาศาตร์ มหาวิทยาลัยบูรพา. (วิทยานิพนธ์การศึกษาตามหลักสูตรวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์และโทรคมนาคม). กรุงเทพฯ: วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์มหาวิทยาลัยธุรกิจบัณฑิตย์.
สำนักนายกรัฐมนตรี. (2545). พระราชบัญญัติการศึกษาแห่งชาติ พ.ศ.2542 และที่แก้ไขเพิ่มเติม (ฉบับที่ 2) พ.ศ.2545 สำนักนายกรัฐมนตรีประกาศในราชกิจจานเบกษา เล่มที่ 119 ตอนที่ 123ก วันที่ 19 ธันวาคม 2545. กรุงเทพฯ: พริกหวานกราฟฟิค.
Adekitan, A. I., & Noma-Osaghae, E. (2019). Data mining approach to predicting the performance of first year student in a university using the admission requirements. Education and Information Technologies, 24, 1527-1543. Form https://doi.org/10.1007/s10639-018-9839-7.
Adekitan, A. I., & Salau, O. (2019). The impact of engineering students' performance in the first three years on their graduation result using educational data mining. Heliyon, 5(2). Form https://doi.org/10.1016/j.heliyon.2019. e01250.
Ali, A., & Saleem, N. N. (2022). Classification of Software Systems attributes based on quality factors using linguistic knowledge and machine learning: A review. Journal of Education and Science, 31(3), 66.60-90.60. Form https://doi.org/10.33899/edusj.2022.134024.1245.
Batool, S., Rashid, J., Nisar, M. W., Kim, J., Kwon, H.-Y., & Hussain, A. (2023). Educational data mining to predict students' academic performance: A survey study. Education and Information Technologies, 28(1), 905-971. Form https://doi.org/10.1007/s10639-022-11152-y.
Bisri, A., Heryatun, Y., & Navira, A. (2025). Educational Data Mining Model Using Support Vector Machine for Student Academic Performance Evaluation. Journal of Education and Learning (EduLearn), 19(1), 478-486. Form https://doi.org/10.11591/edulearn.v19i1.21609.
Chen, Y., & Zhai, L. (2023). A comparative study on student performance prediction using machine learning. Education and Information Technologies, 28(9), 12039-12057. Form https://doi.org/10.1007/s10639-023-11672-1.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20, 273-297.
Fetatnia, A. (2024). A Comparative Study of Data Mining Tools. Form http://dspace.univ-guelma.dz/jspui/handle/123456789/16489.
Gu, Q., Zhu, L., & Cai, Z. (2009). Evaluation measures of the classification performance of imbalanced data sets. 2009 International Symposium on Intelligence Computation and Applications, Huangshi (461-471). Form https://doi.org/10.1007/978-3-642-04962-0_53.
H. Alamri, L., S. Almuslim, R., S. Alotibi, M. ,K. Alkadi, D., UllahKhan, I., Aslam,N., (2020). Predicting student academic performance using support vector machine and random forest. 2020 3rd International Conferenceon Education Technology Management (100–107). Form https://doi.org/10.1145/3446590.3446607.
Haryatmi, E., & Hervianti, S. P. (2021). Penerapan algoritma support vector machine untuk model prediksi kelulusan mahasiswa tepat waktu. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(2), 386-392. Form https://doi.org/10.29207/resti.v5i2.3007.
Kohavi, R. (1995). A Study of Cross-Validation and bootstrap for accuracy estimation and model selection. International Joint Conference on Artificial Intelligence (IJCAI) (1137-1143). Morgan Kaufmann. Form https://www.researchgate.net/publication/2352264.
Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining. John Wiley & Sons.
Madyatmadja, E. D., Jordan, S. I., & Andry, J. F. (2021). Big data analysis using rapidminer studio to predict suicide rate in several countries. ICIC Express Letters, Part B: Applications, 12(8), 757-764. Form https://doi.org/10.24507/icicelb.12.08.757.
Mailana, A., Putra, A. A., Hidayat, S., & Wibowo, A. (2021). Comparison of C4. 5 algorithm and support vector machine in predicting the student graduation timeliness. Jurnal Online Informatika, 6(1), 11-16. Form https://doi.org/10.15575/join.v6i1.608.
Novianto, E., & Suhirman, S. (2024). Comparison of K-nearest neighbor classification methods and support vector machine in predicting students’ Sstudy period. Journal of Education and Science, 33(1), 32.30-45.30. Form https://doi.org/10.33899/edusj.2023.144865.1408.
Peng, J., Jury, E. C., Dönnes, P., & Ciurtin, C. (2021). Machine learning techniques for personalised medicine approaches in immune-mediated chronic inflammatory diseases: applications and challenges. Frontiers in pharmacology, 12, 720694. Form https://doi.org/10.3389/fphar.2021.720694.
Putri, R. P. S., & Waspada, I. (2018). Penerapan algoritma C4. 5 pada aplikasi prediksi kelulusan mahasiswa prodi informatika. Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, 4(1), 1-7. Form https://doi.org/10.23917/khif.v4i1.5975.
Ramageri, B. M. (2010). Data mining techniques and applications. Indian journal of computer science and engineering, 1(4), 301-305.
Rastrollo-Guerrero, J. L., Gómez-Pulido, J. A., & Durán-Domínguez, A. (2020). Analyzing and predicting students’ performance by means of machine learning: A review. Applied sciences, 10(3), 1042. Form https://doi.org/10.3390/app10031042.
Switrayana, I. N., Ashadi, D., Hairani, H., & Aminuddin, A. (2023). Sentiment analysis and topic modeling of Kitabisa applications using Support Vector Machine (SVM) and Smote-Tomek links methods. International Journal of Engineering and Computer Science Applications (IJECSA), 2(2), 87-98. Form https://doi.org/10.30812/ijecsa.v2i2.3406.
Tree, D. (2020). Klasifikasi mahasiswa her berbasis algoritma svm dan decision tree. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 7(6). Form https://doi.org/10.25126/jtiik.202073080.
Uska, M. Z., Wirasasmita, R. H., Usuluddin, U., & Arianti, B. D. D. (2020). Evaluation of rapidminer-aplication in data mining learning using persiva model. Edumatic: Jurnal Pendidikan Informatika, 4(2), 164-171. Form https://doi.org/10.29408/edumatic.v4i2.2688.
Valero-Carreras, D., Alcaraz, J., & Landete, M. (2023). Comparing two SVM models through different metrics based on the confusion matrix. Computers & Operations Research, 152, 106131. Form https://doi.org/10.1016/j.cor.2022.106131.
Valkenborg, D., Rousseau, A.-J., Geubbelmans, M., & Burzykowski, T. (2023). Support vector machines. American Journal of Orthodontics and Dentofacial Orthopedics, 164(5), 754-757. Form https://doi.org/10.1016/j.ajodo.2023.08.003.
Widaningsih, S. (2019). Perbandingan metode data mining untuk prediksi nilai dan waktu kelulusan mahasiswa prodi teknik informatika dengan algoritma C4, 5, Naïve Bayes, Knn Dan Svm. Jurnal Tekno Insentif, 13(1), 16-25. Form https://doi.org/10.36787/jti.v13i1.78.
Wiyono, S., Abidin, T., Wibowo, D., Hidayatullah, M., & Dairoh, D. (2019). Comparative study of machine learning knn, svm, and decision tree algorithm to predict students performance. International Journal of Research-Granthaalayah, 7(1), 190-196. Form https://doi.org/10.29121/granthaalayah.v7.i1.2019.1048.
Yağcı, M. (2022). Educational data mining: prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9(1), 11. Form https://doi.org/10.1186/s40561-022-00192-z.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 มหาวิทยาลัยพะเยา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ผู้นิพนธ์ต้องรับผิดชอบข้อความในบทนิพนธ์ของตน มหาวิทยาลัยพะเยาไม่จำเป็นต้องเห็นด้วยกับบทความที่ตีพิมพ์เสมอไป ผู้สนใจสามารถคัดลอก และนำไปใช้ได้ แต่จะต้องขออนุมัติเจ้าของ และได้รับการอนุมัติเป็นลายลักษณ์อักษรก่อน พร้อมกับมีการอ้างอิงและกล่าวคำขอบคุณให้ถูกต้องด้วย
The authors are themselves responsible for their contents. Signed articles may not always reflect the opinion of University of Phayao. The articles can be reproduced and reprinted, provided that permission is given by the authors and acknowledgement must be given.
