AN ANALYSIS OF THE BEHAVIOR OF APPLICANTS FOR BACHELOR'S DEGREES AT THE FACULTY OF SCIENCE, NAKHON PHANOM UNIVERSITY, USING DATA MINING TECHNIQUES
Article Sidebar
Main Article Content
Abstract
The objective of this research was to analyze the behavior of undergraduate applicants to the Faculty of Science, Nakhon Phanom University, by applying data mining techniques using association rules through the Apriori Algorithm. This quantitative study employed a total of 1,788 applicant records from the Thai University Central Admission System (TCAS) during the academic years 2021 - 2024. The research tool was a statistical package that applied the Apriori Algorithm to identify association patterns in applicants’ program choices. Parameters were set with a minimum support of 0.03, a minimum confidence of 0.95, and a lift greater than 1 to ensure highly reliable association rules. The findings revealed 15 association rules that met all specified conditions. Each rule clearly demonstrated distinctive behaviors in applicants’ program selections. For example, female applicants with strong academic performance and high biology scores often applied for the Biology program in the Admission round. Applicants with high mathematics scores tended to choose the Mathematics program in the Quota round. Applicants from schools in the Sanuk area with high GPAs generally had a greater tendency to apply through the Quota round. Meanwhile, those applying to Chemistry and Physics programs often submitted their applications in the Admission or Direct Admission rounds. These behavioral patterns demonstrate the relationship between academic achievement, program selection, and admission rounds. This reflects the different behavioral patterns of applicants. The results of this research can serve as empirical evidence to support proactive recruitment strategies, curriculum improvement aligned with student potential, and effective policy design for future student admissions.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
งานทะเบียนและประมวลผลการศึกษา มหาวิทยาลัยนครพนม. (2567). รายงานข้อมูลการรับสมัครนักศึกษาระดับปริญญาตรี ปีการศึกษา 2567. นครพนม: มหาวิทยาลัยนครพนม.
ตรีนุช ไพชยนต์วิจิตร และอัครนัย ขวัญอยู่. (2564). ผลกระทบทางเศรษฐกิจจากสถานการณ์โควิด -19 ต่อหลักสูตรนานาชาติในระดับอุดมศึกษาของไทย. วารสารธรรมศาสตร์, 40(3), 114-13.
รุจิโรจน์ ฮิโรเซะ และคณะ. (2564). การวิเคราะห์พฤติกรรมที่มีผลต่อการซื้อผลิตภัณฑ์น้ำมันมะพร้าวในจังหวัดประจวบคีรีขันธ์ โดยใช้เทคนิคเหมืองข้อมูล. Rattanakosin Journal of Science and Technology, 2(3), 26-46.
สุธารัตน์ ชาวนาฟาง. (2568). การพยากรณ์แนวโน้มการเลือกสาขาของผู้สมัครเข้าศึกษาต่อระดับปริญญาตรีโดยใช้เทคนิคเหมืองข้อมูล. Information Technology Journal KMUTNB, 21(1), 1-11.
สุรวีร์ เพียรเพชรเลิศ. (2566). เหมืองข้อมูลกับการประยุกต์ใช้ด้านการศึกษา. Journal of Modern Learning Development, 8(8), 492-504.
โอม ศรนิล. (2556). การออกแบบและพัฒนาคลังข้อมูล. กรุงเทพมหานคร: บางกอกบล๊อก.
Adekitan, A. I. & Noma-Osaghae, E. (2019). Data mining approach to predicting the performance of first year students in a university using the admission requirements. Education and Information Technologies, 24(2), 1527-1543.
Agrawal, R. & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB ’94). Morgan Kaufmann.
Bandura, A. (1997). Self-efficacy: The exercise of control. New York: W. H. Freeman.
Bharadwaj, B. K. & Pal, S. (2011). Data mining: A prediction for performance improvement using classification. International Journal of Computer Science and Information Security (IJCSIS), 9(4), 136-140.
Brin, S. et al. (1997). Dynamic itemset counting and implication rules for market- basket data analysis. ACM SIGMOD Record, 26(2), 255-264.
Ceci, S. J. et al. (2014). Women in academic science: Achanging landscape. Psychological Science in the Public Interest, 15(3), 75-141.
Coleman, J. S. (1988). Social capital in the creation of human capital. American Journal of Sociology, 94(S1), S95-S120.
Eccles, J. S. & Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53(1), 109-132.
Liu, B. et al. (1998). Integrating classification and association rule mining. In Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining. AAAI Press.
Liu, G. et al. (2011). Controlling false positives in association rule mining. Proceedings of the VLDB Endowment, 5(2), 145-156.
Marsh, H. W. & Shavelson, R. (1985). Self-concept: Its multifaceted, hierarchical structure. Educational Psychologist, 20(3), 107-123.
Romero, C. & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. DOI: https://url.in.th/UFcBQ
Tan, P.-N. (2006). Introduction to data mining. Boston: Pearson Addison-Wesley.
Wang, M. T. & Degol, J. L. (2013). Motivational pathways to STEM career choices: Using expectancy-value perspective. Developmental Review, 33(4), 304-340.
Zaki, M. J. & Meira, W. Jr. (2014). Data mining and analysis: Fundamental concepts and algorithms. Cambridge: Cambridge University Press.
