การวิเคราะห์ปัจจัยที่ส่งผลต่อการพ้นสภาพของนักศึกษาโดยใช้เทคนิคเหมืองข้อมูล กรณีศึกษา นักศึกษาระดับปริญญาตรี คณะบริหารธุรกิจ มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี
Article Sidebar
Main Article Content
บทคัดย่อ
การพ้นสภาพของนักศึกษาในระดับอุดมศึกษาเป็นประเด็นสำคัญที่ส่งผลต่อประสิทธิภาพการบริหารจัดการของสถาบันการศึกษาและคุณภาพของบัณฑิต งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์ปัจจัยที่มีผลต่อการพ้นสภาพของนักศึกษาระดับปริญญาตรี คณะบริหารธุรกิจ มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี และเพื่อพัฒนาแบบจำลองพยากรณ์ความเสี่ยงโดยประยุกต์ใช้เทคนิคเหมืองข้อมูล
ข้อมูลที่ใช้เป็นข้อมูลทุติยภูมิของนักศึกษา 5,034 คน ที่เข้าศึกษาระหว่างปีการศึกษา 2562-2565 การวิเคราะห์ดำเนินการตามกระบวนการ KDD (Knowledge Discovery in Databases) ประกอบด้วยการทำความสะอาดข้อมูล การแปลงข้อมูล และการวิเคราะห์ด้วยอัลกอริทึม FP-Growth เพื่อหากฎความสัมพันธ์ ร่วมกับการจำแนกประเภทโดยใช้อัลกอริทึม Decision Tree, Naïve Bayes และ k-Nearest Neighbors (KNN) พร้อมประเมินประสิทธิภาพด้วยค่า Accuracy, Precision, Recall, F1-Score และ AUC
ผลการวิจัยพบว่าแบบจำลอง Naïve Bayes มีค่า AUC สูงสุดที่ 1.000 แสดงถึงความสามารถในการจำแนกนักศึกษาที่มีความเสี่ยงได้อย่างแม่นยำ ส่วนแบบจำลอง Decision Tree มีค่า Accuracy สูงสุดที่ร้อยละ 97.45 และมีข้อได้เปรียบด้านการตีความง่ายและนำไปใช้จริง สำหรับปัจจัยสำคัญที่สัมพันธ์กับการพ้นสภาพ ได้แก่ เกรดเฉลี่ยต่ำกว่า 2.00 เกรดต่ำในรายวิชาหลัก การลงทะเบียนเรียนซ้ำ และผลการเรียนในชั้นปีที่ 1 ซึ่งสามารถนำไปใช้พัฒนาระบบแจ้งเตือนล่วงหน้าได้อย่างมีประสิทธิภาพ
1-2คณะบริหารธุรกิจ, มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี, กรุงเทพมหานคร
*Corresponding author E-mail: salitta_s@rmutt.ac.th
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ทัศนะและข้อคิดเห็นของบทความที่ปรากฏในวารสารฉบับนี้เป็นของผู้เขียนแต่ละท่าน ไม่ถือว่าเป็นทัศนะและความรับผิดชอบของกองบรรณาธิการ
เอกสารอ้างอิง
ขวัญจิตร สงวนโรจน์ และภัคสุภาส์ จิตโกศลวณิชย์. (2564). การศึกษาเกี่ยวกับการคงอยู่และการออกกลางคันของนักศึกษาระดับปริญญาตรีภาคปกติ ของมหาวิทยาลัยราชภัฏบ้านสมเด็จเจ้าพระยา ระหว่างปีการศึกษา 2561 - 2563 สำหรับการจำแนกสภาพและเสนอแนวทางธำรงรักษานักศึกษา. วารสารก้าวทันโลกวิทยาศาสตร์, 21(2), 127-149.
จีระนันต์ เจริญรัตน์. (2559). การวิเคราะห์ปัจจัยที่ส่งผลต่อการพ้นสภาพของนักศึกษาที่มีผลการเรียนปกติโดยใช้ต้นไม้ตัดสินใจ. SNRU Journal of Science and Technology, 8(2), 256-267.
ชณิดาภา บุญประสม และจรัญ แสนราช. (2561). การวิเคราะห์การทำนายการลาออกกลางคันของนักศึกษาระดับปริญญาตรี โดยใช้เทคนิควิธีการทำเหมืองข้อมูล. วารสารวิชาการครุศาสตร์อุตสาหกรรม พระจอมเกล้าพระนครเหนือ, 9(1), 142-151.
ซอและ เกปัน พิมลพรรณ ลีลาภัทรพันธุ์ และอัจฉราพร ยกขุน. (2561). การวิเคราะห์ปัจจัยที่มีผลต่อการพ้นสภาพของนักศึกษาโดยใช้เทคนิคเหมืองข้อมูล กรณีศึกษา หลักสูตรวิทยาการคอมพิวเตอร์และหลักสูตรเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏยะลา. วารสารสาขาวิทยาศาสตร์และเทคโนโลยี, 5(4), 96-110.
นนทวัฒน์ ทวีชาติ อารยา เพ็งประจญ, วิไลรัตน์ ยาทองไชย และชูศักดิ์ ยาทองไชย. (2562). การวิเคราะห์ปัจจัยที่มีผลต่อการพ้นสภาพของนักศึกษาระดับปริญญาตรี ด้วยเทคนิคการทำเหมืองข้อมูล. การประชุมวิชการระดับชาติการจัดการเทคโนโลยีและนวัตกรรม ครั้งที่ 5 มหาวิทยาลัยราชภัฏมหาสารคาม (น. 47-60). มหาวิทยาลัยราชภัฏมหาสารคาม.
บุษราภรณ์ มหัทธนชัย ครรชิต มาลัยวงศ์ เสมอแข สมหอม และณัฐิยา ตันตรานนท์. (2559). กฎความสัมพันธ์ของรายวิชาที่มีผลต่อการพ้นสภาพนักศึกษาโดยใช้อัลกอริทึมอพริโอริ. การประชุมวิชาการระดับชาติ มหาวิทยาลัยราชภัฏกำแพงเพชร ครั้งที่ 3 (น. 456-469). มหาวิทยาลัยราชภัฏกำแพงเพชร.
ปฏิพัทธ์ ปฤชานนท์ และวงกต ศรีอุไร. (2561). การประยุกต์ใช้กฎความสัมพันธ์เพื่อวิเคราะห์ความเสี่ยงการออกกลางคันของนักศึกษาสาขาเทคโนโลยีสารสนเทศ. วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา, 1(2), 123-133.
มหาวิทยาลัยเทคโนโนโลยีราชมงคลธัญบุรี. (2564). ประกาศมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี เรื่อง เกณฑ์การวัดและประเมินผลการศึกษาระดับปริญญาตรี. [ออนไลน์] ค้นเมื่อ 4 สิงหาคม 2565 จาก https://www.oreg.rmutt.ac.th/?wpfb_dl=1842
ระบบบริการการศึกษามหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี. (2565). ระบบบริการการศึกษา. [ออนไลน์] ค้นเมื่อ 4 สิงหาคม 2565 จาก https://oreg.rmutt.ac.th/?page_id=14908
สิรินยา โมสิกะ. (2562). การพัฒนาตัวจำแนกประเภทสถานะการสำเร็จการศึกษา จากกฎความสัมพันธ์ของกลุ่มวิชาพื้นฐานวิชาชีพ [วิทยานิพนธ์ปริญญามหาบัณฑิต ไม่ได้ตีพิมพ์]. มหาวิทยาลัยทักษิณ.
สุกัญญา ทารส และทรงศักดิ์ ภูสีอ่อน. (2563). ปัจจัยจำแนกการออกกลางคันของนิสิตปริญญาตรี มหาวิทยาลัยมหาสารคาม. วารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม, 26(1), 273-287.
สุรวัชร ศรีเปารยะ และสายชล สินสมบูรณ์ทอง. (2560). การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง: กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย. วารสารวิทยาศาสตร์และเทคโนโลยี, 25(5), 839-853.
อัจจิมา ปุ่นสุวรรณ และฐิมาพร เพชรแก้ว. (2564). การค้นหาปัจจัยที่ส่งผลต่อการพ้นสภาพกลางคันของนักศึกษาโดยใช้การค้นหากฎความสัมพันธ์. วารสารมหาวิทยาลัยนราธิวาสราชนครินทร์ สาขามนุษยศาสตร์และสังคมศาสตร์, 8(1), 112-136.
เอกวิจัย เมยไธสง ฉวีวรรณ สีสม และสุเทพ เมยไธสง. (2565). การพยากรณ์ผลการเรียนเพื่อวางแผนการลงทะเบียนเรียนของนักศึกษา สาขาวิชาวิทยาศาสตร์การกีฬาโดยใช้วิธีการเรียนรู้ของเครื่อง. วารสารพุทธปรัชญาวิวัฒน์, 6(2), 329-340.
Astin, A. W. (1999). Student involvement: A developmental theory for higher education. Journal of College Student Development, 40(5), 518-529.
Bean, J. P., & Eaton, S. B. (2000). The psychology underlying successful retention practices. Journal of College Student Retention, 3(1), 73-89.
Dutt, A., Ismail, M. A., & Herawan, T. (2017). A systematic review on educational data mining. IEEE Access, 5, 15991-16005.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). John Wiley & Sons.
Kuh, G. D., Cruce, T. M., Shoup, R., Kinzie, J., & Gonyea, R. M. (2008). Unmasking the effects of student engagement on first-year college grades and persistence. The Journal of Higher Education, 79(5), 540-563.
Pascarella, E. T., & Terenzini, P. T. (2005). How college affects students: A third decade of research (2nd ed.). Jossey-Bass.
Robbins, S. B., Lauver, K., Le, H., Davis, D., Langley, R., & Carlstrom, A. (2004). Do psychosocial and study skill factors predict college outcomes? A meta-analysis. Psychological Bulletin, 130(2), 261-288.
Romero, C., & Ventura, S. (2010). Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems Man and Cybernetics Part C (Applications and Reviews), 40(6), 601 - 618.
Tinto, V. (2012). Leaving college: Rethinking the causes and cures of student attrition. University of Chicago Press.
Tinto, V. (2017). Through the eyes of students. Journal of College Student Retention: Research, Theory & Practice, 19(3), 254-269.
Williamson, B. (2017). Big data in education: The digital future of learning, policy and practice. Sage Publications.
Yorke, M., & Longden, B. (2004). Retention and student success in higher education. McGraw-Hill Education.
