Identification of Applicants Who are Hesitant to Decide to Study in Order to Create Strategies to Support Decision-making for Admission Case Study of Chandrakasem Rajabhat University

Main Article Content

Chaisiri Sanitphonklang
Sattawat Kumsiri

Abstract

Nowadays, The rate of admission to higher education was reduced but contrary to the number that the university has announced. Therefore, there is a competition for recruiting students to study in universities, both public and private sectors, with different strategies for each institution. The research was presented this time is another strategy. Finding those who are reluctant to choose to study with a university as a way of persuasion By using machine learning techniques with algorithms, the decision tree was extracted from the applicants to the university. This machine learning uses 6,000 records of past applicants from Chandrakasem Rajabhat University from 2017 to 2019. It was found that the qualifications of applicants that could be classified into a reluctant group were application field, GPA, family income, domicile, school and gender. The classification efficiency was 95.89% compared to SVM, KNN, Naive Bayes with classification efficiency of 87.67%, 85.50%, and 82.63%, respectively.

Downloads

Download data is not yet available.

Article Details

How to Cite
Sanitphonklang ช., & Kumsiri ส. (2021). Identification of Applicants Who are Hesitant to Decide to Study in Order to Create Strategies to Support Decision-making for Admission Case Study of Chandrakasem Rajabhat University. Journal of Science Ladkrabang, 30(2), 58–73. Retrieved from https://li01.tci-thaijo.org/index.php/science_kmitl/article/view/248760
Section
Research article

References

สถาบันวิจัยประชากรและสังคม มหาวิทยาลัยมหิดล. 2563. สารประชากร มหาวิทยาลัยมหิดล. แหล่งข้อมูล : http://pathumthani.dop.go.th/th/gallery/4/1328. ค้นเมื่อวันที่ 22 กรกฎาคม 2563.

สำนักงานคณะกรรมการอุดมศึกษา. 2561. สถิติอุดมศึกษา 2558-2560. แหล่งข้อมูล : http://www.info.mua.go.th/info/. ค้นเมื่อวันที่ 22 กรกฎาคม 2563.

วาสิตา บูรณศิลปิน. 2552. การใช้กลยุทธ์การบริหารความสัมพันธ์กับลูกค้าขององค์กรธุรกิจไทย. นิเทศศาสตรมหาบัณฑิต. สาขาการประชาสัมพันธ์. จุฬาลงกรณ์มหาวิทยาลัย. [Wasita Euranasilpin. 2009. The Use of Customer Relationship Management in Thai Business Organization. M.A. Communication Arts. Public Relations Program. Chulalongkorn University (in Thai)]

Mitchell, T. 1997. Machine Learning. 2nd ed, McGraw Hill.

Michie, D. 1968. “Memo” Functions and Machine Learning. Reprinted from Nature. 218(5136), 19-22.

Mohri, M., Rostamizadeh, A. and Talwalkar, A. 2018. Foundations of Machine Learning. 2nd ed. The MIT Press.

อัชฌาพร กว้างสวาสดิ์, เพียงฤทัย หนูสวัสดิ์, วราลี คงเหมาะ, ปวีณา ทิพยากุลรักษ์ และบุษกร สังขนันท์. 2562. ระบบทำนายระดับความเครียด ด้วยเทคนิคต้นไม้การตัดสินใจ. วารสารวิทยาศาสตร์และเทคโนโลยีแห่งรัตนโกสินทร์, 1(2), 13-26. [Achaporn Kwangsawad, Paingruthai Nusawat, Walari Kongmo, Paveena Thippayakunrak and Busakorn Sangkhanan.2019. The System of Stress level prediction using Decision tree. Rattanakosin Journal of Science and Technology, 1(2), 13-26. (in Thai)]

ธนัญชัย เพ็งพรหม และวรารัตน์ สงฆ์แป้น. 2562. แบบจำลองแบบผสมเพื่อสร้างกฎสำหรับคำถาม-คำตอบ โดยใช้เทคนิคการทำเหมืองข้อความ. วลัยลักษณ์วิจัย, 2019(7), NCIs20 (1-12). [Thanachai Penprom and Wararat Songpan. 2019. A Hybrid Model for Rule-Based Generating of Question-Answering Using Text Mining. Walailak Procedia, 2019(7), NCIs20 (1-12). (in Thai)]

อนัตต์ชัย ชุติภาสเจริญ และจรัญ แสนราช. 2561. การเปรียบเทียบประสิทธิภาพของอัลกอริทึมและการคัดเลือกคุณลักษณะที่เหมาะสมเพื่อการพยากรณ์โอกาสความสำเร็จในการโอนเงินข้ามประเทศของบุคคลทั่วไป. วารสารวิจัย มหาวิทยาลัยขอนแก่น (ฉบับบัณฑิตศึกษา) สาขามนุษยศาสตร์และสังคมศาสตร์, 6(3), 105-113. [Anutchai Chutipascharoen and Charun Sanrach. 2018. A Comparison of the Efficiency of Algorithms and Feature Selection Methods for Predicting the Success of Personal Overseas Money Transfer. KKU Research Journal of Humanities and Social Sciences (Graduate Studies), 6(3), 105-113. (in Thai)]

พิชญะ พรมลา และจรัญ แสนราช. 2563. การเปรียบเทียบประสิทธิภาพการวิเคราะห์ความพึงพอใจเกี่ยวกับการจัดการเรียนการสอนด้วยกระบวนการวิเคราะห์ความรู้สึกโดยใช้เทคนิคการรวมกลุ่มเพื่อจำแนกข้อมูล. วารสารวิจัย มข. (ฉบับบัณฑิตศึกษา), 20(4), 140-149. [Pichaya Promla and Charun Sanrach. 2020. The Comparison of Efficiency on The Analysis of Satisfaction on Teaching Performance using Sentiment Analysis by Ensemble Technique. KKU Research Journal (Graduate Studies), 20(4), 140-149. (in Thai)]

กาญจน์ ณ ศรีธะ, กิตติศักดิ์ เกิดประสพ และนิตยา เกิดประสพ. 2560. การเปรียบเทียบเทคนิคการสุ่มตัวอย่างเพื่อการจำแนกข้อมูลที่ไม่สมดุล. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์, 1(1), 20-37. [Karn Nasritha, Kittisak Kerdprasop and Nittaya Kerdprasop. 2017. Comparison of sampling techniques for imbalanced data classification. Journal of Applied Informatics and Technology, 1(1), 20-37. (in Thai)]

ปริญญา สงวนสัตย์. 2562. Artificial Intelligence with Machine Learning AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง. พิมพ์ครั้งที่ 1, ไอดีซี พรีเมียร์, นนทบุรี. [Parinya Sanguansat. 2019. Artificial Intelligence with Machine Learning AI. 1st ed, IDC Premier, Nonthaburi. (in Thai)]

Quinlan, J.R. 1986. Induction of decision trees. Machine learning, 1(1), 81-106.

ที่ประชุมอธิการบดีแห่งประเทศไทย (ทปอ). 2563. คู่มือระบบการคัดเลือกกลางบุคคลเข้าศึกษาในสถาบันอุดมศึกษา. แหล่งข้อมูล : https://www.mytcas.com/. ค้นเมื่อวันที่ 16 กรกฎาคม 2563.