การจำแนกผู้สมัครที่ลังเลในการตัดสินใจศึกษาต่อเพื่อสร้างกลยุทธ์สนับสนุน การตัดสินใจให้เข้าศึกษาต่อ กรณีศึกษามหาวิทยาลัยราชภัฏจันทรเกษม

Main Article Content

ชัยศิริ สนิทพลกลาง
สัตวัฏฏ์ คำศิริ

บทคัดย่อ

ปัจจุบันนักเรียนเข้าศึกษาต่อระดับอุดมศึกษามีอัตราลดลงอย่างต่อเนื่องทุกปี ในทางตรงข้ามจำนวนที่มหาวิทยาลัยประกาศรับนักศึกษาใหม่ยังคงเดิมซึ่งมีแนวโน้มสูงกว่าจำนวนผู้สมัคร ก่อให้เกิดการแข่งขันของมหาวิทยาลัยทั้งภาครัฐและเอกชนด้วยกลยุทธ์ที่แตกต่างกันในแต่ละสถาบัน การวิจัยที่นำเสนอในครั้งนี้เป็นอีกหนึ่งกลยุทธ์ โดยการค้นหาผู้ลังเลในการตัดสินใจศึกษาต่อเพื่อนำเข้าสู่กลยุทธ์โน้มน้าวใจ ด้วยเทคนิคเรียนรู้ของเครื่อง (Machine Learning) จากอัลกอริทึมต้นไม้ตัดสินใจเพื่อสกัดหาผู้ลังเลในการตัดสินใจศึกษาต่อ การเรียนรู้ของเครื่องงานวิจัยนี้ใช้ข้อมูลผู้สมัครในอดีตของมหาวิทยาลัยราชภัฏจันทรเกษมจำนวน 6,000 ระเบียน จาก พ.ศ. 2560 ถึง พ.ศ. 2562 ได้ค้นพบว่าแอตทริบิวต์ผู้สมัครที่สามารถจำแนกกลุ่มผู้ลังเลในการตัดสินใจศึกษาต่อโดยเรียงลำดับตามความสำคัญตามกฎของต้นไม้ดังนี้ สาขาวิชา เกรดเฉลี่ย รายได้ครอบครัว ภูมิลำเนา ประเภทโรงเรียน และเพศ ซึ่งมีประสิทธิภาพในการจำแนกถูกต้องสูงถึง 95.89% เมื่อเทียบกับ อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine : SVM) อัลกอริทึมเพื่อน   บ้านใกล้ที่สุด (K-Nearest Neighbors : KNN) และอัลกอริทึมเทคนิคนาอีฟเบย์ (Naive Bayes) ที่มีประสิทธิภาพการจำแนกเป็น 87.67%, 85.50% และ 82.63% ตามลำดับ

Article Details

บท
บทความวิจัย

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.