การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อการพยากรณ์ ระดับผลการเรียนวิชาเลือก :กรณีศึกษา นักศึกษาระดับปริญญาตรี สาขาเทคโนโลยีสารสนเทศธุรกิจ มหาวิทยาลัยธุรกิจบัณฑิตย์

Abstract

บทคัดย่อ งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อสร้างการประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อการพยากรณ์ ระดับผลการเรียนวิชาเลือก:กรณีศึกษา นักศึกษาระดับปริญญาตรี สาขาเทคโนโลยีสารสนเทศธุรกิจ มหาวิทยาลัยธุรกิจบัณฑิตย์รูปแบบการพยากรณ์ โดยใช้โครงข่ายประสาทเทียม แบบแพร่ย้อนกลับ (Feed-forward Back-propagation Network (FBN)) ในการพยากรณ์ระดับผลคะแนนวิชาเลือกที่เปิดสอนในสาขาเทคโนโลยีสารสนเทศธุรกิจ คณะเทคโนโลยีสารสนเทศ มหาวิทยาธุรกิจบัณฑิตย์ โดยเลือกเพียง 1 วิชามาใช้ในงานวิจัย โดยอาศัยปัจจัยในการพยากรณ์ คือวิชาเอกบังคับทั้ง 11 วิชาที่เปิดสอนในหลักสูตร เป็นข้อมูลนำเข้าในการพยากรณ์ โดยเริ่มต้นจากการนำวิชาเอกบังคับมาหาค่าสหสัมพันธ์ และตัดวิชาที่มีค่าสหสัมพันธ์น้อยกว่าค่าสหสัมพันธ์เฉลี่ยออก และนำมาจัดชุดตัวแปรตามลำดับค่าสหสัมพันธ์จากมากไปน้อย ผู้วิจัยใช้ข้อมูลนักศึกษาที่ลงทะเบียนเรียนตั้งแต่ปีการศึกษา 2549 - 2551 เป็นข้อมูลที่ใช้ในการทดลอง ซึ่งถูกแบ่งข้อมูลเป็น 2 ชุด เพื่อใช้เรียนรู้ และทดสอบในการสร้างรูปแบบการพยากรณ์ โดยโครงข่ายประสาทเทียม โดยได้ผลลัพธ์เป็นค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ (Mean Absolute Error (MAE)) ของแต่ละรูปแบบ โดยเลือกพิจารณารูปแบบที่ให้ค่าความผิดพลาดสัมบูรณ์น้อยที่สุด และมาใช้เป็นรูปแบบในพยากรณ์ระดับผลคะแนน จากผลการสอบการพยากรณ์ โดยใช้โครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ ในการพยากรณ์ระดับผลคะแนนวิชาเลือกที่กำหนด สามารถพยากรณ์ระดับผลคะแนนได้ถูกต้อง 61.29 % ของจำนวนตัวอย่างที่ใช้ในการทดสอบคำสำคัญ: โครงข่ายประสาทเทียมAbstract This research aims to applyied the Feed-forward Back-propagation Network (FBN) to predict the final grades in one selected elective course offered by the Information Technology Department, Dhurakij Pundit University. The prediction model is based on all 11 required major courses offered in the curriculum as an input. The prediction begins by finding the correlation among these 11 courses, eliminating those correlations that are less than the average, and rearranging variable groups in descending order, respectively. Test data consist of those from students who enrolled during academic years 2006-2007 which are divided into 2 groups, one for learning objectives and the other for testing purposes. The model outputs the mean value and Mean Absolute Error (MAE). The model with lowest MAE will then be selected for this research. As a result of testing the models, the best-suited FBN model has 61.29% accuracy for predicting elective course grades. Keyword: Artificial Neural Network