การเปรียบเทียบผลการพยากรณ์เกรดเฉลี่ยระหว่างวิธีโครงข่ายประสาทเทียมกับวิธีการถดถอยพหุคุณจากพฤติกรรมการใช้อินเทอร์เน็ตของนักศึกษาคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ

Abstract

การวิจัยครั้งนี้มีวัตถุประสงค์ 3 ประการ 1) เพื่อศึกษาและประยุกต์ใช้วิธีวิเคราะห์ข้อมูลในการพยากรณ์เกรดเฉลี่ยด้วยวิธีโครงข่ายประสาทเทียมและวิธีการถดถอยพหุคูณ 2) เพื่อหารูปแบบและค่าพารามิเตอร์ของโครงข่ายประสาทเทียมที่เหมาะสมกับการพยากรณ์เกรดเฉลี่ย 3) เพื่อตรวจสอบผลการพยากรณ์ด้วยวิธีโครงข่ายประสาทเทียมและวิธีการถดถอยพหุคูณ โดยใช้เกณฑ์ในการเปรียบเทียบจากการวัดความคลาดเคลื่อน 2 แบบ ได้แก่ รากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error หรือ RMSE) และเปอร์เซ็นต์ของความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error หรือ MAPE) วิธีดำเนินการวิจัย ผู้วิจัยเก็บรวบรวมข้อมูลจากนักศึกษาระดับปริญญาตรี คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ ซึ่งเป็นกลุ่มตัวอย่าง จำนวน 165 คน จากนั้นดำเนินการวิเคราะห์ข้อมูลโดยการหาค่าสถิติพื้นฐาน วิเคราะห์องค์ประกอบวิเคราะห์ด้วยวิธีการถดถอยพหุคูณและวิธีโครงข่ายประสาทเทียมและตรวจสอบความคลาดเคลื่อนในการพยากรณ์ ผลการวิจัยสรุปได้ดังนี้ 1. รูปแบบโครงข่ายประสาทเทียมแบบหลายชั้น (Multi Layer Percetron) แบบแพร่ย้อนกลับ (Backpropagation Neural Networks) ที่กำหนดให้ชั้นข้อมูลป้อนเข้า (Input Layer) จำนวน 11 นิวรอล ชั้นแอบแฝง (Hidden Layer) จำนวน 3 นิวรอล และชั้นผลลัพธ์ (Output Layer) จำนวน 1 นิวรอล ฟังก์ชันการแปลง (Transfer Function) คือ ฟังก์ชันซิกมอยด์ (Sigmoid Function) และกำหนดค่าพารามิเตอร์จำนวนรอบการสอนเท่ากับ 5000 รอบ ค่าสัมประสิทธิ์การเรียนรู้ (η) = 1.0 และค่าโมเมนตัม (α) = 0.5 เป็นวิธีการพยากรณ์ที่แม่นยำที่สุดเมื่อพิจารณาค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย โดยมีค่าเท่ากับ 0.182426 2. รูปแบบโครงข่ายประสาทเทียมแบบหลายชั้น (multi Layer Percetron) แบบแพร่ย้อนกลับ (Backpropagation Neural Networks) ที่กำหนดให้ชั้นข้อมูลป้อนเข้า (Input Layer) จำนวน 17 นิวรอล ชั้นแอบแฝง (Hidden Layer) จำนวน 4 นิวรอล และชั้นผลลัพธ์ (Output Layer) จำนวน 1 นิวรอล ฟังก์ชันการแปลง (Transfer Function) คือ ฟังก์ชันซิกมอยด์ (Sigmoid Function) และกำหนดค่าพารามิเตอร์จำนวนรอบการสอนเท่ากับ 5000 รอบ ค่าสัมประสิทธิ์การเรียนรู้ (η) = 1.0 และค่าโมเมนตัม (α) = 0.5 เป็นวิธีการพยากรณ์ที่แม่นยำที่สุดเมื่อพิจารณาค่าเปอร์เซ็นต์ของความคลาดเคลื่อนสัมบูรณ์เฉลี่ย โดยมีค่าเท่ากับ 5.260494%

The three objectives of this research proposed to study and forecast Grade Point Average (GPA) by using Neural Network and Multiple Regression Methods, to find the model and parameter of Neural Network and to examine the Grade Point Average (GPA) forecasting results by comparing errors with two measurements; Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE). The sampling was 165 students from undergraduate in Faculty of Science and Technology, Huachiew Chalermprakiet University. Data collections was result from Descriptive Statistics, Factor Analysis, Multiple Regression and Neural Network then examine the error of forecasting result. Research conclusions were as followed: 1. The application of a Multi Layer Percetron Neural Network using by Backpropagation give highest efficiently for forecasting value with Root Mean Square Error = 0.182426, network structure of 11:3:1, represented for the node of input-hidden-output, transfer function was sigmoid function, and define the parameters of the teaching of 5000, the coefficient of learning (η ) = 1.0, and the momentum (α ) = 0.5. 2. The application of a Multi Layer Percetron Neural Network using by Backpropagation give highest efficiently for forecasting value with Mean Absolute Percentage Error = 5.260494%, network structure of 17:4:1, represented for the node of input-hidden-output, transfer function was sigmoid function, and define the parameters of the teaching of 5000, the coefficient of learning (η ) = 1.0 , and the momentum (α ) = 0.5.