Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/23364
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorสุชาดา บวรกิติวงศ์-
dc.contributor.authorพรนเรศ มูลเมืองแสน-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะครุศาสตร์-
dc.date.accessioned2012-11-08T03:47:27Z-
dc.date.available2012-11-08T03:47:27Z-
dc.date.issued2547-
dc.identifier.isbn9745320811-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/23364-
dc.descriptionวิทยานิพนธ์ (ค.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2547en
dc.description.abstractการวิจัยครั้งนี้มีวัตถุประสงค์ดังนี้ 1) เพื่อประยุกต์ใช้วิธีวิเคราะห์ข้อมูลในการพยากรณ์เกรดเฉลี่ยโดย เทคนิคคลีเมนไทน์ และ เทคนิคการถดถอยพหุคูณ และ 2) เพื่อตรวจสอบผลการพยากรณ์ด้วยเทคนิคคลีเมนไทน์ และเทคนิคการถดถอยพหุคูณ โดยใช้เกณฑ์ในการเปรียบเทียบจากการวัดความคลาดเคลื่อน 3 แบบ ได้แก่ รากที่ สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error หรือ RMSE) ค่ามัธยฐานของค่าสัมบูรณ์ของ ความคลาดเคลื่อนวัดในรูปร้อยละ (Median Absoluate Percentage Error หรือ MdAPE) และ ร้อยละที่ดีกว่า (Percent Better) ฐานข้อมูลที่ใช้ในการศึกษาครั้งนี้ คือข้อมูลทะเบียนประวัติของนักศึกษาที่รับเข้าตั้งแต่ปีการศึกษา 2544-2546 จำนวนนักศึกษา 3,033 คน ของงานทะเบียนประวัติและประมวลผล กองบริการการศึกษา สำนักงาน อธิการบดี มหาวิทยาลัยอุบลราชธานี ทำการวิเคราะห์ข้อมูลโดยการหาค่าสถิติพื้นฐาน การพยากรณ์ด้วยเทคนิคคลีเมนไทน์วิธีนิวรอลเน็ตเวิร์ก และเทคนิคการถดถอยพหุคูณ ทำการตรวจสอบผลการพยากรณ์แต่ละวิธีด้วยค่า ความคลาดเคลื่อนของการพยากรณ์ 3 ค่า ผลการวิจัยสรุปได้ดังนี้ 1. การพยากรณ์ด้วยเทคนิคคลีเมนไทน์พบว่า วิธีที่ให้ค่าแม่นยำในการประมาณสูงสุดเท่ากับ 91.777 คือ โมเดลของวิธีนิวรัลเน็ตเวิร์กที่ประกอบด้วยนิวรอลนำเข้าในชั้นข้อมูลป้อนเข้าจำนวน 12 นิวรอลในชั้นแอบแฝง จำนวน 3 นิวรอล และในชั้นแสดงผลลัพธ์จำนวน 1 นิวรอล และกำหนดให้ค่าเริ่มต้นในการทำงานดังนี้ ค่าสัมประสิทธิการเรียนรู้ เท่ากับ 0.35 ค่าโมเมนตัม เท่ากับ 0.8 จำนวนรอบการเรียนรู้ 20000 รอบให้วิธี การเรียนรู้แบบย้อนกลับและ การแปลงค่าด้วยฟังก์ชันซิกมอยด์ 2. การพยากรณ์ด้วยเทคนิคการถดถอยพหุคูณพบว่า สมการที่เหมาะสมในการพยากรณ์เกรดเฉลี่ยสมโดยให้ค่า R²= 0.531 คือ Z [subscript y ]= .455Z([subscript GPX_ M]) - .091Z([subscript FAC_3]) + .633Z([subscript ENT]) +.123Z([subscript AD_1]) +.063Z([subscript FAC_2]) +.382Z([subscript FAC_4]) +.457Z([subscript FAC_6]) -,082Z([subscript OC_M1]) - ,072Z([subscript ED_F5]) +.053Z([subscript OC_F1]) -,032Z([subscript OC_ MB]) -.029Z([subscript ED_F3]) 3. เปรียบเทียบผลการพยากรณ์ในข้อ 1) และ 2) พบว่า เทคนิคพยากรณ์ที่เหมาะสมสำหรับการพยากรณ์เกรดเฉลี่ยสะสม คือ เทคนิคคลีเมนไทน์แบบนิวรอลเน็ตเวิร์ก-
dc.description.abstractalternativeThe purposes of this research were 1) to apply clementine and multiple regression teachniques for predicting grade point average values 2) checking the predicted results with those results obtaining from clementine technique and multiple regression technique by using 3 error measures of RSME, MdAPE and Percent better as criteria. Database used in this study was student data who educated during 2001-2003. Population were 3033 students collected by Registrar and Evaluate unit Education Service Division President Department Ubonratchathani University. The data were analyzed and predicted by using Clementine's Neural Network method and multiple regression analysis and check for 3 errors. The research findings were summarized as follows: 1. For Clementine technique, the Neural network method and appropriate model obtain input layer 12 neural hidden layer 3 neural and output layer 1 neural, and fixed parameter value in coefficient learning equal 0.35 Momentum values equal 0.8 and train 20000 cycles using backpropragation method to learning and function sigmoid to change value. This method estimated accuracy equal 91.777. 2. For Multiple regression technique, the best solution to predicted grade point average value was Z [subscript y ] = .455Z([subscript GPX_ M]) - .091Z([subscript FAC_3]) + .633Z([subscript ENT]) +.123Z([subscript AD_1]) +.063Z([subscript FAC_2]) +.382Z([subscript FAC_4]) +.457Z([subscript FAC_6]) -,082Z([subscript OC_M1]) - ,072Z([subscript ED_F5]) +.053Z([subscript OC_F1]) -,032Z([subscript OC_ MB]) -.029Z([subscript ED_F3]) Comparison of predicted between 1) and 2) found that the best method for predicted grade point average values is Clementine techniques by Neural Network method.-
dc.format.extent3422893 bytes-
dc.format.extent3685764 bytes-
dc.format.extent17135392 bytes-
dc.format.extent4622626 bytes-
dc.format.extent24135495 bytes-
dc.format.extent5440564 bytes-
dc.format.extent5146716 bytes-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.format.mimetypeapplication/pdf-
dc.language.isothes
dc.publisherจุฬาลงกรณ์มหาวิทยาลัยen
dc.relation.urihttp://doi.org/10.14457/CU.the.2004.314-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen
dc.subjectการให้คะแนน (นักเรียนและนักศึกษา)-
dc.subjectนักเรียน -- การประเมิน -- พยากรณ์-
dc.subjectGrading and marking (Students)-
dc.subjectStudents -- Rating of -- Forecasting-
dc.titleการเปรียบเทียบผลการพยากรณ์เกรดเฉลี่ยระหว่างเทคนิคคลีเมนไทน์กับเทคนิคการถดถอยพหุคูณen
dc.title.alternativeA comparison of predicted grade point average values using clementine technique and multiple regression techniqueen
dc.typeThesises
dc.degree.nameครุศาสตรมหาบัณฑิตes
dc.degree.levelปริญญาโทes
dc.degree.disciplineวิจัยการศึกษาes
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัยen
dc.identifier.DOI10.14457/CU.the.2004.314-
Appears in Collections:Edu - Theses

Files in This Item:
File Description SizeFormat 
Pornnares_mo_front.pdf3.34 MBAdobe PDFView/Open
Pornnares_mo_ch1.pdf3.6 MBAdobe PDFView/Open
Pornnares_mo_ch2.pdf16.73 MBAdobe PDFView/Open
Pornnares_mo_ch3.pdf4.51 MBAdobe PDFView/Open
Pornnares_mo_ch4.pdf23.57 MBAdobe PDFView/Open
Pornnares_mo_ch5.pdf5.31 MBAdobe PDFView/Open
Pornnares_mo_back.pdf5.03 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.