View of Analysis of Relationship of Academic Personnel Data for Management Teaching with Method Adjustment of K-Means Combined with Association Rules

Prudtipong Pengsiri

การวิเคราะหความสัมพันธของขอมูลบุคลากรสายวิชาการเพื่อบริหารการเรียน การสอนดวยการปรับวิธีแบงกลุมแบบเคมีนรวมกับกฎความสัมพันธ

Analysis of Relationship of Academic Personnel Data for Management Teaching with Method Adjustment of K-Means Combined with Association Rules

พฤฒิพงศ เพ็งศิริ^1*

Prudtipong Pengsiri^1*

Received: October 7, 2019; Revised: April 26, 2020; Accepted: April 29, 2020

บทคัดยอ

บทความนี้เปนการนําเสนอแนวทางการเลือกบุคลากรสายวิชาการดานคอมพิวเตอรดวยวิธีการแบงกลุม รวมกับกฎความสัมพันธ ซึ่งใชชื่อเรียกวิธีนี้วา ^K-MAs โดยขอมูลจากแบบสอบถามดานการสอนในแตละ รายวิชาดานคอมพิวเตอรที่อางอิงจากหลักสูตรที่ผานการรับรองจากสํานักงานคณะกรรมการการอุดมศึกษา (สกอ.) เปนบุคลากรสายวิชาการของคณะวิทยาศาสตรและเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคล สุวรรณภูมิ ซึ่งพบปญหาในความแตกตางของความสามารถทางการสอน ทําใหการจัดรายวิชากับผูสอน เปนไปดวยความซับซอนและยุงยาก ดังนั้นผูวิจัยไดคนพบขั้นตอนวิธีการแกไขปญหานี้ดวยวิธีการ ^K-MAs ซึ่งเปนการแบงกลุมขอมูลของบุคลากรสายวิชาการดวยวิธี ^K-Means รวมกับหากฎความสัมพันธดวยวิธีการ อพริโอริ เพื่อสนับสนุนการบริหารจัดการผูสอนที่มีความสามารถที่ตรงกับวิชาชีพที่ตนถนัด และยังเสริมสราง มนุษยสัมพันธกับเพื่อนนักวิชาการเมื่อทราบกลุมวิชาชีพ จากผลการวิจัยพบวาการแบงกลุมผูสอนภายใต

สาขาวิชาสามารถจัดกลุมที่เหมาะสมได 5 กลุมวิชาชีพ โดยแตละกลุมสามารถมีผูสอนทดแทนกันไดมากที่สุด 3 คน ดวยกฎความสัมพันธ 18 วิธี ซึ่งมีผลการประเมินเว็บแอปพลิเคชันทางการเลือกบุคลากรสายวิชาการ พบวาภาพรวมของการประเมินอยูในเกณฑดี โดยเรื่องของขนาดของตัวหนังสือชัดเจนอานงายไดคาเฉลี่ย ตํ่าที่สุดเทากับ 3.71 สวนเรื่องของความถูกตองของขอมูลบุคลากรผูสอนไดคาเฉลี่ยสูงที่สุดเทากับ 4.86 ดังนั้นสรุปไดวาการพัฒนาเว็บแอปพลิเคชันนี้สามารถเปนประโยชนในการวิเคราะหวิธีการจัดการผูสอนรายวิชา ดานคอมพิวเตอรดวยการแบงกลุมรวมกับกฎความสัมพันธของขอมูลบุคลากรสายวิชาการไดเปนอยางดียิ่ง คําสําคัญ : การแบงกลุมขอมูล; กฎความสัมพันธ; รายวิชาดานคอมพิวเตอร

1 คณะวิทยาศาสตรและเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ

1 Faculty of Science and Technology, Rajamangala University of Technology Suvarnabhumi

* Corresponding Author E - mail Address: prudtipong.p@rmutsb.ac.th

Abstract

This article aimed to propose the guideline for selecting academic personnel in computer with K-Means combined with Association rules (K-MAs). Data were collected from the questionnaire on computer instruction according to curricula approved by the Offi ce of the Higher Education Commission (OHEC). In this study, key informants were academic personnel of the Faculty of Science and Technology in Rajamangala University of Technology Suvarnabhumi that encountered problems in the diff erences in instructional ability, causing the diffi cult and complicated instructional management that will aff ect potential curriculum improvement. For this reason, the researcher searched for the solutions by using K-MAs, which dividing data set of academic personnel method adjustment of K-Means combined with association rules. However, K-Mas could produce the results that consider the importance of the instructors and know the group members. Besides, the rule of associations indicate that members of the group were able to instruct the same course. Therefore, it could be concluded that K-MAs technique could be used to support instructor management under the balance between instructor competency and profi cient profession and to enhance human relations with fellow scholars due to the realization of professional groups. The results of this research showed that under the classifi cation of instructor groups based on suitable professional group, there were fi ve professional groups. Up to 3 instructors could instruct interchangeably using 18 association rules. The evaluative results of the web application for selecting academic personnel indicated that overall evaluation result was at a good level.

An aspect with the lowest mean was clear and easy-to-read size of fonts (mean = 3.71). An aspect with the highest mean was accurate instructor data (mean = 4.86). Therefore, it could be concluded that the developed web application could be usefully applied to analyze computer instructor management methods with K-Means combined with Association rules.

Keywords: Data Clustering; Association Rule; Computer Course

บทนํา

จากบริบทของทุกมหาวิทยาลัยในประเทศไทยที่ไดเปดสอนหลักสูตรที่เกี่ยวของกับสายวิชาชีพทางคอมพิวเตอร

ซึ่งพบวาในปจจุบันมีอาชีพที่หลากหลายในสายงานอาชีพของบุคลากรที่มีความรูความสามารถทางดาน คอมพิวเตอร เชน การเขียนโปรแกรม การวิเคราะหและออกแบบอัลกอริทึม การวิเคราะหขอมูล หรือการพัฒนา ระบบปฏิบัติการเครือขาย เปนตน สิ่งเหลานี้ลวนมีความสําคัญในการจัดการเรียนการสอนภายใตหลักสูตร ที่เกี่ยวของ เชนเดียวกับมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ คณะวิทยาศาสตรและเทคโนโลยีที่เปดสอน หลักสูตรทางดานคอมพิวเตอร โดยแบงเปน 3 หลักสูตร คือ หลักสูตรวิทยาการคอมพิวเตอร หลักสูตร

Prudtipong Pengsiri

เทคโนโลยีสารสนเทศ และหลักสูตรเทคโนโลยีมัลติมีเดีย และบุคลากรสายวิชาการ (ผูสอน) ทั้งหมด 35 คน (สํารวจขอมูลในป พ.ศ. 2559) โดยมีรายละเอียดดังตารางที่ 1

ตารางที่ 1 รายละเอียดแตละหลักสูตรในสาขาวิชาวิทยาการคอมพิวเตอร มหาวิทยาลัยเทคโนโลยีราชมงคล สุวรรณภูมิ

หลักสูตร ฉบับปรับปรุง (พ.ศ.) จํานวนวิชาชีพ จํานวนรายวิชา

วท.บ. วิทยาการคอมพิวเตอร 2554 8 46

วท.บ. หลักสูตรเทคโนโลยีสารสนเทศ 2554 8 47

ทล.บ. เทคโนโลยีมัลติมีเดีย 2555 5 55

รวมทั้งหมด 21 148

จากตารางที่ 1 ซึ่งพบปญหาวาในการจัดการเรียนการสอนนั้นในบางวิชาของแตละหลักสูตร มีผูสอนที่สามารถสอนไดเปนจํานวนมากและบางวิชาก็มีผูสอนจํานวนนอยหรืออาจจะไมมี เนื่องจากผูสอนนั้น มีทักษะและความรูความสามารถที่แตกตางกัน ซึ่งเปนการยากที่จะทําใหทราบวาผูสอนนั้นสามารถทําการสอน วิชาใดไดหรือไมได และหากในบางวิชาที่ตองการใหมีการสอนทดแทนกันหรือทําการสอนแบงกลุมไดหรือไม

การวิเคราะหหาคาความสัมพันธดวยวิธีการอพริโอริ เปนวิธีการหาคาความสัมพันธอีกรูปแบบที่นิยม นํามาใชเพื่อวิเคราะหความสัมพันธของบุคคลหรือความสัมพันธของสิ่งอื่น ๆ ซึ่งแตกตางกันออกไปในแตละดาน ตามขอมูลที่ตองการนํามาวิเคราะหความสัมพันธ การเก็บขอมูลโดยการสรางเปนเว็บแอปพลิเคชัน และรวบรวม ขอมูลจากแบบสอบถาม เปนการเก็บขอมูลที่สามารถรวบรวมขอมูลไดงาย และสามารถนําขอมูลจากแบบสอบถาม ของบุคลากรมาวิเคราะหความสัมพันธหรือใชประโยชนในรูปแบบตาง ๆ ได สําหรับในปจจุบันนั้นเทคโนโลยี

เว็บแอปพลิเคชัน ไดรับความนิยมเปนอยางมาก เนื่องจากสามารถตอบสนองความตองการในการใชงาน ของผูใชงานไดงาย รวดเร็ว สะดวกสบาย และมีประสิทธิภาพ จึงมีการใชงานอยางแพรหลาย การนําการหา ความสัมพันธ และเทคโนโลยีเว็บแอปพลิเคชันมาสรางเปน การพัฒนาเว็บแอปพลิเคชันสําหรับการเลือกผูสอน ของบุคลากรสายวิชาการดานคอมพิวเตอรดวยวิธีความสัมพันธขอมูล ก็เพื่อหาคาความสัมพันธของบุคลากรกับ บุคลากรดวยกัน และเปนตัวชวยสนับสนุนการทํางาน การจัดสรรหนาที่ในการทํางานทดแทนหรือปรับเปลี่ยน รูปแบบการสอนของบุคลากร เพราะในบางครั้งบุคลากรบางคนไมสามารถสอนหลาย ๆ วิชาพรอมกันได หรือมี

เหตุการณที่ทําใหไมสามารถมาสอนได เชน ปวย หรือลาออก ทําใหมีวิชาที่วางและยังไมมีคนมาสอนแทน อาจทําให

การเรียนของนักเรียนเปนไปอยางลาชาหรืออาจเสียโอกาสในการเรียนการสอนในบางครั้งไปโดยเปลาประโยชน

จากปญหาที่ไดกลาวมาในขางตน ผูวิจัยจึงนําเสนอวิธีการแกไขปญหาเหลานี้ดวยแนวทางการเลือก บุคลากรสายวิชาการดานคอมพิวเตอรดวยวิธีการแบงกลุมรวมกับกฎความสัมพันธ ซึ่งใชชื่อเรียกวิธีนี้วา ^K-MAs (K-Means Combined with Association Rules) โดยขอมูลจากแบบสอบถามดานการสอนในแตละรายวิชา ดานคอมพิวเตอรที่อางอิงจากหลักสูตรทั้ง 3 หลักสูตรที่ผานการรับรองจาก สกอ. เพื่อนํามาใชในการบริหารจัดการ ผูสอนใหสอดคลองกับหลักสูตรที่ไดทําการเปดการเรียนการสอน

วัตถุประสงค

เพื่อวิเคราะหวิธีการแบงกลุมรวมกับกฎความสัมพันธ (^K-MAs) ของขอมูลบุคลากรสายวิชาการ มาประยุกตใชในการจัดการเรียนการสอน และสนับสนุนการบริหารทรัพยากรบุคคลสายวิชาการ

ทฤษฎีและงานวิจัยที่เกี่ยวของ

1. การจัดเรียนการสอน การศึกษาเปนหัวใจสําคัญของการพัฒนาประเทศ [1] ในการพัฒนาทรัพยากร มนุษย และเตรียมคนใหมีศักยภาพเพื่อพรอมรับการเปลี่ยนแปลงที่จะเกิดขึ้นในอนาคต ประชากรถือเปน ทรัพยากรปจจัยหนึ่งที่ชี้ขาดในยุคการแขงขัน การพัฒนาคนรุนใหมใหมีศักยภาพ เพื่อยกระดับประเทศใหอยู

ในระดับสากลจึงเปนเรื่องจําเปนเรงดวน การเตรียมความพรอมประชากรในวัยเรียนใหมีทักษะเพื่อการดํารงชีวิต ในศตวรรษที่ 21

2. การแบงกลุมขอมูล (K-Means Clustering) [2] - [3] เปนหนึ่งในอัลกอริทึมเทคนิคการเรียนรู

โดยไมมีผูสอนที่งายที่สุด (Unsupervised) เพราะเปนการแกปญหาการจัดกลุมที่รูจักกันทั่วไป โดยอัลกอริทึม

K-Means จะตัดแบง (^Partition) [4] วัตถุออกเปน ^k กลุม โดยแทนแตละกลุมดวยคาเฉลี่ยของขอมูล ซึ่งใช

เปนจุดศูนยกลาง (^Centroid) ของกลุมในการวัดระยะหางของขอมูลในกลุมเดียวกัน โดยมีขั้นตอนวิธีการ จัดกลุมดังนี้

1) กําหนดจํานวนกลุม ^k กลุม และกําหนดจุดศูนยกลางเริ่มตนจํานวน ^k จุด

2) นําวัตถุทั้งหมดจัดเขากลุมที่มีจุดศูนยกลางที่อยูใกลวัตถุนั้นมากที่สุด โดยคํานวณจาก การวัดระยะหางระหวางจุดที่นอยที่สุด

3) คํานวณจุดศูนยกลาง ^k จุดใหม โดยหาจากคาเฉลี่ยทุกวัตถุที่อยูในกลุม 4) ทําซํ้าในขอ 2) จนกระทั่งจุดศูนยกลางไมเปลี่ยนแปลง

การจัดกลุมโดยพยายามใหสิ่งที่อยูในกลุมเดียวกันมีความคลายคลึงกันมากที่สุด (^Minimize

Intra-Cluster Distances) และพยายามใหแตละกลุมมีความแตกตางกันมากที่สุด (Maximize Inter-Cluster Distances)

3. ขั้นตอนวิธีของความสัมพันธแบบอพริโอริในกฎความสัมพันธ (Association Rule) [5]

เปนหนึ่งในเทคนิคของเหมืองขอมูลที่บงบอกถึงความสัมพันธในการเปรียบเทียบขอมูล ซึ่งจะตองมีการตั้งกฎ เพื่อนําไปวิเคราะหในการตัดสินใจ หนึ่งในอัลกอริทึมของกฎความสัมพันธนั่นคือ อัลกอริทึมอพริโอริ ซึ่งจะ ทําการคํานวณหาความสัมพันธของ ^Itemsets โดยความสัมพันธของ ^Itemsets นั้นเรียกวา กฎความสัมพันธ

ซึ่งจะอยูในรูปแบบดังตอไปนี้

- {Item1, Item2} -> {Item3} คือกฎความสัมพันธที่ถูกสรางขึ้นมา - คาสนับสนุน คือ Support = P(x∩y)

- คาความเชื่อมั่น คือ Confi dence = (P(x∩y)) / (P(y))

- เมื่อ ^x และ ^y เปนสมาชิกของ ^Itemset

- ^Itemset คือเซตของรายการที่มีความยาวหรือจํานวนรายการ

ในอัลกอริทึมอพริโอริจะตองมีการกําหนดคาสนับสนุนขั้นตํ่า (Minimum Support หรือ ^Minsup) และคาความเชื่อมั่นขั้นตํ่า (Minimum Confi dence หรือ ^Minconf) ซึ่งในการกําหนดคาทั้งสองนี้จะขึ้นอยู

กับผูใชกําหนดเอง

4. การวัดคาความคลาดเคลื่อน สามารถหาคาการพยากรณไดแลว จากนั้นจะใชวิธีการตรวจสอบ หาความคลาดเคลื่อนของการพยากรณ วารูปแบบใดมีความคลาดเคลื่อนมาเปรียบเทียบเพื่อหาคา ความเหมาะสมในการหารูปแบบคาความเหมาะสมในการระบายนํ้าวัดคาความคลาดเคลื่อน 3 วิธีดังนี้

Prudtipong Pengsiri

4.1 คาเฉลี่ยความคลาดเคลื่อนสมบูรณ (Mean Absolute Deviation: MAD) ดังสมการที่ (1) (1) 4.2 คาเฉลี่ยเปอรเซ็นตความคลาดเคลื่อน (Mean Absolute Percentage Error: MAPE) ดังสมการที่ (2)

(2) 4.3 คารากที่สองเฉลี่ยความคลาดเคลื่อนกําลังสอง (Root Mean Square Error: RMSE) ดังสมการที่ (3)

(3)

จากสมการที่ (1) - (3) สามารถอธิบายคาตัวแปรแตละสมการดังนี้

โดยที่

^AT คือ คาที่เกิดขึ้นจริง

คือ คาเฉลี่ยของขอมูลทั้งหมด ^Ft คือ คาการพยากรณ

ⁿ คือ จํานวนขอมูลทั้งหมด

จากทฤษฎีที่เกี่ยวของกับการเลือกบุคลากรสายวิชาการดานคอมพิวเตอรดวยวิธีการแบงกลุม รวมกับกฎความสัมพันธ ผูวิจัยจึงไดศึกษาเอกสารงานวิจัยที่เกี่ยวของดังตารางที่ 2

ตารางที่ 2 สรุปงานวิจัยที่เกี่ยวของ

รายละเอียดงานวิจัย

References ป (พ.ศ.) กฎความสัมพันธ ฟซซี่กฎ การใชกฎ การทํา อัลกอริทึมอพริโอริ ความสัมพันธ ความสัมพันธ เหมืองขอมูล [6] 2558 -

[7] 2559 - -

[8] 2558 -

[9] 2558 - -

[10] 2557 - -

จากตารางที่ 2 ผูวิจัยไดทําการศึกษาถึงงานวิจัยที่เกี่ยวของโดยเนนการหากฎความสัมพันธ

ของขอมูลจึงไดนําเสนอวิธีการในการประยุกตเพื่อแกไขปญหา ซึ่งเปนวิธีการที่เรียกวา ^K-MAs (^K-Means

Combined with Association Rules)

ขั้นตอนการดําเนินงานวิจัย

ในงานวิจัยนี้เปนการนําเสนอกรอบความคิดในการวิเคราะหวิธีการจัดการผูสอนรายวิชาดานคอมพิวเตอร

ดวยการแบงกลุมรวมกับกฎความสัมพันธของขอมูลบุคลากรสายวิชาการ โดยแบงกรอบความคิดงานวิจัย ดังรูปที่ 1 ซึ่งแบงออกเปน 3 สวนหลัก ไดแก การสํารวจความสามารถในการสอน การจัดเก็บขอมูล และการปรับรูปแบบฐานขอมูล และขั้นตอนวิธี ^K-MAs มีรายละเอียดดังตอไปนี้

1. การสํารวจความสามารถในการสอน (Survey Teaching) ในขั้นตอนนี้ผูวิจัยไดสํารวจขอมูล จากแบบสอบถามเพื่อใหผูสอนไดประเมินตนเองวามีความสามารถในการสอนวิชาใดไดบาง โดยอางถึง รายวิชาในแตละหลักสูตรที่มีอยูในเลม มคอ.2 ทั้ง 3 หลักสูตร รวบรวมทั้งสิ้น 135 แตเมื่อพิจารณาแลว พบวามีบางวิชาที่เปนวิชาเดียวแตมีหลายหลักสูตรจึงนับวาเปนรายวิชาเดียวกัน ซึ่งทําใหเกิดความสับสน ในการจัดผูสอนรายวิชานั้น ดังนั้นผูสอนจึงตองใหขอมูลโดยตอบแบบสอบถามในแตละขอ (รายวิชา) ซึ่งจะ ประเมินจากความสามารถของตนเองโดยแบงเปน 2 ระดับ คือ “สอนได” และ “สอนไมได” ซึ่งสํารวจ อาจารยผูสอนประจําสาขาทั้งหมด 35 คน จากนั้นจัดเก็บขอมูลลงในฐานขอมูล

รูปที่ 1 กรอบความคิดของงานวิจัย

2. การจัดเก็บขอมูลและการปรับรูปแบบฐานขอมูล (Data Transformation and Normalization) จากขั้นตอนในการสํารวจความสามารถในการสอนของผูสอนแตละคน ซึ่งในขั้นตอนนี้

จะเปนการเปลี่ยนแปลงขอมูล (Data Transformation) ดวยการพิจารณาคําตอบจากฐานขอมูล จากนั้น จะทําการปรับรูปแบบ (Normalization) แบบ Nominal Data ซึ่งจะแปลงคําตอบคือ ถาตอบวา “สอนได”

แปลงคาเปน 1 และ “สอนไมได” แปลงคาเปน 0 จากนั้นบันทึกลงในฐานขอมูล โดยไดนําเสนอตัวอยาง การเก็บขอมูลจากบุคลากรสายวิชาการดังรูปที่ 2

Prudtipong Pengsiri

รูปที่ 2 ตัวอยางการปรับรูปแบบขอมูลจากแบบสอบถาม

3. ขั้นตอนวิธี ^K-MAs (K-MAs Method) เปนการนําเสนอวิธีการจัดการผูสอนรายวิชาดาน คอมพิวเตอรดวยการแบงกลุมรวมกับกฎความสัมพันธของขอมูลบุคลากรสายวิชาการ ซึ่งใชชื่อเรียกวิธีนี้วา

K-MAs (K-Means Combined with Association Rules) ซึ่งมีกระบวนการดังนี้

3.1 การแบงกลุมขอมูลของผูสอน ในกระบวนการนี้ไดใชวิธีการแบงกลุมดวย ^K-Means ซึ่งจํานวนกลุม (^k) ที่แบงนั้นจะคํานึงถึงความเหมาะสมที่สอดคลองกันระหวางผูสอนและรายวิชาจากฐานขอมูล ดวยการวิเคราะหการโปรแกรม ^MATLAB โดยไดแบงกลุมคา ^k คือ 5 8 11 14 17 และ 21 กลุม สาเหตุที่เลือกแบงคา ^k = 5 เปนกลุมที่นอยที่สุดเพราะตองการใหสอดคลองกับกลุมรายวิชาชีพตาม มคอ.2 ของหลักสูตร และแบงคา ^k = 21 เปนกลุมที่มากที่สุดเพราะเปนผลรวมกลุมรายวิชาชีพของทุกหลักสูตร 3.2 เปรียบเทียบความถูกตอง เมื่อไดแบงกลุมเปนที่เรียบรอย จากนั้นทดสอบที่ถูกแบงกลุม และขอมูลจริงที่ผูสอนใหขอมูลดวยวิธีการหาความคลาดเคลื่อน 3 วิธี คือ ^MAD, ^MAPE และ ^RMSE จากนั้นเลือกจํานวนคา ^k ที่มีความคลาดเคลื่อนนอยที่สุดเขาสูกระบวนการหากฎความสัมพันธตอไป 3.3 หากฎความสัมพันธของแตละกลุม โดยการกําหนดคาพารามิเตอรจํานวน 2 คา ดวยการวิเคราะหโปรแกรม ^WEKA ซึ่งกําหนดดังนี้ ^Minsup = 0.5 และ ^Mincon = 0.9 ซึ่งจะไดผลลัพธ

ออกมาเปนจํานวน ^Itemset และกฎความสัมพันธของกลุมผูสอนที่ถูกแบงกลุมจากขั้นตอนที่ 3.1

ผลและอภิปรายการวิจัย

1. ผลการแบงกลุมขอมูลของผูสอน จากการแบงกลุมวิธี ^K-Means ตามจํานวน ^k กลุม ไดผลลัพธดังรูปที่ 3 พบวาการแบงกลุมที่ ^k = 5 นั้นจะไดจํานวนผูสอนในแตละกลุมที่เรียงลําดับกัน หมายถึงมีความแตกตางกันไมมาก และสามารถมีผูสอนในกลุมวิชาชีพไดมากกวา 1 คน สงผลประโยชนให

กับการจัดการเรียนการสอนได แตในทางกลับกันในกลุมที่ ^k = 21 พบวาไมสามารถจัดผูสอนทดแทนกันได

เพราะสวนใหญกลุมรายวิชาชีพมีเพียงผูสอนได 1 คนเทานั้น

(ก) คา ^k = 5 (ข) คา ^k = 8

(ค) คา ^k = 11 (ง) คา ^k = 14

(จ) คา ^k = 17 (ฉ) คา ^k = 21

รูปที่ 3 ผลการแบงกลุมขอมูลของผูสอน จากการแบงกลุมวิธี ^K-Means ตามจํานวนการแบงกลุม

Prudtipong Pengsiri

2. ผลเปรียบเทียบความถูกตอง เปนการเปรียบเทียบความถูกตองจากผลลัพธของคาความคลาดเคลื่อน จากขอมูลจริงของผูสอน โดยการทดสอบแบงกลุมขอมูลดวยวิธี ^K-Means ตามจํานวน ^k กลุม ดวยวิธีการ หาคาความคลาดเคลื่อน 3 วิธี คือ ^MAD, ^MAPE, และ ^RMSE ซึ่งไดผลลัพธดังตารางที่ 3

ตารางที่ 3 คาความคลาดเคลื่อนของการแบงกลุม ^{k k}

Error 5 8 11 14 17 21

MAD 0.4857 0.8107 0.8286 0.9143 0.7143 0.8857

MAPE 0.4857 0.5179 0.4857 0.5476 0.4867 0.6667

RMSE 1.1084 1.0056 1.1084 1.1212 0.9710 1.1588 จากตารางที่ 3 พบวาในกลุม ^k = 5 มีคาความคลาดเคลื่อนนอยที่สุดคือ ^MAD มีคาเทากับ 0.4857 และ ^MAPE มีคาเทากับ 0.4857 จึงเลือกขอมูลที่ถูกแบงไวที่ ^k = 5 เขาสูกระบวนการหากฎความสัมพันธ

แตอยางไรก็ตามผูวิจัยไดพิจารณาการแบงกลุมที่ ^k = 11 และ ^k = 17 และเชนเดียวคา ^k = 17 พบวา ไดผลลัพธคา ^RMSE ที่มีคานอยที่สุดมีคาเทากับ 0.9710 จึงนําคา ^k = 17 นี้เขารวมพิจารณาเพื่อเปรียบเทียบ การหากฎความสัมพันธดวย

3. ผลหากฎความสัมพันธของแตละกลุม การหากฎความสัมพันธของแตละกลุมตามที่ไดกําหนด คาพารามิเตอร ^Minsup = 0.5, ^Mincon = 0.9 และจํานวนกฎสูงสุดที่ 30 ดังตารางที่ 4

ตารางที่ 4 ผลลัพธกฎความสัมพันธ

รายการ ^k = 5 ^k = 11 ^k = 17

จํานวน ^Itemset มากที่สุด 3 2 2

กฎความสัมพันธ 18 30 30

จากตารางที่ 4 พบวาการแบงกลุมที่คา ^k = 5 นั้นไดผลลัพธจํานวน ^Itemset ที่มากที่สุด มีคาเทากับ 3 หมายถึงในกลุมรายวิชาชีพเหลานั้นสามารถมีผูสอนที่ทดแทนกันหรือมีผูสอนรวมกันไดเปน จํานวน 3 คน และมีจํานวนกฎความสัมพันธมีคาเทากับ 18 กฎ หมายถึงในบางกลุมวิชาชีพสามารถเลือก ผูสอนไดเปนจํานวน 18 วิธีที่จะนําผูสอนมาทดแทนกัน แตสวนการแบงกลุมที่คา ^k = 11 และ ^k = 17 นั้น ไดผลลัพธ ^Itemset เปนจํานวน 2 เทานั้นจึงเปนเหตุใหเลือกผูสอนไดนอยกวา และยังมีจํานวนกฎ ความสัมพันธที่มากเกินไป

รูปที่ 4 กลุมวิชาชีพสามารถเลือกผูสอนไดเปนจํานวน 18 กฎในความสัมพันธของบุคลากร 1 คน จากรูปที่ 4 เมื่อนําขอมูลเขาสูโปรแกรม ^WEKA เพื่อหาความสัมพันธการสอนของบุคลากร 1 คน ยกตัวอยางเชน อาจารย ^A ที่มีความสัมพันธอาจารยทานอื่นเชน ^{B C D} หรือ ^E เปนตน ซึ่งจะได

ความสัมพันธทั้งหมด 18 กฎ

4. ผลการพัฒนาเว็บแอปพลิเคชันสําหรับการเลือกผูสอนของบุคลากรสายวิชาการดานคอมพิวเตอร

เปนการใชวิธีความสัมพันธขอมูล ซึ่งเว็บแอปพลิเคชันสําหรับการเลือกผูสอนของบุคลากรสายวิชาการ ดานคอมพิวเตอร สําหรับบุคลากร (^Member) ผลการพัฒนาเว็บแอปพลิเคชันสําหรับการเลือกผูสอน ของบุคลากรสายวิชาการดานคอมพิวเตอร ดวยวิธีความสัมพันธขอมูลสําหรับบุคลากร มีผลการทดสอบ ดังรูปที่ 5 - 8

รูปที่ 5 การทําแบบสอบถามของผูสอนในแตละรายวิชา

Prudtipong Pengsiri

รูปที่ 6 การเลือกผูสอนที่สามารถทําการสอนรายวิชานั้นได

รูปที่ 7 การเลือกผูสอนที่สามารถสอนทําการสอนทดแทนรายวิชานั้นได

รูปที่ 8 ผลลัพธแสดงคาความสัมพันธของบุคลากร

จากรูปที่ 5 - 8 เปนการหาความสัมพันธระหวางบุคลากรสายวิชาการหรือผูสอนไดยกตัวอยาง ความสัมพันธระหวางอาจารยประดิษฐ สงคแสงยศ และอาจารยพฤฒิพงศ เพ็งศิริ ซึ่งเปนอาจารยประจํา สาขาวิชาวิทยาการคอมพิวเตอร ไดผลลัพธแสดงออกมาเปนคาความเชื่อมั่นเทากับรอยละ 100 ซึ่งแสดงวา อาจารยทั้งสองทานมีความสัมพันธตอรายวิชานั้น และยังสามารถจัดรายวิชาสอนใหอาจารยทั้งสองนี้

สามารถสอนทดแทนกันได

5. ผลการวิเคราะหการประเมินประสิทธิภาพดานการใชงานเว็บแอปพลิเคชัน สําหรับการเลือก ผูสอนของบุคลากรสายวิชาการดานคอมพิวเตอรจากผูเชี่ยวชาญจํานวน 7 ราย ซึ่งเปนแบบประเมินที่มี

คําถามวัดระดับความคิดเห็น 5 ระดับ จํานวน 10 คําถาม ซึ่งพบวาคาเฉลี่ยจากการวิเคราะหผลการประเมิน ในระดับมากที่สุดคือ เว็บไซตใชงานงายสะดวก ความถูกตองของขอมูลรายวิชา หมวดวิชาเฉพาะ หลักสูตร วิชาวิทยาการคอมพิวเตอร ฉบับปรับปรุง พ.ศ. 2554 ความถูกตองของขอมูลรายวิชา หมวดวิชาเฉพาะ หลักสูตรวิชาเทคโนโลยีสารสนเทศ ฉบับปรับปรุง พ.ศ. 2554 ความถูกตองของขอมูลรายวิชา หมวดวิชาเฉพาะ หลักสูตรวิชาเทคโนโลยีมัลติมีเดีย ฉบับปรับปรุง พ.ศ. 2555 และความสามารถของเว็บแอปพลิเคชัน สําหรับการเลือกผูสอนของบุคลากรสายวิชาการดานคอมพิวเตอร ดวยวิธีความสัมพันธขอมูลโดยภาพรวม มีคาเฉลี่ยสูงสุดอยูที่ 4.86 และคาความเชื่อมั่นที่ 0.38 การทํางานอยูในเกณฑระดับมากที่สุด ดังตารางที่ 5

ตารางที่ 5 ผลการตอบแบบประเมินความคิดเห็นจากผูเชี่ยวชาญ

รายละเอียดการประเมิน ^S.D.

1. สามารถเลือกเมนูหัวขอตาง ๆ ไดตามที่ตองการ 4.29 0.49

2. ขนาดของตัวหนังสือชัดเจนอานงาย 3.71 0.76

3. เว็บไซตใชงานงายสะดวก 4.14 0.38

4. ความเหมาะสมในการเลือกใชชนิด และสีตัวอักษร 4.00 0.58

Prudtipong Pengsiri

ตารางที่ 5 ผลการตอบแบบประเมินความคิดเห็นจากผูเชี่ยวชาญ (ตอ)

รายละเอียดการประเมิน ^S.D.

5. ความเหมาะสมของเว็บแอปพลิเคชันในการโตตอบกับผูใชงาน 3.83 0.53

6. ความถูกตองของขอมูลบุคลากรผูสอน 4.86 0.38

7. ความถูกตองของขอมูลรายวิชา หลักสูตรวิชาวิทยาการคอมพิวเตอร พ.ศ 2554* 4.43 0.53 8. ความถูกตองของขอมูลรายวิชา หลักสูตรวิชาเทคโนโลยีสารสนเทศ พ.ศ 2554* 4.71 0.49 9. ความถูกตองของขอมูลรายวิชา หลักสูตรวิชาเทคโนโลยีมัลติมีเดีย พ.ศ 2555* 4.57 0.53

10. ความเหมาะสมการใชงานเว็บแอปพลิเคชันโดยภาพรวม 4.29 0.49

* หมวดวิชาชีพเฉพาะ และเปนหลักสูตรฉบับปรับปรุง

สรุปผลการวิจัย

งานวิจัยไดนําเสนอวิธีการจัดการผูสอนรายวิชาดานคอมพิวเตอรดวยการแบงกลุมรวมกับกฎความสัมพันธ

ของขอมูลบุคลากรสายวิชาการดวยวิธี ^K-MAs เพื่อสนับสนุนการบริหารจัดการผูสอนที่มีความสามารถ ที่ตรงกับวิชาชีพที่ตนถนัด และยังเสริมสรางมนุษยสัมพันธกับเพื่อนนักวิชาการเมื่อทราบกลุมวิชาชีพ จากผลการวิจัยพบวาการแบงกลุมผูสอนภายใตสาขาวิชาสามารถจัดกลุมที่เหมาะสมได 5 กลุมวิชาชีพ โดยแตละกลุมสามารถมีผูสอนทดแทนกันไดอยางนอย 3 คน ดวยกฎความสัมพันธ 18 กฎ ซึ่งมีความหมายวา การเลือกรายวิชาหนึ่งใหกับอาจารยผูสอนจํานวน 1 คน สามารถเลือกผูสอนแทนในรายวิชานั้นไดจํานวน 2 คน และมีวิธีการเลือกตามกฎความสัมพันธไดเปนจํานวน 18 วิธี ในงานวิจัยใชขอมูลคณะวิทยาศาสตรและ เทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิมาทําการทดลองเทานั้น ในอนาคตผูวิจัยไดหัวขอ การทดลองตอไปคือ ขยายผลการทดลองกับขอมูลผูสอนในแตละสาขาที่เกี่ยวของกันทั้งมหาวิทยาลัย และใช

ในการสนับสนุนการพัฒนาหลักสูตรใหมเพื่อใหกาวทันสมัยและตอบสนองความตองการของประเทศชาติ

กิตติกรรมประกาศ

ขอบพระคุณคณาจารยสาขาวิชาวิทยาการคอมพิวเตอรทุกทานที่เอื้อเฟอขอมูลที่เปนประโยชนในงานวิจัยนี้

และขอบพระคุณทางคณะวิทยาศาสตรและเทคโนโลยี มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ

ที่มอบโอกาสใหทํางานวิจัยนี้จนสําเร็จ

References

[1] Ariya, K. (2016). A Development of an Instructional Model Based-On Diff erentiated Instruction Approach to Enhance the Ability of Learning Management Design of 21^st Century for Student Teachers, Rajabhat University. Lampang Rajabhat University Journal. Vol. 5, No. 2, pp. 1-17

[2] Na, S., Xumin, L., and Yong, G. (2010). Research on K-Means Clustering Algorithm: An Improved K-Means Clustering Algorithm. In 2010 Third International Symposium on Intelligent Information Technology and Security Informatics. 2-4 April 2010, Jinggangshan, China.

pp. 63-67. DOI: 10.1109/IITSI.2010.74

[3] Pengsiri, P. and Sodsee, S. (2015). A Modifi cation of Multi-Objective Optimization Genetic Algorithm with Initial Population Partition. In Data Mining and Machine Learning, pp. 337-382 [4] Pengsiri, P., Sodsee, S., and Meesad, P. (2018). A Comparison of Partition of Initial Population

for Multi-Objective Genetic Algorithm Using by Optimal Drainage. In Proceedings of NCCIT 2018, King Mongkut’s University of Technology North Bangkok (KMUTNB). Vol. 2018, pp. 30-39

[5] Cai-quan, X., Shao-bin, C., and Ming, D. (2013). Association Rules Mining for Discussion Information in Group Deliberation Support System. In 2013 8^th International Conference on Computer Science Education (ICCSE). pp. 67-70. DOI: 10.1109/ICCSE.2013.6553885 [6] Rakphakawong, P. and Rakphakawong, U. (2015). The Use of Traditional and Fuzzy Association

Rule Mining for Student Learning Outcome Forecasting. KKU Science Journal. Vol. 43, No. 3, pp. 542-551

[7] Mahatthanachai, B., Malaivongs, K., Somhom, S., and Tantranont, N. (2015). Association Rule of Subjects Aff ecting Student Dropout Using Apriori Algorithm. In 3^rd Proceedings of Conference Kamphaeng Phet Rajabhat University. Vol. 2016, pp. 456-469

[8] Ratchaphibun, N. (2015). Forecasting and Finding the Relationship of Factors Aff ecting Daily rubber Prices Using Data Mining Techniques. Thesis, Prince of Songkla University Surat Thani Campus

[9] Chumpoonuch, S. (2016). Using Association Rules to Study Patterns of Medicine use in Thai Adult Depressed Patients Based on Medical Adherence. Unpublished Master’s Thesis, Graduate School, Silpakorn University

[10] Pengsiri, P., Pinitkan, S., Mongkolchart, N., Wisitpongphan, N., and Meesad, P. (2014). Data Dimension Reduction by Association and Application for Analysis Smart Phone Usage Data.

In 10^th National Conference on Computing and Information Technology 2014, KMUTNB.

pp. 528-534