Proceedings of 11th National Conference on Information Technology-NCIT2019

รายงานสืบเน่ืองการประชมุ วิชาการระดบั ชาติ ดา้ นเทคโนโลยีสารสนเทศ ครงั้ ท่ี 11 “เทคโนโลยอี จั ฉริยะและนวัตกรรมสูสังคมยุคใหม” 24 – 25 ตลุ าคม 2562 สถาบนั เทคโนโลยีไทย – ญ่ีป่นุ กรุงเทพมหานคร

การประชุมวิชาการระดับชาติดานเทคโนโลยสี ารสนเทศ ครงั้ ท่ี 11 11th National Conference on Information Technology (NCIT2019) Copyright © 2019 สภาคณบดีคณะเทคโนโลยีสารสนเทศแหงประเทศไทยและสถาบนั เทคโนโลยไี ทย-ญ่ปี ุน All right reserved. ISBN : 978-616-7805-20-7 บทความท่ีไดรับการนําเสนอในที่ประชุม NCIT2019 ไดรับการพิจารณาและตรวจสอบโดยผูทรงคุณวุฒิท่ีเปน ผูเช่ียวชาญดานท่ีเก่ียวของกับเนื้อหาของแตละบทความ การจัดพิมพบทความทั้งหมดเปนลิขสิทธ์ิของผูจัด ประชุม ทั้งน้ีบุคคลอ่ืนสามารถอางอิงเพ่ือจุดประสงคในการศึกษาคนควาวิจัยภายใตกฎหมายลิขสิทธ์ิ ระดับประเทศและนานาชาติ ในการทําซ้ําสวนใด ๆ ของหนังสือรวมบทความ (proceeding) ของ NCIT2019 จะตองไดรับอนุญาตเปนลายลักษณอ ักษรจากเจาของลิขสิทธ์ิ อน่ึง NCIT2019 ไดรับการรับรองมาตรฐานการประชุมโดย IEEE Thailand Section และสมาคม วิศวกรรมไฟฟา / อิเล็กทรอนิกส, คอมพิวเตอร, การสื่อสารโทรคมนาคมและเทคโนโลยีสารสนเทศแหง ประเทศไทย (ECTI) ความรับผิดชอบตอเน้ือหาของบทความท่ีนําเสนอและเผยแพรใน NCIT2019 เปนของผูเขียนบทความเทาน้ัน หากพบวาทั้งหมดหรือบางสวนของบทความของผูเขียนมีขอผิดพลาดหรือถูกตีพิมพในส่ิงพิมพอื่นหรือมีการ ละเมิดสทิ ธิบตั รหรอื มีการคัดลอกผลงานของผอู ื่น ความผิดเหลา นน้ั จะเปน ความรับผิดชอบของผเู ขียน จัดประชุมและจัดพิมพโดยสภาคณบดีคณะเทคโนโลยีสารสนเทศแหงประเทศไทยและสถาบันเทคโนโลยีไทย- ญีป่ ุน Website: https://citt.or.th/main/ Website: www.tni.ac.th

สารบญั หนา้ รายชื่อคณะกรรมการ ก สารจากประธานจดั การประชุม ฉ วิทยากรบรรยายพเิ ศษ ช โปรแกรมการประชมุ ฎ ตารางการนําเสนอผลงาน ฐ รายชอื่ บทความ ด บทความ 1 รายชอ่ื ผูประเมินบทความ 286

การประชุมวชิ าการระดับชาติด้านเทคโนโลยสี ารสนเทศ คร้ังท่ี 11 (NCIT2019) รายชื่อคณะกรรมการ ประธานกติ ติมศักดิ์ อธิการบดี สถาบนั เทคโนโลยีไทย-ญ่ีป่ นุ รศ.ดร.บณั ฑิต โรจนอ์ ารยานนท์ คณบดี คณะเทคโนโลยีสารสนเทศ ประธานจัดการประชุม สถาบนั เทคโนโลยไี ทย-ญ่ีป่ นุ รศ.ดร.รตั ตกิ ร วรากลู ศริ พิ นั ธุ์ คณบดีคณะวทิ ยาการสารสนเทศ มหาวทิ ยาลยั บรู พา รองประธานจัดการประชุม คณบดคี ณะเทคโนโลยีสารสนเทศ ผศ.ดร.กฤษณะ ชินสาร มหาวิทยาลยั เทคโนโลยพี ระจอมเกลา้ พระนครเหนอื รศ.ดร.พยงุ มสี จั คณบดคี ณะวิทยาการและเทคโนโลยสี ารสนเทศ มหาวทิ ยาลยั เทคโนโลยมี หานคร คณะกรรมการทีป่ รกึ ษา คณบดีคณะเทคโนโลยีสารสนเทศ ผศ.ดร.วรพล ลลี าเกียรตสิ กลุ มหาวิทยาลยั เทคโนโลยพี ระจอมเกลา้ ธนบรุ ี คณบดีวทิ ยาลยั นวตั กรรมดา้ นเทคโนโลยีและวศิ วกรรมศาสตร์ ผศ.ดร.เกรยี งไกร ปอแกว้ มหาวทิ ยาลยั ธุรกิจบณั ฑติ ย์ ผศ.ดร.ณรงคเ์ ดช กีรติพรานนท์ คณบดคี ณะเทคโนโลยีสารสนเทศ สถาบนั เทคโนโลยีพระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั รศ.ดร.นพพร โชตกิ กาํ ธร คณบดคี ณะเทคโนโลยีสารสนเทศและการสอื่ สาร มหาวิทยาลยั มหิดล (วทิ ยาเขตศาลายา) ดร.พฒั นศกั ดิ์ มงคลวฒั น์ คณบดีสาํ นกั วิชาเทคโนโลยสี ารสนเทศ ดร.ธีรวิศิฏฐ์ เลาหะเพญ็ แสง มหาวทิ ยาลยั แมฟ่ า้ หลวง คณบดีวิทยาลยั การคอมพิวเตอร์ รศ.ดร.สนิ ชยั กมลภิวงศ์ มหาวิทยาลยั สงขลานครนิ ทร์ (วทิ ยาเขตภเู กต็ ) คณบดคี ณะเทคโนโลยีสารสนเทศและนวตั กรรม ดร.ถิรพล วงศส์ อาดสกลุ มหาวทิ ยาลยั กรุงเทพ ก

การประชุมวิชาการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครั้งที่ 11 (NCIT2019) ผศ.ดร.ธนา สขุ วารี คณบดคี ณะเทคโนโลยสี ารสนเทศ ผศ.ดร.เชฎฐเนติ ศรสี อา้ น มหาวิทยาลยั ศรปี ทมุ ผศ.ศศธิ ร แกว้ ม่นั รศ.ดร.พลู พงษ์ บญุ พราหมณ์ คณบดีวิทยาลยั นวตั กรรมดิจิทลั และเทคโนโลยสี ารสนเทศ ดร.เดชานชุ ิต กตญั �ทู วที พิ ย์ มหาวิทยาลยั รงั สติ ผศ.ดร.อนงค์ รุง่ สขุ รศ.ดร.พิสษิ ฐ์ ชาญเกียรติกอ้ ง คณบดคี ณะวทิ ยาการสารสนเทศ ดร.พรเทพ โรจนวสุ มหาวิทยาลยั มหาสารคาม ผศ.สมศกั ดิ์ ชาตินา้ํ เพช็ ร คณบดีสาํ นกั วชิ าสารสนเทศศาสตร์ มหาวทิ ยาลยั วลยั ลกั ษณ์ คณบดีคณะเทคโนโลยสี ารสนเทศ มหาวทิ ยาลยั สยาม คณบดคี ณะวทิ ยาการจดั การและเทคโนโลยสี ารสนเทศ มหาวิทยาลยั นครพนม คณบดคี ณะวิศวกรรมศาสตรแ์ ละเทคโนโลยี สถาบนั การจดั การปัญญาภวิ ฒั น์ คณบดีคณะเทคโนโลยีสารสนเทศและการสอื่ สาร มหาวิทยาลยั พะเยา คณบดีคณะเทคโนโลยีสารสนเทศและการสอื่ สาร มหาวทิ ยาลยั ศลิ ปากร (วทิ ยาเขตสารสนเทศเพชรบรุ )ี ข

การประชมุ วิชาการระดับชาติดา้ นเทคโนโลยีสารสนเทศ ครัง้ ที่ 11 (NCIT2019) คณะกรรมการสนบั สนุนการประชุม มหาวทิ ยาลยั เทคโนโลยีพระจอมเกลา้ ธนบรุ ี สถาบนั เทคโนโลยพี ระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั ศ.ดร.โกสนิ ทร์ จาํ นงไทย สถาบนั เทคโนโลยพี ระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั ผศ.ดร.กนั ตพ์ งษ์ วรรตั นป์ ัญญา สถาบนั เทคโนโลยีพระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั รศ.ดร.โชติพชั ร์ ภรณวลยั สถาบนั เทคโนโลยพี ระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั ผศ.ดร.นพดล มณีรตั น์ ผศ.ดร.ศกั ดชิ์ ยั ทพิ ยจ์ กั ษุรตั น์ สถาบนั เทคโนโลยีไทย-ญ่ีป่ นุ ผศ.ดร.วิมล แสนอมุ้ สถาบนั เทคโนโลยนี านาชาตสิ ริ นิ ธร มหาวิทยาลยั ธรรมศาสตร์ รศ.ดร.วารี กงประเวชนนท์ สถาบนั เทคโนโลยนี านาชาติสริ นิ ธร มหาวิทยาลยั ธรรมศาสตร์ ดร.วริ ชั ศรเลศิ ลาํ้ วาณิช ผศ.ดร.สายยญั สายยศ มหาวิทยาลยั ขอนแก่น ผศ.ดร.ภชุ งค์ อทุ โยภาศ มหาวทิ ยาลยั เกษตรศาสตร์ รศ.ดร.เชาวนด์ ศิ อศั วกลุ จฬุ าลงกรณม์ หาวทิ ยาลยั คณะกรรมการดาํ เนนิ งาน สถาบนั เทคโนโลยไี ทย-ญ่ีป่ นุ มหาวิทยาลยั สงขลานครนิ ทร์ (วทิ ยาเขตภเู กต็ ) รศ.ดร.อรรณพ หม่นั สกลุ ผศ.ดร.รตั นา เวทยป์ ระสทิ ธิ์ มหาวิทยาลยั เทคโนโลยีมหานคร ผศ.พฤกษา ดวงผาสขุ มหาวทิ ยาลยั เทคโนโลยีมหานคร ผศ.ดร.เอกรฐั รฐั กาญจน์ มหาวทิ ยาลยั เทคโนโลยีพระจอมเกลา้ ธนบรุ ี ผศ.ดร.สรุ ยี ์ ฟนู ลิ กลุ ผศ.ดร.ดวงใจ จิตคงชื่น มหาวิทยาลยั ธุรกิจบณั ฑติ ย์ ดร.วชั รวี รรณ จติ ตส์ กลุ มหาวทิ ยาลยั เทคโนโลยพี ระจอมเกลา้ พระนครเหนอื ดร.ลภสั ประดษิ ฐ์ทศั นยี ์ สถาบนั เทคโนโลยีพระจอมเกลา้ เจา้ คณุ ทหารลาดกระบงั ดร.ปวิตรา จิรวีรกลู ดร.วรศกั ดิ์ เรอื งศริ ริ กั ษ์ มหาวทิ ยาลยั มหดิ ล (วิทยาเขตศาลายา) มหาวทิ ยาลยั แมฟ่ า้ หลวง ค

การประชมุ วิชาการระดับชาตดิ า้ นเทคโนโลยสี ารสนเทศ คร้งั ที่ 11 (NCIT2019) ดร.ผกาพรรณ ลมิ ป์ ไตรรตั น์ มหาวทิ ยาลยั กรุงเทพ ผศ.ดร.กนั ยารตั น์ ศรวี ิสทยิ กลุ มหาวิทยาลยั ศรปี ทมุ ผศ.ภาคภมู ิ ชยั ศริ ปิ ระเสรฐิ ดร.นชุ นาฏ บวั ศรี มหาวทิ ยาลยั รงั สติ สพุ พตั รุง่ เรอื งศิลป์ มหาวทิ ยาลยั มหาสารคาม ดร.นติ ยา เกิดแยม้ มหาวทิ ยาลยั วลยั ลกั ษณ์ ผศ.ระววิ ร ฮงมา ผศ.ดร.ดชั กรณ์ ตนั เจรญิ มหาวทิ ยาลยั สยาม ดร.ประจกั ษ์ จติ เงินมะดนั มหาวิทยาลยั นครพนม สวุ ิชยะ รตั ตะรมย์ สถาบนั การจดั การปัญญาภวิ ฒั น์ ณฐั พร กาญจนภมู ิ มหาวทิ ยาลยั บรู พา มหาวทิ ยาลยั พะเยา มหาวทิ ยาลยั ศิลปากร (วทิ ยาเขตสารสนเทศเพชรบรุ )ี คณะกรรมการบรหิ ารจัดการ คณะเทคโนโลยสี ารสนเทศ สถาบันเทคโนโลยีไทย-ญีป่ ุน อดิศกั ดิ์ เสอื สมงิ สาเรศ วนั โสภา สรมยพ์ ร เจรญิ พิทย์ ลลติ า ณ หนองคาย อภชิ ญา นิม้ คมุ้ ภยั ศรายทุ ธ นนทศ์ ิริ กานดา ทวิ ฑั ฒานนท์ Ferdin Joe John Joseph ภสั มะ เจรญิ พงษ์ เกษม ทพิ ยธ์ าราจนั ทร์ อมรพนั ธ์ ชมกลน่ิ ฐิตพิ ร เลศิ รตั นเ์ ดชากลุ นติ ริ ตั น์ ตณั ฑเวช สะพร่งั สทิ ธิ์ มฤทสุ าธร ชาญ จารุวงศร์ งั สี นรงั สรรค์ วิไลสกลุ ยง ประจกั ษ์ เฉิดโฉม ปราณิสา อศิ รเสนา ภาสกร อภิรกั ษว์ รพนิ ิต ตรรี ตั น เมตตก์ ารุณจ์ ิต ประมขุ บญุ เสย่ี ง บษุ ราพร เหลอื งมาลาวฒั น์ ง

การประชมุ วิชาการระดับชาติดา้ นเทคโนโลยสี ารสนเทศ ครั้งที่ 11 (NCIT2019) ธนั ยพร กณิกนนั ต์ ณฐั กิตติ์ จิตรเอือ้ ตระกลู นชุ นารถ พงษพ์ านชิ โอฬาร รน่ื ช่ืน สลลิ า ชีวกิดาการ ภคชาติ พทุ ธิปกรณ์ คณากาญจน์ รกั ไพฑรู ย์ รุง่ ภพ ปรชี าวทิ ย์ ชลฤทธิ์ เหลอื งจินดา อาทิตยา ไทยยงค์ ณิชกานต์ ไชยจกั ร์ พรรษชล แสงอรุณ ภวู ดล ศิรกิ องธรรม จ

การประชมุ วิชาการระดับชาตดิ ้านเทคโนโลยีสารสนเทศ ครัง้ ที่ 11 (NCIT2019)  สารจากประธานจัดการประชุม รองศาสตราจารย ดร.รตั ตกิ ร วรากูลศริ ิพันธุ คณบดีคณะเทคโนโลยสี ารสนเทศ สถาบันเทคโนโลยไี ทย-ญี่ปนุ และ ประธานสภาคณบดีคณะเทคโนโลยสี ารสนเทศแหง ประเทศไทย ทุกวันน้ีมีการวิจัยและพัฒนาเทคโนโลยีตาง ๆ เพื่อตอบสนองความตองการของสังคมมนุษย จึงมี ความสําคัญท่ีตองมีการศึกษาวิจัยใหครอบคลุมถึงเทคโนโลยีอัจฉริยะและนวัตกรรมท่ีใหมๆท่ีจําเปนตอการ ดําเนินชีวิตของมนุษยในอนาคต มีหลายส่ิงหลายอยางที่สําคัญหลายประการและเปนประเด็นท่ีตองพิจารณา และหารือระหวา งผเู ชย่ี วชาญและนักวิจัย ดงั น้นั การประชุมวชิ าการระดบั ชาติดา นเทคโนโลยสี ารสนเทศ คร้งั ที่ 11 (NCIT2019) จงึ เปน การประชมุ ท่เี ปดโอกาสใหคณาจารยน ักวจิ ัยและนักศึกษา ไดม ารวมตัวกนั เพอ่ื แบงปน ความสําเร็จ รวมอภิปรายและแลกเปลี่ยนความคิดเห็น เพื่อรับรูเทคโนโลยีอันชาญฉลาดสําหรับนวัตกรรมยุค ตอไปในอนาคต ย่ิงไปกวาน้ัน NCIT2019 ยังไดรับการรับรองมาตรฐานการประชุมอยางตอเนื่องจาก IEEE Thailand section และสมาคมวิศวกรรมไฟฟา / อิเล็กทรอนิกส, คอมพิวเตอร, การสื่อสารโทรคมนาคมและเทคโนโลยี สารสนเทศแหง ประเทศไทย (ECTI) เปนท่ีนายินดีที่มีผูสนใจสงบทความเพื่อรวมงานถึง 60 บทความและไดผานการพิจารณาจาก ผทู รงคุณวฒุ ิดานวิชาการและวิจัย ตามมารตฐานสากล จํานวนบทความที่ผา นการประเมินและไดรบั การอนุมัติ ใหนําเสนอในท่ีประชุม NCIT2019 มจี ํานวน 48 บทความ ผมหวังเปนอยางย่ิงวา ผูเขารวมการประชุมทุกทาน จะไดใชโอกาสนี้อภิปราย แลกเปลี่ยนขอมูลและ ความคิดเห็น ขอเสนอแนะ ที่จะเปนประโยชนต อ การพฒั นางานวจิ ัยของแตละทา นตอไป สุดทายน้ี ขอขอบคุณผูเขียนบทความทุกทานและคณะกรรมการจัดการประชุมทุกทาน ตลอดจน อาจารยและเจาหนาที่ของคณะเทคโนโลยีสารสนเทศ สถาบันเทคโนโลยีไทย-ญี่ปุน ที่มีสวนรวมทําใหการ ประชมุ ครงั้ นป้ี ระสบความสําเร็จ สมบูรณด ว ยดี ฉ

การประชมุ วชิ าการระดับชาติดา้ นเทคโนโลยีสารสนเทศ ครง้ั ท่ี 11 (NCIT2019) วทิ ยากรบรรยายพเิ ศษ 5G Mobile Edge Computing: Research Roadmap of the H2020 5G-Coral Project Prof.Dr.Ying-Dar Lin, IEEE Fellow, IEEE Distinguished Lecturer Editor-in-Chief, IEEE Communications Surveys and Tutorials Distinguished Professor, National Chiao Tung University, Hsinchu, TAIWAN Web page: www.cs.nctu.edu.tw/~ydlin Abstract: 5G promises to deliver enhanced mobile broadband (eMBB), massive machine type communication (mMTC), and ultra reliable low latency communication (URLLC). To support mMTC and URLLC, 5G needs to carry out computations closer to subscribers at the “edge” instead of the cloud, which turns 5G into an infrastructure for both communication and computing. Just like cloud computing, edge computing shall also be virtualized. On the other hand, communication is also being virtualized with software defined networking (SDN) and network function virtualization (NFV) which virtualize control plane and data plane, respectively. When applied to 5G, together they virtualize functions in access and core networks, and release them to run on any virtualized computing platform. Combining virtualization needs in edge computing and communication, 5G mobile edge computing (MEC) is virtualizing eNB (evolved node B), EPC (evolved packet core), and CO (central office) into VeNB, vEPC, and CORD (central office re-architected as a datacenter). They are not just communication devices anymore, but also serve as computing datacenters with many open source resources like OpenDaylight and OpenStack. After streamline the above evolution path, we then introduce 5G-Coral, an H2020 EU-TW project with Taiwanese and European partners, including NCTU, ITRI, ADLink, UC3M, Ericsson, InterDigital, Telecom Italia, SICS, Telcaria, and Azcom. We then give an overview of our research roadmap on 5 key components, including service chain routing, multi-RAT offloading, multi-tenant slicing, horizontal and vertical federation, and capacity optimization. Selected results are then presented. Key findings include (1) the 3-tier architecture with edge computing saves about 20.7% capacity cost over the traditional 2-tier architecture, with 70% of capacity allocated to the edges; (2) multi-RAT offloading reduces about 40% capacity cost with a large number of UEs; (3) some use cases in 5G would capture 1.5 to 2.3 times more resource than required if without slicing; (4) the low-latency authentication with MEC reduces over 90% overhead if done with the cloud. ช

การประชุมวชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครัง้ ท่ี 11 (NCIT2019) Autobiography: YING-DAR LIN is a Distinguished Professor of computer science at National Chiao Tung University (NCTU), Taiwan. He received his Ph.D. in computer science from the University of California at Los Angeles (UCLA) in 1993. He was a visiting scholar at Cisco Systems, San Jose, during 2007–2008, CEO at Telecom Technology Center, Taiwan, during 2010-2011, and Vice President of National Applied Research Labs (NARLabs), Taiwan, during 2017-2018. Since 2002, he has been the founder and director of Network Benchmarking Lab (NBL, www.nbl.org.tw), which reviews network products with real traffic and has been an approved test lab of the Open Networking Foundation (ONF) since July 2014. He also cofounded L7 Networks Inc. in 2002, later acquired by D-Link Corp, and O’Prueba Inc. in 2018. His research interests include network security, wireless communications, and network softwarization. His work on multi-hop cellular was the first along this line, and has been cited over 850 times and standardized into IEEE 802.11s, IEEE 802.15.5, IEEE 802.16j, and 3GPP LTE- Advanced. He is an IEEE Fellow (class of 2013), IEEE Distinguished Lecturer (2014–2017), ONF Research Associate, and received in 2017 Research Excellence Award and K. T. Li Breakthrough Award. He has served or is serving on the editorial boards of several IEEE journals and magazines, and is the Editor-in-Chief of IEEE Communications Surveys and Tutorials (COMST). He published a textbook, Computer Networks: An Open Source Approach (www.mhhe.com/lin), with Ren-Hung Hwang and Fred Baker (McGraw-Hill, 2011). ซ

การประชมุ วชิ าการระดบั ชาตดิ ้านเทคโนโลยสี ารสนเทศ คร้ังท่ี 11 (NCIT2019) Natural Language Processing Research in Thai Context — A 29-Year Journey of Thai NLP — Prof.Dr. Virach Sornlertlamvanich School of Information, Computer and Communication Technology Sirindhorn International Institute of Technology (SIIT), Thammasat University, Thailand and Professor of Musashino University, Japan Chair of Digital Cluster, Research University Network (RUN) [email protected], [email protected] Abstract: The talk introduces a brief history of Thai NLP:- about how it began, developed and evolved in the research community. Some of the Thai language particular issues will be discussed together with some approaches which have been introduced in the past with good success and failure. Beginning with the rule-based approaches, many kinds of dictionaries and grammar rules have been designed and proposed with their coverage to fulfill the Thai language depending characteristics such as no explicit word/sentence boundary, no inflection, no grammatical markers, etc. Thousands of CFG rules have been created but still allow exceptional cases which are left unexplainable. In the earliest time, we realized that a large enough corpus is needed to capture such flexible language phenomena. We still do not know how large the corpus we need, but we do need. Based on the long time research experience of the community, the language resources such as computational dictionaries, ontology, POS tagged corpora, treebank, named entity corpora, speech corpora for TTS and ASR research, have been accumulated. Statistical and probabilistic language models have been studied since then. Hidden Markov model and Bayesian networks are widely used in word/sentence segmentation tasks. Probabilistic GLR parser is also reported to outperform the results from PCFG, where both can capture the sequential (word order) and structural (syntactic) contexts. Thanks to the tremendous efforts in designing and collecting the annotated corpora, the approaches in the scheme of machine learning, the larger the corpus is the better the model can predict. Today, with the main stream of deep learning techniques, many NLP problems are being re-challenged and the results are significantly improved. Some NLP applications will also be re-introduced to understand its potential in applying to many other research fields. ฌ

การประชุมวิชาการระดับชาติดา้ นเทคโนโลยสี ารสนเทศ ครงั้ ที่ 11 (NCIT2019) Autobiography: In 2003, he achieved the “National Distinguished Researcher Award” in Information Technology and Communication from the National Research Council of Thailand, following by the “ASEAN Outstanding Engineering Achievement Award” from ASEAN Federation of Engineering Organizations (AFEO) in 2011. He was also esteemed “The Researcher of the Year 2001” by the Nation Newspaper in 2001. He started his research career in the field of Knowledge Engineering and Artificial Intelligence during his study in Kyoto University in 1980-1986. He started his research in Natural Language Processing by participating in the Multi-lingual Machine Translation project during 1988- 1995, and received his Ph.D. from Tokyo Institute of Technology in 1998. Some of his long-running research contributions can be seen in the initiative in the development of Thai POS tagged corpus (ORCHID, 1997), the first corpus based Thai-English dictionary (LEXiTRON, 1997), and the first English-Thai online machine translation web service (ParSit, 2000) based on the Inter-lingual approach. His recent efforts are on the research and development of the technologies for digital content creation and understanding. He proposed the Digitized Thailand project in 2009 to establish an intelligent service platform for being a fundamental framework for digital content sharing and application mashup. Some of the achievements have already been publicized in culture and local wisdom digitization and the applications on the digital content services for tourism, product design and education. His research interest includes Natural Language Processing, Human Language Technology, Information Retrieval, Data Mining, Artificial Intelligence, Machine Learning, Deep Learning, Social Media Analytics and the related fields. ญ

การประชมุ วชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ คร้งั ที่ 11 (NCIT2019) โปรแกรมการประชุม วันที่ 24 ตุลาคม 2562 (งานวันแรก) 08.00-08.45 ลงทะเบยี น ณ ชนั้ 6 อาคาร E 08.45-09.15 พิธีเปิดการประชมุ 09.15-10.15 การบรรยายพิเศษ Prof. Dr. Ying-Dar Lin “5G Mobile Edge Computing: Research Roadmap of the H2020 5G-Coral Project” 10.15-10.30 รบั ประทานอาหารวา่ ง พรอ้ ม ชา/กาแฟ 10.30-11.30 การบรรยายพิเศษ Prof. Dr. Virach Sornlertlamvanich “Natural Language Processing Research in Thai Context — A 29-Year Journey of Thai NLP ” 11.30-12.40 รบั ประทานอาหารกลางวนั ณ ชนั้ 6 อาคาร E 12.40-14.50 การนาํ เสนอบทความวจิ ัย ( ณ ช้ัน 5 อาคาร E) 14.50-15.20 รบั ประทานอาหารว่าง พรอ้ ม ชา/กาแฟ 15.20-17.30 การนาํ เสนอบทความวิจัย ( ณ ชั้น 5 อาคาร E) 18.00–21.00 งานเลยี้ งอาหารค่าํ พร้อมชมการแสดง ณ ช้ัน 6 อาคาร E ฎ

การประชุมวิชาการระดบั ชาติดา้ นเทคโนโลยีสารสนเทศ ครง้ั ที่ 11 (NCIT2019) วันที่ 25 ตลุ าคม 2562 (งานวันทสี่ อง) 08.00-08.30 ลงทะเบยี น ณ ชนั้ 6 อาคาร E 08.30-10.30 การนาํ เสนอบทความวจิ ัย ( ณ ช้ัน 5 อาคาร E) 10.30-10.50 รบั ประทานอาหารวา่ ง พรอ้ ม ชา/กาแฟ 10.50-12.30 การนาํ เสนอบทความวิจัย ( ณ ช้ัน 5 อาคาร E) 12.30-14.30 พิธีปิ ดการประชุม พร้อมรับประทานอาหารกลางวัน (ประกาศผลบทความวิจัย ดเี ด่น) ฏ

การประชมุ วชิ าการระดับชาตดิ า้ นเทคโนโลยสี ารสนเทศ คร้งั ท่ี 11 (NCIT2019) ตารางการนาํ เสนอผลงาน ณ ช้ัน 5 อาคาร E 24 ตุลาคม 2562 (12.40 – 14.50) หอ ง E503: Data Science-1 Session Chair: ดร.ณฐั กติ ต์ิ จิตรเออื้ ตระกลู ID ชื่อบทความ ชอื่ ผนู ําเสนอ อทิ ธิพล ดวงแกว 10 การวิเคราะหปจ จยั ท่ีสงผลตอพัฒนาลา ชาในเด็กปฐมวยั ดวยเทคนคิ เหมอื งขอ มูล ณัชชา ซาวปง อภสิ ทิ ธ์ิ รุงมานะกลุ 45 การวิเคราะหข อมลู เพอ่ื จาํ แนกคณุ ลักษณธในแมวสายพันธุแท ธนพัฒน คาํ ใสอนิ ทร 54 การตรวจหารูปแบบกราฟหุน ดวยการเรยี นรูเชงิ ลกึ วรงรอง ศรศี ิรริ ุง 60 กลยุทธก ารปองกันพอรตการลงทนุ ดวยวิธีตั้งจุดตดั ขาดทนุ โดยเทคนคิ การเรยี นรูของ เคร่อื ง 71 การวิเคราะหรปู แบบความคดิ เหน็ เกย่ี วกับผลประเมินการสอนของอาจารย โดย นกั ศึกษา โดยใชเ ทคนคิ เหมืองขอมูล หอ ง E504: Software Application-1 Session Chair: ผศ.ดร.นรงั สรรค วิไลสกลุ ยง ID ชอื่ บทความ ชอ่ื ผูนาํ เสนอ ณัฐพงศ ทองเทพ 9 การวเิ คราะหคณุ ลกั ษณะของลกู คา ท่ีมีผลตอ การแนะนํารถยนตมือสอง เลอลกั ษณ บญุ ลํ้า วรี ะยทุ ธ กิตมิ า 40 ส่ือสงั คมออนไลนทม่ี ผี ลตอ การตดั สินใจซอ้ื ผลติ ภณั ฑข องผูบ รโิ ภค ธีรศกั ด์ิ สงั ขศ รี 62 ระบบสะสมแตม เพื่อการแลกรับสทิ ธพิ เิ ศษของพนกั งานในเครือบรษิ ทั อภสิ ิทธิ์ เดมิ สนั เทยี ะ 72 การบรณู าการระบบสารสนเทศเพอื่ จัดทาํ ฐานขอ มลู บคุ ลากรดา นการทอ งเท่ียว สาขาท่ี พักและการเดินทางของกลุมจงั หวดั นครชัยบุรนิ ทร 73 การพฒั นาระบบสารสนเทศสื่อการเรียนรูอ อนไลนเพื่อพัฒนาสมรรถนะสําหรับบุคลากร ดา นการทอ งเท่ยี ว สาขาท่พี กั และการเดินทางของกลุม จงั หวดั ภาค ตะวนั ออกเฉียงเหนอื ตอนลาง 1 (กลมุ จังหวดั นครชัยบรุ นิ ทร ฐ

การประชมุ วิชาการระดบั ชาติด้านเทคโนโลยีสารสนเทศ ครง้ั ที่ 11 (NCIT2019) หอ ง E505: Network-1 Session Chair: ผศ.ตรีรัตน เมตตก ารุณจติ ID ชอ่ื บทความ ชอ่ื ผูนําเสนอ 50 ระบบจาํ กดั การเขา ถึงแบบอตั โนมตั ิสําหรับระบบคอมพิวเตอรแ ละเครอื ขา ย ภทั รพงษ อนิ ทบั ทมิ 52 การพัฒนาระบบคนหาและแสดงผลแผนภาพโครงสรางเครือขา ย อุดมเอก ชมุ ทองมา 66 ระบบตนแบบเฝา ระวังฝุน ละอองขนาดเลก็ ในโรงงานอุตสาหกรรมในเวลาจรงิ ดว ย IoT องอาจ สอนงาม 67 ระบบจองหอ งคน ควาเฉพาะกลมุ ศนู ยบรรณสารผา นควิ อารโ คด สุพพัต รุง เรืองศลิ ป 69 การพฒั นาระบบสารสนเทศเพ่ือใชใ นการเบกิ จายหนวยงานภาครฐั ในโรงพยาบาล ภานุพงศ ซอื่ ภกั ดี เอกชน กรณศี กึ ษา โรงพยาบาลการญุ เวช สขุ าภบิ าล 3 24 ตลุ าคม 2562 (15.20 – 17.30) หอง E503: Data Science-2 Session Chair: ผศ.ดร.ประจกั ษ เฉดิ โฉม ID ชอ่ื บทความ ช่ือผูนาํ เสนอ 6 การพัฒนาระบบเพอื่ การพยากรณข นาดไขไ กโ ดยใชก ฎการจําแนกตน ไมตดั สนิ ใจ ณัฐวดี หงษบ ุญมี 12 การคน พบกลมุ ความหนาแนนสงู สดุ ของกราฟท่ีมีการเช่อื มตอ สงู เปน เกณฑส ําหรบั การ ชชั ชณษิ า ภัคธนอุดมพนั ธุ กําหนดคลสั เตอรแ บบทบั ซอน 47 บทความทบทวนวรรณกรรมและผลการศกึ ษาการประมวลผลเหตกุ ารณซ ับซอ น ปารชิ าต คนึงเหตุ 55 แบบจาํ ลองผสมผสานโครงขายประสาทเทยี มดวยข้ันตอนวิธีเชงิ พันธกุ รรมสําหรบั สกุ ฤษฎ ใจดี พยากรณก ําลังไฟฟา จากแสงอาทติ ย เอกสทิ ธ์ิ พชั รวงศศ ักดา 70 วธิ ีการเลือกขอมลู ท่ีไมม ปี า ยกํากบั อยางอตั โนมตั เิ พอื่ การสรา งโมเดลการเรยี นรูร วม แบบกงึ่ มีผูสอน หอ ง E504: Mobile Application Session Chair: ผศ.เกษม ทิพยธาราจนั ทร ID ชอื่ บทความ ช่ือผูนาํ เสนอ 13 การพฒั นาโมบายแอปพลิเคชันบรหิ ารจัดการซอมบาํ รงุ ภายในองคกร เสาวคนธ หนขู าว 14 แอปพลเิ คชันแนะนําการดแู ลสุขภาพสําหรบั ผสู ูงอายุบนสมารท โฟนแอนดรอยด นํา้ เพ็ญ พรหมประสิทธ์ิ 35 การควบคุมความชื้นในดินสาํ หรับแปลงผักดว ยโปรแกรมแอนดรอยด พฤกษา ดวงผาสขุ 39 แอพพลิเคชนั ตดิ ตามรถตโู ดยสารประจาํ ทางผานระบบมอื ถือ พฤกษา ดวงผาสุข 43 การพฒั นาแอปพลิเคชันตดิ ตามบตุ รหลานบนระบบปฎบิ ตั กิ ารแอนดรอยด สริ นั ธร จยี าศกั ด์ิ ฑ

การประชมุ วิชาการระดับชาตดิ ้านเทคโนโลยสี ารสนเทศ ครั้งท่ี 11 (NCIT2019) หอง E505: IoT Session Chair: ผศ.ดร.สายยญั สายยศ ID ชอ่ื บทความ ช่ือผนู ําเสนอ สุภาวดี มากอน 19 ระบบรดนาํ้ ตนไมอ ัตโนมตั สิ ัง่ การผา นแอปพลิเคชนั มนูศักดิ์ สงั แกว วภิ านันท เอกสิรเิ รืองชัย 36 ระบบบรหิ ารจดั การน้าํ ในแปลงเกษตรอยา งชาญฉลาด เสกสรร มณี 38 การวิเคราะหและออกแบบระบบตดิ ตามและส่อื สารกับพชื ผานเทคโนโลยอี ินเตอรเ นต็ ของสรรพสงิ่ และหุนยนตสนทนา: แพลนเท จงสุข คงเสน 49 การพัฒนาแอพพลเิ คชน่ั บนโทรศพั ทม อื ถือเพ่ือติดตามและควบคมุ อปุ กรณ เครื่องใชไ ฟฟาภายในบา น 59 ระบบควบคมุ การรดน้าํ อจั ฉรยิ ะ กรณีศึกษาโรงเพาะชําอุทยานพฤกษศาสตร มหาวิทยาลยั วลัยลักษณ 25 ตุลาคม 2562 (8.30 – 10.30) หอง E504: Software Application-2 Session Chair: ดร.พรเทพ โรจนวสุ ID ชื่อบทความ ชอ่ื ผูนาํ เสนอ ณัฎฐเอก วฒั นญุ าน 7 การเปรยี บเทยี บ Regression Loss Function ของรถยนตไ รคนขบั ในสภาพแวดลอม จาํ ลอง สงบ ศศพิ งศพรรณ 16 การประเมนิ ประสิทธภิ าพสาํ หรับแอพพลเิ คชั่นบนมือถอื ของภาครัฐในประเทศไทยโดย พุฒนิ ันท รว มรักษ ใชแบบจําลองปฏิสมั พันธร ะหวางมนษุ ยก บั คอมพิวเตอร ธนาธร ทะนานทอง นนทวฒั น ตณั ฑวณิช 20 ระบบตดิ ตามพฤตกิ รรมการขบั ขร่ี ถยนต 27 การจาํ แนกความคดิ เหน็ ท่กี ลา วถึงมหาวทิ ยาลยั ไทยบนทวิตเตอร 37 การกําหนดรูปแบบการเตรยี มขอมูลสาํ หรับวเิ คราะหและออกแบบระบบแนะนาํ กิจกรรมตามความสนใจสว นบุคคล ฒ

การประชมุ วิชาการระดับชาตดิ า้ นเทคโนโลยีสารสนเทศ ครงั้ ที่ 11 (NCIT2019) หอ ง E505: Software Application-3 Session Chair: ดร.นติ ยา เกิดแยม ID ช่อื บทความ ชื่อผูนําเสนอ พฤกษา ดวงผาสุข 42 ระบบควบคมุ คุณภาพน้าํ ในตูปลา ศุภกจิ อนพุ งษ 46 แฟม ประวัติครุภณั ฑแ บบพลวัฒน สาํ หรับสถาบนั อดุ มศกึ ษาโดยใชส ถาปตยกรรมเชิง พรี ะศกั ด์ิ เพยี รประสสิทธิ์ บรกิ าร สรุ ลี กั ษณ วีระโจง วงเดอื น พลอยงาม 51 แชทบอทสําหรับสนบั สนนุ ผเู ริ่มตน เขียนโปรแกรม 64 เกมออนไลนแ ยกขยะ 65 สอ่ื การเรยี นรเู กมจาํ ลองสถานการณก ารเขา ชวยเหลือผูประสบภยั ในถํา้ 25 ตลุ าคม 2562 (10.50 – 12.30) หอ ง E504: Network-2 Session Chair: ผศ.ตรรี ตั น เมตตก ารุณจ ติ ID ชือ่ บทความ ชอื่ ผูนําเสนอ พุฒเิ มธ ธรรมแสง 25 การวเิ คราะหพฤตกิ รรมการทํางานของ Digmine Monero Miner Malware ธนานพ ทองถาวร 26 ระบบจัดการเครือขายเพื่อกระจายการจราจรบนเครือขายโดยใชโครงสรางตาม วีรภัทร สทิ ธริ าช สถาปตยกรรมเอสดเี อน็ จริ วัฒน จติ ประสตู วทิ ย 30 การใช QoS สําหรบั วิดีโอสตรมี มิ่งบนเครอื ขา ยเอสดีเอ็น 44 การพฒั นาระบบตรวจสอบการใชไ ฟฟา ในบา นแบบหลายจุดดวย Wireless Mesh Network เชื่อมตอ ระบบผา นเครอื ขาย 3G หอง E505: Image Processing Session Chair: รศ.ดร.วรากร ศรีเชวงทรพั ย ID ชือ่ บทความ ชอื่ ผูนําเสนอ 17 การศกึ ษาเรอ่ื งการตรวจหารอยชา้ํ ของผลไมโ ดยใชเทคนคิ วเิ คราะหภาพถายคลน่ื ความถ่ี ณฐั ภทั ร พิตรปรีชา ยา นอนิ ฟราเรด ขนษิ ฐา แซล ิ้ม 28 ระบบจัดการเกบ็ รกั ษากุญแจอจั ฉริยะดวยลายนิว้ มอื และอารเอฟไอดี 41 การเพ่มิ ประสิทธภิ าพการจดั ทาํ ดชั นีบนกลอ งเอกสารดวยเทคนคิ การรจู ําอกั ขระภาพ จกั รพันธ วาศพุฒสิ ทิ ธ์ิ ลายมอื พิสษิ ฐ ศรีจนั ทร 58 การนับตน ปาลมดว ยการประมวลผลภาพ ณ

การประชมุ วชิ าการระดับชาติดา้ นเทคโนโลยีสารสนเทศ คร้ังที่ 11 (NCIT2019) รายช่ือผูประเมนิ บทความ ID ช่ือบทความ หนา 6 การพัฒนาระบบเพื่อการพยากรณข นาดไขไกโดยใชกฎการจาํ แนกตน ไมตัดสนิ ใจ 1 7 การเปรียบเทียบ Regression Loss Function ของรถยนตไ รคนขบั ในสภาพแวดลอมจาํ ลอง 7 9 การวิเคราะหคุณลักษณะของลูกคาทมี่ ีผลตอการแนะนํารถยนตมอื สอง 12 10 การวเิ คราะหป จจยั ที่สง ผลตอ พัฒนาลาชาในเดก็ ปฐมวัย ดว ยเทคนิคเหมืองขอมูล 19 12 การคนพบกลุม ความหนาแนนสงู สดุ ของกราฟท่มี ีการเช่อื มตอ สงู เปน เกณฑสําหรับการ 25 กาํ หนดคลัสเตอรแบบทบั ซอน 13 การพฒั นาโมบายแอปพลิเคชันบรหิ ารจัดการซอ มบํารงุ ภายในองคกร 32 14 แอปพลิเคชันแนะนําการดูแลสขุ ภาพสาํ หรบั ผสู ูงอายบุ นสมารทโฟนแอนดรอยด 37 16 การประเมนิ ประสิทธภิ าพสําหรับแอพพลเิ คช่นั บนมือถือของภาครัฐในประเทศไทยโดยใช 43 แบบจําลองปฏิสัมพันธระหวา งมนษุ ยก บั คอมพิวเตอร 17 การศกึ ษาเรื่องการตรวจหารอยชา้ํ ของผลไมโดยใชเทคนคิ วเิ คราะหภ าพถา ยคลน่ื ความถ่ยี าน 48 อินฟราเรด 19 ระบบรดนํา้ ตน ไมอัตโนมัตสิ ัง่ การผา นแอปพลิเคชัน 54 20 ระบบตดิ ตามพฤติกรรมการขับขี่รถยนต 59 25 การวิเคราะหพฤติกรรมการทํางานของ Digmine Monero Miner Malware 65 26 ระบบจัดการเครอื ขายเพ่ือกระจายการจราจรบนเครือขา ยโดยใชโครงสรางตาม 72 สถาปตยกรรมเอสดเี อ็น 27 การจาํ แนกความคิดเหน็ ท่ีกลาวถงึ มหาวิทยาลัยไทยบนทวิตเตอร 79 28 ระบบจัดการเก็บรักษากุญแจอัจฉริยะดวยลายนิว้ มือและอารเ อฟไอดี 85 30 การใช QoS สําหรบั วิดีโอสตรีมม่งิ บนเครือขายเอสดีเอ็น 90 35 การควบคมุ ความชื้นในดนิ สาํ หรบั แปลงผกั ดว ยโปรแกรมแอนดรอยด 97 36 ระบบบรหิ ารจัดการนํ้าในแปลงเกษตรอยางชาญฉลาด 103 37 การกาํ หนดรปู แบบการเตรียมขอมลู สําหรบั วิเคราะหและออกแบบระบบแนะนํากจิ กรรมตาม 109 ความสนใจสว นบคุ คล 38 การวเิ คราะหและออกแบบระบบตดิ ตามและสอ่ื สารกับพืชผานเทคโนโลยอี ินเตอรเน็ตของ 115 สรรพส่ิงและหุน ยนตส นทนา: แพลนเท 39 แอพพลิเคชันติดตามรถตโู ดยสารประจําทางผา นระบบมือถือ 121 ด

การประชุมวิชาการระดับชาตดิ ้านเทคโนโลยีสารสนเทศ คร้ังที่ 11 (NCIT2019) ID ช่อื บทความ หนา 40 สอื่ สังคมออนไลนท ่มี ผี ลตอการตดั สินใจซอื้ ผลิตภัณฑของผูบริโภค 128 41 การเพิ่มประสิทธภิ าพการจดั ทําดชั นีบนกลอ งเอกสารดวยเทคนิคการรจู าํ อักขระภาพลายมือ 133 42 ระบบควบคุมคณุ ภาพนํ้าในตูปลา 139 43 การพฒั นาแอปพลเิ คชันติดตามบตุ รหลานบนระบบปฎบิ ตั ิการแอนดรอยด 145 44 การพัฒนาระบบตรวจสอบการใชไ ฟฟา ในบานแบบหลายจดุ ดวย Wireless Mesh Network 151 เช่ือมตอ ระบบผานเครอื ขาย 3G 45 การวเิ คราะหขอ มูลเพื่อจาํ แนกคุณลักษณธในแมวสายพันธุแท 158 46 แฟม ประวัติครุภณั ฑแบบพลวัฒน สาํ หรับสถาบันอุดมศกึ ษาโดยใชสถาปตยกรรมเชิงบรกิ าร 164 47 บทความทบทวนวรรณกรรมและผลการศึกษาการประมวลผลเหตุการณซ ับซอน 169 49 การพัฒนาแอพพลิเคชั่นบนโทรศพั ทม ือถือเพื่อติดตามและควบคุมอุปกรณเครื่องใชไ ฟฟา 176 ภายในบา น 50 ระบบจาํ กดั การเขาถงึ แบบอตั โนมัติสาํ หรับระบบคอมพิวเตอรและเครือขาย 183 51 แชทบอทสาํ หรับสนับสนนุ ผูเร่ิมตน เขยี นโปรแกรม 190 52 การพัฒนาระบบคนหาและแสดงผลแผนภาพโครงสรางเครือขา ย 195 54 การตรวจหารปู แบบกราฟหุนดว ยการเรยี นรูเชิงลกึ 202 55 แบบจําลองผสมผสานโครงขา ยประสาทเทียมดว ยขัน้ ตอนวิธเี ชิงพันธุกรรมสาํ หรบั พยากรณ 208 กาํ ลังไฟฟา จากแสงอาทิตย 58 การนบั ตนปาลม ดวยการประมวลผลภาพ 214 59 ระบบควบคุมการรดนํ้าอัจฉริยะ กรณีศกึ ษาโรงเพาะชําอุทยานพฤกษศาสตรม หาวิทยาลัย 219 วลัยลกั ษณ 60 กลยทุ ธก ารปองกันพอรต การลงทุนดว ยวิธีตัง้ จุดตดั ขาดทนุ โดยเทคนิคการเรยี นรูข องเคร่ือง 225 62 ระบบสะสมแตม เพ่อื การแลกรับสิทธิพิเศษของพนักงานในเครือบริษัท 229 64 เกมออนไลนแยกขยะ 236 65 สื่อการเรยี นรเู กมจาํ ลองสถานการณการเขา ชว ยเหลือผปู ระสบภยั ในถ้ํา 242 66 ระบบตน แบบเฝาระวังฝุนละอองขนาดเลก็ ในโรงงานอุตสาหกรรมในเวลาจรงิ ดวย IoT 248 67 ระบบจองหองคน ควาเฉพาะกลุม ศนู ยบ รรณสารผา นควิ อารโ คด 253 69 การพฒั นาระบบสารสนเทศเพ่ือใชในการเบิกจายหนว ยงานภาครฐั ในโรงพยาบาลเอกชน 257 กรณีศึกษา โรงพยาบาลการญุ เวช สขุ าภิบาล 3 70 วิธีการเลอื กขอมลู ที่ไมมปี ายกํากบั อยา งอตั โนมัติเพื่อการสรางโมเดลการเรยี นรรู ว มแบบกึ่งมี 264 ผสู อน ต

การประชุมวชิ าการระดบั ชาติด้านเทคโนโลยสี ารสนเทศ ครงั้ ที่ 11 (NCIT2019) ID ชือ่ บทความ หนา 71 การวิเคราะหร ูปแบบความคดิ เหน็ เกย่ี วกับผลประเมนิ การสอนของอาจารย โดยนักศกึ ษา 269 โดยใชเทคนิคเหมืองขอมลู 72 การบรณู าการระบบสารสนเทศเพื่อจัดทาํ ฐานขอมลู บุคลากรดานการทองเท่ียว สาขาท่พี ัก 276 และการเดินทางของกลุมจงั หวัดนครชยั บรุ ินทร 73 การพัฒนาระบบสารสนเทศส่ือการเรียนรูออนไลนเ พ่ือพฒั นาสมรรถนะสาํ หรบั บุคลากรดาน 280 การทองเที่ยว สาขาท่ีพกั และการเดินทางของกลุมจงั หวัด ภาคตะวันออกเฉียงเหนอื ตอนลาง 1 (กลุมจงั หวดั นครชยั บุรนิ ทร ถ

การประชุมวิชาการระดับชาติดา้ นเทคโนโลยีสารสนเทศ คร้งั ที่ 11 (NCIT2019) การพฒั นาระบบเพอื่ การพยากรณ์ขนาดไขไ่ ก่โดยใช้ กฏการจาแนกต้นไม้ตดั สินใจ Developing System to Forecast the Egg Size using Decision Tree Classification Rules ณฐั วดี หงษบ์ ญุ มี จติ ตานนั ท์ หอมโกศล Nattavadee Hongboonmee Jittanun Homgosol ภาควชิ าวทิ ยาการคอมพวิ เตอรแ์ ละ ภาควชิ าวทิ ยาการคอมพวิ เตอรแ์ ละ เทคโนโลยสี ารสนเทศ คณะวทิ ยาศาสตร์ เทคโนโลยสี ารสนเทศ คณะวทิ ยาศาสตร์ Department of Computer Science and Information Technology, Department of Computer Science and Information Technology, Faculty of Science Faculty of Science มหาวทิ ยาลยั นเรศวร มหาวทิ ยาลยั นเรศวร Naresuan University Naresuan University พษิ ณุโลก พษิ ณุโลก Phitsanulok Phitsanulok [email protected] [email protected] บทคัดย่อ — ไข่ไก่เป็ นอาหารที่มีความสาคัญของมนุษย์จึงทาให้ data sets. Apply the decision tree technique for creating models by เกษตรกรนิยมเลี้ยงไก่ แต่เน่ืองจากเกษตกรจานวนมากขาดองค์ความร้ใู น choosing to compare three algorithms, J48, Random Tree and REP การเลี้ยงไก่เพื่อให้ได้ไข่ขนาดและคุณภาพที่ต้องการ ดงั นัน้ งานวิจยั น้ีจึง Tree, measure efficiency model with accuracy, precision, and the recall นาเสนอการพฒั นาระบบเพื่อช่วยพยากรณ์ขนาดไข่ไก่ด้วยเทคนิ คต้นไม้ value. Then, models determine the factors affecting the size of the ตดั สินใจ การดาเนิ นงานเร่ิมจากการรวบรวมข้อมูลกลุ่มตวั อย่างจานวน eggs. After that, bring the model that has the best performance value 1,100 ชุดข้อมลู ประยุกต์ใช้เทคนิคจาแนกข้อมูลต้นไมต้ ดั สินใจ (Decision to develop as a mobile application. The results of the test showed that Tree) สาหรบั สร้างโมเดลพยากรณ์โดยเลือกเปรียบเทียบ 3 อัลกอริทึม 1) forecasting model of the most effective is the model from the ได้แก่ J48, Random Tree และ REP Tree วดั ประสิทธิภาพโมเดลด้วยค่า Random Tree algorithm has an accuracy of 73.00%, precision of ความถูกต้อง ค่าความแม่นยา และค่าความระลึก จากนั้นนาโมเดลไป 73.60%, recall of 73.00%. 2) the most important factor affecting the size วิเคราะห์เพ่ือหาปัจจยั ท่ีส่งผลต่อขนาดของไข่ไก่ และนาโมเดลที่ได้ค่า of eggs is the age of chickens. 3) system has a good evaluation of ประสิทธิภาพดีที่สุดมาพัฒนาแอปพลิชัน ผลการวิจยั พบว่า 1) โมเดล performance by the user with an average of 4.15 standard deviations of พยา กรณ์ ขนาดไข่ไก่ท่ี มีป ระสิ ทธิ ภาพสูงสุดได้แก่โม เดลพยากรณ์ จา ก 0.59. In conclusion, this developed system is suitable can be practical อัลกอริทึม Random Tree มีค่าความถูกต้อง 73.00% ค่าความแม่นยา use. 73.60% และค่าความระลึก 73.00% 2) ปัจจยั ท่ีส่งผลต่อขนาดของไข่มาก ที่สุด คือ อายุไก่และ 3) ระบบที่พฒั นามีผลการประเมินประสิทธิภาพของ Keywords — Forecast, Egg, Decision tree, Classification rules, ระบบโดยผ้ใู ช้งานโดยรวมอยู่ในระดบั ดี มีค่าเฉลี่ยรวม 4.15 ส่วนเบ่ียงเบน Application. มาตรฐาน 0.59 สรุปได้ว่าระบบท่ีพัฒนาขึ้นนี้มีความเหมาะสมสามารถ นาไปใช้งานไดจ้ ริง 1. บทนา ไข่ไก่มคี วามสาคญั ต่อเศรษฐกจิ ของประเทศไทยและคนไทยเป็นอย่าง คำสำคญั — กำรพยำกรณ์, ไข่ไก,่ ต้นไม้ตดั สินใจ, กฎกำรจำแนก, มาก เน่อื งจากเป็นอาหารทม่ี คี ุณค่าทางโภชนาการสงู ใชป้ ระกอบอาหารได้ แอปพลิเคชนั หลายอย่างทงั้ อาหารคาวและขนมหวานทาให้ความต้องการไข่ไก่อยู่ใน ระดบั สงู ตลอดทงั้ ปีและมแี นวโน้มสงู ขน้ึ เร่อื ยๆ [1] ดงั นนั้ การเลย้ี งไก่จงึ เป็น ABSTRACT — Chicken eggs are food that is important to อาชีพท่ีมีผู้สนใจค่อนข้างมาก แต่เน่ืองจากราคาของไข่ไก่แปรผนั ตาม humans, thus causing farmers prefer to raise chickens, but because ขนาดและน้าหนกั ของไขป่ ระกอบกบั เกษตกรจานวนมากขาดองคค์ วามรใู้ น many farmers lack knowledge in raising chickens to get the desired การเลย้ี งไก่เพอ่ื ใหไ้ ดไ้ ขข่ นาดและคณุ ภาพทต่ี อ้ งการและทผ่ี า่ นมาเกษตรกร size and quality eggs. Therefore, this research proposes the เผ ชิญ กับ ปั ญ ห าร าค าข า ย ไข่ ท่ีมีร าค าต่ า ก ว่ าต้ น ทุ น ส่ งผ ล ก ร ะท บ ต่ อ development of a system to help forecast the egg size using decision เกษตรกรเจา้ ของฟารม์ และผเู้ ลย้ี งรายย่อย เน่ืองจากเกษตรกรไม่สามารถ tree techniques. The operation starts with collecting a sample of 1,100 1

การประชมุ วิชาการระดบั ชาติดา้ นเทคโนโลยสี ารสนเทศ ครง้ั ท่ี 11 (NCIT2019) คาดการณ์ไดว้ ่าแม่ไก่จะออกไข่ขนาดและน้าหนักเท่าไรเพราะการเลย้ี งไก่ Supervised learning คือ การมีข้อมูลสอนเพ่ือจาแนกโครงสร้างการ ตอ้ งอาศยั ปัจจยั ต่างๆ ในการเลย้ี ง เช่น การดูแล การใหอ้ าหาร การใหน้ ้า ตดั สนิ ใจหรอื การทานายไวล้ ่วงหน้าเพ่อื ใช้ในการทานายหรอื จาแนกขอ้ มูล ซ่ึงมีความแตกต่างกัน ดังนั้นการประยุกต์ใช้เทคโนโลยีเพ่ือช่วยให้ ท่เี ขา้ มาใหม่ โครงสรา้ งของต้นไม้ตดั สนิ ใจประกอบดว้ ย 1) โหนด (Node) เกษตรกรสามารถทาการเกษตรใหไ้ ดผ้ ลผลติ ท่มี คี ณุ ภาพตามตอ้ งการจงึ มี เป็ น ส่วน ขอ งเง่ือน ไข ในการ ตัดสินใจซ่ึงสามารถ ใช้ใน การทาน าย ห รือ ความสาคัญ โดยเฉพาะเทคโนโลยีการพยากรณ์ข้อมูลท่ีสามารถช่วย พ ยากรณ์ 2) กิ่ง (Branch) เป็ น ส่วน เช่ือมต่อระห ว่างโห น ดแสดง เกษตรกรลดปัญหาการขาดทุนหรอื การไดผ้ ลผลติ ทไ่ี ม่ตรงความตอ้ งการได้ คุณลกั ษณะท่เี ป็นไปได้ทงั้ หมดของแต่ละโหนด 3) โหนดใบ (Leaf node) เป็นส่วนทแ่ี สดงกลุ่มท่ไี ดจ้ ากเง่อื นไขการตดั สนิ ใจหรอื ชนดิ ขอ้ มลู ท่ตี อ้ งการ จากปัญหาขา้ งตน้ คณะผวู้ จิ ยั เลง็ เหน็ ถงึ ความสาคญั ของการพยากรณ์ จาแนก (Class) ซง่ึ มโี ครงสรา้ งดงั แสดงในรปู ท่ี 1 ขนาดไขไ่ ก่เพ่อื ช่วยเกษตกรวางแผนการเล้ยี งไก่ จงึ ไดน้ าเสนอการพฒั นา ระบบ พ ย ากรณ์ ข น าดไข่ไก่ด้วย เท คนิ คต้น ไม้ช่วย ตัด สิน ใจบ น รปู ท่ี 1. โครงสรา้ งของตน้ ไมต้ ดั สนิ ใจ ระบบปฏบิ ตั กิ ารแอนดรอยด์ โดยวตั ถุประสงคข์ องการศกึ ษาวจิ ยั น้ี คอื 1) เพ่อื พฒั นาโมเดลพยากรณ์สาหรบั พยากรณ์ขนาดของไข่ไก่ด้วยเทคนิค เทคนิคต้นไม้ตดั สนิ ใจได้ถูกนามาใช้ในการสร้างโมเดลพยากรณ์กัน ต้นไมต้ ดั สนิ ใจ 2) เพ่อื ศกึ ษาปัจจยั ทส่ี ่งผลต่อขนาดของไข่ไก่และ 3) เพ่อื อย่างแพร่หลายและมปี ระสทิ ธภิ าพ เช่น อลั กอรทิ ึม J48, Random Tree พฒั นาแอปพลเิ คชนั ท่สี ามารถช่วยพยากรณ์ขนาดไขไ่ ก่ด้วยเทคนิคต้นไม้ และ REP Tree ซง่ึ สามารถอธบิ ายไดด้ งั ต่อไปน้ี ช่วยตัดสินใจบนระบบปฏิบัติการแอนดรอยด์ เพ่อื เป็นประโยชน์ต่อการ ตดั สนิ ใจในการวางแผนและเลอื กรปู แบบวธิ กี ารเลย้ี งไก่ใหไ้ ดผ้ ลผลติ ขนาด อลั กอรธิ มึ J48 หรอื C4.5 คอื อลั กอรธิ มึ ทใ่ี ชส้ รา้ งแผนภาพต้นไมเ้ พ่อื ไข่ท่ีต้องการเพียงพ อต่อตลาด ลดความเส่ียงจากการเล้ียงไก่ใน การตัดสินใจพัฒนาโดย J. Ross Quinlan ในปี ค.ศ. 1993 [5] โดยนา สภาพแวดลอ้ มทไ่ี ม่เหมาะสมและไดข้ นาดไขท่ ไ่ี ม่ตอ้ งกบั ความตอ้ งการและ อลั กอรธิ ึม ID3 มาปรบั ปรุงใหม้ คี วามสามารถมากขน้ึ J48 ช่วยจดั การกบั เป็นแนวทางใหแ้ กบ่ ุคคลทส่ี นใจในการเลย้ี งไกไ่ ด้ ข้อมูลตัวเลข ข้อมูลท่ีขาดหายหรอื ข้อมูลท่ีไม่สมบูรณ์ด้วยการแทนก่ิง (Branch) ท่ไี ม่ช่วยในการตดั สนิ ใจด้วย Leaf node ท่ีสามารถตดั สนิ ใจได้ 2. ทฤษฎแี ละงานวจิ ยั ทเ่ี กย่ี วขอ้ ง ดกี ว่า อลั กอรทิ ึม Random Tree คอื [6] ตน้ ไมต้ ดั สนิ ใจท่ใี ช้ในการจาแนก 2.1. การเล้ยี งไก่ หมวดหมู่เช่นเดียวกับ J48 โดยมีหลักการสร้าง Tree จากการสุ่ม Tree หลายๆ แบบในแต่ละโหนดแล้วเลือกมาประมวลผลสรา้ งแผนภาพต้นไม้ การเลย้ี งไก่เพอ่ื ใหข้ นาดไขฟ่ องโต อายุการใหไ้ ขน่ าน สง่ิ เหล่าน้เี ป็นผล โดยอลั กอรทิ มึ Random Tree เป็นการสุม่ วาดตน้ ไมท้ ่สี ุ่มจากชดุ ของ Tree สบื เน่ืองมาจากการจดั การเลย้ี งดูเอาใจใส่เป็นอย่างดี [1] ดงั นัน้ การดูแลไก่ ท่ีเป็ นไปได้ อัลกอริทึม REP Tree (Reduced Error Pruning) คือ [6] ก่อนให้ไข่ถือว่าเป็นช่วงท่กี ารลงทุนสูงท่สี ุด เพราะระยะต่อไปต้นทุนการ เทคนิคทใ่ี ช้ Regression tree logic และสรา้ ง Tree หลายๆ ต้นทแ่ี ตกต่าง ผลติ จะเรม่ิ ลดน้อยลงตามอายุของการให้ไข่ ผู้เล้ียงจะต้องอาศัยความรู้ กนั หลงั จากนัน้ เลอื กท่ดี ที ่สี ุดจาก Tree ท่สี รา้ งทงั้ หมดมาเป็นตวั แทนของ ความสามารถอย่างเตม็ ทเ่ี พอ่ื ใหไ้ ก่ออกไขใ่ หผ้ ลผลติ สงู เป็นระยะเวลาทน่ี าน Tree ทงั้ หมด ในการตดั กง่ิ ใชค้ ่า Mean square error ในการพยากรณ์เป็น ท่ีสุดหมายความว่าผู้เล้ียงจะได้ค่าตอบแทนสูงนัน่ เอง ปัจจัยท่ีมีผล พ้นื ฐานการวดั อลั กอรทิ ึมREP Tree เป็น Decision Tree ท่ีมกี ารเรยี นรู้ เกย่ี วขอ้ งตอ่ การใหไ้ ขข่ องไก่มหี ลายปัจจยั [2] เช่น อณุ หภูมิ การใหอ้ าหาร และสรา้ งโมเดลอย่างรวดเรว็ อายไุ ก่ พนั ธไุ์ ก่ โรงเลย้ี ง เป็นตน้ 2.3. งานวจิ ยั ทเี่ กยี่ วขอ้ ง ขอ้ มลู จากสานักงานเศรษฐกจิ การเกษตร [3] ไขไ่ ก่แบ่งตามขนาดและ การศกึ ษาคน้ ควา้ งานวจิ ยั ท่เี กย่ี วขอ้ งกบั การประยุกตใ์ ช้เทคนิคจาแนก น้าหนกั มาตรฐานแบ่งออกเป็น 7 ขนาด ดงั น้ี ขอ้ มลู ตน้ ไมต้ ดั สนิ ใจ มดี งั ตอ่ ไปน้ี ตารางท่ี 1. มาตรฐานการแบ่งขนาดไขไ่ ก่ (ขอ้ มลู มนี าคม 2562) ชดั ชยั และอจั ฉรา [7] ได้ทาการศึกษาเร่อื งการวนิ ิจฉยั คดดี ้วยเทคนิค ไขไ่ กเ่ บอร์ น้าหนักขนั้ ตา่ ตอ่ ฟอง ราคา(บาทต่อฟอง) ต้นไม้ตดั สนิ ใจ โดยเปรยี บเทียบความถูกต้องของการจาแนกขอ้ มูลด้วย ขนั้ ตอนวธิ ี ID3 กบั ขนั้ ตอนวธิ ี J48 ผลการทดลองพบว่าต้นไม้ตดั สนิ ใจท่ี 0 70 กรมั ขน้ึ ไป 3.05 สรา้ งจากขนั้ ตอนวธิ ี J48 สามารถจาแนกฐานความผดิ ไดถ้ ูกต้องมากกว่า ขนั้ ตอนวธิ ี ID3 และสามารถนาไปประกอบการพจิ ารณาวนิ จิ ฉยั คดไี ด้ 1 65-69 กรมั 2.95 ชลธศิ าและพุธษดี [8] ทาการวจิ ยั เร่อื งการวเิ คราะหค์ วามเสย่ี งการเป็น 2 60-64 กรมั 2.75 โรคไวรสั ตบั อกั เสบซโี ดยต้นไมก้ ารตดั สนิ ใจและทฤษฎเี บย์เซยี น โดยสรา้ ง 3 55-59 กรมั 2.65 4 50-54 กรมั 2.55 5 45-49 กรมั 2.45 6 44 กรมั ลงมา 2.35 2.2. ตน้ ไมต้ ดั สนิ ใจ ตน้ ไมต้ ดั สนิ ใจ (Decision tree) เป็นเทคนิคหน่ึงของการจาแนกขอ้ มูล (Classification rules) [4] โดยเป็นการนาข้อมูลมาสร้างโมเดลพยากรณ์ เพ่อื การทานายหรอื การจาแนกออกเป็นประเภทต่างๆ โดยมโี ครงสรา้ งใน ลกั ษณะท่ีเป็นต้นไม้ การจาแนกข้อมูลจาเป็นจะต้องมีการเรียนรู้แบบ 2

การประชมุ วชิ าการระดบั ชาตดิ า้ นเทคโนโลยสี ารสนเทศ ครัง้ ท่ี 11 (NCIT2019) โมเดลพยากรณ์เพ่อื วเิ คราะห์ปัจจยั เสย่ี งการเกดิ โรคตบั อกั เสบชนิดซดี ว้ ย 3.1.การศกึ ษาวเิ คราะหข์ อ้ มลู และเกบ็ รวบรวมขอ้ มลู เทคนิคตน้ ไมต้ ดั สนิ ใจ ผลการทดลองพบว่าโมเดลพยากรณ์จากตน้ ไมต้ ดั ใจ ในการศกึ ษาคณะผวู้ จิ ยั ไดท้ าการศกึ ษาและวเิ คราะหป์ ัญหาทเ่ี กย่ี วขอ้ ง มคี ่าความแม่นยาเทา่ กบั 92.99% กบั งานวจิ ยั โดยศกึ ษาผ่านทางเอกสารหนังสอื ทเ่ี กย่ี วขอ้ งกบั การเลย้ี งไก่ไข่ ชดิ ชนกและคณะ [9] ไดท้ าการศกึ ษาเรอ่ื งระบบสนับสนุนการตดั สนิ ใจ ไดแ้ ก่ [1] งานวจิ ยั ทางการเกษตรและผู้เช่ยี วชาญทางการเกษตร จากนัน้ เพ่อื วนิ ิจฉัยโรคใบลาไยด้วยเทคนิคต้นไม้ตดั สนิ ใจ ผลการทดสอบพบว่า ดาเนินการวเิ คราะห์ขอ้ มูลทเ่ี ก่ยี วขอ้ งเพ่อื นามาคดั เลอื กปัจจยั หรอื แอททริ โมเดลพยากรณ์วนิ จิ ฉยั โรคใบลาไยมคี ่าความถกู ตอ้ งเท่ากบั 85.3% บวิ ต์ (Attribute) สาหรบั นามาใชส้ รา้ งโมเดลพยากรณ์ โดยสามารถคดั เลอื ก ปัจจยั ท่เี ก่ยี วข้องกบั การท่ีไก่จะออกไข่ได้จานวน 6 ปัจจยั ได้แก่ พนั ธุ์ไก่ อจั ฉราภรณ์ [10] ได้ทาการศกึ ษาเร่อื งการพฒั นาระบบสารสนเทศเพ่อื ระบบโรงเลย้ี ง อายไุ ก่ อาหารไก่ ชว่ งเวลาการใหน้ ้า อณุ หภูมโิ รงเลย้ี งและคลาส การพยากรณ์จานวนนักศกึ ษาใหม่โดยใชก้ ฎการจาแนกตน้ ไมต้ ัดสนิ ใจ ซง่ึ ผลลัพธ์ขนาดไข่ไก่เบอร์ 0-6 รายละเอียดปัจจัยท่ีใช้สาหรับวิเคราะห์ มี จากการพฒั นาโมเดลการพยากรณ์วดั ค่าความถูกต้องได้เท่ากับรอ้ ยละ รายละเอยี ดในตารางท่ี 2. 97.34 คา่ ความแม่นยาเท่ากบั รอ้ ยละ 98.56 ตารางท่ี 2. ขอ้ มลู ปัจจยั สาหรบั การสรา้ งโมเดลพยากรณ์ บรรจบและคณะ [6] ทาการวิจัยเร่อื งการสร้างแบบจาลองเพ่ือการ พยากรณ์การเกิดแผลท่ีเท้าของผู้ป่ วยโรคเบาหวานเพ่อื ช่วยในการวาง ขอ้ มูล/ปัจจยั ค่าของขอ้ มลู /ความหมาย แผนการรกั ษาและป้องกนั การเกดิ แผลทเ่ี ทา้ ของผปู้ ่วยโรคเบาหวาน โดยใช้ เทคนิคโครงข่ายประสาทเทียม ซัพพอร์ตเวคเตอร์แมทชีนและต้นไม้ 1.พนั ธไุ์ ก่ โรมสั บราว , โรด๊ ไอสแ์ ลนดเ์ รด, ตดั สนิ ใจ ผลการวจิ ัยพบว่าโมเดลจากต้นไม้ตดั สนิ ใจมคี วามแม่นยาการ ไอแลนดน์ ้าตาล, ไฮแซก , ไฮบรดิ พยากรณ์ดที ส่ี ดุ ท่ี 75.90% 2.ระบบโรงเลย้ี งไกไ่ ข่ โรงเลย้ี งระบบเปิด , โรงเลย้ี งระบบปิด จากการศึกษางานวจิ ัยดงั กล่าว พบว่าการนาเทคนิคจาแนกข้อมูล ต้นไม้ตดั สินใจมาช่วยวเิ คราะห์ข้อมูลพยากรณ์ทาให้ประสทิ ธิภาพการ 3.อายไุ ก่ 4 – 5 เดอื น , 6 – 7 เดอื น , พยากรณ์เพม่ิ สงู ขน้ึ เน่ืองจากตน้ ไมต้ ดั สนิ ใจมคี วามสามารถในการจาแนก 8 – 9 เดอื น , 10 –11เดอื น, 12 เดอื น ขอ้ มูลได้อย่างมปี ระสทิ ธภิ าพ ซ่งึ สอดคลอ้ งกบั ผลงานวจิ ยั ทผ่ี ่านมา อกี ทงั้ ยงั สามารถนาโมเดลพยากรณ์ต้นไมต้ ดั สนิ ใจมาเปลย่ี นเป็นกฎเพ่อื ใช้เป็น สตู รทาเอง , เบทาโกรสตู ร102 , เอราวณั เง่อื นไขในการพยากรณ์ไดง้ ่ายและสะดวกรวดเรว็ ต่อไป 4.อาหารไก่ เบทาโกรสตู ร104 , ซพี สี ตู ร922 , ซพี สี ตู ร923 , 3. วธิ ดี าเนนิ การวจิ ยั การดาเนินการวจิ ยั มี 6 ขนั้ ตอนประกอบไปดว้ ย การศกึ ษาวเิ คราะห์ ซพี สี ตู ร924 , บาลานซ9์ 24 ขอ้ มูลและเก็บรวบรวมขอ้ มูล การเตรยี มขอ้ มูล การสร้างโมเดลพยากรณ์ การวดั ประสทิ ธิภาพโมเดล การออกแบบและพฒั นาระบบ การทดสอบ 5.ชว่ งเวลาการใหน้ ้า เชา้ - เยน็ , เชา้ - กลางวนั - เยน็ ประสทิ ธภิ าพระบบ ดงั แสดงในรปู ท่ี 2. 6.อณุ หภูมโิ รงเลย้ี งไก่ อณุ หภูมิ 25-27 องซาเซลเซยี ล , ไข่ (องศาเซลเซยี ล) อณุ หภูมิ 28-30 องซาเซลเซยี ล 7.ขนาดไขไ่ ก่ ไขเ่ บอร์ 0, ไขเ่ บอร์ 1, ไขเ่ บอร์ 2, ไขเ่ บอร์ 3 , ไขเ่ บอร์ 4, ไขเ่ บอร์ 5, ไขเ่ บอร์ 6 3.2.การเตรยี มขอ้ มลู การเตรยี มขอ้ มูลได้ดาเนินการจดั ทาแบบสอบถามและเก็บขอ้ มลู กลุ่ม ตวั อย่างจากศิรสิ มานฟาร์ม จงั หวดั สุโขทยั วฒั นาฟาร์ม ประเสริ ฐฟาร์ม สุทัศน์ฟาร์ม จังหวัดลาพูน จานวนข้อมูลทัง้ หมด 1,100 ชุดข้อมูล ดาเนินการเกบ็ ขอ้ มลู ลงในโปรแกรม MS Excel แลว้ ทาการแปลงขอ้ มลู เพ่อื เข้าสู่โปรแกรม WEKA เพ่ือทาการวเิ คราะห์ปัจจยั เส่ยี งและสร้างโมเดล พยากรณ์พยากรณ์ในขนั้ ตอ่ ไป ตารางท่ี 3. จานวนขอ้ มลู กลุ่มตวั อยา่ งไขไ่ กเ่ บอรต์ ่างๆ ไขไ่ ก่ จานวนกลมุ่ ไข่ไก่ จานวนกลุ่ม เบอร์ ตวั อยา่ ง เบอร์ ตวั อย่าง 0 154 4 143 1 174 5 144 2 168 6 159 3 158 รวม 1,100 รปู ท่ี 2. ขนั้ ตอนการดาเนินงานวจิ ยั 3.3.การสรา้ งโมเดลพยากรณ์ การสร้างโม เด ลพ ยาก รณ์ ขน าด ไข่ไก่เพ่ือช่ วย เกษ ตรก รใน ก าร ว าง แผนการเลย้ี งไก่เพอิ่ ใหไ้ ก่ออกไขไ่ ดเ้ บอรท์ ต่ี อ้ งการ งานวจิ ยั น้ใี ชซ้ อฟต์แวร์ WEKA ในการทดลองสรา้ งโมเดลพยากรณ์ อลั กอรทิ ึมต้นไม้ตัดสนิ ใจท่ี นามาใช้ในการสร้างโมเดลพยากรณ์มี 3 อลั กอรทิ ึมคือ J48, REP Tree, RandomTree จากนัน้ ใช้วธิ กี ารทดสอบโมเดลพยากรณ์โดยหลกั การ 10 Fold cross validation 3

การประชมุ วิชาการระดับชาติด้านเทคโนโลยีสารสนเทศ ครง้ั ท่ี 11 (NCIT2019) รปู ท่ี 3. ตวั อย่างขอ้ มลู ในโปรแกรม WEKA รปู ท่ี 4. Use Case Diagram ของระบบพยากรณ์ขนาดไขไ่ ก่ 3.4.การวดั ประสทิ ธภิ าพของโมเดลพยากรณ์ หลงั จากขนั้ ตอนการวเิ คราะหแ์ ละออกแบบการทางานของระบบแล้วก็ การวดั ประสทิ ธภิ าพโมเดลด้วยเทคนิค 10-fold cross validation [11] มาถงึ ขนั้ ตอนของการพฒั นาแอปพลเิ คชนั บนสมารท์ โฟนระบบปฎิบตั กิ าร แอนดรอยด์เพ่อื ใหร้ ะบบสามารถใช้งานได้ โดยทาการพฒั นาแอปพลเิ คชนั เป็นทาการจาแนกข้อมูลออกเป็นสองกลุ่มคอื 1) กลุ่มท่ีต้องการนาไปใช้ พยากรณ์ขนาดไข่ไก่ด้วยโปรแกรม Android Studio และภาษาจาวาเป็น เป็นขอ้ มลู การสอนหรอื Training set 2) กลุ่มขอ้ มูลท่ตี อ้ งการนาไปใช้เป็น ภาษาหลกั ในการพฒั นา ข้อมูลทดสอบหรือ Testing set ทาการสุ่มอย่างง่าย (Simple random sampling) ในอตั ราส่วนของชุดขอ้ มูลการเรยี นรู้และชุดขอ้ มูลการทดสอบ จากรูปท่ี 5. แสดงตัวอย่างกฎการตัดสินใจของโมเดลพยากรณ์ แลว้ สลบั ชุดขอ้ มลู เพอ่ื ใหไ้ ดร้ บั การทดสอบจนครบ 10 ชุด วดั ประสทิ ธภิ าพ Random Tree ซ่งึ เป็นอลั กอรทิ มึ ท่ีได้ค่าประสทิ ธภิ าพดที ่สี ุด ทาให้ทราบ ด้วยค่าความถูกต้อง (Accuracy) ดงั สมการท่ี (1), ค่าแม่นยา (Precision) แอททรบิ ิวต์ของชุดข้อมูลท่ีจะนามาใช้ในการพยากรณ์ขนาดไข่ไก่ โดย ดงั สมการท่ี 2, และค่าความระลกึ (Recall) ดงั สมการท่ี 3 จานวนกฎจากต้นไม้ตดั สนิ ใจท่ใี ช้ในการพยากรณ์มที งั้ หมด 96 กฎ เพ่อื นาไปใชฝ้ ังเป็นโคด้ ในขนั้ ตอนการพฒั นาระบบต่อไป Accuracy = (TP + TN) (1) (TP + FP + FN + TN) Precision = TP (2) TP + FP Recall = TP (3) TP + FN โดยท่ี TP คอื จานวนขอ้ มลู ทถ่ี ูกจาแนกออกมาอย่างถกู ตอ้ ง รปู ท่ี 5. ตวั อย่างกฎการตดั สนิ ใจบางสว่ นจากโมเดล Random Tree FP คอื จานวนขอ้ มลู ทผ่ี ดิ พลาดทถ่ี ูกจาแนกออกมา TN คอื จานวนขอ้ มลู ทถ่ี กู ตอ้ งแต่ไมถ่ กู จาแนกออกมา 3.6.การทดสอบประสทิ ธภิ าพระบบ FN คอื จานวนขอ้ มลู ทผ่ี ดิ พลาดแต่ไมถ่ กู จาแนกออกมา เม่อื ดาเนินการพฒั นาระบบเรยี บรอ้ ยแลว้ คณะผวู้ จิ ยั ไดน้ าระบบไปทา 3.5.การออกแบบและพฒั นาระบบ การทดสอบประสิทธิภาพการทางาน ด้วยการประเมินความพึงพอใจ การวเิ คราะห์และออกแบบระบบจะทาให้ทราบถงึ ขนั้ ตอนการทางาน เบ้อื งต้นจากผูใ้ ช้งานจานวน 30 คน ซ่งึ ผลจากการทดสอบประสทิ ธภิ าพ ระบบมผี ลลพั ธท์ จ่ี ะกล่าวในลาดบั ต่อไป ของระบบจงึ เลอื กใช้แผนภาพ UML (Unified Modeling Language) แสดง ฟังก์ชนั่ การทางานทงั้ หมดในระบบดังรูปท่ี 4 ซ่ึงประกอบด้วยส่วนการ 4. ผลการวจิ ยั วเิ คราะห์ขนาดไข่ไก่และส่วนข้อมูลสาระความรูก้ ารเล้ยี งไก่ ได้แก่ ขอ้ มูล ผลการดาเนนิ การวจิ ยั แบ่งได้ 4 สว่ นดงั ตอ่ ไปน้ี พนั ธไุ์ ก่ การดแู ลไก่ อาหารและโรคในไก่ไข่ 4.1.ผลการสรา้ งโมเดลพยากรณ์ งานวจิ ยั น้ีดาเนินการสร้างโมเดลพยากรณ์เพ่อื พยากรณ์ขนาดไข่ไก่ ด้วยอัลกอรทิ ึมของต้นไม้ตัดสินใจ 3 แบบได้แก่ J48, REP Tree และ RandomTree แบ่งข้อมูลทดสอบแบบ 10-fold cross validation วัด ประสทิ ธภิ าพโมเดลพยากรณ์ดว้ ยค่า Accuracy, Precision และ Recall 4

การประชมุ วชิ าการระดับชาตดิ ้านเทคโนโลยีสารสนเทศ คร้ังที่ 11 (NCIT2019) ตารางท่ี 4. ผลการเปรยี บเทยี บค่าประสทิ ธภิ าพของโมเดล egg = “four\" ใหไ้ ดข้ นาดไขไ่ กเ่ ท่ากบั เบอร์ 4 อลั กอริทึม Accuracy (%) Precision (%) Recall (%) IF food = “Make yourself” AND ถา้ ใหอ้ าหารสตู รทาเองและพนั ธุ์ J48 72.81 73.00 72.80 4 egg hen = “Rhode island red” ไก่คอื โร๊ดไอส์แลนด์เรด อายุไก่ AND age (month) = \"4-5m\" THEN เท่ากับ 4-5 เดือนจะทาให้ได้ REP Tree 72.36 72.30 72.40 number egg = “six\" ขนาดไขไ่ กเ่ ทา่ กบั เบอร์ 6 Random Tree 73.00 73.60 73.00 ผลการทดสอบและเปรยี บเทียบประสทิ ธภิ าพการจาแนกขนาดไข่ไก่ 4.2.ผลการวเิ คราะหป์ ัจจยั ทสี่ ่งผลตอ่ ขนาดของไขไ่ ก่ พบว่าการจาแนกด้วยอลั กอรทิ ึม Random Tree ให้ประสิทธิภาพดีท่ีสุด งานวจิ ยั น้ีไดน้ าค่าความถูกต้องมาใช้ในการวดั ระดบั ความสาคญั ของ โดยมีค่าความถูกต้อง 73.00% ค่าความแม่นยา 73.60% และค่าความ ระลึก 73.00% ดังนัน้ คณะผู้วจิ ัยจึงใช้อัลกอรทิ ึมดังกล่าวมาพัฒนาเป็น ตวั แปรทม่ี ผี ลตอ่ การพยากรณ์เพอ่ื เลอื กตวั แปรทด่ี ที ส่ี ดุ แสดงในตารางท่ี 6. ระบบสาหรบั พยากรณ์ขนาดไขไ่ ก่บนสมารท์ โฟนระบบแอนดรอยด์ตอ่ ไป จากตารางท่ี 6. แสดงระดบั ความสาคญั ของตวั แปรซง่ึ เป็นปัจจยั ในการ รายละเอยี ดผลการเปรยี บเทยี บค่าประสทิ ธภิ าพของโมเดล ดงั ตารางท่ี 4. พยากรณ์ พบว่าปัจจยั สาคญั ท่ีมผี ลต่อการพยากรณ์ขนาดของไข่ไก่โดย เรยี งลาดบั ความสาคญั ตามค่าความถูกตอ้ งท่ลี ดลงมากทส่ี ุด พบวา่ อายขุ อง ไก่มคี ่าความถูกตอ้ งลดลงสงู สุด แสดงใหเ้ หน็ ว่าอายุของไก่ส่งผลต่อขนาด ของไขไ่ ด้มากกว่าปัจจยั อ่นื ๆ รองลงมาได้แก่ พนั ธุไ์ ก่ และอาหารไก่ ส่วน ปัจจยั ท่สี ง่ ผลน้อยตอ่ ขนาดของไข่ คอื ระบบโรงเลย้ี ง อณุ หภูมโิ รงเล้ยี งและ ช่วงเวลาการให้น้า แสดงให้เห็นว่าระบบโรงเล้ยี ง อุณหภูมโิ รงเล้ียงและ ช่วงเวล าการให้น้ า เป็ น ปั จจัย ท่ีส่ งผ ล กระทบ เล็กน้ อ ยห รือ อ าจจะไม่ มี ผลกระทบต่อขนาดของไขไ่ ก่ ตารางท่ี 6. ผลการวเิ คราะหป์ ัจจยั ลาดบั ปัจจยั คา่ ความถกู ต้อง (%) 1 อายไุ ก่ 30.36 2 พนั ธไุ์ ก่ 72.36 3 อาหารไก่ 72.81 รปู ท่ี 6. ตวั อยา่ งบางส่วนของตน้ ไมต้ ดั สนิ ใจ Random Tree 4 ระบบโรงเลย้ี งไกไ่ ข่ 73.00 5 อุณหภูมโิ รงเลย้ี งไก่ไข่ 73.00 จากรูปท่ี 6. แสดงกฏการตัดสินใจ (Tree Diagram) ของโมเดล 6 ชว่ งเวลาการใหน้ ้า 73.18 พยากรณ์ขนาดไข่ไก่ท่ีสร้างด้วยอัลกอริทึม Random Tree จากต้นไม้ ขา้ งตน้ มโี หนดใบทงั้ หมด 96 โหนด 1 โหนดใบจะเท่ากบั 1 กฎการตดั สนิ ใจ 4.3.ผลการพฒั นาแอปพลเิ คชนั สามารถนามาแปลงเป็นกฎได้โดยเรมิ่ ต้นจากโหนดรากไปยงั โหนดใบทุก ผลการพฒั นาระบบช่วยพยากรณ์ขนาดไข่ไก่เป็นโมบายแอปพลเิ คชนั ครงั้ ทพ่ี บโหนดใหน้ าค่ามาใสไ่ วใ้ นสว่ นของ IF และพบโหนดใบใหใ้ ส่ Class ไว้ในส่วนของ THEN ทาจนครบทุกโหนดใบจะได้กฎทงั้ หมด 96 กฎ ดัง ทช่ี ว่ ยใหผ้ ใู้ ชส้ ามารถใชเ้ พอ่ื พยากรณ์ขนาดไขไ่ ก่จากขอ้ มลู เบอ้ื งตน้ ได้ โดย ตวั อยา่ งการสรา้ งกฎบางสว่ นในตารางท่ี 5. การใช้งานท่สี ะดวกรวดเรว็ เพยี งผู้ใชเ้ ลอื กตอบคาถามแล้วระบบจะทาการ วเิ คราะห์พยากรณ์และแสดงผลลพั ธ์ของขนาดไข่ไก่ได้ พรอ้ มทงั้ มขี ้อมูล ตารางท่ี 5. รปู แบบการตดั สนิ ใจพยากรณ์ขนาดไขไ่ ก่ เก่ยี วกบั ไก่ไข่เพม่ิ เตมิ เพ่อื ใหผ้ ู้ใช้งานสามารถทราบถงึ ขนาดไข่ไก่น้าหนัก ไข่ไก่ไดถ้ ูกต้อง ผลของพฒั นาแอปพลเิ คชนั มตี วั อย่างหน้าจอตวั อย่างดงั กฎท่ี รปู แบบหรอื กฎ ความหมาย รปู ท่ี 7- 8 1 IF food = “Betagro104” AND ถา้ ใหอ้ าหารสตู ร Betagro104 temperature = “25-27 c” AND age และอุณหภูมโิ รงเลย้ี งเทา่ กบั (month) = \"12m\" THEN 25-27 องศาเซลเซยี ลและอายุ number egg = “zero\" ไก่เท่ากบั 12 เดอื นจะทาใหไ้ ด้ ขนาดไขไ่ กเ่ ท่ากบั เบอร์ 0 2 IF food = “Make yourself” AND ถา้ ใหอ้ าหารสตู รทาเองและพนั ธุ์ egg hen = “hybrid” AND ไก่คอื ไฮบรดิ ลูกผสม ชว่ งเวลา watering= “morning-afternoon- การใหน้ ้าเทา่ กบั เชา้ - กลางวนั รปู ท่ี 7. หน้าจอหลกั และหน้าจอคาถาม evening” AND age (month) = \"8- - เยน็ และอายุไกเ่ ทา่ กบั 8-9 9m\" THEN number egg = “two\" เดอื นจะทาใหไ้ ดข้ นาดไขไ่ ก่ เทา่ กบั เบอร์ 2 3 IF food = “CP922” AND age ถา้ ใหอ้ าหารสตู ร CP922 และ (month) = \"6-7m\" THEN number อายไุ กเ่ ทา่ กบั 6-7 เดอื นจะทา 5

การประชุมวิชาการระดบั ชาตดิ ้านเทคโนโลยสี ารสนเทศ คร้ังที่ 11 (NCIT2019) รปู ท่ี 8. หน้าจอผลลพั ธก์ ารพยากรณข์ นาดไข่และหน้าจอสาระความรู้ ผลการวเิ คราะหป์ ัจจยั ทส่ี ่งผลต่อขนาดของไข่มากทส่ี ุด ไดแ้ ก่ อายุของ ไก่ รองลงมาคอื พนั ธุไ์ ก่และอาหารไก่ ส่วนปัจจยั ด้านการใหน้ ้า อุณหภูมิ 4.4.ผลการประเมนิ แอปพลเิ คชนั โรงเลย้ี งและระบบโรงเลย้ี งเป็นปัจจยั ทส่ี ง่ ผลกระทบเลก็ น้อยหรอื อาจจะไม่ การประเมนิ ประสทิ ธภิ าพแอปพลเิ คชนั ท่พี ฒั นาขน้ึ นัน้ ใชก้ ารประเมนิ มผี ลกระทบตอ่ ขนาดของไขไ่ ก่ ความพงึ พอใจจากผใู้ ช้งานระบบ ซง่ึ เป็นผใู้ ชง้ านทวั่ ไปจานวน 30 คน โดย จากนัน้ นาโมเดลพยากรณ์ท่ไี ด้ไปพฒั นาเป็นระบบในรูปแบบโมบาย ยึดตามหลักสถิติเชิงพรรณา (Descriptive statistics) ซ่ึงจะใช้ค่าเฉล่ีย แอปพลิเคชนั บนระบบปฎิบตั ิการแอนดรอยด์ โดยใช้โปรแกรม Android (Mean) และค่าเบ่ยี งเบนมาตรฐาน (Standard deviation) เป็นเคร่อื งช้ีวดั studio และภาษา JAVA เป็นภาษาหลักในการพัฒนา ผลการประเมิน ความพึงพอใจโดยรวม เกณฑ์การให้คะแนนประเมินใช้ตามหลกั Likert ป ร ะ สิท ธิภ า พ ข อ ง แ อ ป พ ลิ เค ชัน โ ด ย ผู้ใช้ ง าน พ บ ว่ า โด ย ร ว ม ร ะ บ บ มี scale ท่มี รี ะดบั คะแนนอยู่ท่ี 1-5 คะแนน ระดบั คะแนน 5 แสดงถงึ ความ ประสิทธิภาพอยู่ในระดับดี มีค่าเฉล่ียรวมเท่ากับ 4.15 ค่าเบ่ียงเบน พง่ึ พอใจมากท่สี ุดและไล่เรยี งระดบั ความพงึ พอใจท่ีน้อยลงไปจนถึงระดบั มาตรฐาน 0.59 เน่ืองจากมีการออกแบบระบบท่ีง่ายต่อการใช้งานและมี คะแนน 1 ซง่ึ แสดงถงึ ความเหน็ ว่าตอ้ งปรบั ปรุง ผลการประเมนิ แอปพลิเค ประโยชน์ต่อผู้ใช้ ดงั นัน้ สามารถสรุปได้ว่าแอปพลิเคชันท่ีพฒั นาข้นึ น้ีมี ชนั มรี ายละเอยี ดดงั ตารางท่ี 7. ความเหมาะสมสามารถนาไปใช้งานไดจ้ รงิ สามารถช่วยพยากรณ์ขนาดไข่ ไก่และแนวทางการเลย้ี งไกเ่ พ่อื ใหไ้ ดข้ นาดและคุณภาพไขต่ ามตอ้ งการได้ ตารางท่ี 7. ผลการประเมนิ แอปพลเิ คชนั จากผใู้ ช้ ขอ้ เสนอแนะสาหรบั งานวจิ ยั ในอนาคตควรมกี ารศกึ ษาขอ้ มลู ปัจจยั ท่มี ี รายการประเมิน Mean S.D. การ ผลต่อการพยากรณ์ขนาดไข่ไก่เพ่ิมเติม เพ่ือให้ค่าความถูกต้องในการ แปลผล พยากรณ์ขนาดไขไ่ กม่ คี ่าความถูกตอ้ งมากยงิ่ ขน้ึ 1.ดา้ นการทางานไดต้ ามฟังกช์ นั ่ การใชง้ าน 4.23 0.62 ดี เอกสารอ้างอิง [1] ปรเมศร์ ตนั ตนิ พรตั น์. การเลีย้ งไกไ่ ข.่ กรงุ เทพฯ: สานกั พมิ พเ์ กษตรสยาม, 2.ดา้ นความสะดวกในการใชง้ าน 4.27 0.57 ดี 2557. 3.ดา้ นตรงความตอ้ งการของผใู้ ช้ 3.97 0.55 ดี [2] สุชาติ สงวนพนั ธุ.์ “การเลย้ี งดูไกไ่ ข”่ . สบื คน้ เมอ่ื 12 มนี าคม 2562, จาก 4.ดา้ นความถกู ตอ้ งแม่นยา 3.90 0.65 ดี เวบ็ ไซต์ https://www.ku.ac.th/e-magazine/july47/agri/hen.html [3] สานกั งานเศรษฐกจิ การเกษตร. “ราคาสนิ คา้ เกษตร”. สบื คน้ เมอ่ื 5 มนี าคม 5.ดา้ นประโยชน์ทไ่ี ดร้ บั จากระบบ 4.40 0.55 ดี 2562, จากเวบ็ ไซต์ http://www.oae.go.th รวม 4.15 0.59 ดี [4] J. Ali, R. Khan, N. Ahmad and I. Maqsood, “Random Forests and จากการประเมินประสิทธิภาพโดยผู้ใช้งาน พบว่าระบบมีค่าเฉล่ีย Decision Trees”, IJCSI International Journal of Computer Science โดยรวมเท่ากบั 4.15 ส่วนเบ่ยี งเบนมาตรฐานเท่ากบั 0.59 ดงั นัน้ ระบบมี Issues, 9(5), No 3, pp 272-278, September 2012. คุณภาพอยใู่ นระดบั ดี [5] J.R. Quinlan, “Introduction of Decision Trees,” Machine Learning, vol 1, no. 1, pp 81-106, March. 1986. 5. สรุปและอภปิ รายผล [6] บรรจบ ดลกุล, จารี ทองคา, วาทนิ ี สขุ มาก, “การสรา้ งแบบจาลองเพอ่ื งานวจิ ยั น้ีนาเสนอระบบเพ่อื พยากรณ์ขนาดไขไ่ ก่ด้วยตน้ ไมต้ ดั สนิ ใจ พยากรณ์การเกดิ แผลทเ่ี ทา้ ของผปู้ ่วยโรคเบาหวานโดยใชเ้ ทคนคิ เหมอื ง เป็นระบบท่ีพัฒนาข้ึนมีลักษณะเป็นแอปพลิเคชันบนสมาร์ทโฟน การ ขอ้ มลู ,” วารสารวทิ ยาศาสตรแ์ ละเทคโนโลยี มหาวทิ ยาลยั มหาสารคาม, ดาเนินงานเรม่ิ จากการรวบรวมขอ้ มูลท่เี กย่ี วข้องเพ่อื นามาคดั เลอื กปัจจยั ปีท่ี 33, ฉบบั ท่ี 6, หน้า 703-710, พฤศจกิ ายน – ธนั วาคม 2557. สาหรบั สรา้ งโมเดลพยากรณ์ โดยสามารถคดั เลอื กปัจจยั ได้ 6 ปัจจยั ไดแ้ ก่ [7] ชดั ชยั แกว้ ตาและอจั ฉรา มหาวรี วฒั น์. “การวนิ ิจฉยั คดดี ว้ ยเทคนคิ ตน้ ไม้ อายุ อณุ หภูมิ น้า อาหาร พนั ธไุ์ ก่ พน้ื ทก่ี ารเลย้ี งไก่และคลาสผลลพั ธ์ ไดแ้ ก่ ตดั สนิ ใจ,” การประชมุ วชิ าการประเทศดา้ นเทคโนโลยสี ารสนเทศ ครงั้ ท่ี 3 ขนาดไข่ไก่เบอร์ 0-6 เก็บขอ้ มูลกลุ่มตวั อย่างจากฟาร์มในจงั หวดั สุโขทยั (NCIT2010), 2553. หน้า 308-313. และจังหวัดลาพูนจานวนทัง้ หมด 1,100 ชุดข้อมูล การสร้างโมเดล [8] ชลธศิ า พลทองมากและพธุ ษดี ศริ แิ สงตระกลู . “การวเิ คราะหค์ วามเสย่ี งการ พยากรณ์ขนาดไข่ไก่เลอื กใช้อลั กอรทึ ึมของต้นไมต้ ดั สินใจ 3 อลั กอริทึม เป็นโรคไวรสั ตบั อกั เสบซโี ดยตน้ ไมก้ ารตดั สนิ ใจและทฤษฎเี บยเ์ ซยี น,” การ ไดแ้ ก่ อลั กอรทิ มึ J48, REPTree และ RandomTree ใช้วธิ กี ารทดสอบค่า ประชุมวชิ าการประเทศดา้ นเทคโนโลยสี ารสนเทศ ครงั้ ท่ี 4 (NCIT2011), ความถูกต้องด้วยวิธี 10-fold cross validation จากการทดสอบพบว่า 2554. หน้า 558-563. อลั กอรทิ ึม RandomTree มคี ่าประสทิ ธิภาพสูงสุดโดยมีค่าความถูกต้อง [9] ชดิ ชนก ศรชี ยั วงศ,์ ไพศาล ตระกูลสุข, สรุ เดช บญุ ลอื . “ระบบสนบั สนุนการ เท่ากบั 73.00% ค่าความแม่นยา 73.60% และค่าความระลกึ 73.00% ซ่งึ ตดั สนิ ใจเพ่อื วนิ จิ ฉัยโรคใบลาใยดว้ ยเทคนคิ ตน้ ไมต้ ดั สนิ ใจ”. Veridian E- โมเดลพยากรณ์ท่ีได้น้ีสามารถสร้างเป็นกฎการตัดสนิ ใจฝังรหัสในแอป Journal Science and Technology Silpakorn University. ปีท่ี 1, ฉบบั ท่ี 6, พลเิ คชนั ไดจ้ านวน 96 กฎการตดั สนิ ใจ หน้า 1-14. พฤศจกิ ายน – ธนั วาคม 2557. [10] อจั ฉราภรณ์ จฑุ าผาด.“การพฒั นาระบบสารสนเทศเพ่อื การพยากรณ์จานวน นักศกึ ษาใหมโ่ ดยใชก้ ฎการจาแนกตน้ ไมต้ ดั สนิ ใจ,” การประชมุ วชิ าการ นเรศวรวจิ ยั ครงั้ ท่ี 12 , 2559. หน้า 267 - 278. [11] เอกสทิ ธิ์ พชั รวงศศ์ กั ดา. การวิเคราะห์ขอ้ มลู ดว้ ยเทคนิคดาตา้ ไมน์นิ่ง เบอื้ งต้น. ปทุมธานี: ดาตา้ ควิ บ,์ 2557. 6

การประชุมวิชาการระดับชาติด้านเทคโนโลยสี ารสนเทศ ครง้ั ท่ี 11 (NCIT2019) การเปรยี บเทียบ Regression Loss Function ของรถยนตไ์ รค้ นขบั ใน สภาพแวดล้อมจาลอง A Comparison of Regression Loss Function in Self-Driving Car Simulation นายณฏั ฐเอก วฒั นุญาน นายรคิ ก์ อหี ม์ นั ดร. ถริ พล วงศส์ อาดสกลุ Mr. Nattaaek Wattanuyan Mr. Rick Ihmann Dr. Thirapon Wongsaardsakul คณะเทคโนโลยสี ารสนเทศและนวตั กรรม / คณะเทคโนโลยสี ารสนเทศและนวตั กรรม / คณะเทคโนโลยสี ารสนเทศและนวตั กรรม / มหาวทิ ยาลยั กรงุ เทพ มหาวทิ ยาลยั กรงุ เทพ School of Information Technology and มหาวทิ ยาลยั กรุงเทพ School of Information Technology and Innovation / Bangkok University School of Information Technology and ปทุมธานี / ประเทศไทย Innovation / Bangkok University Pathum Thani / Thailand Innovation / Bangkok University ปทุมธานี / ประเทศไทย [email protected] ปทมุ ธานี / ประเทศไทย Pathum Thani / Thailand Pathum Thani / Thailand [email protected] [email protected] บ ท คั ด ย่ อ — Regression Loss Function เป็ น ฟั ง ก์ ชั น ที่ เพ่ิ ม Success Rate or the integrity of the car without the driver running the ประสิทธิภาพของรถยนตไ์ รค้ นขบั ในเรอื่ งของการคาดการณ์ว่ารถยนตค์ วร anniversary without collision Approaching the truth or the integrity จะขบั ไปในทิศทางไหนเพื่อหลบส่ิงกีดขวาง โดยทาการเปรียบเทียบทงั้ 3 value, with the Loss Ratio value, if much less or closer to the center ฟังก์ชัน คือ Mean Squared Error, Mean Absolute Error และ Log Cosh Means having good performance 3) Training Time or time spent in Loss ผ่านการวดั ประสิทธิภาพ ดงั นี้ 1) Success Rate หรือ ความสมบูรณ์ training models ของรถยนตไ์ ร้คนขบั ที่วิ่งครบรอบโดยไม่ชนส่ิงกีดขวางและไม่ว่ิงออกนอก เส้นทางหรือไม่ตกขอบถนน 2) Loss Ratio คือค่าเข้าใกล้ความจริงหรือค่า From the results of the experiment Success Rate of Log Cosh ความสมบูรณ์ โดยท่ีค่า Loss Ratio หากย่ิงน้อยหรือเข้าใกล้ศูนย์มาก Loss is 40%, Mean Square Error is 15% and Mean Absolute Error is เท่าไหร่ หมายความว่ามปี ระสิทธิภาพท่ีดี 3) Training Time หรือ ระยะเวลา 5% ที่ใช้ในการเทรนโมเดล จากผลจากการทดลอง Success Rate ของ Log Cosh Loss เป็ น 40% For training time, there is a difference depending on the size of Mean Square Error เป็ น 15% และ Mean Absolute Error เป็ น 5% สาหรบั the data used in the training. Log Cosh Loss takes the least training ค่า Loss Ratio มคี วามแตกต่างกนั ไปขึ้นอย่กู บั ขนาดของข้อมูลที่ใช้ในการ time for small data. Mean Absolute Error takes the least training time วดั ผลโดย Log Cosh Loss มีค่า Loss Ratio น้อยท่ีสุดสาหรบั ข้อมูลขนาด for medium and medium data. Mean Absolute Error takes the least เล็ก กลางและใหญ่ ซ่ึงเมื่อคิดเป็ นเปอร์เซ็นต์จะได้ 80%, 84% และ 83% training time for large data. The percentage of each experiment is a ตามลาดบั สาหรบั Training Time มีความแตกต่างกนั ไปข้ึนอยู่กลบั ขนาด measure of the efficiency of each function. That each function ของข้อมูลที่ใช้ในการเทรน โดย Log Cosh Loss ใช้เวลาในการเทรนน้อย increases efficiency from normal Which each function will be suitable ท่ีสุดสาหรบั ข้อมูลขนาดเล็ก Mean Absolute Error ใช้เวลาในการเทรน for different data sizes Some functions may have quick but not น้อยท่ีสุดสาหรบั ข้อมูลขนาดกลาง และ Mean Absolute Error ใช้เวลาใน detailed data analysis. การเทรนน้อยที่สุดสาหรบั ข้อมูลขนาดใหญ่ โดยท่ีเปอรเ์ ซ็นในแต่ละการ ทดลองเป็ นตัวช้ีวดั ว่าประสิทธิภาพของแต่ละฟังก์ชนั ว่าฟังก์ชนั แต่ละตัว 1. บทนา เพ่ิมประสิทธิภาพจากปกติเท่าไหร่ ซ่ึงแต่ละฟังกช์ นั กจ็ ะเหมาะกบั ขนาดของ Regression Loss Function ท่ี นิ ย ม ใช้ ใน Machine Learning [1] ข้อมลู ที่แตกต่างกนั บางฟังกช์ นั อาจจะมกี ารวิเคราะหข์ อ้ มลู ท่ีรวดเรว็ แต่ไม่ เพ่อื ใหส้ ามารถเรยี นรดู้ ้วยตนเอง ประกอบด้วย Mean Square Error [2], ละเอียด Mean Absolute Error [3] และ Log Cosh Loss [4] ซ่ึงการทางานจะมี ความแตกต่างกนั ทก่ี ารคน้ หาหรอื ลู่เขา้ หาคาตอบทต่ี อ้ งการดว้ ยวธิ กี ารทาง ABSTRACT — Regression Loss Function is a function that คณิตศาสตร์ การเปรียบเทียบน้ีจะแสดงให้เห็นถึงประสิทธิภาพของ increases the efficiency of a self-driving car in terms of forecasting Regression Loss Function แต่ละแบบว่ามีแตกต่างกนั อย่างไรบ้าง และ which car should drive in any direction to avoid obstacles. By นาไปสกู่ ารเพมิ่ ประสทิ ธภิ าพของรถยนตไ์ รค้ นขบั ได้ comparing the 3 types of Mean Squared Error, Mean Absolute Error การเทรนรถยนต์ไร้คนขับในสภาพแวดล้อมจาลองโดยใช้ PID and Log Cosh Loss through performance measurement as follows: 1) Controller คอื ทาหน้าทช่ี ว่ ยในการขบั เคลอ่ื นใหร้ ถยนต์ไรค้ นขบั สามารถขบั ไปขา้ งหน้าตามจุดตา่ ง ๆ ทก่ี าหนดไว้ หลงั จากนัน้ ทาการถ่ายภาพเพอ่ื เกบ็ 7

การประชมุ วชิ าการระดับชาตดิ ้านเทคโนโลยสี ารสนเทศ คร้งั ท่ี 11 (NCIT2019) เป็นชุดขอ้ มลู ไวส้ าหรบั เทรนโมเดล เพ่อื ใหร้ ถยนตไ์ รค้ นขบั นัน้ สามารถรไู้ ด้ การขบั เพ่อื ไม่ใหต้ กขอบทางนัน้ หรอื หลบสง่ิ กดี ขวางนนั้ จะมตี วั Marker แต่ ว่าเส้น ท างไห น ควรเล้ียวห รือ ขับ ต าม ป กติ โดยจะเข้าสู่ขั้น ต อ น ละจุดเพ่ือให้รถยนต์นัน้ ขบั ไปตามจุดต่าง ๆ เพ่ือทาการเก็บข้อมูล โดย Convolutional Neural Networks ซ่ึงจะเป็นส่ิงท่ีคอยจดั การรูปภาพโดย หลงั จากทาการเทรนเรยี บรอ้ ยแล้ว ตวั รถยนต์ไรค้ นขบั จะนาขอ้ มูลทเ่ี ทรน การแปลงรปู ภาพใหเ้ ป็นเมทรกิ ซ์ เพอ่ื นาเมทรกิ ซ์ทไ่ี ดน้ าไปคานวณ เพอ่ื ให้ นั้นมาวิเคราะห์และทาการขับโดยไม่มี Marker หลังจากนั้นจะทาการ ได้เซต็ ของตวั เลขซ่งึ จะนาไปเทรนโมเดลและขนั้ ตอนถดั ไป คอื การเทรน เปรยี บเทียบ Regression Loss Function ทงั้ 3 ตวั ว่าตัวไหนท่ีนาข้อมูล โม เด ล ซ่ึ ง เม่ื อ ไ ด้ ชุ ด ข้ อ มู ล ม า เรีย บ ร้อ ย แ ล้ ว จ ะ น า ชุ ด ข้ อ มู ล ไ ป เข้ า สู่ ไปเทรนแลว้ เกดิ ผลอย่างไรบา้ ง กระบวนการเทรนโมเดลโดยจะมี Genetic Algorithm และ Regression Loss Function ด้วย ซง่ึ Genetic Algorithm จะคอยจดั การใหช้ ุดขอ้ มลู นัน้ Deep Learning [5] เปรียบเสมือนสมองของรถยนต์ โดยมีหน้าท่ี ออกมาสมบรู ณ์มากขน้ึ วเิ คราะห์สภาพในท้องถนน ความเหมาะสมในการเร่งเคร่อื งหรอื เบรกและ อ่นื ๆ ส่วน Convolutional Neural Network [6] คอื รปู แบบโครงสรา้ งหน่ึง จากการทดลองในเร่อื งของอตั ราความสาเรจ็ ในการใหร้ ถยนต์ไรค้ นขบั ของ Feed-Forward Neural Network ทางานแบบหมุนวน คือ รบั ข้อมูล นัน้ ขบั วนรอบแผนท่ใี นสภาพแวดล้อมจาลอง Log Cosh Loss จะมอี ตั รา Input จาก Camera เพอ่ื นาไปแยกส่วนรปู ภาพเป็นเมทรกิ ซ์และตวั เลข ซ่งึ ความสาเรจ็ ทส่ี งู ทส่ี ดุ โดยจะวง่ิ สาเรจ็ 8 รอบ จาก 20 รอบ ในขณะเดยี วกนั จะอยู่ในขนั้ ตอนภายใน Convolutional Layer และทาการส่งค่าตัวเลขใน เม่อื วดั การวดั ค่า Loss Ratio และ ระยะเวลาในการเทรนนัน้ จะเทยี บจาก เมทรกิ ซ์ออกมาในส่วน Output โดยทจ่ี ะทาหมนุ วนทุกครงั้ ทม่ี กี ารถ่ายรปู ชุดขอ้ มูลในขนาดต่าง ๆ ซง่ึ สามารถทาใหร้ ไู้ ด้วา่ หากมจี านวนชุดขอ้ มูลใน ระดับไห นควรจะใช้ Regression Loss Function แบบไหน เพ่ือให้มี Genetic Algorithm มแี นวคิดมาจากกระบวนการทางพนั ธุกรรมของ ประสิทธิภาพในการทางานมากข้ึน โดยท่ี Log Cosh Loss นั้นจะมีค่า สงิ่ มชี วี ติ จากววิ ฒั นาการ ซง่ึ จะประกอบไปดว้ ย 5 ขนั้ ตอน ขนั้ ตอนแรกกค็ อื Loss Ratio น้อยทส่ี ุดเม่อื เทยี บกบั อีก 2 แบบ ก็คอื จะแสดงให้เหน็ ว่า Log Chromosome Encoding คอื การถอดรหสั ของสงิ่ ต่าง ๆ และทาการแปลง Cosh Loss จะมกี ารลู่เข้าหาความจรงิ หรอื ค่าความสมบูรณ์มากท่สี ุด ซ่ึง ค่าเป็น Bit 0 และ 1 โดยท่ีการแปลงนัน้ จะมีหลายรูปแบบ เช่น Binary ระยะเวลาในการเทรนนัน้ เม่อื เปรยี บเทียบจากชุดขอ้ มูลท่มี ีขนาดเล็กนัน้ Encoding, Value Encoding แ ล ะ Permutation Encoding เ ป็ น ต้ น Log Cosh Loss จะใชเ้ วลาในการเทรนค่อนขา้ งเรว็ ในขณะเดยี วกนั เม่อื มี หลังจากนัน้ จะเป็น Initial Population คอื การสุ่มเลือกค่ามาเพ่อื เป็นการ ขนาดจานวนท่ีมากข้ึนเป็นขนาดกลางหรือขนาดใหญ่นัน้ จะเห็นได้ว่า ทดลองครงั้ แรกโดยจะสุ่มจากจานวนท่ีแปลงมาทัง้ หมดไว้กาหนดเป็น Mean Absolute Error จะใชเ้ วลาในการเทรนน้อยทส่ี ุด Parameter ของ Algorithm ส่วนสาคญั ท่ีสุดใน Genetic Algorithm ก็คือ Fitness Function เป็นวธิ กี ารประเมณิ ค่าความเหมาะสมไวส้ าหรบั คานวณ 2. ทฤษฎแี ละความรตู้ ่าง ๆ วา่ คา่ นัน้ ๆ มคี วามสมบรู ณ์มากพอท่จี ะไปใชใ้ น Generation ถดั ไปหรอื ไม่ หัวข้อน้ีจะกล่าวถึงทฤษฎีและความรู้ท่ีใช้ในการวัดประสิทธิภาพ หรอื ก็คอื การคดั กรองสงิ่ ทด่ี ที ส่ี ดุ ใน Generation นนั้ ๆ ตอ่ มากค็ อื Genetic Regression Loss Function Operator คือวธิ ีการปรบั เปล่ียนองค์ประกอบของข้อมูลทุกขนั้ ตอนของ รถยนต์ไรค้ นขบั ปัจจุบนั นัน้ มชี ่อื เรยี กกนั ค่อนขา้ งหลากหลายช่อื โดย Genetic Algorithm และขนั้ ตอนสุดท้ายก็คอื Termination คือ จุดท่ีพอใจ ทส่ี ่วนสาคญั ทส่ี ุดในการทารถยนต์ไรค้ นขบั กค็ อื อปุ กรณ์ทใ่ี ชต้ รวจจบั สง่ิ กดี แล้ว เช่น ค่า Fitness เกินท่ีกาหนดแล้ว หรือ ค่า Fitness นัน้ ไม่มากไป ขวางบนท้องถนน ซ่งึ มหี ลากหลายรูปแบบ การตรวจจบั โดยใช้ Camera กว่าน้แี ลว้ เป็นจานวน 10 Generation เป็นตน้ คอื การใชก้ ล้องถ่ายรปู ท่จี ะตดิ อยบู่ นรถยนต์ไรค้ นขบั เพ่อื ถ่ายภาพถนน ซง่ึ ภาพจะถูกแปลงเป็นขอ้ มูลเพ่อื ใช้ในการเทรนต่อไป การเลอื กใช้ Camera Loss Function คอื ฟังก์ชนั ในการคานวณซง่ึ จะช่วยเพมิ่ ประสทิ ธิภาพ เน่ื องจากเป็ น สภ าพ แวด ล้อม จาลอ งและไม่ มีส่ิงกีด ขวางท าให้รูป แบ บ ให้กับ Machine Learning ซ่ึง Machine Learning นัน้ ประกอบด้วยกนั 2 Camera เป็นรปู แบบทเ่ี หมาะทส่ี ดุ แบบ คอื Classification [7] คอื การสอนใหป้ ัญญาประดษิ ฐ์นัน้ จาแนกบาง สงิ่ บางอย่างท่แี น่นอน เช่น การให้ปัญญาประดิษฐ์แยกภาพระหว่างหมา รปู ท่ี 2.1 Camera บนตวั รถยนตไ์ รค้ นขบั และแมว โดยท่ีข้อมูลในการเทรนจะมีเพียงแค่หมาและแมวเท่านัน้ จะ สามารถตอบได้เพียงแค่คาถามท่ีได้สอนไปเท่านัน้ อีกประเภทหน่ึงคือ Regression [8] คอื การใหป้ ัญญาประดษิ ฐน์ ัน้ พยากรณ์ในสง่ิ ท่ไี ม่แน่นอน เช่น มเี ซ็ตขอ้ มลู สภาพอากาศของปีทแ่ี ล้วและใหป้ ัญญาประดษิ ฐ์พยากรณ์ สภาพอากาศในปีน้ี ซง่ึ Regression Loss Function นนั้ จะมฟี ังก์ชนั ในการ คานวณหลากหลายรปู แบบโดยจะเลอื กมาทงั้ หมด 3 แบบ แบบแรก Mean Square Error ในเร่อื งของการคาดการณ์นัน้ คอ่ นขา้ งทาไดด้ แี ต่ค่อนขา้ งใช้ เวลาในการคานวณเยอะ แบบถดั มาคอื Mean Absolute Error นัน้ จะตรง ขา้ มกบั Mean Square Error เน่ืองจาก Mean Absolute Error จะคานวณ การคาดการณ์ไดอ้ ย่างรวดเรว็ แต่ความแม่นยานัน้ คอ่ นข้างน้อย ส่วนแบบ สุดท้ายคอื Log Cosh Loss นัน้ จะเป็นแบบท่ีประยุกต์มาจากแบบ Mean Absolute Error และ Mean Square Error จากรูปท่ี 2.1 คือ Camera ท่ีอยู่บนรถยนต์ไร้คนขับ ไว้สาหรับในการ ������������������ = ∑������������=1(������������− ������������������)2 (1) ถา่ ยรปู ภาพถนนในขณะทร่ี ถยนต์ไรค้ นขบั กาลงั ขบั เคล่อื น โดยหลกั การใน ������ 8

การประชมุ วิชาการระดับชาติด้านเทคโนโลยีสารสนเทศ ครงั้ ที่ 11 (NCIT2019) Mean Square Error จากสมการ (1) จะมตี วั แปรทงั้ หมด 3 ตวั คอื ปรบั เปล่ยี นวถิ กี ารขบั โดยท่ตี วั องศาล้อรถยนต์ทส่ี ่งมานัน้ จะมาปรบั 2 ล้อ ������������ ตวั แปรต้นหรอื ขอ้ มูลก่อนการพยากรณ์, ������������������ ตวั แปรตามหรอื ข้อมูล หน้าของรถยนต์เพ่ือให้ปรับวิถีการขับของรถยนต์ โดยรายละเอียด ตอนพยากรณ์เรยี บรอ้ ยแลว้ และn คอื จานวนขอ้ มลู ทงั้ หมด ประกอบดว้ ย 6 ขนั้ ตอน ดงั น้ี ������������������ = ∑������������=1|(������������− ������������������)| (2) ขนั้ ตอนท่ี 1 การเกบ็ รวบรวมขอ้ มลู โดยท่กี ารเก็บรวบรวบขอ้ มลู นัน้ สามารถทาได้หลากหลายวธิ ี โดยจะใช้ Camera ในการถ่ายรูปภาพของ ������ ถนนและสิ่งกีดขวาง เพ่อื เป็นข้อมูลไวใ้ ช้สาหรบั การเทรนโมเดล โดยจะ ถา่ ยรปู ภาพไปจนกว่าจะสดุ ขอบถนนหลงั จากนัน้ ถนนจะทาการ Generate Mean Absolute Error จากสมการ (2) จะคลา้ ยคลงึ กบั สมการ (1) ของ แผนทข่ี น้ึ มาใหม่โดยไม่ซ้ากนั หลงั จากทไ่ี ด้ขอ้ มลู รปู ภาพเยอะพอเรยี บรอ้ ย Mean Square Error เน่ืองจากเป็ นการประยุกต์จากสมการ (1) โดยท่ี แลว้ กเ็ ป็นอนั เสรจ็ การเกบ็ รวบรวมขอ้ มลู เปลย่ี นจากการยกกาลงั สองเป็น Absolute แทน ขนั้ ตอนท่ี 2 การจดั การและเตรยี มการของขอ้ มลู หลงั จากท่ไี ดข้ อ้ มลู ท่ี ������(������, ������������) = ∑in=1 log (cosh (yip−yi)) (3) เป็นรูปภาพมาเรยี บรอ้ ยแล้วจะทาการคดั กรองและจดั การกบั ข้อมูล จาก การถา่ ยภาพจากขนั้ ตอนท่ี 1 มโี อกาสทร่ี ถยนต์ไรค้ นขบั จะสามารถถ่ายรปู n ภาพหญ้าตดิ มาด้วยเน่ืองจากรอบ ๆ ถนนจะประกอบไปดว้ ยหญ้าทงั้ หมด กอ่ นและหลงั จากการ Generate ถนนมโี อกาสทร่ี ถยนต์ไรค้ นขบั นนั้ จะขบั Log Cosh Loss จากสมการ (3) จะเป็นการประยุกต์ของสมการ (1) ไปเกินสุดขอบถนนทาให้ในรูปภาพมีหญ้าติดมาด้วย ซ่ึงอาจทาให้เกิด และ (2) โดยทจ่ี ะใช้ cosh และ log มาแทนทก่ี ารใชก้ าลงั สองและAbsolute ความผดิ พลาดได้ ทาใหต้ อ้ งมกี ารเตรยี มการของขอ้ มลู ดว้ ยการลบรปู ภาพ เหล่านนั้ ออกเพ่อื ความสมบรู ณ์ของขอ้ มลู 3. วธิ ดี าเนนิ งาน วธิ ีในการดาเนินการนัน้ จะเรมิ่ ต้นจากการเก็บรวบรวมขอ้ มูลโดยการท่ใี ห้ ขนั้ ตอนท่ี 3 การเทรนโมเดล หลงั จากท่ีได้ข้อมูลท่ีเป็นรปู ท่ีพร้อมใช้ รถยนต์ไรค้ นขบั เก็บข้อมูลโดยการถ่ายรูปภาพถนน ในสภาพแวดล้อม งานแล้ว หลงั จากนัน้ จะทาสร้างโมเดลข้นึ มา ซ่งึ โมเดลนัน้ คอื แบบจาลอง จาลอง หลงั จากนนั้ ทาการเตรยี มขอ้ มลู เพ่อื มาทาการเทรนโมเดลขน้ึ มา ซ่งึ รถยนต์ไรค้ นขบั ทเ่ี รยี นรโู้ ดยใชร้ ปู ภาพ โดยจะนาขอ้ มูลไปเทรนใน Neural ในระหว่างท่ีเทรนโมเดลขน้ึ มาจะเก็บข้อมูลไปด้วย โดยท่จี ะทาการเทรน Network โดยทใ่ี ช้ Library ของ Python ท่ชี ่อื TensorFlow [9] คอื Library ทัง้ หมด 3 รูปแบบด้วยกัน โดยการใช้ Regression Loss Function ท่ี สาหรบั Machine Learning ซ่งึ การเทรนโมเดลนัน้ จะทาทงั้ หมด 3 ครงั้ ก็ แตกต่างกนั ทงั้ 3 รปู แบบ เพ่อื เกบ็ ขอ้ มลู วา่ แต่ละแบบมรี ะยะเวลาในการเท คือ Mean Square Error, Mean Absolute Error, Log Cosh Loss โด ย รนท่ีแตกต่างกนั เท่าไหร่เพ่อื ท่ีจะทาให้สามารถรูไ้ ด้ว่า Regression Loss สามารถเทรนขอ้ มูลได้โดยเขยี น Script ของ Python ผ่านทาง Terminal Function ตวั ไหนท่มี รี ะยะเวลาในการเทรนเท่าไหร่น่ีถอื เป็นการทดลองใน ซง่ึ จะไดไ้ ฟลน์ ามสกุล .h5 มา ขนั้ แรก ขนั้ ตอนท่ี 4 การเปิดเซิร์ฟเวอร์ โดยท่ีเซิร์ฟเวอร์นัน้ เป็นตัวกลาง รปู ท่ี 3.1 ขนั้ ตอนในการส่งขอ้ มลู จากกลอ้ งไปรถยนต์ ระหวา่ งรถยนต์ไรค้ นขบั กบั โมเดล โดยทร่ี ถยนตไ์ รค้ นขบั นัน้ จะถา่ ยรปู ภาพ ไปเปรยี บเทยี บกบั โมเดลว่ามกี ารขบั ท่ผี ดิ พลาดหรอื ขบั ออกนอกเสน้ ทาง จากรูปท่ี 3.1 เป็นขนั้ ตอนท่ีเทรนโมเดลเสร็จแล้ว ซ่ึงโมเดลจะอยู่ท่ี หรอื ไม่ ซ่ึงโมเดลจะทาการส่งค่าองศาล้อรถยนต์มาท่ีรถยนต์ไร้คนขับ Local server โดยท่รี ถยนต์ไรค้ นขบั จะทาการถ่ายภาพถนนและทาการส่ง ตลอดเวลาเพ่อื ใหร้ ถยนต์ไรค้ นขบั นนั้ สามารถขบั ไปในเสน้ ทางท่ถี กู ตอ้ งได้ รูปภาพถนนไปจะแยกส่วนรูปภาพใหเ้ ป็นเมรกิ ซ์ ซ่ึงกระบวนการในการ โดยขนั้ ตอนการเปิดเซริ ฟ์ เวอรน์ นั้ ทาไดโ้ ดยเขยี น Script ของ Python ผา่ น แยกรูปภาพเป็นเมรกิ ซ์นัน้ เรยี กว่า Convolutional Neural Network หรอื ท่ี Terminal ซ่งึ จะนาเอาไฟล์ .h5 จากการเทรนโมเดลจากขนั้ ตอนท่ี 3 มาใช้ เรยี กกนั ว่า CNN เพ่อื ให้สามารถวิเคราะห์ข้อมูลได้จากตัวเลขในเมรกิ ซ์ ในการเปิดเซริ ฟ์ เวอร์ ขนั้ ตอนน้ีจงึ มคี วามจาเป็นอย่างมาก หลงั จากนนั้ ทาการวเิ คราะห์กบั โมเดล รถยนต์ไรค้ นขบั ในช่วงแรกทข่ี บั ตาม Marker ซ่งึ เป็นตน้ แบบเพ่อื ใหต้ วั AI ขนั้ ตอนท่ี 5 การจาลองรถยนตไ์ รค้ นขบั โดยทก่ี ารจาลองน้จี ะใชแ้ ผนท่ี สามารถเรยี นรู้ว่าควรจะขบั ไปในทิศทางไหน เม่อื คานวณเสร็จเรยี บรอ้ ย เดยี วกนั หมดทงั้ 3 โมเดลเพ่อื ทดสอบประสทิ ธภิ าพของแต่ละ Regression แล้ว จะทาการส่งค่าองศาล้อรถยนต์มาท่ีรถยนต์ไร้คนขบั เพ่อื ให้ทาการ Loss Function ว่าแต่ละแบบทางานได้แตกต่างกันอย่างไรบ้างใน สภาพแวดลอ้ มเดยี วกนั กอ่ นทจ่ี ะเรม่ิ ทาการจาลองจะตอ้ งมกี ารเลอื กโมเดล กอ่ นโดยทจ่ี ะมโี มเดลทงั้ หมด 3 แบบดว้ ยกนั ซง่ึ โมเดลทเ่ี ลอื กนนั้ จะใชเ้ ป็น โมเดลหลกั ในการเปรยี บเทยี บกบั รถยนต์ไรค้ นขบั ผ่านทางเซริ ์ฟเวอร์ โดย ทจ่ี ะคอยส่งค่าองศาของล้อรถยนต์มาให้รถยนต์ไรค้ นขบั โดยท่วี ธิ กี ารคอื รถยนต์ไรค้ นขบั จะทาการส่งรูปมาให้เซิร์ฟเวอร์เพ่ือแปลงเป็น เมทรกิ ซ์ หลงั จากนัน้ จะทาการวเิ คราะห์กบั โมเดล แลว้ เซริ ฟ์ เวอร์จะคอยส่งคา่ องศา ลอ้ รถยนตม์ าใหร้ ถยนต์ไรค้ นขบั เพอ่ื คอยปรบั เปลย่ี นวถิ กี ารขบั ขนั้ ตอนท่ี 6 การวดั ผล โดยจะวดั ผล Regression Loss Function ใน แต่ละแบบนัน้ จะวง่ิ ได้โดยไม่ตกขอบทางจนถงึ เสน้ ทางทก่ี าหนดไวท้ งั้ หมด 20 รอบ โดยท่อี ย่างแรกท่ตี อ้ งการจะทดสอบคอื อตั ราความสาเรจ็ ของแต่ 9

การประชุมวชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครั้งที่ 11 (NCIT2019) ละ Regression Loss Function นัน้ สามารถขบั ได้ก่ีรอบจากทัง้ หมด 20 รอบ ต่อมาจะวดั ค่า Loss Ratio หรอื ค่าทล่ี ู่เขา้ หาความจรงิ ว่าแต่ละแบบมี ค่าน้ีมาก น้อยอย่างไรบ้าง ต่อมาคอื ระยะเวลาในการเทรนว่าแต่ละแบบใช้ เวลาในการเทรนโมเดลตา่ งกนั อย่างไรบา้ ง 4. ผลการทดลอง รปู ท่ี 4.2 คา่ Loss Ratio หวั ขอ้ น้ีอธบิ ายถงึ ผลการทดลองของ Regression Loss Function แต่ ละแบบ ว่ามีอัตราความสาเร็จ (Success Rate) ค่า Loss Ratio และใช้ จากรปู ท่ี 4.2 ตวั แกนแนวตงั้ คอื ค่า Loss Ratio และตวั แกนแนวนอน เวลาในการเทรนเป็นเท่าไร คอื จานวนชุดขอ้ มูลซ่งึ จะมที งั้ หมด 3 ชุดด้วยกนั คอื ชุดขอ้ มูลขนาดใหญ่, 4.1. อตั ราความสาเรจ็ กลาง และเล็กตามลาดบั หลงั จากได้เปรยี บเทียบเสร็จแล้วจะเห็นได้ว่า โดยในการเปรียบเทียบอัตราความสาเร็จ หรือ Success Rate จะ อัลกอริทึม Mean Absolute Error มีค่าเท่ากับ 5.3409, Mean Square เปรยี บเทยี บไดจ้ ากการท่รี ถยนต์ไรค้ นขบั นัน้ สามารถขบั ในแผนท่เี สมอื น Error 0.4089 และ Logcosh มีค่าเท่ากบั 0.17047 จากการเปรียบเทียบ จริงโดยท่ีเป็นแผนท่ีเดียวท่ีใช้ทดสอบทัง้ 3 Regression Loss Function ทงั้ หมดด้วยชุดขอ้ มูลขนาดใหญ่ จะเหน็ ได้ว่าอลั กอรทิ ึม Logcosh จะมคี ่า ซ่งึ จะทาการทดสอบทงั้ หมด 20 รอบเพ่อื ดูว่า Regression Loss Function Loss Ratio น้อยทส่ี ุด โดยทส่ี าเหตุท่ี Logcosh นนั้ มคี ่า Loss Ratio ทน่ี ้อย แบบไหนทม่ี อี ตั ราความสาเรจ็ ทส่ี งู ทส่ี ดุ ท่ีสุดนัน้ เป็นสาเหตุมาจากสูตรทางคณิตศาสตร์ซ่ึงเม่อื นามาพล็อตเป็น กราฟการคาดการณ์นั้นจะเห็นได้ว่ามีการประยุกต์ใช้ระหว่าง Mean Square Error และ Mean Absolute Error ทาใหก้ ารลู่เขา้ หาความจรงิ และ การคาดการณ์นนั้ ไดร้ วดเรว็ มากกวา่ ทงั้ 2 แบบ รปู ท่ี 4.1 อตั ราความสาเรจ็ หลงั จากทท่ี ดลองเทรน 20 รอบ 4.3 ระยะเวลาในการเทรน โดยในการเปรยี บเทยี บระยะเวลาในการเทรน หรอื Training Time จะ จากรปู ท่ี 4.1 นัน้ แกนแนวตงั้ นัน้ คอื Regression Loss Function ส่วน แนวนอนคอื จานวนรอบในการขบั รถยนต์ไรค้ นขบั วนรอบแผนทซ่ี ่งึ ถ้าหาก เปรียบเทียบจากระยะเวลาในการเทรน โดยท่ีหน่วยจะเป็ นนาทีซ่ึง ขบั วนครบรอบได้โดยไม่ตกขอบทางจะนับเป็น 1 รอบ โดยทดลองทงั้ หมด ระยะเวลาในการเทรนยง่ิ น้อยการเทรนในแต่ละครงั้ กจ็ ะเสรจ็ รวดเรว็ ยง่ิ ขน้ึ 20 รอบ จากกราฟจะเหน็ ไดว้ ่า Logcosh นัน้ จะวงิ่ รอบแผนท่ไี ด้ทงั้ หมด 8 รอบ, Mean Square Error ได้ทัง้ หมด 3 รอบและMean Absolute Error รปู ท่ี 4.3 ตวั อยา่ งการเปรยี บเทยี บระยะเวลาในการเทรน ได้ทงั้ หมด 1 รอบ จะเห็นไดว้ ่า Logcosh นัน้ มอี ตั ราความสาเรจ็ ท่สี ูงท่สี ุด จากรูปท่ี 4.3 ตวั แกนแนวตงั้ คอื ระยะเวลาในการเทรนโดยท่หี น่วยจะ เน่ืองจากหลกั การคานวณของ Logcosh จะประยุกต์มาจากทงั้ 2 แบบทา เป็นนาที ส่วนแนวนอนคือจานวนชุดข้อมูลโดยท่ีจะใช้ทัง้ หมด 3 ขนาด ใหอ้ ตั ราความสาเรจ็ สงู ต่อมาคอื Mean Square Error ทม่ี หี ลกั การคานวณ เหมอื นกบั ของ Loss Ratio หลงั จากเปรยี บเทยี บเรยี บรอ้ ยแลว้ จะเหน็ ไดว้ ่า ทช่ี า้ แตม่ คี วามแม่นยามากกว่าแบบ Mean Absolute Error ชุดข้อมูลขนาดเลก็ นัน้ Logcosh นัน้ จะมีระยะเวลาในการเทรนน้อยท่สี ุด 4.2. Loss Ratio แต่เม่อื เพิม่ จานวนชุดข้อมูลเป็นขนาดกลางจะเห็นได้ว่า Mean Absolute Error หรอื MAE จะใช้เวลาในการเทรนน้อยกว่า Logcosh เพยี งเล็กน้อย โดยในการเปรยี บเทยี บค่าของ Loss Ratio จะเปรยี บเทยี บจากการท่ี รถยนต์ขบั ในแผนท่ีจาลองและถ่ายรูปภาพมา โดยจะเปรยี บเทียบจาก รปู ภาพว่ามคี ่า Loss Ratio เท่าไหร่ โดยจะทาการเปรยี บเทยี บทงั้ หมด 3 ชุดขอ้ มูล โดยจะดูจากจานวนชุดขอ้ มูลขนาดใหญ่, ขนาดกลางและขนาด เลก็ ตามลาดบั ซง่ึ สาเหตทุ ต่ี อ้ งการเปรยี บเทยี บทงั้ 3 ชดุ ขอ้ มลู นนั้ เน่ืองจากจะสามารถรไู้ ด้ว่า Regression Loss Function ในแต่ละแบบนัน้ เหมาะสาหรบั ชดุ ขอ้ มลู แบบไหนมากทส่ี ุด 10

การประชมุ วชิ าการระดับชาติด้านเทคโนโลยสี ารสนเทศ ครัง้ ที่ 11 (NCIT2019) เม่ือล องทาการเพ่ิมจานวน ชุดข้อมูลให้เป็ น ข นาดให ญ่แล้วจะเห็นได้ว่า [6] Matthew Stewart, PhD Researcher, “Simple Introduction to Mean Absolute Error นัน้ จะมรี ะยะเวลาในการเทรนน้อยท่สี ุด ซ่งึ สรุปได้ Convolutional Neural Networks”, towardsdatascience, Feb. 2019. ว่า Mean Absolute Error นัน้ จากค่าเฉล่ียของชุดข้อมูลทัง้ หมดนัน้ จะมี [7] Badreesh Shetty, “Supervised Machine Learning: Classification”, ระยะเวลาในการเทรนน้อยท่ีสุดจากทัง้ 3 แบบ โดยท่ี Mean Absolute towardsdatascience, Dec. 2018. Error นัน้ ท่ใี ชเ้ วลาในการเทรนคอ่ นขา้ งน้อยเน่ืองจากสตู รทางคณิตศาสตร์ [8] Apoorva Dave, “Regression in Machine Learning”, medium, Dec. 2018. ของ Mean Absolute Error นนั้ เม่อื นามาทาเป็นพลอ็ ตของการคาดการณ์ [9] Amy Unruh, “What is the TensorFlow machine intelligence platform”, แลว้ พลอ็ ตของกราฟนัน้ เป็นพลอ็ ตทท่ี าใหก้ ารลูเ่ ขา้ หาความจรงิ นนั้ สามารถ opensource, Nov. 2017 ทาได้อย่างรวดเร็วนัน้ เป็นสาเหตุท่วี ่าทาไม Mean Absolute Error นัน้ ใช้ เวลาในการเทรนค่อนขา้ งน้อย 5.สรปุ การเปรียบเทียบ Regression Loss Function นัน้ จะทาให้สามารถ เข้าใจได้ว่า Regression Loss Function แต่ละแบบนั้นมีประสิทธิภาพ สูงสุดในจานวนชุดข้อมูลขนาดไหนและประสิทธิภาพของแต่ละแบบนัน้ แตกต่างกันอย่างไรบ้าง สามารถนาไปประยุกต์ใช้กับรถยนต์ไร้คนขบั เพ่อื ให้มีประสิทธิภาพมากข้นึ ตามสถานการณ์ต่าง ๆ Regression Loss Function จะเปรียบเทียบ 3 แบบ ได้แก่ Mean Absolute Error, Mean Square Error และ Log Cosh Loss จากการทดลองในเร่อื งของอตั ราความสาเรจ็ ในการใหร้ ถยนต์ไรค้ นขบั นัน้ ขบั วนรอบแผนท่ีในสภาพแวดล้อมจาลอง Log Cosh Loss จะมีอัตรา ความสาเรจ็ ทส่ี ูงทส่ี ุด โดยจะวงิ่ สาเรจ็ 8 รอบ จาก 20 รอบ ในส่วนของค่า Loss Ratio นั้น Log Cosh Loss มีค่า Loss Ratio น้อยท่ีสุดสาหรบั ทุก ขนาดของขอ้ มลู สาหรบั ระยะเวลาในการเทรนนนั้ Log Cosh Loss ใชเ้ วลา ในการเทรนน้อยท่สี ุดสาหรบั ขอ้ มูลขนาดเลก็ ในส่วนของขนาดกลางและ ใหญ่ Mean Absolute Error จะใช้เวลาในการเทรนน้อยท่ีสุด ซ่ึงแสดงให้ เหน็ ว่าในแตล่ ะฟังก์ชนั นัน้ มสี ตู รทางคณิตศาสตรท์ เ่ี หมาะสมกบั การทดลอง ตา่ ง ๆ ทแ่ี ตกต่างกนั ฟังกช์ นั บางตวั อาจมกี ารวเิ คราะหท์ ร่ี วดเรว็ แต่ความ แม่นยาน้อย บางฟังก์ชนั อาจมีความเร็วในการวิเคราะห์ข้อมูลท่ีมีขนาด ใหญ่ เพ่ือ ให้งาน วิจัย น้ี มีค วาม สม บู รณ์ ย่ิงข้ีน ใน อ น าคต เร่ืองข อ ง สภาพแวดล้อมจาลองอาจมกี ารทาใหส้ มจรงิ มากยงิ่ ขน้ึ โดยองิ จากสถานท่ี จรงิ และการเปรยี บเทียบ Regression Loss Function ท่ีหลากหลายมาก ข้ึน รวมไปถึงการเทรนในจานวนชุดข้อมูลท่ีมากย่ิงข้ึน ซ่ึงในอนาคต สามารถนางานวจิ ยั ไปประยุกต์ใช้โดยเรม่ิ จากใชก้ บั รถบงั คบั วทิ ยุทท่ี ดลอง ในสภาพแวดลอ้ มของจรงิ โดยท่กี ารใชร้ ถบงั คบั วทิ ยุเป็นตวั แรกเรมิ่ จะชว่ ย ในเรอ่ื งของขอ้ ผดิ พลาดและความปลอดภยั เป็นตน้ เอกสารอ้างอิง [1] Daniel Faggella, “Machine Learning”, emerj, Feb. 2019. [2] Ewurama Minka, “Mean Absolute Error”, medium, Feb. 2018. [3] Moshe Binieli, “Machine learning: an introduction to mean squared error and regression lines”, medium, Oct. 2018. [4] Prince Grover, “5 Regression Loss Functions All Machine Learners Should Know”, medium, Jun. 2018. [5] Jason Brownlee, “What is Deep Learning?”, machinelearningmastery, Aug. 2016. 11

การประชมุ วชิ าการระดบั ชาตดิ า้ นเทคโนโลยสี ารสนเทศ ครงั้ ท่ี 11 (NCIT2019) การวิเคราะหค์ ณุ ลกั ษณะของลูกค้าท่ีมผี ลต่อการแนะนารถยนตม์ ือสอง Analysis of Customer Preferences toward Used Car Suggestion สมพจน์ หาบหา ณฐั พงศ์ ทองเทพ Somphot Hapha Nattapong Tongtep วทิ ยาลยั การคอมพวิ เตอร์ / วทิ ยาลยั การคอมพวิ เตอร์ / มหาวทิ ยาลยั สงขลานครนิ ทร์ วทิ ยาเขตภเู กต็ มหาวทิ ยาลยั สงขลานครนิ ทร์ วทิ ยาเขตภเู กต็ College of Computing / Prince of Songkla University College of Computing / Prince of Songkla University จงั หวดั ภูเกต็ / ประเทศไทย จงั หวดั ภเู กต็ / ประเทศไทย Phuket / Thailand Phuket / Thailand [email protected] [email protected] บทคดั ย่อ — เนื่องจากการเลือกซื้อรถยนต์มือสองในปัจจุบนั เป็นส่ิง รถยนต์แบ่งเป็นหลากหลายประเภทตามความต้องการใช้งานนัน้ ๆ สาคญั อยา่ งย่ิง ผ้ซู ือ้ ต้องคานึงถึงหลาย ๆ ปัจจยั ก่อนการซือ้ ถา้ หากผ้ซู ื้อได้ เช่น รถเก๋ง รถกระบะ รถตู้ ซ่งึ ถ้าหากผูซ้ ้อื นัน้ ได้ซ้อื รถยนต์ท่ไี ม่ตรงกบั เลือกซื้อรถยนต์มือสองที่ไม่ถกู วิธีหรือไมต่ รงตามความต้องการ จะทาให้ผู้ ความต้องการของตนเองแล้ว อาจส่งผลให้ไม่สามารถใช้งานรถยนต์คนั ซื้อไม่สามารถใช้งานได้เตม็ ประสิทธิภาพ จนอาจทาให้ผซู้ ื้อต้องขายขาดทนุ ดงั กลา่ วไดอ้ ย่างมปี ระสทิ ธภิ าพได้ ในท่ีสุด ผ้วู ิจยั จึงเกบ็ รวบรวมขอ้ มูลผซู้ ือ้ รถยนต์มือสองจานวน 100 คน เพ่ือ ศึกษาคุณลกั ษณะ เช่น รายได้ต่อเดือน อาชีพ อายุ ตลอดจนคุณลกั ษณะ จากการจดทะเบียนรถใหม่ ทาให้ทราบถึงสถิติ ประเภทของรถ ของรถยนต์ เช่น เกียร์ รนุ่ ย่ีห้อ ประเภท แล้วนามาประเมินความแมน่ ยาใน ตลอดจนลกั ษณะของการนาไปใช้งาน โดยจาแนกตามสปี ้ายและตวั อกั ษร การแนะนารถยนต์มือสอง โดยใช้ต้นไม้การเรียนร้รู ่วมกบั การแบ่งข้อมูล ของป้ายทะเบยี น เช่น รถยนต์นงั่ ส่วนบคุ คลไม่เกนิ 7 คน จะเป็นป้ายสขี าว เพื่อทดสอบประสิ ทธิ ภาพของกลไกการเรียนรู้ (cross-validation) ผล สะทอ้ นแสง ตวั อกั ษรสดี า ในขณะทร่ี ถยนตน์ งั่ ส่วนบุคคลเกนิ 7 คน จะเป็น การศึกษาพบว่า คุณสมบตั ิของรถยนต์มอื สองและผ้ซู ื้อ สามารถใช้แนะนา ป้ายสขี าวสะท้อนแสง ตวั อกั ษรสฟี ้า ทงั้ น้ี ขอ้ มลู ดงั กล่าวจะถูกนาไปใชใ้ น รถยนต์มือสองให้สอดคล้องกับคุณลักษณะของผู้ซื้อ โดยให้ค่าความ การจัดทาบญั ชีราคาประเมนิ รถ สาหรบั พิจารณาปิดอากรสแตมป์ ตาม แมน่ ยาสงู ถึงรอ้ ยละ 83 ประมวลรษั ฎากรในการโอนกรรมสทิ ธซิ์ ้อื -ขายรถ ซง่ึ ส่งผลต่อกลไกในการ กาหนดราคา กิจกรรมส่งเสรมิ การขาย และการคิดต้นทุน การจัดการ คำสำคญั — รถยนตม์ อื สอง, การช่วยตดั สินใจ, ยานพาหนะ,ต้นไม้ อะไหล่ ชน้ิ ส่วนรถ ซง่ึ เป็นปัจจยั ในการดาเนินกจิ การรถใชแ้ ลว้ หรอื รถมอื ตดั สินใจ สอง ABSTRACT — Since buying a used car today is extremely ผู้วิจัยจึงได้ศึกษาเก่ียวกับการเลือกซ้ือรถยนต์มือสอง เพ่ือช่วยให้ important, the buyers must consider many factors before making a ผูบ้ รโิ ภคนัน้ สามารถท่จี ะเลอื กซ้อื รถยนต์มอื สองตรงกบั เป้าหมายการใช้ decision. If the buyers decide to buy used cars which are not correct or งานของตนเองด้วยการศกึ ษาและวเิ คราะหค์ ุณสมบตั ขิ องรถและผซู้ อ้ื และ not meet their requirement, the buyers may not be able to use them and ทดสอบประสทิ ธภิ าพของกลไกการเรยี นรู้ may sell them at a loss. In this paper, 100 buyers who bought used cars are collected. Features from buyers (such as monthly income, 2. เอกสาร งานวจิ ยั หรอื ทฤษฎที เ่ี กย่ี วขอ้ ง occupation, age) and used cars (such as gear, model, brand, type) are ในการวเิ คราะห์คุณลกั ษณะของลูกคา้ ทม่ี ผี ลต่อการแนะนารถยนต์มอื studied and evaluated using a decision tree with a five-fold cross- สอง ผูว้ จิ ยั ได้ศึกษาเอกสารและงานวจิ ยั ท่เี ก่ยี วข้อง และได้นาเสนอตาม validation technique. The experimental results show that these features หวั ขอ้ เรยี งลาดบั ดงั น้ี enable buyers to choose different options for buying used cars that 2.1 ความหมายของรถยนต์ meet the buyers’ ultimate goals with 83% accuracy. รถยนต์ [1] หมายถงึ ยานพาหนะทข่ี บั เคลอ่ื นดว้ ยเคร่อื งยนต์ ตามปกติ มี 4 ล้อ มหี ลายแบบหลายชนิดเรยี กช่อื ต่าง ๆ กนั ตามความมุ่งหมายทใ่ี ช้ Keywords — Used Car, Suggestion, Vehicles, Decision Tree เป็นตน้ เช่น รถเกง๋ รถบรรทุก รถโดยสาร 1. บทนา 2.2 ความหมายของรถยนตใ์ หม่ รถยนต์ [2] ไวเ้ พ่อื ขายหรอื เพ่อื ซ่อม ขบั เองหรอื ใหผ้ อู้ น่ื ขบั เพ่อื การนนั้ ในปัจจบุ นั มนุษยน์ นั้ จาเป็นตอ้ งใชย้ านพาหนะในการเดนิ ทางไปส่แู หล่ง ต่าง ๆ หรอื สถานท่ีต่าง ๆ ยงิ่ มรี ะยะทางท่ีไกลข้นึ เท่าไหร่ก็ยงิ่ ทาใหก้ าร ต้องได้รบั ใบอนุญาตจากนายทะเบยี น และใหข้ บั ได้ระหวา่ งพระอาทติ ยข์ น้ึ เดนิ ทางลาบากมากขน้ึ จงึ จาเป็นมากท่คี วรมยี านพาหนะในการเดินทาง ถงึ พระอาทติ ยต์ ก เวน้ แต่มคี วามจาเป็นและไดร้ บั อนุญาตจากนายทะเบยี น โดยสว่ นใหญ่มกั จะเลอื กซอ้ื ยานพาหนะทงั้ ใหม่ และมอื สอง นนั่ คอื รถยนต์ 12

การประชมุ วิชาการระดบั ชาตดิ ้านเทคโนโลยสี ารสนเทศ ครง้ั ที่ 11 (NCIT2019) การขอใบอนุญาตและการออกใบอนุญาต ใหเ้ ป็นไปตามหลกั เกณฑ์ • รถกระบะขนาดกลาง นิยมใช้ในทุกวงการ และทุกสาขา วธิ กี ารและเงอ่ื นไขทก่ี าหนดในกฎกระทรวง อาชีพ เช่น อีซูซุ ดี-แม็กซ์ (Isuzu D-max), ทาทา ซีนอน (Tata Xenon) เป็นตน้ ในการออกใบอนุญาต ใหน้ ายทะเบยี นออกเคร่อื งหมายพเิ ศษและสมุด คมู่ อื ประจารถใหด้ ว้ ย • รถกระบะขนาดใหญ่ ได้รบั ความนิยมน้อยในประเทศไทย เน่ืองจากมขี นาดใหญ่มาก เช่น โตโยต้า ทุนดรา (Toyota เคร่อื งหมายพเิ ศษและสมดุ ค่มู อื ประจารถ ใหเ้ ป็นไปตามแบบทก่ี าหนด Tundra) ในกฎกระทรวง และใหใ้ ชส้ บั เปลย่ี นกนั ไดไ้ มเ่ ฉพาะคนั รถ 2.4.7 รถตู้ (Van) 2.3 ความหมายของรถยนต์มอื สอง รถยนต์นัง่ ส่วนบุคคลเกนิ 7 คน ทน่ี ัง่ 13-15 ทน่ี ัง่ จะมแี อร์หลงั รถยนตม์ อื สอง [3] เป็นรถทผ่ี า่ นการเป็นเจา้ ของมาแลว้ มากกวา่ 1 ครงั้ ทงั้ หมดบนตวั เพดานรถยนต์ ไดแ้ ก่ โตโยตา้ เวนจูร่ี (Toyota Ventury) รถมอื สองมจี าหน่ายทวั่ ไปตาม เต็นท์รถมอื สอง บรษิ ทั รถเช่า แฟรนไชส์ ของตัวแทนจาหน่ายรถใหม่ ผู้ขายมกั จะมีการรบั ประกันให้เพ่ิมเติมใน 2.5 ความหมายของลูกคา้ บางส่วน รวมไปถึงบรกิ ารซ่อมบารุงและอะไหล่ สาหรบั การขายรถโดย ชนะการณ์ ออสุวรรณ ได้กล่าวไวว้ า่ [4] ลูกคา้ คอื บุคคลทส่ี าคญั ทส่ี ุด เจ้าของรถเอง เรยี กว่า รถบ้าน ซ่งึ ต่อมาผู้ขายเต็นท์รถมกั จะใชค้ าว่า รถ บา้ น แทนรถทผ่ี ่านการใชง้ านเพยี งเจา้ ของเดยี ว ทม่ี าเยอื นเราในสถานทน่ี ้ี เขามไิ ดม้ าพง่ึ เรา เราตา่ งหากทจ่ี าเป็นตอ้ งพง่ึ เขา เขามิได้มาขัดจังหวะการทางานของเรา หากแต่การรับใช้เขา คือ 2.4 ประเภทของรถยนต์ วตั ถุประสงคข์ องงานเรา เขามใิ ช่บุคคลภายนอก แต่เขาเป็นส่วนหน่ึงของ 2.4.1 รถเกง๋ (Sedan หรอื Saloon) ธุรกจิ เราทเี ดยี ว ในการรบั ใช้เขานัน้ เรามไิ ดช้ ่วยอะไรเขาเลย เขาต่างหาก รถยนต์นัง่ ส่วนบุคคลไม่เกนิ 7 คน มที น่ี ัง่ สาหรบั ผโู้ ดยสาร เป็นฝ่ายชว่ ยเหลอื เรา โดยใหโ้ อกาสแกเ่ รา ทจ่ี ะไดร้ บั ใชเ้ ขา ไม่เกนิ 7 ทน่ี ัง่ โดยอาจมี 4 หรอื 2 หรอื 5 ประตู โดยจะมเี คร่อื งยนต์ เบนซนิ ดเี ซล หรอื ไฟฟ้า เป็นตน้ ลูกคา้ [5] นัน้ ยงั หมายถงึ ผซู้ ้อื เช่น ผขู้ ายปลกี เป็นลูกคา้ ของผขู้ ายส่ง, 2.4.2 รถอโี คคาร์ (Economic-car) ผอู้ ุดหนุนในเชงิ ธุรกจิ เช่น ลูกคา้ ของธนาคาร หรอื ลูกคา้ ของรา้ นจาหน่าย รถยนตน์ งั่ ส่วนบคุ คลไมเ่ กนิ 7 คน รถ ECO-Car เป็นศพั ท์ และคา สนิ คา้ และบรกิ ารตา่ ง ๆ เป็นตน้ จากัดความท่ีเรียกเฉพาะในเมืองไทยเท่านั้น หากเป็นตลาดใน ต่างประเทศ โซนยุโรปรถขนาดเล็กมกั จะจัดอยู่ในกลุ่ม A-Segment ปัจจัยการเลือกซ้ือรถยนต์มือสองของลูกค้า [6] คือ เม่ือมีการซ้ือ Car รถยนต์ใหม่ของประชาชนโดยทวั่ ไป จะต้องมกี ารขายรถยนต์เก่าของตน สาหรบั รถในกลมุ่ ECO-Car นนั้ เหมาะสาหรบั กลมุ่ คนทต่ี อ้ งการใช้ ออกไป เพอ่ื นาเงนิ จากการขายรถยนต์ของตนนนั้ มา ดาวน์ หรอื ซอ้ื รถยนต์ รถขนาดเล็กเพ่อื ใช้งานในเมอื งเป็นหลัก บารุงรกั ษาง่าย ประหยดั คนั ใหม่ ทาให้ตลาดรถยนต์ มอื สองมคี วามคกึ คกั และจะเป็นโอกาสทด่ี ที ่ี น้ามนั เชน่ ซซู กู ิ สวฟิ ท์ (Suzuki Swift) ผสู้ นใจรถยนต์มอื สองมโี อกาสในการเลอื กรถยนต์มอื สองไดม้ ากขน้ึ อกี ทงั้ 2.4.3 รถเกง๋ 2 ประตู หรอื รถสปอรต์ สถาบนั การเงนิ ตา่ ง ๆ กใ็ หก้ ารสนับสนุนในธรุ กจิ เช่าซอ้ื รถยนต์มอื สอง โดย การออกแบบรปู แบบสปอรต์ ตวั ถงั มขี นาดน้าหนักเบา เครอ่ื งยนต์ อตั ราดอกเบ้ยี เช่าซ้อื รถยนต์มอื สองลดลง ถึงต่าท่สี ุดในตลาดอยู่ระหว่าง ท่เี ร็ว วง่ิ ได้ความเรว็ สงู สุด ถึง 320 กิโลเมตร/ชวั่ โมง ยงั รวมไปถงึ รถ อตั ราดอกเบ้ยี คงทร่ี อ้ ยละ 3.9-5 ต่อปี ซ่งึ เป็นการกระตุ้นความตอ้ งการใน เปิดประทุน (หรอื ทเ่ี รยี กกนั ว่า Cabrio, Cabriolet และ Convertible อกี ตลาดรถยนต์มอื สองมากขน้ึ แนวโน้มทว่ี า่ การแขง่ ขนั จะ เกดิ ขน้ึ ในแทบทุก ดว้ ย) ไดแ้ ก่ เฟอรร์ าร่ี 458 อติ าเลยี (Ferrari 458 Italia) ตลาด ไม่ว่าจะเป็นรถยนต์ใหม่หรอื รถยนต์มอื สองขนาดใหญ่, ขนาดเลก็ , 2.4.4 รถยนต์เอนกประสงค์ (MPV) ปิกอพั , รถเชงิ พาณิชย์ เพราะแต่ละบรษิ ทั , ตวั แทนจาหน่าย, เตน็ ท์ , ศูนย์ รถยนต์นัง่ ส่วนบุคคลไม่เกนิ 7 คน เบาะนัง่ อาจจะมี 2-3 แถวเพ่อื จาหน่ายรถยนต์มอื สอง ล้วนต้องการยอดขายรถท่สี ูง แต่หากภาวการณ์ รองรบั การโดยสารตงั้ แต่ 5-8 ทน่ี งั่ เหมาะสาหรบั ครอบครวั ใหญ่ ไดแ้ ก่ ของประเทศพรอ้ มพ้นื ฐานเศรษฐกจิ ประเทศมคี วามแขง็ แกร่งพอ กจ็ ะเป็น โตโยตา้ อลั พารด์ (Toyota Alphard) ตวั ผลกั ดนั ใหม้ กี ารนาพากาลงั ซอ้ื กระจายกนั ไปตามเศรษฐกจิ โลกทถ่ี ดถอย 2.4.5 รถยนตเ์ อนกประสงคส์ มรรถนะสงู (SUV) ซ่งึ จากงานวจิ ยั นัน้ เป็นของจงั หวดั ภูเก็ต จึงมกี ารยกตวั อย่างของการจด รถยนต์นัง่ ส่วนบุคคลไม่เกิน 7 คน มกั ใช้เคร่อื งยนต์เบนซนิ หรอื ทะเบยี นรถยนตใ์ หม่ในจงั หวดั ภเู กต็ ทม่ี แี นวโน้มสงู และต่าตามระดบั ของแต่ ดเี ซล เลอื กการขบั ขไ่ี ดท้ งั้ แบบขบั เคลอ่ื น 2 ลอ้ และ 4 ลอ้ เชน่ โตโยตา้ ปี ดงั แสดงในรปู ท่ี 1 ท่ขี น้ึ อย่กู บั เศรษฐกจิ การท่องเท่ยี วทเ่ี ป็นรายได้หลกั ฟอรจ์ ูนเนอร์ (Toyota Fortuner) ของจงั หวดั ภูเกต็ 2.4.6 รถกระบะ (Pick-Up) รถยนต์บรรทุกส่วนบุคคล ซ่ึงในเมืองไทยรถกระบะนับได้ว่ามี ยอดขายทม่ี ากตดิ อนั ดบั โลก แหล่งผลติ ส่วนใหญอ่ ยใู่ นประเทศไทย • รถกระบะขนาดเลก็ มกั ใช้ในธุรกจิ ขนาดเลก็ และกลาง เชน่ มาสดา้ แฟมเิ ลยี (Mazda Familia) รปู ท่ี 1. แสดงสถติ กิ ารจดทะเบยี นรถยนตข์ องจงั หวดั ภูเกต็ [7] 13

การประชมุ วชิ าการระดบั ชาติดา้ นเทคโนโลยีสารสนเทศ ครั้งท่ี 11 (NCIT2019) 3. วธิ ดี าเนนิ การวจิ ยั • 24-59 ปี อย่ใู น ชว่ งวยั ทางาน การพฒั นาการวิเคราะห์คุณลกั ษณะของลูกค้าท่มี ีผลต่อการแนะนา รถยนต์มอื สองครงั้ น้ีมวี ตั ถุประสงค์ เพ่อื วเิ คราะห์ในการลดเวลาในการซ้อื • 60 ปีขน้ึ ไป อย่ใู น ชว่ งสงู อายุ ขายระหว่างผขู้ ายและผซู้ ้อื รวมไปถงึ การเป็นตวั เลอื กทช่ี ่วยในการเลอื กซอ้ื อาชีพ (Occupation) จะมคี วามหลากหลายทางอาชีพ ผู้วจิ ยั จงึ ได้ทา รถยนตม์ อื สองตอ่ ผซู้ อ้ื นนั้ ๆ เพ่อื ใหไ้ ดร้ ถยนต์ตรงตามเป้าหมายสงู สดุ ของ การแยกไวเ้ ป็นหมวดหมอู่ ยา่ งง่าย คอื ผซู้ ้อื จงึ ได้มกี ารใช้โปรแกรม RapidMiner ในการทาวจิ ยั ซ่งึ มขี นั้ ตอนการ ดาเนินงานดงั น้ี • Private Business คอื ธรุ กจิ ส่วนตวั ซง่ึ อาจเป็นธุรกจิ ใด ๆ ตาม 3.1 วเิ คราะหป์ ัญหาและรวบรวมรายละเอยี ดขอ้ มลู ตา่ ง ๆ กฎหมายกาหนด ผู้วจิ ยั ได้รวบรวมขอ้ มูลต่าง ๆ ของกลุ่มลูกค้ารถยนต์มือสองท่ไี ด้ใช้ บรกิ ารจากเต็นทจ์ าหน่ายรถยนต์มอื สองนัน้ ซง่ึ เป็นขอ้ มลู จรงิ ทงั้ หมด เช่น • Other คอื อาชพี อน่ื ๆ ทเ่ี ป็นรบั จา้ งหรอื ลกู จา้ ง เพศ (Gender) อาชพี อายุ ยห่ี อ้ รถยนต์ รนุ่ ปี ประเภท เป็นตน้ คอื เพศชาย (M) และ เพศหญงิ (F) รายไดต้ ่อเดอื น (Monthly เน่ืองจากขอ้ มูลทงั้ หมดของทางเตน็ ท์รถยนต์มอื สองนัน้ มจี านวนมาก Income) จะมกี ารแบ่งไวเ้ ป็น 3 ช่วงรายได้ คอื ผวู้ จิ ยั จงึ ได้นาเอาขอ้ มูลกลุม่ ตวั อย่างมาเป็นจานวน 100 คน เพ่อื ใชใ้ นการ ทดสอบสมมตฐิ านวจิ ยั ขนั้ ตน้ ซง่ึ จากปัญหาทผ่ี วู้ จิ ยั ไดพ้ บคอื ลูกคา้ จะมอี ายุ • รายไดเ้ ฉลย่ี 50,000 บาทขน้ึ ไป ตอ่ เดอื น นัน้ รายไดส้ งู (H) หรือประเภทการเลือกซ้ือรถยนต์แต่ละแบบท่ีแตกต่างกัน ซ่ึงจะไม่ได้ จาแนกเจาะจงไดว้ ่าลกู คา้ คนนนั้ ๆ จะเลอื กซอ้ื รถยนต์มอื สองแบบใด ซง่ึ ใน • รายไดเ้ ฉลย่ี 30,000 - 49,999 บาท ตอ่ เดอื น นนั้ รายได้ บางครงั้ นัน้ ลูกค้าสูงอายุจะเลือกซ้อื รถยนต์ประเภทรุ่นใหม่ แต่ลูกค้าวยั ปานกลาง (M) กลางคนหรอื วยั รนุ่ นนั้ กลบั เลอื กซ้อื รถยนต์ประเภทรนุ่ เก่ากว่า เป็นตน้ จงึ เป็นท่มี าให้ผู้วจิ ยั ได้ตงั้ โจทย์สาหรบั การวจิ ยั ในครงั้ น้ี โดยนาเอาขอ้ มูล • รายไดเ้ ฉลย่ี ไมเ่ กนิ 29,999 บาท ตอ่ เดอื น นัน้ รายไดต้ ่า จรงิ ของการซ้อื -ขาย มาอ้างอิงเพ่อื ให้ได้ทราบถงึ การเลอื กซ้อื รถยนต์มอื (L) สองของคนส่วนใหญ่ โดยการจาแนกดว้ ย อายุ อาชพี รายได้ ประเภทการ ใช้งาน เพศ เงนิ ดาวน์ จานวนผนู้ งั่ โดยสาร เป็นตน้ ซ่งึ ทงั้ หมดน้ีเป็นขอ้ มลู สาเหตุการซ้อื (Purpose) ของลูกค้านัน้ ได้มกี ารเก็บขอ้ มูลจากข้อมลู ของลูกคา้ ทจ่ี ะนามาวจิ ยั ร่วมกบั ขอ้ มลู รถยนต์ เช่น ประเภท รุ่นปี ยห่ี อ้ รนุ่ ของเต็นท์รถยนต์มือสองได้สอบถามพูดคุยกบั ลูกค้า จึงได้มาซ่ึงข้อมูล แบบเกยี ร์ และ ราคา เป็นตน้ เหตุผลสนั้ ๆ จากลูกคา้ คอื ใช้ส่วนตวั (P) และ แทก็ ซ่ี (T) ซง่ึ ในทน่ี ่ีลูกคา้ ทใ่ี ชส้ ่วนตวั อาจนาไปประกอบธุรกจิ หรอื นาไปใชโ้ ดยสารกไ็ ด้ และลกู คา้ อกี 3.2 กาหนดรายละเอยี ดความตอ้ งการของงาน ส่วนนาไปประกอบธุรกจิ โดยตรงสาหรบั รบั จ้างผู้โดยสารหรอื แท็กซ่ตี าม ผู้วจิ ยั ได้มกี ารตงั้ ขอบเขตของการวจิ ยั โครงการน้ี โดยนาขอ้ มูลเพยี ง กฎหมายกาหนด บางส่วนท่ตี ้องใช้ในการวจิ ยั ของกลุ่มตวั อย่าง 100 คน เช่น อายุ รายได้ วธิ ชี าระเงนิ (Payment Type) ได้มกี ารแบ่งเป็น 2 ประเภทหลกั ท่ีว่า ย่ีห้อรถยนต์ ประเภท ปี เป็นต้น ซ่ึงผู้วิจัยนัน้ ได้ทาการรวบรวมข้อมูล ดว้ ยตามกฎหมาย คอื เงนิ สด (Cash) และ ไฟแนนซ์ (Finance) ซง่ึ ลกู คา้ ท่ี ทงั้ หมดท่ไี ดร้ บั จากเต็นท์รถยนต์มอื สอง ผวู้ จิ ยั ไดท้ าการเลอื กนาเอาขอ้ มลู ได้ชาระด้วยเงนิ สดนนั้ จะไม่มภี าระหน้สี นิ ใด ๆ ทพ่ี ่วงกบั ตวั รถยนต์ทไ่ี ดท้ า เพยี งบางส่วนมาใชใ้ นการทาวจิ ยั ในครงั้ น้ี เพ่อื ใหไ้ ดผ้ ลลพั ธ์ทส่ี ามารถอา่ น การซ้ือจากเต็นท์รถยนต์มอื สอง แต่ถ้าหากลูกค้าท่ีได้ทาการซ้ือด้วยวธิ ี ค่าและสามารถนามาแปลงข้อมูลชัดเจนได้มากย่ิงข้ึน เช่น ข้อมูลท่ี ไฟแนนซ์ หรอื เงนิ ผ่อน จะมภี าระหน้ีสนิ รถยนต์ท่พี ่วงด้วยกบั บรษิ ทั หรอื เก่ยี วเน่ืองกบั ผู้ซ้อื คอื อายุ อาชพี รายได้ ประเภทการใช้งาน เพศ เงนิ องคก์ รใด ๆ กต็ ามตามกฎหมายกาหนดไว้ ทล่ี ูกคา้ จะตอ้ งทาการผอ่ นชาระ ดาวน์ จานวนผู้นัง่ โดยสาร และข้อมูลรถยนต์นัน้ มขี อ้ มูลเป็นจานวนมาก เงินต้นและดอกเบ้ียของรถยนต์คนั ดงั กล่าวในอตั ราท่ีบริษัทหรอื องค์กร เช่นกนั โดยขอ้ มูลเลขตวั ถงั รถยนต์ ขอ้ มลู เลขเคร่อื งยนต์ น้าหนักรถยนต์ กาหนดตามกฎหมายไว้แต่ละเดือนตามท่ีได้ทาสญั ญาระหว่างผู้ซ้อื และ เป็นต้น นัน้ ผวู้ จิ ยั ไม่นามาใช้ในการวจิ ยั เน่ืองจากเป็ นขอ้ มลู ทไ่ี ม่สามารถ บรษิ ทั ผใู้ หส้ นิ เช่อื นามาเผยแพร่ ผวู้ จิ ยั จงึ เลอื กนาเอาขอ้ มลู รถยนต์มาใชเ้ พยี งบางส่วนในการ วจิ ยั คอื ประเภท รุ่นปี ยห่ี อ้ รุ่น แบบเกยี ร์ และ ราคา จานวนเงนิ ดาวน์ (Down Payment) ไดม้ กี ารกาหนดอตั ราค่าเฉล่ยี การ แบ่งระดบั เงนิ ดาวน์ไวอ้ ย่แู ลว้ จากเตน็ ทร์ ถยนต์มอื สอง คอื 3.3 ออกแบบตวั เลอื กตา่ ง ๆ จากการศกึ ษาขอ้ มูลดบิ ท่ไี ด้รบั ความอนุเคราะห์จากเต็นท์รถยนต์มอื • เงนิ ดาวน์ น้อยกว่า 100,000 บาท นนั้ หมายความว่า ดาวน์ต่า (L) สองนัน้ ผูว้ จิ ยั ได้นาขอ้ มูลดบิ มาแปลงใหเ้ ป็นขอ้ มูลท่ผี วู้ จิ ยั ต้องการนามา ทดสอบกบั ระบบซง่ึ มกี ารแปลงขอ้ มลู ดบิ ทงั้ หมดเป็นภาษาองั กฤษและเป็น • เงนิ ดาวน์ 100,000 บาทขน้ึ ไป นัน้ หมายความว่า ดาวน์สงู (H) คาเรยี กย่อ • ซอ้ื เงนิ สด (ไมม่ เี งนิ ดาวน์) (NA) อายุ (Age) จะมกี ารแบง่ เป็นช่วงอายตุ า่ ง ๆ ไวอ้ ยา่ งชดั เจน คอื ซง่ึ เงนิ ดาวน์นัน้ คอื เงนิ ทผ่ี ซู้ ้อื หรอื ลูกคา้ ตอ้ งชาระใหแ้ ก่ผขู้ ายหรอื เจ้าของ เตน็ ทร์ ถยนตม์ อื สอง ทเ่ี ป็นส่วนต่างจากราคารถยนตท์ ผ่ี ซู้ อ้ื และผขู้ ายไดต้ ก • 0-23 ปี อย่ใู น ช่วงวยั รุ่น ลงเห็นชอบตามกฎหมาย โดยมสี มการกาหนด คอื เงินดาวน์ = ราคา รถยนต์ - ยอดจดั ไฟแนนซ์ จานวนผู้โดยสาร (Passenger) นัน้ ลูกค้าได้มีการให้ข้อมูลกับทาง เต็นท์รถยนต์มือสองไว้พอสงั เขป ซ่ึงข้อมูลน้ีอาจมีการเปล่ียนแปลง คลาดเคลอ่ื นไดต้ ลอดเวลา แตข่ อ้ มลู น้สี ามารถกาหนดใหถ้ กู ตอ้ งไดโ้ ดยการ อ้างกฎหมายมาแทน เช่น รถยนต์ Isuzu MU-7 เป็นรถยนต์ประเภท รย.1 หรอื รถยนต์ส่วนบุคคลนัง่ ไม่เกิน 7 คน ซ่ึงผู้วจิ ยั สามารถกาหนดได้ว่า ผู้โดยสารเท่ากับ 7 คน หรือผู้วิจัยสามารถกาหนดโดยการศึกษา รายละเอยี ดตวั รถยนต์คนั ดงั กล่าว เช่น Toyota Altis เป็นรถยนต์ประเภท 14

การประชุมวชิ าการระดบั ชาติด้านเทคโนโลยสี ารสนเทศ ครงั้ ที่ 11 (NCIT2019) รย.1 หรอื รถยนต์ส่วนบุคคลนัง่ ไม่เกิน 7 คน แต่เป็นรถเก๋ง 4 ประตู ท่ี รปู ท่ี 2. ตวั อยา่ งขอ้ มลู คุณลกั ษณะของลูกคา้ และคณุ สมบตั ริ ถยนต์ สามารถโดยสารได้ไม่เกิน 4-5 คน จึงทาให้มีความถูกต้องในระดบั หน่ึง ผวู้ จิ ยั จงึ นาขอ้ มูลของทางเตน็ ท์รถยนต์มอื สองมาใส่เป็นตวั เลขของจานวน 3.4 การจาแนกคุณสมบตั ขิ องรถยนตม์ อื สองดว้ ย Decision Tree ผโู้ ดยสาร ตน้ ไมต้ ดั สนิ ใจ [8] (Decision Tree) เป็นเทคนคิ หน่งึ ของ Classification ประเภทรถยนต์ (Type) นนั้ ไดม้ กี ารแบ่งไวอ้ ยา่ งชดั เจน ทไ่ี ดม้ าจากตวั ซ่งึ เป็นวธิ กี าร แบ่งประเภทหรอื แยกหมวดหมู่ขอ้ มูล โดยจะจาแนกขอ้ มลู ย่หี ้อและรุ่นของรถยนต์คนั ดงั กล่าว คอื เก๋ง 2 ประตู (2D), เก๋ง 4 ประตู ออกเป็นกลุ่ม (Class) ต่างๆ โดยใชค้ ุณลกั ษณะ (Attribute) ในการจาแนก (4D), เก๋ง 5 ประตู (5D), รถ Eco-Car (Eco-car), รถ MPV. (MPV), รถ ประเภท ให้ทราบว่า “คุณลักษณะใดเป็นตวั กาหนดการจาแนกประเภท SUV. (SUV), รถกระบะ (Pickup), รถตู้ (Van) และคุณลกั ษณะแต่ละตวั มีความสาคญั มากน้อยต่างกนั อย่างไร” ทาให้ สามารถนาไปตงั้ คาถามใหก้ ลุ่มตวั อย่างทต่ี อ้ งการเก็บตวั อย่างมาวเิ คราะห์ ปีรถยนต์ (Year) นัน้ ได้มกี าหนดไวอ้ ย่างถูกต้องตามท่ีได้กาหนดไว้ ได้ มคี วามแม่นยาท่สี ูง และนามาสรา้ งแบบจาลองทางคณิตศาสตร์ เพ่อื ตามกฎหมายท่ีได้อ้างอิงข้อมูลมาจากสมุดคู่มือจดทะเบียนรถยนต์คนั การหาทางเลอื กทด่ี ที ส่ี ดุ ดงั กล่าว คอื ผวู้ จิ ยั ไดก้ รอกปีรถยนตเ์ ป็นตวั เลขไวถ้ กู ตอ้ งตามทไ่ี ดร้ บั ขอ้ มลู จากเตน็ ทร์ ถยนต์มอื สอง งานวิจัยน้ี แนะนาคุณสมบัติของรถยนต์มือสองโดยใช้ข้อมูล คุณลกั ษณะของลูกคา้ ดว้ ย Decision Tree โดยใชโ้ ปรแกรม RapidMiner ย่หี ้อรถยนต์ (Brand) นัน้ เป็นข้อมูลตามความจริงท่ีได้รบั จากเต็นท์ ในการทาวจิ ยั ซ่งึ Class ของรถยนต์ ได้แก่ Gear, Brand, Brand Origin, รถยนต์มอื สอง และผวู้ จิ ยั ไดท้ าการคน้ หาทางอนิ เทอรเ์ นต็ กส็ ามารถพสิ จู น์ Price, Type, Color, Year, Model และคุณลกั ษณะของลูกค้า ได้แก่ Age, ได้ว่าเป็นย่หี ้อท่ีถูกต้องตามกฎหมายหรอื เป็นย่หี ้อท่ีได้รูจ้ กั กันทวั่ ไปใน Occupation, Gender, Monthly Income, Purpose, Payment Type, Down ท้องตลาด ซง่ึ ผวู้ จิ ยั ไดก้ รอกยห่ี อ้ รถยนต์เป็นช่อื เตม็ เช่น Toyota, Honda, Payment Mitsubishi, Mercedes-Benz, BMW เป็นตน้ 4. ผลการวจิ ยั และอภปิ รายผล แหล่งท่ีผลิตย่หี ้อรถยนต์ (Brand Origin) นัน้ ผู้วิจัยได้ทาการค้นหา ขอ้ มูลอา้ งองิ ต่าง ๆ จากในอนิ เทอรเ์ น็ตเพอ่ื ได้ทราบถงึ ประเทศทผ่ี ลติ ยห่ี ้อ งานวจิ ยั น้ี ทดลองโดยใช้ 5-fold cross validation เพอ่ื หาความแม่นยา หรือแหล่งท่ีมาของย่ีห้อรถยนต์คนั ดังกล่าว โดยจากข้อมูลทัง้ หมดนัน้ สามารถแบ่งออกเป็น 3 ประเทศ กบั 1 โซนทวปี คอื Japan (ญ่ปี ่นุ ), Korea (Accuracy) ของการแนะนารถยนต์มือสอง ซ่ึงผลการทดลองพบว่า (เกาหล)ี , China (จนี ), Europe (โซนทวปี ยุโรป) คณุ ลกั ษณะของลกู คา้ ไดแ้ ก่ Age, Occupation, Gender, Monthly Income, รุ่นรถยนต์ (Model) นั้น ผู้วิจัยได้ทาการกรอกข้อมูลเป็ นช่ือเต็ม ภาษาองั กฤษหรอื ตวั เลขตามท่ไี ด้รบั ขอ้ มูลจากเต็นท์รถยนต์มอื สอง เช่น Purpose, Payment Type, Down Payment สามารถใหค้ ่าความแม่นยาท่ี Cruze, SLK200, 323, X3, 2000i, Familia 121 เป็นตน้ มตี อ่ ขอ้ มลู รถยนต์มอื สองเรยี งจากมากไปน้อย ดงั น้ี สรี ถยนต์ (Color) นัน้ ผูว้ จิ ยั ได้รบั ขอ้ มูลจากเต็นท์รถยนต์มอื สองเป็น ภาษาไทย ฉะนัน้ ผู้วจิ ยั ได้เปล่ยี นช่อื สเี ป็นภาษาองั กฤษทงั้ หมด เพ่อื ทจ่ี ะ ตารางท่ี 1. รอ้ ยละของคา่ ความแม่นยาคุณสมบตั ขิ องรถยนตม์ อื สอง สามารถนามาวจิ ยั หรอื คิดคานวณได้ง่ายข้นึ คือ บรอนซ์ (Bronze), ดา (Black), แดง (Red), ขาว (White), ม่วง (Purple), เขียว (Green), ฟ้ า คณุ สมบตั ิของ รอ้ ยละคา่ ความแม่นยา (Light Blue), น้าเงนิ (Blue), เทา (Grey), น้าตาล (Brown), ทอง (Golden), สม้ (Orange), เทา-สม้ (Grey-Orange) รถยนตม์ อื สอง (Accuracy) เกยี รร์ ถยนต์ (Gear) นนั้ ผวู้ จิ ยั ไดท้ าการแยกไวเ้ ป็น 2 ประเภท ตามท่ี Gear 83.00 ได้รบั ข้อมูลจากเต็นท์รถยนต์มอื สอง คอื เกียร์ออโต้ (Auto) และ เกียร์ ธรรมดา (Manual) ราคารถยนต์ (Price) นัน้ ผวู้ จิ ยั ได้กรอกเป็นตวั เลขของราคารถยนตท์ ่ี ทางเต็นท์รถยนต์มอื สองไดก้ าหนดไวอ้ ย่างชดั เจนเป็นสกุลเงนิ บาท ของ รถยนตม์ อื สองแตล่ ะคนั เชน่ 620000, 1450000, 99000, 145000 เป็นตน้ ซง่ึ ผวู้ จิ ยั ไดน้ าตวั อย่างขอ้ มลู มาแสดงเป็นตารางและคอลมั น์ ดงั รปู ท่ี 2 Brand 72.00 BrandOrigin 72.00 Type 59.00 Price 58.00 Color 41.00 Year 19.00 Model 1.00 จากตารางท่ี 1. พบว่า คุณลกั ษณะของลูกค้า สามารถให้ค่าความ 15

การประชมุ วิชาการระดบั ชาติด้านเทคโนโลยีสารสนเทศ คร้ังท่ี 11 (NCIT2019) แม่นยาในการจาแนก Gear, Brand, BrandOrigin, Type, และ Price ไดไ้ ม่ | | Payment Type = FINANCE: Japan {Japan=25, OTH=4} น้อยกว่ารอ้ ยละ 58 โดยทก่ี ารจาแนกเกยี รข์ องรถยนต์มอื สอง ได้ค่าความ | Occupation = PrivateBusiness แม่นยาสงู ถงึ รอ้ ยละ 83 ซง่ึ สามารถแสดงตน้ ไมต้ ดั สนิ ใจในรปู แบบขอ้ ความ | | Gender = F ได้ ดงั น้ี | | | Down Payment = H: OTH {Japan=0, OTH=1} | | | Down Payment = L: Japan {Japan=3, OTH=3} Gear – 83.00% | | Gender = M: Japan {Japan=33, OTH=11} Payment Type = CASH Age = Elder: Japan {Japan=5, OTH=1} | Age = Adult Age = Teenager: Japan {Japan=1, OTH=0} | | Occupation = Other | | | Monthly Income = L: Manual {Auto=0, Manual=2} สามารถอธบิ ายได้ว่า BrandOrigin นัน้ มคี วามแม่นยาเท่ากับ Brand | | | Monthly Income = M: Auto {Auto=8, Manual=3} ในอตั รารอ้ ยละ 72.00 ซ่งึ จะเป็นแหล่งยห่ี อ้ ของรถยนต์คนั ดงั กล่าว ซ่งึ จะ | | Occupation = PrivateBusiness: Auto {Auto=6, Manual=6} ประกอบด้วย ญ่ีปุ่น, ทวปี ยุโรป, จีน, และเกาหลี ตามลาดบั ซ่งึ จากการ | Age = Elder: Auto {Auto=3, Manual=0} ทดลองได้ Decision Tree ดงั น้ี คอื วยั ทางาน อาชพี รบั จา้ งหรอื ลกู จา้ งหรอื Payment Type = FINANCE: Auto {Auto=67, Manual=5} อ่นื ๆ ท่ชี าระดว้ ยเงนิ สด เพศหญงิ จะเลอื กใช้รถญ่ปี ุ่น แต่ถ้าหากเพศชาย จะเลอื กใชร้ ถอน่ื ๆ เชน่ ทวปี ยโุ รป จนี หรอื เกาหลี แต่ถา้ หากเพศชายและ สามารถอธบิ ายไดว้ ่า Gear นัน้ เป็น Class ทม่ี คี วามแม่นยาท่สี ูงสุดใน หญงิ ชาระดว้ ยการไฟแนนซ์นนั้ จะเลอื กใชร้ ถญป่ี ่นุ การเลือกรถยนต์มือสองท่ีเหมาะสมต่อลูกค้าถึงร้อยละ 83.00 จาก Decision Tree ขา้ งตน้ สามารถวเิ คราะหไ์ ดว้ า่ วยั ทางาน อาชพี ธุรกจิ ส่วนตวั เพศหญิง ดาวน์สูงนัน้ จะเลอื กใชเ้ ป็นรถ อ่นื ๆ แต่ถา้ หากดาวน์ต่าก็จะเลอื กใช้รถญ่ปี ุ่นแทน แต่ถา้ หากผลลพั ธเ์ ดมิ การชาระเงนิ สด ของลูกคา้ วยั ทางาน ท่มี อี าชพี รบั จา้ ง เงนิ เดอื นต่า จะ เพศชายนัน้ จะเลือกใช้รถญ่ีปุ่นวยั สูงอายุและวยั รุ่น จะเลือกใช้รถญ่ีปุ่น เลอื กใช้เกยี ร์ธรรมดา แต่ถ้าหากเงนิ เดอื นปานกลางจะเลอื กใช้เกยี ร์ออโต้ ทงั้ หมด ซง่ึ ถา้ หากเป็นอาชพี ธรุ กจิ สว่ นตวั นนั้ จะเลอื กใชเ้ กยี รอ์ อโตก้ บั เกยี รธ์ รรมดา ในอตั ราท่เี ทา่ กนั หากเป็นวยั สูงอายุมากกว่า 60 ปี นัน้ จะเลอื กใช้เกยี รอ์ อ Type - 59.00% โต้ทงั้ หมด ทงั้ หมดน้ีเป็นผลลพั ธ์ของการชาระด้วยเงนิ สด แต่หากลูกค้า Age = Adult เลอื กชาระดว้ ยการไฟแนนซ์นนั้ จะเลอื กเกยี รอ์ อโต้ | Occupation = Other | | Gender = F Brand – 72.00% | | | Down Payment = H: OTH {4D=0, OTH=1} Age = Adult | | | Down Payment = L: 4D {4D=4, OTH=3} | Purpose = P: OTH {Toyota=16, OTH=67} | | | Down Payment = NA: OTH {4D=0, OTH=1} | Purpose = T: Toyota {Toyota=7, OTH=3} | | Gender = M Age = Elder | | | Monthly Income = H: 4D {4D=1, OTH=1} | Gender = F | | | Monthly Income = L: OTH {4D=2, OTH=6} | | Occupation = Other: OTH {Toyota=0, OTH=1} | | | Monthly Income = M: OTH {4D=9, OTH=14} | | Occupation = PrivateBusiness: Toyota {Toyota=1, OTH=0} | Occupation = PrivateBusiness | Gender = M: OTH {Toyota=0, OTH=4} | | Gender = F Age = Teenager: OTH {Toyota=0, OTH=1} | | | Monthly Income = H: 4D {4D=3, OTH=0} | | | Monthly Income = L: OTH {4D=0, OTH=1} สามารถอธบิ ายไดว้ ่า Brand นัน้ เป็น Class ท่มี คี วามแม่นยารองลงมา | | | Monthly Income = M: OTH {4D=1, OTH=2} จาก Class Gear ในอตั รารอ้ ยละ 72.00 ซง่ึ จาก Decision Tree พบว่า อายุ | | Gender = M วยั ทางาน ทม่ี คี วามตอ้ งการใชส้ ่วนตวั นนั้ สว่ นใหญ่จะเลอื กรถยนต์ยห่ี อ้ อ่นื | | | Monthly Income = H: OTH {4D=2, OTH=6} ๆ มากกว่าเลอื กยห่ี อ้ Toyota แตถ่ า้ หากมคี วามตอ้ งการใชร้ บั จา้ งผโู้ ดยสาร | | | Monthly Income = L: 4D {4D=3, OTH=2} (แท็กซ่ี) นัน้ จะเลือกใช้ Toyota” “แต่ถ้าหากวยั สูงอายุ เพศหญิง อาชีพ | | | Monthly Income = M: OTH {4D=10, OTH=21} รบั จ้างหรอื ลกู จ้างหรอื อน่ื ๆ นัน้ จะเลอื กยห่ี อ้ อ่นื ๆ แต่อาชพี ธรุ กจิ ส่วนตวั Age = Elder จะเลือกย่หี ้อ Toyota เม่อื เป็นเพศชาย วยั สูงอายุ จะเลือกใช้ย่หี ้ออ่ืน ๆ | Occupation = Other วยั รุ่น นัน้ จะเลอื กใชย้ ห่ี อ้ อ่นื ๆ เช่น Honda | | Gender = F: OTH {4D=0, OTH=1} | | Gender = M: 4D {4D=1, OTH=0} BrandOrigin - 72.00% | Occupation = PrivateBusiness: 4D {4D=4, OTH=0} Age = Adult Age = Teenager: 4D {4D=1, OTH=0} | Occupation = Other | | Payment Type = CASH สามารถอธบิ ายได้ว่า Class Type นัน้ จะมคี วามแม่นยาทน่ี ้อยลงเป็น | | | Gender = F: Japan {Japan=1, OTH=0} | | | Gender = M: OTH {Japan=4, OTH=8} 16

การประชุมวิชาการระดับชาตดิ ้านเทคโนโลยสี ารสนเทศ ครั้งท่ี 11 (NCIT2019) อกี ระดบั หน่ึง อย่ทู ่รี อ้ ยละ 59.00 เน่ืองจากอาจเป็นไปไดว้ ่าลูกคา้ นัน้ เลอื ก เลอื กรถยนต์ราคาปานกลาง ซ้อื เพ่อื ใหเ้ หมาะสมกบั การใช้งานหรอื จานวนผโู้ ดยสาร ซ่งึ จาก Decision Tree นนั้ พบวา่ • ลูกค้าชาระแบบไฟแนนซ์ เงินเดือนปานกลาง วยั ทางาน จะ เลอื กรถยนต์ราคาปานกลาง แต่วยั สงู อายุ อาชพี รบั จา้ งหรอื อน่ื • วยั ทางาน อาชพี รบั จ้างหรอื อ่นื ๆ นัน้ ท่ีเป็นเพศหญิง ดาวน์สูง ๆ จะเลือกรถยนต์ราคาต่า แต่อาชีพธุรกิจส่วนตัว จะเลือก นนั้ จะเลอื กใชร้ ถยนตป์ ระเภทอ่นื ๆ ดาวน์ต่าจะเลอื กใชร้ ถยนต์ รถยนตร์ าคาปานกลาง ประเภทเก๋ง 4 ประตู ชาระเงนิ สดจะเลอื กใชร้ ถยนต์ประเภทอน่ื ๆ 5. สรุปและขอ้ เสนอแนะ คุณลกั ษณะของลกู คา้ มผี ลตอ่ การแนะนารถยนต์มอื สอง โดยทไ่ี ดม้ กี าร • วยั ทางาน อาชพี รบั จา้ งหรอื อ่นื ๆ นัน้ ท่เี ป็นเพศชาย เงนิ เดอื น เก็บข้อมูลดบิ ทงั้ หมดจากเต็นท์รถยนต์มอื สอง เพ่อื นาขอ้ มูลมาวเิ คราะห์ สงู จะเลอื กใชร้ ถยนตป์ ระเภทเกง๋ 4 ประตู, เงนิ เดอื นต่าและปาน เป็นตาราง แล้วเลือกนาเอาข้อมูลบางส่วนของข้อมูลทงั้ หมดเพ่อื มาคดิ กลาง จะเลอื กใชร้ ถยนตป์ ระเภทอ่นื ๆ วเิ คราะห์ มกี ารศกึ ษาเพมิ่ เตมิ เกย่ี วกบั ขอ้ มลู รถยนตแ์ ละขอ้ มลู ของตวั ลูกคา้ เพ่อื ทจ่ี ะสามารถนามาตงั้ ประเดน็ ในการศกึ ษาวิจยั จากนัน้ มกี ารนาขอ้ มูล • วยั ทางาน อาชพี ธุรกจิ สว่ นตวั เพศหญงิ เงนิ เดอื นสงู จะเลอื กใช้ ทัง้ หมดมาแปลงให้เป็นภาษาอังกฤษและแปลงข้อมูลทัง้ หมดเพ่อื ท่ีจะ รถยนต์ประเภทเก๋ง 4 ประตู, เงินเดือนปานกลางและต่า จะ สามารถใช้ในการวเิ คราะหด์ ว้ ย Decision Tree อย่างไรกต็ าม ผลลพั ธท์ ไ่ี ด้ เลอื กใชร้ ถยนต์ประเภทอ่นื ๆ จากข้อมูลกลุ่มตัวอย่าง 100 รายการนัน้ อาจยงั มีการคลาดเคล่ือนได้ เน่อื งจากอปุ นสิ ยั ของตวั ลูกคา้ ทแ่ี ตกต่างกนั ไป • วยั ทางาน อาชพี ธุรกิจส่วนตวั เพศชาย เงนิ เดือนสูงและปาน การวิเคราะห์และจาแนกคุณลักษณะของลูกค้ามผี ลต่อการแนะนา กลาง จะเลอื กใช้รถยนต์ประเภทอ่นื ๆ, เงนิ เดอื นต่า จะเลอื กใช้ รถยนต์มอื สอง โดยทผ่ี ลจากการทดสอบ Decision Tree นนั้ พบว่า เกยี รใ์ ห้ รถยนต์ประเภทเกง๋ 4 ประตู ค่าความแมน่ ยาทร่ี อ้ ยละ 83.00 ในขณะท่ี ยห่ี อ้ แหลง่ ทม่ี า ประเภทรถยนต์ ราคา นนั้ ใหค้ า่ ความแมน่ ยาไมน่ ้อยกว่ารอ้ ยละ 58.00 สาหรบั สี หรอื ร่นุ ปี • วยั สูงอายุ อาชีพรบั จ้างหรืออ่ืน ๆ นัน้ เพศหญิง จะเลือกใช้ นัน้ คุณลกั ษณะของลูกคา้ ท่ศี ึกษายงั มไี ม่เพยี งพอในการจาแนก ซ่งึ ผูว้ จิ ยั รถยนต์ประเภทอ่นื ๆ แต่เพศชาย จะเลือกใช้รถยนต์ประเภท สรุปได้ว่า ลูกค้านัน้ อาจซ้อื รถยนต์คนั ท่ตี รงตามความต้องการของลูกคา้ เกง๋ 4 ประตู มากท่สี ุด โดยลูกคา้ นัน้ จะคานึงถงึ คุณลกั ษณะของตวั ลูกคา้ ว่าเหมาะสมท่ี จะซอ้ื รถยนต์มอื สองคนั ดงั กลา่ วหรอื ตรงตามเป้าหมายการใชง้ านทว่ี างไว้ • วยั สงู อายุ อาชพี ธุรกจิ ส่วนตวั นนั้ จะเลอื กใชร้ ถยนตป์ ระเภทเกง๋ สาหรบั การศกึ ษาวจิ ยั ถดั ไป จะเป็นการเพม่ิ จานวนขอ้ มูลลูกคา้ ศกึ ษา 4 ประตู ทงั้ หมด คุณลักษณะของลูกค้าเพ่ิมเติม วิเคราะห์หาความสัมพันธ์ระหว่าง คุณลกั ษณะของลูกคา้ กบั คุณสมบตั ขิ องรถยนต์มอื สอง และ พฒั นาระบบ • วยั รนุ่ จะเลอื กใชร้ ถยนตป์ ระเภทเก๋ง 4 ประตู ทงั้ หมด แนะนารถยนตม์ อื สองทส่ี ามารถรบั ขอ้ มลู คุณลกั ษณะของลกู คา้ ได้ Price - 58.00% Payment Type = CASH: L {H=0, M=1, L=27} เอกสารอ้างอิง Payment Type = FINANCE [1] สานักงานราชบณั ฑติ ยสภา. “พจนานุกรมฉบบั ราชบณั ฑติ ยสถาน พ.ศ. | Monthly Income = H 2 5 5 4 . ” http://www.royin.go.th. http://www.royin.go.th/dictionary/. | | Age = Adult: H {H=13, M=2, L=0} (เขา้ ถงึ 4 เมษายน 2562) | | Age = Elder: M {H=0, M=1, L=0} [2] โครงการส่งเสรมิ จติ อาสา ภายใตม้ ลู นธิ บิ ูรณะชนบทแหง่ ประเทศไทยใน | Monthly Income = L พ ร ะ ร า ชู ป ถั ม ภ์ . “ พ ร ะ ร า ช บั ญ ญั ติ ร ถ ย น ต์ พ . ศ . 2 5 2 2 . ” | | Purpose = P: L {H=1, M=2, L=7} http://www.openbase.in.th. http://www.openbase.in.th/node/1391. | | Purpose = T: M {H=0, M=1, L=0} (เขา้ ถงึ 4 เมษายน 2562) | Monthly Income = M [3] M. Caldwell. “Buying a New Car vs Buying a Used Car.” | | Age = Adult: M {H=12, M=19, L=12} https://www.thebalance.com. : https://www.thebalance.com/buying-a- | | Age = Elder new-car-or-used-car-2385961. (accessed April. 4 2019) | | | Occupation = Other: L {H=0, M=0, L=1} [4] ชนะการณ์ ออสุวรรณ. “ลูกค้าคือใคร.” http://www.hcc.ac.th. | | | Occupation = PrivateBusiness: M {H=0, M=1, L=0} http://www.hcc.ac.th/customers. (เขา้ ถงึ 4 เมษายน 2562) [5] สานกั งานราชบณั ฑติ ยสภา. “พจนานุกรมฉบบั ราชบณั ฑติ ยสถาน พ.ศ. สามารถอธบิ ายไดว้ า่ Class Price นนั้ จะมคี วามแม่นยาทร่ี อ้ ยละ 58.00 2 5 5 4 . ” http://www.royin.go.th. http://www.royin.go.th/dictionary/. ซง่ึ จะเป็นสตู รจากทไ่ี ดก้ าหนด คอื ราคามากกว่า 500,000 บาทนนั้ สงู และ (เขา้ ถงึ 5 เมษายน 2562) 300,000-500,000 นั้นปานกลาง และต่ากว่า 300,000 นั้นต่า จะได้ [6] โซเฟีย แวะหะมะ. “ปัจจัยท่ีมีความสมั พันธ์กบั การการตดั สินใจซ้ือ Decision Tree ดงั น้ี รถยนต์มอื สองของผูบ้ รโิ ภค ในเขตอาเภอหาดใหญ่ จงั หวดั สงขลา” สาร • ลกู คา้ ชาระเงนิ สด จะเลอื กรถยนต์ทม่ี รี าคาต่า • ลูกค้าชาระแบบไฟแนนซ์ เงินเดือนสูง วัยทางาน จะเลือก รถยนตร์ าคาสงู แตว่ ยั สงู อายุ จะเลอื กรถยนตร์ าคาปานกลาง • ลูกคา้ ชาระแบบไฟแนนซ์ เงนิ เดือนต่า เพ่อื ใช้งานส่วนตวั จะ เลือกรถยนต์ราคาต่า แต่เพ่อื ใช้รบั จ้างผู้โดยสาร (แท็กซ่ี) จะ 17

การประชุมวิชาการระดับชาตดิ า้ นเทคโนโลยีสารสนเทศ ครั้งท่ี 11 (NCIT2019) นิพนธ์มหาบณั ฑิต, บณั ฑิตวทิ ยาลยั ., มศว., กรุงเทพฯ, ประเทศไทย, 2 5 5 3 [อ อ น ไ ล น์ ]. เ ผ ย แ พ ร่ บ น : http://thesis.swu.ac.th/swuthesis/Man_Econ/Sofia_W.pdf [7] สานักงานขนส่งจงั หวดั ภูเก็ต. “สถิติปฏิบัติงานปีงบประมาณ 2561 ( เ ป รี ย บ เ ที ย บ 5 ปี ) . ” https://www.dlt.go.th. https://www.dlt.go.th/site/phuket/m-download/5 0 6 0 / . ( เ ข้ า ถึ ง 2 5 เมษายน 2562) [8] ระบบสนับสนุนการตดั สนิ ใจในการเลอื กใชแ้ พคเกจอนิ เทอรเ์ น็ตมอื ถือ โ ด ย ใ ช้ ต้ น ไ ม้ ตั ด สิ น ใ จ ,2 5 5 4 [อ อ น ไ ล น์ ] เ ผ ย แ พ ร่ บ น : http://www.rpu.ac.th/Library_web/doc/RC_RR/2554_ComBus_Rujira.p df?fbclid=IwAR34Op- 6ltIRRdUrhqd04znQH6hCSAOMLVc2Wuw3ib8jmSIb2LKW23Mr8kE 18

การประชมุ วิชาการระดบั ชาติดา้ นเทคโนโลยีสารสนเทศ ครัง้ ท่ี 11 (NCIT2019) การวิเคราะหป์ ัจจยั ท่ีส่งผลต่อพฒั นาล่าช้าในเดก็ ปฐมวยั ด้วยเทคนิ คเหมืองข้อมูล Analysis of Factors Affecting Late Development in Early Childhood by Data Mining Technique อทิ ธพิ ล ดวงแกว้ สายยญั สายยศ สาขาเทคโนโลยสี ารสนเทศ ภาควชิ าวทิ ยาการคอมพวิ เตอร์ สาขาเทคโนโลยสี ารสนเทศ ภาควชิ าวทิ ยาการคอมพวิ เตอร์ คณะวทิ ยาศาสตร์ / มหาวทิ ยาลยั ขอนแกน่ คณะวทิ ยาศาสตร์ / มหาวทิ ยาลยั ขอนแกน่ Department of Computer Science Faculty of Science / Department of Computer Science Faculty of Science / Khon Kaen University Khon Kaen University ขอนแกน่ / ประเทศไทย ขอนแก่น / ประเทศไทย Khon Kaen / Thailand Khon Kaen / Thailand [email protected] [email protected] บทคดั ยอ่ —งานวิจยั น้ีได้จดั ทาข้นึ มีวตั ถปุ ระสงคเ์ พือ่ วิเคราะห์ปัจจยั ท่ี using the K-fold Cross-validation method. The results of the research มผี ลต่อพฒั นาการล่าช้าในเดก็ ปฐมวยั โดยใช้ขอ้ มูลของเดก็ ปฐมวยั 4 ช่วง show that the decision tree technique is the most accurate in อายุคือ 9 เดือน 18 เดือน 30 เดือน และ 42 เดือนท่ีได้รบั การตรวจประเมิน predicting the development of 5 aspects: Gross Motor 90.02% พฒั นาการด้วยคู่มือเฝ้าระวงั และส่งเสริมพฒั นาการเดก็ ปฐมวยั (DSPM) Fine Motor 84.55% Expressive Language 85.37% Receptive Language จากฐานขอ้ มูลกลางของสานักงานสาธารณสุขจงั หวดั ขอนแก่น ตงั้ แต่เดือน 85.69% Personal and Social 89.41% ตุลาคม 2560 ถึง เดือนกันยายน 2561 ผู้วิจัยได้ศึกษาปัจจัยท่ีส่งผลต่อ พฒั นาการลา่ ช้าในเดก็ ปฐมวยั จากงานวิจยั ทางการแพทยแ์ ละสาธารณสุขท่ี Keywords—Late Development, Data Mining Technique, Decision ผ่านมา ได้ปัจจัยจานวน 25 ปัจจยั ได้สร้างตัวแบบจาลองโดยใช้เทคนิ ค tree, k-Nearest Neighbor , Naïve Bayes เหมืองข้อมูลคือ เทคนิคต้นไมต้ ดั สินใจ เทคนิคความใกล้เคียงกนั มากที่สุด และเทคนิ คนาอีฟเบย์ ทาการทดสอบประสิทธิภาพความถูกต้องด้วยวิธี 1. บทนา K-fold Cross-validation ผลการวิจัยปรากฏว่าเทคนิ คต้นไม้ตัดสินใจมี พฒั นาการและการเจริญเติบโตของเดก็ ตงั้ แต่แรกเกดิ จนถงึ อายุ 5 ปี ความถกู ต้องมากท่ีสุดในการทานายพฒั นาการทัง้ 5 ด้านคือ ด้านการ เป็นช่วงระยะเวลาสาคัญเป็นพื้นฐานของความพรอ้ มในการเรียนรู้ การ เคลือ่ นไหว 90.02 % ด้านด้านกลา้ มเนื้อมดั เลก็ และสติปัญญา 84.55% ด้าน ประสบความสาเร็จในการเรียน การมีสุขภาพดี และมีความสุขเด็กท่ีมี การใช้ภาษา 85.37% ด้านการเข้าใจภาษา 85.69% และด้านการช่วยเหลือ พฒั นาการท่เี หมาะสมตามวยั จะส่งผลตอ่ การเรียนรใู้ นระยะยาว ดงั นนั้ การ ตนเองและสงั คม 89.41% สง่ เสริมพฒั นาการในแรกเกดิ จนถงึ อายุ 5 ปี จงึ ส่งผลให้เกดิ ประโยชน์ต่อ บุคคลและประโยชน์ต่อสังคมโดยรวม พฒั นาการเดก็ เป็นกระบวนการท่ี คำสำคัญ—พัฒนำกำรล่ำช้ำ, เหมืองข้อมูล, ต้นไม้ตัดสินใจ, กำร เก่ยี วขอ้ งกบั การเรียนรู้และการฝึกทกั ษะทงั้ 5 ดา้ นของเด็กทุกคน ได้แก่ ค้นหำเพอื่ นบำ้ นใกลส้ ุด k อนั ดบั , นำอีฟเบย์ ดา้ นการเคล่อื นไหว ด้านการใช้กลา้ มเนื้อมดั เลก็ และสตปิ ัญญา ด้านการ เขา้ ใจภาษา ดา้ นการใช้ภาษา ด้านการช่วยเหลือตวั เองและสงั คม โดย ABSTRACT— This research was conducted with the objective of เดก็ ๆ จะเรียนรูแ้ ละฝึกทกั ษะเหล่าน้ีในช่วงเวลาเฉพาะและเหมาะสมกบั วยั analyzing factors affecting developmental delay in early childhood. By จากการศกึ ษาสภาพปัญหาด้านพฒั นาการของเด็กไทย พบว่าเดก็ ท่มี ีผล using the data of 4 age groups, ie 9 months, 18 months, 30 months, ประเมนิ พฒั นาการในระดบั สงสยั ล่าชา้ มแี นวโนม้ สูงถงึ ประมาณรอ้ ยละ 30 and 42 months that were evaluated for development with a manual for โดยจานวนดงั กล่าวอยใู่ นภาวะเป็นโรครอ้ ยละ 10 และสามารถกระตนุ้ ใหม้ ี monitoring and promoting early childhood development (DSPM) from พฒั นาการสมวยั ไดร้ อ้ ยละ 20 และผลการสารวจในปี 2560 พบว่าเดก็ แรก the central database of Khon Kaen Provincial Public Health Office เกิดถึง 2 ปี มีพฒั นาการไม่สมวัยร้อยละ 22 และเด็กอายุ 3 ถึง 5 ปี มี From September 2017 to October 2018. This research has studied พฒั นาการไม่สมวยั สงู ถงึ รอ้ ยละ 34 ส่วนผลการสารวจของสานกั งานสถิติ factors that affect delayed development in early childhood from แห่งชาติพบว่า ร้อยละ 20 ของพ่อแม่ผูด้ ูแลเด็กมีส่วนร่วมในกิจกรรม medical and public health research. The number of factors was 25 สง่ เสรมิ การเรยี นรแู้ ละการเตรียมความพรอ้ มก่อนเขา้ โรงเรยี นของเด็ก ซ่งึ factors. The model was constructed using data mining techniques, เป็นปัจจยั ท่ที าให้เดก็ ไทยจานวนมากมีระดบั พฒั นาการตามศกั ยภาพต่า namely the Decision tree technique, the k-nearest neighbor technique กวา่ ทค่ี วรจะเป็น and the Naïve Bayes technique. The accuracy test was performed 19

การประชุมวิชาการระดบั ชาตดิ ้านเทคโนโลยีสารสนเทศ ครั้งที่ 11 (NCIT2019) เน่ืองจากปัจจยั ท่มี ผี ลต่อพฒั นาการล่าช้าของเด็กปฐมวยั มหี ลายด้าน รูปเราจะเห็นว่าโหนดใบจะเป็ นโหนดท่ีบ่งบอกถึงข้อมูลหมวดหมู่ของ ไดแ้ ก่ ปัจจยั ทางดา้ นชีวภาพ ปัจจยั ดา้ นสภาพแวดล้อมก่อนคลอด ปัจจยั คาตอบท่เี ราตอ้ งการ อาทิ เช่น “yes” หมายถงึ ลูกคา้ จะซ้ือคอมพิวเตอร์ ดา้ นกระบวนการคลอด ปัจจยั ดา้ นสภาพแวดลอ้ มหลงั คลอด และปัจจยั ดา้ น และ “no” หมายถึงลูกคา้ จะไม่ซอื้ คอมพวิ เตอร์ โดยตน้ ไม้ท่ถี ูกสรา้ งขนึ้ อาจ การศึกษา ปัจจยั ทางด้านชีวภาพจะเก่ยี วข้องกบั ลกั ษณะทางพนั ธุกรรม เป็นตน้ ไมท้ ม่ี ลี กั ษณะเป็นไบนาร่หี รอื อาจจะไมเ่ ป็นไบนารก่ี ไ็ ด้ หรือชุดหน่วยของยนี ท่ีเด็กได้รบั สบื ทอดมาจากบิดามารดา ปัจจัยด้าน สภาพแวดลอ้ มก่อนคลอดจะเกย่ี วขอ้ งกบั การตดิ เชอื้ สารพษิ สภาวะทาง หลังจากทาการสร้างต้นไม้ตัดสินใจแล้ว เราจะสามารถใช้ต้นไม้ โภชนาการและการเจ็บป่วยของมารดาซ่งึ จะส่งผลต่อพัฒนาการของตัว ตดั สนิ ใจในการจาแนกขอ้ มูลได้ โดยจะทาการจาแนกหมวดหมขู่ องขอ้ มูล อ่อนในครรภ์ ปั จจัยด้านกระบ วนการคลอดจะเก่ียวข้องการเกิด เรคคอร์ดหน่ึงๆ (ท่ีประกอบไปด้วยแอทริบิวต่างๆ แต่เราจะไม่ทราบ ภาวะแทรกซ้อนในระยะคลอด เช่น ภาวะขาดออกซิเจนในขณะคลอด หมวดหมู่ขอ้ มูลในเรคคอรด์ นนั้ ๆ ) ดว้ ยการเปรียบเทยี บแอทรบิ ิวท่อี ยู่ใน ปัจจยั ดา้ นสภาพแวดลอ้ มหลงั คลอด สภาวะหลงั คลอดและสภาพแวดล้อม โหนดรากกับค่าของแอทริบิวในเรคคอร์ดท่ีพิจารณา โดยจะทาการ สง่ ผลร่วมกนั ต่อพฒั นาการของเดก็ เช่น เด็กท่ไี ม่มบี ดิ ามารดาหรอื เด็กท่ี เปรยี บเทยี บจากโหนดรากไปจนถงึ โหนดใบ เม่อื เราทราบถงึ โหนดใบจะทา ไม่ไดร้ บั การดูแลเอาใจใสอ่ ยใู่ นสงิ่ แวดลอ้ มท่แี ออดั ยากจน เดก็ ถกู ทอดทิ้ง ใหเ้ ราทราบถงึ หมวดหมขู่ อ้ มูลของเรคคอรด์ ทท่ี าการพจิ ารณา ล่วงละเมดิ ระดบั เชาวน์ปัญญา และความสามารถของมารดาในการจดั สภาพการเรียนรู้ของเด็ก ดังนั้นหากพ่อแม่ผู้ปกครองหรือเจ้าหน้าท่ี รปู ท่ี 1 ตวั อยา่ งแนวคดิ ตน้ ไมต้ ดั สนิ ใจ สาธารณ สุขทราบว่าปัจจยั ใดบ้างเป็ นสาเหตุของพัฒนาการล่าช้าท่ี 2.3. การจาแนกขอ้ มลู ดว้ ยการคน้ หาเพอื่ นบา้ นใกลส้ ุด k อนั ดบั (k-NN ) เฉพาะเจาะจงต่อเด็กแต่ละคน ก็จะสามารถวางแผนรองรบั เพ่ือส่งเสริม พฒั นาการรวมทงั้ จดั กจิ กรรมทเ่ี หมาะสมกบั ตวั เดก็ ไดถ้ กู ตอ้ งและดที ่สี ดุ โดยเทคนิคนี้จะตดั สนิ ใจว่า คลาสใดท่ีสามารถแทนเง่อื นไขหรอื กรณี ใหม่ๆ ได้ โดยใช้วิธีการตรวจสอบจานวนบางจานวน k ของกรณีหรือ งานวจิ ยั นี้จึงนาเสนอการวิเคราะห์ปัจจยั ทส่ี ่งผลต่อพฒั นาล่าชา้ ในเด็ก เง่อื นไขทเ่ี หมอื นกนั หรอื ใกลเ้ คยี งกนั มากท่สี ุด โดยจะหาผลรวม (count up) ปฐมวยั ด้วยการทาเหมืองขอ้ มูลด้วยวิธีจาแนกประเภทขอ้ มูล สาหรับ ของจานวนเง่อื นไขหรอื กรณีตา่ ง ๆ สาหรบั แต่ละคลาสแลว้ กาหนดเง่อื นไข เทคนิคท่ใี ชป้ ระกอบดว้ ยตน้ ไม้ตดั สนิ (J48) การค้นหาเพ่อื นบ้านใกลส้ ุด k ใหม่ๆ ใหก้ บั คลาสท่เี หมอื นกนั กบั คลาสท่ใี กลเ้ คยี งกนั มากท่สี ุดคานวณได้ อนั ดบั และนาอฟี เบย์ เพ่อื ศกึ ษาปัจจยั และสรา้ งแบบจาลอง และทดสอบ จากสมการท่ี (1) ดงั นี้ ประสทิ ธภิ าพความถูกต้องดว้ ยวธิ ี K-fold cross validation ในการทดลอง ใช้ข้อมูลของเด็กปฐมวัย (อายุ 0 ถึง 5 ปี ) ท่ีได้รบั การตรวจประเมิน ������(������������, ������������) = √∑������������=1(������������(������������) − ������������(������������))2 (1) พฒั นาการดว้ ยคู่มอื เฝ้าระวงั และส่งเสริมพฒั นาการเด็กปฐมวยั (DSPM) จากฐานขอ้ มูลกลางของสานกั งานสาธารณสขุ จงั หวดั ขอนแก่นช่วงระหวา่ ง โดยท่ี ������������ คอื ชุดขอ้ มูลใหม่ เดอื นตลุ าคม 2560 ถงึ เดอื นกนั ยายน 2561 ������������ คอื ชดุ ขอ้ มูลสอนท่ี j 2. ทฤษฎที ่เี ก่ยี วขอ้ ง 2.1. การทาเหมอื งขอ้ มลู (Data Mining) ������������(������������) คอื คา่ ของแอตทรบิ วิ ตข์ องขอ้ มูล ������������ ตวั ท่ี r เป็นการนาระบบคอมพิวเตอร์มาประมวลผลกบั ข้อมูลท่ีมีอยู่เป็ น ������������(������������) คอื ค่าของแอตทรบิ วิ ตข์ องขอ้ มูล ������������ ตวั ท่ี r จานวนมากเพ่อื ให้ได้ความรูใ้ นขอ้ มูลนนั้ โดยอาศยั หลกั การคน้ หารูปแบบ ความสมั พนั ธใ์ หม่ท่มี คี วามหมายและแนวโน้มจากขอ้ มลู จานวนมากท่เี กบ็ ซ่งึ ค่า ������(������������, ������������) คอื ค่าระยะทางระหว่าง ������������ และ ������������ว่าใกล้เคียงกนั ไวโ้ ดยใช้การ จดจารูปแบบทางสถิตแิ ละคณิตศาสตร์ ซ่ึงการทาเหมือง ขอ้ มูลมีประโยชนสาหรบั การวิเคราะห์กบั ขอ้ มูลท่มี ีอยเู่ ป็นจานวนมากใน หรือไม่ถ้ามีค่าน้อยแสดงว่ามคี วามใกลเ้ คียงกนั มาก และถูกเลอื กมาเป็น หลายๆ สาขา เช่น องค์กรธุรกิจ สถาบันการศึกษา และองค์กรเก่ยี วกับ วทิ ยาศาสตรส์ ุขภาพ เป็นตน้ จานวน k ตัวเพ่ือเปรียบเทียบคาตอบดังกล่าวนาไปสู่คาตอบของการ 2.2. การจาแนกขอ้ มูลดว้ ยตน้ ไมต้ ดั สนิ ใจ (Decision Tree ) พยากรณ์ของ ������������ จะเป็นกระบวนการสรา้ งตน้ ไมข้ นึ้ เพ่อื ใชใ้ นการตดั สินใจจากขอ้ มูล ท่มี ี 2.4. การจาแนกขอ้ มลู ดว้ ยเบยอ์ ยา่ งงา่ ย (Naïve Bayes) หมวดหมู่ขอ้ มูลแนบอยู่ดว้ ย ตน้ ไมต้ ดั สนิ ใจจะประกอบไปดว้ ยโหนดต่างๆ (ท่ีไม่ใช่โหนดใบ) ท่ซี ่ึงถูกใช้ในการแสดงถงึ เง่อื นไขหรอื แอทรบิ ิวหน่ึงๆ เบยอ์ ยา่ งงา่ ย มพี น้ื ฐานมาจากทฤษฎขี องเบย์ แต่มคี วามทแ่ี ตกตา่ งกนั ของขอ้ มูล โดยท่แี ต่ละกิง่ กา้ นของโหยดหน่ึงๆ จะหมายถงึ ค่าท่ีเป็นไปได้ จากการทดสอบกับแอทริบิวนนั้ ๆ และจะประกอบไปด้วยโหนดใบ (leaf คอื ในสมมตุ ฐิ านว่าเหตุการณ์ ท่เี กดิ ขน้ึ นนั้ เป็นอสิ ระจากกนั ไมส่ ง่ ผลหรอื node) ทซ่ี ง่ึ จะมหี มวดหม่ขู อ้ มูลจดั เกบ็ อยู่ โดยตวั อยา่ งตน้ ไมต้ ดั สินใจจะถูก แสดงในรูปท่ี 2.1 ท่จี ะแสดงการทานาย คุณลกั ษณะของลูกค้าท่จี ะทาการ ขน้ึ ตรงต่อกนั ซ่งึ ในความเหน็ จรงิ เหตุการณ์ส่วนใหญ่จะส่งผลต่อกนั โดย ซอื้ คอมพวิ เตอรจ์ ากรา้ นขายอุปกรณ์ไฟฟ้า โดยโหนดต่างๆ ท่ไี ม่ใช่โหนด ใบจะถูกแทนดว้ ยสเ่ี หล่ยี ม และโหนดใบจะถูกแทนดว้ ยวงรตี ามลาดบั จาก เบยอ์ ย่างง่ายจะเป็นการนาทฤษฎีมาใช้ในการจาแนกขอ้ มูล เช่น ข้อความ (Text Classification) การวนิ ิจฉัย (Diagnosis) ซ่งึ เป็นเทคนิควิธีท่งี ่ายต่อ การนาไปใชแ้ ละมปี ระสทิ ธภิ าพทด่ี ี 20

การประชมุ วิชาการระดับชาติด้านเทคโนโลยสี ารสนเทศ ครง้ั ท่ี 11 (NCIT2019) สมมตุ ฐิ านการจาแนกประเภทเบยอ์ ยา่ งง่ายคอื กาหนดคณุ สมบตั แิ ตล่ ะ ค่าความถ่ี รอ้ ยละ และวเิ คราะห์ความสมั พนั ธโ์ ดยใช้การทดสอบไคแสควร์ ตวั เป็นอสิ ระจากกนั กบั คุณสมบตั อิ ่นื ๆ ซ่งึ สามารถเขยี นผลคณู ของคา่ ความ พบว่าเด็กปฐมวยั กลุ่มน้ีมีพฒั นาการสงสยั ล่าช้าด้านการเคล่อื นไหวมาก น่าจะเป็นตามสมการท่ี 1 ท่สี ุดร้อยละ 52.0 รองลงมาคอื ดา้ นการใช้ภาษาและดา้ นการเขา้ ใจภาษา ร้อยละ 26.2 ปั จจัยด้านม ารดา ได้แก่ อายุ และการให้นมบุตรมี ������(������1, ������2, … , ������������) = ���������������=��� 1������(������������|������������) (2) ความสมั พนั ธก์ บั พฒั นาการสงสยั ล่าชา้ อยา่ งมีนัยสาคญั ทางสถิติท่รี ะดบั 0.05 ผลการศึกษาครงั้ น้ีสนับสนุนใหม้ ารดาตงั้ ครรภ์ช่วงอายทุ ่เี หมาะสม โดยท่ี Π หมายถงึ การนาค่า ������(������������|������������) ทงั้ หมดมาคูณกนั โดยคานวณ และสนบั สนุนประโยชน์ของการเลยี้ งลูกดว้ ยนมแม่ใน 6 เดอื นแรก ค่าค วาม น่ าจะเป็ นท่ีด้านซ้ายขอ งสู ตรจะได้เท่ ากับ ������(������1|������������) X ������(������2|������1, ������������)X… ������(������������|������������−1, ������������−2, . . , ������������, ������������) ดังนั้น ความ น่ า จ ะ 2.7.2. การศึกษาปัจจัยทีม่ ีผลต่อพัฒนาการเด็กปฐมวัยไทย เขต เป็นทางดา้ นซ้ายของสมการจะเท่ากบั ผลคณู ความน่าจะเป็นทางดา้ นขวาก็ สุขภาพที่ 8 ตอ่ เม่อื คณุ สมบตั ิ ������1, ������2, … , ������������ ไม่ขนึ้ ตอ่ กนั 2.5. เดก็ พฒั นาการล่าชา้ เยาวรตั น์ รัตน์นนั ต์ [3] ไดท้ าการวิจยั เพ่ือศึกษาสถานการณ์ พฒั นาการเดก็ ปฐมวยั ไทย เขตบรกิ ารสุขภาพท่ี 8 ปัจจยั ดา้ นมารดา ปัจจยั คอื เดก็ ทม่ี พี ฒั นาการชา้ กวา่ ลาดบั ขนั้ พฒั นาการปกตติ ามชว่ งอายขุ อง แวดล้อม และปัจจยั ด้านเด็ก และศึกษา ความสมั พนั ธ์ระหว่างปัจจยั ดา้ น เดก็ โดยทเ่ี ด็กอาจจะมพี ฒั นาการล่าช้าด้านใดดา้ นหน่งึ หรอื มากกว่าหน่ึง มารดา ปัจจยั แวดลอ้ ม และปัจจยั ด้านเดก็ กบั พฒั นาการเดก็ ปฐมวยั กลุ่ม ดา้ นกไ็ ดใ้ นดา้ นหลกั ของพฒั นาการทงั้ 4 ดา้ น คอื ตวั อย่าง เป็นเด็กปฐมวัย จานวน 905 คน คานวณขนาดตัวอย่างโดย วิธีการประมาณค่าสดั ส่วนและใช้วิธกี ารสุ่มแบบ Three-Stages Custer 1. ดา้ นกลา้ มเน้ือ ทงั้ กลา้ มเนื้อมดั ใหญ่ (gross motor) เช่น กลา้ มเน้ือ Sampling เก็บขอ้ มูลระหว่างเดือนมีนาคมถงึ พฤษภาคม 2557 เคร่อื งท่ใี ช้ ท่ีใช้ในการทรงตัวนัง่ เดิน และกล้ามเนื้อมัดเล็ก (fine motor) เช่น การ เป็นแบบสอบถามมารดาหรอื ผูด้ ูแลเด็ก สมุดบนั ทึกสุขภาพ กราฟการ กลอกตา การใชม้ อื นิว้ มอื ซ่งึ สว่ นใหญ่เก่ยี วขอ้ งกบั การชว่ ยเหลอื ตนเองใน เจรญิ เตบิ โตและประเมนิ พฒั นาการเดก็ 0-5 ปี ผลการวจิ ยั พบวา่ ปัจจยั ดา้ น ชวี ติ ประจาวนั มารดา ไดแ้ ก่ อายเุ ม่อื ตงั้ ครรภ์ ระดบั การศกึ ษา อาชีพ การฝากครรภ์ การ คลอด การไดร้ บั ยา ธาตเุ หลก็ เสรมิ ไอโอดนี และยาเสรมิ ธาตุเหลก็ ปัจจยั ท่ี 2. ด้านสติปัญญา เช่น ความสามารถในการจดจา เรยี นรู้ เขา้ ใจ และ มีความสมั พันธ์กบั พฒั นาการของเด็กอยา่ งมีนัยสาคัญท่ีระดับ p-value แกไ้ ขปัญหา < 0.05 ไดแ้ ก่อาชพี ของมารดา ระดบั การศกึ ษา และการไดร้ บั ยาธาตุเหลก็ เสริมไอโอดีน ปัจจยั ด้านแวดล้อมไดแ้ ก่อายุผดู้ ูแลเดก็ ระดับการศกึ ษา 3. ด้านสงั คมและอารมณ์ เช่น การแสดงความผกู พนั กบั ผเู้ ลย้ี งดู การ อาชีพ ลกั ษณะครอบครวั รายไดค้ รอบครวั การเล่นกบั เด็กและการเล่า ควบคมุ แสดงออกทางอารมณ์ การมปี ฏสิ มั พนั ธก์ บั ผอู้ ่นื นิทาน จากการศกึ ษาพบวา่ ปัจจยั ทม่ี คี วามสมั พนั ธ์กบั พฒั นาการของเดก็ อยา่ งมนี ยั สาคญั ท่รี ะดบั p-value < 0.05 ไดแ้ ก่ อายขุ องผดู้ ูแลเดก็ อาชพี 4. ด้านภาษา ทัง้ ความเข้าใจภาษา (receptive language) และการ ของผดู้ ูและเด็กและการเล่นกบั เดก็ ปัจจยั ด้านเดก็ ไดแ้ ก่ การคลอดก่อน แสดงออกทางภาษา (expressive language) ซ่ึงรวมถึงภาษาท่าทาง กาหนด น้าหนกั แรกเกดิ ภาวะออกซเิ จนแรกคลอด ภาวะแทรกซอ้ น หลงั (nonverbal communication) ดว้ ย คลอด โรคประจาตวั เดก็ การเจบ็ ป่วยในรอบ 1 ปี สขุ ภาพช่องปาก การกิน นมแม่อยา่ งเดยี ว การไดร้ บั ยาน้าธาตุเหลก็ น้าหนกั ตามเกณฑอ์ ายุ ส่วนสูง ซง่ึ พฒั นาการในแต่ละดา้ นจะเช่อื มโยงสมั พนั ธก์ นั กบั การเจรญิ เตบิ โต ตามเกณฑอ์ ายแุ ละน้าหนกั ตามเกณฑส์ ว่ นสูง พบว่าปัจจยั ทม่ี คี วามสมั พนั ธ์ ของเดก็ ดงั นนั้ เม่อื พฒั นาการดา้ นใดดา้ นหน่งึ บกพรอ่ งหรอื ลา่ ชา้ กจ็ ะส่งผล กับพัฒนาการของเด็กอย่างมีนัยสาคญั ท่ีระดับ p-value < 0.05 ได้แก่ ถงึ พฒั นาการดา้ นอ่นื ๆ ดว้ ย น้าหนกั แรกเกดิ โรคประจาตวั เดก็ ส่วนสูงตามเกณฑอ์ ายุ 2.6. คู่มอื เฝ้าระวงั และส่งเสรมิ พฒั นาการเดก็ ปฐมวยั (DSPM) 3. วธิ ดี าเนนิ การวจิ ยั เป็นเคร่อื งมอื ท่ีบุคลากรสาธารณสุขใชค้ ดั กรอง และพ่อแม่หรือผดู้ ูแล งานวิจยั นี้ไดศ้ ึกษาปัจจยั และสร้างแบบจาลองการวิเคราะห์ปัจจยั ท่ี สามารถใช้ส่งเสรมิ พฒั นาการเด็กอยา่ งมปี ระสทิ ธิภาพ แบ่งเป็นแบบคัด ส่งผลต่อพัฒนาล่าช้าในเดก็ ปฐมวัย โดยใช้เทคนิคการทาเหมืองขอ้ มูลมี กรอง (Screening) 38 ข้อ แ ละแบ บเฝ้ าระวัง (Surveillance) 78 ข้อ ขนั้ ตอนดาเนนิ การวจิ ยั ดงั รปู ท่ี 2 ประเมินพัฒนาการ 5 ด้านคือ การเคล่ือนไหว กล้ามเนื้อมัดเล็กและ สติปัญญา การเขา้ ใจภาษา การใช้ภาษา และการช่วยเหลือตนเองและ สงั คม โดยมผี ลการประเมนิ แตล่ ะดา้ นเป็น ผา่ นและไมผ่ า่ น 2.7. งานวจิ ยั ทเี่ กยี่ วขอ้ ง 2.7.1. ปัจจยั ทมี่ คี วามสมั พนั ธก์ บั พฒั นาการสงสยั ลา่ ชา้ ของเดก็ ปฐมวยั ปรยี นุช ชยั กองเกยี รติ [2] ได้ทาการวจิ ยั เพ่อื ศกึ ษาปัจจยั ท่มี คี วามสมั พนั ธ์ กบั พัฒนาการสงสยั ล่าชา้ ของเด็กปฐมวยั ท่ีมารบั บรกิ ารตรวจคดั กรอง พฒั นาการ ในคลินิกสุขภาพเด็กดี โรงพยาบาลส่งเสริมสุขภาพ ศูนย์ อนามยั ท่ี 12 กลุ่มตวั อยา่ งเป็นเดก็ ปฐมวยั ท่มี พี ฒั นาการสงสยั ลา่ ชา้ จานวน 175 คน เลอื กแบบเฉพาะเจาะลง เคร่อื งมอื ท่ี ใชใ้ นการเก็บรวบรวมขอ้ มูล คอื แบบบนั ทกึ ขอ้ มูลจากฐานขอ้ มลู การตรวจคดั กรองพฒั นาการตามคู่มอื เฝ้าระวงั และส่งเสรมิ พฒั นาการเดก็ ปฐมวยั และคมู่ ือประเมินและส่งเสรมิ พฒั นาการเด็กกลุ่มเส่ียง ในคลินิกสุขภาพเด็กดี วิเคราะห์ขอ้ มูลโดยใช้ 21

การประชมุ วชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครั้งที่ 11 (NCIT2019) ตารางท่ี 2 ปัจจยั ท่มี ผี ลตอ่ พฒั นาการล่าชา้ ตวั แปร ชื่อปัจจยั การแปลงค่า X1 X2 เพศ Male = 1 X3 X4 Female = 2 X5 อายเุ ดก็ เม่อื ตรวจ 9,18,30,42 X6 ประเมนิ ตวั แปร ลาดบั ทต่ี งั้ ครรภ์ 1,2,3,.. X7 X8 อายุครรภเ์ มอ่ื คลอด Preterm = <37 X9 X10 Normal = 37-40 X11 Postterm = >40 X12 X13 ลาดบั ท่ขี องการคลอด 1 = คลอดเดย่ี ว X14 X15 2 = เป็นเดก็ แฝดลาดบั ท่ี 1 X16 3 = เป็นเดก็ แฝดลาดบั ท่ี 2 รปู ท่ี 2 ขนั้ ตอนดาเนินการวจิ ยั X17 วธิ คี ลอด NORMAL = 1 CESAREAN = 2 3.1. การรวบรวมขอ้ มลู (Data Collection) X18 VACUUM = 3 FORCEPS = 4 X19 ทาการเก็บรวบรวมข้อมูลท่ีเก่ียวข้อง ซ่ึงเป็ นข้อมูลทุตยภูมิจาก BREECH = 5 ABORTION = 6 X20 ฐานขอ้ มูลกลางของสานักงานสาธารณสุขจงั หวดั ขอนแก่น ช่วงเวลาจาก X21 ตารางท่ี 2 ปัจจยั ท่มี ผี ลต่อพฒั นาการล่าชา้ (ต่อ) เดอื นตุลาคม 2560 ถงึ เดอื นกนั ยายน 2561 ได้ขอ้ มูลทงั้ หมด 6 ส่วนแสดง ชื่อปัจจยั การแปลงค่า ในตารางท่ี 1 ดงั นี้ สถานทค่ี ลอด Hospital = สถานพยาบาล Other = บา้ น,ระหวา่ งทาง,อน่ื ๆ ตารางท่ี 1 ขอ้ มลู ท่เี กบ็ รวบรวม จานวนเดก็ เกดิ มชี พี 0,1,2,… ชื่อตาราง ข้อมูลที่เกบ็ รวบรวม จานวนเดก็ เกดิ ไรช้ พี 0,1,2,… Person เพศ วนั เดอื นปีเกดิ สถานภาพสมรส อาชพี ทาคลอดโดยเจา้ หน้าที Yes = แพทย์, พยาบาล,เจา้ หน้าท่ี ระดบั การศกึ ษา ทอ่ี ยู่อาศยั ทางสาธารณสขุ No = คลอดเอง,อน่ื ๆ Newborn อายคุ รรภเ์ มอ่ื คลอด วนั ท่คี ลอด ลาดบั ทข่ี องทารก น้าหนักแรกคลอด Less = < 2,500 ทค่ี ลอด น้าหนักแรกคลอด สภาวการณ์ขาด Normal = 2,500-4,000 ออกซเิ จน ไดร้ บั วติ ามนิ เค ระดบั ไทรอยดฮ์ อร์โมน Over = > 4,000 Labor ครรภท์ ่ี สถานทค่ี ลอด วธิ กี ารคลอดหรอื สน้ิ สดุ สภาวะขาดออกซเิ จน Normal = 7-10 การตงั้ ครรภ์ ผทู้ าคลอด จานวนเกดิ มชี พี ท่ี 1 นาทหี ลงั คลอด Asphyxia = < 7 จานวนเกดิ ไรช้ พี ไดร้ บั วติ ามนิ เค Yes = 1 No = 2 Prenatal ผลตรวจ VDRL ผลตรวจ Hemoglobin ระดบั ไทรอยดฮ์ อรโ์ มน 10.20, … ผลตรวจ Hematocrit ผลตรวจ HIV ผลตรวจ VDRL มารดา Normal = 1 ผลการตรวจ THALASSAEMIA Abnormal = 2 Nutrition การดม่ื นมแม่ใน 6 เดอื นแรก Unknown = 3,4,9 Specialpp ผลตรวจประเมนิ พฒั นาการ ท่ตี รวจดว้ ยคมู่ อื เฝ้า ผลตรวจ Hemoglobin Normal = 1 ระวงั และสง่ เสรมิ พฒั นาการเดก็ ปฐมวยั (DSPM) มารดา Abnormal = 2 Unknown = 3,4,9 3.2. การจดั เตรยี มขอ้ มลู (Data Preprocessing) ผลตรวจ HIV มารดา Normal = 1 ทาการรวมขอ้ มูลด้วยเคร่อื งมือทางด้านการจัดการฐานขอ้ มูลให้มี Abnormal = 2 ขอ้ มูล 1 ชุดต่อเดก็ 1 คน แต่เน่ืองจากเป็นขอ้ มูลระดบั ทุตยิ ภูมิ มขี อ้ มูลท่ี ยงั ไมส่ มบูรณ์จากการบนั ทกึ เช่น มขี อ้ มลู เดก็ แตไ่ มม่ ขี อ้ มูลแม่ จงึ ไดท้ าการ Unknown = 3,4,9 ตรวจสอบขอ้ มลู ท่ขี าดหายหรือมคี ่าว่างตงั้ แต่ 2 ขนึ้ ไปทาการลบขอ้ มูลนนั้ ทงิ้ นอกจากยงั พบปัญหาขอ้ มลู ไม่สมดุลกนั จงึ ได้นาเทคนิค smote ซ่งึ เป็น ผลตรวจ Hematocrit Normal (33-48) การสุ่มเพิม่ ตวั อยา่ งขอ้ มูลกลุ่มน้อย เพ่อื เพิ่มขอ้ มูลกลุ่มน้อยคือกลุม่ ท่มี ีผล ประเมินพัฒนาการไม่ผ่านเกณฑใ์ ห้ใกล้เคียงกบั กลุ่มผ่านเกณฑ์ จากนัน้ มารดา Abnormal (<33 OR >48) แปลงขอ้ มูลให้อยใู่ นรูปแบบเดียวกนั เพ่อื ให้สามารถนาไปประมวลผลดว้ ย โปรแกรม Weka เวอรช์ นั 3.8.2 ได้ ซง่ึ รายละเอยี ดตวั แปรและการแปลงค่า ผลการตรวจ Normal = 1 ไดแ้ สดงไวด้ งั ตารางท่ี 2 THALASSAEMIA Abnormal = 2 Unknown = 3,4,9 ดม่ื นมแมใ่ น 6 เดอื นแรก Breast = นมแมอ่ ยา่ งเดยี ว Mixed = นมแมผ่ สมอาหารอ่นื ๆ อาชพี มารดา Office = ขา้ ราชการเจา้ หน้าท่รี ฐั Employee = ลกู จา้ ง, รบั จา้ งทวั่ ไป 22

การประชมุ วชิ าการระดบั ชาตดิ ้านเทคโนโลยีสารสนเทศ คร้ังท่ี 11 (NCIT2019) Farmer = เกษตรกร โดยค่าของผลลพั ธ์ท่ไี ดจ้ ากการจาแนกคือ True Positive (TP) True Negative (TN) False Positive (FP) แ ล ะ False Negative (FN) แ ล ะ X22 อายุมารดาเม่อื คลอด Under 20 = 9-20 สามารถหาค่าความถูกต้อง (Accuracy) คือ จากสมการท่ี 2 ค่าความ แม่นยา (Precision) จากสมการท่ี 3 และค่าความระลึก (Recall) จาก 20-35 = 20-35 สมการท่ี 4 Over 35 = 36 ขน้ึ ไป X23 สถานะสมรสมารดา Single = 1 Couple = 2 Widow = 3 Divorce = 4 Separate = 5 ������������������������������������������������ = ������������+������������ (2) X24 ระดบั การศกึ ษามารดา None = 0 Under Primary = 01 ������������+������������+������������+������������ Primary = 02 Secondary = 03 ������������������������������������������������������ = ������������ (3) Diploma = 04 Bachelor = 05 ������������+������������ Over Bachelor = 06 X25 พ้นื ทอ่ี ยอู่ าศยั City = 1 ������������������������������������ = ������������ (4) Country = 2 ������������+������������ Class ผลประเมนิ พฒั นาการ Pass = ผ่านเกณฑ์ 4. ผลการดาเนินงาน No_pass = ไมผ่ า่ นเกณฑ์ งานวิจยั นี้ไดท้ าการวเิ คราะห์ปัจจยั ท่มี ีผลต่อพฒั นาการล่าช้าในเด็ก 3.3. การวเิ คราะหป์ ัจจยั (Factor Analysis) ปฐมวยั ดว้ ยเทคนิคเหมืองขอ้ มูล โดยใชเ้ ทคนิคตน้ ไมต้ ดั สนิ ใจ เทคนิคการ ขอ้ มลู ท่ใี ชว้ เิ คราะหป์ ัจจยั ทม่ี ผี ลตอ่ พฒั นาการล่าช้าในเดก็ ปฐมวยั และมี คน้ หาเพ่ือนบ้านใกลส้ ุด และเทคนิคนาอฟี เบย์ ผลทดสอบประสิทธิภาพ ผลประเมนิ พฒั นาการทงั้ 5 ดา้ น ไดแ้ ก่ เทคนคิ ตน้ ไมต้ ดั สนิ ใจมีความถูกตอ้ งมากทส่ี ุดในการทานายพัฒนาการทงั้ 1. ด้านการเคล่ือนไหว (GM) ผ่านเกณฑ์ 9,767 ชุดข้อมูล ไม่ผ่าน 5 ด้านคอื ด้านการเคล่อื นไหว 90.02 % ด้านดา้ นกลา้ มเน้ือมัดเลก็ และ เกณฑ์ 9,750 ชดุ ขอ้ มูล รวม 19,517 ชดุ ขอ้ มูล สติปัญญา 84.55% ด้านการใช้ภาษา 85.37% ด้านการเข้าใจภาษา 2. ด้านกลา้ มเนื้อมดั เล็กและสติปัญญา (FM) ผา่ นเกณฑ์ 9,070 ชุด 85.69% และดา้ นการช่วยเหลอื ตนเองและสงั คม 89.41% ดงั ตารางท่ี 4 ขอ้ มลู ไมผ่ า่ นเกณฑ์ 8,986 ชดุ ขอ้ มูล รวม 18,056 ชดุ ขอ้ มลู ตารางท่ี 4 การเปรยี บเทยี บประสทิ ธภิ าพของผลการประเมนิ 3. ดา้ นการใช้ภาษา (EL) ผา่ นเกณฑ์ 9,380 ชุดขอ้ มูล ไม่ผ่านเกณฑ์ พฒั นาการเดก็ ปฐมวยั แตล่ ะดา้ น 8,435 ชดุ ขอ้ มูล รวม 17,815 ชดุ ขอ้ มลู Algorithm Accuracy (%) 4. ด้านการเขา้ ใจภาษา (RL) ผ่านเกณฑ์ 9,252 ชุดข้อมูล ไม่ผ่าน GM FM EL RL PS เกณฑ์ 9,075 ชุดขอ้ มลู รวม 18,327 ชุดขอ้ มลู J48 90.02 84.55 85.37 85.69 89.41 5. ด้านการช่วยเหลือตนเองและสงั คม (PS) ผ่านเกณฑ์ 9,697 ชุด k-NN 86.20 80.56 81.55 81.74 85.50 ขอ้ มูล ไมผ่ า่ นเกณฑ์ 9,590 ชดุ ขอ้ มูล รวม 19,287 ชุดขอ้ มูล Naïve Bayes 72.02 70.67 69.44 69.87 72.81 3.4. การสรา้ งโมเดล (Modeling) เม่อื นาแบบจาลองท่ไี ดไ้ ปคน้ หาปัจจยั ดว้ ยวธิ ี Best First Search เพ่อื นาปัจจยั มาสรา้ งแบบจาลองการวเิ คราะหป์ ัจจยั ท่มี ีผลตอ่ พฒั นาการ คน้ หาปัจจยั ท่มี คี วามสาคญั ตอ่ พฒั นาการลา่ ชา้ แต่ละดา้ นของเดก็ ปฐมวยั ลา่ ช้าในเด็กปฐมวยั โดยทาขอ้ มูลเป็น 5 ชุด ท่มี ผี ลการประเมนิ พฒั นาการ ผลการคน้ หาปัจจยั ไดแ้ สดงดงั ตารางท่ี 5 ทงั้ 5 ด้าน ใช้วิธีการจาแนกประเภทข้อมูลประกอบด้วยเทคนิคต้นไม้ ตารางท่ี 5 ผลการคดั เลอื กปัจจยั ทม่ี ผี ลต่อพฒั นาการแต่ละดา้ น ตดั สนิ ใจ เทคนิคการคน้ หาเพ่อื นบา้ นใกลส้ ดุ และเทคนิคนาอฟี เบย์ พฒั นาการ ปัจจยั 3.5. การทดสอบประสทิ ธภิ าพ (Model Evaluation) ดา้ นการเคลอ่ื นไหว เพศ อายุเดก็ เม่อื ตรวจประเมนิ อายุครรภ์เมอ่ื ในการทดสอบประสทิ ธภิ าพนนั้ ไดม้ กี ารใชเ้ ทคนิคแบบ 10-fold cross คลอด วธิ คี ลอด สถานท่คี ลอด ลาดบั ทข่ี องการ validation โดยจะทาการแบ่งขอ้ มูลออกเป็น 10 ชุดเท่าๆ กนั จากนนั้ จะทา คลอด ผลฮมี าโตครตี มารดา อายมุ ารดาเม่อื การทดสอบทงั้ หมด 10 รอบ โดยในแต่ละรอบจะใช้ขอ้ มูล 1 ชุดเป็นชุด คลอด ระดบั การศกึ ษามารดา พ้นื ท่อี ย่อู าศยั ทดสอบและอีก 9 ชุดท่ีเหลือเป็นชุดฝึกสอน ในรอบต่อไปก็ใชช้ ุดขอ้ มูล ดา้ นกลา้ มเน้ือมดั อายเุ ดก็ เมอ่ื ตรวจประเมนิ อายุครรภ์เมอ่ื คลอด ถัดไปเป็ นชุดทดสอบจนครบทัง้ 10 ชุดข้อมูล ซ่ึงข้อมูลทั้งหมดแบ่ง เลก็ และสตปิ ัญญา วธิ คี ลอด ลาดบั ท่ขี องการคลอด อาชพี มารดา ออกเป็น 10 ชุดขอ้ มูล ซ่ึงคิดเป็ นอตั ราขอ้ มูลทดสอบต่อข้อมูลฝึกเป็ น ระดบั การศกึ ษามารดา พ้นื ท่อี ยอู่ าศยั อัตราส่วน 10:90 และประเมินค่าความถูกต้องโดยใช้ผลจากตาราง จานวนเดก็ เกดิ ไรช้ พี สภาวะขาดออกซเิ จน Confusion Matrix ดงั ตารางท่ี 3 ดา้ นการใชภ้ าษา เพศ อายุเดก็ เมอ่ื ตรวจประเมนิ อายุครรภเ์ ม่อื ตารางท่ี 3 ตาราง Confusion Matrix คลอด วธิ คี ลอด ลาดบั ทข่ี องการคลอด การไดร้ บั predict/actual Pass No_pass วติ ามนิ เค ระดบั ไทรอยดฮ์ อรโ์ มน อายุมารดา Pass TP TN เม่อื คลอด อาชพี มารดา พ้นื ทอ่ี ยู่อาศยั จานวน No_pass FP FN เดก็ เกิดไรช้ พี สภาวะขาดออกซเิ จน ดา้ นการเขา้ ใจ อายเุ ดก็ เมอ่ื ตรวจประเมนิ อายุครรภ์เม่อื คลอด 23

การประชุมวชิ าการระดบั ชาติด้านเทคโนโลยีสารสนเทศ คร้งั ท่ี 11 (NCIT2019) ภาษา วธิ คี ลอด ลาดบั ทข่ี องการคลอด ระดบั ไทรอยด์ [3] เยาว์รตั น์ รตั น์นันต์ (2559). การศกึ ษาปัจจยั ท่มี ผี ลต่อพฒั นาการเดก็ ปฐมวยั ฮอรโ์ มน ระดบั การศกึ ษามารดา พ้นื ท่อี ย่อู าศยั ไทย เขตสขุ ภาพท่ี 8. สบื คน้ เมอ่ื วนั ท่ี 10 ตลุ าคม 2561. ดา้ นการชว่ ยเหลอื จานวนเดก็ เกดิ ไรช้ พี ลาดบั ทต่ี งั้ ครรภ์ ตนเองและสงั คม [4]. ภรณี แกว้ ลี (2559), ปัจจยั ท่มี คี วามสมั พนั ธก์ บั พฒั นาการเดก็ ปฐมวยั ในเขต เพศ อายุเดก็ เม่อื ตรวจประเมนิ อายคุ รรภ์เมอ่ื เทศบาลนครอบุ ลราชธานี. การประชมุ วชิ าการและนาเสนอผลงานวจิ ยั คลอด วธิ คี ลอด สถานทค่ี ลอด ลาดบั ทข่ี องการ ระดบั ชาตริ าชธานีวชิ าการ ครงั้ ท่ี 1, 1(1), 1675-1685. คลอด ระดบั ไทรอยดฮ์ อรโ์ มน ผลฮมี าโตครตี มารดา ผลฮมี าโตครตี มารดา ระดบั การศกึ ษา [5] โสภา เหมอื นประสาน และ พรนภา ศุกรเวทยศ์ ริ (2561). ปัจจยั ดา้ นสงั คมท่ี มารดา พ้นื ทอ่ี ยู่อาศยั ดม่ื นมแมใ่ น เดอื นแรก 6 มคี วามสมั พนั ธ์กบั พฒั นาการสงสยั ลา่ ชา้ ในเดก็ ปฐมวยั อาเภอลาปลายมาศ ลาดบั ท่ตี งั้ ครรภ์ จงั หวดั บรุ รี มั ย์. สานักงานป้องกนั ควบคมุ โรคท่ี 7 ขอนแก่น. 25 (1), 1-11. 5. สรุป [6] จรี ะนันต์ เจรญิ รตั น์. (2559). การวเิ คราะหป์ ัจจยั ทส่ี ง่ ผลต่อการพน้ สภาพของ งานวจิ ยั น้ีได้ทาการวิเคราะห์ปัจจยั ท่มี ีผลต่อพฒั นาการล่าช้าในเด็ก นักศกึ ษาท่มี ผี ลการเรยี นปกตโิ ดยใชต้ น้ ไมต้ ดั สนิ ใจ. SNRU Journal of ปฐมวยั ดว้ ยเทคนิคเหมอื งขอ้ มูล โดยใชเ้ ทคนิคตน้ ไมต้ ดั สนิ ใจ เทคนิคการ Science and Technology, 8(2),256-267. คน้ หาเพ่ือนบ้านใกลส้ ุด และเทคนิคนาอฟี เบย์ ผลทดสอบประสิทธิภาพ พ บ ว่า เท ค นิ ค ต้น ไม้ ตัด สิน ใจ มีค ว า ม ถู ก ต้ อ ง ม า ก ท่ีสุ ด ใน ก า รท า น า ย [7] Cheewaprakobkit, P. (2556). Study of Factors Analysis Affecting พฒั นาการทงั้ 5 ด้านคอื ดา้ นการเคล่อื นไหว 90.02 % ดา้ นกล้ามเนื้อมดั Academic Achievement of Undergraduate Students in International เลก็ และสตปิ ัญญา 84.55% ดา้ นการใชภ้ าษา 85.37% ดา้ นการเขา้ ใจภาษา Program. Paper presented at the Proceedings of the International 85.69% และด้านการช่วยเหลือตนเองและสังคม 89.41% และเม่ือนา Multi Conference of Engineers and Computer Scientists. แบบจาลองท่ไี ดไ้ ปคน้ หาปัจจยั ดว้ ยวธิ ี Best First Search เพ่อื คน้ หาปัจจยั ท่มี ีความสาคญั ต่อพฒั นาการแต่ละด้านของเด็กปฐมวยั พบว่าด้านการ [8] Pansumret, Y., Phuboon-ob, J., Pongsiri, W. (2556). On Comparison of เคล่ือนไหวคือ เพศ อายุเด็กเม่ือตรวจประเมนิ อายุครรภ์เม่ือคลอด วิธี Data Mining Algorithms for Analysis of Factors Affecting the Academic คลอด สถานท่คี ลอด ด้านกล้ามเนื้อมดั เลก็ และสตปิ ัญญาคอื อายเุ ดก็ เม่อื Performance of Students. J. Sci. Technol MSU, 1(2), 281-289. ตรวจประเมนิ อายคุ รรภ์เม่อื คลอด วธิ คี ลอด ลาดบั ท่ขี องการคลอด อาชีพ มารดา ดา้ นการใชภ้ าษาคอื เพศ อายเุ ดก็ เม่อื ตรวจประเมิน อายคุ รรภเ์ ม่อื [9] ณัฐวุฒิ ศรวี บิ ูลย์. (2559). การเปรยี บเทยี บประสทิ ธภิ าพอลั กอรทิ มึ เหมอื ง คลอด วธิ ีคลอด ลาดบั ท่ขี องการคลอด ดา้ นการเข้าใจภาษาคอื อายเุ ด็ก ขอ้ มูลเพ่อื วเิ คราะห์ปัจจยั ท่สี ง่ ผลต่อการเกดิ โรคมะเรง็ . SNRU Journal of เม่ือตรวจประเมิน อายุครรภ์เม่ือคลอด วิธีคลอด ลาดบั ท่ขี องการคลอด Science and Technology, 8(3), 344-352. ระดบั ไทรอยด์ และสดุ ทา้ ยดา้ นการชว่ ยเหลอื ตนเองและสงั คมคอื เพศ อายุ เดก็ เม่อื ตรวจประเมนิ อายคุ รรภเ์ ม่อื คลอด วธิ คี ลอด [10] ณฐั ธดิ า สวุ รรณโณ, อนั ธกิ า สงิ หเ์ อ่ยี ม (2554). การหาปัจจยั ทส่ี ง่ ผลตอ่ ความ ขอ้ เสนอแนะสาหรบั การทาวจิ ยั ในอนาคต เน่ืองจากขอ้ มูลท่ใี ชใ้ นการ เสย่ี งของนักศกึ ษาเรยี นออ่ นดว้ ยเทคนิคกฎความสมั พนั ธ์ กรณศี กึ ษา: วจิ ยั เป็นขอ้ มูลระดบั ทุติยภูมิ ซ่งึ จะมีปัญหาเร่อื งความสมบูรณ์ครบถ้วนใน หาวทิ ยาลยั สงขลานครนิ ทร์. วารสาร วทิ ยาการจดั การ (Journal of การบนั ทกึ ขอ้ มูล และขอ้ มลู มเี ฉพาะดา้ นการคลอด ดา้ นตวั เดก็ และดา้ นแม่ Management Sciences), 28(1), 65-79. ยงั ขาดขอ้ มูลดา้ นอ่นื เช่น ดา้ นสงิ่ แวดล้อม ด้านสงั คม หากสามารถศกึ ษา ปัจจยั ได้ครอบคลุมมากกว่า กจ็ ะทาให้เพ่ิมประสิทธภิ าพในการวเิ คราะห์ [11] โกวทิ ย์ ปรดษิ ฐ์ ผล, ปรชี า วจิ ติ รธรรมรส (2560). การศกึ ษาปัจจยั ท่สี ง่ ผล ปัจจยั ทม่ี ผี ลต่อพฒั นาการล่าชา้ มากยง่ิ ขน้ึ ตอ่ การสาเรจ็ การศกึ ษาตามเกณฑ์การศกึ ษาของนักศกึ ษาระดบั ปรญิ ญาโท ดว้ ยเทคนิคเหมอื งขอ้ มูล กรณีศกึ ษาสถาบนั บณั ฑติ พฒั นบรหิ ารศาสตร์. กิตติกรรมประกาศ KKU International Journal of Humanities and Social Sciences, 6(3), 113-145. การศึกษ านี้ สาเร็จสม บู รณ์ ได้ด้วย ความ กรุณ าอย่างยิ่งจากบุ คค ล หลายๆ ท่าน โดยเฉพาะอยา่ งยง่ิ ผชู้ ่วยศาสตราจารย์ ดร.สายยญั สายยศท่ี [12] กรมอนามยั กระทรวงสาธารณสขุ , รายงานประจาปี 2560. ให้ข้อเสนอแนะ เพ่ือปรับปรุงแก้ไขให้มีความสมบูรณ์ ขอขอบคุณ [13] สรุ วชั ร ศรเี ปารยะ และสายชล สนิ สมบรู ณ์ทอง (2560). การเปรยี บเทยี บ นายแพทยส์ าธารณสุขจงั หวดั ขอนแก่น ท่ใี หค้ วามอนุเคราะหใ์ ห้ใช้ขอ้ มูล จากศนู ยข์ อ้ มูลกลางสานกั งานสาธารณสขุ จงั หวดั ขอนแกน่ ประสทิ ธภิ าพวธิ กี ารจาแนกกลุ่มการเป็นโรคไตเร้อื รงั : กรณศี กึ ษา โรงพยาบาลแห่งหน่ึงในประเทศอนิ เดยี . วารสารวทิ ยาศาสตร์และเทคโนโลย,ี เอกสารอ้างอิง 25(5), 839-853. [14] หน่ึงฤทยั เกอ้ื เอยี ด และคณะ. สถานการณ์และปัจจยั ทม่ี คี วามสมั พนั ธต์ ่อ [1] J. Han, M. Kamber, J. Pei. Data mining concepts and techniques, พฒั นาการของเดก็ ไทยอายตุ ่ากว่า 5 ปี : การทบทวนวรรณกรรม. วารสาร 3rd ed. ElSevier, USA, 2554. เครอื ขา่ ยวทิ ยาลยั พยาบาลและการสาธารณสขุ ภาคใต.้ 5(1), 281-296. [2] ปรยี นุช ชยั กองเกยี รติ (2561), ปัจจยั ทม่ี คี วามสมั พนั ธ์กบั พฒั นาการสงสยั ล่าชา้ ของเดก็ ปฐมวยั . วารสารมหาวทิ ยาลยั นราธวิ าสราชนครนิ ทร์ สาขา มนุษยศาสตร์และสงั คมศาสตร์ 5 (2), 161-171. 24

การประชุมวชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครั้งที่ 11 (NCIT2019) การค้นพบกลมุ่ ความหนาแน่นสงู สดุ ของกราฟที่มกี ารเชื่อมต่อสงู เป็นเกณฑส์ าหรบั การกาหนดคลสั เตอรแ์ บบทบั ซ้อน Discovering Highest Density Clusters in a Highly Connected Graph as Basis for Overlapping Clusters ชชั ชณษิ า ภคั ธนอดุ มพนั ธุ์ กติ ตชิ ยั ลวนั ยานนท์ Chatchanisa Phaktana-Udompun Kittichai Lavangnananda คณะเทคโนโลยสี ารสนเทศ / มหาวทิ ยาลยั เทคโนโลยพี ระจอมเกลา้ ธนบรุ ี คณะเทคโนโลยสี ารสนเทศ / มหาวทิ ยาลยั เทคโนโลยพี ระจอมเกลา้ ธนบรุ ี Information of technology / Information of technology / King Mongkut’s University of Technology Thonburi (KMUTT) King Mongkut’s University of Technology Thonburi (KMUTT) กรุงเทพฯ / ประเทศไทย กรงุ เทพฯ / ประเทศไทย Bangkok / Thailand Bangkok / Thailand [email protected] [email protected] บทคดั ยอ่ — งานวิจยั นี้พฒั นาโปรแกรมสาหรบั จดั คลสั เตอรก์ ราฟ Keywords — Graph Clustering, Overlapping Clustering, Highly ที่มีความหนาแน่นสูงโดยพิจารณาหาบริเวณที่มคี วามหนาแน่นสงู ท่ีสุดเพื่อ Connected Graph เป็นเกณฑส์ าหรบั การคลสั เตอรแ์ บบทบั ซ้อน ซ่ึงสามารถชว่ ยในการจดั กลมุ่ ข้อมูลท่ีมีความสัมพนั ธ์ที่ซับซ้อนเพื่อเป็ นประโยชน์ในด้านต่างๆ เช่น 1. บทนา การตลาดบนโซเซียลมเี ดีย การขนส่ง เป็นต้น การจดั การกบั ขอ้ มลู ความสมั พนั ธร์ ะหว่างบคุ คลตา่ งๆบนโซเซยี ลมเี ดยี ท่ีมจี านวนปรมิ าณข้อมูลมหาศาล (Big Data) ใหเ้ กิดประโยชน์สูงสุดทาง งานวิจยั น้ีใช้วิธีการจดั กลุ่มโดยพิจารณาความหนาแน่นภายในและ หน่ึงคือการทา Graph Clustering ซ่ึงเป็ นส่วนหน่ึงของสาขา Data ภายนอกกลุ่ม โดยมีขนั้ ตอนสาคญั 2 ขนั้ ตอนคือ 1) การเลือกคลสั เตอรท์ ่ีมี Analysis ความสมั พนั ธร์ ะหวา่ งบคุ คลเป็นความสมั พนั ธ์ไม่มนี ้าหนกั และไม่ ความหนาแน่นสงู ทงั้ หมดในกราฟ และเลือกโหนดเข้าเป็นสมาชิกของคลสั มีทิศทาง (unweighted and undirected) [1] [2] [3] โดยบุคคลหมายถึง เ ต อ ร์ เ พื่ อ ข ย า ย ข น า ด ค ลัส เ ต อ ร์ จ น ไ ม่ ส า ม า ร ถ ข ย า ย ข น า ด ไ ด้ อี ก โหนด(Node) และความสมั พนั ธ์จานวนมากกบั บุคคลอ่นื ๆสามารถแทนได้ 2) เลือกคลสั เตอรใ์ ห้โหนดที่ยงั ไม่เป็นสมาชิกของกล่มุ ใดๆ การเลือกโหนด ดว้ ย เสน้ เชอ่ื ม (Edges) [4] [5] และคลสั เตอร์ได้ใช้การค้นหาโหนดและคลสั เตอรท์ ี่เหมาะสมแบบ Greedy การจดั กลุ่มบุคคลและความสมั พนั ธ์ดงั กล่าวสามารถนาผลลพั ธท์ ไ่ี ดไ้ ป Search เพอ่ื ให้ได้กลุม่ ท่ีมปี ระสิทธิภาพที่สุด ต่อยอดในเชงิ ธุรกจิ เช่น การลดขอ้ มูล, การสรา้ งสมมตฐิ าน, การทดสอบ สมมติฐาน, การทานายตามกลุ่ม เป็ นต้น [6] การจัดกลุ่มลักษณะน้ี คำสำคญั — การจดั กลมุ่ กราฟ, การจดั กลมุ่ แบบทบั ซ้อน, กราฟที่มี ก่อให้เกิดประโยชน์ต่างๆอาทิ การตลาดบนโซเซียลมเี ดีย การโฆษณา ความหนาแน่นสงู ประชาสมั พนั ธ์ขอ้ มูลข่าวสาร การผลิตสนิ ค้าและบรกิ ารให้นาหน้าคู่แข่ง นอกจากน้ยี งั สามารถใชก้ ารจดั กลุม่ กราฟกบั งานทางดา้ นวทิ ยาศาสตรแ์ ละ ABSTRACT — This research is implements a program to determine การแพทย์ [1] [7] [8] ไดอ้ กี ดว้ ย clusters in a highly connected graph. This is done by means of finding งานวจิ ยั น้ีสามารถใช้กับผู้ใช้งานท่ีมีความรู้ความเข้าใจหรือมคี วาม the highest density clusters as a basic for finding overlapping clusters. สนใจดา้ น Graph clustering เน่อื งจากผใู้ ชง้ านสามารถเลอื กไฟลข์ อ้ มลู หรอื This research has application in finding overlapping clusters such as ระบุจานวนโหนดเพ่อื ให้โปรแกรมสร้างกราฟได้ ตลอดจนสามารถระบุ those in social media marketing, transportation. ค่าตวั แปรต่างๆในการจดั กลุม่ ได้ (ค่าผลต่างความหนาแน่นระหว่างภายใน และภายนอกและค่าการเช่ือมต่อเฉล่ียของกราฟ) และยังรองรบั กรณี Clustering is done by considering inter density and intra density. ผใู้ ชง้ านไมร่ ะบุคา่ ดงั กล่าวโดยการคานวณจากการเช่อื มตอ่ ของกราฟ This comprise two major steps. First, all highest density cluster are determined. Those are then expanded farther until no expansion is 2. Graph, Graphlet, Complete Graph และ Highly Connected Graph possible. Second, remanding nodes which are not yet members of any 2.1. Graph (กราฟ): กราฟคือแบบจาลองทางคณิตศาสตร์ท่ีใช้จะแทน cluster are considered and assigned appropriate clusters accordingly ข้อมูลต่างๆท่ีสนใจในรูปแบบของ จุด (Node หรือ Vertex) และการ by mean of Greedy Search 25

การประชมุ วิชาการระดับชาติดา้ นเทคโนโลยสี ารสนเทศ ครั้งท่ี 11 (NCIT2019) เช่อื มโยงความสมั พนั ธร์ ะหว่างโหนดถูกแทนดว้ ย เสน้ เช่อื มหรอื กงิ่ (Edge) 2.4. Highly connected graph: กราฟท่ีมีการเช่ือมต่อกันสูง (รูปท่ี 6) มี ซง่ึ สามารถแบ่งแยกโดยลกั ษณะสาคญั ได้ 3 ลกั ษณะดงั น้ี คณุ สมบตั ดิ งั น้ี [10] 2.1.1. ทิศทางของกราฟ: กราฟมที ิศทาง (Directed Graph) (รูปท่ี 1) 2.4.1. จานวนเอดจใ์ นกราฟมากกวา่ จานวนโหนดในกราฟหารสอง คอื กราฟท่กี ารเช่อื มต่อสามารถเกดิ ขน้ึ ได้ทศิ ทางเดียวคอื จากโหนดท่อี ยู่ 2.4.2. จานวนเอดจข์ นั้ ตา่ ของแต่ละโหนดมากกว่าหรอื เทา่ กบั หน่งึ บวก บรเิ วณปลายลูกศรไปยงั โหนดท่อี ย่บู รเิ วณหวั ลูกศร ในขณะทก่ี ราฟท่ไี ม่มี จานวนโหนดในกราฟหารสอง ทศิ ทาง (Undirected Graph) (รปู ท่ี 2) สามารถเชอ่ื มตอ่ ไดท้ งั้ สองทาง 2.4.3. มคี ่าความหนาแน่นตงั้ แต่ 0.5 แต่ไม่ใช่ Complete Graph การหาค่าความหนาแน่นจะกล่าวถึงในหวั ข้อ Inter-Intra density-based 2.1.2. น้าหนกั ของกราฟ: กราฟทม่ี นี ้าหนกั (Weighted Graphs) (รปู ท่ี clustering 3) คือกราฟท่ีมีตัวเลขกากับไว้โดยท่ีตวั เลขดังกล่าวได้นามาใช้เพ่ือส่ือ ความหมายอย่างใดอย่างหน่ึง เช่น ระยะทางระหว่างโหนดแต่ละโหนด รปู ท่ี 6. ตวั อย่าง Highly connected graph [11] เวลาในการดาเนินการระหว่างโหนด เป็นต้น ในขณะทก่ี ราฟทไ่ี ม่มนี ้าหนกั (Unweighted Graphs) (รปู ท่ี 2) คอื กราฟทไ่ี ม่มคี ุณสมบตั ดิ งั กลา่ ว 3. Cluster Analysis, Cluster และ Overlapping clustering 3.1. Cluster Analysis (การวเิ คราะห์คลสั เตอร)์ : Cluster Analysis คอื การ 2.1.3. Circle ของกราฟ: กราฟท่ีมี circle (รูปท่ี 4) คือกราฟท่ีมี จดั กลุ่มองค์ประกอบลงในส่วนย่อยตามความคล้ายคลงึ กนั ระหว่างชุดของ คุณสมบตั ิในการเช่อื มต่อเข้าถึงตวั เองได้โดยไม่ผ่านเอดจ์เดิมในขณะท่ี องค์ประกอบ เป้ าหมายคือการหาเซตย่อยท่ีไม่เหมือนกัน เรียกว่า กราฟทไ่ี ม่มี circle (รปู ท่ี 2) ไม่มคี ณุ สมบตั ดิ งั กล่าว คลสั เตอร์ (Cluster) โดยมสี องเกณฑค์ อื ความสม่าเสมอและการแยก ดงั น้ี รปู ท่ี 1. แสดงกราฟทม่ี ที ศิ ทาง จาก 1 ไป 2 3.1.1. ความสมา่ เสมอ: คุณสมบัติน้ีหมายถึงองค์ประกอบในกลุ่ม เดยี วกนั ตอ้ งมคี วามคลา้ ยคลงึ กนั มาก รปู ท่ี 2. แสดงกราฟทไ่ี มม่ ที ศิ ทาง ไม่มนี ้าหนัก ไมม่ cี ircle 3.1.2. การแยก: คุณสมบตั นิ ้ีหมายถงึ องค์ประกอบในกลุ่มต่างๆต้องมี รปู ท่ี 3. แสดงกราฟทม่ี นี ้าหนัก 5 หน่วย ระหวา่ งโหนด 1 และ 2 ความคลา้ ยคลงึ กนั ต่า รปู ท่ี 4. แสดงกราฟทม่ี cี ircle 3 โหนด หรอื minimum subgraph 3.2. การจดั กลุ่ม (Clustering): การสร้างกลุ่มย่อยจากความคล้ายคลงึ กนั ของสมาชิกในกลุ่มและความต่างกนั ของสมาชิกนอกกลุ่ม ระดับความ 2.2. Graphlet: Graphlet คอื รูปแบบการเช่อื มต่อกนั ของโหนดในกราฟใน คล้ายคลงึ กนั มกั ถูกกาหนดโดยชุดของคุณสมบตั ขิ องแตล่ ะองค์ประกอบ มี รูปแบบต่างๆตงั้ แต่จานวน 2 โหนดข้นึ ไป (รูปท่ี 5) ในงานวิจยั น้ีจะให้ เทคนคิ มากมาย[12] เช่น Overlapping Partitioning Hierarchical Density- ความสาคญั กับ graphlet ท่ีเป็น Minimum Circle (graphlet ท่ีอยู่ภายใน Based Grid-Based เป็นต้น ในงานวจิ ยั น้ีได้ใหค้ วามสาคญั กบั การจดั กลุ่ม กรอบสแี ดง) เท่านนั้ กราฟท่ีมีความสมั พนั ธ์กันอย่างไม่มที ิศทาง (Undirected) ไม่มีน้าหนัก (Unweighted) และมกี ารเช่อื มต่อกนั สูง (Highly connected graph) ดงั นัน้ ในหวั ข้อท่ี 3.3 ขอกล่าวถึงงานวิจัยท่ีท่ีเก่ียวข้องกับการจัดกลุ่ม highly connected graph ในรปู แบบ Overlapping พอสงั เขป รปู ท่ี 5. ตวั อย่าง graphlets รปู แบบต่างๆของโหนดจานวน 2-4โหนด [9] 3.3. Overlapping clustering: การจัดกลุ่มลักษณะน้ี โหนดหน่ึงโหนด สามารถเป็นสมาชกิ ของกลุ่มไดม้ ากกว่าหน่ึงกลุ่ม โดยท่แี ต่ละกลุ่มถูกแบ่ง [2.3. Complete graph หรือ Fully connected graph: กราฟลักษณะน้ีคือ จากกนั ด้วยความคลา้ ยคลงึ กนั ของสมาชกิ ภายในกลุ่ม ซ่งึ สมาชิกในกลุ่ม การเช่อื มต่อแบบสมบูรณ์โดยท่ีทุกโหนดภายในกราฟมเี อดจ์เช่อื มถึงกนั เดยี วกนั จะมคี วามคลา้ ยคลงึ กนั มากกวา่ สมาชกิ ภายนอกกลุ่ม (รปู ท่ี 8) กรา หรอื การเช่อื มต่อสูงสุดของกราฟทเ่ี ป็นไปได้ ซ่งึ สามารถหาไดจ้ ากสมการ จดั กลุ่มลกั ษณะน้ีได้ถูกนามาใช้กบั งานทางชีววทิ ยา [1] เช่น CFinder มี ท่ี 1 [4] [9] ส่วนช่วยในการบ่งชโ้ี ปรตนี คอมเพลก็ ซ์, Link Communities สามารถช่วย ในการทานายยนี มะเรง็ ต่อมลูกหมาก เป็นต้น นอกจากน้ีในโลกแห่งความ Max Edges = n (n-1) / 2 (1) เป็นจรงิ ของเครอื ขา่ ย รวมทงั้ เครอื ขา่ ยทม่ี นุษยส์ รา้ งขน้ึ และเป็นธรรมชาตมิ ี ความจาเพาะในรูปแบบการเช่อื มต่อระหว่างโหนดท่ไี ม่เหมอื นกนั และมกั โดย n คอื จานวนโหนดในกราฟ เป็นในรูปแบบ Overlapping ท่แี ต่ละโหนดมกั ไม่อย่แู ค่เพยี งในกลุ่มของตน แตอ่ าจเป็นสมาชกิ ไดม้ ากกว่าหน่งึ กลุ่ม [3] และความสมั พนั ธข์ องมนุษยอ์ ยู่ ในรปู แบบไม่มนี ้าหนกั และทศิ ทาง [2] 26

การประชมุ วชิ าการระดบั ชาตดิ า้ นเทคโนโลยีสารสนเทศ ครัง้ ที่ 11 (NCIT2019) ผลต่างความหนาแน่นระหว่างภายในและภายนอก หรือ (Different density) จากสมการท่ี 2 รปู ท่ี 8. Overlapping graph [13] Different density = Intra-Cluster density – Inter-Cluster density (2) จากรูปท่ี 8. โหนดท่ีมีสีเขียวคือโหนดท่ีมีการทับซ้อน (Overlap) ระหว่าง สองกลุ่ม โดยท่ี 2 โหนดบนเกิดจากการทบั ซ้อนของกลุ่มทาง จาก (2) กรณีท่ี subgraph มกี ารเช่อื มตอ่ แบบสมบรู ณ์ ค่า Intra-Cluster ด้านบนซ้ายและกลุ่มทางด้านบนขวา และสองโหนดด้านล่างเกดิ จากการ density จะมคี ่าเป็น 1 (จากสมการท่ี 1) ค่า Intra-Cluster density และ ทบั ซอ้ นของกล่มุ ทางดา้ นบนซา้ ยและโหนดทางดา้ นลา่ ง Inter-Cluster density แสดงไดใ้ นสมการท่ี (3) และ (4) งานวจิ ยั ของ Lancichinetti และคณะ [13] ได้นาเสนออลั กอรทิ มึ LFM Intra-Cluster density = ������ (3) ในการสุ่มเลอื กโหนดทย่ี งั ไมไ่ ดเ้ ป็นสมาชกิ ของกลุ่มใดๆขน้ึ พจิ ารณาการจดั กลุ่ม (เรยี กโหนดทก่ี าลงั พจิ ารณาว่า โหนด A) จนทุกโหนดในกราฟมกี ลุ่ม ������(������−1)/2 อย่างน้อยหน่ึงกลุ่ม โดยเลือกโหนดท่ีมีการเช่ือมต่อกับ A (Natural Communities) ขน้ึ พจิ ารณาความหนาแน่นภายในกลุ่มและภายนอกของ โดย e คอื จานวนเอดจภ์ ายในกลุ่ม และ n คอื จานวนโหนดภายในกลุ่ม กลุ่มก่อน เพ่อื กาหนด subgraph เรมิ่ ตน้ ของโหนด A โดยยอมรบั หรอื กาจดั โหนดออกจาก subgraph ท่มี ี A เป็นจุดเรม่ิ ต้น พจิ ารณาเพม่ิ สมาชกิ ของ Inter-Cluster density = ������������������������������ ������ (4) กลุ่มโดยไม่ทาให้ค่าความหนาแน่นของกลุ่มเสยี ไป พจิ ารณาจนครบทงั้ ������ (������−������) กราฟ โดย (4) Inter e คอื จานวนเอดจท์ เ่ี ช่อื มตอ่ จากสมาชกิ ในกลมุ่ ไปโหนดนอก งานวิจัยของ Conrad Lee และคณะ[14] ได้นาเสนอเทคนิคใหม่ กลุม่ , n คอื จานวนโหนดในกล่มุ และ N คอื จานวนโหนดของกราฟ Greedy Clique Expansion (GCE) โ ด ย มี ก า ร น า Maximal Clique Enumeration Algorithms (MCE) ของ Bron และ Kerbosch (BK) มาใชใ้ น 5. การทางานของโปรแกรม การเลอื กโหนด[15] ในการพจิ ารณาความซบั ซ้อนได้อาศยั ฟังก์ชนั ความ การทางานของโปรแกรมท่พี ฒั นาขน้ึ สามารถแบ่งเป็น 3 ขนั้ ตอนดงั รปู เหมาะสม (Fitness function) ในการเพม่ิ โหนด และหยุดเม่อื เพม่ิ โหนดใด ท่ี 10 แล้วความเหมาะสมต่ากว่าค่าเดมิ การขยายกลุ่มแบบ GCE ใช้วธิ กี ารหา 1) เตรยี มขอ้ มลู (หวั ขอ้ 5.1) subgraph ท่มี คี วามหนาแน่นสูง (สเี ขยี วอ่อนในรูปท่ี 9) กาหนดใหเ้ ป็นจุด 2) จดั กลมุ่ กราฟ (หวั ขอ้ 5.2 - 5.4) ศูนยก์ ลางของกลุ่ม เลอื กโหนดเพ่อื นบ้านของจุดศูนย์กลาง(สเี ขยี วเขม้ ใน 3) แสดงผล (หวั ขอ้ 6) รปู ท่ี 9) (โหนดทม่ี กี ารเชอ่ื มต่อกบั สมาชกิ ในจดุ ศูนยก์ ลาง) เพ่อื พจิ ารณาหา ความเหมาะสมทลี ะโหนด โดยพจิ ารณาค่าความเหมาะสมโดยเลอื กโหนดท่ี ทาใหม้ คี ่าความหนาแน่นกลุ่มสงู สดุ เขา้ เป็นสมาชกิ ของกลุ่ม ทาจนครบทุก โหนดท่เี ช่อื มตอ่ กบั จุดศูนยก์ ลางจนไม่สามารถเพม่ิ สมาชกิ ของโหนดไดอ้ กี (ทาใหค้ ่าความหนาแน่นของกลมุ่ เสยี ไป) รปู ท่ี 9. [14] การขยายกลมุ่ แบบ GCE รปู ท่ี 10. Flowchart การทางานของโปรแกรมทพ่ี ฒั นาขน้ึ รปู ท่ี 9 แสถงถงึ รปู แบบการขยายกลุ่มแบบ GCE เสน้ ปะทแ่ี สดงใหเ้ หน็ ถงึ 5.1. ขนั้ ตอนการเตรยี มขอ้ มูล: ผู้ใช้งานสามารถเลอื กไฟล์ขอ้ มูลหรอื ระบุ กลุ่มในปัจจุบนั โดยมโี หนดสเี ขยี วออ่ นคอื จุดศนู ยก์ ลางกลุ่มและสเี ขยี วเขม้ จานวนโหนดเพ่อื ใหโ้ ปรแกรมสรา้ งกราฟให้ได้ ตลอดจนสามารถระบุค่า คอื สมาชกิ กลุ่มหลงั ผ่านการพจิ ารณาแบบ GCE แล้ว และโหนดสแี ดงคอื ผลต่างความหนาแน่นระหวา่ งภายในและภายนอกและค่าการเช่อื มตอ่ เฉลย่ี โหนดทจ่ี ะพจิ ารณาในลาดบั ถดั ไป ของกราฟได้ หากผใู้ ชง้ านไม่ระบโุ ปรแกรมจะคานวณค่าดงั กล่าวให้ 4. Inter- and Intra-cluster density Community detection in graph [16] ใ ช้ Inter-Intra density-based clustering ในการจัดหากลุ่มท่ีเกิดข้นึ ในธรรมชาติของกราฟ โดยหาค่า 27