การคัดเลือกคุณลักษณะที่มีประสิทธิภาพในการจำแนกความคิดเห็นสำหรับการปรับปรุงหลักสูตร (THE EFFECTIVE FEATURES SELECTION THROUGH OPINION CLASSIFICATION FOR CURRICULUM ADJUSTMENT)

Abstract

งานวิจัยนี้นำเสนอการจำแนกความคิดเห็นด้วยเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อสร้างโมเดลในการจำแนกความคิดเห็น ด้วยการเปรียบเทียบเพื่อคัดเลือกคุณลักษณะที่มีประสิทธิภาพในการจำแนกความคิดเห็น สำหรับการปรับปรุงหลักสูตร จากแบบสอบความคิดเห็นที่มีต่อหลักสูตร จำนวน 1,575 ชุด โดยทำการคัดเลือกคุณลักษณะด้วยวิธีทีเอฟ-ไอดีเอฟ ไคสแควร์ และอินฟอร์เมชันเกน และทดสอบประสิทธิภาพในการจำแนกความคิดเห็น (Opinion Classification) ด้วยอัลกอริทึม นาอีฟเบย์ เคเนียร์เรสเนเบอร์ ซัพพอร์ตเวกเตอร์แมชชีน จากการทดลองพบว่า เมื่อกำหนดค่า Threshold มากกว่าหรือเท่ากับ 1 ในการจำแนกความคิดเห็น ด้วยวิธีทีเอฟ-ไอดีเอฟ พบว่าอัลกอริทึม ซัพพอร์ตเวกเตอร์แมชชีน ให้ความถูกต้องมากที่สุด โดยมีค่า Accuracy เท่ากับ 90% ดังนั้นสามารถสรุปได้ว่า เมื่อเปรียบเทียบผลลัพธ์การคัดเลือกคุณลักษณะ ผลลัพธ์จากทีเอฟ-ไอดีเอฟ มีค่าผลการจำแนกความคิดเห็นต่อหลักสูตรที่ถูกต้องและมีประสิทธิภาพมากกว่าวิธีอื่น ซึ่งผลจากการทดสอบนี้สามารถใช้เป็นแนวทางในการพัฒนาระบบแนะนําการปรับปรุงหลักสูตรด้วยเหมืองข้อความที่มีประสิทธิภาพต่อไป คำสำคัญ: จำแนกความคิดเห็น  ทีเอฟ-ไอดีเอฟ  ไคสแควร์  อินฟอร์เมชันเกน This research presents the opinion classification based on machine learning techniques for creating opinion classification model. We compared for finding the effective feature selection in the opinion classification for curriculum improvement. Based on the questionnaire of 1,575 sets, Feature Selection based on Term Frequency-Inverse Document Frequency method, Chi-Square method and Information Gain method. The testing of effective on opinion classification with Naïve Bayes Algorithm, K-Nearest Neighbors, Support Vector Machine. It was found that when the value of Threshold was greater than or equal to 1 for opinion classification, TF-IDF method indicated that the Support Vector Machine algorithm was the most accurate, with an accuracy of 90%. In conclusion, the result for comparison of features selection results from the TF-IDF method provided more accurate and effective for curriculum adjustment than other methods. This research result could be the guideline for effectiveness of the development on the recommendation system for adjust curriculum with text mining. Keywords: Opinion classification, TF-IDF, Chi-square, Information gain