jfile_no181_36673

Vo l 40. No 1, January-February 2021  

Finding of suitable and secure threshold value for an iris authentication 45

ความคล้ายคลึงของลักษณะทางกายภาพท่ีคล้ายคลึงของ 3.3 กรอบแนวคิด (Framework)
ตาคขู่แ้าฝงซด้าอยาแจลจะะขส้า่งงผขลวตา่อคเพวราามะคนลักาวดิจเัยคสลนื่อในจใคนวกาามรคยลืน้ายยันคลึง 3ก. กรอรบอแบนแวนควิดคขดิอง(งFาrนamวิจeัยwนo้ี rนkํา)เสนอภาพรวม
ขอตงวัลตักนษดณว้ ยะทIrาisงกซึ่งาไยดภ้จาพกอทา่ีคสลา้าสยมคั ลรจึงําขนอวงนคู่แ2ฝ0ด0อคานจจ[1ะ7ส]่งผล ของงานกวริจอัยบแโนดวยคนิดักขวอิจงัยงาไนด้วแิจบัย่งนกี้ านรำ�ทเํสานงาอนภหาพลักรวมๆของ
ต่อความคลาดเคล่ือนในการยืนยันตัวตนด้วย Iris ซ่ึงได้จาก งาอนอวกจิเปยั ็นโดย2นสกั ว่ วนจิ ยัไดได้แกแ้ ่บง่ การท�ำ งานหลกั ๆ ออกเปน็ 2 สว่ น
อาสาสมัครจ3�ำ .น2วนD2a00t aคนS(eAtrvaทcี่hใeชh้ ใ, น20ก0า6)ร ท ด ส อ บ ได้แก่ 3.3.1 ส่วนของการตรวจสอบรูปดวงตา ด้วย
2ขทส กไส(CDAด0ร่ง้นึาี่อAarคVคCดซจซจTV้วา้1ผรtมvาSaํางา่ึ่ึงa้aงเิวAวเน2hลaสาคกIเนขเกllยา)SrAcใปปSuuเาร็บมหeนฐึ้วตหIลhสAe็eนD็นeานาsVไขรมนยีe้ภะมtรมhนaือD2อ้เ.hนาเหDทูปา24มกัค่tแoอข.จ,มตจaaแพa,ม์ี่ไ่อืดDลDนร้งlอ0ํไาาา2tลูดtบdใเaาวไมุ่ดa่0นกมนaaมS0ช้กซวมบงt0อ้แจtูลหออ0ผวิeVเก้่ึงaS็ตบa่มคดากน่ื6นัลนtจู้วอ้บัaราeขCSกรีคว)่กะจิูปlจงทStกกา้Aอuง9อeวDทสอัยเeา่ีอะลSลตทพStม0าeา[aก่งรtไดหา4eุ่มมุ่ทIสาม0่ใีูลดผtิธ่อืAกสล]t์มชaจาใึี่มคลน้ทาCาอรDาC้ใรสชโทมใSรสท�ำนดูปงิงAดaมหใA้เผeี่สมชข่ีVสสกทtกนDSยคั้ภStู้วจa[รัคัดอ.รอา็บี่ใ14กIaิจกร้าำ�าIก้ารAชงรทบA7ขtัยSงนาพาเงลทa้ไใ4-C่ีเขก]-้eอรไขรIดนวไุ่มTกI5ดrดึ้นถ็บtSrมมAเึ้ทนนi้แกอh0iิดsพ้นสsม่า่ขูมeลSกมดากนื่r-จอ-ําื่ยอeS้อาtค2ีคร่ILาลสาจAบเกsทภ,สมทyนDวจaุ่มล0กอาhลnอูลาดาmาดตaีย0กคToบุ่มหมCกงพสtส0านซpอlโhวaกdAคหรอมดอTดแงึ่CrาาอืลรSม้eอบยบอซเh้บสวVมASูปจIปุ่มsชงกAลัrยา่ึeงบSaไ�ำhทeTTจั็นดาก-เสมtIตl(ดนoAIปsuhhารดทGrมอ่แนวDliheกว-ถrrส็นdลsี่เัรคIeaeนงเนroก่า-ฐaออรธิตiเอLrรss่ยนsVlาิtดมงgูปมึงhhdaaาง-9ภนกอ4aจขSือ่oดoจmท0VeลSาขl5yานอใซรlulว0ส่ีtพชadุ่dมpกn0อ้eิงงจeงึ่งรl้กatมรตาuจา้ lททูปับกลู.eงาะ,ี่ี่ เทค นิค Circle3.1 Hสo่วuนghของTกrาaรnตsfรoวrจmสอบแรลูปะดFวeงaตtuาreด้วย
เทEคxtนraิคctCioirncleหรHือoEungchoTdreandsaftoarmเพือ่แสลระ้างFขe้อaมtuูลre Extraction
หรือ Encod3e.3.d2atสa่วเนพข่อื อสงรก้างาขรอ้วมิเคูลราะห์หา Threshold
โGแ IRกแทอเrพดVVI0สเปป>(Aลลธiาปี่aersFพยอ่ืiรaaูงบิะะc=ลtรnsลMยe่ือก,คllcวTอะ6าuuอu>งิ่F eวF�RำิเTา่eย0ดเiดeeด=ค(nMิเหMpมMes,FดภคTี 8eภรttิจนmนRMRงัRhัรย0าa>ทยังึดดMปAาr)ะnpซ=RสFeโี่ปแตังะชหccรโl่ึดงRา6isMนลหa�่ำลgแcดวe่ะห์มมย5hทtว้eี้uอ3์งลตหRยสีกา,คาeoTRนใpr.ดส่ีะ่ําาริมท)า2lนe่าhadt>Tำ�คภถดุ รaแกี.แธtrกTสแผ=T่hอากัeยeVnลิา6ลภhาลวย่hล7rธsําcะaรFะรerาโน(ะิง่ิบr0hมหeทeGlดเaesพuคมI,oขปFาานsrlhAยดseRi่าslยคีMhอปรshdด>oมRสe3ดaยoีา่งจรolชR=)ีกอFdTVtกงั,บlะะl่eว7าdFบaedตAเตาคaเFVงร5มlMทsเรslcํ่าอ้(่าใiทuพatgGินวนeทcยีแRงVeuดlFVเิอ่ืeuปไกAลี่สบดaคraสaดApหeค>เeาะุดรlRังรlรอlขu้คtscรนะ=่.าะาuา)ทaบ>ee้ายcเสห่า,66ี้ะeปtTใe่ีเ=่ิเTงไิท0หiวคกพNหGoดมรphhจ,า่ธห์่าลีย่ืonอม้ีคtrแAr8ะงa>ิภeทe้าบnห่าาก0RFตt0=sIsี่าเiะ-เาr่TคRao้อหhhFM6ทiพแสสsยhlna่งาoMม5Tosลียมูงarไ่งิtTl,he3lาe้dวบ,eดRtGแดdReะcr>นsF้ครลคeeีNmVahสเh=ําMะจ่าขVะsn่า(toมoaผ7pFหงึehป้าRauRGnllแ0lลไMสdใuoวalaลi-ดMAกu,nลม(าe่าtMltRอVFedแ้ลReeeมะ>างR)ดMaaซก้ =แาภltตึ่งร่คu7ลRcมถยัe5hะำ�่า่ )ี

Figure 6 Framework
Figure 6 Framework

จาก Figure 6 แสดงการวเิ คราะหห์ า Threshold ใดๆ บนเส้นตรง และ x คือพิกัด x ของจุดที่มีพิกัด y งาน
Value จากจจดุ าตกดั Fขigอuงrเeสน้ ตรง6ของคา่ แGสAดRงกแาลระวิเFคMรRาะMหR์หดาว้ ย วิจเปัย็นนค้ีไ่าดท้ปี่มรคี ะวเมามินสปํารคะัญสิทซธ่งึ ิภต้อางพคสาํ านมึงดถึง้ารนะดไบัดค้แ่ากท่ ี่เคห่ามาGะeสnมuine
สมTกhาrรeเsสhน้ oตldรงแVบaบluผeา่ นจจดุ าสกอจงุดจตดุ ัดข(TอhงeเสT้นwตoร-งPขoอinงtคE่าqGuAaRtion) AหccรeือpสtaัมnพceันRธ์กaัtนe (ภGาAยRใ)ตค้เงา่ ื่อคนวาไมขถกกูาตรอใ้ ชง้ขงาอนงกแาลระยคอวมารมบั จาก
กโคดำา�ยแ(รนTลคใึงhชะ่าถe้งึงFาGTรMนwะAแRดRoลMับ-ะPคRแคo่าลวiทnะาt่ีเมดหFEป้วMมqลยาuRอสะaMดมสtภกiRมoาัยหnรเ)รเปโสือโด็นด้นสยยคัมตแคา่ รพทท่างันนแ่มีGธบคคีA์กบ่าวRันาผGแม่าภลนสAะาำ�จRคยุดF=ใัญสMxตอ_R้เง1ซงMจ่ื,อ่ึงุดRนตy้อ_ไข1ง พRIrFปiaลsMลtาeทอดR่ีถ(ดขMFูกภอRMตัยงRกอ้=โาง)ดxร,ยค_ยคแา่ 2อา่ ผทม,ดินFรyพคaับ_l่าลsจ2eาาGดกAซNขRึ่งIoอrniysง-=กMทคาxือถ่ีaร_พtูกปc1ิกตhฏัด้อิเR,สงyaธแytจขe_ลาอ1ะ(กงคFแจM่าIุดลriFRsใะดaแMไlทมsๆReน่ถ)บคกูMคน่าตa่าอ้ tผcงิดh
และแทนค่า FMRMR=x_2, y_2 ซ่ึง y คือพิกัด y ของจุด

 

จาก Algorithm เป็นข้ันตอนการ Compare Compare มาวิเคราะห์ประสิทธิภาพ 3 ด้านได้แก่

ระหว่าง Iris Template และ Iris Test โดยขนาด Data Genuine Acceptance Rate (GAR), False Non-

ท4่ีอ6ยู่ในรVูปicแhaบriบneบeิตS(aBwitass)dซee่ึง,มNีขaนroาnดgrRitoWwasngkee=ree 20, Match Rate (FMRMR) และ False MaJtScchi TReactheno(Fl MSRU)

Columns = 480 และมีขนาดทั้งหมด 9,600 บิต โดย จาก Threshold Value ดัง Figure 7

เปร ียบเท ียบทีละ3บ.ิต3แกลาะรทเปีลระียตบําเแทหยี นบ่ง Iเrพisื่อTหeาmค่าpรla้อteยลแะลทะ่ี Iris
ตรงTกeนั st เพอื่ วิเคราะหห์ าค่า Threshold Value
ขนั้ ตอนการเปรยี บเทยี บ Iris Template และ Iris
  สา
4. ทTอผeลั่ีลลsกะtกตอเารำ�พ4ิธแรอื่ ึม.หวว1นเิจิ(คAก่งัยรlาgาทรoะุกสหritบรห์h้าิตาmงค)เา่ MพT่ือohคdreำ�esนlhวoณldหVาaคเluพ่าeร่ือ้อโวดยิเยลคกะรทาาร่ีตะCรหงo์หกmาันpaดreัง Va
ที่เหมาะสมและปลอดภัย ซึ่งจะต้องพิจารณาค่า False ค่า
Threshold Value ทเี่ หมาะสมและปลอดภัย Match Rate (FMR) เป็นค่าแรก ซึ่งค่า FMR ย่ิงต่ํามาก =
FM
AlgรorะithบmบCกomารpaรrู้eจําไบโอเมตริกซ์ โดยใช้เทคนิค เท่าไรยิ่งมีความปลอดภัยสูง และถ้ามองในแง่ของความ เป็น
Circ le HBoeguingRheaTdrIraisnTsefaomrpmateเพ่ือวิเคราะห์หา Threshold ถAูcกcตep้ อtaงnแFcลiegFuะirgRคeuarว7teeา7PeมP(rGecพrAecenรRnt้)อt oมจf VําVใaเaชปlulu้e็นงeตCาCo้อนmoงmpสคaูง่prากeaวre่าคG่าenFuailnsee สูง
VThalr uees h ทo l่ีปd ล อR ดe VaภadlัยIuriseซT่ึงeRTsooDtเtwaปaslBt็น=ai2tรI0riูป,sS=CดeRotวoluงwmทต*Cn่ีใาsชoจ=lu้ใ4านm8ก0nกาCรAวSิเคIAราVะ.4ห์หในา CNThoor เซเmnCFพพe่ึง-Mosือ่ือ่pจMhmวปะRaaตเิoMรrคpt้อะelรaRcเdงมาrhจพeะ>นิแาจิจหกVลป=าเาห์ ทกRะaพรร7าะทณี่laื่0อFFuสtี่ TMาiปิทeeghFคแuธRรri่าgerลิภะeuทs(FเะาFเพhr7aี่สพeมoMื่อl>าsแใิlนdวนeม=Rส7ิเปดดคMVาM7้างรรรa5aแนRาถlะPtuสะ)cนสeGeซดhหิrําทA่ึงงcท์หRซมมeRธเี่าPa่ึงnหาิีค,ภetจtTeใมF่าrาาชohcา(MกfพF้ไerะGeVดRสMnใAFsaม้อMนtRhRilแugยRดo)ลe.oู่ร้เlาะทdปfแะCปนล9่ี็นสหoลVVะคูงmวอGaaก่าF่าpดllพAแวuuMงaภRรบ่าeeชrRกัย,eคว่ว่่าาง สม
กลุ่ม C AS IA-IFroisr -i=TF1wotroinj=Rs1owtเoพCื่อoวluิเmคราะห์ผลการเปรียบเทียบ ไFดM้คAมซRอcึ่ง่าMcคงeใ่าRGนpแtAFaงแMRnข่ cล=Rอeะง5คRมย4วิ่งaีค.9าตt่าeม6่ำ�ถม6(FGกูา7MตกA,Rอ้เRทง)่แาจตไลำ�ระ่ําเยคป่ิงโว็นมดาตีคมย้อวพชงาร่วสมอ้ งูงปFมกCMลใวชอo่าRง้ ดคmาMภ่านpัยRคFสaา่=aูงrlG4see5eแn.ลN2>uะo6iถ=nn2e้า7-50, Eq
(Co mp ar e) ระหวIF่างIriขsT้อeมamูลมpa่าteน(ตi,าj)ต=ั้ง=ตIri้นsTe(Isrtis(i,Tj)eTmhepn late) FMMRa=t1ch2.R67at4e7(FMแRลMะRช) ่วซง่ึงจCาoกmFpiga. r9e พบ>ว่า=7T5hreshไoดld้ค่า Va
แล ะข้อ มูล ม่าน ตาท ดสEnอdบICFo(Iurnist=CounTt+e1st) แล้วนําผล เป็น
End For กับ
End For [27
Compare=Count*100/ TotalBitIris
  End Compare กับ
คุณ
จาก Algorithm เปน็ ข้นั ตอนการ Compare ระหวา่ ง GAVFแRMลa=lะuR4e6>ต.=ท6เ่ำ�7มสี่45าโ่ือ0ดมน3ซยา,ึ่งํารชมถผF่วีคนMงล่าำ�ขRCมอGMoางmใAชRกpR้ไ=าaดร5r้อทe3ยC่ีส.ู่ร>ูง5oะ=ก2หm7ว6ว0่าp4่าคงไa,่าชดrFe่ว้คFMง่าMRCGจR=oAาMm9กRR.p1ก=a35าแr4e6รล.ท09ะ>6มด=6ีค7ล70่าอ, ง นํา
Iris Template และ Iris Test โดยขนาด Data ท่ีอย่ใู นรูปแบบ กล
บิต (Bits) ซึง่ มขี นาด Rows=20, Columns=480 และมขี นาด ทด
ทง้ั หมด 9,600 บติ โดยเปรียบเทียบทลี ะบิตและทลี ะต�ำ แหน่ง เพื่อFวMิเRคMราRะ=ห45์ห.2า62T5h, rFeMsRh=o1l2d.6747Vแaลluะชeว่ งมCาoวmาดpaกreรา>ฟ=7เส5้น
เพื่อหาคา่ ร้อยละทต่ี รงกัน Rเพa่ือtไว eดเิวคค้ิเรค(่าาGระGAหาARะห์ เR)มหา=่ือ์Tจแ4นhุ6ดลำ�r.eตะ6ผs4ัดลhF0ขขo3aอlอ,dlงsFงVกeMเaาสRlรuN้นMeCoRมGonา=me-ว5Mnpา3aดu.a5rกite2nรc6าehจ4ฟา,เกFRสกMน้aาtRAเรeพ=ทcอื่9cด(ว.eFล1เิ 3pอคM6งรtR0เาaพะMnหื่อcR์ e) Se
ด้วยจดุสตมดั กขาอรงเเส้นตGรeงnแuบineบAผc่าcนeจptุดanสcอeงRจaุดte((TGhAeR)TแwละoF-Paloseint สร
ผลการวิจยั ECqouNมสmอaาopใงntชจi-aoMไุ้ดrดneaจ้()tTcะพhhอ>eยบR=ู่รTaว7ะwt่าหe0oว(ช-F่าP่วแงMoงลiCRnทะtoMี่สmER>าqp)ม=uaดา7arว้etร5iยoถ>สnน=)มจ7ํากพึง0มาตบรแา้อวเลใส่างชะน้หช้ไ>ตดาว่ =รคง้จง7ท่าแะ5ีส่ทบอจาบ่ีเยมึงหผตู่รามา่รอ้ะนถางหจหนะวดุสา�ำ ่ามง กา
ระหควา่ ทา่ งเ่ี หสมอางะชส่วมงรดะหงั กวา่ลงา่ สวองชว่ งดังกล่าว จาํ
1. การสรา้ ง Model เพอ่ื วิเคราะห์หา Threshold คน
Value ทีเ่ หมาะสมและปลอดภัย
ระบบการรู้จำ�ไบโอเมตริกซ์ โดยใช้เทคนิค Circle
Hough Transform เพ่ือวิเคราะห์หา Threshold Value ท่ี
ปลอดภัย ซึ่ง Data Set ที่ใช้ในการวิเคราะห์หา Threshold
Value เป็นรูปดวงตาจาก CASIA V.4 ในกลุ่ม CASIA-Iris-
Twins เพอ่ื วเิ คราะหผ์ ลการเปรียบเทยี บ (Compare) ระหว่าง
ขอ้ มลู มา่ นตาตง้ั ตน้ (Iris Template) และขอ้ มลู มา่ นตาทดสอบ
(Iris Test) แล้วนำ�ผล Compare มาวิเคราะห์ประสิทธิภาพ
3 ด้านได้แก่ Genuine Acceptance Rate (GAR), False
Non-Match Rate (FMRMR) และ False Match Rate (FMR)
จาก Threshold Value ดัง Figure 7

FigurFeig8urPe e8rPceercnetntooff VVaalulueeCoCmopmarepare
จาก Figure 8 แสดงกราฟเส้นของ Percent of

e สามารถนาํ มาใช้ได้ จึงต้องมีการวิเคราะห์หา Threshold
ก ValuVeol 40ด.้วNยoส1ม,กJaาnรuเaสr้นy-ตFeรbงrแuaบryบ2ผ0่า2น1จุดสองจุด Fโiดndยinจgะoไดf s้ uitable and secure threshold value for an iris authentication 47

ม ค=่าจ7 Vุด5aตl.uัด0e0แ0กC0นจo,าm‫ݔ‬กp‫ݕ‬ଵaFଶrei=g=uใ7rนe0ป4.68ร0ะ.06เแ0ม4ส0ิน0ด,ป3ง‫ݕ‬รกขะรଵสอาิ=ทฟงเธเส5สิภ้น4้นา.ตพข9รอค6งง่า67GPGAeAแrRRลceะ, nแFt‫ݔ‬ลMoଶะ-f   จาก Figure 9 แสดงผลการทดสอบ Model ของ 5
e FMRRMMRR เแพลระาะFMช่วRงทเพ่ีเสื่อ้นวิเขคอรงาะGหA์หRา TแhลreะsFhoMldRMVaRlueตัดจกาันก
e เสปูง็นกรพกชวะาบ่า่วหรคงวทวท่า่าา่ ดง่ีมTลFีคhอCMrงวoeRาmsCMมhopoเmaRlหdrpeมaVา>raeะ=แlu7ส>ลe0=มะ6ทแแ0คล่เีล,หะ่าะ>มป=>Fา6=ะลM57สอ,5Rมด>แเ=ภพล6ัะยร5ตคา,ะเํ่วา>พทา=โมงั้รด7สปา0ยอะลงนแอชคลดําว่ ะ่าภมงยั>าGม=เAอขีค8ยR0่า้าู่ FMITRrhisMr-eSRsyh=no3ldพ3.Vบ0aว0l่าu%eค7่า2แ.Gล92Aะ4Rค6่=าโ6ดF7ยM.0น0Rำ�%ฐ=า0นค.ข0่าอ้0มF%MูลใRนซMก่ึงลRเมุ่ป=็3นC3ชA.0่วS0งIA%ท-ี่มี S
า EสqมuกกGFaาMาAtรรiRRoเวสิเnทคแ้น)่ีนรลตาะจ้อะรยะหFงไMแ์หแดตาบR้่ทจบT้งัทุดhผส่เี rตหอ่าeังมนดsชhาจท่วoะุดี่งlสdย7สมงั Vอ2ไโaมง.ด9lจส่uย2าeุดทม4ค่ี ดา(า่6Tร้วถยhGหนสeAม�ำรRมกือาามใรชTTีคเสไ้whา่ ด้นทro้ตeม่ีจ-รsงึาPงhตกoแ้อoแบiงลnlบมdะtี ควาแมลเะหคม่า าFะMสRม=แ0ล.0ะ0ป%ลอซดึ่งเภปัย็นสชงู ่วงที่มีความเหมาะสม และ ซ
ง Valuผe่าน=จุด7ส2อ.ง9จ2ุด46โดซย่ึงจไะดได้ค้ค่า่าFจMุดตRัดแൎกนน=7้อ0ย.ก00ว0่า0ร,้อ=5ย4ล.9ะ61670 ดวงป ทตลี่ออาาสดทาภี่อสยัDามสDaสัคงู atารatเสaกมS็บSัคeขetร้อtกเมกลูลกุ่ม็บโดลขCยุ่ม้อAกSมCาIรูลAAใโช-SIดr้มIAiยsือ--กถLIrืaอาismกร-ลใLpช้อaซ้งมmึ่งือเซpปถึ่ง็นืจอระซกูปสึ่งลด่งเผ้อวปลงง็นตใหรซาูป้่ึง ก
า เกปับ็นงเแมคาพลีค่านระวทาว=าะ่ีมิ7จมช5ัียคเ่ว.ห0อวงม0ทาื่น0าม่ีเม0ะสเส,ีค้นห=ม่ขา4มแ6คอาล.งว6ะะ4าปสG0มลมA3ถอแRูกดขลภอตแะงัย้อลปเะสงลเเ้นพFอพตรMดียราRภงะงรMัยGค้อR่AาเยมRลตG่ือัดะAแเกปลR5ันะร0เียสปFูงบเ็นMกทเชRวท่า่ว่าMนียงคทRั้บน่า่ี จะสภ่งาผพลไมให่มีค้ภวาาพมไคมม่มชีคัดวทา่ีเมกิดคจมาชกัดคทวา่ีเกมิไดมจ่แานก่นคอวนาจมาไกมก่แานรเ่นกอ็บน T
0 จ90าก0Mขอก้ oรมาdูปลูeรlเจมกาา็บกทอขดา้อสสมาอสูลบมคัจMราก4o5อd0าeคสlนาสหรมอื ัคจร�ำ น4ว5น090ค0นรปู หมราือทจดําสนอบวน เก
5, T
า [27]FMRMR และค่า FMR ต่�ำ โดยนำ�มาเขา้ สมการเสน้ ตรงแบบ
7นผ2่า้อ.นย9จก2ุด4วก46่าส.าร2อร้หองทยกรจือลุดาดะรสTท(อT1hด0hrบeสesเอTปhTบho็นwlrคdeoM่า-sVทPohaี่มodoliีคuneleวdtl=าET7มq2hเหu.Vr9aeมa2tsาl4iouhะ6nสeo)มซlเdแจึ่งมลไะ่ืดVอไะดป้คaน้จ่าลlําuุดอมFeตดาMัดภใRทัยช่ี้
ง

น น
e R

R) กับ เDมa่ือtเaปรียSบeเtทียบอก่ืนับๆงเาพนรวาิจะัยแอตื่น่ลมะีค่าDคaวtaามถูSกeตt้องเพจะียมงี R
t คุณสรอ้มยบลัตะิท5ี่ต0่าเทงก่านันน้ั ต(Kาhมaเnงื่อeนt aไขl.,ท2ี่จ0า1ก3)การเก็บข้อมูล โดย
นํา D ata Se2กt.ากรสทาอดรทงสกอดบลสุ่มอTจhบrาeMกsฐohodาlนedlขVT้อahlมrueูลesเhCมoอื่AlนdS�ำIVAมaาlใuVชe.ก้4บั ไDดa้แtกa่ T
กลุ่มSeCtAอSนื่ IๆA-เIพrisรา-Lะแaตmล่ pะ DaแtaลSะeกt ลจะุ่มมคีCณุASสIมAบ-ตัIrทิis่ตี-Sา่ yงกnัน ตมามา
ง ทดสกเฐองาลือ่ บนมุ่ นขไC้อขDAมทaูลSีจ่ tIาAaCก-AIกrSiSาsรIe-ASเtกyVบ็n.กข4ม้อลามไุ่มทดลู ด้แCสกโAดอ่ SยกบIนลAำ�ุ่ม-IrDCisaA-tSaSyIASn-eItrซisส่ึง-เอLปaงกm็นลpมุ่Dจแaาลtกaะ Figure 10 Compare by Threshold Value (2) ม
ม Set ที่พัฒนDามatาaจSาeกt CกลAุ่มSICAASVI.A3-Iแrisล-ะSเyปn็นซงึ่Dเปa็นtaDaSteatSeทtี่ ก
สร้าทงข่ีพ้ึนฒั มนาาเมสามจืาอกนCจAริงSIซA่ึงVไ.ม3่ใแชล่เะกเิดปจ็นาDกaกtaารSเeกt็บทขีส่ ้อรา้มงูลขจ้ึนามกา Figureจ1า0ก CFiogmurepa1r0eแbสyดงTผhลrกeาsรhทoดlสdอบVaMluodeel(2ข)อง เพ
กจาํานรดเดวถสววน่มางงยือตต1นาาภ0มโจา,ดน0รพยิง0ุษแด0ยซทว์ ึ่งนตรงไปูจามตมาด่ใกาอชวอมลั่เงกากนตสิดอุาษาจรโสิธายดมกมึ ์ยคักขตแรอาาทรง1มเ,นกC0อจ็บ0Aัล0าขSกก้อIคAอมอนูลจาร�ำจสิธนาาึมกวสขนกมาอัค1รง0รถ,่า0C1ย0A,0ภ0Sา0รIพปูA0 เพ
คน Threshold Value 72.9246 เช่นเดียวกับ Data Set กลุ่ม S
T
CASIA-จIrาisก-SyFniguโดreยนำ�10DaแtaสดSงeผt ลจกาากรทCดASสIอAบVM.4oใdนel
SขeอtกRขงอ้ลMกTมุ่มRลhูล=ุ่มrCโe2ดA3CsยS.hกA0Ioา0ASร%lI-ใdAIชri-แsม้ Iลr-อื ViLะsถaa-FอืSmlMuกypลenR้อซ=งโ4ึ่ง7ด.เพ0ป2ย0บ็น.น%9วรําา่2ูป4Dดค6า่วaงtGตaเAาชทSR่นe่ีอ=เtา7ดส7ียจ.า0วาส0กกม%ับัค,CรFDเAกMaS็บ-tIAa C
V.4 ในกลุ่มเมCอ่ื AนS�ำ เIAอา-IDrisa-ta setLทaง้ั mสอpงไดแ้ กซ่ ่ึงCเAปS็นIAร-ูปIriดs-วLงaตmาpท่ี
GอาAสทแ sReลดา=tะสส7ทCอม7ตี่ บAั.คา่0กเSงรม0ับจIกAเ่ือ%านักT-กนI็hบr,กมiําrsFาขาeเ-รอทMsS้อนhดาyมRoำ�nสlูDMลdอทDaโบVR่ีมaดtaีเt=aTaงยlu2hอ่ื กerSน3seาee.ไ7s0รขt2th0ใใ.oจ9นช%lทาd2ก้มก4ั้งาVือ6แสรaDเลถอพlกauะืงอบ็บteaไกวรดFb7าู่ปลMa้แ2ภถs้อ.ก9Reา้าง่2พ=พC4กพ4ขิจ6Aลาอ.บSุ่ม0รงIอณ0วADื่น%่าา-aมIใrtนคaาis่า- =
Lamแงpข่ องความแปลละอดCภAยั SซIAง่ึ -ดIrจู iาsก-Sคyา่ nFaทls่ีมeีเMงื่อatนchไขRใaนteก(าFMรเRก)็บ 4
จ
ม

of รูปภกคอืลาุม่คพา่ทขผใ่ี อชิดง้ทพดลDสาaดอtบขaอมงคี sก่าeาtรGปAทฏRิเี่ตส=่า7ธง2จก.า0กัน0%Iมrisาคททา่ ดีถ่ FสูกMอตRอ้บMงTRโดh=ยr2eท8s.งั้ 0hส0oอ%งld T
R, Valแuลeะค7า่ 2F.9M2R4=62.00% ซึ่งเป็นคา่ ท่ี Error นอ้ ยมากเมือ่ เทียบ อ
e มาทกSับhดaงสsาอhนwบวจaิจกาtัยับกSขกhอTuางhkรlrKนaeh.ําsaทhnDไ่ี o,ดalMค้ tdaา่ohESdVreraoTtrlauจอrieยqา,ทู่กี่D79De.22ae.4tp9%aa2bk4แa6Aลsrะeoพ2rบaก3,.ลว0a่าุ่ม0n%อถdื่น้า จ
0 ค
ะ FigureF9iguCreom9 CpoamrpearbeybyTThhrreeshhooldldVaVluaelue พิจารณาในแง่ของความปลอดภัย ซึ่งดูจากค่า False 2
5 Match Rate (FMR) คือค่าผิดพลาดของการปฏิเสธจาก D
ท่ี S
ม่ ของ จาก Figure 9 แสดงผลการทดสอบ Model Iris ที่ถูกต้อง โดยท้ังสองกลุ่มที่ใช้ทดสอบมีค่า แ
กลุ่ม Threshold Value 72.9246 โดยนําฐานข้อมูลใน GAR=72.00% ค่า FMRMR=28.00% และค่า 0
CASIA-Iris-Syn พบว่า ค่า GAR=67.00% ค่า FMR=2.00% ซ่ึงเป็นค่าท่ี Error น้อยมากเมื่อเทียบกับ

48 Vicharinee Sawasdee, Narongrit Wangkeeree J Sci Technol MSU

สรุปผล Cherabit, N., Chelali, F. Z., & Djeradi, A. (2012). Circular
hough transform for iris localization. Science and
ระบบการรู้จำ�ม่านตา (Iris Recognition System) Technology, 2(5), 114-121.
จำ�เปน็ ต้องมีคา่ Threshold Value ทเี่ หมาะสมซ่งึ ถ้าก�ำ หนด
Threshold Value มากเกนิ ไป อาจจะเกดิ การ Error ทเ่ี กดิ จาก Darwaish, S. F., Moradian, E., Rahmani, T., & Knauer, M.
การปฏเิ สธ Iris ทถ่ี กู และถ้าก�ำ หนด Threshold Value นอ้ ย (2014). Biometric identification on android smartphones.
เกนิ ไป จะสง่ ผลให้เกิด Error ทีเ่ กดิ จากการยอมรบั จาก Iris ที่ Procedia Computer Science, 35, 832-841.
ผิดพลาด งานวิจัยจึงสนใจ Threshold Value ทเ่ี หมาะสมและ
ปลอดภยั โดยน�ำ เสนอระบบการรจู้ �ำ ไบโอเมตรกิ ซ์ (Biometric Illingworth, J., & Kittler, J. (1988). A survey of the Hough
Recognition System) ซึ่งสนใจในส่วนของ Iris Recognition transform. Computer vision, 44(1), 87-116.
System โดยใชเ้ ทคนคิ Circle Hough Transform เป็นวธิ ที มี่ ี
ความถกู ต้องสูงในการ Detect มา่ นตา (Iris) เพ่อื สกดั ข้อมลู Jan, F., Usman, I., & Agha, S. (2013a). Reliable
ม่านตาของแต่ละคนที่ไม่ซำ้�กัน และเป็นงานวิจัยที่สนใจของ iris localization using Hough transform. histogram-
ค่า Threshold Value เพอ่ื วเิ คราะหท์ ี่เหมาะสมและปลอดภัย bisection, and eccentricity, 93(1), 230-241.
โดยการทดลองเพอ่ื การสร้าง Model ของ Threshold Value
จาก Data Set ฐานขอ้ มลู CIASA V.4 กลมุ่ CASIA-Iris-Twins Jan, F., Usman, I., Khan, S.A., & Malik, S.A. (2013b).
พบวา่ Threshold Value จะอยใู่ นชว่ งระหวา่ ง Compare>=70 Iris localization based on the Hough transform, a
และ >=75 ซึ่งจะได้ค่าจุดตัดแกน=70.0000,=54.9667 และ radial-gradient operator, and the gray-level intensity.
=75.0000,=46.6403 เม่ือน�ำ เข้าสูตรสมการของเสน้ ตรงแบบ Optik, 124(23), 5976-5985.
จดุ สองจดุ (The Two-Point Equation) จะไดจ้ ดุ ตดั ที่ 72.9246
มคี ่า GAR ทสี่ ูงกว่าค่า FMRMR และมีค่า FMR ต�ำ่ Jorgensen, Z., & Yu, T. (2011). On mouse dynamics as
เม่ือนำ� Model ที่ได้จากการวิเคราะห์ ซึ่งมีค่า a behavioral biometric for authentication. Computer
Threshold Value 72.9246 ทดสอบกับ Data Set กลุ่มอื่น and Communications Security (pp. 476-482).
ไดแ้ กฐ่ านขอ้ มลู CIASA V.4 กลมุ่ CASIA-Iris-Lampe จ�ำ นวน
450 คน ผลการวิจัยพบว่า ค่าของการยอมรับค่าที่ถูกต้อง Leng, L., & Zhang, J. (2011). Dual-key-binding cancelable
GAR เท่ากับ 77.00%, FMRMR เท่ากบั 23.00% และไดค้ ่า palmprint cryptosystem for palmprint protection
FMR เทา่ กบั 3.00% เมอ่ื ทดสอบกบั Data Set ของฐานขอ้ มลู and information security. Network and Computer
CIASA V.4 กลมุ่ CASIA-Iris-Sys จำ�นวน 1,000 คน พบวา่ Applications, 34(6), 1979-1989.
ค่า GAR เท่ากบั 67.00% และคา่ FMRMR เท่ากบั 33.00%
และค่า FMR เท่ากับ 0.00% ฉะนั้น และThreshold Value Min, T.H., & Park, R.H. (2009). Eyelid and eyelash
72.9246 เปน็ ชว่ งทเ่ี หมาะสมและปลอดภัย สามารถนำ�ไปใช้ detection method in the normalized iris image using
กบั การยนื ยนั ตวั ตนทต่ี ้องการความปลอดภยั สงู the parabolic Hough model and Otsu’s thresholding
method, 30(12), 1138-1143.
เอกสารอา้ งอิง
Miyazawa, K., Ito, K., Aoki, T., Kobayashi, K., &
Arvacheh, E.M. (2006). A study of segmentation and Nakajima, H. (2008). An effective approach for iris
normalization for iris recognition systems. “Biometrics recognition using phase-based image matching.
ideal test/CASIA Iris Image Database Version 4.0,” pattern analysis and machine intelligence, 30(10),
23-Oct-2016. 1741-1756.

Birgale, L., & Kokare, M. (2010). Iris Recognition Without Nagar, A., Nandakumar, K., & Jain, A.K. (2010). A hybrid
Iris Normalization 1. biometric cryptosystem for securing fingerprint
minutiae templates. Pattern recognition letters, 31(8),
Bouridane, A. (2009). Recent advances in iris recognition: 733-741.
A multiscale approach. Imaging for Forensics and
Security, 49-77. Nandakumar, K., Jain, A.K., & Pankanti, S. (2007).
Fingerprint-based fuzzy vault: Implementation and
performance. information forensics and security,
2(4),744-757.

Pallav, P.K., & Granorkar, S.R. (2013). Investigationand
analysis of Hough-DCT-Hamming distance based
method of iris recognition, 3(1), 181-185.

Vol 40. No 1, January-February 2021 Finding of suitable and secure threshold value for an iris authentication 49

Proenca, H. (2009). Iris recognition: On the segmentation of Tan, T., He, Z., & Sun, Z. (2010). Efficient and robust
degraded images acquired in the visible wavelength. segmentation of noisy iris images for non-cooperative
Pattern Analysis and Machine Intelligence, 32(8), iris recognition. Image and vision computing, 28(2),
1502-1516. 223-230.

Proenca, H., & Alexandre, L.A. (2006). Iris recognition: An Vatsa, M., Singh, R., & Noore, A. (2008). Improving iris
analysis of the aliasing problem in the iris normalization recognition performance using segmentation, quality
stage. Computational Intelligence and Security (Vol. enhancement, match score fusion, and indexing.
2, pp. 1771-1774). IEEE. Systems, Man, and Cybernetics, Part B (Cybernetics),
38(4), 1021-1035.
Shay, R., Komanduri, S., Kelley, P.G., Leon, P.G.,
Mazurek, M.L., Bauer, L., & Cranor, L.F. (2010). Verma, P., Dubey, M., Basu, S., & Verma, P. (2012).
Encountering stronger password requirements: user Hough transform method for iris recognition-A
attitudes and behaviors. the sixth symposium on biometric approach. International, 1(6), 43-48.
usable privacy and security (pp. 1-20).

การใช้เทคนิคเหมืองข้อมูลในการวิเคราะห์สารสนเทศเพ่ือการพัฒนาระบบสนับสนุนการ
ตดั สินใจเลอื กสาขาวชิ าในระบบคดั เลอื กบุคคลเขา้ ศึกษาตอ่ ในระดับอุดมศึกษา
Application of data mining techniques in analysis of information to develop decision
support systems in selecting programs under Thai University Central Admission System

อนันต์ ปินะเต1
Anan Pinate1
Received: 3 July 2020 ; Revised: 17 August 2020 ; Accepted: 1 September 2020
บทคดั ยอ่

การคัดเลือกบุคคลเข้าศึกษาในสถาบันอุดมศึกษาระบบใหม่ หรือเรียกสั้นๆ ว่า TCAS เป็นนโยบายการปฏิรูปการศึกษาของ
กระทรวงการอดุ มศึกษา วิทยาศาสตร์ วิจัย และนวัตกรรม (อว.) โดยมที ่ีประชุมอธกิ ารบดีแห่งประเทศไทย (ทปอ.) เปน็ หน่วย
งานกลางในการด�ำ เนินงาน ซงึ่ มหาวิทยาลยั ทกุ มหาวิทยาลัยเขา้ ร่วมการรบั สมัครระบบใหม่น้ี ซึง่ มีรูปแบบการรับสมัครคดั เลือก
5 รอบ นโยบายนไ้ี ดด้ �ำ เนนิ การตงั้ แตป่ กี ารศกึ ษา 2561 เปน็ ตน้ มา มหาวทิ ยาลยั มหาสารคาม ไดเ้ ขา้ รว่ มการคดั เลอื กระบบใหมน่ ี้
ในทกุ ปกี ารศกึ ษา และทกุ รอบการรบั สมัคร ซึง่ ทกุ ปกี ารศกึ ษามผี สู้ มัครจ�ำ นวนมากท่ไี ม่ผา่ นการคัดเลอื กในสาขาวชิ าเพ่อื ยืนยนั
สทิ ธิ์ (Clearing house) เข้าศกึ ษาในระบบ TCAS ได้ จากปญั หาพบวา่ ผสู้ มคั รไมค่ ำ�นึงถงึ คะแนนการสอบวชิ าความถนัดท่ัวไป
(GAT) และคะแนนการสอบความถนัดทางวิชาการและวิชาชีพ (PAT) ซ่ึงเป็นองค์ประกอบหลักในการพิจารณาของสาขาวิชา
โดยพฤติกรรมของผู้สมัครจะเลือกสาขาวิชาตามความรู้สึก ความชอบ และตามเพื่อน หรือผู้ปกครอง ปัญหาดังกล่าวผู้วิจัยได้
นำ�เทคนิคเหมืองข้อมูล ด้วยวิธีต้นไม้ตัดสินใจ มาวิเคราะห์ข้อมูลและนำ�ผลการวิจัยไปพัฒนาเป็นระบบสนับสนุนการตัดสินใจ
เลอื กสาขาวชิ า เพอื่ ใหผ้ สู้ มคั รไดท้ ดสอบการเลอื กสาขาวชิ าเพอื่ วเิ คราะหโ์ อกาสผา่ นการคดั เลอื กเขา้ ศกึ ษามากนอ้ ยเพยี งใดกอ่ น
เลอื กสมคั รสาขาวิชานัน้ จรงิ จากการวิจยั พบวา่ การวเิ คราะหข์ อ้ มลู ดว้ ยวิธตี น้ ไม้ตดั สินใจ C4.5 มีค่าความถกู ตอ้ งรอ้ ยละ 91.64
สามารถสรา้ งกฎการตดั สนิ ใจได้ท้ังหมด 358 กฎการตดั สนิ ใจจากทั้งหมด 84 สาขาวชิ า โดยสามารถนำ�กฎการตัดสินใจท่ีไดม้ า
พฒั นาเปน็ ระบบสนบั สนุนการตัดสนิ ใจเลอื กสาขาวิชาในระบบ TCAS มหาวทิ ยาลยั มหาสารคาม
คำ�ส�ำ คญั : ต้นไม้ตัดสนิ ใจ การคดั เลอื กบุคคลเขา้ ศึกษาในสถาบนั อดุ มศึกษาระบบใหม่ (TCAS)

Abstract

Thai University Central Admission System, abbreviated to “TCAS,” is an educational reform policy under the Ministry
of Higher Education, Science, Research and Innovation (MHESI), together with the Council of University Presidents
of Thailand (CUPT) as the hub of operations. All universities have joined TCAS following five admissions application
rounds. This policy has been implemented since the academic year of 2018. Mahasarakham University has partici-
pated in TCAS in every academic year and all admissions application rounds. Every year numerous candidates failed
admissions into programs chosen for clearing house entering the TCAS system. There are problems that candidates
overlooked scores on the General Aptitude Test (GAT) and Professional and Academic Aptitude Test (PAT) as a key
component in a consideration of the program chosen. The candidate’s selection behavior toward a program is typically
based on his/her feelings, preferences, and peers, and parent’s determination. In this study, the Data Mining technique
was adopted, and Decision Tree was used to analyze the data. A result of the analysis was further used to develop
a decision support system (DSS) for the program to be chosen by the applicants to test the program selection and to

1 นักวิชาการคอมพิวเตอร์ชำ�นาญการ กองบรกิ ารการศึกษา มหาวิทยาลัยมหาสารคาม อำ�เภอกนั ทรวิชยั จังหวดั มหาสารคาม 44150
1 Computer Techinical Officer Professional Level, Division of Academic Affair, Mahasarakham University, Kantharawichai District, MahaSarakham

44150 Thailand.

Vol 40. No 1, January-February 2021 Appication of data mining techniques in analysis of information to 51

develop decision support systems in selecting programs under ...

analyze the opportunity to achieve before the actual selection of the respective program. The results found that the
Decision Tree at C4.5 represented an accuracy of 91.64 percent, and a total of 358 decision rules can be developed
across 84 programs, and decision rules can be developed as a decision support system for program selection to the
TCAS of Mahasarakham University.

Keywords: Decision tree, TCAS

บทนำ� สมัครของกองบริการการศึกษายังพบว่าพฤติกรรมการเลือก
สาขาวชิ าของผสู้ มคั รโดยสว่ นใหญย่ งั ขาดประสบการณใ์ นการ
กระทรวงการอดุ มศกึ ษา วทิ ยาศาสตร์ วจิ ยั และนวตั กรรม (อว.) สมัครซึ่งผู้สมัครส่วนใหญ่จะเลือกสาขาวิชาตามความชอบ
ไดม้ นี โยบายการคดั เลอื กบคุ คลเขา้ ศกึ ษาในสถาบนั อดุ มศกึ ษา และสภาพแวดล้อมอ่ืนๆ เช่น สมัครตามเพื่อน สมัครตาม
ระบบใหม่ (Thai university Central Admission System: ผปู้ กครองตอ้ งการ (ชิดชนก ส่งศริ ,ิ 2544) โดยไม่ได้ค�ำ นงึ ถึง
TCAS) (สมาคมที่ประชุมอธิการบดีแห่งประเทศไทย, 2561) ความรู้ และทกั ษะของตนเอง เช่น ผลคะแนนการทดสอบการ
ซงึ่ ได้ดำ�เนินการมาต้งั แตป่ กี ารศกึ ษา 2561 ซง่ึ มกี ารคดั เลือก ศกึ ษาระดับชาติขึน้ พนื้ ฐาน (O-NET), ผลคะแนนการทดสอบ
ท้งั หมด 5 รอบด้วยกนั ได้แก่ รอบท่ี 1 การรับด้วย Portfolio ความถนัดทั่วไป (GAT), ความถนัดทางวิชาการและวิชาชีพ
คือ การรับด้วยแฟ้มสะสมผลงานโดยไม่มีการสอบข้อเขียน (PAT) (สถาบันทดสอบทางการศึกษาแห่งชาติ องค์การ
กลุ่มผู้สมัครสำ�หรับนักเรียนทั่วไป นักเรียนท่ีมีความสามารถ มหาชน, 2563: เว็บไซต์) และผลการทดสอบ 9 วิชาสามัญ
พเิ ศษ นกั เรยี นโควตา นกั เรยี นเครอื ขา่ ย ผสู้ มคั รสามารถสมคั ร ซ่ึงคะแนนเหล่าน้ีคือองค์ประกอบหลักในการพิจารณาผลคัด
ได้ท่ีสถาบันอุดมศึกษา, รอบท่ี 2 การรับแบบโควตาท่ีมีการ เลอื ก ซงึ่ สง่ ผลใหก้ ารสมคั รคดั เลอื กระบบ TCAS มหาวทิ ยาลยั
สอบขอ้ เขยี นหรอื ขอ้ สอบปฏบิ ตั ิ คอื การรบั แบบโควตาทมี่ กี าร มหาสารคาม ขอ้ มลู การรบั สมคั รประจ�ำ ปกี ารศกึ ษา 2562 จาก
สอบข้อเขียนหรือข้อสอบปฏิบัติ สำ�หรับนักเรียนท่ีอยู่ในเขต รายงานสรุปผลการดำ�เนินงานคัดเลือกบุคคลเข้าศึกษาใน
พื้นทห่ี รอื ภาคโควตาโรงเรยี นในเครือข่าย และโครงการความ อดุ มศกึ ษาระบบ TCAS มหาวทิ ยาลัยมหาสารคาม ประจ�ำ ปี
สามารถพเิ ศษตา่ งๆ ซงึ่ สถาบนั อดุ มศกึ ษาประกาศเกณฑก์ าร การศึกษา 2562 มผี ไู้ ม่ผา่ นการคดั เลือกคดิ เป็นร้อยละ 55.00
สอบ ผู้สมัครสามารถสมัครได้ท่สี ถาบันอดุ มศึกษาและเข้ารับ ของผู้สมัครทั้งหมด จากรายงานข้อมูลผู้ไม่ผ่านการคัดเลือก
การคัดเลือกตามเกณฑ์การสอบ, รอบท่ี 3 การรับตรงร่วม มคี ะแนนไม่ถึงตามจ�ำ นวนสาขารบั ผ่านการคัดเลอื ก
กนั คอื การรับนกั เรียนในโครงการกล่มุ สถาบันแพทยศาสตร์ ดังนั้นจากข้อมูลข้างต้น ทำ�ให้ผู้วิจัยได้มีแนวคิดใน
แห่งประเทศไทย (กสพท.) โครงการอื่นๆ และนักเรยี นทวั่ ไป การใช้เทคนิคเหมืองข้อมูล (Data Mining) ในการวิเคราะห์
ที่ประชุมอธิการบดีแห่งประเทศไทย (ทปอ.) เป็นหน่วยงาน สารสนเทศเพื่อการพัฒนาระบบสนับสนุนการตัดสินใจเลือก
กลางในการรบั สมคั ร, รอบท่ี 4 การรบั กลางรว่ มกนั Admission สาขาวชิ า โดยระบบจะใหผ้ สู้ มคั รไดท้ ดสอบการเลอื กสาขาวชิ า
คือ การรับสำ�หรับนักเรียนทั่วไป ที่ประชุมอธิการบดีแห่ง ก่อน เพอื่ ใหท้ ราบผลคะแนนของตน ว่ามีโอกาสมากหรอื น้อย
ประเทศไทย เป็นหน่วยงานกลางในการรับสมัคร, รอบที่ 5 เพยี งใด และวเิ คราะหโ์ อกาสทจี่ ะผา่ นการคดั เลอื กในสาขาวชิ า
การรับตรงอิสระ คือ การรับโดยตรงด้วยวิธีการของสถาบัน ทีต่ อ้ งการสมคั ร กอ่ นการเลือกสาขาวชิ าจริง
อดุ มศกึ ษา และสถาบันอดุ มศกึ ษาเปน็ หนว่ ยงานรับสมัคร
มหาวิทยาลัยมหาสารคาม ได้เข้าร่วมการคัดเลือก วัตถปุ ระสงค์
บุคคลเข้าศึกษาในสถาบันอุดมศึกษาระบบใหม่ (TCAS) ท้ัง
5 รอบท่ีผ่านมาต้ังแต่ปีการศึกษา 2561-2563 (กองบริการ เพื่อวิเคราะห์สารสนเทศท่ีเกิดข้ึนจากข้อมูลการรับ
การศึกษา, 2563: เว็บไซต)์ ทผ่ี ่านมาพบว่ามีผู้จำ�นวนผู้สมคั ร สมคั รคดั เลือกบคุ คลเข้าศกึ ษาในระบบ TCAS มหาวทิ ยาลัย
จำ�นวนมากท่ีไม่ผ่านการคัดเลือกในสาขาวิชาท่ีผู้สมัครเลือก มหาสารคาม โดยใชเ้ ทคนคิ เหมอื งขอ้ มลู (Data Mining) และ
เน่ืองจากมีคะแนนต่ำ�กว่าเกณฑ์การพิจารณาของสาขาวิชา นำ�ผลการทดลองมาพัฒนาระบบสนับสนุนการตัดสินใจเลือก
จากรายงานสรุปผลการดำ�เนินงานการคัดเลือกบุคคลเข้า สาขาวิชาในระบบ TCAS มหาวิทยาลัยมหาสารคาม
ศึกษาในระบบ TCAS (กองบริการการศกึ ษา, 2563) ประจำ�
ปีการศึกษา 2562 พบว่ามีผู้สมัครทั้งหมด 5 รอบมีผู้สมัคร ทฤษฎีท่ีเก่ยี วขอ้ ง
จ�ำ นวน 35,527 คน และมจี �ำ นวนผผู้ า่ นการคดั เลอื กเพอ่ื ยนื ยนั
สิทธเ์ิ ข้าศึกษา (Clearing House) 16,145 คน คิดเป็นร้อยละ งานวิจัยนี้ผู้วิจัยได้นำ�ทฤษฎีการทำ�เหมืองข้อมูล
45.44 ของผู้ผ่านการคัดเลือก จากการวิเคราะห์ข้อมูลการ โดยวธิ กี ารจำ�แนกข้อมูล (Data Classification) ด้วยวิธีตน้ ไม้
ตัดสินใจ (Decision Tree) ในการวิเคราะห์ข้อมูล เพื่อให้ได้

52 Anan Pinate J Sci Technol MSU

สารสนเทศทจี่ ะน�ำ มาพฒั นาระบบสนบั สนนุ การตดั สนิ ใจเลอื ก เหมาะสมในการวเิ คราะหเ์ หมอื งขอ้ มลู , 2) ขน้ั ตอนศกึ ษาความ
สาขาวิชาในระบบ TCAS รายละเอียดทฤษฎีเทคนิคเหมือง เข้าใจของขอ้ มูล (Data understanding) เป็นขน้ั ตอนของการ
ข้อมูล ดังต่อไปน้ี รวบรวมขอ้ มลู ทเี่ กยี่ วขอ้ ง เพอื่ ใชใ้ นการวเิ คราะหเ์ หมอื งขอ้ มลู
1. การท�ำ เหมืองข้อมูล ข้อมูลท่ีนำ�มาวิเคราะห์ต้องมีความถูกต้อง น่าเช่ือถือ และ
เหมืองข้อมูล (Data mining) เป็นขั้นตอนทางสถิติ มีความเหมาะสมในการวิเคราะห์เหมืองข้อมูล, 3) ขั้นตอน
เป็นวิธีการปญั ญาประดิษฐ์ (Artificial intelligence) (ฉัตรเกล้า การเตรยี มขอ้ มลู (Data preparation) เปน็ ขนั้ ตอนเตรยี มขอ้ มลู
เจรญิ ผล, 2556) ทำ�การวเิ คราะห์และสกัดความรจู้ ากขอ้ มลู ท่ี ตามรูปแบบท่ีใช้ในการวิเคราะห์ ขั้นตอนการเตรียมข้อมูล
จัดเก็บไว้ในระบบฐานข้อมูล หรือรูปแบบข้อมูลอ่ืนๆ การทำ� เพอ่ื การวเิ คราะห์ ไดแ้ ก่ การคดั เลอื กขอ้ มลู การคดั กรองขอ้ มลู
เหมอื งขอ้ มลู สามารถค้นพบความรู้ และสารสนเทศที่ซอ่ นอยู่ การแปลงข้อมูล ซึ่งข้ันตอนการเตรียมข้อมูลจะใช้เวลาพอ
ในขอ้ มลู หลกั การทำ�เหมอื งข้อมลู คอื การวเิ คราะหห์ าความ สมควร, 4) ขน้ั ตอนการสรา้ งตวั แบบ (Modelling) เปน็ ขน้ั ตอน
สมั พนั ธข์ องขอ้ มลู แนวโนม้ หรอื หารปู แบบทเ่ี กดิ ขน้ึ จากขอ้ มลู การวิเคราะห์ข้อมูลด้วยวิธีการต่างๆ ซึ่งการเลือกวิธีการต้อง
และสามารถนำ�สารสนเทศท่ีได้มาช่วยวางแผนการตัดสินใจ มีความหมาะสมในการวิเคราะห์ข้อมูล เพื่อให้ได้สารสนเทศ
และแกป้ ญั หาดา้ นตา่ งๆ การทำ�เหมอื งข้อมลู จะสามารถแกไ้ ข ที่มีประสิทธิภาพ ผู้วิเคราะห์ต้องมีการประเมินความถูกต้อง
ปัญหาได้บางปัญหาเท่านั้นข้ึนอยู่กับเทคนิควิธีการที่เลือกใช้ ของวิธีการต่างๆ ที่ใช้วิเคราะห์ เพื่อให้เกิดความน่าเช่ือถือ,
เท่านน้ั 5) ขั้นตอนการประเมินผล (Evaluation) เป็นข้ันตอนในการ
การวิเคราะห์ข้อมูลด้วยเทคนิคเหมืองข้อมูลมี ประเมนิ ผลทไ่ี ดจ้ ากการวเิ คราะหเ์ หมอื งขอ้ มลู ในรปู แบบตา่ งๆ
กระบวนการตามมาตรฐานทเี่ รยี กวา่ Cross-Industry Standard ผลลัพธ์ท่ีได้ตรงตามวัตถุประสงค์ท่ีต้ังไว้หรือไม่ เพื่อให้ได้
Process for Data mining: CRISP-DM) (สมาคมท่ีประชุม ผลลัพธ์ท่ีถูกต้องก่อนท่ีจะนำ�ผลลัพธ์ที่ได้ไปใช้, 6) ข้ันตอน
อธกิ ารบดีแห่งประเทศไทย (ทปอ.), 2561 ; สถาบนั ทดสอบ การนำ�ไปใช้ (Deployment) เป็นขั้นตอนการนำ�ผลลัพธ์ที่ได้
ทางการศกึ ษาแหง่ ชาติ องคก์ ารมหาชน (สทศ.), 2563) เกดิ ขน้ึ มาประยุกต์ใช้งาน การนำ�เสนอผลลัพธ์ท่ีได้อาจนำ�มาแสดง
เมอ่ื ปี ค.ศ. 1996 จากบรษิ ัท Daimler Chysler บริษัท SPSS เปน็ รปู แบบรายงาน (Report) หรอื พฒั นาเปน็ ระบบเพอ่ื ความ
และบรษิ ทั NCR เพ่อื กำ�หนดมาตรฐานกลางในการท�ำ เหมอื ง สะดวกตอ่ การใช้งานของผใู้ ช้
ข้อมูลให้มีประสิทธิภาพ มีความน่าเช่ือถือในกระบวนการ 2. การจ�ำ แนกข้อมูล
วิเคราะห์ข้อมูล กระบวนการ CRISP-DM รายละเอียดดัง การจำ�แนกข้อมูล (Data Classification) (อนันต์
Figure 1 ปนิ ะเต, 2559) เป็นวธิ ีการท่ใี ช้ในการค้นหาขอ้ มลู สารสนเทศ
ความรู้ท่ีเกิดข้ึนจากข้อมูลในระบบฐานข้อมูลขนาดใหญ่ การ
FFigiguurree11 CCRRIISSPP--DDMM จก�ำ ่อแนทกข่ีจอ้ะมนลู ามผกี ลรละบัพวธน์ทก่ีไาดร้สไปรา้ ใงชแ้,บ6บ)จข�ำ นัล้ อตงอกนารกจา�ำ รแนนากไขปอ้ ใมชลู ้
จCC2 0าRR0กIISS1PPF) -i-DgDไuจดMMrา้แeกมกม1ขี F่ขี นึ้ i1แน้ึgต)uสตอrอดeขนนง้ักน1กกาตแรารอสทระดนท�ำบงงาคกวางวนรานาะน6กมบข6าเวขน้ัรนข้ากตกนั้ใอาาจตรนรธอกวุ(รนาHิเกรคa(วิจJnรเิ idคาa(รwะ&BาหeuะKi์หsขaHiขm์้อnaอ้มebnมesูลdลูrs, เ(พD่ือeทpำ�loนyาmยeหnมt)วเดปห็ นมู่ขอั้นงตข้ออมนูลก(าCรaนteาgผorลieลsั/พCธla์ทss่ีไ)ดเ้มช่นา
&UnMdiecrhsetalinndeinKga)mเbปe็นrข, ั้น20ต0อ1น)กไาดรแ้ ทกำ�่ค1ว)าขมนั้ เตข้าอในจคปวาัญมหเขาหา้ ใรจือ กกตขปเคปอ้าารวรร็ีมรนาะววมลูมยรเิิเทีคูโปสุกคอรเ่ีะตแรปกาดบา์ใะน็าวชะหบสอกหง้ ข์รนิผตา์ขอ้าพน่่อา้อมยนกตุ มลูงกากูนาลซารานจกัง่ึรใรชแะนเคร(มตง้ายีRัดาีล่กเนนeสเะาลผpเขนรรือoสู้อสอคrมกงรtผค)คผัใ้าอลนหรใงู้ รลชเตสรด์ขพั้ัืาอวา้ปธขจพศรท์ำ�ากึะฒั แวกไ่ีษินนชดอาา้อากบตทเาขไอ่ ปปจ่ีส้รอ็นนะดมมดรว้าัูคลบัะยมรบปเาจหซบรแาตรญิ สเกือขพญดชไอ่ือุงมดาง่
ธโอุรกกาิจสข(อBงuธsุรinกeิจssโดUยnทdำ�eกrsาtรaศnึกdiษngา)ปเัญปห็ นาขใหัน้ ้อตยอู่ในนรกูปาแรบทบาที่ แสอร้าทงรติบัวิวจตำ�2์ทแ.น่ีบกก่งาบขรอ้อจมกาูลถแถึงนคูกกุณเรขียล้อกักมวษลูา่ ณLะeขaอrงnผinู้สgมหัครรือกTรrะaบinวiนngกาทรี่
ความเขา้ ใจ ปัญหาหรอื โอกาสของธรุ กจิ โดยทาการศกึ ษา เกิดจากกากรานรำ�จเาอแาขน้ันกตขออ้ นมวูลิธีก(Dารaจtaำ�แCนlaกsขs้อifมicูลaมtioาnด)ำ�เ(นอินกันาตร์
ปัญหาให้อยู่ในรูปแบบท่เี หมาะสมในการวเิ คราะหเ์ หมอื ง กปับิ นขะ้อเมตูล, ใ2น5ช5ุด9)ขเ้อปม็ ูลนทว่ีทิธำ�ีกการพทิจ่ีใาชร้ณในากจะาปรรคะ้กนอหบาดข้ว้ยอเมซูลต
ข้อมูล, 2) ขัน้ ตอนศึกษาความเข้าใจของข้อมูล (Data ขขขสออานงงรขแาสอ้อดนทมใเทลูรหิบเศรญิวคคต่ ค์วกอxาารม์ดร=รจูท้x(าx่เี น1แก,อดินxกขก2จ,น้ึ.าข..จก้,อานxมกั้นnูขล)เรอ้มทคมีก่ีบคูลออรใกระนด์คบรุณะวxบลนยบักงักฐษมาาณีขนรอ้ ะสขมตอ้รลู่า้มาองูลๆงกี
(ไหกaแขนกTมtานบ้กัาtอr่ตรraึ่งรเiบมส่อibรแnครจยเูuีลอiนัดn้าtานทegง่อืเลผ()ตรลงdCอสูิ้บัวือaโ(งaมิวจดtDกaกtคำท�ัeยiใ)sาแรgี่บนแกcรนเo่งอrขาสจerกบรทาi้าาteขจอeศรขแs�ำ้อ-กิบกึ/นาvแมCถษิวaวนกูลlึงlตaิาชuกขจหต์sหeขาะ้อมs่อdมทอ้ถ)มว)รมวูก่ีสเูดะลโดลูเชมดดหเรลห่พบนยัคัียมกั มช่ปกือรู่ขษู่ขุดกหวรทอณ้อญข่าิรางามชะอ้ขือรนญนูุดลม้อไวาาเี้จขูลมมริยเตะ้อทยีูล่คหเรกมกีเ่ปรีปมูล(ามว็นาCน็าส่วรโี ขะlพอวำ�ดaก้อหหกิเsตุหามค์sารรขสมูลัสเบร้ำ�อร่lูขแาผaสหยี มะบอbา่อรนูหนlลงับบนeร์ู้
แขบ้อบมมูลผี จู้สะอมนีกา(Sรสupรe้าrงvตisัวeจdาlแeนarกnขinอ้gม) ูล จากชุดข้อมูลท่เี ป็น
อินพุต ซ่งึ แต่ละเรคคอร์ดประกอบไปด้วยเซตของแอทริ
บวิ ตท์ บ่ี ่งบอกถงึ คณุ ลกั ษณะของผสู้ มคั ร กระบวนการสรา้ ง
ตวั จาแนกขอ้ มลู ถกู เรยี กว่า Learning หรอื Training ทเ่ี กดิ

Vขถถolอูู้กก4มใใ0ชชลู .้้ใใNโนนดoกกย1าาท,รรแ่ีJแแaตสสn่ลuดดะaงงกrถถyง่ิ -กึึงงFเเา้eงงนb่่ออืื rขuนนอaไไงrขขyโหห2น0รร2ืืออด1แแหออนทท่งึ ๆรริบิบจิิววะตตห์์หหมนนาย่่ึึงงถๆๆงึ คAขขde่าpออvทpงงei่cี loaptiodneกoc่อifsนdioนantาasไumปคคpiใ่่npาาชionใ้IIrgnntนffstกooeyrrาcsmmรhteหaanmittqาiisoouคnnei่าnsมggsiaaาneiiตlnneaรcnเเฐtปปaiาnl็็yนนgsกกอipsาาตrั ooรรรgfหหาrianสาาmf่วคคosนr่่าาmสสuเanาากtdiรรนoeสสnrนน(t.Go.เเ.ททaiศศn 53
เถขปอู้ก็ นมใชลูไป้ใโนได3กดย. า้กจทราแ่ี แรกตสส่ลกดระางา้กรถง่ิทตกึงดเา้นงนสไ่อื ขอมนอบต้ ไงกดัขโหับสนิแรือดใจแหทอนรท่งึิบๆริวิบตจิวะ์นตหัน้์หมๆนาย่ึงแถๆลงึ คขะา่จอทะง่ี รrกาa่อยtiนลo)ะนเราอาไียยปคดลใ่าดะชงัเใ้Iอสnนยีfมกoดกrาดmารงรั หaสt2าiมoคกn่าามgรaา2iตnรเฐปา็นกอาตั รรหาสา่วคน่าสเากรนสน(Gเทaiศn

สไเคหใจวป(มหห(คบสจถจ(โขคสตฟเขSปจเใรEอEวน2EดวชปดจตS(เจสคเรฟตขปใใจปคโสจSรคฟจโตขสS(ขเป(ฟขเโจเรใธิะำา่รง่า่าาีะาคิรรวรง่อน0ุูณ้้้pEEEัอก222อรEEEงวววบ็นชชชปปดดดXnบก็ม้คนnาาาา้ขะะะาาากี็n่งง่ง่อคไย000มุุุ้นะอณณณืือ้้้้้้้pppขััักอออตอออรรรน่งงงlาม2ะกึ่XXXงบบบม็็็Eใnnnงit็็nnnไคคคไไไงยยยนั้้้นนนดtขขขาสกกกกาำหีนน้ไอวlllามtแ222โt่าrFะะะกกกาเอว้์นมมมrกหชๆงงงiiiลูซไ์ชดดดtttสสสฟมnoูรไไไrหttกตซลttt่่่าาาoFFFรมคตอออววว้นอ้้้มมrrrตกกกSหหหอPIมลนูiมไไชช์ช์์มมมัููู้นปrrr้อใตซซซลลลnooooตtpมมมคคครg้้้นหัมมSSSPPPIIIFpีงันนนนอiiiนกจมมมตบา์โiบทrสูลปปราอออวnnnนoooสรรรgggลูนนนัััfจปpppืyีีีอๆดบักกกoจจจup์)ตตตกาาาโไดiiiiyบบบตสาาาบาปขขฟจโรใตถSเเจส(คoัฐสสสดตสด)ูลลลูู์มเไาดgfffตรืืือออับบบมEuuupppเ2ไดไyyyEกะวตตตpสสสชปคPกSอโสดดoooินrัััโขดดดตตตค์ช)))y์์์ยคอาาาปไาาะเrาตตาmอง่อข0คัััุมมมูณจค้้้pูบิงเเเัอใกuรเรmอราหเงดeทดดิหrrrโโโXาmปyyyyบย2็หออคอคคไไไnrrrาาาอออนแัิ็าnขขขคคค่าคไยปน้ค้าปนา้ลา่ขนะนัหรรรก(เเเรรรจmmmทนท่เเเักบาลlามฐด2eeeทททชาิิิrอะ้0าาาือหmmmืiว222ิหหหมใช,eงยiมปปปปปป้้หหหด(((tมสจจคทรe่มีจ่่่ััักกกรน็เบบบลาาามไลลลeSฐฐฐt2าาาอออใt็้้้่000าFืืือนหหหกaืตอวกา้นจสาเชชชดrกหชรแว้็่ีล่กกิูสีจตบไตมมมช์aeee่่่ีีีคม=คSSSจกูrส222ิ็็็Eาซล่ขูนนนaoaaaแEกะมคาาานนจจจือ้าาะดดดคแมีรรรSแาPIีด็็็อ่กกกสนีจtนบบบiมกะบ้2าำ)กั===ยกกกตดาออป้ิิิุEEEาาา้วดอsทใaaaห์noTiร,gจอคคคแแแนือัีีีทร่าอทคสสสนนนsptttจีอ้กnจะะะบบบตส)))กกาัััยoนโอiบnต่ดดดาาาาอออ้้้ลัทวววาหดงััTTTนเiiiกสาอuูลไอออทททคคคลsssกf่ลยกืแัอ้าารบnnnมใ2ruoooupอออTง้ันดไ่่่yาาาทททะรดดดตสtก่มัััดยnเเเoกกกเงันดtตทา)ัดถ์กโลลลากก่มใลรIยยยกกeััั้ตสใใใrrrrัมuuuรสดrเกนิกงรรรกกะหอtttกกก่่่rท5กยยยnnnrาเเเปrงงงnดโrโทททาาาิัััาาหทyนยหeอคไeeeง่ึ้้้orาสสสอขนค่ดดดลูrrrคูสคกกกนนนeรกกก้ีเoรeeะmบัึอกกกงรเงrต้าาา่วโโโeทกัดิิิิาาทททาสmาหหหวข5ห2รหทooofอเiนนน่่่านูููตๆมปEึปร)้eeeeeeรห(pจมโทรรรโ่นักบว่่วว่าลกฐจกeมึoอาอบ=้นสสส้คม0)าาาวววpือหหหหิถcใรรรืรปอออiiiนชนนนตตตกรน้EEEรรท9ธงสอpppิ่ิดอ้มโโโe่ีรmระมมมSึึึบบบท===12รมมม)))ห็นิิิcccใใใ้yดXนสนnaนรานนนนจัดาrดรรริททททรแธธธงบด็า่กyจีอออิิิบ่ิด่คาหวรmmmรรรกขึ=ิง)ทท111ก็หหหกานนนนmิ1้้้yyyXXXขEาสสส่วีนนนnnnไกทมaนmบแิบิยดคแีาสดดดนttคคคงวววูรรรขกะบ−ิิิร)กัดกเกกกดaต111ดาขขขCอ้นีีีาททททวCไตบบบิิิตเึมมขตTเนรiดดดrอ้อานา้เtttอทคsงงงาูููอ−−−โnยอลกสูกดดดกกกoอaaaมทaนนนาาาิวต่าึCCCไไไทสดตตตตoปเเเขขขนนนัrrrเงa้้้เอกยpาป้มทาาาลาก่ลอออยกัใน่าหใrสuอPท่ีมมมททท์้ตตตตางเร4ดึึึสสสห4รoooปปปtกป่ขpยงnยยยทpppเบงลตมมมทาบ็ัดาาาา่pใใใอืทeร้นtาอ็DสสสัอออPPPทททสด์์์่งบีรรร444ดปrดดดรกลหหหนนงกะ็นขงงงกหม้rาiดโ.iงิาpppขทดัทททจนหอาาาอออ็็็b.นDDDี่ใสสสo่่่ีบบบีีรอกรรราน่ะลลลูนนนา็oeyนมมท์eี่กไ5eหหห้้้อตรiiiงโบ...นงงงๆวุ่ดbกขใะสจจจ่ออสี5bbbานนนวหช็l่่่รกีีีนกกกาาาอ้อกiนตกeeeทyyyมมมEสร555าcคาuอตตตเpโโโสปบบบโยุุดดดุ,งบใใใดnะะะมาึ่่่ีีีบ=ชมดo)lllกกกิถcใาu(หกกกลียทเนกนี่รดiาาาcccทัาาาuuuออธมรงินอิ่ิไ,,,ใ้บบมาmลรคsชชชดดดoooนท1าอหไรนiาาา้y(จX(((สอนทททเเเงnำานมนิาLดiiiลคัััรรรมมมดiรดlใครiน้ลลลgคคคุ่มวซรsssกาู่นนนกึยิงาาาNiiiม(((กขอออ1lียางสขำาีามมมทชLLLgo(บtิปาคคคะใมุ่ดรโลูนา่lllใใใำาtงรรรบiii้้้tgggยงนาาาeูกกวยยยี−NNNะาดกาสสสดaใาfชชช่นาoootttโoCไาาาย้วตตเชุ่มุ่มมุ่าขnเรรรนrโจ้าา่่่รตกางงึ่้ยยยหนนนบaเeeeววว2ัาวกดนีีีบอหิหfุาาามเนfff่่่จมทoooตตยยยfตตตึไTหตสเmาาาnnnoปaกนววงดงงงยpหเเเ222มััปrกกกนนนกบบายโหหหิิิfffุุุrใมมมลลนเถหnเสุอตตตPท์TTTตตตรั4ดmmmอiaaaหดดตeนนนาาวัวววดดดงดoวfปปปrrrนกกกใาoPด่npดวลลลfเเเอืีาทณลแnnnราอด็ลิDวสััั่ับนีัมกรIoดดด(eeeลดนส็roooาโหนื้อะนใใใiXาาาPPPว.รดดดงกู(mfffจีีีาาาขอลลลียแแดดดจิิิอววnาbหนัััััิมมม่IIIooomีน(((mดดดกmาสสส้สมัง็็็รrrrจideyคนมาาาือ5ะะะนนนดXXXnงอตหอยโื2Dอืxบนัจจจุดคใnnnะอ่รีเามดmmmงlสmmmกัสสสรรรากiiiัดกdddคคคแ>เจดnnnาคงงงcอออfอออยใโe(าu222อดืืืxxxัััสคคค,ออบรรรคาเเเมมมมองงงนiาชกดoัััิoาาาน่(ทเา>>>แยสoหเเเกา2ทสกดล)สfffiโโโeeeรnันรมช่าeไหรทคคคกอออนนนiiiลคาsxลิิินาoooคนนนไา่่่iาาาl(ยยยoooอหกกก222ง่าสสส่ลลล)))สสสม0าLมlดnnnคก่่่าาายหหหaททdีeขlู่สใราาi้้gาrหีากมยeา่Nรอออมขืา้ไcสค000าlllปใแชนี่o้ใtชากดยยยมุ่aaaราdddะีีีโสสสง่าน้้้าาาlrrrีีีmา่ส)ยeeeนeา่า่วกรรรอออออรีมมมืืืไไไาaงัใใในกรf่ชชชeoกยนดตอ้งนาาnาป้aงiนนนอlllจmmmงnุกากกกหรรเา2ทักนตบกตคุรหิณหfุมeee่กงึsจดดดใิตนนนงงงTาาาตาาาปปป้้้maaaaิจจจนวบrสาดnnnุุุดกกกาปrกกกตตต)กงoตาร่กกกงึมลเaิิิrnดาชกุับคิิกตดบบenนFตจดดดวๆiคาาา)))ลo่่านางงงoooนใารรรPดaaaาrrrรnใดดดfมีาNลแรรdดิวoัรัรมนนนตIoจจจ(รดวววๆสรสคคค็rสาาาิซารtะ้นนXวnnniใใใมมมลNNNูจงdddิกา่นnัารรราตตตiดันรmณeรรรสสสomะัรสุnณริิiiซซซบิมdtttคสนืiอ้ววา้ดnถงอnอทg2งงงYืxัาคนนนัััอนนนรรรoระเSณณณeeeมทoooงน้nนัััุุุณมiiiัานนนiii้้้ร>เรทททเ่ตไึYYYfโ(งeจ1าาากใeเgoooะะะสXน้้นน้คถnnnนนนองนiกติoนu่นกFาแยo่่่ตตหก2ึึึสงงงึจล)งสิะ1กวeeeLnnจ่ามลsgนดXXXแถถถหททกกกpจ1สาไกกกFFFบดเจะ111tต0nnn์lงิ่จจจมมมsssgggดดดินน<ยadจจจ111สสสีrสงไไไโึ้ลนาr้ีเเเจจจieะก่ามeprรอออทมืไ์์เือใตนนมชสนนlะ<<<ุ้ตสกgงงงห2มึึึลลลeาณนlกiiimดกกกะหทททกสรgัeตiมมมp้นโทะะะeุุุดสสสgggห222มในงาาาาlณณณาปุ่้ัมa0aจtะะะนไ้ngggุกาทุpppกกโโโตมดaณ่uศ์กงึตติหุุุ้่่่กอััมมมัดล000มหิจบนนาe้้้aบมสดาาาอlามมมิ)ทนมงouuuศศศตตตรYไ้้้กกกaอออrด2fมหหหีศบบบรaaaaIนยจllltวๆคคrาYYYงๆนรenขใมีีีุ่มีNด้นรรรบอdaaaกinัสfยยยมอรกตนีนหราตสบrrrัิซีๆๆetตห้neeeขขขดีีีวดดด่ียบบบใกกกiiiัััtoงsกกกนัขีนนนนรหหหiตตตาiถณe์oััััุneeeณiิบหหหnnnุณiR้ftttfทsssYงnขอนิาสยชบั้นiii์์์o้ขะจา้นnน่าึทRRRิดrงofff,กดัม์่ตอออใสสสึยงจาe,oจจจiาาาอXoถาาางึทททกิิิดดดooo2,,,mมแมมมกFdาาาแิ1oooวองนnถบจิม้sgใเดารน้ึจเจรๆ222จ1สoแแแrrสไเจคใ2แแสัะใงงงนนนบ่ถีิิิเ์dาาารรรวเเเรรรน<งoooปrrrจงทึคคคลmuใใใm222ขiใใใีก่่่กีีีtทลเงวววกตบงลมส2ชะาเะใุึแทททgห2mmmมเขขขมาณ5tttลลละนิ่าgกกกeบบบลลสสสขชชชทเเเpงโใใใึดแnc555ุ่ัมโล0จพ็น่่าาา่อ่ืนอ้ม่้คกาาาดดดขมะnnn5uศ์เaกะตล้แรลลลห้ก5จจจอเมหจอออบ่่่บ้้้คาาามo)หlใะะะt้เเเกกกอะะ้้้แแแรรร555Yอา่เเปหีoooรกืaกอรนย(มiรกีก่าคื่อtr้จdจปปปหหหๆาะ35อลeขกกกีะืืืดกกกอออบากiจั(((มมมoก่านคคคี1นหาต้้้ัตdddกจจนัาาา333eลลลมหnหาาาทจจจ(็tesซาท111นoนบiกัม์ไจจูลใใาา่R็็็งะeeeระ3fาn1งทนนนะอนนบบบสยกกกัััมมม)ููลลลูจา่่่่างงงึิททับะะะิรรรดะะ:าาางo,ชชดะะะกขูมล)))nาoารรรึ่ะะง:::ู่่2ีแ))แ:งนถิารููู่่่เีรๆorคใ2้้่ีิใ่ีวทmขtลกบลสชเงใึ5่าดnลจอ่้คาขะเกะ้แร5เoปหกืกอ(มา่ค้dจา3อลาจ1กคปตลคจดข(โคขจใน(รเโขอrก็eทนนบGกัมูลคจคข(ขกใอนจขใอจเนโขค(รโนรอเเขโโrโrขโใร(่ง=ะระาaงAะGGGAน)ดดอ===าาำaa:AAAงอาำ่าาังาาานนนออ่าดดดดดด่อออิอาาานGSะ่่าาาาูีออออออ่่า่า่อtaGGGSSSะะะยccแยยีกสttทaaaนรศรคยคแiงยยยงงcccยยยยยยีีีนกกกศศศpยคคคแแแiiเoiงงงงงงะนccpppaเเเooแานลiiiแมกแาncccยวaaaววี่นัเตลลลงlแแกกกแาาาnnn)ยยยวววนนนนัััตตตuเuงงงlllง))iกบนะuuuรi(บกบณาAกาiiiาตะะะรรรiiiตSล(((SnกบบบSAAAาาาtาาาตตตr,รrSSSลลลSSSnnnากกกเSSSคtttrrr,,,รริดมมSSSรง่าเเเaคคคขCบาiบaามมมอรรรaaaาIจอขขrกโรเคโ(นใง,iii2ขบบบาาาvคไอออGR,าาIIIงงงขาแ222ขขขvvvไ=caRRR,,,รnจAรรรน้อาาาแแแดดอcยายcccจonnnีจรรรรรรปา5าทออAา่่ยยอยยยคǀโSโAǀ้อกค4่GนีีีจจจปSคค4คกะ555คทททAAAบyอ้aะะtาaอ้้้ออนนนfา2กคคคค44คค4กกyคคมยบบบyyycaaaะะะยยาาาีnกำดดาfffลศSSาดยคแi54คงงรo.)ลลนใาาาดดด).p่า่า555ม่ีเลลoคคคางวoooค่่่าiเมอ)))tiาาใกืา))))่ง...cมมม่่่ีีีคลลลa5งงงวววคคค่่่่าาาเเเลอออลftttาาาลูลืืืาาา่งงงะแกาาnคค9ชยยยดวiนักrตลลลอะะงกǀvืกu999ชlร)ดดดรiiiกึกณrrrนคคึขuอออูกกกคลอืืืกกกูลืรรoกกกคณณณiคคคึึึขขขSอเ5ูููอะรiยลลลืออออตGCmืืื(ǀ)oooบAาาออตเเ้ใืืคอออSงCCCIจmmmSGs)))ลัSnาจกSอtิใ้r,SSSางงงจจรขดGGGขอื่ัััอSาใคต้าือออเnคิิิจEาาาขขขดดดว่่่โอออง9นาาางลมp้้้ตตต(รคาจจจaEEEสiiโโโoนบางงงา(((a่หอรคคคำาคaสสสpาIายแoooรงาาoี2ขvไคaอaaapppมอfR,ยยแแแาSรรรือีีดสาแจาาคคคaaaอออnlมมมมะ)cาาาSSSจnดดดสสสรแรจจจ่ามกาาาnonnnแiยควiจ(จจจยltแแแี่า่า่จมมมกnnnปอืวn5อมทดA(((inllltttน(tอ้งนงiวววอออคก4คควลมดดเมูคtมiiiบyFiนนน,aงงงะnาiiiราfาแวววลลลมมมูููtttยtมมมrfนFFFiii,,,อFnnnาำโกรรราาาาาาาดัลrยยยtttจfffาดอนนนวo5ดคแทกกกาoแurrr)่ัดใmoooI).ม่ดดดแแแีทททวลใาAงuuuาวค่่่าัััเดดนอt-าาโืาาMแง่ดนสวววoใใใาาากคAAAาาานIนนนn---รรทrาาาล-แแแกoooกกกะำใา9ชIIInายีรดrMiหrปบsกกกบอใใใาาาnกนืnnnกรงยรปrrrMMMมหหหนกaบบบsssณัMคึชขnnnูลอรรรpงงยยยปปปมมมนนนื)าaoััวมหafชชชนอเวนชpppืรอย)))วCmaaaวววมคห)นนนiขรaชชชดรรร้ใSงIจสfบoคคค(Gิiiiขขขัมบtอบoิรล้สสfffบบบาม(((ขิิิyดยeข่อมมมแกบบบ=า้ตtรนoooิลลลnotจEyyyคeeeขขขแแแากกกiโ===นtttรรรนบิeนนนิิิงooo(วคาS้วtสใอiคoแri้าดoวววาSSS้้้วมap4อออiiiคคคnะวยแ(้ระิีr่วววมมoaจ444คoaอ้ลจมnnnะfอววว(((rเอะะะมาSชขิิิ่่่moooaaaดสจจจจาสชะะะanอออิดrrrคมมมขขขนจคขiแสสสร่าวิมกSno,คมSmม่คคค(ltอรรรงัเสSSS,,,ตมมมกวาาxSSSอmmm่่่ดsniเเเาสนำตตตางะกกาาาาาาiงsssวลมูtาาอกิสสสมมsFi่เ,มMองงงนn้าราาทอออA่ตเยtคา่่่rfนอมมมMMMสอออนนนaาาาิด)กpAAAา่เเเาrลีู่uยoนิดดดิิ)))ลpppพดแมเทคทิาลลล์จuูููัuuuดmิลลลaมมมuคคคาาFพว์์์ทจจจใาAายงิิิน-aaaข(ูยาพพพทททแมีoกลgายยยงงงอtIง−์ยยยยมร่)ามีีีาาาlกาใาarด−−−ยยยnท)))รrMหอlllสงบsอาaaarrrดดดiทททnรรยtrอออรแงยปมนAาาาวือ่ธัiโชitttแแแeลชpวววอoจ)aโโโaดวiiiธ่หงaนยีeeeลลลชชชiืดgอชารAดดดeธธธ่่่=าคคtาiiiืืืiขอออจาtAAAนวv้===tttาาางoพุสfบ(งิtttนนนวววามvvv้้้บนงงงoooำอoลาrใy2าาา)eขานนนิภกnแกอออะ=าำtรirrrนิงo=กt22ิ)))ิาาาuตะะะดดชภ)===กกก้ขิิิิิิตวาS้ใวดดดinภภภายชIอขขขiคni้ใใใวiiiVวมยยยวงIII4nnnขnวx(VVVะทเวววิงงง่ฒัน−oแa้จoxxxะกอมทททเเเr(าม−−−ข้้้มrาnGกกกชทมมมส(((aคงมมมกิดรnnnGGGชชชกทททั(คยอรaaaอาSงงง,เรมวใ้ัััSกm่อออนRอออาาาาเeกวววตกกกกาานนนlRRRsอnอารสเRlllเรงวปาพuอfน่เเเ(รรรมMฐอนาาาuuuานiถ้fffA่(((งใเทฐงัาเพยiiiัถถถ้้้กธีิดง)วงงงใใใิpเเเปพพพ้aยยยeมลัััูธธธีีีปu=งงงoาFิิิnสคล้้้สaaaeeeมคาาeปปป์===จบoooาาาFFFnnnทสสสงิสสสิรนaeeeบบบพทsิิิรรรยงอา3นeห็นสsss1ยมีอออกgาานนนหหหู111์กแ−ยต)ิดีlก้ังูููธ(แแแiาarดตตต็ดดดทรรีีีรกกก็r(((อiiiiพมcุวแา้นรรรนถ็็็rrriiiพพพtนมมมcccุุุวววแววนโAรนนนิสicgneลชวววนีมAAAิิิaดgggธnnn่ยกหีีีiืามกอาAยยยลุmรวีบ=tมมมานคดกกก้ตammmtบบบนวนนนvคคคดดด้้้้ดง)oaaaSตับดดดาา)))ิบSSSูนตตตคัััอตaSrฒาาากกu2)มตตตัาSSSะกฒฒฒiuuuร=กอัััิกกกิตดใ(อภาัดขดใ(((มilงnายIงดดด้n้ไlllงงงนับาาาชนiVงงงวงปS้้้ไไไนนนััับบบชชชiiila้xlปปปSSSทเืน−rชอบ้วิaaa้้้ลlllภ์SกSมrrr(อออา์์์าSSSมตรSSSnGlต)ชทาัาaงต)))าานรสัมัปอจeรอานนนขสสสมมมดว)กจจจeeeรรรนขขขRvกvvvิtlคกกกจรไlติิิtttเดชคคค้หจจจรรรlllคเรสราuงรจรfคั,(้ฐงงงรi,,,ถแ้รอiงoใมเลพแแแยรั์iiiธกตีoooมมมลลลงอ้ิารป้a์์์ขeกกกตตตAอออ้้้มป=ะาาาEoาFnสAAAสใะะะEEEeบาใใใoิร์ืน3หกิแาาาทoooาsAห่นืืืนนำ333าขอาาานAAAหหหหา1โขขขลาgูแะลลลตgggนงดกดีA3สก(งดลุiนนนก็กกกดดดอสสสรังงงดดดลุุลลุ็rกกกiพมcุว้ัััnลนตชรnนnnnลลลควลเnnnลนAใิสgnอสีส)สาะสสสยอา)))มก2กะะะขอออาาาmบกกก222นทคด้าaกิกงทททสทานtดกกก)สิิิSสสสตัทททtttกอาคัตSกกกอออฒดะกu่าอั(ก่ควภนrคอ(((่คคควิาภภภทคrrr(าาาคคครกลดงlงรรรลลลาองงงง้นไนลับชธiนนินนนปSลลลธธธกิิิคa้SSloสงอrSSSSSS,oooองงง์SอออSSางนสSSSาาาารา่นต)่ารรรัา่า่่าคา่คนสัม่มุา่่่ธคคคแลจeรัััุม่มุ่มุาาาขแแแ่มุภงvิ่่ม่มุุมุภภภกpใิิิิtเi3ลคpppใใใาจ่รlาiii333,2คน,,,รรสคคคินนนงรรรสสสร,นสแวรสิiภoทมโลสสส่มุจ์(โโโกตตจจจอ้(((าตตตแบAyะบบบEรyyyรคใุม่เา(Aาเาาาo5AAAนื3หAใหวชขใใในPวววชชชานนนPPPาคลgาคคคใกานPกดกาาา(สสงตศดลุา(((กวาััวววพบัััพพพnลว5nช(บชชช(((บบบา)สาาา)))มจสSคi)าSSSคคคiiirะรอาrrrกเร2พเเเรรรวอiยวววทออออนนากอออิโนัวrสทt6าeกอeeeมมมมขบทขขข้ททท้้้(่คvวคภrคvvvเคคคสeาดจค,สจจจ,,,สสสรลนงานนนาาาอยลยยยนมลเ)ธขิอc)cccSS)))oงอเอSเเเอออา(นรา่c่่ทจ่่่ศนย2าศศศ่ค(222าานัุ่ม(าาาาาาานนนมแมมมยหา่iะนหหหมุ่ัภา่าา่่iiiนนนัััิออเนpใi3ใ,ssssคงนGรงงงสiGำ5ส555าหสอลเโศลลลเเเโนงจโโโ(งงงsตเ((า่(((เบ(((เเเyเเเเวงตวววตตตiนเาiiiกAกกกเใวอกช43กกก444นP333ทo5ooo555ดทดดดทททคลอาอออาaaiกางอข(อวอออ((((กกวัพยยยย่ี่่่ีีีo์์์์ช(าบัาาาา)น)))))ี2)))n6222ยnnn666Sคiศrรi(((iนนนนเรอยนปยยยนวปปปี่ศอียยศอศศศอนnาาnงงงงงงงรรรรne324มขท้))))))))))))vคสดจตยั,สิิิินารงงงงรยc)))))เอ่ศน2์(าานมห่าiนั sงG5ลเโงเ((เเวตiกก43ทo5ดทอaอ(ย่ี์า))2n6iนยนปศศnงงร)))ิ

ค่า Information gain เปน็ การหาคา่ สารสนเทศกอ่ น Figure 3 Confusion Matrix
นำาไปใช้ในการหาค่ามาตรฐานอัตราส่วน เกน (Gain ratio)

FP คอื จานวนขอ้ มลู แบบจาลองการจาแนกกลมุ่ วFิธRR−eeีกccMาaaรellllดa==sคาu่เTTาrนeคPPิ นวTT=++าPPงมFFาPเNNนหr วeวcิ่ียจisงยั io(nF-+MeRaescuareJll)Sคcือi Teคc่าhเnฉoลl M่ีย((Sค77(U่า4)) )
Yes และคาตอบเป็นกลุ่ม No โ กกอผมเทตคกวงททโแบป(ก(แตหอDDอยัร้นาทู้าาหิธแแกว((บคปตโททงคทปตกคคทงว((บโแดลีด่อดลัุสก่ดFFี กDDDDมอออรaeรใู่าากนลีีิิไว่าา่ว่่ะออ่สีดดลลุคัคุัธธสสกกเาน่่ดดลีีกีนสคะาลนาตือบaaeeสมtcกนกนล−−คคกะาานสนนานนสสวคคะะาารอaลลนีีนสกกกิลใอาขittccัดงกมมมื้ตแอาาววรsววสรรaaาจศนนนนใิกกจิิลลใใอองใเiiาใขงรMMา้อาาmสจนรssสสาาัอiัดแแจศศจคนรขิิกจจเใใเเจกoาาึใใยังงาารใmm้อมรอiiดมมขรรเินขขเเคชใใมมนบวสeeจกจกooึึรยัยัาiรร้บใใชnเสขงรรษขขนูnมปนนบูลดดาาาแแii้คล้้aaชชใใ้nnนิเเศาสส่น่นร�ำษษแกานนููnnาปป้าุมร้คคาาi้้จลลน้ีศศศูาลไtssแมมกกมnะอดิแืรมมร้้รเใกยยาาiiึนศนrะ้้ีีศศาาาไไttแเnnค่ออแแืืัคuuดาจกกนึึนกสeบผrrึgะะ่นน่าากกลคคบาาบเเััษกึดด2รวกกeeวลึึggrr(กกครบบบบeลษษ้22)นรรานนษ่าวปใใบยยาืeeอสDผนิรร5ษคeeิ้้))นนบ(ะษษจบาใสสนนผผ)นข55วคเดรบบDบบาาิิใใีาาากกาา6สน))นนนa่ดดใัาด==ิยาขาางสาาาา66วนนกกท่่าใใเาาาดเโโิว้เนขสสeส1าททtนนเเำ�ววขส้้เเนนขขก้รพ11ดดานจิางงaสวนนนมาาสสยกรรพพรc่ีรสสนนไาารรยยั่ว่่า้ีีบาไไ22ยัาาเศรราิ–นยยรรชาา้ีว่่ว่วนไiาา่ับเเืศอาปูขว––เวดะนนขs่่PPััศบบืืออววมขววดดะะmตตรขขมึดสรรมมมนนขขหกา**รบธึiาิกชควิอแส2้บบธธมrrกึิิชชวา้คคอิอิoสส22าวว้้ถรรมมว้าา้ีรน้นาาถถถPPนiวษกวีบววษบ5ากกee้จิกนnนีีศnจษววิวบบ55มามา้้ากกนนนนศศจาิววงึ ั้ิาาชนึงุงงrrึึำน่ี�ยาใcc6ิิiาบาาใใจจจจย66ุชยััาิาึกนคยหุุnชชัาพิิาาึกกึนนคคคหหพพนeeาiiรนนเtจTรร3รรกใงTTพพ33ssลทมรใยยrgามรรััรษาาสกccรใรรษษจกกาาานจจาารeัรนฒรรััiiCฒฒ2CCาะในน)ใใแooูบบนนiiีไ่รูแแแููโีรโโียยนสาาิสสะาาss(าาeงะะาาาชเรชช5สรดAnnดาAAดดานรนนนFนันนนััแนนอiiแแ้บรลล้้บบรร)ดาาาใใใอooะเ6าแแ้้้ยยข้มขขะยยยSSS-เเะเะะะขยีนนนนลนน++ะะจจจรรร้วาาบบnnาบบข1กเMบลลลลลลลาอ้้อ้อแแแแกกเเกื้ัพดสสอรรนสรกกยสสกเเสเา-ออมมะะพบม**ออาืืะบอืะนมมRRนนeมนปปงงาาิิ2ปงาิดนนกTTวขขวนาาตือ่TขคคายยเีีรเRRหหกกหกaฒัรรวููวว็็5รeeลลอูว็ชิลิงัขขธอCCนนออคส้้ขเเCนา่า่ขขอดดใ้เขTใใsสสTาาeeหใหหส6าททยกกหีีกาccทนชยกคคมมาาี้นชชาAAนนนมรราFดดuััชววA้้CนราาัวC3้ccราaaทรรดววาาาศศ้ขรดววาลลขููวาะะเเ้้หrศSSททiิิงงตตลขขูกััะเ้SaaือทออิAตllgืืขeททรรรดอิชิชเี่ตAืาาllทแแททบบา้รดสสชิอาแทบยยllออาาปโาผuผผจ)Sรรยอาllมมเเงผคคั้อาาวบบรSมมดสเง่่คซซีีมววัาบบรบนนพพาาrำ�น็ูป้บบ่ปปััซีูู้้วคบนพาททรริงนนชบeปัู้บบากกยชชดทFลลิิ ูน่่แออลบกกสสชเ่่ะะออFรลิกืืกกก่สสืออรก่ตต่สีีาิิ่คคอืกมยยพาาสตตiำกาาัั�น4ลลต่ะนนีิกคาาgใใยตiคนนาัาคคสมมนเรราg้้ออเเใเเนมมเคบนน้้หหมาหกก่ืรรอึึกuรพ้อออเเคาหหมพพนรนรร้นััหบบรคคััuงงอรหดดพหหรัสบไไrใ88เเนนบ้้คขัอารออยย่ง่ืดาเหมมอิe่่ไrนออกกปปืืหนใรร้มมอสสยาามทาามสรวงe่้องงอกกักัืรูู่่ชใใมเสใาออคคืืใใ็็าาานนงเเ้นงตตักสส้้นน่ัสูสสใ4บคัิฉนนนศทมหอคืใเเหหนน้าเเตส้งงนรราส4ดัดันาารรกกดดักาััเุุหาาทนรนนทับขขูลสงลร้ขขยทดัิิสสนน้ท้ทนารดัยยรรุาีีมมมเเาานสสขเขิสนคท้แ่ีอ้อ้สีซ่ยมกยรออกกลลีมม้้คคารมเงงรรรแสนนรราาานนิิ อ้ อบกลม้คนนีมมยง((ัมมอ่่อาารลืืออาาคานคววาาคคาาััรารรนลิ 44ใใมมานนอืาบบบนาบิมมนนัุนคผผคถถถููดดาัลลกกยรลูลู่ััจจรรรรราะใ))นบมผถูลกลูจรูู้้รู้
5N4o แลAะnคaFาnตNPอTคiบnPอืaYteคจeอืาFFsนiiจggวาuuนนrrขeeวอน้33มขCCลอู้ ooมแnnบลู ffแuuบssบจiiบooาnnจลาอMMลงaaอกttงาrrกiiรxxาจราจแานแกนกกลกมุ่ลมุ่
ดคAงวั แแ แ cสาcลลลมมYYNYNNYuะะะถกeeeerคคคoooassssกูา�ำ��ำำ cแแแรตตตตแแแแyคลลลออออ้ลลลล5ะะะ่าFTFTบบบ=ะะะะงคคคคPPNNคคคคขเเเTFFFFTTาาาวปปปTาาาาคคอตตตคคNNNPNPPา็็็นนนตตตตPออืืงอออออืืมกกกออออคคคคคคคคบบบจจถจจ+ลลลบบบบอออืืืออออา่ืืืืเเ��ำำ��ำำกูมุุ่มมุ่่ปปYทเเเเนนนนจจจFTปปปปจจจจต็็eนนว่ีววาาาววNYNาาาา็็็็PPนนนนอs้ดนนกกันนนนนeooกกกกงลลขขไ++วววขขววววsลลลลดมุมุ่่ออ้้นนน(นนนนออ้้ ม่มุ่่มุุุ่มATใมม้FขขขมมขขขขNNกcNลลููNอออ้ลล้้YNNYููออออ้้้้ cลooแแมมมแแมมมมeeoouเ้+บบบบคลลลssูููลลลลููููrบบaแแแบบแแแแยีTcจจบบบบบบบงจจNy��ำำ คบ��บบำำบบบบ)ลลลลวจจจจจจจออคออาาาาาาาางงอืงงมลลลลลลลกกกกอออออออจาาคาางงงงงงงรรรา่รรกกกจจกกกกงิ ทจจ��ำำาาาาาาา��ำำรบแแ่ีรรรรรรรแแาจจจนนจจจจอนนยาาาาาาากกกกกลแแแแแแแกกถะกกนนนนนนนลลงึเลลกกกกกกกมมุุ่่อมมุุ่่กกกกกกกยี(YY5ลลลลลลลNNดee)มมมุุุ่่่มมมมุุุุ่่่่ ooss และกรอบแนวคดิ การวจิ ยั มรี ายละเอยี ดดงั Figure 4
ทขอ้งั้ค แหมลวคNดคลมูะางววัคทoมดสาา�ำถถห่ีแมมมตูกกูรคลถถกออืตตะ่าคกูกูาบคเ้คออ้ร่าตตปคคางวงYคออ้้็5นตข่า่าาeวงงแคคอคอมsขขาลบววงา่แออมะาาคทมงงตYมมถ่าแคคีน่ eรถถูทกสา่า่ ยงsูกูกี่วตททดตาตตัด้อวว่่งีีาออ้้ไ(ถดดัังมPดงงไไงึคr้ใดดก(((eกวAAAใใ้้าcาลกกcccรiม้sเccลลcคiuuตเเ้้ouน้ียคคrrอ้nraaคยยงีีa)งccคนงงืcกyyคคควyส))าอืาวว)ารคคมาารทคออืืมมคจสถ่า่ี ืจจรอคคนสูกิงรร่า่าเดังงิิคทคททรสน้รร่ศาบบ่่ีีาว่าาคทยแออนยยนืี่ลกกบลลขะถถอะะอเมงงึึเเกองออี ียถยยีี ดึงดด
ทรคทPาว่งีตัr้ห ดสขไยาหปeมอ้รงั รลมทรขคดทขรคcไสPPงมมืAAอกะาาดเอองววi้้ังงมััตrr้้sเลูccาเปดยยสหหาา้ตมมปอeeiกccรทา็oลลนมมมรลลมมููuucc็ยนีาหมถี่nคะะ6งเเไกiirrททรดดดssคเเปปaaกูตรคป่าคคาออ=iiถถหห่่ีีดา็็ccoo5นนอืตคาร่่วาาไยยีี กกููทyynnรรคคงัมอค้ไไดควคาดดT5ออืืสตตี่ปปา่่าแคงา่ต==ว==า้วมดดPเเคคมออ้้สไไมวปปาทาแรงงตัั TววงงดดกดามTTTTม็็งร+ลนนสส่แี ้าาอตตPม้้างตะPPPPแแระแมมคคมมสงถรรรตละตFลลามTTกกา่า่ แแดงง++++กลึงก้มอึระะPทท6PP่นาาตตมมกึงกงตตางครรแแ่่ีีFFFFยาาTTนน่่ตถ(การรรวมมสสRPPPPำPP�66ารยยงง(าทึงาRดดคคมตตคeราาคม่ี++ถ++(งงมววecค้าานPว((ตถถูกาามมacวPPคTTFFาrมมองง้ึึaกlคคคาerrlNNืนNNมกก)leeงตตมนววc้lนส)าากคccคออ้้ตาาi++sครราiiามมรงงssอือค้ยiคครืนรกกoiiอTTตตงืเอooสนน้้ มnคพาากNNบกออ้้nnนคครร)า่าาีย))งงคบัคมมเนนกืืสรกกงคค่ทาคลขาาทสสนดใัาาสออืืือศุกกดมอ้าาถี่รร้อสัดแนนรรททใคคมกู ยว่ สครสสลน้้ออถถา่า่่่ีีคูลนเ่าว่านนะยยสสพกกูกูน้ยทนสขมเเดดเเัั าคคยีคททลัพพดขอ่ีตีคสสรนนง้้ะนื ศศสองยยีีว้อวว่่ สเใคคทแแข่งวองงาดนนงบื นนืืขลลใใงั้นมอีย้ กขขดดหะะค้อดม(เขออา6มมปมม้((นดอูลงง((((ร56)ีี็น6565ดูลังง)))))) Figure 4 Conceptual framework
การวิจยั นไ้ี ด้เลอื กขอ้ มลู ทเี่ กย่ี วขอ้ งกับการพิจารณา
สททละาง่ี้ัตรขRททททเหราออร้ขรRe่่งงีีตตััส้้ยมียางมอ้หหนecรรลดยตดลูมaงงมมะเcลดาสหลูlทตตเalดดะอมงัาสรlาาศเ=lสยรีออืคาหหมมคคทส=มดยรคีวTรรคค่่าานี่เกสดดา่าอือืกคคPTววเนาทงัดมทคค่ีววยPาารTสเแ่ี+งัตาา่่ทาาศมมวPมTสส7+มมทท้อทขศตตกFPมดรร่่้แแีีงอทเ่้้ีออาNกFงะะกกสสรงถงงเ่ีาNลลย่ีกดดากกรงึกกึึ7วย่ีัครบงงาา7ขวทถถ((วรรสRRอ้ขาทท่ีึึงงถ่ิงงมeeอ้คคท่่ีีูถถกกccคงวว่ีููกกผaaคบักราาllู้คคใ้อนllสบัมม))ช้้นนบงิ่คสคคคค้ตทคคืง่ินรรออืื้อทผล่ีืืนนออกงมุใูคค้ผ่ีบบกกักบชใ่่าาใู้บัับคคนาต้ขชสสรลลขขก้้อต้ดดอัั มุุมม้อ้อางอ้สสมรากใใมมงว่่วูลสนนกากููลลนนทบืทกกราททขขมค่ีตาา่ีรสออ่่ีีตตน้ามรร้อุดงง้้ออกสสขางขขงงทกบืืบอ้กรออ้้กกมท(่สีา(คคามม77าาลยูุด่สีร้้นน()ููลล)รร7ุด) ผลการผา่ นการคดั เลอื กเขา้ ศกึ ษาในระบบ TCAS มหาวทิ ยาลยั
แแมมคคน่น่ า่วคยยคาว�ำมำ�วาใโาแมนดมมคแกยแ่นม่าราคมคย่นวร่คา่นวตมายค่าาใยรานรคมววาใากนจาเโวยหดพมากาลวยรมบาเะตย่ีรหรเเวแงรตอหววมลรีย่ี(ยวจะวFดร่ีงยพคจ-ดาMา่งพบย(งัคeFบสล(วแa-มะFาMลsแเ-กมอuะMลeาครrยีะaeeระ่าดคs)aลค8ดuา่ sกึควคrงัuเeอืาสวปr)มeามน็คค)รมกก่าะืคอราเลาะืฉอรรกึลคลว8เกึ่คา่ยีดปั เเ่าค็คนปฉเ่าา่็กนฉลคคาก่ียลววราา่าีคยวรมมด่ัคาวด่ัา มหาสารคาม ซ่ึงได้แก่ ข้อมูลผลคะแนนการทดสอบความรู้
ทั่วไป (General Aptitude Test: GAT) และผลคะแนนการ
ทดสอบความรู้ทางวิชาการและวิชาชีพ (Professional and
Academic Aptitude Test: PAT) รายละเอียดผลคะแนน
วิชาของการทดสอบ GAT/PAT ท่ีใช้เป็นข้อมูลทดลองมีราย
ละเอยี ด ดังนี้ 1) GAT (ตอนที่ 1) คือคะแนนความสามารถใน
การอ่าน การเขียน การคดิ วิเคราะห์ และการแกโ้ จทยป์ ัญหา,
าแนกกลมุ่ FคF−า่ −คMวMeามaesแausมrueน่ rยe=า=โ2ดP2*ยrPPร*erวrPceมeircsceiiรsoicsาinoiiยson+iลno+ะn*RเRอ*ReยีReecดecacดalcallงัalllสllมการ 8 (4) 2) GAT (ตอนที่ 2) คือคะแนนความสามารถในการส่ือสาร
าจแานแนกกกกลมุ่ลมุ่ (4) ด้านภาษาองั กฤษ, 3) GAT (รวม) คือคะแนนรวมทง้ั 2 ตอน,
าจแานแกนกกลกมุ่ ลมุ่ 4) PAT1 คือคะแนนความถนัดทางคณิตศาสตร์, 5) PAT2
าจแานแนกกกลกมุ่ลมุ่ คือคะแนนความถนัดทางวทิ ยาศาสตร,์ 6) PAT3 คอื คะแนน
ความถนัดทางวิศวกรรมศาสตร์, 7) PAT4 คือคะแนนความ
วิธีการดาเนิ นงานวิจยั ถนดั ทางสถาปตั ยกรรมศาสตร,์ 8) PAT5 คอื คะแนนความถนดั
ทางวชิ าชีพคร,ู 9) PAT6 คอื คะแนนความถนัดทางศลิ ปกรรม
ศาสตร,์ 10) PAT7 คอื คะแนนความถนดั ทางภาษาตา่ งประเทศ
จาแนกกลมุ่ และคะแนนรวม (Sum Score) คอื คะแนนรวมตามองคป์ ระกอบ
บอกถงึ บงปาีุคกวงบนาคิาุคธนวรลคีกศิจวเลขากึัยิจเา้รขษนยั ศดา้้ีานไกึศดา้ีไษ2กึ ้เนด5ษาน้นา6ใาิ นเน1าใสรเนง–นสะราบนอ2ะนบ5บกอว6บากT3ิจราCTใยโรั ชCAดใ้ขชยSAอ้้ขกSมม้อาหมรูมลใาหกูลชวาากเ้ทิวทรายทิรครายบั รนลาบัสิคยัลมสเมยั หคมั หมมรคั าหอคืรสางดัคาสขรเดัาอล้ครเมือาลคมกูลือามก ของสาขาวิชา รายละเอยี ดตัวอยา่ งขอ้ มูล ดัง Table 1
ทาบ่ี ยอลกะเถองึ ยี ด

Vol 40. No 1, January-February 2021 Appication of data mining techniques in analysis of information to 55

develop decision support systems in selecting programs under ...

Table 1 Data sample

GAT1 GAT2 GAT PAT1 PAT2 PAT3 PAT4 PAT5 PAT6 PAT7 Sum Score
68.17
66.58 62.71 68.17 53.69 69.35 57.39 0.00 71.73 66.58 62.71 53.14
45.18
59.78 62.07 53.14 63.12 65.20 0.00 0.00 68.52 59.78 62.07 49.60
46.06
48.22 50.35 45.18 0.00 0.00 0.00 0.00 0.00 48.22 50.35 40.76
56.67
45.16 43.31 19.60 43.58 55.50 38.36 0.00 0.00 45.16 43.31 ...

50.23 52.69 46.06 35.49 47.18 0.00 0.00 49.26 50.23 52.69

49.73 55.18 40.76 55.71 49.96 44.34 0.00 0.00 49.73 55.18

59.09 58.94 56.67 65.14 54.11 0.00 0.00 66.92 59.09 58.94

... ... ... ... ... ... ... ... ... ...

จาก Table 1 แสดงตัวอย่างข้อมูลท่ีใช้ในการ PAT7 จากคะแนนแตล่ ะวชิ าท�ำ การแบง่ ระดบั คะแนนออกเปน็
วิเคราะห์ข้อมูล จากข้อมูลผู้วิจัยได้ทำ�การเตรียมข้อมูลโดย 4 ระดบั ไดแ้ ก่ ระดับต�่ำ คะแนนระหวา่ ง 0.00-39.08 แทนค่า
การรวมข้อมูลท่ีใช้วิเคราะห์และทำ�การเตรียมข้อมูลเพื่อ เปน็ (L), ระดบั กลาง คะแนนระหวา่ ง 39.09-51.48 แทนคา่ เปน็
ให้พร้อมในการวิเคราะห์ตามอัลกอริทึมของการทำ�เหมือง (M), ระดบั สูง คะแนนระหวา่ ง 51.49-63.88 แทนค่าเปน็ (H),
ขอ้ มลู วิธตี น้ ไม้ตดั สนิ ใจ (Decision tree) ซง่ึ ข้อมูลทีใ่ ชใ้ นการ ระดบั สูงมาก คะแนนระหว่าง 63.89-100 แทนคา่ เป็น (VH)
วิเคราะห์เป็นข้อมูลทศนิยมแบบต่อเน่ืองและมีการกระจาย และกลมุ่ ท่ี 2 คะแนนรวม (Sum Score) แบง่ ระดบั คะแนนออก
ของข้อมูล ซึ่งผู้วิจัยต้องทำ�การลดการกระจายของข้อมูล เปน็ 4 ระดบั ไดแ้ ก่ ระดับโอกาสผา่ นเขา้ ศกึ ษา น้อย คะแนน
โดยการจัดท�ำ กล่มุ ข้อมลู (Binning data) โดยการแบง่ ช่วงผล รวมระหวา่ ง 0.00-50.58 แทนคา่ เปน็ (Low), ระดบั โอกาสผา่ น
คะแนนเพอ่ื ความเหมาะสมของการวเิ คราะหข์ อ้ มลู งานวจิ ยั น้ี เขา้ ศึกษา ปานกลาง คะแนนรวมระหว่าง 50.59-65.10 แทน
ใช้กระบวนการแปลงคุณลักษณะของข้อมูลแบบต่อเน่ืองให้ ค่าเปน็ (Moderate), ระดบั โอกาสผ่านเขา้ ศึกษา มาก คะแนน
อยู่ในรูปบบของคุณลักษณะข้อมูลแบบไม่ต่อเน่ืองเพื่อช่วยใน รวมระหวา่ ง 65.11-79.62 แทนค่าเป็น (High), ระดับโอกาส
การลดขนาดและความซบั ซอ้ นของขอ้ มลู โดยใชห้ ลกั การแบง่ ผ่านเข้าศึกษา มากสุด คะแนนรวมระหวา่ ง 79.63-100 แทน
ช่วงข้อมูล (Discretization) โดยการแบ่งช่วงข้อมูลตามกลุ่ม ค่าเป็น (Most) จากการเตรียมข้อมูล การลดการกระจายของ
ดังน้ี กลมุ่ ท่ี 1 กลมุ่ คะแนน GAT (ตอนท่ี1), GAT (ตอนที่ 2), ขอ้ มลู โดยจดั กลมุ่ ขอ้ มลู และก�ำ หนดระดบั ของคะแนนสามารถ
GAT (รวม), PAT1, PAT2, PAT3, PAT4, PAT5, PAT6 และ แสดงรายละเอยี ดดัง Table 2

Table 2 Variable sample

GAT1 GAT2 GAT PAT1 PAT2 PAT3 PAT4 PAT5 PAT6 PAT7 Sum Score

VH H VH H VH H L VH VH H Most

HHH H VH L L VH H H High

MMM L L L L L M H Low

MMM M H L L L M M Low

MHM L M L L M M H Low

M H M H M M L L M H Moderate

H H H VH H L L VH H H High

VH VH VH H H M L L L L Moderate

... ... ... ... ... ... ... ... ... ... ...

VH VH VH H H M L L L L Moderate
... ... ... ... ... ... ... ... ... ... ...

56 AnanจาPกinaTteable 2 ตวั อย่างขอ้ มูลทใ่ี ชใ้ นการวเิ คราะห์ ของ GAT1 แลว้ จะทาการคานวณค่าเกนJขSอcงi แTอecทhรnบิ oวิl Mตอ์S่นืU
ขอ้ มลู โดยการจาแนกขอ้ มลู แบบวธิ ตี น้ ไมต้ ดั สนิ ใจ งานวจิ ยั ทงั้ หมด
น ้มี กี ารวดั จปารกะสTทิ aธbภิ leาพ2ผลตกัวาอรยว่าเิ งคขร้อาะมหูลซ์ทง่ึีใวชดั้ในปกราะสรวทิ ิเธคภิ ราะพห์ โโปปรรแแกกรรมมทท่ีใใ่ีชช้ใใ้นนงงาานนววิจจิ ัยยั นน้ี ้ี คคืออื โปรแกรม Weka
จขา้อกมคูลา่ โคดวยากมาถรูกจตำ�อ้แงนก(Aขc้อcมuูลraแcบyบ) กวิธาีตรแ้นบไมง่ ข้ตอ้ัดมสลูินเใปจ็นง2านกวลิจมุ่ ัย (Waikato EnEvinrovinromnemntefnotr KfnoorwleKdngoewAlendaglyesis)A(Zndarlyasvikso)
คนอื ี้มขีกอ้ารมวูลัดทปดรสะสอิทบธ(ิภDาaพtaผลteกsาtiรnวgิเ)คแรลาะหข์ซอ้ ม่ึงวูลัดเรปยี รนะสริูท้ (ธDิภaาtaพ M(Zadrrkaovvk,o2M02a0rk: oเวv,บ็ 2ไซ02ต0)์ ซ: เึ่งวเป็บ็นไโซปรตแ์)กซรม่ึงสเป�ำ เ็ นร็จโรปปู รปแระกเภรมท
trจaาiกniคnา่gค)วโาดมยถกกู าตรอ้แงบ(่งAขcอ้cมurลู aแcyย)กกตาารมแสบาง่ ขขอ้าวมชิลู าเปเพน็ ่อื 2ทกาลกมุ่ าครอื ฟสารเีโรปจ็ รรแปู กปรมระเกภาทรวฟิเรคโีรปาระแหก์ขร้อมมูลกโาดรยวกเิ คารรเาละือหกข์ วอ้ิธมีกลูารโดจำ�ยแกนากร
ไวvโขแขสขaิเดบ่วออ้้lควiยนdมมง่้รโขกaลูลู าด(อt้ทา1iซะยoมร0ดงหึ่nเแลูขสลใf์ขอบชoนเอัอื้ ปอหl้้่องบdกต็กขนลมใอ(cเ้กัอชกDูปนลrกมoแ้าaน็ทsาบซูรลtกaาsรแแบ่ึงกาแtบvยใรeบาa1ตช่งsกรง่l0tขรiส้หตขidnวอ้รอส้aาลgจา้มมtวม่)สัiกงoนูลลูแสอโnกแอลหาบ)(บาะอข1นแขรบก0าบดอ้แวเบสCfมปิบชoาไr็ลูนlาo่ขงหdเเsวกขรรพsc้ยีบา้ัอโrื่อvดนรoขมaทยตsรอ้lูลiู้sเำ�รd(มลDแกวavอืลู tจaบาaกiทotรสlบaใinงัวd้ชอหtิaเเแ้rบCคปaมtบiแirรนo็ดnoบบาnกiใsnะ)บน1าsgห0ร)์ ว(โอเขCปลเิลอั้ ครlือกมaรแกsอลูากsระวแรiทหิfิลธมy์รมึะีก)WาจาCยเะeรลลแ4kจือะส.a5เากดอจแว(งยีJะิธนผ4ดทีตลก8ด�ำ ้นก)กัง(ไาโาCมFปรรiว้lตวรgaเิเิัแดusคคrกsสรeรiรินfาาyม5ะะใ)จหหWเข์ร์ลอาeอ้ ือัลยkมกกaลลู วอะแจเิรธละอิทีตทะยี ึมจ้นาดะกดไแCามงัสร4้ตดวF.5งัดเิigคผสu(รลJินrากe4ะใา8หจ5ร)์
กช ชุาดุดรขขแอ้ ้ยอมมกูลูขลแแอข้ ออมั้นททลูตรอรอบิ ิบอนวิ กิวทตตเำ�ป์ ์จก็นจาาชากรกดุนสนยรนั้ ั้้นา่อทงยทาโๆำ�หกกดานาวร้ ดรคยสคน้กำ�้นาหหหรารคาแับาแอขนอท้อวทรมณรบิ ูลิบหวิ ทิวตาั้งตคท์ ห์ท่าใ่ี มชเ่ีใกดชใ้ นน้ใในน
ขกอางรแแตย่ลกะขแ้ออมทูลรอบิอวกิ ตเป์ (็นGชAุดTย1่อ,ยGๆATด2้ว,ยGกาAรTค,ำ�PนAวTณ1ห, าPคA่าTเก2,น ขัน้ ตFอigนuกreา5รAสnรa้lาysงisรูrปesแuบlt บการจาแนกข้อมูล
PขAอTง3แ,ตP่ลAะแTอ4ท, รPิบAิวTต5์ ,(GPAT61,แGละATP2A,TG7)AดT,งั สPมAกTา1ร, 1PAT2, (Classification model) และการนาแบบจาลองมาใช้ มี
PAT3, PขAนัT้ ต4,อPนAกTา5รค, PานAวTณ6 คแา่ลเะกPนAคTว7า)มดรขู้งั สอมงแกตาร่ละ1แอทริ มรรี าายยลละะเเออยี ยี ดดดดงั งั FiFguigreur6e 6
บ ิวต์ โดยขท้ันากตาอรนพกิจารณคำ�านแอวทณรคิบ่าิวเตก์ นGคAวTา1มทร่มีู้ขีคอ่างแ4ตค่ล่าะ
คแอื อทLร,บิ Mิว,ตH์ โดแยลทะำ�VกHารพติจาามรลณาาดแบั อทหรลบิ งั วิ จตา์ กGคAาTน1วทณี่มคี ่าเ4กคน่า
คือ L, M, H และ VH ตามล�ำ ดับ หลังจากค�ำ นวณค่าเกนของ
GAT1 แลว้ จะท�ำ การค�ำ นวณคา่ เกนของแอทรบิ วิ ตอ์ นื่ ทง้ั หมด

Figure 5 Analysis result

ขั้นตอนการสร้างรูปแบบการจำ�แนกข้อมูล
(Classification model) และการนำ�แบบจำ�ลองมาใช้

ผลการศึกษาวิจยั Figure 6 The Creation Classification model

Figure 6 The Creation Classification model
แบบ C4.5 ผลการวเิ คราะหข์ อ้ มลู ในแต่ละสาขาวชิ า ไดผ้ ล

Vol 40. No 1, January-February 2021 Appication of data mining techniques in analysis of information to 57

develop decision support systems in selecting programs under ...

ผลการศึกษาวจิ ัย การวิเคราะหข์ อ้ มลู ในแต่ละสาขาวิชา ได้ผลการวิเคราะห์จาก
ค่าความถูกต้อง (Accuracy) ค่าความแม่นยำ� (Precision)
จากการวิเคราะห์ข้อมูลซึ่งผู้วิจัยได้ทำ�การวิเคราะห์ ค่าความระลึก (Recall) และค่าความเหวี่ยง (F-Measure)
ขอ้ มลู ดว้ ยโปรแกรม Weka โดยท�ำ การวเิ คราะหใ์ นแตล่ ะสาขา รายละเอียดผลการวิเคราะห์ข้อมูลในแต่ละสาขาวิชาดัง
วิชาด้วยวิธีต้นไม้ตัดสินใจ (Decision tree) แบบ C4.5 ผล Table 3

Table 3 Result Accuracy Decision tree (C4.5) F-Measure Class
87.31 Precision Recall 0.871 High
No. Bachelor Program 88.10 0.877 High
74.78 0.880 0.873 0.740 High
1 B.ATM. Applied Thai Traditional 87.26 0.885 0.881 0.824 Moderate
2 B.Sc. Emergency Medicine Operation 87.96 0.740 0.748 0.875 High
3 Pharm.D. Pharmaceutical Care 90.04 0.806 0.873 0.896 Moderate
4 B.N.S. Nursing Science 90.45 0.881 0.880 0.897 Moderate
5 B.P.H. Public Health 91.49 0.898 0.900 0.908 Moderate
6 B.Sc. Nutritional Science Dietetics and Food Safety 87.72 0.907 0.905 0.877 High
7 B.Sc. Environmental Health 88.32 0.915 0.915 0.879 High
8 B.Sc. Occupational Health and Safety 90.40 0.883 0.877 0.900 High
9 B.Sc. Chemistry 82.46 0.877 0.883 0.820 High
10 B.Sc. Biology 86.51 0.898 0.904 0.863 High
11 B.Sc. Physics 88.27 0.824 0.825 0.878 High
12 B.Sc. Applied Physics 85.83 0.872 0.865 0.856 Moderate
13 B.Sc. Mathematics 87.14 0.877 0.883 0.870 Moderate
14 B.Sc. Statistics 92.95 0.855 0.858 0.923 Moderate
15 B.Sc. Microbiology 89.98 0.870 0.871 0.895 Moderate
16 B.Sc. Food technology and Nutrition 88.35 0.917 0.930 0.877 Moderate
17 B.Sc. Biotechnology 88.50 0.893 0.900 0.882 Moderate
18 B.Sc. Agriculture (Horticulture) 90.52 0.877 0.884 0.904 High
19 B.Sc. Agriculture (Agronomy) 90.73 0.881 0.885 0.901 Moderate
20 B.Sc. Food Product Development 80.75 0.904 0.905 0.806 High
21 B.Sc. Animal Science 90.53 0.909 0.907 0.898 Moderate
22 B.Sc. Fisheries 92.19 0.811 0.808 0.918 Moderate
23 D.V.M. Veterinary Medicine 91.05 0.904 0.905 0.911 Low
24 B.Sc. Environmental Technology 100.0 0.915 0.922 1.000 Most
25 B.Sc. Environmental and Natural Resources Management 82.27 0.922 0.911 0.892 Moderate
26 B.Sc. Environmental Education 89.79 1.000 1.000 0.895 Moderate
27 B.A. Information Science 92.27 0.815 0.823 0.923 Moderate
28 B.Sc. Information Technology 96.42 0.893 0.898 0.966 High
29 B.Sc. Computer Science 0.930 0.923
30 B.Sc. Creative Media 0.971 0.964
31 B.Sc. Geo-Informatics

58 Anan Pinate J Sci Technol MSU

Table 3 Result (cont.) Accuracy Decision tree (C4.5) F-Measure Class
99.66 Precision Recall 0.997 Most
No. Bachelor Program 89.59 0.894 Moderate
85.88 0.997 0.997 0.850 High
32 B.Com. Arts Communication Arts 89.37 0.893 0.896 0.889 Moderate
33 B.Eng. Engineering 83.74 0.866 0.859 0.827 Moderate
34 B.Arch. Architecture 82.40 0.897 0.894 0.810 High
35 B.Arch. Urban Architecture 77.98 0.841 0.837 0.758 Moderate
36 B.Arch. Interior Architecture 99.01 0.803 0.824 0.985 Most
37 B.F.A. Creative Arts 100.0 0.749 0.780 1.000 Most
38 B.L.A. Landscape Architecture 100.0 0.981 0.990 1.000 Most
39 B.Sc. Construction Management 100.0 1.000 1.000 1.000 Most
40 B.Acc. Accountancy 100.0 1.000 1.000 1.000 Most
41 B.B.A. Marketing 100.0 1.000 1.000 1.000 Most
42 B.B.A. Management 100.0 1.000 1.000 1.000 Most
43 B.B.A. Business Computer 100.0 1.000 1.000 1.000 Most
44 B.B.A. International Business (International Program) 100.0 1.000 1.000 1.000 Most
45 B.B.A. Financial Management 100.0 1.000 1.000 1.000 Most
46 B.B.A. Business Information Technology 100.0 1.000 1.000 1.000 Most
47 B.B.A. Human Resources Management 100.0 1.000 1.000 1.000 Most
48 B.Econ. Business Economics 100.0 1.000 1.000 1.000 Most
49 B.A. Tourism Management 100.0 1.000 1.000 1.000 Most
50 B.A. Hotel Management 99.68 1.000 1.000 0.997 Most
51 B.A. Tourism Management (English Program) 76.08 1.000 1.000 0.752 High
52 B.A. Thai Language 76.58 0.997 0.997 0.758 High
53 B.A. Language for Media Creation 0.763 0.761
54 B.A. English 0.760 0.766
55 B.A. English for International Communication
72.34 0.751 0.723 0.711 High
(International Program)
56 B.A. Business English 79.40 0.839 0.794 0.790 Moderate
57 B.A. Chinese
58 B.A. Japanese 100.0 1.000 1.000 1.000 Most
59 B.A. French
60 B.A. History 87.77 0.894 0.878 0.880 Most
61 B.A. Community and Social Development
62 B.A. Development Geography for Resources Management 100.0 1.000 1.000 1.000 Most
63 B.A. Korean
64 B.A. ASEAN Languages and Cultures (Khmer Language) 100.0 1.000 1.000 1.000 Most
65 B.A. ASEAN Languages and Cultures( Lao Language)
66 B.A. ASEAN Languages and Cultures (Vietnamese Language) 99.39 0.994 0.994 0.994 High

96.71 0.970 0.967 0.968 Most

97.82 0.980 0.978 0.979 High

97.05 0.971 0.971 0.971 High

96.20 0.963 0.962 0.962 High

Vol 40. No 1, January-February 2021 Appication of data mining techniques in analysis of information to 59

develop decision support systems in selecting programs under ...

Table 3 Result (cont.) Decision tree (C4.5)

No. Bachelor Program Accuracy Precision Recall F-Measure Class

67 B.Pol.Sci. Political and Government 100.0 1.000 1.000 1.000 Most
68 B.Pol.Sci. Public Administration
69 B.Pol.Sci. international Relations 100.0 1.000 1.000 1.000 Most
70 B.Ed. General Science
71 B.Ed. Mathematics 100.0 1.000 1.000 1.000 Most
72 B.Ed. Social Studies
73 B.Ed. English 89.29 0.894 0.893 0.893 High
74 B.Ed. Thai Language
75 B.Ed. Early Childhood Education 86.39 0.860 0.864 0.861 High
76 B.Ed. Educational Technology and Computer Education
77 B.Sc. Psychology 83.65 0.841 0.837 0.822 Moderate
78 B.Sc. Sport Science
79 B.F.A. Visual Arts 82.04 0.814 0.820 0.817 High
80 B.F.A. Performing Arts
81 B.F.A. Product Design and Development 86.33 0.858 0.863 0.854 Moderate
82 B.M. Music
83 B.A. Cultural Management 79.92 0.811 0.799 0.788 Moderate
888432 LBB.L...MAB..LCMauwulstsuicral Management
84 L.L.B Laws 86.93 0.865 0.869 0.860 Moderate

ผลการวิเคราะหข์ อ้ มลู ในแต่ละสาขาวชิ า จำานวน 84 93.83 0.945 0.938 0.940 Most
สาขาวิชา ผดลว้ กยาวริธวีตเิ ้นคไรมา้ตะหัดสข์ ินอ้ ใมจูล(ใDนeแcตis่ลioะnสาtขreาeว)ชิ แาบจบาCน4ว.น5
ส8า4มสาารขถาสวรชิ้างาตด้นว้ ไยมว้ แธิ ลตี ะน้ ตไ้นมไต้ มดั ้ตสัดนิ สใินจใจ(D(eDceisciiosinontrereu)leแ)บใบน 100.0 1.000 1.000 1.000 Most

C4.5 สามารถสร้างต้นไม้ และต้นไม้ตัดสนิ ใจ (Decision 91.26 0.912 0.913 0.911 High

PAT1 96.91 0.969 0.969 0.969 Most

90.24 0.908 0.902 0.902 High

94.31 0.941 0.943 0.941 Moderate

100.0 1.000 1.000 1.000 High
911040.003..100 110.0..09004001 1.100..09000403 1.0100..9004001 MMoHodsiegtrhate

100.0 1.000 1.000 1.000 Most
ตน้ ไมแ้ ตล่ ะสาขาวชิ า ตวั อยา่ งตน้ ไมต้ ดั สนิ ใจ สาขาวชิ า วท.บ.
วrทิ uยleา)กใานรคตอ้นมไพมวิ ้แเตอ่ลระ์ (สBา.Sขcา.วCิชoาmpตuัวteอrยS่าcงieตn้นceไ)มม้ตลี ัดกั สษินณใะจ
ตสน้ าไขมา้ตวัดชิ สานิ วใจท.ดบัง. Fวทiิ gยurาeกา7รคอมพวิ เตอร์ (B.Sc. Computer
Science) มลี กั ษณะตน้ ไมต้ ดั สนิ ใจ ดงั Figure 7

L MH VH
PAT2
GAT Moderate GAT

L M H VH LMH VH L M H VH
High High High Most
Low Moderate Moderate Moderate Moderate PAT2 High High

L MH VH

Moderate Moderate High High

FFiigguure 7 EExxaammppleleTTreree

จาก Figure 7 ตน้ ไมท้ ไ่ี ดจ้ ากการวเิ คราะหจ์ าแนก Rule4 IF PAT1=H AND GAT=M AND PAT2=(VH OR
ข้อมูลด้วยวิธีต้นไม้ตัดสนิ ใจของข้อมูลสาขาวิชา วท.บ. H) THEN Sum Score=High

60 Anan Pinate J Sci Technol MSU

จาก Figure 7 ต้นไม้ท่ีได้จากการวิเคราะห์จำ�แนก โอกาสผ่านการคดั เลือกระดบั มาก (High)
ข้อมูลด้วยวิธีต้นไม้ตัดสินใจของข้อมูลสาขาวิชา วท.บ. กฎข้อที่ 3 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
วิทยาการคอมพิวเตอร์ จากต้นไม้ตัดสินใจสร้างเป็นกฎการ คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
ตดั สนิ ใจ (Decision rule) ไดจ้ �ำ นวน 9 กฎ รายละเอยี ดกฎการ ระดับสูง คะแนนระหว่าง 51.49-63.88 (H) และคะแนนความ
ตัดสนิ ใจ ดงั น้ี ถนัดท่ัวไป (GAT) ระดบั สูงมาก คะแนนระหว่าง 63.89-100
Rule1 IF PAT1=VH AND PAT2=VH (VH) หรือระดับสูง คะแนนระหว่าง 51.49-63.88 (H) สมัครมี
THEN Sum Score=Most โอกาสผา่ นการคดั เลือกระดบั มาก (High)
Rule2 IF PAT1=VH AND PAT2=(H OR M OR กฎข้อท่ี 4 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
L) คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
THEN Sum Score=High ระดบั สงู คะแนนระหวา่ ง 51.49-63.88 (H) และคะแนนความ
Rule3 IF PAT1=H AND GAT=(VH OR M) ถนัดท่วั ไป (GAT) ระดบั กลาง คะแนนระหวา่ ง 39.09-51.48
THEN Sum Score=High (M) คะแนนความถนดั ทางวทิ ยาศาสตร์ (PAT 2) ระดบั สงู มาก
Rule4 IF PAT1=H AND GAT=M AND คะแนนระหวา่ ง 63.89-100 (VH) หรอื ระดบั สงู คะแนนระหวา่ ง
PAT2=(VH OR H) 51.49-63.88 (H) สมัครมีโอกาสผ่านการคัดเลือกระดับมาก
THEN Sum Score=High (High)
Rule5 IF PAT1=H AND GAT=M AND PAT2=(M กฎข้อที่ 5 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
OR L) คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
THEN Sum Score=Moderate ระดบั สูง คะแนนระหวา่ ง 51.49-63.88 (H) และคะแนนความ
Rule6 IF PAT1=H AND GAT=L ถนัดทัว่ ไป (GAT) ระดบั กลาง คะแนนระหว่าง 39.09-51.48
THEN Sum Score=Moderate (M) และคะแนนความถนดั ทางวิทยาศาสตร์ (PAT 2) ระดับ
Rule7 IF PAT1=M กลาง คะแนนระหวา่ ง 39.09-51.48 (M) หรอื ระดบั ตำ่� คะแนน
THEN Sum Score=Moderate ระหวา่ ง 0.00-39.08 (L) สมคั รมโี อกาสผา่ นการคดั เลอื กระดบั
Rule8 IF PAT1=L AND GAT=(VH OR H OR ปานกลาง (Moderate)
M) กฎข้อท่ี 6 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
THEN Sum Score=Moderate คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
Rule9 IF PAT1=L AND GAT=L ระดับสูง คะแนนระหวา่ ง 51.49-63.88 (H) และคะแนนความ
THEN Sum Score=Low ถนดั ทวั่ ไป (GAT) ระดบั ต�ำ่ คะแนนระหว่าง 0.00-39.08 (L)
สมัครมีโอกาสผา่ นการคัดเลือกระดับปานกลาง (Moderate)
กฎข้อท่ี 1 หากผู้สมัครเลือกสาขาวิชาวิทยาการ กฎข้อท่ี 7 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1) คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
ระดับสูงมาก คะแนนระหว่าง 63.89-100 (VH) และคะแนน ระดบั กลาง คะแนนระหว่าง 39.09-51.48 (M) สมัครมีโอกาส
ความถนัดทางวิทยาศาสตร์ (PAT 2) ระดับสูงมาก คะแนน ผา่ นการคดั เลอื กระดับปานกลาง (Moderate)
ระหว่าง 63.89-100 (VH) ผู้สมัครมีโอกาสผ่านการคัดเลือก กฎข้อท่ี 8 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
ระดบั มากสดุ (Most) คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
กฎข้อที่ 2 หากผู้สมัครเลือกสาขาวิชาวิทยาการ ระดับต่ำ� คะแนนระหว่าง 0.00-39.08 (L) และคะแนนความ
คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1) ถนัดทั่วไป (GAT) ระดบั สูงมาก คะแนนระหวา่ ง 63.89-100
ระดับสูงมาก คะแนนระหว่าง 63.89-100 (VH) และคะแนน (VH) หรือระดับสูง คะแนนระหว่าง 51.49-63.88 (H) หรือ
ความถนดั ทางวทิ ยาศาสตร์ (PAT 2) ระดบั สงู คะแนนระหวา่ ง ระดับกลาง คะแนนระหว่าง 39.09-51.48 (M) สมคั รมโี อกาส
51.49-63.88 (H) หรอื ระดบั กลาง คะแนนระหวา่ ง 39.09-51.48 ผ่านการคดั เลือกระดบั ปานกลาง (Moderate)
(M) หรอื ระดบั ต่�ำ คะแนนระหวา่ ง 0.00-39.08 (L) ผสู้ มัครมี กฎข้อที่ 9 หากผู้สมัครเลือกสาขาวิชาวิทยาการ
คอมพิวเตอร์ มีคะแนนความถนัดทางคณิตศาสตร์ (PAT 1)
ระดบั ต�ำ่ คะแนนระหว่าง 0.00-39.08 (L) สมัครมีโอกาสผา่ น
การคดั เลือกระดับน้อย (Low)

Vol 40. No 1, January-February 2021 Appication of data mining techniques in analysis of information to 61

develop decision support systems in selecting programs under ...

กฎการตดั สนิ ใจทไี่ ดใ้ นแตล่ ะสาขาวชิ าผวู้ จิ ยั สามารถ ขอ้ เสนอแนะ
นำ�มาเขียนโปรแกรมเพ่ือพัฒนาเป็นระบบสนับสนุนการ
ตัดสินใจเลือกสาขาวิชาในระบบ TCAS มหาวิทยาลัย งานวิจัยน้ีใช้ข้อมูลในการวิเคราะห์ คือข้อมูลผล
มหาสารคาม รายละเอียดระบบสนับสนุนการตัดสินใจ คะแนนการทดสอบความรู้ท่ัวไป (GAT) และผลคะแนนการ
ดงั Figure 8 ทดสอบความรทู้ างวชิ าการและวชิ าชพี (PAT) โดยเปน็ คะแนน
ท่ีใช้ในการพิจารณาผลผู้ผ่านการคัดเลือกและมีสิทธิ์ในการ
คทดยTโหตCนืดวั้ี่จด้นยลเะยAยลนแกัไนัSอืเฟมำ�ลกสกนป้ม้ตอืทิาไัน้ัจกสมดัรธจมะใไก่จิ์ใสัชดยนสีกาานิ มใด้แ้รากรชใะผบ้ราตจคก้บสนลบระาบมแงมแวราัค1ฟคีนจTนว0ร้ม่นาสCิจ(5สคสอPAัยGะว่วรบoSพAสนอาrขtมTบโบมfo้ดอ(ผแวถ1lซยมiลล่0oาูกกึ่งูงละ)กตรfาาคแซoอานร้อะบlงึ่บรรdแมงใับวบทนนราcิเส้อไอี่ปนrค1มoขนยรPรsคันวะาลาsAกรค้้นัะะCคTอตvกหัด9arบผซาo์1ขlเรวู้กiงึ่ลsd.พ้อจพิ6าsือaยัรมิจ4จิกtvวมiาาูoลใaสิเรรแีนnคดlณณาiนร)dร้วมะวaาาายบาคผผะtiวรoบหดิลลถิธn์ ี
เพสร่ือ้าใหงก้คฎรบกคาุมรตกาดั รสรนิับใสจมไัคดรท้ คงั้ัดหเลมือดก3ใน5ร8ะกบฎบกTาCรตAดัSสในิ นใทจุกจาๆก
รทอบงั้ หกามรดรบั 8ส4มสัคารขาวิชา โดยสามารถนากฎการตดั สนิ ใจท่ี

มก อไสเสุดหิตพดาาหา่ขอืต้ขมวนใาิทกิาาหุนววยรพชิผก้ ิาชรโาาสู้ัฒลคจามรมัยวรรในปคัมงิินจงารหัรยกรเไเาพะจาะปดสากรอ่ืบ็ท้นากวปารบดงิรจศรคบสัะยะาTอปเบมนมCบร ี้บไนิAะกดมสโSา้อรารนับกมณเับลากหเอืสสงาากใินนรนวสรสุ นิทกาานาขยกยับราไาาผดวสลร่า้ชินตัยนปาุนัเดมกรขจะ่อสหา้จานิศนาำ�กกกึสปใเาษจีางริ2นรเาเ5ลคลท6ืออืาุน3กกม

Tสขคจเกวพร((กกส(ต เรvC( ร2จเก(สมมADปทDทDDaัะะบบัำ�า5ิCาเอาาอัหหด้าrวรฒรั cน็บบคคeolแaรแขeรค6aรมงiสสสAาาุปาปcุdรcsตนนtนcบบนารบ1ศtววนมิลนมู2uaSaมบaัsiiผวผัดsาิคา-กิทิทสสsกรกึrกัtิคใคคักส2iaิชถiระสiกเจvิoลขมนนtoลยยขtษาoรหม5รceลเะrาหูaนิnกาn้อราาััหnบบอห้กaคyกคจจงบ6sมุ่าคัจงมlมร)ใรลล์แiม)ตiมาtัาสสาาโdดt3าจาดมราัnบtกาือบiีัคrยััยคดห2rูnบลวกนกa้คนลนนูกeไอเรieเงืารอส่าสมมnอื5gยทดลลิtกกลe่กดวังกุุขนนวรeงวiควนง(มg6(oขหห)สืกัอท้)ิายือจขาเศาDอ้จิาD)กกจิขวิลn1)จบัอ้คFาัราากรกแัรง้ัยาแรก(ม้กยอัึแaาาaาอื้ัยมวอAสสมFวรiหยาสปลวับบ–ในโูลลบษgรรนมtมtบกิจคiิาาจราลูaชมcaดจยนิมัgรตตุบคี้uมถุ้ีคูมัรรแายะบลร2ั(ยcดทบั้ยหยัูมะuุลดนDััดดCrคคคีถูบวuก5พคCวคขอุีเเดrเมCeหลกสสaาาลัrตลลl6กนมeกตง่ตคัล(้อCบla3สaอหัก4มมatาิินนา8ขอ3ืือDเาิถำ�า้อนลaถ85เsกอcว4.สsขกรามอ้กขรกก5ใใเsงุa8ปเyุผ่าปFกบ.smวเตจจFาข้านพนามู5iรใบาฎ้)tลกปifoรลรซทาoเเaิรชศา้fดรั้iอกiาำ(ลศู�iอืุ่ลลคcกหnา็ะคrcrะรเศDกนซกึง่้แึยกเสเยใฎeeaใกmึรืืiออสaาครสทปทาขกนึnลบาaหาc่าึนงcษลิวtกรtกกษีงมลงยgi้อ2iaษครtครกรลiัaบก้ผขoิnเะตaใoาคาคสส)sเวคมตะายsนานัจาnนiสู้ข้รnัอกดใกtn์เแtาาิ์เจใเรtรรลู91รมเ)นตeิคิคม)พามT้พสgมนขขรวาลลละาัยวT01ทsหดัดศเเรคัCูิ)น้บ่ืเะินิอาาะุู่อรด่ือรมืล.หจหtดCีใ่คะส6วi้กาหึรAผววส(แบใชะnวแก้ววสผท้มมวบAรไส4จนิยิิษชชDSว่์ลขบgิเคลว้ยเิสอบดาลยTืออ่ีทืใาSบควใคน)กาา้อเิaาวะบะืาอบท้จสชก่Cครงงคงธี่ไิใใรแรารหมtิธขผจคขขนนาดaขด่้าAารข(วาตีาระTลีูตTลแ์1าามล้อาอา้้ร้ค้มอสรรอวะบิSะเ้ะ้นอCดบวCก0t้นะมาวะะคมกมหิจอหrขามวมบไชมิห้วaAทปง่รบบไA.จิยัพูลบลอู้าาร์ูfขลขม์ูลขมยiถาoู์กีSงั้ลSบบn(ยมัมมรากัTฒ้แออค้ต้อใ้2ทวl้หตสโาiโdใาวดะลูนถาCnบมมือ5มิธดดดรัโนัดรมดโนพTTิหรจเเ้gวูกร6ศดขีตAู้บลลาูดลูcยยสราสดอเCCสัฒ)ัะยกย3์rงก้อึตลยอ้ีนยกSกเกนกยไิินoบอกปคAAก)มคใมอืษาอขน้นอไใ8าาาาใใ.sใบบป็ฎนSSมืชชกอก่ชจสูลารว4จารรรรารางsรีู้้้้้้ะาเรบอยี ชฉชเกก้บาอคทขแก(สท2สคนกคคอตดุิตัอP5งมกฟดะทิาััะุินนะกงด้้อตชิมงรo6แอรบแคาเ้เับแมธนสาอกสเrลตก3สIทพมiผใขร(คaปสทอ4รนริรนntรงnส2ริในนุกสดอ์fาะอd3บืลอาอัาารอรลหกริิ่่ีีเฒนัdoกนิtก5มนเระนบขรm-บรงหหั้rก2าั้นุติญนรงกสาสeาlบ45กoาะนกiทรสสหพทา0มใรoสมคมไสอxนาเ่งiม40ดญรdีายsวนนมจราาลี่โงกา.ห)รศม่าPีใะิจ3ุ).าวกนuรpsา้คบััมบตชิแราควรน.เาดมราชผรมริ9าซะคทiAัาาchทางญิรปกoนากวัตยรทะกกิคส์ำ,ิ�นวร้สณุลใtpรปมรรง่ึT;คดอเศnศบแiรรารเานืธวานา�ำผยิทรงoงมคศ/ณใวนะ.รสาดญิบกยีี.ึัJรรมรหบรนงิจยีิmลานnซากยกยมนัึดกทัู้คทIิในอว์คษรเบ.ะยนลราาันS.ญชแาอ่นึัาหsทลางเษมั่ีบสTบิจงน้บัาวtา(รผยกลันขลTลมu้เรนoอ2พืราาาี่สุดCาะงยนิสัทคเก5อมืัยอ./มะล้ีพใาต5วาน2มวกบาaaทิวมิใ-ทจจAาวคปชกงเหDห5ปิทค57ศรคมหcrิกอื่ิใจจบิชกรนัาธาคน์tSาบรข้6.ี6.นาาaยัดรรiวาเตห้ากักษยมtสาcกะใิกัรก)ร3ลคิว์สhอุ้คักtะรนัาร.รเlมุนผนัสกนาaบครตนศeงทิอือณ/ารกลมลธคะเณทDวทูภง้จูว้นบัััรบา/ดอน้รกับึกรง้ียบยัรไอdืลูอลคิMที่าาะaจศิรบาวคกัสมเษสราิปาสส่8ดมoบบเใกก์ลพtบแยไผยมัานiขาลรสผาปกมิีawนตาหn้รรกืปอมไสกิมาลขนัยมัาบาานุร้ลาTลรัคะih.nกัาบMมกnาลตกนราศาะะมธารแีกมCtlดผร(สารgปoรดtัวบย่กTรไวรกGณสนi์กหึคpนาnา2ารู้้Aวผกวaชิ์าบดรัมCิุชาคมษรทsาารAัดi5ณววตี2เdิสคาะ่nSาายรตอ้:ใหสคคาคAค4ัร์เเาTิ/0คก/รพอาgมนแปช/ล1ดุเคแดัาช4าลราใสรSศpใ1)ขออดิงลล3รือ้กนมรมคเ.สนสราีฟเพh23กึนาบนินพแค5ะท5กขกะกโาน.ิศะราาะ05.ทว้ษกลกัไม1ารชบอื่ดร้าระหะ่จบีรร2กึแ6ใ(ริศลุมกฤ4คาะาังางุศจุดหคมคPะคยส.อ3ุคสษเ์นวน.ผtเ9รย.ษๆณแพึกนม้นบcัาทAท์บกดัคะกสนา/ส(์(นจลบไiค1ณมษห22หปา่อ-ืTพะ.สาลรอาเ�ำุารดคtน0บซ5อ5ืปล.วคาhรางใาร)เหรนกะอมมGะ้16ข5หอวขมิภงทจaัว่ญืึอในิ้รจปร(รโบหแ0ไ33นผA้ราทิตัihิ2ชศอ้บคั้าายกบัจาเดjวญน1ร)า)กoอศมtรT5โยคยล.ามา.รกยาัยเtสแยะ0น.นนบึกะpาอล่ื6สสาากoววบกกงูลมดจ/มลเแคเดsรมษตอวกื3ลทรrตชิชิาาาปคงาผัยาา้ะg:รรคััลบปนุัต)ักยัรา/าาารรรร่ีิ็ปนุนม.มน:.//บนัล1ระร.ีิ์ ีี

สาขาควิชน้ าเมก่อื วนนักทาร่ี 8เลมือกรสาคขมาว2ิช5า6จ3ริงจาเกพื่อhปttรpะsเ:ม//aินdโmอกisาsสioในn.msu.ac.th/
กาอรงผบ่ารนกิ เาขรา้ กศาึกรษศากึ ษา มหาวทิ ยาลยั มหาสารคาม. (2563). สรปุ ผลการดาเนนิ งานการรบั สมคั รคดั เลอื กบุคคลเขา้ ศกึ ษาใน

ระดบั ปรญิ ญาตร.ี กองบรกิ ารการศกึ ษา มหาวทิ ยาลยั มหาสารคาม.

62 Anan Pinate J Sci Technol MSU
สุพัฒน์กุล ภัคโชค (2556). ตัวแบบการเลือกแผนการ
เรียนระดับมัธยมศึกษาตอนปลาย โดยการพิจารณา
ผลการเรียนรายวิชาหลัก ด้วยเทคนิดเหมืองข้อมูล.
(วิทยานิพนธ์ปริญญาวิทยาศาสตร์มหาบัณฑิต).
กรุงเทพมหานคร: มหาวทิ ยาลยั ธุรกิจบัณฑติ ย์.
สมาคมที่ประชุมอธิการบดีแห่งประเทศไทย (ทปอ.). (2561)
ประกาศกระทรวงศึกษาธิการ นโยบายการคัดเลือก
บคุ คลเขา้ ศึกษาในสถาบนั อดุ มศึกษาระบบใหม.่
สถาบันทดสอบทางการศึกษาแห่งชาติ องค์การมหาชน
(สทศ.). (2563). ระบบรายงานผลการสอบเพื่อการคัด
เลือกบุคคลเข้าศึกษาระดับอุดมศึกษา TCAS. ค้นเม่ือ
วันท่ี 15 มกราคม 2563 จาก http://escorereport.niets.
or.th/
อนนั ต์ ปนิ ะเต. (2559). การพฒั นาระบบสนบั สนนุ การตดั สนิ ใจ
ในการเลือกสมัครในสาขาวิชาโดยใช้เทคนิคต้นไม้
ตัดสินใจ. วารสารวิทยาศาสตร์และเทคโนโลยี
มหาวทิ ยาลยั มหาสารคาม, 35(4), 411-421.
Hand, J., and Kamber, M. (2001). Data Mining Concepts
and Techniques. Retrieved January 10, 2020, from
https://cs.wmich.edu/~yang/teach/cs595/han/ch01.
pdf
Markov, Z. An Introduction to the WEKA Data Mining Sys-
tem. January 10, 2020, https://cs.ccsu.edu/~markov/
weka-tutorial.pdf

การเปรียบเทียบประสิทธิผลการพัฒนาโปรแกรมประยุกต์บนระบบปฏิบัติการแอนดรอยด์
ระหวา่ งภาษาโปรแกรมเชงิ ทศั นข์ องเครอื่ งมอื พฒั นาเกมทใี่ ชผ้ า่ นโปรแกรมอนั เรยี ลเอนจิน
และภาษาจาวาทีใ่ ชผ้ า่ นโปรแกรมอีคลปิ ส์
Comparison of the effectiveness of application development on android operating
system between visual programming of game engine on unreal engine and java on
eclipse program

อิทธิศักดิ์ ศรีด�ำ 1*, ศกั ดา สาครตานันท1์
Idhisak Sridam1*, Sakda Sakorntanant1
Received: 10 October 2019 ; Revised: 3 February 2020 ; Accepted: 26 August 2020
บทคดั ยอ่

โปรแกรมอันเรียลเอนจนิ เปน็ การใช้คำ�ส่งั ดว้ ยสัญลกั ษณ์ กลอ่ งขอ้ ความ เส้นเช่อื มโยง และหนา้ ต่างคุณสมบตั ิ มวี ตั ถุประสงค์
เพอ่ื ใหโ้ ปรแกรมมคี วามงา่ ย ลดความซบั ซอ้ น และไมจ่ ำ�เปน็ ตอ้ งเขยี นรหสั โปรแกรมเพอื่ สง่ั งานโปรแกรมประยกุ ต์ บทความนจ้ี งึ มี
วตั ถปุ ระสงคเ์ พอ่ื น�ำ เสนอการเปรยี บเทยี บประสทิ ธผิ ลการพฒั นาโปรแกรมประยกุ ตบ์ นระบบปฏบิ ตั กิ ารแอนดรอยดร์ ะหวา่ งภาษา
โปรแกรมเชิงทศั น์ของเครือ่ งมอื พัฒนาเกมผา่ นโปรแกรมอันเรยี ลเอนจนิ และการใชภ้ าษาจาวาผ่านโปรแกรมอีคลปิ ส์
การศึกษาคร้ังนี้เป็นงานวิจัยเชิงทดลอง โดยให้นักพัฒนาโปรแกรมคอมพิวเตอร์จำ�นวน 5 คน ทดลองใช้และ
พัฒนาโปรแกรมประยุกต์บนระบบปฏิบัติการแอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของเครื่องมือพัฒนาเกมผ่านโปรแกรม
อันเรียลเอนจิน เปรียบเทียบกับการใช้ภาษาจาวาผ่านโปรแกรมอีคลิปส์ หาค่าความแตกต่างโดยใช้สถิติ ค่าเฉล่ียเลขคณิต
และสว่ นเบ่ยี งเบนมาตรฐาน
ผลการศึกษาพบว่า ภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนาเกมผ่านโปรแกรมอันเรียลเอนจินสามารถนำ�มาใช้
พัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคลื่อนท่ีบนระบบปฏิบัติการแอนดรอยด์ได้มีประสิทธิผลสูงกว่าการใช้ภาษาจาวาผ่าน
โปรแกรมอีคลปิ ส์ ดงั น้ี เวลาในการฝึกพัฒนาโปรแกรม (1,891+87.83 นาที) เวลาในการพัฒนาโปรแกรม (147.40+3.91 นาท)ี
การหยดุ คน้ ควา้ เพมิ่ เตมิ ระหวา่ งการพฒั นาโปรแกรม (3.80+1.30 ครง้ั ) เวลาคน้ ควา้ เพมิ่ เตมิ ระหวา่ งการพฒั นาโปรแกรมตอ่ ครง้ั
(5.50+0.50 นาท)ี และขนาดของไฟล์โปรแกรม (1.81+0.05 เมกะไบต์) คา่ สถติ ิ t เท่ากับ 2,036.15 (p<0.01) 5.77 (p<0.01)
43.31 (p<0.01) 13.39 (p<0.01) และ 2.56 (p<0.01) ตามล�ำ ดับ
ค�ำ สำ�คญั : โปรแกรมประยกุ ต์ส�ำ หรับอปุ กรณเ์ คล่อื นที่ ภาษาโปรแกรมเชิงทัศน์ เคร่ืองมอื พัฒนาเกม

Abstract

The visual programming language is the command using symbols, links, text boxes, and property windows that is simple
because of less complexity, and it does not need to code the application. This article aims to present a comparison
of effectiveness for application development on Android, between visual programming language of game engine on
Unreal Engine and Java in Eclipse program.
This study is experimental research that was practiced and developed an application on android with visual
programming of game engine on Unreal Engine and Java in Eclipse program by five programmers. Sample t-tests,
mean and standard deviation were conducted to compare the results.

1 สาขาวิชาวิศวกรรมซอฟตแ์ วรแ์ ละระบบสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี สถาบันเทคโนโลยปี ทมุ วนั กรงุ เทพฯ 10330
1 Department of Software Engineering and Information System, Faculty of Science and Technology, Pathumwan Institute of Technology, Bangkok,

Thailand 10330
* Corresponding author: Idhisak Sridam, Faculty of Science and Technology, Pathumwan Institute of Technology, Bangkok, Thailand 10330 E-mail:

[email protected]

64 Idhisak Sridam, Sakda Sakorntanant J Sci Technol MSU

The findings revealed that visual programming language of game engine on Unreal Engine is more effective
than Java on Eclipse program for mobile applications development on Android as follows: time for application develop-
ment training (1,891+ 87.83 minute), time for application development (147.40+3.91 minute), pause for additional study
during application development (3.80+1.30 times), time for additional studies during developing application (5.50+0.50
minute), and size of programming files (1.81+0.05 Mb) T-values are 2,036.15 (p<0.01), 5.77 (p<0.01), 43.31 (p<0.01),
13.39 (p<0.01), and 2.56 (p<0.01) respectively.

Keywords: Mobile Application, Visual Programming Language, Game Engine

บทนา

บทนาำ

Figure 1 Mobile applications usage trend (Source: https://www.blognone.com/node/101277)

Figure 1 Mobile applications usage trend
ในปัจจุบันความนิยมในก(Sารoใuชr้งcาeน:อhุปttกpรsณ:/์เ/คwลw่ือwน.ทbี่ lognทo่ีสnูงeเ.ชc่นomกัน/n(oSdtea/1c0k1o2v7e7rf)low, 2019) โดยการพัฒนา
(เช่น สมาร์ตโฟน แท็บเล็ต) ของผู้ใช้งานมีปริมาณสูงขึ้น โปรแกรมประยกุ ตส์ าำ หรบั อปุ กรณเ์ คลอ่ื นทบ่ี นระบบปฏบิ ตั กิ าร
เคลแปพ่ือลฏัฒนะิบนมทัตาีแใ่ี โิกน(นปเาวชปรรโแน่ันแจก้มอจรสทนุมบ่ีสมดปันูงรำรขอคระ้ึนยย์ตวอุดกำโย์ตเฟม่าพ์สงนน่ือำาติหตย่อแรเอมนทับบใ่ืออ็บสนงุปนใเกนกลอำรอ็ตงณรนค)ใา์เวชขคคาลต้องม่ือำงตสนนผ้อ่งทู้อใผง่ีบชกุลปน้าตงกรรำ่อะขรนกบอณามบรง์ี (แโEโเดอคปcยนlลรiใดpช่ืแอsร้ภeอกนา)ยรทษแดมล่ีบาท์ นะจนี่นโาิยปกั วรมพราะแฒัใบกช(นJรบ้aมาคปvโแปอืaอฏร)นแิโบใดกปนัตรรรกอมิกแายนำรกดยิ รพ์รมสแัฒมใตอชนอดู ้นคาโิคี อโอืดลป(รโปิAรปอแnสรยdกแ์ rรก(ดoEมรi์ทdมปcS่ีlนอรipะคtี ักusยลdพeุกปิio)ตสัฒ)์์แนลำะ
ปริมผำู้ใชณ้งสานูงขซ้ึน่ึงแระลบะบมปีแฏนิบวัตโิกนา้มรแทอ่ีสนูงดขร้ึนอยอดย์เ่ำปง็นตร่ะอบเนบ่ืปอฏงใิบนัติ (Sโปoiรnแ&กJรaมnแYอoนy,ด2ร0อ11ย)ด์ สตูดโิ อ (Android Studio) โดยใช้
อนำกคารตที่สมีล่งักผษลณต่ะอเกปำ็นรซพอฟัฒตน์แำวโรป์โอรเพแนกซรอมรป์ซระ(Oยpุกeตn์สSำoหuรrcบั e ภำษำจำกวาำรใ(ชJ้ภaาvษaา)จใานวกาำในรกพาฒั รพนัฒำโนปารโปแกรแรกมรปมรปะรยะกุยุตกต4์ ์
อตุอปบกSอขสุปึ้นรoนณfกt(wอรA์เณงapคคrp์เลeคfวi)่gือลำuื่อนทมrนeำาตทsทใอ้่ีหบี่บIง้แnนนกsนรรiำgวะะรhโบบขนtบsอ้มบ,ปงก2ปฏผา0ิบฏรใู้1ชใัต9ิบชิ)กง้ ั้ตโำาแปินรกสรแำดแอซรงกนงด่ึแรดรังมอะรปนFอบรiยgดบะดuยรปr์ขุอกeฏยตยาบ1ิ ์สยดตัำาปต์เกิหพัจัวำรจส่ือับรัยูง สำาหรับอุปกกรณำ ร์เคใ ชลื่อ้ ภนำทษ่ีบนำรจะำบวบำปใฏนิบกัติกำารรพแั ฒอนนดำรโอปยดร์ยแังก ร ม
แ อ นสำาดครัญอทยี่ทดำา์ เใปห็้ตนลราะดบอุปบกปรฏณิ บ์เคั ตลิื่อกนำทร่ีเทต่ี มิบีโลตั กอษย่าณงระวเดปเ็รน็ว จดมแปำัาีคงอรตนวนะัวาวยมอดนุยยกรมา่าอตากงย์กสกดซำาเรห์ยับพเงซัรขื่อม้อบัียสนีคนอ่ังวรุปกแหำากลมัสระรโยทตปณ้ำำอารก์งงเแคเากขซนลียร่ัขบือมนอนเซรพงหท้อ่ืโอัสนป่ีบแโปรสนแแรดรลแกงะกะผรบตรมลมบ้อขปง้ปอร(เCมะฏขูยลoิบยี dุบกนeัตนต)ริก์ หำสัร
ซอฟไดต้แแ์ กว่กราโ์ รออเพอกนแซบอบรตซ์ ัวเ(คOรpื่อeงใnหS้ทัoนuสrมcัยeโดSยoสft่วwนaตr่อeป) รทะำสใาหน้ หโนป้ารจแอกอปุรกมรณ(Cเ์ คoลdอ่ื eน)ทจ่ี ดำนังนวี้ นมำก เพ่ือสงั่ กำรทำงำนของ
แเแคสนลดวค(กส่อื Pงำัาบวโนlดหานผaทมงรัู้ใ้cม่บชีัซบhF้งกับนอaาiุiปซำรgนp้อระกuhบนใ(รriUreชณแบosล้โm์ปเe1ะคปrฏsตลปรiI้อบิn่ือnัแจง,tนตัeใจก2ทชrกิ ยfัร0้อa่ีบำ1สมcงรนeค0ำแปร)์)คคอะรวมกบญันาะีกาบมดยทราปพรรรุกีทู่้ใฏใอัฒนชตำิบยนก้งใ์ัสตดาาาหนิกโำรข์ ปต้พทาหยรรี่ลงัฒำแรแ่าำยนกัยบอดรตาแนอมอใลวัดนุปปะุปสรรสรกองูกะะะขดยยดรรับนด้ึุกวณณ์ทกมต1์์์ี่ี SS(Dโเttพrraปiinnta่อggืรbแแddabbsสกeDEEดmeรmpมงpaplผorปltoymลeyรeeeขะneNอt้.ยa=cmoมmุกlEeCลู ต=muบmr์psดClนoouryงัห.regsตeeนoNtrัวS.้ำagtอrmจeintยeอSg)t่)ำอr(im;nงปุ gCกกu(mำrรsรCoณuเr.ขrg์เseคoยี trCล.นgoอ่eืlรutCนmหonทlสัuInm่ี โdดneปIงxัnรนdแe้ี xกรม
เค ลส่ื อูงนแทละ่ี เตต้อิ บงใโชต้คอวายม่ ำสงารมวารดถเใรน็วกาไรเดข้ แียนกโ่ กปรำแรกอรอมใกนแระบดบั S(DStraitntragibndagbsePEdomsbitpiEolonmy=empeC.lcouorlyDseoerpe.gaNerttmSatemrinnteg)) (;m=CmursCoru.grestCoorl.ugmentInSdterxing
(D(mataCbausresEomrp.lgoyeeteC.coolPluomsitinonI)n)d; ex
ตัวเคร่ืองให้ทันสมัยโดยส่วนต่อประสำนกับผู้ใช้งำน (DatabaseEmployee.colEmployeeName));
(User Interface) มกี ำรใช้งำน ที่ง่ำยและสะดวก 2 String dbDepartment = mCursor.getString

Vol 40. No 1, January-February 2021 Comparison of the effectiveness of application development on android 65

operating system between visual programming of game engine ...

Figure 2 Example of Eclipse Program
Figure 2 Example of Eclipse Program
String dbSalary= สมาร์ตโฟน แท็บเล็ต เป็นต้น) ด้วยการจัดองค์ประกอบของ
mCursor.getString (mCursor.getColumnIndex
โแขปบนร้ึบแขมก้อำรคเมวพแาบอ่มื บส(Tแอ่ื eผสxนำt5ภร(าชJพoุดsคt(,GำKrสaeงtpั ่tใehหricl,)แ้ Bกมuอ่าdกdุปกeก,วร่&ากณLาe์รi(ใmDชb้คeaำ�vcสihc่ัง,e) ต่ำง ๆ
(DatabasA(eDleEarttaDmbiaapsloeglEo.Bmyupeilldoeeyer.ecb.ucoioldllSPear=olarsyi))ti;on)); (เ2ช0่1น4)ค) อภมาพษาิวโเปตรอแรก์รอมุปเชกิงรทณัศน์เ์เคปล็น่อื กนารทใช่ี ้(คเำ�ชส่นั่งดส้วยมำรต์ โฟน
(SmDtCrainutagrbsdoarbs.+“bbneSgueu+dEiwieallbdddtEeemlbASarrmDl..essrepptreeytrplDottliaTMonyirai=etteymllgeeoseNsge(a.n“a(eBEgtmmue.m+ieclp(dC““o+\leEonrulym\“nS\(enrVpPe\salinooeDDsoywliaeaetErietopar.mnagy”N):prtae)l“;mom)+tye;Ceen:et:o.“thlius)m; nIndex ใสคแแหัุณญท้กบสลาบ็บัมกรเบเษแลขัตณผียต็ิ น์(นBเกโปภปrลa็รน่อgำแgงตพกขน้ร&้อม()คGสDดวาrrาiว้มsaมยาkpiรกlเlhถ,สำเi้น1cขร9้าจเ)ช9ถดั 4ม่ือึงอ)ไมำดงมโก้คงยีว่ากงปั์ตยวถรขแุ่ปำะึ้นลกรกสะะอำห�ำสหบนรงรค้าใขับ์ตเชอพม่า้คง่ืือองโำปสรงั ่ แแกบรบม
AlertDialobdubgPil.doBesriu.tsioeinltdN+ee“u\nrtr\nabSlBauulatitrloydn:e“(“+Or Kd=”b,Snaulall)ry;) ; ใทกขคหรุกมะำ้อรบ่แสะควดลงั ่นวับะดสกำว้นาชมร่ยัวบชยสส(นในTหญัิดุนe้ผตลนxู้ใ่าชัtกงกั )้สๆพ5ษาัฒมภเณปานำ็นร์าถษกเททส่ีมลำครีป่้าอโนงรปิคงภะทขรสา่ีถแอพบ้ ูกกปคกสารวรรระ้าำมณกงมอขเ์ใบนชึ้นเเกเิงพสพาทื่อ้นร่ืออทัทศเธำช�ำ�นิบงง่อื าา์าเนนมยป็โนยกงำแรลใชะ้
new AlertbDuildiaerl.oshgow.B()u;ilder (ViewEmployee.this); ใหนรนูป้ำแบตบ่ำกงาครอุณธิบสามยผบ่าัตนิว6ิธมีกาีวรัตทถางุปสารยะตสางอคง์เคพ์ปร่ือะใกหอบ้กำรเขียน
builder.se tTitle (จ"Eากmตัpวอloยy่าeงกeารDเขaียtaน"ร)ห; ัสโปรแกรมเป็นการสั่งให้ เเไโสปหดป็น้งลนา่ ่วารัยบิธนแีกส้ีส(กAาานรlรมeเุนxมขาaรียนสnถนdักำจโeมปัพดr,รกำัฒแ2าร0กรถน1รเ7มพเำ)ขใ่ือทกน้ำอาล่ีมถอรักเีปกึงษขแไยีรณบนดะะบโส้งทปโ่ำบ่ีมรปยแนกรกุษแขำรกย้นึมร์สรดณสมาว้ มำไ์ยใดาหนภร้โาถดรกพเบยั ำขทง้ามร่ีช่าใทย่ืออืจ ำใหงำมน่แทลุกะ
+budilbdEerm.speสแโlปot่ผงMรyตนแe่eอกกeมsรNsาตมจaำ�ปaาแgรmกหะeยคeนกุำ�(่ง"สต+งE่ัแง์าเmสน"ก\ดnี่pยงแ\วlผnลoกละDyัขบเeงeอ้กินepมาเลูaรดNพดrือtaึงนนmขmกั ้อeงซeามnึ่ง:นูลtเป"จไ:ด็นาแ้กกกฐา่ารชนนอื่ ำข�พข้อน้อมกั มูลงูลมาทนาี่ วรา่ ะ“ดพบัิกเมชเล่วียยนให(Pผ้ ygใู้ mชaส้ lำioมn)ำ”รแถสดสงรดำ้ ังงFภigำuพreป3รเะปก็นอภบาษเพา ่อื อธบิ ำย
"db+PdobsDitieoแซแpnสอ่ึงa+ดแนrสงtด"mผด\รnลองeอ\ตยnnอัวดStกอ์ชทยa+้ใี ห่าาlaงง้เ"ห\หrnyUน็น\วsาn้:eา่จP"จrอะoอ+Iตnsปุ ้อtideกtงirรbเofณขaSnยีcเ์ aeคน:lลรaผ"หอื่ r่านสั+yนโท)โป;บี่ปรนรแแรกะกรบรมมบจอป�ำ ีคนฏลวบิ ิปนตั มสกิ ์ดาากังร คเขทกขออ้างรมำใคะพจงวบไิวำาดเมนวต้ใคนนอใดิ ลรนกม์ัทกนรำ่ีษสษุูปราณยมชแะ์าแนสบรล่ืถิอดะบสใแตชาปก้ค่ำรลำกวงเปารับมน็ๆอนคภักธิดาเพิบษสปัฒรา็ำน้าทนยงคเ่ี าสทผอโรปม่ครำพรคนนแ์ตวิ กิวเคาตรมิธทอมธรีกด่ถีรส์ ร้วำาูกมยมรสชกาทารราถตำร้ำิ งงสขำน้ึ ยเพต่ือำ
builder.seFtiNgueruetr2alBในuสt่วtoนnขอ("งOภาKษ",าโnปuรlแl)ก; รมเชิงทัศน์ (Visual สใดโอชั่ง้วป้สใยงหัญสรค้โญัลปแ์ปักลรกษกัแรณรกษะรมณ์แกมลไล์ ปอะกูดกรบศะ้ลโรย่อเดุกห(งZยขตhล้อ์ทงa่คำ่ำ�ำnวงgนยาา,้มีนส2เ0ำปแแ1ทมล็0นนะ)ำเวขชร้ันิธื่อถตมีกอจโำนยัดรงตข่ากเั้นงขำๆตียรอขนเนอพตโง่า่กปืองาๆรอรแอกกรแมบใบน
builder.shจห(PDoำrนeowกึ่งvgทตicr(ี่อeaวั);)อmอกตยmแ่าำ่ iงบnงๆบgกขเำLช้ึนร่aนมเnขาคgยเี อuพนมa่ือพรgสหeิว่ือเ)สัสตาอโเปรปร์ช็นรอุดภแุปคกากำ�ษรรสณามั่งป์เใเคหปรล้แะ็น่ือดกนกิ่ษอทำุปฐ่ีร์กช(สเรนชงัณ่ิ่นด์ ลักษณ ะท่ีมนุ ษย์สำมำรถเข้ำใจได้ง่ำย 7 กำรเขียน
ให้โปรแกรมประยุกต์แสดงผลข้อมูลพนักงำน ได้แก่
ช่อื พนักงำน แผนก ตำแหน่งงำน และเงนิ เดอื น ซง่ึ เป็น โปรแกรมด้วยภำพท่ีช่ือว่ำ “พิกเมเลียน (Pygmalion)”
กำรนำขอ้ มูลท่สี ่งต่อมำจำกคำสงั่ เกย่ี วกบั กำรดงึ ขอ้ มูล แสดงดงั Figure 3 เป็นภำษำคอมพวิ เตอร์ท่สี ำมำรถใช้
จำกฐำนข้อมูลมำแสดงผลออกทำงหน้ำจออุปกรณ์ ควำมคดิ สร้ำงสรรค์ตำมธรรมชำติของควำมคิดมนุษย์
เคล่ือนท่ีบนระบบปฏิบัติกำรแอนดรอยด์ช้ีให้เห็นว่ำ และแปลเป็นภำษำท่ีคอมพิวเตอรส์ ำมำรถเข้ำใจได้ใน
จะต้องเขยี นรหสั โปรแกรมจำนวนมำกซ่งึ แสดงตวั อย่ำง ลักษณะส่ือสำรกับนักพัฒนำโปรแกรมด้วยกำรใช้
User Interface ผ่ำนโปรแกรมอคี ลปิ สด์ งั Figure 2 ใน สญั ลกั ษณ์และกล่องขอ้ ควำม แทนขนั้ ตอนต่ำง ๆ ของ
สว่ นของภำษำโปรแกรมเชงิ ทศั น์ (Visual Programming กำรสงั่ ใหโ้ ปรแกรมประยุกตท์ ำงำน และเชอ่ื มโยงขนั้ ตอน

66 Idhisak Sridam, Sakda Sakorntanant J Sci Technol MSU

Figure 3 Example of Pygmalion Program

Figure 3 Exa(mSpoleuorcf ePy:ghmFttaipglio:/un/wrPeoror3gryradEmrxe(aaSmomu.rpcceole:mhot/trpfe:/fP/sw/yoSrgrmymdirteaha%lmio2.cn0o-mP%/rre2of0sg/PSrmyagimthm%a2l0io-%n.2p0dPfy)gmalion.pdf)
(Source: http://worrydream.com/refs/Smith%20-%20Pygmalion.pdf)

Figure 4 Example of Unreal Engine Program

Figure 4 Example of Unreal Engine Program

Vol 40. No 1, January-February 2021 Comparison of the effectiveness of application development on android 67

operating system between visual programming of game engine ...

Figure 5 Example of Unity Program (Source: https://gamedev.stackexchange.com/

quFesigtiounrse/un5ityE-uxi-anmot-psclealiongf -UconrrietyctlyP-oron-garnadmroid)
(Sourcปeัจ:จhุบtันtpภsา:/ษ/gาaโปmรeแdกeรvม.เsชtaิงทckัศeนx์จcะhใaชn้ในgลeัก.cษoณmะ/queเsคtiรo่ือnงsม/ือuกnาitรyแ-uกi้ไ-ขnรoหt-ัสsโcปaรlแinกgร-มcขoอrrงeโปctรlyแ-กoรnม-ยaูนnิตdีroไดid้แ)ก่
งานเฉพาะเจาะจงอย่างการพัฒนาวีดีโอเกมในเครื่องมือ ยนู ติ วี ทิ โบลท์ (Unity with Bolt)(Bolt, 2019) แสดงดงั Figure 6
เลคกั รษ่ือณงกกพเขมะบัาัฒียงรืผอปนนเำู้ใลพัสาชนจ่นเค้งัฒเกจเารฉกมนุิบปนมพแัทน(ำบ(ำGS่ีสเบะภaกมcเโmrหจบำมipeนำูรษtณะ)ด(EำจG์ต((nโSงNาagปอมioimendยแรpeeนe่ำแr)-วaงbกเEคawกปsิดรnำs็นeขมkรgdลอiพiเั,กงInชnษกฒั 2etิeงาณ0)นrรท1fะใaเำช9รัcศปวูป้ห)e็ดนีน)แบนโบ์ีทท้าลจอจบ่อีลกัะอเยขะกใษตคใู่อชนมอรงณ้สขบใกใว่นอนโาะนตงร้ สอEอ6ไั่นnวดนั gสเนแ้รiเn่วเรีกยeคนยีล่ รยBลเเ่ืลออคlนูเuกันองรeติ ษมจนp่อื วีณินืrอจงiทิnะกมนิtไโเ)าดดือบ(รไนP่้แกลดแoขกำท์rกแอ้่ tรe้งอไก(แโlขันlUป่i,กอรเรn2ร้ไหแนั iี0ยtขกัสเy1ลรรร9โเมwยี)ปหออลนแiรสัtนั สhเจแโเอดินรกปBยนีงบรดรลoจลมังแเlนอูิพtข)กFน1บรอi4รจgินลงนิuมแทโพูrเขสeป์มร(ดออ่ืร7Uนิ เแงงปnทดโกrรปeง์ัยีร(aบมรUFlแingกrueรraมel
รูปแบขบอขงกอางรกแำสรดเงขทยี่สมนจสรคิง รสปิ วย(งSามcriมpีมt)ิต9ิแบลทะใลช้งะาคนรไขด้งอ่างยกโำดรย เEทยnี บgกinบั eกาBรlเuขeยี pนrโiปnรt)แ1ก5รแมสในดลงกั ดษงั ณFะiขgอ้ uคrวeาม7 (Text-based
เกลบั ่นผเกใู้ ชผสEมางู้้พdทมำiัฒt่สาีนoนรrมแถ)าบบเใ(กชGรูบม้งณrาโไeนหมg์ต่ตไoนำด้อrดม้yงโ,มแด(ีพ2นNย0้ืนกวo0ฐาคd9ารeดิน)ใช-กขbเ้ตาคอaัวรรsงแเื่อขeกกงียd้ไำมนขรือIโรใnปพหชtรeััสฒห้แโrนกfปนaราร้ำcมเแจeกใกนอ)มรรตทมทะ่ีนอด่อี (ิยับบCยมสoโ่ใู ูงdใตนนกe้ ็ Programmiลngกั )ษไดณแ้ กะ่เกดา่นรเขขอยี นงโโปปรรแแกกรมรใมนอลกันั ษเณรยี ะขลอเองกนาจรินเม่ือ
ส่วนขอปัจงจกุบำันรแไสดด้แกง่ทโ่สีปมรแจกรรงิมอสันวเยรียงลำเมอนมจิมนี ติ (Uแิ nลrะeใaชl ง้Eำnนgiไnดe)้ ลอ(เ(OางTปกpคeรeว์ปxยีrาaรtงบ-tะbioก(เaDnทอsrียบaFeguทบdn่ีอaกcPยntบัidrู่oใoนกnDgรำBrrูปรoaoแเpmxข)บ)ยmีแบทลนกi่มี nะโลคี gป่กอณุ )างรสรไฟแมเดัชงกบ้แกอื่ รัต์มชกมิ ่ัตน่(ใPกอ่กนrำาo(ลรรCpกัดeเoขrำ�ษntyยเีnณน)eนินcตะโtกา่iขปoงาnๆอ้รร)แคกวำรมม
โงในปำ่ ยรรแะโดกดแโเ2บกัรดย0ลมดิยส1ะผขโไ9ูงปพู้(มน้ึ)กCร่เใฒัโสแนส็oปีกยเนdำรชรคมeแำงิม่ากเพำยใEกรชราูนdมมณ้ถจติ iท่าไtใีิชoยมั้(งชยUrส่ต้ง)์ แn(อ1ำอ้Ui0ตงtนyง่จนnเ)มคไะrี้ส(eเดGพีราสa่อื้aมีนย้ื lโmงาคฐดมรEe่าำยถnใอืนDชใกgพชeก้จiำ้sงnฒ่าัำรiาeยgรในนn,กเชiเขำ็nตพ2้ตเgย่ีอ0ก่ือวัเนO1กมมแโ9r่ืาอทgกป)รมaน่ีไ้ศรnีรตขึแกยิiาzัวยรกษมaอหไtรายใiดoไมนา่สัn้ทดง,ี่้ ตใานมลวักตถษุปณระะสขงคอ์ งกการำทรำ�ลงำานกขวอำงงโป(รDแกraรมgตaามnเdหตDุกrาoรณp)์ และ
ปั จจุบโัปนรแไกดร้มแอกัน่ เโรยีปลรเอแนกจนิรดมงั อFันigเuรrีeยล4เแอลนะตจัวินอยา่ (งUโปnรrแeกaรมl โ(เกกEปปลำv็รนแeร่อจnกเำ�งชtรน)ฟม่อื วัทงมสนกี่ก�ำมตำห�ช์ า่อหรนัก่ บันก(ตดCรำวัวoรอซมnดยึ่งถnา่ำเึงปงeเทใน็นcนำ�tกินใiFoหากinรg้งำยu่า)รrกยeอเแ(ลง7Oลิคกเะpปกป์สeน็าะรรrกดะaเาวขกtรกiียoสอในง่ัnบนใหกทFCโา้ u่อoีปรdnยรพeแc่ใูัฒกtนiทนรoรม่ีมาnูปี Bแบoxบ)
สEำnมgiำnรแมยeถูนีน)ปวิตใฏแคชีดิลสิดั้งงัมะขำโพFอปนันiงgรเกธuพแา์กrกรe่ือับใรกชผ5ม้หู้ใำยชนสรู้นงำ�้าศาหจิตึกนอรี ษัตบ((UGอกำnบaาไiรmโดtตเyeข้โ้)ก1ีดยับ1Dนยผโeโปู้ไใvปชมeรร้งlแ่เแoาสกกนpียmรทรมมคี่หeเnท่นำชtใ้าิงง,ั้ ชจทส2อ้ัจศอ0แ่นำง1บ์นยใ9บช)้ี ้ นทำ�่ีมข้อีคมุณูลบสามงรบายัตกิ า(รPทrี่อoยpู่ในeตrัวtyแป) รตช่ำนงิด ๆDatตaำTมabวlัตe ถมุปาใรช้ะสงค์
ใงกกชานำง้ำาหโรนดทนใยนำกดขำ�งน้ัหำซตนนึ่องดขนเเปปถอ็น็ัดนงตไโกปัวปแำปรรรแยใกหกมรเ่ชลมนิกตดิ กำDำมaรเtเหaขตTียaุกนbำleรCกณoอ่ ์dน(นeEำ�vไทปe่ีมnีเtป) ็ ท่ี
น
แต่จะเสียค่ำใช้จ่ำยก็ต่อเม่ือมีรำยได้ท่ีเกิดข้ึนในเชิง จำนวนมำก รวมถึงทำให้ง่ำยและสะดวกในกำรพัฒนำ
พำณิชย1์ 2 ตวั อย่ำงโปรแกรมอนั เรยี ลเอนจนิ ดงั Figure 4 โปรแกรม สำหรบั ตัวอย่ำงใน Figure 7 เป็นกำรสงั่ ให้
และตวั อย่ำงโปรแกรมยนู ติ ดี งั Figure 5 สำหรบั กำรเขยี น โปรแกรมนำขอ้ มลู บำงรำยกำรทอ่ี ย่ใู นตวั แปรชนิด Data
โปรแกรมเชงิ ทศั น์ใชแ้ นวคดิ ของกำรใชห้ น้ำจอตอบโตก้ บั Table มำใชง้ ำนโดยกำหนดเป็นตวั แปรใหม่ชนิด Data
ผู้ใช้งำนท่ีหน้ำจอแบบมีปฏิสัมพันธ์กับผู้ใช้งำน 13 Table กอ่ นนำไปใชง้ ำนในขนั้ ตอนถดั ไป
เคร่ืองมือกำรแก้ไขรหัสโปรแกรมของโปรแกรมยูนิตี

68 Idhisak Sridam, Sakda Sakorntanant J Sci Technol MSU

Figure 6 Example of Unity with Bolt Program
Figure 6 Example o(fSUonuityrcweit:hhBtotpltsP:r/o/lgurdamiq.(iSoo/ubrocelt:)https://ludiq.io/bolt)

Figure 6 Example of Unity with Bolt Program
(Source: https://ludiq.io/bolt)

Figure 7 Example of Unreal Engine Blueprint

Figure 7 Example of Unreal Engine Blueprint
จำกควำมสำคญั ดงั กล่ำวขFำ้ iงgตuน้reก7ำรEศxกึamษำpนle้ีจoงึ f Unrพeaัฒl EนnำgเกinมeทB่ีใluชe้ผp่ำrนinโtปรแกรมอนั เรียลเอนจินสำมำรถ

Vol 40. No 1, January-February 2021 Comparison of the effectiveness of application development on android 69

operating system between visual programming of game engine ...

จากความส�ำ คญั ดงั กลา่ วขา้ งตน้ การศกึ ษานจี้ งึ มแี นว และภาษาจาวาทใ่ี ช้ผา่ นโปรแกรมอีคลิปส์ และทดสอบเปรียบ
ความคดิ วา่ ภาษาโปรแกรมเชงิ ทศั นข์ องเครอื่ งมอื พฒั นาเกมท่ี เทียบระหว่าง การพัฒนาโปรแกรมประยุกต์ของอุปกรณ์
ใชผ้ า่ นโปรแกรมอนั เรยี ลเอนจนิ สามารถน�ำ มาพฒั นาโปรแกรม เคลื่อนที่บนระบบปฏิบัติการแอนดรอยด์ด้วยภาษาโปรแกรม
ประยกุ ตบ์ นระบบปฏบิ ตั กิ าร แอนดรอยดไ์ ดอ้ ยา่ งมปี ระสทิ ธผิ ล เชิงทัศน์ของเครื่องมือพัฒนาเกมท่ีใช้ผ่านโปรแกรมอันเรียล
สูงกว่าการพัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคล่ือนที่ เอนจนิ และการพฒั นาโปรแกรมประยกุ ตบ์ นระบบ ปฏบิ ตั กิ าร
บนระบบปฏบิ ตั กิ ารแอนดรอยดด์ ว้ ยการใชภ้ าษาจาวาทใี่ ชผ้ า่ น แอนดรอยด์ด้วยภาษาจาวาที่ใช้ผ่านโปรแกรมอีคลิปส์ โดยมี
โปรแกรมอีคลิปส์ ซ่ึงมีความยาก ซับซอ้ น และตอ้ งเขยี นรหัส รายละเอยี ดขนั้ ตอนการทดลองดงั น้ี
โปรแกรมจ�ำ นวนมากในการสงั่ งานโปรแกรมประยกุ ต์ 1. การคัดเลือกกลุ่มตัวอย่างที่เป็นผู้เชี่ยวชาญด้าน
การพัฒนาโปรแกรมคอมพิวเตอร์ จำ�นวน 5 ท่าน เข้าร่วม
วตั ถุประสงค์ของการศึกษา การทดลองแบบเจาะจงและหยุดการคัดเลือก เมื่อได้จำ�นวน
ผู้เช่ียวชาญฯ ครบ 5 ท่าน โดยมีเกณฑ์ การคัดเข้า ได้แก่
เพื่อเปรียบเทียบประสิทธิผลการพัฒนาโปรแกรม 1) สัญชาติไทย 2) สุขภาพแข็งแรง ไม่มีโรคประจำ�ตัว
ประยุกต์บนระบบปฏิบัติการแอนดรอยด์ระหว่างภาษา 3) ไม่เคยเข้าร่วมการทดลองนี้มาก่อน 4) ผู้เชี่ยวชาญฯ
โปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนาเกมที่ใช้ผ่านโปรแกรม มีประสบการณ์ด้านการพัฒนาโปรแกรมคอมพิวเตอร์ 3 ปี
อนั เรยี ลเอนจินและภาษาจาวาทีใ่ ชผ้ ่านโปรแกรมอีคลิปส์ 5) ไม่เคยมีประสบการณ์ด้าน การพัฒนาโปรแกรมประยุกต์
สำ�หรบั อุปกรณ์เคลอื่ นท่ี บนระบบปฏบิ ตั กิ ารแอนดรอยดด์ ว้ ย
ประโยชนท์ ค่ี าดว่าจะไดร้ บั ภาษาจาวามาก่อน 6) ไม่เคยมีประสบการณ์ด้านการพัฒนา
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบี่ นระบบปฏบิ ตั กิ าร
1. ได้แนวทางสำ�หรับตัดสินใจในการนำ�เคร่ืองมือ แอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์มาก่อน 7) มีความ
พัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคลื่อนท่ีบนระบบ เชีย่ วชาญเฉพาะด้านการพัฒนาโปรแกรมดว้ ย Visual Basic.
ปฏิบตั กิ ารแอนดรอยดท์ ี่เหมาะสมในการใชง้ าน Net เทา่ นนั้ และ 8) มคี วามเตม็ ใจเขา้ รว่ มการวจิ ยั โดยมเี กณฑ์
2. สามารถน�ำ ภาษาโปรแกรมเชงิ ทศั นข์ องเครอื่ งมอื ยุติการทดลอง (Withdraw Criteria) 1) เข้าร่วมการทดลอง
พฒั นาเกมทีใ่ ชผ้ า่ นโปรแกรมอนั เรยี ลเอนจิน ใช้เป็นเครอ่ื งมือ ไมค่ รบตามก�ำ หนด 2) ขอถอนตวั ไมเ่ ข้ารว่ มการทดลอง และ
ทางเลือกในการพัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์ 3) เจบ็ ปว่ ยขณะเขา้ ร่วม การทดลอง
เคลื่อนทบ่ี นระบบปฏิบตั กิ าร แอนดรอยดไ์ ด้ 2. การช้แี จง ประกอบดว้ ย การพิทกั ษส์ ิทธ์ิ ค�ำ ช้แี จง
3. ผ้บู รหิ ารของสถาบันการศึกษาต่างๆ สามารถน�ำ การปฏบิ ตั กิ ารเกย่ี วกบั การด�ำ เนนิ การวจิ ยั และค�ำ ชแ้ี จงการใช้
ผลการศกึ ษาทไ่ี ดไ้ ปใชอ้ า้ งองิ ส�ำ หรบั การก�ำ หนดเปน็ หลกั สตู ร แบบทดสอบประสิทธิผลของโปรแกรมทน่ี �ำ มาใช้ทดลอง
การเรียนการสอนเก่ียวกบั การพัฒนาโปรแกรมในอนาคตได้ 3. การให้ผู้ร่วมทดลองฝึกการพัฒนาโปรแกรม
ประยุกต์สำ�หรับอุปกรณ์เคล่ือนที่บนระบบปฏิบัติการ
การดำ�เนินงานวิจยั แอนดรอยด์ด้วยภาษาจาวาท่ีใช้ผ่านโปรแกรมอีคลิปส์ โดยมี
ขอบเขตดงั น้ี
การวิจัยนี้เป็นการทดสอบการเปรียบเทียบ
ประสทิ ธผิ ลการพฒั นาโปรแกรมประยกุ ตอ์ ปุ กรณข์ องเคลอื่ นที่
บนระบบปฏิบัติการแอนดรอยด์ระหว่างภาษาโปรแกรมเชิง
ทศั นข์ องเครอ่ื งมอื พฒั นาเกมทใี่ ชผ้ า่ นโปรแกรมอนั เรยี ลเอนจนิ

Table 1 Detailed books database table คำ�อธิบาย
ช่อื ฟิลด์ ชนดิ ของข้อมลู ขอบเขตขอ้ มูล รหัส ISBN (เป็น Primary Key ของตาราง)
13 อักษร รหัสประเภทหนังสอื
ISBN Text 2 อกั ษร ช่อื หนังสือ
250 อกั ษร รายละเอยี ดหนงั สอื
BookTypeCode Text 250 อกั ษร ราคาหนงั สือ/หน่วย
Double ตน้ ทนุ หนังสอื /หนว่ ย
Title Text Double จ�ำ นวนหนังสือทงั้ หมดในรา้ น
Double พาธที่เก็บรปู หนังสอื
Detail Text 255 อักษร สถานะของหนังสือ: 0=ยกเลกิ ขาย 1=ขายตามปรกติ
1 อกั ษร
Price Number

BookCost Number

BookInShop Number

PictureFileName Text

BookStatus Text

70 Idhisak Sridam, Sakda Sakorntanant J Sci Technol MSU

3.1 ใช้โปรแกรมอีคลิปส์เป็นเครื่องมือพัฒนา แอนดรอยด์ดว้ ยภาษาจาวา
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอื่ นทบ่ี นระบบปฏบิ ตั กิ าร 4.3 ไม่จำ�กัดเวลาในการใช้พัฒนาโปรแกรม
แอนดรอยด์ด้วยภาษาจาวาทใี่ ช้ผา่ นโปรแกรมอีคลิปส์ ประยุกต์สำ�หรับอุปกรณ์เคลื่อนที่บนระบบปฏิบัติการ แอน
3.2 ใชค้ มู่ อื การใชโ้ ปรแกรมอคี ลปิ สผ์ า่ นเวบ็ ไซต์ ดรอยดด์ ว้ ยภาษาจาวาทใี่ ช้ผ่านโปรแกรมอีคลปิ ส์
https://www.eclipse.org/documentation/ 5. การให้ผู้ร่วมทดลองฝึกการพัฒนาโปรแกรม
3.3 ฝึกการพัฒนาโปรแกรมประยุกต์สำ�หรับ ประยุกต์สำ�หรับอุปกรณ์เคล่ือนท่ีบนระบบปฏิบัติการ แอน
อุปกรณ์เคลื่อนท่ีบนระบบปฏิบัติการแอนดรอยด์ด้วยภาษา ดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของเครื่องมือพัฒนาเกม
จาวาทีใ่ ชผ้ ่านโปรแกรมอีคลปิ ส์ ใชเ้ วลาฝกึ วนั ละ 3 ช่ัวโมง แต่ ท่ีใชผ้ า่ นโปรแกรมอนั เรยี ลเอนจิน โดยมขี อบเขตดังนี้
ไม่จำ�กดั จำ�นวนวันในการฝกึ หยุดฝกึ เมอ่ื ผู้ร่วมทดลองคดิ ว่า 5.1 ใช้โปรแกรมอันเรียลเอนจินเป็นเคร่ืองมือ
ฝึกสำ�เร็จพร้อมที่จะสามารถพัฒนาโปรแกรมได้ (บันทึกเวลา พัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคล่ือนที่บนระบบ
ทใ่ี ช้ในการฝึกไว้ทกุ คร้ังท่ี ท�ำ การฝึก) ปฏบิ ตั กิ ารแอนดรอยดด์ ว้ ยภาษาโปรแกรมเชงิ ทศั นข์ องเครอ่ื ง
4. การให้ผู้ร่วมทดลองพัฒนาโปรแกรมประยุกต์ มอื พฒั นาเกม
สำ�หรบั อุปกรณเ์ คล่อื นที่บนระบบปฏิบตั กิ าร แอนดรอยดด์ ้วย 5.2 ใช้คู่มือการใช้โปรแกรมอันเรียลเอนจิน
ภาษาจาวาทีใ่ ชผ้ ่านโปรแกรมอีคลิปส์ โดยมีขอบเขตดังนี้ ที่อยู่บนเว็บไซต์ https://docs.unrealengine.com/en-US/
4.1 เป็นการพัฒนาโปรแกรมเกี่ยวกับ การ index.html
จัดการข้อมูลระบบจัดการร้านขายหนังสือในส่วนของการ 5.3 ฝกึ พฒั นาโปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณ์
จัดการข้อมูลรายละเอียดหนังสือ ได้แก่ การเพ่ิมข้อมูล การ เคล่ือนที่บนระบบปฏิบัติการแอนดรอยด์ด้วยภาษาโปรแกรม
ปรับปรุงข้อมูล การลบข้อมูล และการค้นหาข้อมูลมาแสดง เชิงทัศน์ของเครื่องมือพัฒนาเกมท่ีใช้ผ่านโปรแกรมอันเรียล
โดยมีรายละเอียดของผลลัพธ์โปรแกรมที่ต้องการตามตาราง เอนจิน ใช้เวลาฝึกวันละ 3 ชั่วโมง แต่ไม่จำ�กัดจำ�นวนวันใน
ฐานข้อมูลดัง Table 1 การฝึก และหยุดฝึกเมื่อผู้ร่วมทดลองคิดว่าฝึกสำ�เร็จพร้อมท่ี
4.2 ใช้โปรแกรมอีคลิปส์เป็นเคร่ืองมือพัฒนา จะสามารถพัฒนาโปรแกรมได้ โดยบันทึกเวลาที่ใช้ในการฝึก
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบ่ี นระบบปฏบิ ตั กิ าร ทกุ ครั้ง

Table 2 Results

ประเดน็ ทดสอบ คา่ เฉลี่ยการทดสอบ SD* t** p***
Unreal Engine SD* Eclipse

เวลาท่ีใช้ในการฝกึ พฒั นาโปรแกรม (นาท)ี 1,891.00 87.83 3,229.60 83.67 2,036.15 <0.01

เวลาในการพัฒนาโปรแกรม (นาท)ี 147.40 3.91 173.80 16.48 5.77 <0.01

การหยดุ ค้นคว้าเพ่มิ เตมิ ระหวา่ ง การพฒั นาโปรแกรม (ครั้ง) 3.80 1.30 5.70 1.10 43.31 <0.01

เวลาค้นควา้ เพิ่มเติมระหว่างการพัฒนาโปรแกรมตอ่ คร้งั 5.50 0.50 7.20 0.45 13.39 <0.01
(นาท)ี

ขนาดของไฟลโ์ ปรแกรมสำ�หรบั น�ำ ไปใช้งาน (เมกะไบต์) 1.81 0.05 3.10 0.42 2.56 <0.01
* SD คา่ สว่ นเบ่ยี งเบนมาตรฐาน
** t คา่ สถติ ทิ ดสอบ t
*** p คา่ ความน่าจะเป็นทางสถติ ิ (p<0.01)

6. การให้ผู้ร่วมทดลองพัฒนาโปรแกรมประยุกต์ จัดการข้อมูลรายละเอียดหนังสือ ได้แก่ การเพ่ิมข้อมูล การ
สำ�หรบั อุปกรณเ์ คล่อื นท่ีบนระบบปฏบิ ตั กิ าร แอนดรอยดด์ ้วย ปรับปรุงข้อมูล การลบข้อมูล และการค้นหาข้อมูลมาแสดง
ภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนาเกมที่ใช้ผ่าน โดยมีรายละเอียดของผลลัพธ์โปรแกรมที่ต้องการตามตาราง
โปรแกรมอันเรียลเอนจิน โดยมีขอบเขตดงั นี้ ฐานขอ้ มูล ดัง Table 1
6.1 เป็นการพัฒนาโปรแกรมเก่ียวกับ การ 6.2 ใช้โปรแกรมอันเรียลเอนจินเป็นเครื่องมือ
จัดการข้อมูลระบบจัดการร้านขายหนังสือในส่วนของการ พัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคล่ือนที่บนระบบ

Vol 40. No 1, January-February 2021 Comparison of the effectiveness of application development on android 71

operating system between visual programming of game engine ...

ปฏิบัติการแอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของ บนระบบปฏิบัติการแอนดรอยด์ได้อย่างมีประสิทธิผลท่ีสูง
เครือ่ งมอื พัฒนาเกม กว่าการพัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคล่ือนท่ี
6.3 ไม่จำ�กัดเวลาในการใช้พัฒนาโปรแกรม บนระบบปฏิบัติการแอนดรอยด์ด้วยภาษาจาวาท่ีใช้ผ่าน
ประยุกต์สำ�หรับอุปกรณ์เคล่ือนท่ีบนระบบปฏิบัติการ โปรแกรมอีคลปิ ส์ อยู่ 5 ด้าน ไดแ้ ก่ เวลาท่ใี ชใ้ นการฝกึ พัฒนา
แอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนา โปรแกรม เวลาใน การพัฒนาโปรแกรม การหยุดค้นคว้า
เกมทีใ่ ชผ้ ่านโปรแกรมอันเรียลเอนจนิ เพ่ิมเติมระหว่างการพัฒนาโปรแกรม (เช่น การศึกษาใน
7. การประเมินประสิทธิผลของเครื่องมือพัฒนา ขั้นตอน การทำ�งานที่ของการพัฒนาโปรแกรม การใช้งาน
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบี่ นระบบ ปฏบิ ตั กิ าร ไวยกรณ์ (Syntax) สำ�หรับการเขียนโปแกรมภาษาจาวาที่ใช้
แอนดรอยด์ระหว่างภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือ ผา่ นโปรแกรมอคี ลปิ ส์ คณุ สมบตั ขิ องกลอ่ งฟงั กช์ น่ั การด�ำ เนนิ
พัฒนาเกมท่ีใช้ผ่านโปรแกรมอันเรียล เอนจินและภาษาจาวา การแตล่ ะชนดิ ในโปรแกรมอนั เรยี ลเอนจนิ เปน็ ตน้ ) เวลาคน้ ควา้
ท่ีใช้ผา่ นโปรแกรมอีคลปิ สโ์ ดยผเู้ ชี่ยวชาญฯ 5 ทา่ น ทเ่ี ขา้ ร่วม เพม่ิ เตมิ ระหวา่ งการพฒั นาโปรแกรมตอ่ ครง้ั (เชน่ การคน้ ควา้
การทดลอง คุณสมบัติของกล่องฟังก์ชั่นการดำ�เนินการแต่ละชนิดใน
8. การวิเคราะห์ข้อมูลด้วยการเปรียบเทียบคะแนน โปรแกรมอันเรียลเอนจินต่อคร้ังจะใช้เวลาไม่เท่ากันขึ้นอยู่กับ
ประสิทธิผลเฉล่ียของเคร่ืองมือพัฒนาโปรแกรมประยุกต์ การนำ� ไปใช้งาน เป็นต้น) และขนาดของไฟล์โปรแกรม
สำ�หรับอุปกรณ์เคลื่อนที่บนระบบปฏิบัติการ แอนดรอยด์ สำ�หรับนำ�ไปใช้งาน สำ�หรับลำ�ดับของการฝึกการพัฒนา
ระหว่างภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนาเกม โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบ่ี นระบบปฏบิ ตั กิ าร
ท่ีใช้ผ่านโปรแกรมอันเรียลเอนจินและภาษาจาวาท่ีใช้ผ่าน แอนดรอยด์ด้วยภาษาจาวาที่ใช้ผ่านโปรแกรมอีคลิปส์และ
โปรแกรมอีคลิปส์โดยใช้สถิติ การทดสอบความแตกต่างค่า การฝึกการพัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคล่ือนท่ี
เฉลี่ย 2 กลุ่มท่ีไม่เป็นอิสระต่อกัน (Paired Sample t-test) บนระบบปฏิบัติการ แอนดรอยด์ด้วยภาษาโปรแกรมเชิงทศั น์
และคา่ เฉลยี่ เลขคณติ (Mean) รว่ มกบั สว่ นเบยี่ งเบนมาตรฐาน ของเครอื่ งมอื พฒั นาเกมทใี่ ชผ้ า่ นโปรแกรมอนั เรยี ลเอนจนิ จะมี
(Standard Deviation) โดยกำ�หนดระดับนยั สำ�คัญทางสถิตทิ ี่ ผลต่อความชำ�นาญการพัฒนาโปรแกรมของของผู้เชี่ยวชาญ
0.01 ทเี่ ป็นกลมุ่ ตัวอย่างในการวจิ ยั ครงั้ น้ี ได้แก่ เวลาในการพฒั นา
โปรแกรม และการหยุดค้นคว้าเพ่ิมเติมระหว่างการพัฒนา
ผลการศกึ ษา โปรแกรม ผลการศกึ ษา พบวา่ การใชภ้ าษาโปรแกรมเชงิ ทศั น์
ของเครื่องมือพัฒนาเกมที่ใช้ผ่านโปรแกรมอันเรียลเอนจิน
จาก Table 2 คือ ผลการเปรียบเทียบ ความแตก ใช้เวลาท่ีใช้ในการฝึกพัฒนาโปรแกรมโดยเฉลี่ยน้อยกว่าการ
ตา่ งของคา่ เฉลยี่ การทดสอบประสทิ ธผิ ล การพฒั นาโปรแกรม ใช้ภาษาจาวาที่ใช้ผ่านโปรแกรมอีคลิปส์ประมาณ 1,338.60
ประยุกต์บนระบบปฏิบัติการ แอนดรอยด์ระหว่างภาษา นาที การใช้ภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนาเกม
โปรแกรมเชิงทัศน์ของเครื่องมือพัฒนาเกมท่ีใช้ผ่านโปรแกรม ท่ีใช้ผ่านโปรแกรมอันเรียลเอนจินใช้เวลาในการพัฒนา
อันเรียลเอนจินและภาษาจาวาท่ีใช้ผ่านโปรแกรมอีคลิปส์ โปรแกรมโดยเฉล่ียน้อยกว่าการใช้ภาษาจาวาท่ีใช้ผ่าน
จ�ำ แนกตามประเด็นทดสอบ ไดแ้ ก่ เวลาที่ใชใ้ นการฝึกพัฒนา โปรแกรม อีคลิปส์ประมาณ 26.40 นาที การใช้ภาษา
โปรแกรม (1,891+87.83 นาท)ี เวลาในการพัฒนาโปรแกรม โปรแกรม เชงิ ทศั นข์ องเครอ่ื งมอื พฒั นาเกมทใ่ี ชผ้ า่ นโปรแกรม
(147.40+3.91 นาที) การหยุดค้นคว้าเพิ่มเติมระหว่างการ อันเรียลเอนจิน ผู้พัฒนามีการหยุดค้นคว้าเพ่ิมเติมระหว่าง
พัฒนาโปรแกรม (3.80+1.30 คร้ัง) เวลาค้นคว้าเพิ่มเติม พัฒนาโปรแกรมโดยเฉล่ียน้อยกว่าการใช้ ภาษาจาวาที่ใช้
ระหว่างการพัฒนาโปรแกรมต่อครั้ง (5.50+0.50 นาที) และ ผ่านโปรแกรมอีคลิปส์ประมาณ 1.90 ครั้ง การใช้ภาษา
ขนาดของไฟล์โปรแกรมสำ�หรับนำ�ไปใช้งาน (1.81+0.05 โ ป ร แ ก ร ม เ ชิ ง ทั ศ น์ ข อ ง เ ค ร่ื อ ง มื อ พั ฒ น า เ ก ม ท่ี ใ ช้ ผ่ า น
เมกะไบต)์ โดยมีค่าสถติ ิ t เทา่ กบั 2,036.15 (p<0.01) 5.77 โปรแกรมอันเรียลเอนจิน ใช้เวลาค้นคว้าเพิ่มเติมระหว่าง
(p<0.01) 43.31 (p<0.01) 13.39 (p<0.01) และ 2.56 (p<0.01) การพัฒนาโปรแกรมต่อครั้งโดยเฉล่ียน้อยกว่าการใช้ภาษา
ตามล�ำ ดับ จาวาที่ใช้ผ่านโปรแกรมอีคลิปส์ประมาณ 1.70 นาที และ
การใช้ภาษาโปรแกรมเชิงทัศน์ของเครื่องมือพัฒนาเกมที่ใช้
วจิ ารณแ์ ละสรปุ ผล ผ่านโปรแกรมอันเรียลเอนจิน มีขนาดของไฟล์โปรแกรม
สำ�หรับนำ�ไปใช้งานโดยเฉล่ียน้อยกว่าการใช้ภาษาจาวาท่ีใช้
จากการศึกษา พบว่า ภาษาโปรแกรมเชิงทัศน์ของเครื่องมือ ผ่านโปรแกรมอคี ลปิ สป์ ระมาณ 1.29 เมกะไบต์
พัฒนาเกมที่ใช้ผ่านโปรแกรมอันเรียล เอนจิน สามารถนำ�
มาใช้พัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์เคลื่อนท่ี

72 Idhisak Sridam, Sakda Sakorntanant J Sci Technol MSU

ข้อเสนอแนะ Bragg, S. D., & Driskill, C. G. (1994). Diagrammatic
graphical programming languages and DoD-STD-
ขอ้ เสนอแนะในการนำ�ผลการวจิ ัยไปใช้ 2167A. Anaheim, CA: IEEE.
1. นักพัฒนาโปรแกรมประยุกต์สำ�หรับอุปกรณ์
เคล่ือนท่ีบนระบบปฏิบัติการแอนดรอยด์ท่ีสนใจนำ�ภาษา Game Designing Organization. (2019). Top 10 video
โปรแกรมเชิงทัศน์ของเครื่องมือพัฒนาเกมท่ีใช้ผ่านโปรแกรม game engines. Retrieved from https://www.gamede-
อันเรยี ลเอนจินไปประยุกต์ใช้ในการพฒั นาโปรแกรมประยกุ ต์ signing.org/career/video-game-engines
ส�ำ หรบั อปุ กรณเ์ คลอื่ นทบี่ นระบบ ปฏบิ ตั กิ ารแอนดรอยด์ ควร
ศึกษาคู่มือการใช้งานให้ครบถ้วนเพ่ือประสิทธิภาพท่ีดีในการ Game Development. (2019). Unity-UI not scaling correctly
ใช้งาน on android. Retrieved from https: /stack exchange.
2. ผบู้ รหิ ารของสถาบนั การศกึ ษาตา่ งๆ ควรก�ำ หนด com/questions/115910/unity-ui-on-android
นโยบายในการเพ่ิมหลักสูตรท่ีเก่ียวข้องกับ การพัฒนา
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบี่ นระบบปฏบิ ตั กิ าร Gregory, J. (2009). Game engine architecture.
แอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของเครื่องมือพัฒนา Massachusetts: Wellesley.
เกมทีใ่ ช้ผ่านโปรแกรมอันเรียล เอนจิน
ข้อเสนอแนะในการท�ำ วจิ ัยต่อไป Jost, B., Ketterl, M., Budde, R., & Leimbach, T. (2014).
1. การศกึ ษาน้ี เปน็ การศกึ ษาเฉพาะในกลมุ่ ตวั อยา่ ง Graphical programming environments for educational
ท่ีเป็นผู้เชี่ยวชาญด้านการพัฒนาโปรแกรมคอมพิวเตอร์ robots: Open Roberta yet another one. IEEE
จำ�นวน 5 ท่าน ที่มีประสบการณ์ด้าน การพัฒนาโปรแกรม Computer Society, 1, 381-386.
คอมพิวเตอร์ 3 ปี แต่ไม่เคยมีประสบการณ์ด้านการพัฒนา
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอื่ นทบี่ นระบบปฏบิ ตั กิ าร Plachaiphiromsin, S. (2010). Usage trend of mobile ap-
แอนดรอยด์มาก่อน ควรจะศึกษาประสิทธิผลของการพัฒนา plication. Executive Journal, 31(4), 110-115.
โปรแกรมประยกุ ตส์ �ำ หรบั อปุ กรณเ์ คลอ่ื นทบี่ นระบบปฏบิ ตั กิ าร
แอนดรอยด์ด้วยภาษาโปรแกรมเชิงทัศน์ของเคร่ืองมือพัฒนา Portelli, G.A. (2019). Simple look-at blueprint for
เกมท่ีใช้ผ่านโปรแกรมอันเรียลเอนจินในกลุ่มผู้เช่ียวชาญท่ีมี unreal engine. Retrieved from http://www.aclock
ประสบการณด์ า้ นการพฒั นาโปรแกรมคอมพวิ เตอรใ์ นชว่ งอายุ workberry.com/asimplelookat-blueprint-for-
งานตา่ งๆ เพ่มิ เติม unreal-engine
2. การศึกษานี้ ใช้การพฒั นาโปรแกรมเก่ียวกบั การ
จดั การขอ้ มลู ไดแ้ ก่ การเพม่ิ ขอ้ มลู การปรบั ปรงุ ขอ้ มลู การลบ Sieprawski, B. (2019). Unreal engine version 4.4 released:
ขอ้ มูล และการคน้ หาขอ้ มูลมาแสดง เท่าน้นั ควรจะศึกษาการ show case. Retrieved from https://www.unrealengine.
พฒั นาโปรแกรมในลกั ษณะอนื่ เพม่ิ เตมิ เชน่ โปรแกรมตดิ ตาม com
การขนส่งแบบแสดงสถานะปจั จุบัน (Real Time) เปน็ ตน้
Soin, J., & JanYoy, P. (2011). Basic android app
เอกสารอ้างอิง development. Bangkok: Infopress Group.

Alexander, R. (2017). Moving beyond syntax: Lessons Stackoverflow. (2019). Android SDK (Eclipse) Typing
from 20 years of blocks programing in agent sheets. game, how to create an array. Retrieved from http://
Journal of Visual Languages and Sentient Systems, stackoverflow.com
3(1), 68-91.
Unreal Engine. (2019). Unreal engine end user license
Appfigures Insights. (2019). App store growth throughout agreement. Retrieved from https://www. unrealengine.
the years. Retrieved from https://www.blognone.com/ com/en-US/eula
node/101277
Zhang, K. (2010). Visual languages and applications.
Bolt. (2019). Create your game without coding. Retrieved Heidelberg: Springer Science & Business Media.
from https://ludiq.io/bolt

การพัฒนาสมการในการประมาณค่าความจุของทางหลวงชนบทสองช่องจราจรใน
ประเทศไทย โดยวิธวี ัดค่าความจุสูงสุดจากแบบจำ�ลองการจราจร
Development of equations to estimate the capacity of two-lane rural highways in
Thailand by measuring the maximum capacity using the traffic model

วฒุ ิไกร ไชยปญั หา1, ปฏภิ าณ แก้ววิเชยี ร2
Wuttikrai Chaipanha1, Patiphan Kaewwichian2
Received: 18 May 2020 ; Revised: 14 July 2020 ; Accepted: 31 July 2020
บทคัดยอ่

การศกึ ษานมี้ วี ตั ถปุ ระสงคเ์ พอ่ื ประเมนิ ผลกระทบจากสดั สว่ นรถจกั รยานยนต์ สดั สว่ นยวดยานขนาดใหญ่ และการกระจายปรมิ าณ
จราจรต่อทิศทาง ท่ีมีอิทธิพลต่อความจุของทางหลวงชนบทสองช่องจราจร และพัฒนาแบบจำ�ลองสมการในการประมาณค่า
ความจุ โดยใช้วิธวี ัดคา่ ความจุสูงสดุ จากการประมวลผลดว้ ยแบบจำ�ลองสภาพการจราจร ผลการศึกษาพบวา่ ทางหลวงชนบท
หมายเลข ขก.2009 ซ่งึ เป็นชว่ งถนนตวั แทนในการศึกษานมี้ ีคา่ ความจสุ ูงสุด (รวมสองทิศทาง) เทา่ กบั 3,648 pc/h ซึง่ สูงกว่าคา่
ความจุสงู สุดตามวธิ ขี อง HCM2010 ทีร่ ะบุไวเ้ ทา่ กับ 3,200 pc/h และสามารถพฒั นาสมการถดถอยพหุคณู เชงิ เสน้ สำ�หรับใช้ใน
การประมาณค่าความจทุ ไ่ี ดจ้ ากความสมั พันธข์ องปจั จัยทีม่ ีผลกระทบดังสมการ Capacity=3400.825-57.063M-13.525H โดย
สดั สว่ นรถจกั รยานยนต์ (M) เปน็ ปจั จยั ทมี่ อี ทิ ธพิ ลและผลกระทบตอ่ ความจสุ งู สดุ รองลงมาคอื สดั สว่ นยวดยานขนาดใหญ่ (H) ใน
ขณะทก่ี ารกระจายปรมิ าณจราจรตอ่ ทศิ ทางไมม่ นี ยั ส�ำ คญั ทางสถติ หิ รอื เปน็ อสิ ระกบั คา่ ความจขุ องทางหลวงชนบทสองชอ่ งจราจร
คำ�สำ�คัญ: ความจุ แบบจ�ำ ลองสภาพการจราจร ทางหลวงชนบท สองช่องจราจร

Abstract

The objectives of this study were to evaluate the effect of motorcycle proportion, heavy vehicle proportion, and
directional split of traffic volume on the capacity of DRR two-lane rural highways and to develop a mathematic model
to estimate maximum capacity by using the traffic model. The results showed that DRR No.KorGor.2009, which
was the model road used in this study, had the highest capacity (both directions) equaled 3,648 pc/h, and it can be
seen that it was higher than the maximum capacity according to the method specified by HCM2010 which equals
3,200 pc/h. Moreover, a linear multiple regression model was developed to estimate the capacity, on the highway as
Capacity=3400.825-57.063M-13.525H where the proportion of motorcycles (M) was the most influential factor affecting
the capacity, followed by proportion of heavy vehicles (H), while the directional split was not statistically significant or
independent from the capacity of the DRR two-lane rural highway.
Keywords: Capacity, Traffic model, DRR, two-lane, rural, highway

1 อาจารย์, สาขาวิชาวศิ วกรรมโยธา คณะวศิ วกรรมศาสตร์ มหาวทิยาลยั เทคโนโลยรี าชมงคลอีสาน วิทยาเขตขอนแกน่ 40000
1 Lecturer, Department of Civil Engineering, Faculty of Engineering, Rajamangala University of Technology Isan Khon Kaen Campus,

Khon Kaen, 40000
* Corresponding author ; Patiphan Kaewwichian, Faculty of Engineering, Rajamangala University of Technology Isan Khon Kaen Campus,

Khon Kaen, 40000, Thailand. [email protected]

นต ร ง เโชด่ยนเฉสพัดาสะอ่ วยน่างขยอ่ิงงเม่ือจกั FเรพeยีdยาeนงrพยalนอHตใiห์gตh้ร้อwถงaขจyบัักAขรยd่บี mานนiทnยiาsนงtraตt์ขioับn74 Wuttikrai Chaipanha, Patiphan Kaewwichianช 6
ยดงง้านท่ีขสับัญเคจรลห่ือลนักโดขยอไงมถ่ในชน้ หรือททาางงมหีผลลวกงรร่วะทมบกอับยย่าวงดมยาากนต่อการบทนำ� J Sci Technol MSU

พ ฤ ตปิ กรระรเภมทในอ่นื กๆา ร(Fขiับguขr่ีการประมาณค่าความจุของช่วงถนนหรือทางหลวงนับเป็น
e 1) เคมว่อื าไมหจลุข่ทอางงทมาีคงหวาลมวกง วโา้ดงยไเมฉ่ พาะอขอ้ มลู ทสี่ ำ�คัญในการประเมินสภาพการจราจรในปัจจบุ ัน และ

ถ ช่วยในการตัดสินใจเพ่ือปรับปรุงโครงข่ายถนนหรือทางหลวง
ทางกาเยพภียางพพขออใงหท้ราถงหจลักวรงยานยในชตค้ ์ขวาับมขเ่ีไรวด็ ส้องู ยซ่าง่ึ งปปฏลสิ อมั ดพภนั ัยทมี่ ีอยใู่ ห้มปี ระสทิ ธภิ าพสงู ข้นึ เชน่ การขยายช่องจราจร การ

ธร์ ะหว่าปรบั ปรุงเครือ่ งมือและอปุ กรณ์ควบคุมการจราจร การจัดชอ่ ง
งไขในการวิเคราะห์ของ วิธีทางพเิ ศษ และการวางแผนเชิงนโยบายอ่ืนๆ เป็นตน้
Federal Highway Adminisทtrาaงtiกoบnั อคงควปา์ มรกะกวอา้ งบขดอา้ งนไเหรขล่าคณิต โดยวิธีการหลักในการประมาณค่าความจุของ โครงการพัฒนาและปรับปรุงโครงข่ายทางหลวงชนบทให้มี
้ ทางหลวงสำ�หรับประเทศไทย คือ การใช้แนวทางจากคู่มือ ประสิทธิภาพสูงข้ึนในลักษณะเช่นน้ีเพ่ิมจำ�นวนมากขึ้นอย่าง
ตอ่ เนอื่ ง
อย่างไรก็ตามด้วยพฤติกรรมการขับขี่และลักษณะ
การจราจรเฉพาะตัวของประเทศไทย โดยเฉพาะอย่างย่ิง

พผลฤอตยิก่ารงรมมากกาท6ร่ีขทับำ�ใขห่ีข้กอางรรปถรจะักมรายณานคย่าคนวตา์เมปจ็นุโปดัจยจใัยชส้วำ�ิธคี HัญCทMี่มี

เกดิ ความคลาดเคลอ่ื นไปจากสภาพความเปน็ จรงิ โดยเฉพาะ
อยา่ งยงิ่ เมอ่ื จกั รยานยนตต์ อ้ งขบั ขบ่ี นทางสญั จรหลกั ของถนน
หรือทางหลวงรว่ มกับยวดยานประเภทอืน่ ๆ (Figure 1) เมื่อ
ไหล่ทางมีความกว้างไม่เพียงพอให้รถจักรยานยนต์ขับขี่ได้

อย่างปลอดภัย (Federal Highw7ay Administration, 2014)

ความกวา้ งของไหลท่ างมผี ลกระทบอยา่ งมากตอ่ การใหบ้ รกิ าร
จราจรและความจุของทางหลวง โดยเฉพาะอย่างย่ิงกับช่วง
ถนนทใี่ ชค้ วามเรว็ สงู ซง่ึ ปฏสิ มั พนั ธร์ ะหวา่ งความกวา้ งของไหล่
ทางกับองค์ประกอบด้านเรขาคณิต และความกว้างของช่อง
จราจรหลกั ล้วนมผี ลตอ่ การให้บรกิ ารจราจร (Hussain et al.,
2005) ความกว้างอย่างน้อยทต่ี อ้ งการในการขบั ขี่บนช่องทาง
จักรยานยนต์อย่างปลอดภัย (Operating Space) สำ�หรับ
ความเรว็ เฉลีย่ 60 กม./ชม. เท่ากับ 1.3 เมตร
ทางมีผลกระทบอย่างมากชต่่ออกงจารรใาหจ้บรรหกิ ลาักรจลร้วานจรมแีผลละ ต่ อก าการวิเคราะห์ความจุทางหลวงหรือ Highway Capacity
ขง่ี Manual (HCM) แต่เนือ่ งจากวิธี HCM เปน็ คู่มือท่ถี กู พัฒนา
ท างคหวลาวมงจซุขอ่ึ งงแทบา่ งงหตลาวมง โดยเHฉuพsาsะaอinย่าeงt.ยaงิ่l.ก, บั คชว่วางมถกนวน้าทงอ่ีข้ึนในต่างประเทศ การประยุกต์ใช้งานโดยตรงกับทางหลวง
ย่างนในประเทศไทยที่มีลักษณะการจราจรเป็นเอกลักษณ์เฉพาะ
งศ. 253ใ5ชค้ แวกาไ้ มขเเรพว็ มิ่สเงู ตซมิ ง่ึ โปดฏยตัวจะท�ำ ให้ผลการประเมินความจขุ องทางหลวงจากวิธี HCM
สิ มั พนั ธขร์บั ะขหบ่ี วน่างชค่อวงาทมากงจวกัา้ งรขยอานงไยหนลต่ อ์ ยา่ งขาดความสมเหตุสมผลได้ สาเหตุหลายประการท่ีทำ�ให้วิธี
ธ(ี HCM ไม่สามารถประยุกต์ใชง้ านได้โดยตรง เช่น สดั ส่วนของ
ฉบับทท่ีา2ง)กพบั อ.ศง.ค2ป์ 5ร4ะ9กอคบือดา้ นเรSขาpคacณeิต) สแาลหะรคบั วคามวกามวเา้ รงว็ ขเอฉงรถจกั รยานยนตแ์ ละยวดยานทข่ี บั เคลอ่ื นโดยไมใ่ ชเ้ ครอื่ งยนต์
ล่ยี 60ทส่ี งู (Tiwari et al., 2008) รวมทง้ั พฤตกิ รรมในการขบั ขส่ี ภาพ
วามรบั ชผ่ดิอชงอจบราขจองรกหรลมักทลา้วงแวดล้อม และลักษณะทางกายภาพของทางหลวงที่มีความ
น มีผ ลเมตต่ อรก าร ให้ บ ริก าร จ รา จ รแตกต่างจากเง่ือนไขในการวิเคราะห์ของวิธี HCM เป็นต้น
ม (ปิยวฒั น์
นบททHาหusนs้าaทinเ่ี ปe็นt.โaคl.ร,งขคา่วยามกว้างอย่างน้อยท่ตี ้องการในการ
หทนอึ่งงเใกนรปียรวะ,เภ25ท5ข6อ;งTทaาnงwห7aลnวiงcซhk่ึงuแlบe่งtตaาl.ม, พ20ร1ะ3ร)าช
ยาคมขนขสบั ง่ ขกบ่ี บั นโชค่อรงงขทา่ายงจถกันรนทางหลวง (ฉบับที่ 2) พ.ศ. 2549 คือ ทางหลวงชนบท ซ่ึงอยู่
บญั ญตั ทิ างหลวง พ.ศ. 2535 แกไ้ ขเพม่ิ เตมิ โดยพระราชบญั ญตั ิ
ยานยนตอ์ ยา่ งปลอดภยั (Operatingในความรับผิดชอบของกรมทางหลวงชนบท โดยทางหลวง
อ ชนบทท�ำ หนา้ ทเี่ ปน็ โครงขา่ ยรองในการสนบั สนนุ การคมนาคม
น สนับSสpนaุcนeก) าสราทห่อรงบั เคทว่ียาวมเรว็ เฉลย่ี 60 กม./ชม. เท่ากบั 1.3ขนสง่ กบั โครงขา่ ยถนนหลกั อยา่ งทางหลวงแผน่ ดนิ สนบั สนนุ
นาเมอื เงมอตยรา่ งบรู ณาการและบูรณาการและย่ังยืน แก้ไขปัญหาจราจร ทางเล่ียง ทางลัด
การท่องเที่ยว การพัฒนาชายแดน การพัฒนาเมืองอย่าง

ย (กรมทางหลวงชนบท, 2563) ปัจจุบันทางหลวงชนมีมากว่า
รวมทงั้ เปน็ ทางหลวงทอ้ งถน่ิ ใหแ้ กอ่ งคก์ รปกครองสว่ นทอ้ งถนิ่
างเลย่ี ง ทางลดั รวมทงั้ เป็น Figure 1 Motorcycle driving3,200สายทางระยะทางในความรับผดิ ชอบรวม48,031.391
นค์กรปกครองส่วนท้องถิ่นทกโิาลงเหมลตวรง(ชสน�ำ นบกัทบสำ�่วรนงุ ทใหาญง ่กดรังมทที่ไดาง้กหลล่าววงมชานขบ้าทง4ต, 2้น5ท6ำ�3ห) นท้า้งั ทน่ีี้
carriage wayเชอ่ื มโยงการเดนิ ทางระหวา่ งชมุ ชนและหมบู่ า้ น จงึ มมี าตรฐาน
ว ชั้นทางท่ไี ม่สงู มากนกั หรือเปน็ เพยี งถนนขนาด 2 ช่องจราจร
า 3,200 สายทาง ระยะทางไหล่ทางกวา้ งไมเ่ กนิ 1.0 เมตร
ะ การประเมินประ5สิทธิภาพในการรองรับการจราจรท่ี
31.391 กโิ ลเมตร ทงั้ น้ที างเกิดข้ึนในปัจจุบันและอนาคตของโครงข่ายทางหลวงชนบทท่ี
งานวิจัยน้ีได้ทาการประมาณกล่าวมาข้างต้นนจ้ี งึ มคี วามสำ�คญั อย่างมาก โดยเฉพาะอยา่ ง
นด้กล่าวมาขFา้ igงตur้นeท1าหMนot้าoทrc่ียิ่งการใช้ในการประกอบการพิจารณาขยายช่องจราจรหรือ
งนางกั ชหุมรอชื เนปแ็นลเพะหยี มงถู่บน้านนขนจึงามดcี yacrlreiadgคขหreอวลivางวwinไมงagหชจyลุbนแ่ทeบบhาบทaงทvสไiมอoาrง่งเกอชoิน้อ่nอมงt1hจ.eหร0ารเจอืมรตนInรอdกดireเ้วมc4
Figure 1 Motorcycle driving behavior on the carriage way

แม้กระท่ังการออกแบบแนวเส้นทางใหม่เพ่ือรองรับปริมาณ
จราจรท่ีจะเกิดข้ึนในอนาคต ซ่ึงนับวันจะมีแนวโน้ม

สามสาภรถาพจกาลารอจงรลากั จษร ณ(TะraสfภficาพMกoาdรeจl)รซาง่ึจมรปีภราะยสใทิตธ้ปภิ รามิ พาแณละ ทางแยกหรือมีระยะห่างระหว่างทางแยกสญั ญาณไฟ
จ ราคจวราทม่ีแนต่ ากเชต่ือ่ าถงือกเันป็ นแ ลทะ่ียพอมฤรตับิกอรยร่ามงขกอว้างงผขู้ ขวับางขใ่ีทน่ีไกมา่ ร จราจรอยา่ งน้อย 3.ท2างหกบลโิวทลง่มุ ช–เนบมบสทตารขารกญขน้ึ ไป จากเงอ่ื นไขขา้ งตน้
สปสคพทกชาภนาวาฏฒั มรงาบาิบสจคจสปพสสนนหามพทาภาาัรตาวาาฏรฒัลจใมมมสาลแาไถาิแิบวกุขนอปาจาามชกVขหไกมพบอสลงัมลตรารรองoวนาาีรปรใจางชบใะถ่เถแถl้เรรชาิืชอแทงบกรุกขรกต4พปแนงจจบจสะถ่องล้ทิน่วีล0แใอ็มราIัฒทสาาบาาานบงnะ.สนจ้เะงต1ลิลรทลนรคตจdNกนแทบอมจไ.ถนอเวอธอกi0ราoงงาวม็ใาทาดrคสไินภงจาeรนชงงแาโณตลาเค1มใ้อบนจพลcมไลสดบจ่อานกม,อน่าควำาtว่ดง่พตมืงกไรอับม-ฤJยงาลโจ่างจิาภEจชรมaใ้ตแษจีโตนสดกรคอยัตมุกรนnm่อาำลา่ดอ่อมปเงมวานกิณยาuทจรัลนภพคะp้วงกจไากaีโไรี้กรรตงุอค่ียiจมขรดปะrาสาแอr่ใอืรเะาyางวiนรวรสพทคร้จนcนม-อมกลทสนรสเาิธFงอุขาaภาำสค่กใอืภกมะางาาีกeใ่ีทากกlจอนลนาทbนมณพนสายาาาเาเงรMื่อาพrกพสมรรารร่ชใ่าีทuทวกสฤนคไปขปeมืนปอาเaกนก่วดาชดดาทาสรtต่rารงบรงาัทการhyอไะ่ืหอระป่ีขคยถ้แรนคิกรขoะมดดมาซค2ถจใอนรทวรจ่dาอมอไ่0ีารราร่ึงห้แืคอ่างบะนัารดน2ณคณนามานรใยเทค่มซอ้1บมาจเปห้เ่ณาีคมวไกคคขโป่ึจงวสนานรจ็คนรดวดด้บ่าา่เขาณร้็าามคนกุปขาขิกยคคทยว(้รภอรมงอมTอ่ืาา็าวนแวเอ้าาคี่ยาปกิลยยาrกนคงจานรามงองนอ่รaาือมรยามวปผ่าไุสยาีจกทวfมคจจวกดfะ้ราจจใกiู้รงรงูวขาารcุสารวงใขเตมุ้อจแุ ะงิัิธสบลชมใกลขงัูงบาาอยบ้รปมาMีนก้แอุดอหอะสืมใจงจร่าาบขณราานนทoยงทเงวุดกุแขจลรจทรมิ่ณีไอทdลว่าามทคุแขลใอหใหวาราeงทงะาีย่ีนนไrทคลง่ใอะางงลหนงาlกเuณา)อมอนด่ท่ะางrงงึ่ลวงัง้ aียอ้ซ่ใใ้วาาDlนนดมึ่งงงงheivgehlwoผตpaวู้วัmyแจsิ กeรFกทงุยัniรเทnงุขiเtพทนไอขgพนอoTดนแใufhแกน้เก่นear่นลกeqilอืauาn2aกรdtศiทoLbกnึาoysงษcmหtaทาoeาtลงaieดหoวsบsลงnัuวtทงiงุ่มแmrชชi–onนสaบนgบfดtสทeาบDtรงขhาtกญใทheRนemRขcFaaกxNipgi.ma2oucu0.riKtem0yo9o2crfaGเptปwao็ocนr-i.tlช2yan่ว0.e.0ง. ถ9น7น5
วคพวตฒัั าถนทวกชมนาตาปาเัุจพรแงบุขถรนหใสทสบทสบ่ือทนอะปาุาูงาทลร่่ีีแบปสภมงไสสกิมตวาำรจอปทุดาาราไากงงะครดงารแะใราชตถคจชสชสคล้ลเถง่านรจมนอ่อ่งอะ้งจง์หาาำบนพาางกินำงาคจลลมนขจทสัันฒลรอผ์ทวา้รใใอแมงสนนงนาลดงลลงยอกาสจชแกกกัพะาแงาภรทพษานกรฤบชรตานรฤใณะบตบใ่พอน่อปกตนทิกจะงททใไาิกรกสำากจรปบราะสรลภลรปงรามรขออเ้มปาารรมตางพองฏจะกปขม็ณสมชกบริงาอรคมาสารต่ปคัองะวณกรขผาแิม่ัางาจจาับหลู้ขคมคจรารจะับา่ขจารใวรณแยัคนจีุ่ขไบัาาทวเดรกที่ทคมจเพบภา้เปา่ีไ่าร่จีมมส่ือไารม็คนมุขจนยมปีอ่สแมว่ขุแอใาำือราิทตลอโีาเงะนมนอสป้ะงมมทธาวกนจถรทารพิจาเารอมินณถลางสุิงคาลนสดหอืใกคณา่นโำาตรว้ก่ลาคาดรกจว่คยอใววรยวรามนวาจงตารทมาไใจรหมดจ้ังรงุ้้
การสารวจขอ้ มลู
วธิ กี ารปจรเุขะพอย่ืองกุ ทปตารใ์งชะหเแ้ ลมบวินงบผชจนลาบกลทรอสะงอทสงบภชขา่อพงอจงกรปาัรจจรสรยั ำาทหจ่ีมรับีอเิทป็นธแพิ นลวตเล่อือก กFiาgรFuศirgกeึ urษ2eา2LนoL้ีไcoacดat้ทitoioาnnกooาffรDDสRRาRRรNวNoจ.Koแo.ลKrGะooรrGrว.2บo0r0ร.92ว0ม0ข9อ้ มูลท่ี

วิธีกคพาวฒั ารนมใชวนานจิจแกุบขบายัทอรบสงนจอทำาางไาชลปง่ออใหชงงจล้งสราวมานงจกใชรนาตนรก่อบใาไนรทปกปสารอะรงมปชารณ่อะมงคจา่ารณคาวคจาา่รมคจแวุขลาอะมงททจาุาดกงหว้ายลรวง ใจจนการจาเกาำาปเรจาป็สนรรน็ กาปใใานไนรรรดวกกกกะศจา้แมาาารกึขรรรกาพศสษพอ้ณ่ฒัึกาำ(ามฒั1รนษคนลูว)านา่า้ีไจแนคขดาขบี้ไแว้อทอ้บดาบมมจา้ทมาำบกลููำลาลจากจกอุขราางาสรอลยสาภงอำาภรทางรวพาสาวจกพงจภแาหแารลลไลจพะะดรวรรกา้แงววจาชบบกรรเนร่รจพวจวบรอื่ มามาใทขชนจข้สใอ้ รวนอ้ มอเกนมพูลงาูลชทช่อรื ท่ี่อ่อใช่ีงง้
จจรปารเจะปมร็นาคณในวคกา่ามาครวกพาวมฒัา้ จงขุนอแางแลทบะาภบงหาจลพาวลถงอช่างนยสบทภทาาสงพอองกาชกา่อรางจศจรา(2จ)รรเปไพดรแ้่อื มิ กใาช่ ณ้
พืน้ ทวธิ่ีศกี กึ าวษรตั ปาถรปุะยรุกะเพตสอ่ืใ์งชปคแ้ร์ะบเมบนิ จผาลลกอรงะสทภบขาพองกปาจั รจจยั รทามี่ จอี รทิ ธพิ ลตอ่ ความ ปสจใจจร่ว(ภ((รน13รรรานาัถบ))ากาจพขจจบขจารเถัก้อรอ้ทรุแรคา่รมมปยลคียยคลูไูลทระวาสดกลบะนสาาำาา้แมงมยดหัยแอไกานกรภสาลดณ่ับตกวา่วะ(้ป์แพา1า้นครรศรง)กถ่ถายไบั (ดค่ยขแ2าขเคทน้แ)วลน้อนกปตียาะวมพา่รบ์สมภาจูลมิาดว่ จาาำไมาหกนนใดพุขณหบเานแ้วอถรจคุยนกญะง็่าวรค่ชภทคาย่เ()ล่อจวราฉทางรแาถพงแจแาพมหลลจรลงเะาไาอกะะรลั รจสว็ดะาวรถร(ดเัก้แยจงฉ3ขสคชาุกาพดน)ว่วศน่านาาขจดะบมยยเ(อ้จใาว2ากนทหดุมนน)ลวตญสพเาู้ปลวาวอ์ง)่านสรรลใงหแแมิถนาาชชนลลใาหย่นกอ่อะะะณนรงงาบัตร์
เดจกรินาารทจเดรานิแงทลาะปงสรปดั ิมรสมิ า่วานณณยจจารรนาจาพรจบารหนบชนว่นะงชถ(รน่วถนงจแถกั ลนระยเนวาลนาแยหลนา่ ะงตเต์ วรวั ลถอยยาา่ นหงต่า์ง
ห3.ล0ววพเงมิธงืน้ ชตาีกทนจใจรนช่ีาศำุาขบว้แคลรอกึ ทิบจอวงวษงบทัยาิจส2าจามนมยังาำ ก้ชีหนกลวอา่ลอาราง้วงเใสงงสนจภชขกนรนาอาาพอบงรจกทเปไรฉาหสรระอพลคจมงร่ทาวาชาณะา่าอจผงงมรคจทล่ากรคากาววงจ้าาารไรงมมขศแจุล่เอึกกดะงษท้วนิ ชยำาา่กวอ1ขิธา.ง0อีรกจพางรเรัฒทมาปนตจาราะงรรแยบุกบต์
ตสปวภั ่วรอานัพบยบก่าเทางุครภียคสาาำลบพรวแกไจลดาขะรอ้้แรสมกถาลู ่ ขรคดวนังวจแาาขสดมอ้ดใงมหเรใลูนญ็ว่เดF)ฉiงัgแพแuลrสาeะดะ3(งจ3ใุด)นขเF้อวiมgลูลuาสrใeนาหก3ราบั ร
ซปวปคกทสงเบบิเัาาอ่งึ่วีจรคอ้ืหรปเยะาจปหสปทปซค3กวงวรนรเ่ใูมัยต.ิ็เัาาาอ่งึน่วีจทนจลระ0ดคคหอรน้เะยมะาวจแรเปศขรวเ่ืขนนคแไวจหคชแอลหล8เ่ใูมงูปัยาลม็ดอา-นงจทนาำไัยตกลว่นาิธนต1ชดณาๆ์คอขะตแกก้าะ0บคาะทใู่แกษรเบ่ึงศกีขอนดน่รืดขันมาำรรนหลบอไวูปทขตลเณทอยาหทวาวไเบดกขเตาอาๆโ์่วางบขขะคแจ่ีเบคบรทนดะมบวท่ีงตแงออ้ทดภิตจวร2าวบอหเรวา้ยดจเทจลยกาฉทรวใอ่ีางพัิยธขเมกวาองงามบุจิมขานน่ชเา2คืวอาำพบข่จมทม่ีตน้ืกีอนเดภัวีเงีอีคนคัยมเ่หอ่ึกกงมมอHลานขมหภเกรใ่ีาทบ้ิชีธมนววองงทวีขณงะนน่า้อืโอวอืขCลอจวจิเีาจผไ่ศี่ืี่ออเไีแคาดขรามศอ่ึักวงมมเHงยมฑัหา้รนม้อนดMกึลงมลเคตงูยวมลขาขงนงนาคอลสืขCใ์ไะจีม้ผษไือชใทจดภนขัรทาขมนอี้อท่ลปงวแนสน้อดรงMรนรูาลลคกอาเใมาาำขงาานเสัขจาีิกาาตมว้นลอบยทเกาดดภงังทอใจองคาแยจสสแัหรรอกูืมททเใลไกเหเณัยรนานหวนาาตรฉเใคากตวลาหกาทคภลรอทใานแงตอ้ย้กกแรลหลองพืมฑ่นอืกดัชล่ีใหมค่ืันบกหเาวร่่ืกกอัหงใ้ากาวกฉเไ่ทรเทก่วาิน่ๆเตวใ้ยอ์กตลนลกมม่นพ้บาคงรพพชงับนวงะบาเา่ัอืงใ้าาไรว้เ่กรรคพจชเีา่วนื้้าลา่อถผืงกทตมกดกรกมพมิกงรางะงงรอื่รททนาาะคัินกน่ี้อชล้ะกากคผจาชขีาลอ่อถืคยอศศนี่กสหาาว่วบรรกนษลอรรวน1าาคงักนวะกึจำบาใงงึ์ขเากกวเงอ.ศท้าานเนทเกาถวลบหม0ษณนษงอวมหชารมณไรงษบปึากนาอวีเทผรื่ืารลงทอท่อเมะสขศณสน็งมัระบมงเศนวรณลกาษาง่ใีคยบานทะ่เ่ะืะออึกหิทธเกตึะแสกททจหกนดะงพเอื้ด่ฉาะาี่ใีคงยษลนไรทาษระลาชำา่ีหเนวิง้้บีหHนเผควน้ชืาระดขง่พฉใาะาศวกตซดไวัาลหจงศหCกข้้บรีู่้อเทผวคววไ1นใง้ขใพง่ึขบเลวารวึก้กทนอลกิMใกเจ.งชรนาิู้จวศว่ีงใป0ปะา(อนงลวษาากยกจาิTนใม3นชนาิัยจทกึกรงแแร็นงะาาทนากรรr.รเามชคนะบ0ัจาaยรษกทรไนแแวมลลาไี่มใาการมงนำnสาูปุบจมมดทมน้ีไผลลีตคจาะรรหาใะาาเนsาำาบแุทมดมทนู้ว้ีว่pะรงรระณรลรวทบิจั้งตoาว้ีวณททบมมัrยจรงtี่ีี่
งบปRระeมseาaณrcทhจ่ี Bาoกaดัrdโ(ดTยRมB)เี ,ก2ณ01ฑ0ใ์ ;นDกeาpรaเrลtmอื กenพtน้ื oทf Hศ่ี iกึghษwาay, เดินทาง ปริมาณจราจรบนช่วงถนน และเวลาห่าง
เบอ้ื ง2ต0น้118-1;0Sไhดaแr้ mกa่ มeทtี aศั l.น, 2ว0สิ 1ยั3ใ)นไดกแ้ ากร่ มมทีอศังเนหวน็สิ ยัทใช่ีนดักเาจรมนอไงมเห่ น็
ตวั อยา่ งภาพการสารวจขอ้ มลู ดงั แสดงใน Figure 3
ทช่ี ดั เจน ไมม่ ผี ลกระทบจากอบุ ตั เิ หต/ุ อบุ ตั เิ หตกุ ารณ์ เปน็ ชว่ ง (a)(aT) Traraffffic VVoolulumme CeoCunotunt (b()b)TTrraaveellTTimime eSuSrvueryvey
ถนนทตี่ รงความยาวอย่างน้อย 500 เมตร ไม่มีผลกระทบของ
(a) Traffic Volume Count (b) Travel Time Survey
(c(c()c))HHHeeeaaadddwwwaaayyyTFTiTmiFgiimemiugSeuerureerSSv33euuyrrDDvvaeeatyaytaC((dCod(l)dl)oe)SclSlStepipopocnootttitoSSSnpppeeeeededSdSurSuvruevyrevyey

การคดัFเiลgอืuกreแบ3บDจaาำ tลaอCงollection
การคัดเลือกโปรแกรมท่ีใช้ในการจำาลองสภาพการ
ทางแยกหรือมีระยะห่างระหว่างทางแยกสัญญาณไฟจราจร จราจรในการศึกษาคร้ังนี้ ได้ทำาการทบทวนผลการศึกษาทั้ง
อย่างน้อย 3.2 กิโลเมตรข้ึนไป จากเง่ือนไขข้างต้นผู้วิจัยได้ ในและต่างประเทศที่เก่ียวกับการเปรียบเทียบประสิทธิภาพ
เลือกทางหลวงชนบท ขก.2009 เป็นช่วงถนนตัวแทนในการ
ศกึ ษา ดังแสดงใน Figure 2

โป รแ ก รม ท่ีมีป ระ สิท ธิภ า พ เห ม า ะส ม ใน ก า รพัฒ น า Period รวมช่วงเวลาในการประมวลผล 5,400
วนิ าที หรอื 90 นาที
แบบจาลองสภาพการจราจรเพ่อื ประมาณค่าความจุของ หลงั จากนัน้ ทาการสรา้ งโครงข่าJยSจciรTาeจcรhn(oTl rMaSffUic
ทาง7ห6ลวงชWนutบtikทraสiอCงhชaiอ่ pงaจnhรaา,จPรaนtiอphกaเnมKอื aงeใwนwคicรhงั้ iaนn้มี ชหี ลาย
โปรแกรม เช่น Aimsun, Paramics และ Vissim เป็นต้น Network Build) การตัง้ ค่าตัวแปรในการประมวลผล
ซ่งึ ทุกใโนปกราแรทกำ�รงมาลนว้ขนองมแีคตว่ลาะมโปสราแมการมรถทแี่เปล็นะทปี่นริยะมสแทิ ลธะภิใชา้ใพนการ (S imulatioหnลPังจaาraกmนั้นeทteำ�rกsาSรสetรt้าinงgโค) รตงงั้ขค่า่ายกจราารจปรระ(เTมraนิ fผficล
โVอด่นืisยไsรดimวจชกจ้1ม1ำำ��นวเลลไ่าบอนอมอโทย่ืปองง่แส่สารสงตอภงแภจกงไกาาาชรตพรพกอ่กม่ากงกมต็งทาจาแรีฟ่ีามรรจลามีปัจงรจะผรรากรสะจานู้ว์ชาสจรอจิมเิทรัน่กพยัอาธทเื่อไยรมิภป่ดีถส่าอืารง้เงเาพะลทแใคมนเอพืยีหัญาคกรบมณร่หทใางั้เคชคลนะ่ีส่าส้ายโีมี้ คายปมหีงวมใใกรลานนาแมาบั ปกรยจกโัาจถโุขปรปรจอจมรพรุบงแาแัฒทันPลกกานรTอรงซมามVหง่ึงแเลพบชวนบ่บง ลปตัรข(แNพรSวบอะeiธจmงบมt์แสwขจuวบอำ�loอaลลบบrtงอikผจoคงำแ�nลวBล(บPาSแอuมaiงบบmirlคadบu(จลmE)laจาาvetกดaiลาtoelาลเnuอrครsaอRงตลtSiงu้ัo่องื en(nคนEt()st่SาiเvแnบตiaCgลmัอ้ืว)lะouuกแงตnalตาปfง้ัaitgรคi้นtรoตui่าoใnrรกน(ansวEาtกจiรroRCสาปrnouอoรร)rบnปะnปเ)Cคfรมiรgวะแhินะาuมeลผมมrcวaลวะคkลลtลกลiioผnพัผาาngดลลธร))์
สภาพAกimาsรuจnร, าPจaรraแmลicะsพแฤลตะิกVรisรsมimขอเปง็นผตู้ข้นับขซึ่งีไทดุก้อโปยร่าแงกรม ตวัเคอลย่ือ่านงเแบบ้อื งบตจน้ าล(EอrrงoฐrาCนhทeพ่cี kฒัingน)าตขัวน้ึ อจยา่ กงแโบปบรจแ�ำ กลรอมงฐาPนTทVี่
ใชขกอ่ับลงเ้ขจคร่ีเส2ลไยีนา5ว้ามงื่อจ5มน่กง3รตามจ)นบรัคี าาถออสวกเมยากภทมม่าเชีฟียางสมบพ่ไังอาอืรกเมจกคงง์ชารต็ใียจรั่นนงิางถทรทมกปแี่สาผั่เบีลรกำ�วู้จโะะคปดิจิปเรัญทัยรขรหแไะทศน้ึดสก่ีสไลบเ้ทิรทลาัมกนธมอื ยภอิ ทาก่ืนาร(ใเาชถพชไNงดโ้จโ่นoหปด้ำ�n(รลลยพว-แอรวLุฒฤกวงงaมรสิไตชnกมภไกินeมรารPบแ่พรBไTตทชกมaVกยาสกsตรปVeอาา่จัญidงรงรsแาsหลจimาะร, VIพSฒั SนIMาขด้นึ งจั แากสโดปงรใแนกรFมigPuTrVe V4ISSIM ดงั แสดงใน Figure 4
Behavแiลoะrพ) ฤแตลกิะรกรามรขแอซงงผบขู้ บันขชไี่ ่อดงอ้ จยรา่ างจใกรลใเ้นคทยี งศิ กทบั าสงภตารพงจขรา้งิ มทเ่ี กดิ
(Has ขpน้ึaบssนiทngางหlaลnวeง)ช1น2 บซท่งึ สมอคี งชวอ่างมจเรหาจมรานะอสกมเมออื ยง่าในงปมราะกเทในศไทย
กชก่าอารรงขจจบาัBเข2รชล0าแ้าa่น2มอจsซ0eรงงพ)d(ซพยHฤซ่งึวฤBaตึง่ไดseตมิกดhยีคิกรp้รaารวaรบvั นมาsรioผมsกทมriเลาn)ข่ีหกรgกบแัมาขรลารชับlaะะะขาข้nสทกกบัี่ไeมาบม)วขรอ่ตจ่าแ(ยบ่ี าPไซา่ามนดlกงงaชอมบ้ทรn่อยานuถางกnา่ชงจจใgง่หอนกรั เงาลสกรTจจามยวrรรaรงาอาืหnจจชนนsล�ำ รนpลักยจใoอนบรนrง(ทงิtทNตพิศVo์สแฤทneอลตา-rกิะLkงงeaตรhรnรมreง,
ก า ร ขั บ ขี่ บ น ท า ง ห ล ว ง ช น บ ท ส อ ง ช่ อ ง จ ร า จ ร ซ่ึ ง ไ ด้ รั บ
กพVIาน้ื SรฐSพาIกV ขผนMฒั บัาIลสSนรชกดาSพา้ราหาIกะMฒแั รเวทนบบั่านบกกดไิแนบาจดาาำ�บจแรกราเอ้ นพบพกายบาินลัรา่ฒจัฒรบงถกาอโนนเจาจลดสงาาราักอมฐแยโลแรืองดบาเบอยนยรนบ(งาบจBเ่ิมจนฐรจรaำ�่ิมตางิยำ�sลตน้ลนนeอ้นอโตจงดDจง์แฐาาฐยaลากกานtะใaกนกชกโาดา้โาfรoยปรรตrขใตรั้งชัSบแคัง้้โiแ่กปาmคซขรร่าu้องแมขlยมกa้วอูลtPรiดมoพมTยn้ืนูVลP)าฐนTาทนVี่
สาหรบัสำ�กหารับศแกึ บษบาจนำ�้ี ลเชอง่น (Base Data for Simulation) สำ�หรับ FigFuigruere44PPTTVV VVIISSSSIMIMBBasaesmeomdeoldoef lDoRfRDnRo.Rขกn.2o0.0ข9ก.
2009
ก▪ารศกึกาษรตานงั้ ค้ี เ่าชโน่ ครงขา่ ย (Network Setting) กาหนด
การปรบั เทียบแบบจ�ำ ลอง (Model Calibration)

กกา Vแารaลรlปตะidกรรaบาั tวiรoเจกทตnาส)ีรยรวอบปจบรแสับบคอเบทวบียจาคบามวแลาถบอมูกบงถจตูก(ำ�M้ อตลoอ้งองdแงeแบ(lMบบCoบจadจleาiำ�blลลrCออaatงงiloib((nMrMa)otoแidodลnee)ะll
CหปTrนlรaa่วะsffยs••iเcภ วaกวaปTดั ทRnnัดrารเaddeรปะเขfปตเfg็นiCภอcCน็ั้งuทคaaงlMRMat่าขtยeeetโeอeigคggoาttงourrรonยนiirlcงcrayาขyพt)นเi)่าoพกปยาnกาำ�็หา(หเหนNปหนนน็นeนะดะtwดเL(LปoVeเ(e็นVปrfektf็-heนts-3ihSscid3ilieecปdetletรปeTitnะrรyaเgTtpภะf)rfyeiaเทcภกp,ffหำ�eCทiไcห,ดนlaน้แว่ sดกยs่ Vaดlำ�iเdนaินtiกoาnร)โดยนำ�แบบจำ�ลองฐานที่ถูกพัฒนาข้ึนมาประมวล
ไ ด้ แ กร่ถยรนถตส์ ยว่ นนบคุ ตค์ ลส่ (วPCน) บรถุ จคกั ครยาลนย(นPตC์ ()MC) ผลแกลาะนรำ�ปผรลับลเัพทธีย์ทบ่ีไดแ้มบาบเปจราียลบอเทงีย(บMกoับdขe้อlมCูลaสlภibาraพtกioาnร)
▪ รถจกั รยแาลนะรยถนขตน์า(ดMใหCญ) แ่ (ลHะVร)ถขนาดใหญ่ (HV) ปดารนจ(Mะรเ.)นามoจdินวจรeลาทกlกผส่ี Vาน�ำลaรรั้นแlโวidทดลจaำ�ใะยtนกiนoนสาnานรา)ผตาแซลมรบ�้ำลใวนอบจพั กีชสจธคว่ อาท์งรบชลั้งไ่ี คว่ัอดโโวดงมม้ ายฐงามใเาเรชถปนง่ ้ขูกดรอ้ทตว่ยี ม้อ่ีนถบูลงเูกชสเขทภาพ้อยีา(งัฒ0พแบ7บกนก.3าบาบั0รจข-จข0ำ�ร้ึน8อ้ลา.มมอ3จ0รงูลา
พ ฤ ต• ิ กพรฤรติกมรกรมากรารขขั บับขขี่ ่ี(D(rDivrinivginBgehBaevhioar)viกoำ�rห) นด สภที่าสพำ�รกวจาใรนจสรนาาจมรใทนส่ี ชา่วรงชวั่วจโใมนงสเรน่งดาม่วนในเยช็น่วง(1ช6วั ่.0โ0ม-ง17เร.0่ง0ด่วนน)
▪ ก า ห นCMดaordeFCloaPllorawrFainomgleloMteworsidneแglลเMะลือLoกadใneชel้ WCเ ลhieaืdอnegกmeaใMnชno้ d9e9l เชโ้าดย(ท0งั้7ก.3าร0ป-0รบั 8เ.ท3ยี0บนแล.)ะกจาารกตนรวัน้ จทสอาบกคาวราตมรถวกู จตสอ้ งอขบอคงแวบาบม
ถโชดูกัตกจดว่ ย�ำาั้อชตโลรใงนม้อเอชขดีชงงงอ้ขนิี้วนขเง้อัดทรใ้ีแอช่มคงาบงต้ง่าดูลบแวัคโ่สจวบดชลำ�ภนยว้ีาบลดัผดาเอจลยเพคงาคขม็อืนลกลอีคปอื่อาง่า(กนรรง1Gมิาจใ6ร(นาEรMปณเ.Hา0กรoจจบัณ(0dรรGเาe-ฑททe1จlยีo์ท่ีสร7Vบfบ่ียาf.raแ0นอรelลyวชi0มdะว่จรEตaงับนใ.tรถiนไHวo)นดจสnaนโ้ตสv)นดอาeแซามrบยลsม้าหคะ)ทอใเวลซวนั้งากีักึ่งลมกชเกคาปถใ่าวารนน็กูรงงรั้
เลือกใช้ Free Lane Change
• ช่วงเวลา (Time Intervals) กำ�หนดเปน็ 6 ชว่ งๆ ทางสถติ ทิ มี่ หี ลกั การเชน่ เดยี วกนั กบั Chi-Squared อยใู่ นชว่ ง
0.2-0.7 (สำ�หรับการเปรียบเทียบปรมิ าณจราจร GEH ไม่เกิน
ละ 15 นาที (900 วินาที) ครอบคลมุ ช่วงเวลาที่ 5) และค่าร้อยละความแตกต่างอยู่ในช่วง 2.7-10.4 (สำ�หรับ
พจิ ารณา 1 ชว่ั โมง และเพม่ิ ชว่ งของการ Warm-Up การเปรียบเทยี บเวลาในการเดินทาง ตอ้ งคลาดเคล่ือนไมเ่ กนิ
Period และ Cool-Down Period รวมช่วงเวลาใน ร้อยละ 15) ซ่ึงผ่านตามเกณฑ์การปรับเทียบแบบจำ�ลองที่
การประมวลผล 5,400 วินาที หรอื 90 นาที อา้ งองิ จาก DMRB (Barton-Aschman Associates Inc. and

Cambridge Systematics Inc., 1997) ผลการปรบั เทยี บแบบ
จ�ำ ลองและการตรวจสอบความถกู ตอ้ งแบบจำ�ลอง ดงั แสดงใน
Table 1 และ Table 2

Vol 40. No 1, January-February 2021 Development of equations to estimate the capacity of two-lane 77

rural highways in Thailand by measuring the maximum capacity ...

Table 1 Calibration results of base model 2) สัดส่วนยวดยานขนาดใหญ่ (Percent Heavy
Vehicles) พิจารณาจากการกระจายของสัดส่วนบนทางหลวง
Model Calibrations Traffic volume Travelling speed ชนบทตามข้อมูลปริมาณการจราจรบนทางหลวงชนบทใน
(veh/h) (km/h) ความรับผิดชอบของแขวงทางหลวงชนบทขอนแก่น (กรม
ทางหลวงชนบท, 2562) การศึกษาน้ีกำาหนดช่วงสัดส่วน
Dir. 1 Dir. 2 Dir. 1 Dir. 2 ยวดยานขนาดใหญ่เปน็ 0%, 5% และ 10%

Observe 334 222 74.6 76.2

Model 338 233 69.2 68.2

%Diff. 1.20% 4.95% -7.15% -10.41% 3) การกระจายปรมิ าณจราจรตอ่ ทศิ ทาง (Directional
Split) เม่ือปริมาณจราจรเพ่ิมสูงขึ้นความต้องการในการแซง
GEH 0.22 0.73 - - จะเพิ่มมากข้ึนเช่นกัน ในขณะท่ีโอกาสและความเป็นไปได้ใน
แซงกลับน้อยลงเน่ืองจากปริมาณจราจรในทิศทางตรงข้าม
Table 2 Validation results of base model หนาแนน่ มากขน้ึ ซงึ่ อาจจะสง่ ผลตอ่ ความจขุ องทางหลวงสอง
ชอ่ งจราจรได้ การศกึ ษานกี้ าำ หนดชว่ งของการกระจายปรมิ าณ
Model Validations Traffic volume Travelling speed จราจรต่อทิศทางท่ีมีความเป็นไปได้ตามแนวทางของ HCM
(veh/h) (km/h) (Transport Research Board (TRB), 2010) เท่ากับ 50/50,
60/40 และ 70/30
Dir. 1 Dir. 2 Dir. 1 Dir. 2

Observe 249 305 76.6 69.1

Model 257 301 71.1 67.2 การประมาณค่าความจุด้วยแบบจำาลองสภาพ

%Diff. 3.21% -1.31% -7.18% -2.72% การจราจร

GEH 0.50 0.23 - - การประมาณค่าความจุด้วยแบบจำาลองสภาพการ
จราจร โดยการใชแ้ บบจาำ ลองทไ่ี ดท้ าำ การปรบั เทยี บและทาำ การ
ตรวจสอบความถูกต้องเรียบร้อยแล้ว กำาหนดสถานการณ์ใน
ปัจจยั ทม่ี ีผลกระทบตอ่ ความจใุ นแบบจาำ ลอง เจขสกพ้ึานนาม่ิรมทกจาปุกรำารๆลรถะิอมทร2ับงาัง่0ปไณเ0ดรกับ้จิคนสเรันปรคา/้าลชจวง่ียั่วราเนปโขมมค็น้ึนจง่าค/ุทปททวัุจก่ีิาศจจมทๆะัยสสาพัมง2ารพ0มจ้อัน0นามธกรกค์รถรับะันะหรเท/พับชว่ัง่ิม่าัวเไ่ งกปดโคินรม้ วิมคสงาาว/รมณทา้าเมริศจงจ็วรเทุทแาปาลจี่จ็ นงะระ
จากการทบทวนผลการศึกษาที่เก่ียวข้อง พบว่า คปวริมามาณสมัจรพานัจรธ์รโะดหยวแ่าตง่ลคะวสาถมานเรกว็ าแรลณะ์จปำารลมิ อางณถูกจปรราะจมรวลโดผยล 80.0
ปัจจัยท่ีอาจจะมีผลกระทบต่อความจุของทางหลวงชนบท แจาำตน่ลวะนสถ1า1นคกราง้ั ร(ณW์จaาsลhอinงgถtoกู nปSรtะaมteวลDผepลaจrาtmนeวnนt 1of1Tคraรnงั้ s1-6 70.0Speed (km/h)
สองช่องจราจรมีหลากหลาย เช่น จำานวนทางเช่ือม ความ เกปแpสพตoาำาร่หอืรrกะtศเรตaมปบักึาt่ ว็iนกงษoลกกาnานัผร,านศใรล้ีน2ึกสดใ0กษุ่มนงั1าาแพแร4นสป)ฤตี้ ดรด่ตลเะงังพกิมะใแ่ืนอครวสรลเรดปFมผงัง้ ็iนลกใgนสใกาuนรถาrFแeขราiตgสบั5นล่uุ่มขะrกeพค่ใี าหรฤ5รง้ัแ้ตณสติกถ์กจรารตานมล่ากกงอากางรรนณัสขใาจ์ ับนาำหขกลรี่ใอาับหงร้ 60.0
กว้างช่องจราจร/ไหล่ทาง สภาพผิวจราจร/ไหล่ทางความ Base Model 50.0
ลาดชัน/โค้ง การกระจายปริมาณจราจรต่อทิศทาง สัดส่วน % of MC (M) % of HV (H) Dir. Split (D) 40.0
ยวดยานขนาดใหญ่ สัดส่วนรถจักรยานยนต์ การจอดรถ 30.0
และสภาพอากาศ เป็นต้น (วุฒิไกร ไชยปัญหา และคณะ, 0% 0% 50/50 20.0
2561) ทั้งน้ีเมื่อพิจารณาสภาพท่ีเข้าใกล้อุดมคติและกำาหนด 10.0
ลักษณะทางกายภาพที่เป็นไปตามมาตรฐานการออกแบบ Capacity 10% 60/40 0.0
และให้บริการในปัจจุบัน รวมทั้งพิจารณาเกณฑ์ในการ Model 5% 70/30
เลือกพื้นที่ศึกษา สามารถกำาหนดปัจจัยที่มีผลกระทบต่อ Test ผลการ
ความจุของทางหลวงชนบทสองช่องจราจรในการศึกษาน้ี 20% ผ
ไดด้ งั น้ี 10%
1) สัดส่วนรถจักรยานยนต์ (Percent Motorcycle) ในการว
รถจักรยานยนต์ไม่ได้ถูกรวมเข้าไปในการประมาณค่าความจุ 30% ความจ
หรอื ในขน้ั ตอนในการวเิ คราะหข์ อง HCM ใดๆ ทง้ั สนิ้ เนอ่ื งจาก พจิ ารณ
ในสหรัฐอเมริกามีสัดส่วนการจดทะเบียนรถจักรยานยนต์ Scenarios
น้อยมาก (Tiwari et al., 2008) แต่สำาหรับประเทศไทยรถ 1
จักรยานยนต์มีสัดส่วนการใช้ทางหลวงชนบทในบางสายทาง FiFgiugurere55 SScceennaarrioiosstetsetst Motorc
อาจมากถึงร้อยละ 30 โดยจักรยานยนต์มีผลต่อพฤติกรรม ความจ
ในผู้ขับขี่และการใช้ความเร็วบนทางหลักซึ่งส่งผลโดยตรงต่อ ผลการวิจยั เท่ า กับ
ความจขุ องชว่ งถนน สดั สว่ นรถจกั รยานยนตส์ าำ หรบั การศกึ ษา เปรยี บเ
นกี้ าำ หนดชว่ งเป็น 0%, 10% 20% และ 30% การประมาณค่าความจุในสภาพพื้นฐาน (Base เฉล่ียร้อ
Condition) 20%) แ

ผลจากการประมาณค่าความจสุ งู สดุ ของทางชนบท
สองช่องจราจร ดว้ ยแบบจาลองสภาพการจราจรระดบั

สองช่องจราจร ดว้ ยแบบจาลองสภาพการจราจรระดบั 20%) และ 2.07 (ในช่วง 21-30%) ในแต่ละระดบั ของ
จุลภาคสาหรบั แบบจาลองในสภาพพ้นื ฐานหรอื อุดมคติ สดั ส่วนรถจกั รยานยนต์ท่เี พิ่มข้นึ ทุกๆ 1% ผลกระทบ
(Ba7s8e CoWnudtittiikorani)Cพhaบipaวn่ าha,มPีคat่ าipคhaวnาKมaeจwุ สwูiงchสiaุ ดnช(รว ม จากสัดส่วนรถจกั รยานยนต์ต่อความJ จSุขciอTงecทhาnoงlหMลSวUง
สองทิศทาง) เท่ากบั 3,648 pc/h ซ่งึ สูงกว่าค่าความจุ ชนบทสองชอ่ งจราจร ดงั แสดงใน Figure 7

สงู สุดผตาลมกวาธิรขีวอจิ งัยHCM 2010 ท่รี ะบุว่า ความจุของทาง 4000 3648
หลวงสองช่องกจารราปจรระภมาายณใตค้ส่าภควาาพมใจนุใอนุดสมภคาพตพิ ค้ืนอื ฐา1น,70(B0ase 3500
สรpะcอว/งh่าทงใสสCศิ คนอำาoทวงหnทาชาdรงิศอ่มัiบtงผเทiแจoรลผบรnาว็ ากล)บงแจจาเลจรารดำาะกดปียลปกว้ รอยวาระงรแมิมปใบแาานรบลณณสะจมะภคจาำ าสลาร่าณูองพาคงคสจวพส่าุรดาื้นภคใมทาวฐนจพาา่ีสแุมนก3ภลจาห,2ุสะราร0จูงคพือสร0วพอาุดาจุดpข้นืมรcมอรฐส/งะคhามัทดตนพาบัริ งจวนั(ดชBลุ มธนงั ภa์บาsทคe Capacity (veh/h)3000
2500 2601
2000 2206

1750

แสดงใCนonFdigtiounre) พ6บวา่ มคี า่ ความจสุ งู สดุ (รวมสองทศิ ทาง) เทา่ กบั 1500
3,648 pc/h ซง่ึ สงู กวา่ ค่าความจุสงู สุดตามวธิ ีของ HCM 2010 1000
ที่ระบุว่า ความจขุ องทางหลวงสองชอ่ งจราจรภายใต้สภาพใน 0 %10Motorcycle 20 30
อุดมคติ คอื 1,700 pc/h ในทศิ ทางเดียว และสูงสดุ ที่ 3,200
pc/h รวมสองทิศทาง ผลการประมาณค่าความจุและความ FiguFriegu7reIm7 pDImaRpDcaRtRcoRttfwotfwMoMo-o-loaltatononrreeccyyhhcciglieglheshwsowanoyancyacpaacpitaycfiotyr for
สัมพันธ์ระว่างความเร็วและปริมาณจราจรในสภาพพ้ืนฐาน 2) ผลของสัดส่วนยวดยานขนาดใหญ่ (Percent
ดังแสดงใน Figure 6
รHเHเเ1ปฉวพHส(กกส0eCใมดอัลราบัน%eaิ่มMรยีงสยa่ีสvสชขค)ทvว่บyภร2ว่2อาำ้นึyนิศใอ้ง0เา)นงVนททยพทVย11วทeวแายี0eพุณล-กhดิผศง5hตบะนื้เๆด%iยผiลททc่cลกฐวา้ล0lขl)า่าาeะeบนยั1.กกนแอsงร9sวข%สรับ)ลจะ)เง6ธินภะทะะดทสีท3าHทเซ(า่า0ีส่ดหบดัั,ใสC่ี4พบ่ึง.กัดนใน็ส6ข7ดMัหเจพสบั3ชว่ว2มอสญ2าว่า่น้่ืวน่(ืงอแ0่วกนคท่ใ3งฐ1สยลนนเวสเี่,0าท5ะดพั4าชว1ดัน%5มผี่วย37ด-ม่ิสส5จ%จลง,2ขบ่ยว3ว่แ%มะุกน้ึ66นนากลเครีแแ-2ทห)นะะย1ยับา่ลลกทุแvน0็ลขวว1กะะeๆ%บดลวด0นดhาจละ1่า%3)1ย/ยาราhงค0%ใ,าด0กคาเ3น%ใวฉเน.สนใหมา6ซแ6าลหขดั นือ่ค้ตข2งึ่ม3ย่ีใสนญเเา่ล่นหวรจมปว่คv(าะอ้ณ่มุใอื่นคา้รeรวดย(นยีเดยคะี่าาhPทใดลดบชวมคใหา่/eะยี้hวดับหเ่วจลวrญทบ0ยยุรขcงดาญเ.กยีวาe่9อตมวมล6บบนัม่6ทnงิ่ธอ่ืงอจ-t่ีีุ แบบจา
ศทาง 80.0 413 782 คขวนาามดจใุขหอญง่ตท่อาคงวหาลมวจงุขชอนงบททางสหอลงวชง่อชงนจบรทาจสรองดชงั่อแงสจดรางจใรน หลวงชน
งเป็ น Fดigงั uแrสeดง8ใน Figure 8
โดย 70.0 1188 1579 1918 3648 จา
ครงั้ 16 60.0 4000 สภาพจ
นการ Speed (km/h) 50.0 2347 2746 3157 3544 ผลกระท
าหรับ สามารถ
40.0 ( Multiple
ประมาณ
30.0 ผลกระท
แปรเข้า
20.0 สถิติ SP
ทางสถติ
10.0 Capacity
เมอ่ื
0.0 3648 3472 3362
0 1000 2000 3000 4000 Ca
it (D) 3500 M
Flow (pc/h) H
Capacity (veh/h) D
50 FiFgiguurree66 SSppeeeedd-F-FlolwowCuCrvuervofeboasfebmasoedeml odel 3000
Table 3
40 ผคลวกาาผมรลจวจุ ิเาคผผกลรลกจากาาะากรหรกปผ์วาริเรละคปยกรรกุ ระาตะยะทุก์ใหชตบ์ผแ้์ใจชลบา้แกบกบรจบปะาจัทจลำาจบอลยังอจสทงาสภก่ีมภาปีตาพัจพ่อกจกคาัยาวรรทจาจ่ีมรมราาีตจจจ่อุ รร 2500 two-lane
30 2000
Model
ในในกกาารรววิเิเคคราะหห์ผ์ผลลกกรระทะทบบจาจกาปกัจปจัจยทจ่ียัมีผทล่มี กีผระลทกบรตะ่อทคบวตา่มอ 0 %Heavy5Vehicle 10
คMพวจดสรจิoวุาขดังัาtมoนมอสรปrง้ีว่ณจ1cทนรุข)yามิาcอ1างlด0ง1eณหส%ท)งั)ลัรนสดา,วทถดั2ง้ีงจส่ี0สหสชกั %่ว่นัลดวรนวบยแสนรงาทล่ถวนชะสรจนยนอ3กั ถน0บงร1ตช%ยทจ่)์อ0าัสใเนงก%หทอจยค้า่รรง,นกาา่ช2ยตคจบั อ่0์รว(าง2%Pใานจ,มนe6รแrจ0แcาตยรุ1eจลว่ลn2รนมะะt,ใ2ปสMนต03อัจoแ6ง์จ0tทตัยoแ%(ศิr่ลพลPcทะะิจyeใปาc1าrหงlcร,ัจe7eณ้(ค)จ5ไnทม่ย0าัาtี่่
Base ควveาhม/hจุรเมวอ่ืมเสปอรยีงทบเศิ ททยี าบงกบั(ไสมภร่ าวพมพปนื้ รฐมิ าานณจะรเถหน็จกวั า่รคยวาานมยจนมุ คีตา่ ์) FiguFriegu8reIm8pImapcatcotfoHf Heeaavvyy Veehhiciclelessononcacpacpitaycfiotyr for
ชนบท เทล่ดาลกงัเบฉล2ี่ยร,้อ6ย0ล1ะ 22.8,72 0(ใ6นช่วแง ล1ะ-101%,)715.502 v(eในhช/hว่ งเม11่ื อ- DRDRRRtwtwoo--lalannee hhigighhwwayay
ระดบั เเ2ปฉ0รจ2ดรลถ%0ักงั ยี่%ียแจร)บักสยร)แดรเา้อแทยนงลยลใายียะนะลนบนะย22Fตก.น.i0์2ต0gบั ต7u.่อ7สท์8rค(eภ7ใ่ีเ(วพนใา7านช(ม่ิพมใว่ขชนจพง้ึน่วุขชน้ืท2งอ่ว1ฐุกงง-2าๆท3น10า1-1จ%ง-3%1หะ)0เ0ลหใ%ผ%วนน็งล)แ)ชวกตใ1น่ารนล่ ะ.คบะ5แทรวท2ตบะาสด่ลจม(อบัาใะจงกนขรชุมสอะช่อคีดังด่วงสา่สับจงลัดว่ รขดสนา1่วอรลจ1นถรงง-
ดมคติ สดั ส่วนรถจกั รยานยนต์ท่เี พิ่มข้นึ ทุกๆ 1% ผลกระทบ (D(รDวiriมereสcc3อtti)งiooทnn3ศิaaผ)ทllลSาผSขงpลpเอlขทiltiง)tอา่)กทกงทาบักีส่ ร่ีสดัาก3รสดั ,รก่ว6สะนร4่วจะ5น6าจแ0ยา/ล6ยป4ะ0ป0ร/3รมิแ4ิ,มล6า0าะ4ณณ1แ7จลจ0vร/ระe3าาh0จ7จ/hรใ0รหตต/เ3มค้่อ่อ0่ือ่าททคเิปศศิใวหรทาทียม้าคาบจง่งาุ
(รวม จากสัดส่วนรถจักรยานยนต์ต่อความจุของทางหลวง คเวทาียมบจกุรับวสมภสาอพงพท้ืนศิ ฐทาานงจเะทเห่าก็นบวั ่าค3ว,6า4ม5จุมแีคล่าะลด3ล,6ง4เพ1ียvงeเลh็ก/h
วามจุ ชนบทสองชอ่ งจราจร ดงั แสดงใน Figure 7 เมน่อื้อเยปรผยี ลบกรเทะทยี บบจกาบั กสกภารากพรพะจน้ื าฐยาปนรจิมะาเณหจน็ รวา่าจครตว่อามทิศจุทมาคี ง่า
ลจตFรดi่าอgลจคuงรrวเeตพาม่อ9ยี จทงุขศเิ ลอทงก็ าทนงา้อตงย่อหคลผววลงากชมนรจะบุขททอบงสทจอางาชกง่หอกงลาจรวรกงาชรจะนรจบดาทยังสแปสอรดงมิ ชงาใอ่ ณนง
จราจร ดงั แสดงใน Figure 9

4000

3648 3645 3641

งทาง 4000 3648 3500

1,700 ) 3500 3000
(veh/h)

เม่อื เปรยี บเทยี บกบั สภาพพน้ื ฐานจะเหน็ ว่าความจุมคี ่า 10%)

ลดลงเพยี งเลก็ น้อย ผลกระทบจากการกระจายปรมิ าณ D คือ การกระจายปริมาณ จราจรต่อทิศทาง
จVรoาlจ4ร0ต. ่อNทo ศิ1,ทJาaงnตua่อrคy-วFาebมrจuaุขrอy ง2ท02า1งหลวงชนบทสองช่อDงevelopment of equation(ใsนtoช่eวsงtiสmดั aสte่วtนheกcาaรpกacรiะtyจoาfยtwปoร-lมิanาeณจร7า9จร
จราจร ดงั แสดงใน Figure 9 rural highways in Thailand bบyนmทeศaิ sทuาrinงgหtลhกัe m5a0x-i7m0u%m)capacity ...

4000 3648 3645 3641 Table 3 95%CI for coefficient estimates of DRR
3500
Table 3tw9o5-l%anCeIhifgohrwacyoecaffpicaiceitnyt(EenstetirmRaetgersessoifonD) RR
twMood-elal ne highBway capStadc.Eitryror(EnterBReteagressiSoign.)
Capacity (veh/h)
3000 (CoMnsotadnet)l 3417.07B5 201S.0td59.Error Beta .000 Sig.

2500 (CoMnstant) -5374.01673.075 2.325051.059 -.970 .000 .000

2000 HM -13-.5572.5063 6.4520.355 -.084-.970 .044 .000
50/50 0/40 70/30
DH -0-.21731.525 3.2265.450 -.003-.084 .934 .044
Directional Split
D -0.271 3.225 -.003 .934
FigFiugruere99IImmppaaccttoof fDDireirceticontiaolnSaplliSt opnlitcaopnaccitaypfaorcDityRRfor
DRRtwtwo-ola-nlaenheighhwigahyway อย่างไรก็ตามหากพิจารณาผลการวิเคราะห์เฉพาะ

แบบจำ�ลองสมการสำ�หรับประมาณค่าความจุ ตัวแปรทอี่มยีน่ัยาสงำ�ไครัญก็ทตาางมทหางาสกถพิติทจี่ชา่วรงณระาดผับลคกวาามรเวชิเ่ือคมรั่นาะห์
ทางหลวงชนบทสองช่องจราจร 9อต(D5าวั )เจคจ%แฉลรวปไะมพาารจทม่จมทะางิ้ พีนรี่มเะตชตัยอีบตวั ่อืส่ทิอวแัวม�ำ่าธปทแคพินัร่ิศตัญปดลทัว9งัทรกแก5าทับาปล%งงค่ีมรา่สวกว(ีถนจาDนาติมัะยร)ไ้ี ิพจกปส(ไนุครบไามดะ้อา่ วค่จม้ยโ่าSาัญดมีนยiยตาgัยทปกทวั สร>าำ�แ(ิมางกคป0าคทา่า.ณรร0ญั าBกว5จงeเิาท)รคสtราaการกถจางล=รระิตส่าตหะ-วิทถ.่อจใ์0คหทิต่ีาช0ือมย3ิศิ่ว()ด่ทปเงคปวซ้ารร่าน็ยงง่ึมิะดSาณiับg
จากผลการประมาณคา่ ความจดุ ว้ ยแบบจ�ำ ลองสภาพ กา>รเ0ล.อื0ก5ต)วั กแลป่ารดวว้คยอื กาเปรน็น�ำ ตตวัวั แแปปรรเขทา้ ่มี โดอี ยทิ วธธิ เีพิ พลมิ่ กตบวัั แคปวราอมสิ รจะุน้อย
จราจรทไี่ ดท้ �ำ การปรบั เปลย่ี นคา่ ปจั จยั ทม่ี ผี ลกระทบตอ่ ความจุ แบมบาขกน้ั ต(อคน่า B(Setetapw=is-e.0R0e3g)reซs่งึ sอioาnจ)ลใะนทโป้งิ รตแวักแรมปทราดงงั สกถลิต่าิ วน้ี
รวมท้ังสิ้น 36 สถานการณจ์ �ำ ลอง สามารถพฒั นาเป็นสมการ
ถดถอยพหคุ ณู เชงิ เสน้ (Multiple Linear Regression) ส�ำ หรบั SPSS แสดงผลลัพธเ์ ฉพาะตัวแปรท่ีมีนยั สำ�คัญทางสถิติ ซ่ึง
ใช้ในการประมาณค่าความจุท่ีได้จากความสัมพันธ์ของปัจจัย จะทำ�ให้การประมาณค่าความจุของทางหลวงชนบทสองช่อง
ทมี่ ผี ลกระทบกบั ความจุ ดว้ ยการเลอื กตวั แปรโดยวธิ นี �ำ ตวั แปร จราจรอาจเลือกใช้สมการท่ี (2) แทนได้ (ผลการวิเคราะห์
เขา้ ทงั้ หมด (Enter Regression) ในโปรแกรมทางสถติ ิ SPSS ทางสถติ ิ ดังแสดงใน Table 4)
ดังแสดงในสมการที่ (1) (ผลการวิเคราะห์ทางสถิติ ดังแสดง
ใน Table 3) Capacity=3400.825-57.063M-13.525H (2)

Capacity=3417.075-57.063M-13.525H-0.271D (1) Table 4 95%CI for coefficient estimates of DRR two-lane
highway capacity (Stepwise Regression)
เมอ่ื
Capacity คือ ความจุของทางหลวงชนบทสองช่อง Model B Std.Error Beta Sig.
จราจร(veh/h)
M คอื สดั ส่วนรถจักรยานยนต์ (%) (ในชว่ ง 0-30%) (Constant) 3400.825 53.776 .000
H คือ สัดส่วนยวดยานขนาดใหญ่ (%) (ในช่วง
0-10%) M -57.063 2.320 -.970 .000
D คือ การกระจายปริมาณจราจรตอ่ ทศิ ทาง (ในช่วง
สดั ส่วนการกระจายปรมิ าณจราจรบนทิศทางหลัก 50-70%) H -13.525 6.352 -.084 .041

ผลการวเิ คราะหโ์ ดยวธิ เี พม่ิ ตวั แปรอสิ ระแบบขนั้ ตอน
มีนัยสำ�คัญทางทางสถิติที่ช่วงระดับความเชื่อม่ัน 95%,
R2 = 0.946 และค่าคลาดเคล่ือนมาตรฐาน (Standard
Error of Estimate) = 155.599 ตัวแปรอิสระท้ังหมดมี
ผลกระทบตอ่ ความจใุ นเชงิ ลบ เมอื่ ปจั จยั มสี ดั สว่ นหรอื ปรมิ าณ
เพ่ิมมากข้ึนจะทำ�ให้ความจุทางหลวงชนบทสองช่องจราจร
ลดลง โดยสัดส่วนรถจักรยานยนต์มีผลต่อความจุมากกว่า
สัดสว่ นยวดยานขนาดใหญ่

80 Wuttikrai Chaipanha, Patiphan Kaewwichianช J Sci Technol MSU

สรปุ ปิยวัฒน์ ทองเกรียว. (2556). การพัฒนาแบบจำ�ลองระดับ
จุลภาคเพื่อหาความจุและระดับการให้บริการของถนน:
พฤติกรรมการขับขี่และลักษณะการจราจรเฉพาะ กรณีศึกษา อำ�เภอเมือง จังหวดั ขอนแกน่ . วทิ ยานิพนธ์
ตัวของประเทศไทย เป็นปัจจัยท่ีมีผลอย่างมากท่ีทำ�ให้การ ปรญิ ญาวศิ วกรรมศาสตรมหาบณั ฑติ สาขาวชิ าวศิ วกรรม
ประมาณค่าความจุของทางหลวงชนบทสองช่องจราจร ซ่ึง โยธา บณั ฑติ วิทยาลยั มหาวิทยาลยั ขอนแกน่ .
โดยท่ัวไปใช้วิธีการของ HCM เกิดความคลาดเคล่ือนไปจาก
สภาพความเป็นจริง โดยเฉพาะอย่างย่ิงเมื่อต้องขับข่ีบนทาง วุฒิไกร ไชยปัญหา. (2553) การวิเคราะห์ทางเลือกของ
สัญจรหลักของถนนหรือทางหลวงร่วมกับยวดยานประเภท ระบบการจดั การจราจร ณ บริเวณหา้ แยก (ศาลเจา้ พอ่
อื่นๆ เมอื่ ไหล่ทางมีความกวา้ งไมเ่ พยี งพอใหร้ ถจักรยานยนต์ หลกั เมอื ง) จงั หวดั ขอนแกน่ โดยใชโ้ ปรแกรม PARAMICS.
ใช้ขับขีไ่ ดอ้ ยา่ งปลอดภยั วทิ ยานพิ นธป์ รญิ ญาวศิ วกรรมศาสตรมหาบณั ฑติ สาขา
ผลการวิเคราะห์และประมาณค่าความจุของ วิชาวิศวกรรมโยธา บัณฑิตวิทยาลัย มหาวิทยาลัย
ทางหลวงชนบทสองช่องจราจร โดยใช้แบบจำ�ลองสภาพการ ขอนแกน่ .
จราจรในคร้ังนี้ พบว่า การประมาณค่าความจุสูงสุดเท่ากับ
3,648 pc/h ซง่ึ สงู กวา่ ค่าความจสุ ูงสุดตามวิธขี อง HCM 2010 วฒุ ไิ กรไชยปญั หา,จ�ำ รสั พทิ กั ษศ์ ฤงคารและลดั ดาตนั วาณชิ กลุ .
แตส่ อดคล้องกบั ผลการศึกษาในอดตี ของ Kim (2006) ซ่งึ ผล (2561). การประยุกต์ใช้แบบจำ�ลองสภาพการจราจร
การประมาณคา่ ความจขุ องทางหลวงสองชอ่ งจราจรอยใู่ นชว่ ง ระดบั จลุ ภาคในการประมาณคา่ ความจขุ องทางหลวงชอ่ ง
1850-2100 pc/h/dir หรอื ประมาณ 3700-4200 pc/h จราจรนอกเมือง (เกาะกลางถนนแบบยก). วารสารวจิ ัย
จากการพฒั นาสมการถดถอยพหคุ ณู เชงิ เสน้ ส�ำ หรบั มหาวทิ ยาลยั ขอนแกน่ (ฉบบั บณั ฑติ ศกึ ษา), 18(2), 1-15.
ใชใ้ นการประมาณคา่ ความจทุ ไ่ี ดจ้ ากความสมั พนั ธข์ องปจั จยั ที่
มผี ลกระทบ ซง่ึ ประกอบดว้ ย สดั สว่ นรถจกั รยานยนต์ สดั สว่ น ส�ำ นกั บ�ำ รุงทาง กรมทางหลวงชนบท. (2563). โครงข่ายทาง
ยวดยานขนาดใหญ่ การกระจายปรมิ าณจราจรตอ่ ทศิ ทาง พบวา่ กรมทางหลวงชนบท ประจ�ำ ปงี บประมาณ 2563. https://
ปัจจัยท้ังหมดล้วนมีผลกระทบต่อความจุในเชิงลบหรือทำ�ให้ maintenance.drr.go.th/wp-content/uploads/2019/12/
ความจขุ องทางหลวงลดลง โดยสดั สว่ นรถจกั รยานยนตป์ จั จยั drr-2019-12-23_09-27-51_076997.pdf
ท่ีมีผลกระทบสูงสุด รองลงมาคือสัดส่วนยวดยานขนาดใหญ่
ในขณะท่ีการกระจายปริมาณจราจรต่อทิศทางไม่มีนัยสำ�คัญ Barton-Aschman Associates, Inc. and Cambridge
ทางสถิติหรือเป็นตัวแปรที่มีอิทธิพลกับความจุน้อยมาก Systematics, Inc. (1997). Design Manual for Roads
สอดคล้องกับท่ีระบุใน HCM2000 (Chandra and Sinha, and Bridges. U.S.Department of Transportation.
2001) ความจุของทางหลวงสองช่องจราจรแทบจะเป็นอิสระ
กับการกระจายปริมาณจราจรต่อทิศทาง อย่างไรก็ตามการ Chandra, S. & Sinha, S. (2001). Effect of directional split
ศึกษานี้อยู่บนสมมติฐานการวิเคราะห์ทางด้านกายภาพและ and slow-moving vehicles on two lane capacity. Road
พฤตกิ รรมเฉพาะพ้นื ท่ี ซ่งึ การศึกษาและวเิ คราะหเ์ พิ่มเตมิ ใน and Transport Research, 10(4), 33-41.
หลายๆ พื้นทหี่ รือเงื่อนไขอืน่ ๆ จะทำ�ให้การประมาณคา่ ความ
จมุ ีความนา่ เช่ือถอื มากยิ่งข้นึ Department of Highway. (2011). Design guideline of road
medians and road widening. Bureau of Surveying
เอกสารอ้างองิ and Design, Department of Highways, ministry of
transport, Thailand.
กรมทางหลวงชนบท. (2562). รายงานผลการสำ�รวจและจัด
เก็บข้อมูลด้านการจราจรพร้อมการวิเคราะห์และคาด Federal Highway Administration. (2014). Highway
การณ์ปริมาณจราจร โครงการสำ�รวจออกแบบถนน Functional Classification: Concepts, Criteria and
สาย ขก.1011 แยก ทล.2-บ.พระยืน อ.เมือง,พระยืน Procedures. https://www.fhwa.dot.gov /planning/
จ.ขอนแก่น. กรมทางหลวงชนบท กระทรวงคมนาคม. processes/statewide/related/highway_functional_
classifications/fcauab.pdf
กรมทางหลวงชนบท. (2563). ขอบเขตอำ�นาจหน้าท.่ี https://
drr.go.th/ Hussain, H., Uma, R., Ahmad, R.S., Farhan, M.S.
and Dadang M.M. (2005). Key Components of A
Motorcycle-Traffic System– A Study Along The
Motorcycle Path In Malaysia. IATSS research, 29(1),
1327-1339.

Kim, J. (2006). Capacity Estimation Method for Two-Lane,
Two-Way Highways Using Simulation Modeling. PhD
thesis. The Pennsylvania State University.

Vol 40. No 1, January-February 2021 Development of equations to estimate the capacity of two-lane 81

rural highways in Thailand by measuring the maximum capacity ...

Planung Transport Verkehr. (2020). PTV Vissim 2020 Tiwari, G., Fazio, J., Gaurav, S., & Chatteerjee, N. (2008).
User Manual. https://usermanual.wiki/ Document/ Continuity Equation Validation for Nonhomogeneous
Vissim20102020Manual.1098038624.pdf Traffic. Journal of transportation engineering ©
ASCE, 134(3),118-127.
Sharma, N., Sarkar, P.K., & Velmurugan S. (2013).
Estimation of Capacity for Multi-Lane Divided Transport Research Board (TRB). (2010). Highway
Inter-Urban Highways using Videography Technique Capacity Manual 2010. 5th Ed., National Research
of Data Collection. Lecture notes in 6th Urban Mobility Council, Transportation Research Board, Washington,
India Conference & Expo 2013. D.C, U.S.A.

Tanwanichkul, L., Pitaksringkarn, J., & Thongkrew, P. Washington State Department of Transportation. (2014).
(2013). The study of highway cross-section design Protocol for VISSIM Simulation. https://wsdot.wa.gov/
criteria from traffic volume perspective using traffic sites/default/files/2010/05/10/VISSIM-Protocol.pdf
micro-simulation. Engineering and Applied Science
Research,  39(3), 241-248. Retrieved from https://
ph01.tci-thaijo.org/index.php/easr/article/view/4957

ผลของการใช้กรวดแม่น้�ำ โขงเป็นมวลรวมหยาบทม่ี ีต่อคณุ สมบัติของคอนกรีต
Effect of gravel from the Mekong River as coarse aggregate to concrete properties

สทิ ธริ กั ษ์ แจ่มใส1*, ภาคณิ ลอยเจริญ2
Sittiruk Jamsai1*, Phakin Loyjaroen2
Received: 15 July 2020 ; Revised: 7 August 2020 ; Accepted: 10 September 2020
บทคดั ย่อ

งานวิจัยน้ีมีวัตถุประสงค์เพื่อศึกษาคุณสมบัติของคอนกรีตที่ใช้กรวดแม่น้ำ�โขงเป็นมวลรวมหยาบ ผลการศึกษาคุณสมบัติของ
กรวดพบว่า คา่ ดชั นีความแบน คา่ ดชั นคี วามยาว และก�ำ ลงั ต้านทานการสกึ กร่อน อยใู่ นเกณฑม์ าตรฐานสำ�หรับคอนกรีตทวั่ ไป
และคอนกรตี ทท่ี นตอ่ การขดั สี ผลการทดสอบก�ำ ลงั อดั ประลยั ของคอนกรตี พบวา่ การใชก้ รวดเปน็ มวลรวมหยาบแทนหนิ ปนู ท�ำ ให้
ก�ำ ลงั อดั ประลยั ของคอนกรตี ลดลงรอ้ ยละ 7 และรอ้ ยละ 4 ส�ำ หรบั คอนกรตี ทใี่ ชใ้ นงานโครงสรา้ งทวั่ ไปและใชใ้ นงานคอนกรตี อดั แรง
ตามลำ�ดับ ผลการทดสอบกำ�ลังต้านทานแรงเฉือนพบว่า คอนกรีตท่ีใช้กรวดเป็นมวลรวมหยาบแทนหินปูนจะส่งผลให้กำ�ลัง
ตา้ นทานแรงเฉอื นลดลงรอ้ ยละ 27 และรอ้ ยละ 30 ส�ำ หรบั คอนกรตี ทใี่ ชใ้ นงานโครงสรา้ งทว่ั ไปและใชใ้ นงานคอนกรตี อดั แรง ตาม
ลำ�ดบั ซง่ึ เป็นผลมาจากแรงต้านการเฉือนจากการขัดกนั ของมวลรวมทีใ่ ชก้ รวดตำ่�กว่ากรณีที่ใช้หนิ ปูนเป็นมวลรวมหยาบเพราะ
มพี ้ืนผวิ ท่ีเรียบกวา่ อยา่ งไรก็ตาม คอนกรตี ทใ่ี ช้กรวดเปน็ มวลรวมหยาบยงั มีกำ�ลงั ตา้ นทานแรงเฉอื นมากกวา่ ค่ากำ�ลังตา้ นทาน
แรงเฉือนของคอนกรตี ท่ตี อ้ งการในการออกแบบองค์อาคารคอนกรีตทไี่ มอ่ ัดแรงประมาณ 3 เท่า
คำ�ส�ำ คญั : คอนกรตี กรวดแมน่ ำ้�โขง มวลรวมหยาบ ก�ำ ลงั ตา้ นทานแรงเฉือน

Abstract

The aim of this research was to study the properties of concrete made using the gravel from the Mekong River as
a coarse aggregate. The results indicated that gravel properties ; Flakiness Index, Elongation Index and abrasion
resistance of concrete were within the standards for general concrete and abrasion resistant concrete. The results of
the compressive strength test of concrete showed that the use of gravel as a coarse aggregate instead of limestone
causes the compressive strength of concrete to be reduced by 7% and 4% for concrete used in general structure and
prestressed concrete respectively. The results of shear strength tests showed that concrete using gravel as a coarse
aggregate instead of limestone reduces shear resistance by 27% and 30% for concrete used in general structure
and prestressed concrete, respectively. Shear resistance from aggregates interlocking of concrete using gravel was
lower than limestone used as a coarse aggregate because of a smoother surface. However, concrete using gravel
as coarse aggregate has a shear strength approximately 3 times greater than concrete required in the design of
non-prestressed concrete building elements.
Keywords: Concrete, Gravel from Mekong River, Coarse aggregate, Shear strength

1 อาจารย์ สาขาวิชาโยธาและสถาปตั ยกรรม คณะเทคโนโลยีอตุ สาหกรรม มหาวทิ ยาลยั ราชภฎั สกลนคร อ.เมอื ง จ.สกลนคร 47000
1 Lecturer, Faculty of Industrial Technology, Sakon Nakhon Rajabhat University, Mueang District, Sakon Naknon, 47000.
* Corresponding author ; Dr. Phakin Loyjaroen, Tel: 081-393-5982, E-mail: [email protected]

Vol 40. No 1, January-February 2021 Effect of gravel from the Mekong River as coarse aggregate to 83

concrete properties

บทนำ� resistance) ความทนทานต่อการเปลี่ยนแปลงอุณหภูมิ
(Resistance to the change in temperature) ความพรุน
งานก่อสร้างจากอดีตถึงปัจจุบันนิยมใช้โครงสร้างคอนกรีต และการดดู ซมึ น�้ำ (Porosity and absorption) ความคงตัวตอ่
เสริมเหล็กเป็นส่วนใหญ่ เนื่องจากคอนกรีตมีเน้ือสม่ำ�เสมอ ปฏิกิริยาทางเคมี (Chemical stability) ลักษณะรูปร่างและ
แน่น ทึบนำ้� ทนทานต่อการกัดกร่อนของสารเคมีและแรง ผิวของมวลรวม (Particle shape and surface texture) ความ
เสียดสีต่างๆ ได้ดี อีกทั้งมีปริมาตรค่อนข้างคงท่ี หดหรือ สะอาด (Cleanliness) และความลดหลัน่ ของขนาดหรือขนาด
ขยายตัวน้อยเม่ือสิ่งแวดล้อมหรืออุณหภูมิเปล่ียนแปลงไป ส่วนคละ (Gradation) (Neville, 1981)
การเลือกส่วนผสมท่ีถูกต้องจะทำ�ให้ได้คอนกรีตที่เหมาะสม ผลการศึกษาในอดีตพบว่ากรวดแม่นำ้�สามารถนำ�
กับงานที่ได้ออกแบบไว้ การท่ีจะได้คอนกรีตท่ีมีคุณภาพนั้น มาใช้แทนหินปูนในส่วนผสมของมวลรวมหยาบในคอนกรีต
มวลรวมจะต้องมีคุณสมบัติที่เหมาะสม คอนกรีตที่ใช้ในงาน ได้ ทง้ั คอนกรตี กำ�ลังปกติ (อัศวนิ คณุ าแจม่ จรัส, 2549) และ
ก่อสร้างท่ัวไปมีส่วนผสมประกอบด้วยปูนซีเมนต์ นำ้� มวล คอนกรีตกำ�ลังสูง (รพีพัฒน์ โชควิวัฒนวนิช, 2540) และ
รวมหยาบและมวลรวมละเอียด มวลรวมหยาบท่ีนิยมใช้กัน (ธนบดี อินทรเพชร และชูชัย สุจิวรกุล, 2553) โดยการนำ�
ท่ัวไปคือหินปูน สว่ นมวลรวมละเอียดจะใชท้ ราย มวลรวมจะ กรวดแม่น้ำ�ไปใช้เป็นมวลรวมหยาบแทนหินปูนในจังหวัดท่ี
ต้องเป็นวัสดุเฉื่อยท่ีไม่ท�ำ ปฏิกริ ยิ ากับซีเมนตเ์ พสต์ โดยปกติ มีแหล่งวัสดุกรวดอยู่แล้ว จะสามารถลดค่าใช้จ่ายในการผลิต
คอนกรีตหนึ่งหน่วยปริมาตรจะมีส่วนผสมของมวลรวมอยู่ คอนกรีตไดร้ อ้ ยละ 15 (ด�ำ รงค์ หอมด,ี 2545) แตก่ ารศกึ ษา
ประมาณรอ้ ยละ 70-80 (ดนุพล ตันนโยภาส และคณะ, 2551) ผลกระทบด้านกำ�ลังของคอนกรีตที่นำ�กรวดแม่น้ำ�มาใช้
ท้ังน้ีด้วยเหตุผลจากราคาของมวลรวมท่ีถูกกว่าปูนซีเมนต์ เป็นส่วนผสมของมวลรวมหยาบส่วนใหญ่จะเป็นการศึกษา
ท�ำ ให้สามารถลดต้นทุนในการก่อสร้างลงได้ ผลกระทบด้านกำ�ลังต้านทานแรงอัด ซ่ึงเป็นความสามารถ
การผลติ คอนกรตี ส�ำ หรบั ใชใ้ นงานกอ่ สรา้ งในบรเิ วณ หลักที่เด่นชัดของคอนกรีต แต่พฤติกรรมของคอนกรีตท่ีถูก
พื้นที่ริมแม่น้ำ�โขงส่วนใหญ่จะมีการนำ�กรวดแม่นำ้�มาใช้เป็น ออกแบบในองคอ์ าคารคอนกรตี เสรมิ เหลก็ โดยทวั่ ไป นอกจาก
มวลรวมหยาบทดแทนหนิ ปนู ในสว่ นผสมของคอนกรตี (สมุ ติ ร ค่ากำ�ลังอัดประลัยสูงสุดแล้ว ค่ากำ�ลังต้านทานแรงเฉือน
ประทมุ วงศ์ และคณะ, 2528) เน่ืองจากหาไดง้ า่ ยและชว่ ยลด ของคอนกรีตก็ถูกนำ�มาพิจารณาในการออกแบบด้วย ดังน้ัน
ค่าใช้จ่ายในการขนส่ง ทำ�ให้ต้นทุนต่อหน่วยลดลง อีกท้ังยัง งานวิจัยน้ีจึงจะศึกษากำ�ลังต้านทานแรงอัดประลัยและกำ�ลัง
เปน็ การน�ำ เอาวสั ดทุ ห่ี าไดใ้ นทอ้ งถน่ิ มาใชง้ านใหเ้ กดิ ประโยชน์ ต้านทานแรงเฉือนของคอนกรีตที่ใช้กรวดแม่นำ้�โขงผสมเป็น
สูงสุด ดังนั้นควรมีการศึกษาถึงคุณสมบัติของคอนกรีตที่มี มวลรวมหยาบ เปรียบเทียบกับคอนกรีตที่ใช้หินปูนผสมเป็น
กรวดแม่นำ้�ในพื้นที่ดังกล่าวเป็นส่วนผสมมวลรวมหยาบแทน มวลรวมหยาบ นอกจากนี้ยังได้ศึกษาความเหมาะสมด้าน
หนิ ปูน เน่อื งจากความสามารถในการตา้ นทานแรงอดั ประลยั รูปร่างและความสามารถในการต้านทานการสึกกร่อนของ
และกำ�ลังต้านทานแรงเฉือนสูงสุดของคอนกรีต เป็นตัวแปร กรวดแม่นำ้�เปรียบเทียบกับหินปูน ซ่ึงเป็นคุณสมบัติท่ีกรวด
ที่สำ�คัญในการออกแบบองค์อาคารคอนกรีตเสริมเหล็ก แม่นำ้�ด้อยกว่าหินปูนในการนำ�มาใช้เป็นมวลรวมหยาบผสม
นอกจากนี้คอนกรีตที่มีกำ�ลังต้านทานแรงอัดประลัยท่ีดี ยัง คอนกรตี
มีความคงทนและต้านทานการแตกร้าวได้ดีกว่าคอนกรีตที่มี
ก�ำ ลงั อัดประลยั ต�ำ่ (Weerheijm, 2013) วตั ถุประสงค์
มวลรวมหยาบมีลักษณะของมวลรวมเป็นหิน
ย่อย (หรือหนิ ปูน) หรอื กรวดแม่นำ�้ ท่มี ีขนาดใหญก่ วา่ 4.75 1. เพอื่ เปรยี บเทยี บคณุ สมบตั ริ ะหวา่ งกรวดแมน่ �้ำ โขง
มิลลิเมตร หรือค้างบนตะแกรงเบอร์ 4 อย่างน้อยร้อยละ 20 กับหินปูนในการนำ�มาใช้เป็นมวลรวมหยาบในส่วนผสม
แต่อนุโลมให้หินทีม่ ขี นาดต้ังแต่ 9.5-37.5 มลิ ลิเมตรเปน็ มวล คอนกรีต
รวมประเภทน้ีด้วย (บวร อิศรางกูร ณ อยุธยา, 2553) โดย 2. เพ่ือศึกษาพฤติกรรมการต้านทานแรงอัดและ
ส่วนใหญ่มวลรวมหยาบมักจะเป็นหินย่อยที่ได้จากการระเบิด แรงเฉือนของคอนกรีตที่ใช้กรวดแม่นำ้�โขงเป็นส่วนผสมและ
ภูเขาแล้วน�ำ มาย่อยด้วยเครอ่ื งบดยอ่ ยอีกครั้งหนง่ึ เปรียบเทยี บกบั คอนกรตี ทีใ่ ช้หินปูนเป็นส่วนผสม
ความสามารถรับแรงอัดของคอนกรีตเป็นสิ่งสำ�คัญ
และควรคำ�นึงเป็นอันดับแรก ดังน้ันคุณสมบัติของมวลรวม วิธกี ารวจิ ยั
จึงเป็นส่ิงจำ�เป็นท่ีต้องมีการศึกษา คุณสมบัติท่ีสำ�คัญของ
มวลรวมประกอบด้วย กำ�ลังและความแข็งแรงของมวลรวม ขั้นตอนการวิจัยจะเริ่มจากการตรวจสอบคุณสมบัติ
(Crushing strength) ความทนทานตอ่ การสกึ กรอ่ น (Abrasion ของวัสดมุ วลรวมหยาบ ไดแ้ ก่ กรวดแม่นำ�้ โขงและหนิ ปูน โดย
จะดำ�เนินการทดสอบหาดัชนีความแบน (Flakiness index)

84 Sittiruk Jamsai, Phakin Loyjaroen J Sci Technol MSU

ตามมาตรฐาน BS812 : Section 105.1 : 1989 Flakiness การเตรียมตัวอย่างทดสอบกำาลังอัดประลัยของ
index of coarse aggregate (British Standard Institution, คอนกรตี จะดาำ เนนิ การตามมาตรฐาน ASTM C192 Standard
1989) และดชั นคี วามยาว (Elongation index) ตามมาตรฐาน method of making and curing concretes test specimens
BS 812: Section 105.2 : 1990 Elongation index of coarse in the laboratory (ASTM C 192, 2014) โดยจะทาำ การหล่อ
aggregate (British Standard Institution, 1990) เพ่ือให้ ตัวอยา่ งทดสอบคอนกรตี รปู ทรงกระบอกที่ใช้กรวดแมน่ ำา้ เปน็
ทราบวา่ มวลรวมมีรูปทรงเหมาะสมท่ีจะใช้เป็นมวลรวมหยาบ มวลรวมหยาบ 6 ชดุ และใช้หนิ ปนู เป็นมวลรวมหยาบ 6 ชดุ
สำาหรับผสมคอนกรีตหรือไม่ เน่ืองจากกรวดแม่น้ำาโดยทั่วไป โดยคอนกรตี จะถกู ออกแบบสว่ นผสมตามทฤษฎีให้มคี า่ กาำ ลงั
จะมีรูปทรงผสมผสานกันหลายรูปแบบ ทั้งแบบกลม ยาว อัดประลัย 240 กิโลกรัมต่อตารางเซนติเมตร สำาหรับเป็น
เรียว และแบนเรียบ เป็นต้น ดังนั้นการทดสอบดังกล่าวจะ ตวั แทนของคอนกรตี กาำ ลงั ปกตทิ ใ่ี ชใ้ นงานโครงสรา้ งคอนกรตี
ช่วยคัดกรองคุณสมบัติทางกายภาพของมวลรวม โดยการ ขนาดเล็กท่ัวไป และ 320 กิโลกรัมต่อตารางเซนติเมตร
ทดสอบหาค่าดัชนีความแบนจะทดสอบหินหรือกรวดที่ผ่าน สำาหรับเป็นตัวแทนของคอนกรีตที่ใช้ในงานคอนกรีตอัดแรง
การคัดแยกขนาดที่เหมาะสม โดยใช้เคร่ืองมือทดสอบความ (นเรศ พนั ธราธร, 2543) หลงั จากนน้ั จะดาำ เนนิ การกดทดสอบ
แบน (Metal thickness gauge) โดยดชั นีความแบน (FI) มีค่า กำาลังอัดของตัวอย่างผ่านเคร่ืองกดทดสอบ (Compression
เทา่ กบั รอ้ ยละของอตั ราสว่ นระหวา่ งนา้ำ หนกั รวมของตวั อยา่ งที่ machine) ตามมาตรฐาน ASTM C39 Standard test method
ผ่าน Thickness gauge ตอ่ นาำ้ หนักของตวั อยา่ งท้ังหมด และ for compressive strength of cylindrical concrete specimens
การทดสอบหาค่าดัชนีความยาว จะทดสอบโดยใช้เคร่ืองมือ (ASTM C39, 2020)
ทดสอบความยาว (Metal length gauge) โดยคา่ ดชั นคี วามยาว
(EI) สามารถหาค่าได้จากค่าร้อยละของอัตราส่วนระหว่างน้ำา อัตราส่วนผสมของคอนกรีตที่ออกแบบใช้สำาหรับ
หนกั รวมของตัวอย่างท่ีค้าง Metal length gauge ต่อนำ้าหนกั ทดสอบกำาลังต้านทานแรงอัดประลัย สำาหรับคอนกรีตท่ีมี
ของตวั อยา่ งทงั้ หมด กำาลังอัดประลัยออกแบบ 240 กิโลกรัมต่อตารางเซนติเมตร
ใช้กรวดแม่น้ำาและหินปูนเป็นมวลรวมหยาบ จะมีอัตราส่วน
จากนั้นจะดำาเนินการทดสอบความสามารถใน ผสมโดยปรมิ าตร (ปนู : ทราย: หิน) เปน็ 1: 2.25: 3.71 และ
การต้านทานการสึกกร่อนของกรวดแม่นำ้าและหินปูน ตาม 1: 2.67: 3.29 ตามลำาดับ และสำาหรับคอนกรีตที่มีกำาลังอัด
มาตรฐาน ASTM C 131 (Standard test method for ประลยั ออกแบบ 320 กโิ ลกรัมตอ่ ตารางเซนตเิ มตร ใชก้ รวด
resistance to degradation of small-size coarse aggregate แม่น้ำาและหินปูนเป็นมวลรวมหยาบ จะมีอัตราส่วนผสมโดย
by abrasion and impact in the los angeles machine) ปริมาตร (ปูน: ทราย: หนิ ) เป็น 1: 1.64: 3.01 และ 1: 2.67:
(ASTM C 131, 2001) โดยมีค่าเท่ากับรอ้ ยละของอตั ราสว่ น 3.29 ตามลาำ ดับ
ระหว่างน้ำาหนักตัวอย่างหลังการทดสอบท่ีผ่านตะแกรงเบอร์
12 ต่อน้ำาหนักตัวอย่างท้ังหมดก่อนทดสอบ ซึ่งจะต้องมีค่า การทดสอบกำาลังต้านทานแรงเฉือนของคอนกรีต
ไม่เกินร้อยละ 35 จึงจะเหมาะในการนำามาเป็นส่วนผสมของ ที่ใช้กรวดแม่นำ้าและหินปูนเป็นส่วนผสมของมวลรวมหยาบ
คอนกรตี (CPAC, 2020) เริ่มจากการออกแบบตัวอย่างทดสอบโดยใช้หลักการทดสอบ
แรงเฉอื นตรง (Direct shear test) เนอ่ื งจากแรงเฉอื นในกรณนี ้ี
ขน้ั ตอนตอ่ ไป จะเปน็ การทดสอบทางกล (Mechanical เกิดจากการกระทำาโดยตรงต่อแท่งตัวอย่างทดสอบ ตัวอย่าง
tests) ของตัวอย่างคอนกรีตที่ใช้กรวดแม่นำ้าโขงและหินปูน ทดสอบถกู ออกแบบใหร้ ะนาบการเฉอื นมรี ะนาบเดยี ว (Single
ผสมเป็นมวลรวมหยาบ ในงานวิจัยน้ี จะดำาเนินการทดสอบ shear) โดยใหแ้ รงทก่ี ระทาำ ตอ่ ตวั อยา่ งทดสอบมรี ะยะเยอื้ งศนู ย์
กำาลัง (Strength) ของคอนกรีตโดยวิธีการให้แรงกระทำาต่อ ทนี่ อ้ ยทส่ี ดุ เพอื่ ใหแ้ นวแรงทกี่ ระทาำ ตรงกบั ระนาบการเฉอื นให้
ตวั อยา่ งทดสอบ (Loading methods) ซง่ึ จะทดสอบพฤตกิ รรม มากท่ีสุด เพ่ือกำาจัดปัญหาความคลาดเคล่ือนของข้อมูลท่ีได้
ทางกลทส่ี าำ คญั ของคอนกรตี 2 ประเภท คอื การทดสอบแรงกด เนื่องจากผลของแรงดัดท่ีเกิดจากการเยื้องศูนย์ ลักษณะของ
อดั (Compression test) และการทดสอบแรงเฉอื นตรง (Direct ตัวอยา่ งทดสอบแสดงดงั Figure 1(a)
shear test) ซึ่งค่าท่ีได้จากการทดสอบท้ังสองประเภทถูกนำา
ไปใช้ในงานออกแบบโครงสรา้ งคอนกรีตเสริมเหลก็ มากท่ีสดุ

4บ)อโกดทย่ี และกาลงั อดั ประลยั ออกแบบ (Flakiness ind
บนอเกปท็น่ี พบว่ากรวดแ
กนแเบปบ็น มไดาก้เนท่ือส่ี ดุงจเาพก่อื ผกาลจขดั อปงัญแหรงาคดวัดาทม่ีเคกลิดาดจเาคกลก่อื านรขเอยง้ือขงอ้ ศมูนูลทย์่ี การทดสอบทาได้โดยนาตัวอย่างทดสอบไปให้
กลแกบรบมั Vลไลoดกกััl 4้ษษเ0นณณ.่ือNะะoงขขจ1ออ,างงJกตตanผววัั uออลaยยrขyาา่่ -อFงงeงททbแดดruรสสaงออryดบบ2ัดแแ02สสท1ดด่ีเงงกดดิดงงัั จFFาiiกgguuกrrาeeร11เ((ยaa้ือ)) EงแภfศfรeาูนงcพกtยoดF์fโiggดruยarเveคeรl1อ่ืf(rbงo)mUกnthiาveรeตMrsิดeakตloงัt้neตgsัวtRiอnigvยe่าmrงaaใsนchcเciคonoaรenr่อืsc(eงrUeทaTteดgMgpส)rrอeoดgบpงัaetretietos หนิ ปนู มคี ่าดชั
นลกรมตีั 8ค5่าดัชนีความ
นทกวั่ ไรปตี จะต้องระมดั ระวงั เร่อื งการเยอ้ื งศูนย์ของแรงท่จี ะกระทา มาตรฐาน BS
บทเวั ่ ปไ็ ปน กเพขพตผตกค่บาวอััดานน้้ืื รรอนงสใททา่ือยคหมหห่หี่ีงโ1เ0ใททครพ่างอ้มกเรนดหนนบั.(งซอัง้ี่อก้ืนนอ่ื1ีbาอย้้ใา้า้มาแบน่าน5งทรด)หกัตตเตตรานนกกคทตี่หรอท้ดงัรดักกัดกาไรแรเิาเีตยนารดรราทมดตีฉรอ่ืิโลนบักจ่กูบเล้าัร้จบังจตอื่ีะสสยกาตตึแงกง่ึาาแลงึนุรแดUอ้ืยอากมรกัดิรดรมา่ตงรรnกงคับมลกงเรีคงตคีศท่องโเคiาเับา่าvต่ดฉด้ัางจา่นูเฉวดรลตทeงแฉต่อเเอืคยะนิย่ือสือทแrงัทง้ัไี่รตัืวsอนกเงอข์งาตนดนทา่ง่าaอปากนททบอาเกจ้้าาำ้่คนlกรย็ฉดรดงนทใ่นะหีีบัtา่ากบัe่าปแคจืองหัถทงาำนททคแงsดนัรดน่แากูรไเ้มดร่กัtไใ่าีงาซทดแนัiวะร้นนงดnสาทนกแโรน้ดงมงาักเ้gาำกเอจ้ดจี่ดแฉงบเงรคังตไาาะบยทฉะกmรใตอืปนงนลริเณถหกนจงืดมอ่ีนสั่ืวอเaั้นเงัแกูรเะป้มาำสฉตุนcอดปงฉกละเนต0ีอรhงูทืรปยท้ารปอืำาะอ.ยีาวัiตัสโตนะ1n่ดาลล็นาำนนรไอดบุดรล่อe5งผัง่ทาสปคะยขาเปยยัทใวตงา่อลท(าเ่ากกา่หอหUินกปนอ้า่ีรนแบงยัยีตาิโ้งอนาา่Tาารทหะรแรลหบงคั้ยรทนยีทMรงลกดนจรนกกดาอู่เกจบีไาังสดะยา้)ฉ้าบัรรว้นดคดั่ึนงเเตตอดคหขืัอมดฉยทสก่ากจ้วแบ้ดอังังนนพ้ืมอวแยตอีาลรราภทงรไปนรกัยบกก่ตีน้ืงอปงาบงัรา่ีงเารงะทใพแปฉกหระแมรห่ีรือดทลแFท้ัดงะนนัยสาำเรi่มรนgฉา้นขูงงขะuากตกอืสอาอวณrดนดดัุดยeงงังนจอaTเมกSปnะaั้tราดอa็นdถbตวยnมlอืดร2lกediฐววm0แaว1าล่า0มr่eานdรเ-T่sนห3วs4et้ซ5มoาม0Is0แnnง่ึหาtiหseและn
บ(นเเปร็ นศ Shearing
ด(นสเอรบศ Shaeraeraing
ดสสออบ
MสCอ3บ9 area
MgthC3o9f
g2t0h) of ((aa))DDiriercetcsthseharetaersttseasmt psleample แบบไกมำาอ่ ลดั ังแตร้างนแทละาไนมแ่มรกีงเาฉรือเสนรขมิ อเหงคลอก็ นผก่ารนีตหแนบ้าบตไดั มร่อบั ัดแแรรงงและไม่มี Type of
2า0ห)รบั (a) Direct shear test sample เฉือนกจารกเสAรCิมIเ-ห3ล1็8กผ(A่าCนIหCนo้าmตัดmรitับteแeร3ง1เฉ8ือ-1น9จ, า2ก01A9)CดI-ัง318 (ACI coarse
ราตีหทรบม่ัี ี สมการCทo่ีm(1m) ittee 318-19, 2019) ดังสมการที่ (1) aggregate
ราตี รทาม่ี งี
หายราาบง Gravel
ห) ยเปา็บน (1) (1) Limestone
บ) แเปล็นะ Vc = 0.53 ∙√f'c∙ b ∙ d
บ แ3ล20ะ
บหนิ 3ป2ูน0 ค(กอิโนลกก(ค(รกกรเวีตโิิโมัมาลล่อืม(ก)กก,ลรรVิโึัมกfัมcลc’ตข)เกค,มคอ่อรอื ่ือตfงือมัcกพ’ากตารVคื้นลา่อาcือทลงังตกตเคี่ัหงาซำา้าือตรนนลนาก้า้าังตงทำานตตเิเลามัซด้าทนังนตตนาตแรท้าตน้าร)นา,เินงแมนทเbทรฉตแางาือรรนแอนง)นลแั,ดอแะขรbัดปรงองdปรเแงเฉระคฉลคือะลอือะือลนัยนนคัยdขกขวข(ครอเาออซตีมืองงงนกคคตวออ้าิเนนมงกกแตรรลรีีตตะ)คคตว่วอาาคมมวกแาวบดม้านชัหงนมนตาีค่อากวข
หมนิ าปตูนร ตามลำาดับ
ม2.า6ต7ร:
2.67 : ((bb)) DDirierectcsthseharetaerstteonstUoTnM UTM ผลการวจิ ัยและอภปิ รายผล
นกรตี (bFF)iiggDuuirreree1ct1DsirDheceirtaesrchteteassrhtteeosatnr tUeTstM
นลรกวรมตี จากการทดสอบในห้องปฏิบัติการเพ่ือศึกษา
ดลรยวใมช้ คุณสมบัติของกรวดแม่นำ้าโขงเปรียบเทียบกับหินปูน สำาหรับ
rดtยesใชt)้ ปช5จลเแใเอเคใเเแแเหนฉนน0ึออบงอดุรนนฉฉบบืลบื่อบอถกะยนลบ่่ออืืือเก็ลนงรูรกแบบเะกหซจงงนนเิจิยัเบตจรว5หหว3นลรจจาอตีำตตาบรณ-ณญิอ่ตตาากลลอRกงชรรตตมขตกกิเวัอ,ถก่่อออขัBดมนิ้งงนาัอวววัั่นืถถ2ื่นูแกนขขทใตขขสยาอออ56นบชทูกกูจานนวี่่รคดนนา่4ยยยใ้อำบาดี่ไนจจมงกนวาา4่าาามกกท่่ากคาาิลา)ดดวกงตดดFั่เใงง่ีใกกวมลอา้ทหาดชากกชiททกกท้งาเินรยดดgมัังั่ดบน้มใววงที่ววดดขกแนาปuทท1สอืรตาา้้ดวาา้้สรนสสก5ิเรrจอ1ขขรงง่่ีีตวีสขงงดะeาาออาบ5เนนณแเออเงรด11กซภ11บบปถ1ตบใทงาา55บขพเนน55ทูน็กถถล่แซแดดดอรDื้นตขะเอบทเเููกกนสิเFขขเเงหซซสเิทiวออซซนบrอมiแออตออลgว่ณงe่ีรนนกบบตหนนิออเuนก็งงมขับcมแพตตกรrบแแลนกกเใวตตtแeบสหตำาื้น่เเิิอลบบาหแแยรsิิเเมมรลบมร้ด1รทมมงhาลบบบบมิังวกีตตเโขเ่รีว่eอตตตตพเลฉดมหหบบาบัอพรรaัวึ้ากรรือ1ร่ืยหองโโลลแ่ือซนอrเ5ยยนพดดใปยรส่อ่อลลปยึ่หงท2tทาางานื้้อรยยเeไกกา่อ้ึึ0้เามบซมววิซซี่ตทงดฉใใsงงนีพแนเกหห้ทอรงง่ี่่้tึึกปือ22หเ11แลบััตนซื้ไไงนดนันมม้้ร00ล55ระกดดเิแกนทสะกงก็พพกมีี รา(ปปเเย้้าอดเเต่ีาราำตภงรซซโซซนน้้ืืรุบกรััดบลรริเดเจราวฉวมนนนนททตะะจขงัแยึงคิบิบอืลอตะยยอ์ไตตใรใตตรร่่ีีิณันตมัตชึกชดดัรงงกุุกบบััิเิเเเิิ ิ้้ีิ้มมมมตตแแตตตตใใ์์รรชชงงรรรรแทคนกทเ(สพเกใ้้ซFชกรบ่าาลาำำ่ีมาบlเ้นณุปดรมaค่านปีดวศตวkชัไาอ่าฑน็ัสชดกึiวเิเนนกnูงนมสป์ม้่วาษeีครกกว่ตีค็น่าาวsาววรนผจหรวมตไsดาีต่าทผาาดลินวมรแ(หทมส้ังกi้ดกBลยฐมnแินก่ีตมแรงัผrา่าอdบน่ iรว้ปตบอมtรนยeลนiำา้วมsงอ่ศูวนนxทมกดรhกหไล)กนึซร่ีม้อีคแปาารย้อษ้อึ่Sงยขีดา่มรวรนายแยดtลอกาัชม่นทบa้ีลสกชัะดงำานหn้ำาผดะกดวลนชัแdีคย5สส่ารังงคีaลน.วา1ม5วอวอrวะบา6คี5d3คดัด่าหาบม.ขs0วอแ8มมิซนแอเา2น2มีรแIพบึ่งจปงมn0ูกป่นบกคะ่ืนsูนอ(0แรำ้ารถนรตอtน-มหiีตบ่แาวt3ืนอราu้อีคไงดลนา5้อมวกtดย่าเiะแ0คย่าแoมรห้ดกหมเ่ลตีnาลาหมัชกวิน่นะ,ดตะส่านมาิโปำ้าั1ดรชล2าะาีคม9ูฐน4มชกั2สนะวคี9า0ใ.าทรนมีา3ค2นน่ารัม่ีมจ5คีท)ดหวถตะแวี่ัชTสBดแารหน่อบานaืาอสSมงั ตนิำามนbมนกีคดแไาปlผยาน้ัรป8วงeรบูนวผร่าาา8จใานดนมมถชวล21งงึ ้ี
r test)

86 Sittiruk Jamsai, Phakin Loyjaroen J Sci Technol MSU

Table 1 Testing result of flakiness index for gravel and ผลการทดสอบส่วนใหญ่ท่ีพบว่าค่าดัชนีความยาวเรียวจะ
limestone มีค่าประมาณ 1.5 เท่าของดัชนีความแบน (บวร อิศรางกูร
ณ อยธุ ยา, 2553)
Type of Mass of aggregate (g) Flakiness ผลการศึกษาความต้านทานการสึกกร่อนของ
coarse Retained Passing Total index มวลรวมหยาบ
aggregate % ผลที่ได้จากการศึกษาความต้านทานการสึกกร่อน
A B A+B ของกรวดแม่น้ำ�และหินปูนโดยเครื่องทดสอบลอสแองเจลิส
สามารถแสดงไดด้ ัง Table 3
Gravel 19375 5079 22715 22.35%

Limestone 8269 484 8753 5.53%

ดัชนีความแบนบ่งบอกถึงอัตราส่วนความกว้างต่อ Table 3 Testing result of abrasion test by Los Angeles
ความหนาของมวลรวม การท่ีกรวดแมน่ ้�ำ มีคา่ ดัชนคี วามแบน machine for gravel and limestone
มากกวา่ หนิ ปนู แสดงว่ากรวดแม่นำ้�มีอัตราส่วนความกวา้ งต่อ
ความหนามากกว่าหินปูน ซึ่งมวลรวมที่มีค่าดัชนีความแบน Type of coarse aggregate % Loss (Average)
ไม่เกินร้อยละ 25 จะเหมาะในการนำ�ไปเป็นส่วนผสมของ
คอนกรีตปม๊ั และคอนกรีตกำ�ลงั สูง (บวร อศิ รางกูร ณ อยธุ ยา, Gravel 26.1
2553)
Limestone 24.5

Table 2 Testing result of elongation index for gravel จากผลการทดสอบใน Table 3 พบว่า กรวดแม่นำ้�มี
and limestone คา่ รอ้ ยละของการสกึ กรอ่ นรอ้ ยละ 26.1 และหนิ ปนู มคี า่ รอ้ ยละ
ของการสกึ กรอ่ นรอ้ ยละ 24.5 ซึง่ กรวดแมน่ ้�ำ มีคา่ รอ้ ยละของ
Type of Mass of aggregate (g) Elongation การสกึ กรอ่ นสงู กวา่ หนิ ปนู รอ้ ยละ 1.6 ซง่ึ ตามมาตรฐาน ASTM
coarse Retained Passing Total index C33 (ASTM C 33, 2003) และ มอก. 566 (สมอ., 2562) ระบุ
aggregate % ไวว้ ่า หินทใี่ ช้ในงานคอนกรตี ท่ีตอ้ งรับแรงเสยี ดทานมาก เช่น
C D C+D ถนน สนามบิน เม่ือผา่ นการทดสอบโดยเครือ่ งลอสแองเจลิส
แล้ว จะต้องมีส่วนสึกกร่อนไปไม่เกินร้อยละ 40 ของนำ้�หนัก
Gravel 7509 16941 22709 33.07% เดมิ จงึ จะเหมาะสมกบั การนำ�มาผสมทำ�คอนกรีตสำ�หรับงาน
ทนการขัดสี และไม่เกนิ ร้อยละ 50 สำ�หรับงานคอนกรตี ทัว่ ไป
Limestone 1792 22002 22215 8.07% ดงั นน้ั สามารถสรปุ ไดว้ า่ กรวดแมน่ �ำ้ และหนิ ปนู ทใ่ี ชใ้ นงานวจิ ยั
น้ีมคี วามต้านทานการสกึ กร่อนอยูใ่ นเกณฑม์ าตรฐาน
จากผลการทดสอบเพื่อหาค่าดัชนีความยาว จากผลการทดสอบคุณสมบัติของมวลรวมหยาบท่ี
(Elongation index) ของกรวดแม่นำ้�และหินปูนใน Table 2 น�ำ มาใชใ้ นงานวจิ ยั สามารถสรปุ ไดว้ า่ กรวดแมน่ �ำ้ ทนี่ �ำ มาใชใ้ น
พบว่ากรวดแม่นำ้�มีค่าดัชนีความยาวร้อยละ 33.07 หินปูนมี งานวจิ ยั มคี วามเหมาะสมของรปู รา่ งดา้ นความหนา ความยาว
ค่าดัชนคี วามยาวร้อยละ 8.07 ซง่ึ กรวดแมน่ ้�ำ มคี า่ ดชั นีความ และความต้านทานการสึกกร่อนน้อยกว่าหินปูนอยู่ร้อยละ
ยาวมากกวา่ กวา่ หนิ ปนู รอ้ ยละ 25.00 (ตามมาตรฐาน BS 882 16.82, 25.00 และ 1.6 ตามล�ำ ดับ
กล่าวว่า มวลรวมที่มีดัชนีความยาวไม่เกินร้อยละ 35 ถือว่า ผลการศึกษากำ�ลังต้านทานแรงอัดประลัยของ
เหมาะในการน�ำ ไปเปน็ สว่ นผสมคอนกรตี (British Standards คอนกรตี
Institution, 1992) ดงั นน้ั จงึ สรปุ ไดว้ า่ ทงั้ กรวดแมน่ �ำ้ และหนิ ปนู ผลการศึกษากำ�ลังต้านทานแรงอัดประลัยของ
มีค่าดัชนีความยาวผ่านเกณฑ์มาตรฐาน ซ่ึงแสดงว่ามีรูปร่าง ตัวอย่างคอนกรีตรูปทรงกระบอก ท่ีใช้กรวดแม่นำ้�โขงและ
เหมาะสมท่ีสามารถนำ�มาเป็นมวลรวมหยาบผสมคอนกรีตได้ หินปูนเป็นส่วนผสมของมวลรวมหยาบ มีกำ�ลังอัดประลัย
ดัชนีความยาวบ่งบอกถึงอัตราส่วนความยาวต่อความกว้าง ออกแบบ 240 และ 320 กิโลกรัมต่อตารางเมตร จากการ
ของมวลรวม การท่ีกรวดแม่นำ้�มีค่าดัชนีความยาวมากกว่า ทดสอบตวั อย่างชดุ ละ 6 ตัวอย่าง แสดงใน Table 4
หนิ ปนู แสดงวา่ กรวดแมน่ �ำ้ มอี ตั ราสว่ นความยาวตอ่ ความกวา้ ง
มากกวา่ หนิ ปูน
หากเปรียบเทียบค่าอัตราส่วนระหว่างค่าดัชนีความ
ยาวต่อค่าดัชนีความแบน จะพบว่า กรวดแม่น้ำ�และหินปูน
มีอัตราส่วนเปน็ 1.48 และ 1.46 ตามล�ำ ดับ ซง่ึ ใกลเ้ คยี งกบั

Vol 40. No 1, January-February 2021 Effect of gravel from the Mekong River as coarse aggregate to 87

concrete properties

Table 4 Testing result of compression test for จากผลการศึกษาใน Table 5 พบวา่ คา่ เฉลีย่ กำ�ลัง
cylindrical concrete specimens ต้านทานแรงเฉือนของคอนกรีตท่ีใช้กรวดแม่น้ำ�ผสมเป็นมวล
รวมหยาบตำ่�กว่ากำ�ลังต้านทานแรงเฉือนของคอนกรีตท่ีใช้
Type of Design Average Compressive หินปนู ผสมเปน็ มวลรวมหยาบในสดั สว่ น 0.73 และ 0.70 เมอ่ื
coarse strength compressive strength/ ก�ำ ลังอัดประลัยของคอนกรตี อยู่ในช่วง 250-268 กโิ ลกรมั ต่อ
aggregate (kg/cm2) Design ตารางเซนตเิ มตร และ 328-340 กโิ ลกรมั ตอ่ ตารางเซนตเิ มตร
strength strength ตามลำ�ดับ แสดงให้เห็นว่าคอนกรีตที่ใช้กรวดแม่น้ำ�ผสมเป็น
(kg/cm2) มวลรวมหยาบแทนหินปูนมีกำ�ลังต้านทานแรงเฉือนลดลง
ประมาณร้อยละ 27 และร้อยละ 30 สำ�หรับคอนกรีตที่ใช้ใน
GV-24 240.0 252.7 1.05 งานโครงสร้างท่ัวไปและใช้ในงานคอนกรีตอัดแรง ตามลำ�ดับ
ซง่ึ เปน็ ผลมาจากแรงตา้ นการเฉอื นจากการขดั กนั ของมวลรวม
GV-32 320.0 342.3 1.07 (Aggregate interlocking) ทใ่ี ช้กรวดแมน่ �ำ้ เปน็ มวลรวมหยาบ
ต�ำ่ กวา่ กรณที ใ่ี ชห้ นิ ปนู เปน็ มวลรวมหยาบ อนั เนอ่ื งมาจากการ
LM-24 240.0 272.3 1.13 ที่กรวดแม่น้ำ�มีลักษณะพื้นผิวค่อนข้างเรียบ ทำ�ให้การขัดกัน
ของมวลรวมไมด่ ีเทา่ หินปูนทม่ี ผี ิวค่อนขา้ งขรุขระ
LM-32 320.0 356.7 1.11

จากผลการทดสอบกำ�ลังอัดประลัยของคอนกรีต Table 5 Testing result of direct shear test
ตัวอย่าง GV-24 (ตัวอย่างคอนกรีตท่ีใช้กรวดแม่น้ำ�เป็น
มวลรวมหยาบและมีกำ�ลังอัดประลัยออกแบบ 240 กิโลกรัม agTcgyorpaeergsTToaeaaftebblleeTTyyc55ppaaoeegTgTsA(mkggeetoovrgrrpsseeeffettfriiggnr/ccenncaaaoogsggmgttaatseeherrrr2ieess)veesseuulltt oosA897ccfftsv,,r,oo(dd460hkeemmii614genrreea987ppafgcc)g...rrrt175eettAAh((ekkssss22332332vvggsshhee25546642iiffeevv//rr80008880ccaafaaees........rmm22200000000ggrrtSoss,,r,(ee685322ttmkehttee))rr7011gneeess2948Afganntt)...rt960CgghttIhh Average SSffrrhhooeemm22222222aa,,,,,,,,((rr80058665kkAAss37010317ggCCtt22199414ffrr))IIee........
ต่อตารางเซนติเมตร) และ LM-24 (ตัวอย่างคอนกรีตที่ใช้ GGGGLLLLMMMMVVVV232265--------2332232388042242424...000 frossAAm/ttsvvSrrheeee232A11hss988779ennrr...11tt978Ceaa,,,,,,rra((gg600464,,eeaggkk99Irtt641146ggnnreehh377987978ffgg133))ss......tt8517571..hhhh44eeaarr
หินปูนเปน็ มวลรวมหยาบและมกี �ำ ลังอัดประลัยออกแบบ 240 GV-24
กิโลกรัมต่อตารางเซนติเมตร) ซึ่งเป็นตัวแทนผลการทดสอบ GV-32
คอนกรีตกำ�ลังปกติที่ใช้สำ�หรับโครงสร้างท่ัวไป พบว่า กำ�ลัง LM-24
ต้านทานแรงอัดเฉลี่ยของคอนกรีตที่ใช้กรวดแม่น้ำ�เป็นมวล
รวมหยาบมีค่าร้อยละ 93 ของคอนกรีตที่ใช้หินปูนเป็นมวล LM-32 340.0 11,973.4 2,031.8 5.9 สตครกแเก3รรหเ3สทอลคกกหปรใเ(ตทเเแอใค(ลทFทททเปFLLรรกกฉฉหห้้าา1อ1อตตาาออiiดด่่่่รราอออาาา่ไไ่ยยีีะะััดดงง้้ggยยีีMMดิดิววืืมม88ออววกกดดยยกกกกรรญญลลปปเเนหหาาuuสสบบขขนนจจ))ดดาานนรรจจจจ้้รรบบรรงงาาrrซซกนนมมออ่่ จจeeรรออาา่่้้าาืืาาาา้้จจออ้้แแขขาาาาลลขขตตใใ่่ึึงงรถถบบกกดดกกววะะกกววงงะะกกววนนมมงงเเอองังั22่่เเีออาาตยยมมททเเััพพตตนนททเเคคดดรรปปททกกตต((่่นนเเงงงงนนปปงงแแทดดaaึึ่่นนออะะืืกก่่ีีััวววว็็บบัั่่คคงงีีใใาา้้จจาา้้่่นนีีเเาาออ็็้้ออืื แแ))หหลลเเนนเเ่ีใ้้ืืชชรรออออกกาาแแรรนนาาออววไไกกปปคคคคงงชววสสะะจจมมววททคคยย้้กกกกกกมมิิสส่า่าดดนนททาาคค่่รรออาาดด้กเเ่่ดดะะาามม่่ออาาสสดดคค่่ดดดดะะรราาขขยยีีมมกกททาานน์์ออแแสสงงรงงกกงงนนกกาาววีีสสรรออพพีีงง้้นนึึบบนน่่รรืืออขขมมกก่่ีีวใใาางงททัั ใใมมบบััาาดดแแกกออนนใใีตีตชชเเออไไเเแแหหออดสสคครรน่น่
รวมหยาบ ส่วนผลการทดสอบกำ�ลังอัดประลัยของคอนกรีต
ตัวอย่าง GV-32 (ตัวอย่างคอนกรีตที่ใช้กรวดแม่นำ้�เป็น (a((aa))) GGGVVV SSSaaammmppplleeleffaafiillauuirrleeure
มวลรวมหยาบและมีกำ�ลังอัดประลัยออกแบบ 320 กิโลกรัม
ต่อตารางเซนติเมตร) และ LM-32 (ตัวอย่างคอนกรีตท่ีใช้ FiFFgiigguuur(errb((eebb)2))22LLLFFFMMMaaaiiiSSlllSuuuaarrareemmemooppopnnlleenlessffhhaasfeeiihllauuaaeirrrrleeuapprrlleaapnnleeane
หินปูนเปน็ มวลรวมหยาบและมีก�ำ ลังอดั ประลัยออกแบบ 320
กิโลกรัมต่อตารางเซนตเิ มตร) ซงึ่ เป็นตวั แทนคอนกรตี ทใ่ี ชใ้ น พพบบวว่่าา ลลเเมมกกัั ่่ืืออษษแแณณรรงงะะเเกกฉฉาาืืออรรนนววิบบิเเกกตตัั ิิดดิิททขข่่สสีี ้้นนึึ งงัั เเเเกกกกิินนตตุุไไพพดดิิกก้้จจดัดั าาททกก่่ีีหหกกาานนรร้้าาททตตดดััดดสสรรออับับบบแแจจรรงงะะ
งานคอนกรีตอัดแรง พบว่า กำ�ลังต้านทานแรงอัดเฉล่ียของ
คอนกรีตที่ใช้กรวดแม่นำ้�เป็นมวลรวมหยาบมีค่าร้อยละ 96
ของคอนกรีตท่ีใชห้ ินปูนเป็นมวลรวมหยาบ

จากผลการทดสอบกำ�ลังอัดประลัยของคอนกรีต
ท่ีใช้กรวดแม่น้ำ�และหินปูนเป็นมวลรวมหยาบพบว่า การใช้
กรวดแม่นำ้�เป็นมวลหยาบแทนหินปูนทำ�ให้กำ�ลังอัดประลัย
ของคอนกรีตลดลงรอ้ ยละ 7 และรอ้ ยละ 4 สำ�หรบั คอนกรตี ท่ี
มกี �ำ ลงั อัดประลยั ออกแบบ 240 และ 320 กิโลกรมั ต่อตาราง
เซนติเมตร ตามล�ำ ดบั

ผลการศึกษากำ�ลังต้านทานแรงเฉือนของ
คอนกรตี
ผลการทดสอบก�ำ ลงั ตา้ นทานแรงเฉอื นของคอนกรตี
ท่ีมีกรวดแม่นำ้�และหินปูนเป็นส่วนผสมของมวลรวมหยาบ
จากตัวอยา่ งทดสอบ Direct shear test ท่ีมีพนื้ ที่หน้าตดั รับ
แรงเฉือน 300 ตารางเซนติเมตร ได้ผลการทดสอบค่ากำ�ลัง
ต้านทานแรงเฉือนเฉลี่ย จากการทดสอบตัวอย่างชุดละ 5
ตวั อยา่ ง ดังแสดงใน Table 5

88 Sittiruk Jamsai, Phakin Loyjaroen J Sci Technol MSU

ลักษณะการวิบัติท่ีสังเกตุได้จากการทดสอบจะ ท้ังกรวดแม่นำ้�และหินปูนมีค่าดัชนีความแบนและ
พบว่า เม่ือแรงเฉือนเกิดขึ้นเกินพิกัดท่ีหน้าตัดรับแรงเฉือน ค่าดัชนีความยาวผ่านเกณฑ์มาตรฐาน ซ่ึงแสดงว่ามีรูปร่าง
จะรบั ได้ จะเกดิ รอยแตกรา้ วขน้ึ ในบรเิ วณระนาบวกิ ฤตสิ �ำ หรบั เหมาะสมที่สามารถนำ�มาเป็นมวลรวมหยาบผสมคอนกรีตได้
แรงเฉือนท่ีถูกออกแบบไว้สำ�หรับตัวอย่างทดสอบแต่ละก้อน โดยจากการศกึ ษาพบวา่ กรวดแมน่ �้ำ มีคา่ ดัชนคี วามแบนและ
รอยรา้ วจะวง่ิ เชอ่ื มตอ่ กนั อยา่ งตอ่ เนอื่ งระหวา่ งขอบบนสดุ และ ดชั นคี วามยาวมากกว่าหินปูนร้อยละ 16.82 และ 25.00 ตาม
ขอบล่างสุดของระนาบการร้าวดังแสดงใน Figure 2 การขัด ลำ�ดับ ซึง่ แสดงว่ากรวดแมน่ ้ำ�มีอตั ราสว่ นความกว้างต่อความ
กนั ของมวลรวมหยาบในเนอ้ื คอนกรตี และความแกรง่ ของมวล หนามากกว่าหินปนู และมอี ัตราส่วนความยาวต่อความกว้าง
รวมท�ำ ใหร้ อยรา้ วทเี่ กดิ ขน้ึ ไมอ่ ยใู่ นระนาบของแรงเฉอื นวกิ ฤติ มากกวา่ หินปนู ตามล�ำ ดบั และหากเปรียบเทยี บคา่ อัตราส่วน
ท้ังหมด และเมื่อสังเกตุระนาบการร้าวของตัวอย่างทดสอบที่ ระหวา่ งคา่ ดชั นคี วามยาวตอ่ คา่ ดชั นคี วามแบน จะพบวา่ กรวด
ใช้กรวดแม่นำ้�เป็นมวลรวมหยาบ (GV) ใน Figure 2(a) จะ แมน่ ้�ำ และหนิ ปนู มอี ัตราส่วนเป็น 1.48 และ 1.46 ซง่ึ ใกล้เคียง
สังเกตุได้ว่าบนระนาบการแตกร้าวส่วนใหญ่จะเป็นการแตก กับผลการทดสอบส่วนใหญ่ที่พบว่าค่าดัชนีความยาวเรียว
ร้าวที่เนื้อคอนกรีต ไม่พบการแตกร้าวท่ีกรวดแม่น้ำ�แต่พบ จะมีคา่ ประมาณ 1.5 เทา่ ของดชั นีความแบน
การหลุดร่อนของกรวดแม่นำ้�ออกจากเนื้อคอนกรีตบางส่วน กรวดแม่น้ำ�และหินปูนท่ีใช้ในงานวิจัยนี้มีค่าความ
และเมื่อสังเกตุระนาบการร้าวของตัวอย่างทดสอบที่ใช้หินปูน ต้านทานการสึกกร่อนอยู่ในเกณฑ์มาตรฐาน สามารถนำ�มา
เป็นมวลรวมหยาบ (LM) จะพบว่ามีการแตกร้าวของเนื้อ ใช้เป็นมวลรวมหยาบของคอนกรีตที่ใช้สำ�หรับงานก่อสร้าง
คอนกรตี และหนิ ปนู ปะปนกัน แสดงให้เหน็ ว่า ก�ำ ลงั ต้านทาน ท่ัวไปและคอนกรีตสำ�หรับงานทนการขัดสี โดยผลการศึกษา
แรงเฉือนที่ลดลงของคอนกรีตที่ใช้กรวดแม่น้ำ�เป็นมวลรวม พบว่า กรวดที่ใช้ในงานวิจัยมีความต้านทานการสึกกร่อนตำ่�
หยาบเกิดจากความสามารถในการยึดเกาะกับคอนกรีตของ กวา่ หนิ ปูนร้อยละ 1.6
กรวดแม่นำ้�ไม่ดีพอ อันเนื่องมาจากผิวสัมผัสท่ีค่อนข้างเรียบ จากผลการทดสอบกำ�ลังอัดประลัยของคอนกรีต
ต่างจากคอนกรีตท่ีใช้หินปูนเป็นมวลรวมหยาบท่ีสามารถยึด ท่ีใช้กรวดแม่น้ำ�และหินปูนเป็นมวลรวมหยาบพบว่า การใช้
เกาะกับเนือ้ คอนกรีตไดด้ กี วา่ กรวดแม่นำ้�เป็นมวลหยาบแทนหินปูนทำ�ให้กำ�ลังอัดประลัย
เมื่อเปรียบเทียบค่าเฉลี่ยกำ�ลังต้านทานแรงเฉือน ของคอนกรีตลดลงรอ้ ยละ 7 และร้อยละ 4 ส�ำ หรับคอนกรีตที่
ท่ีได้จากการทดสอบกับค่าที่คำ�นวณโดยสมการทำ�นายค่า มีกำ�ลังอดั ประลัยออกแบบ 240 และ 320 กโิ ลกรัมตอ่ ตาราง
กำ�ลังต้านทานแรงเฉือนของคอนกรีตท่ีระบุใน ACI 318 ซึ่ง เซนตเิ มตร ตามล�ำ ดบั
เป็นค่าที่ใช้ในการออกแบบกำ�ลังต้านทานแรงเฉือนขององค์ จากผลการทดสอบกำ�ลังต้านทานแรงเฉือนของ
อาคารคอนกรีตแบบไม่อัดแรง พบว่า คอนกรีตท่ีใช้กรวด คอนกรีตท่ีใช้กรวดแม่น้ำ�และหินปูนเป็นมวลรวมหยาบพบว่า
แม่นำ้�และหินปูนผสมเป็นมวลรวมหยาบมีกำ�ลังต้านทานแรง คอนกรีตที่ใช้กรวดแม่น้ำ�ผสมเป็นมวลรวมหยาบแทนหินปูน
เฉือนมากกว่าค่าที่คำ�นวณได้จากสมการของ ACI 318 ใน จะส่งผลให้กำ�ลังต้านทานแรงเฉือนลดลงประมาณร้อยละ 27
สดั สว่ น 2.8-2.9 เทา่ และ 3.7-5.9 เทา่ ตามล�ำ ดบั แสดงใหเ้ หน็ และร้อยละ 30 สำ�หรับคอนกรีตท่ีใช้ในงานโครงสร้างทั่วไป
ว่า คอนกรีตท่ีใช้กรวดแม่น้ำ�เป็นมวลรวมหยาบแม้จะมีกำ�ลัง และใชใ้ นงานคอนกรตี อดั แรง ตามล�ำ ดบั ซง่ึ เปน็ ผลมาจากแรง
ต้านทานแรงเฉือนตำ่�กว่าคอนกรีตที่ใช้หินปูนเป็นมวลรวม ตา้ นการเฉอื นจากการขดั กนั ของมวลรวมทใี่ ชก้ รวดแมน่ �ำ้ เปน็
หยาบ แตย่ ังมีค่าสงู กว่ากำ�ลังต้านทานแรงเฉอื นของคอนกรีต มวลรวมหยาบตำ่�กว่ากรณีท่ีใช้หินปูนเป็นมวลรวมหยาบ
ตามมาตรฐาน ACI 318 นอกจากนย้ี งั พบวา่ ก�ำ ลงั ตา้ นทานแรง อันเนื่องมาจากการที่กรวดแม่นำ้�มีลักษณะพ้ืนผิวค่อนข้าง
เฉอื นตรงของคอนกรตี มคี า่ สงู กวา่ คา่ ทใ่ี ชใ้ นการออกแบบคอ่ น เรียบ ทำ�ให้การขัดกันของมวลรวมไม่ดีเท่าหินปูนที่มีผิวค่อน
ขา้ งมาก แสดงใหเ้ หน็ วา่ ก�ำ ลงั ตา้ นทานแรงเฉอื นของคอนกรตี ขา้ งขรุขระ นอกจากนีย้ งั พบว่า คอนกรีตทใี่ ช้กรวดแมน่ ำ�้ เปน็
ทีร่ ะบุในมาตรฐาน ACI 318 มคี วามปลอดภยั เพยี งพอในการ มวลรวมหยาบมกี �ำ ลงั ตา้ นทานแรงเฉอื นมากกวา่ คา่ ทค่ี �ำ นวณ
ต้านทานแรงเฉือนในองค์อาคารคอนกรตี เสริมเหล็ก ได้จากสมการของ ACI 318 ในสัดสว่ น 2.8-2.9 เท่า

สรปุ ผล กิตติกรรมประกาศ

จากการวิเคราะห์ผลการศึกษาพฤติกรรมของ ผวู้ ิจัยขอขอบคณุ สาขาวชิ าโยธาและสถาปตั ยกรรม
คอนกรีตทใี่ ช้กรวดแมน่ ้�ำ โขงเป็นมวลรวมหยาบ เปรยี บเทียบ คณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฎสกลนคร
กับผลการศึกษาคอนกรีตท่ีใช้หินปูนเป็นมวลรวมหยาบ ท่ีได้อนุญาตให้ใช้ห้องปฏิบ้ติการทางวิศวกรรมโยธา ในการ
จะพบว่า ทดสอบวสั ดุในงานวิจัยครัง้ นีจ้ นส�ำ เรจ็ ลลุ ่วง

Vol 40. No 1, January-February 2021 Effect of gravel from the Mekong River as coarse aggregate to 89

concrete properties

เอกสารอ้างองิ American Society for Testing and Materials. (2001).
ASTM C 131. Standard test method for resistance
ด�ำ รงค์ หอมดี. (2545). การศกึ ษาคอนกรตี ก�ำ ลงั สงู ทใ่ี ช้กรวด to degradation of small-size coarse aggregate by
และหนิ ย่อยเป็นมวลรวมหยาบ. ใน: การประชุมวิชาการ abrasion and impact in the los angeles machine.
วศิ วกรรมโยธาแห่งชาติ คร้งั ท่ี 8. ขอนแกน่ . West Conshohocken, United States, PA.

ดนุพล ตันนโยภาส, ธีรยุทธ ว่องวิริยะสกุล, วัลลภ แซ่ท่อย American Society for Testing and Materials. (2003).
และชติ พล เอยี ดปาน. (2551). อทิ ธพิ ลของชนดิ มวลรวม ASTM C 33. Standard Specification for Concrete
หยาบทม่ี ตี อ่ สมบตั ขิ องคอนกรตี . ใน: การประชมุ วชิ าการ Aggregates. West Conshohocken, United States, PA.
ทางวิศวกรรมศาสตร์ มหาวทิ ยาลยั สงขลานครินทร์ ครงั้
ท่ี 6 ; หนา้ 68-73. American Society for Testing and Materials. (2014).
ASTM C 192. Standard method of making and
ธนบดี อินทรเพชร และชูชัย สุจิวรกุล. (2553). การพัฒนา curing concretes test specimens in the laboratory.
คอนกรตี ก�ำ ลงั สงู เรว็ และคอนกรีตกำ�ลงั สูงสำ�หรับใช้งาน West Conshohocken, United States, PA.
ในภาคตะวันออกเฉียงเหนือตอนบน. ใน: การประชุม
วชิ าการคอนกรตี ประจ�ำ ปี ครง้ั ท่ี 6. สมาคมคอนกรตี แหง่ American Concrete Institute. (2019). ACI Committee
ประเทศไทย. หนา้ 427-434. 318-19. Building Code Requirements for Structural
Concrete. American Concrete Institute, Farmington
นเรศ พนั ธราธร. (2543). การออกแบบคอนกรตี อดั แรง. พมิ พ์ Hills, MI, USA.
ครง้ั ท่ี 4. กรุงเทพฯ: ไลบราร่ี นาย.
American Society for Testing and Materials. (2020).
บริษทั ผลติ ภัณฑ์และวสั ดกุ อ่ สรา้ ง จ�ำ กดั (CPAC). (2020). ASTM C39 Standard test method for compressive
คู่มือการทดสอบหิน ทราย และคอนกรีต. บางซ่ือ. strength of cylindrical concrete specimens. West
กรงุ เทพฯ. Conshohocken, United States, PA.

บวร อิศรางกรู ณ อยุธยา. (2553). คุณสมบัตแิ ละพฤตกิ รรม British Standard Institution. (1989). Testing
การรับแรงของคอนกรีต. กรุงเทพฯ: โรงพิมพ์แห่ง aggregates-Part 105: Methods for determination of
จฬุ าลงกรณม์ หาวิทยาลยั . particle shape-Section 105.1 Flakiness index. UK:
BSI publications.
ภาคณิ ลอยเจรญิ . (2544). พฤติกรรมรอยต่อแบบเปียกของ
คานคอนกรตี เสรมิ เหล็กส�ำ เร็จรปู . วิทยานิพนธ์ปริญญา British Standard Institution. (1990). Testing aggregates-
วิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมโยธา. Part 105: Methods for determination of particle
บัณฑติ วิทยาลัย. มหาวทิ ยาลัยอุบลราชธาน.ี shape-Section 105.2 Elongation index of coarse
aggregate. UK: BSI publications.
รพีพัฒน์ โชควิวัฒนวนิช. (2540). การใช้กรวดสำ�หรับ
คอนกรตี ก�ำ ลงั สงู . วทิ ยานพิ นธป์ รญิ ญาวศิ วกรรมศาสตร British Standards Institution.(1992). BS 882-
มหาบัณฑิต สาขาวิศวกรรมโยธา. สำ�นักวิทยบริการ. Specification for Aggregates from natural sources
มหาวิทยาลัยขอนแกน่ . for concrete. UK: BSI publications.

สมุ ิตร ประทุมวงศ์, ศักดิศ์ รี กลน่ิ ประเสรฐิ และสมคเนย์ ชัน Neville, A.M.(1981). Properties of Concrete. (3rd
ชะร.ุ (2528). การสำ�รวจแหลง่ ผลิตทรายและกรวด และ Edition).Singapore: Longman Singapore Publishers
ทดสอบคุณสมบตั ิในภาคตะวันออกเฉียงเหนอื . รายงาน Pte Ltd.
การวิจัยปริญญาวิศวกรรมศาสตรบัณฑิต. ภาควิชา
วิศวกรรมโยธา คณะวิศวกรรมศาสตร์. มหาวิทยาลัย Weerheijm, J. (2013). Understanding the tensile
ขอนแกน่ . properties of concrete. (First Published). UK:
Woodhead Publishing Limited.
ส�ำ นักงานมาตรฐานผลติ ภณั ฑ์อตุ สาหกรรม (สมอ.). (2562).
มาตรฐานผลติ ภณั ฑอ์ ตุ สาหกรรม มวลรวมผสมคอนกรตี
มอก. 566. กลุ่มพัฒนาระบบสารสนเทศ ศนู ยเ์ ทคโนโลยี
สารสนเทศและการส่ือสาร. สำ�นักงานมาตรฐาน
ผลติ ภณั ฑอ์ ตุ สาหกรรม (สมอ.).

อศั วิน คุณาแจ่มจรัส. (2549). การใชก้ รวดทดแทนหนิ ในงาน
คอนกรีตบดอัด. วิทยานิพนธ์ปริญญาวิศวกรรมศาสตร
มหาบัณฑิต สาขาวิศวกรรมโยธา. บัณฑิตวิทยาลัย.
สถาบันเทคโนโลยีพระจอมเกล้าพระนครเหนือ.

การหาคา่ เหมาะสมโดยขน้ั ตอนวธิ ซี าตนิ โบเวอรเ์ บริ ดแ์ บบอลวนส�ำ หรบั การเพมิ่ ประสทิ ธภิ าพ
ของการหาค่าเหมาะสมของฟังกช์ ันเชิงตวั เลข
Chaotic satin bowerbird optimization for improving the efficiency of numerical
function optimization

ธนชั พงษ์ วังค�ำ หาญ1*, อนงคน์ าถ โรจนกร วังค�ำ หาญ1
Tanachapong Wangkhamhan1*, Anongnart Rotjanakorn Wangkhamhan1
Received: 25 December 2019 ; Revised: 31 May 2020 ; Accepted: 25 August 2020
บทคดั ยอ่

การเพ่ิมประสิทธิภาพชาตินโบเวอร์เบิร์ด เป็นข้ันตอนวิธีเมตาฮิวริสติกที่พัฒนาเม่ือเร็วๆ น้ี ปัญหาหลักที่ขั้นตอนวิธีชาตินโบ
เวอร์เบิร์ดเผชิญอยู่ซึ่งได้รับการพิสูจน์แล้วอย่างชัดเจน การติดอยู่ในค่าคำ�ตอบดีที่สุดเฉพาะที่อย่างง่ายดาย มีความแม่นยำ�ต่ำ�
และความเรว็ ในลเู่ ขา้ แกป้ ญั หาการหาคา่ เหมาะสมทช่ี า้ ดงั นนั้ ในความพยายามทจี่ ะเพม่ิ ความเรว็ ในการลเู่ ขา้ แกป้ ญั หาการหาคา่
เหมาะสมทแ่ี ทจ้ รงิ และไดร้ บั ประสทิ ธภิ าพทดี่ ขี น้ึ บทความนจี้ ะน�ำ เสนอทฤษฎคี วามอลวนในกระบวนการเพมิ่ ประสทิ ธภิ าพขน้ั ตอน
วธิ ชี าตนิ โบเวอรเ์ บริ ด์ ตวั แปรความวนุ่ วายในแมปจะถกู น�ำ มาพจิ ารณาโดยการน�ำ เสนอวธิ คี วามอลวนกบั ขนั้ ตอนวธิ ชี าตนิ โบเวอร์
เบิร์ด เพอื่ ทีจ่ ะแทนทีต่ ัวแปรหลัก (α) ซงึ่ ช่วยในการควบคมุ ทั้งการสำ�รวจพน้ื ที่และการน�ำ ไปใชป้ ระโยชนข์ องขนั้ ตอนวธิ ชี าติน
โบเวอร์เบิร์ด เราทดสอบความอลวนกับข้ันตอนวิธีชาตินโบเวอร์เบิร์ด ผ่านการทดสอบการเพิ่มประสิทธิภาพฟังก์ชันตัวเลข
ผลลัพธ์เชิงตัวเลขระบุว่าข้ันตอนวิธีท่ีเราได้นำ�เสนอน้ันมีประสิทธิภาพเหนือกว่าขั้นตอนวิธีการเพิ่มประสิทธิภาพอ่ืนท้ัง 11
ข้ันตอนวิธี
คำ�ส�ำ คญั : การเพ่มิ ประสิทธภิ าพซาตนิ โบเวอร์เบริ ด์ ขน้ั ตอนวธิ ีเมตาฮิวรสิ ติก ทฤษฎคี วามอลวน แมปความอลวน

Abstract

The Satin Bowerbird Optimization (SBO) is a recently developed meta-heuristic optimization algorithm. The main
problem faced by the SBO is that it has been empirically demonstrated to become easily trapped into local optimal
solutions, creating low precision and slow convergence speeds. Therefore, in an effort to enhance global convergence
speeds, and to obtain better performance, this paper introduces Chaos Theory into the SBO optimization process.
Various chaotic maps were considered in the proposed Chaotic-SBO (CSBO) method in order to replace the main
parameter’s greatest step size (α), which assists in controlling both exploration and exploitation. We tested CSBO
algorithms through experiments with the numerical function optimization. The numerical results indicate that the CSBO
algorithm outperformed 11 other optimization algorithms.
Keywords: Satin Bowerbird Optimization, Meta-heuristic algorithm, chaos theory, chaotic map.

1 อาจารย์, คณะวิทยาศาสตร์และเทคโนโลยสี ุขภาพ มหาวิทยาลัยกาฬสนิ ธ์ุ อ�ำ เภอเมอื งกาฬสินธุ์ จงั หวดั กาฬสนิ ธุ์ 46000
1 Lecturer, Faculty of Science and Health Technology, Kalasin University, Kalasin 46000, Thailand.
* Corresponding author ; Tanachapong Wangkhamhan, Faculty of Management Science, Kalasin University, Kalasin 46000, Thailand.

[email protected].

Vol 40. No 1, January-February 2021 Chaotic satin bowerbird optimization for improving the efficiency of 91

numerical function optimization

Introduction PCOA with migration and merging operation (denoted
as MMO-PCOA, cuckoo search optimization algorithm
The goal of the optimization problem is to search for (Huang et al., 2015)which is widely used to solve many
a maximum or minimum of an objective function value optimization problems. However, it has been empirically
in widely varied local optima, under highly complex demonstrated to easily get trapped into local optimal
constraints, and in a reasonable amount of time solutions and cause low precision. Therefore, in this work,
(Yang et al., 2014). Consequently, chaotic sequences we propose five modified Chaos-enhanced Cuckoo search
generated by means of chaotic maps have been used in (CCS, firefly algorithm (Gandomi et al., 2013), gravitational
the development of global optimization techniques. The search algorithm (Mirjalili and Gandomi, 2017), whale
first introduction of chaos into the optimization challenge optimization algorithm (Kaur & Arora, 2018), crow search
was the Chaos Optimization Algorithm (COA) in 1963, algorithm (Problems et al., 2018), league championship
by E.N. Lorenz (Lorenz, 1963). The COA represents algorithm (Wangchamhan et al., 2017)but the produced
the bounded, unstable, dynamic behavior that exhibits solution does not produce optimum clusters. This
sensitive dependence on its initial conditions (Yuan et paper proposes three algorithms (i, salp swarm algorithm
al., 2014) named chaos optimization algorithm (COA. (Sayed et al., 2018), and the krill herd algorithm (Wang et
Uniquely characteristic of chaotic behavior, the COA al., 2014)Gandomi and Alavi proposed a meta-heuristic
carries out global exploration searches at higher speeds optimization algorithm, called Krill Herd (KH; all of which
than stochastic ergodic searches, which are dependent were hybridized with the COA. Various simulation results
on probabilities (Yuan et al., 2015) all individuals in the and applications in each of these references have proven
PCOA search independently without utilizing the fitness the solution diversity and global optimization capacity of
and diversity information of the population. In view of the each chaos-based optimization algorithm.
limitation of PCOA, a novel PCOA with migration and The standard Satin Bowerbird Optimizer (SBO)
merging operation (denoted as MMO-PCOA. was first proposed by S. H. Samareh Moosavi and V.
Chaos is a characteristic of several nonlinear Khatibi Bardsiri (Moosavi and Bardsiri, 2017)development
systems as motion distributes within a specific range, effort estimation has become a challenging issue which
as it possesses degrees of uncertainty, ergodicity, must be seriously considered at the early stages of project.
and stochasticity. Many researchers therefore use the Insufficient information and uncertain requirements are
characteristics of chaotic ergodicity to solve for the the main reasons behind unreliable estimations in this
global optimal solution of complex nonlinear multi-peak area. Although numerous effort estimation models have
problems, by weakening the randomness or constant been proposed during the last decade, accuracy level is
parameters of the metaheuristic optimization algorithm not satisfying enough. This paper presents a new model
(Huang et al., 2015) which is widely used to solve many based on a combination of adaptive neuro-fuzzy inference
optimization problems. However, it has been empirically system (ANFIS in 2017, to optimize adaptive neuro-fuzzy
demonstrated to easily get trapped into local optimal inference system (ANFIS) for the purpose of effort
solutions and cause low precision. Therefore, in this work, estimation of software development. Its algorithm was
we propose five modified Chaos-enhanced Cuckoo search bio-inspired by Satin Bowerbirds living in the rainforests
(CCS. As a result, most current work is devoted to the and mesic habitats of Australia. Through the breeding
improvement of global optimization algorithms to tackle principle of male-attracting-female, the male bowerbird
the abovementioned shortcomings. Further interest has attracts the female with the construction of a specialized
been developed in the field of hybrid algorithms, especially bower. This technique, which is population-based on a
in typical and emerging heuristic optimization algorithms; stochastic optimization algorithm (Chintam and Daniel,
such as the migration and merging operation (Yuan et al., 2018); is very robust, straightforward, and efficient.
2015) all individuals in the PCOA search independently Details of the original SBO and the literature related to its
without utilizing the fitness and diversity information of applications are presented in Sections 4 and 5.
the population. In view of the limitation of PCOA, a novel

92 Tanachapong Wangkhamhan, Anongnart Rotjanakorn Wangkhamhan J Sci Technol MSU

The principle concern we faced in our research the male satin bower bird uses his natural instincts to
was the way to introduce the Chaotic Satin Bowerbird build and decorate his bower, in an attempt to attract
Optimizer (CSBO) Tubshaeesdertdoemrmeapeilnathdcoeedrtshoefincrtihtwiicshailcpphaaprdaeimfrfeeirsteenrostrgantfihezeemdiraleeinxbpiserdirxise.nWceeatmtotraainycftliiunvefeenrcbteohwathteetrhsire(cimmreapalretoivvbeiinrdgdsetcrheiseliyior nufsiptnoiennss)
chaotic systems are than less
ivpAcApoe enbaat;oada;wf tT safishhutoeefranoeellblsetafnhiSgigteeotttnfcctcpussimtnheeiehooleioeebhsttisthtturgdtsroipmsesrraopcaemeioytilidslobrrptathtcnpbonpStachhuoie,stohoofthersooibsiorolmimslpvBrctewioiopnawtfsana.tmigaroowTTaOynnbusstseaetlethS,lssppobTfbTabp2atapwtdttmeOasitpnopiihph3gttprfuPhalntpnObTmsotTbfpaaoaappwtpdebttti2hdohihhhhtor.ssfniPainetaaehhhhhihntllipteinoarruoa.ehheaeiecehpc,dpa2bpwTbTOsieoabtptmnapttapfttoeunrigmteaeeeeeahtebeetloiluannrproait.eeenehhsTfrifPetntchhhhhihhrdTtutsdrpptinirmggtetdeeeeeeaethpaeerehidctkdeterSrolluteititrnrpioeniolaautl.tfoiaisasachhrihiisadrTpdpittrsrdtseheretmtoioaunhmigreiuufmoeieeeeaeehhtnplerSeeoloeSruicrrietiilrtnocsairsaastechtreereisclcemmtivdtdrTstprpsditooesremtieibeueibcnuufmtieSheieilltafrrtoerSloSnenSroCiiucrcritisaonasiosasafragoitanaactBr1eestrirna1ceemdtcemtseysanooretmotcziobieuufmSaiefohscbfhenhtiichSbillvl,emSaiftBgcrnnennoasiNrhrncvsereebrtti rroTtgootlcemitlnmtaantlBm1tsorna1OoBseScoepceibs+irhlenm+mbovntmweuii enSeziliehllneia=ohfttcsiaesinoesooaiieurlv,oosecOoesoBggtn oiBtnaaueBi1otrnah1.onenvoeuefcedtsttt ararTtnStlonalrmz dOceidoiese;ohgpcsepBisia+rihedpm+nOiwvvl,mwnleesiimn enewaigBenann;btiBnei =dt2enesvewerssmoirttu ted.TttlblooncOnolrmest bO hogfsepaiha.1nte+rium+OsBevhrtdasmwehtiiaa reeetiifeto icsoti=tn Odeetchsddaso;SigeiapeSisoov,hmecOnlo,mesnhiw re elnpmebftnpTabatodwptp2pOoitttbasasinnhmaodnah.r;ilbnneeieis .sidtdeet(aiatrlefrsmPovsun4.donbl hhhhhihdcodomzr;bi(ntstOiperai dlgf,heoeuiwodateln1etsetntunateiercnaabas;boofri eerltrniputanoloia.gStdfvaiefx ihsteseaitrismstiuhfetsh.abhl;TShihcasiaSeuxbnsgrimtp avnsmngfnlf,aeeeeeelAhtiNhace Srfnraseeai1teechnumhocserrisanrfiisntene.tuitofeae(c itsittottliirdTovsrtidtsppBethe4aeatS=dniiaSntitsbmzrhi(tlvnmitieienli,raphaB rlibeaelrShrlooaeitibstumdteirteitresfrieneofareaiiosasa)seoiir.criea,esecse1ooes(olritlhgSgdttvotvsaxoaip4itreesmt)whdnaotuttotiohfouufsmarzei(OnheT;tieracaslerxodoiisSoocSgsicrdnhftelAelNtaerentSSefnehslrniciitchcahfreeooerchibfocngSticem,amtvrsaxnsoolneesuoeoetribahfnlts,Salnepoiobo;TnntltltabcansrBoSeemvhoaxihptlln=oeaniftwtnf,liAtNaneemShonthhideirgyBpsadeBeychiibalooocgeeeiBttntaaseBt1etnsrnatncer1ofurecopfoaerecero)sioittfn,nticse1oornrrBdezlattfnmf=rifeohihfsctlciitit)oimhhtrttoweioelv,pheyBaeilpOpbaaclBgbcneetrewotrtarodtoresbffirSeoocnfvOnareessoC)oOtto ohioeouTt,ttSlc3see1afoidrlrncmittfoOuobhseoiip(institir,)i+hri.tnottob+sovdrmwedfiiat ee(mOeeeictroeeratlcn,sihpro=rotdnlltidhSotaoectesoososschoirthetts2entltSeeoofwpniwgcOonilestent fathhcbomhhorxsnyBatiifa,had.netmeoooeudtBSuhhtgaaerox,tefstricraitnp,hpfroehtpn ltdtiacadodetfn;thobehawoeprintihtedoenislw,he(ofmniuwt6TofulnrhothhsfiencrnyBonabade;tbimciegtcsii ooeuediiBnhilpripbaceosrsmmxcnaeiufptrtu.pahlblibhotfnOn,tlaszhteoaorOBsl sodalnodguflmn3afmdnf)dtap1ottr.falucteoemuoerhiasoi(dpagatoeg)eetefhohi nslpbptacixoaerfgtgpetr(bctuheacaorlSlobisiaSeruOnrsstoOemlvehmcsolulte,athoch3 enratdtssdittsa2prumtwophiughilnroi(imuestO.eooilbcceme(onxsitbalhfaenofvsmtpwp(ttteh4ctuCorrhrhhtldngsaopxi,hrefnzricai(l.pnhtitranfroralatosorttrsa2poadheewpthatebteetcgawrgdle,eiosic(caosmoorouix6soaugStfahlpivfematxribesueihhthdoemigtgmosfox,hifriefsftlilep;TiiirabmfcasreoiaetmaxniS5ricmoasfsadueTnn.afbileAmiawNalseeerSsni0hbo,olfloh(eoitawlichs.uodo6politnnuoci)n0ieEeann)nenobtcur.ttolcitgsueeimftubosiiwdpaghinirbsg)erBolhemhanritri=uctnoittaarpytdpmghbet.usoi,BillshpelaBllisoidulbanulutteeonttTintens)letortsrrtfrer..elefaererysoe)iuImhouuciaip,sde1dpuatgeSoerhibrg)eetharmtiEqtnteoilboia)rdtoaghrttbeouhtaoeolmneaiwetbOteuinetCrrhtmOeirasolpedrtimiSo,otpcencOsf.ssoismsieaptetSaaehutftohisdnctistispralhfeedftlhbaeoctlgtbntoin,eisoihsinvqomsrrBiibinrwtteAetbhrnptCaarrhan,nihoiaorsrinltrtaihnciec.mesohoiohoprplntbaelltniowxsrippebnadhtezthhthaiStectcrgoyBufnzaadTaeitnatemooeeersdsBs.rtis0hineebufosahiptctoiuepstrita)0tfiihteeecafnmttarreslOttahnldpeleeifhrmefnbtosifidubSsthncceoefhodiahrihThtnarosmoaeee.hrsahei0whtnelpppftacnaobyidpitxsee(titssoitrBtlpsnasi,io)0irfsblseaOnitisohOretpouep,3eonacferdt.bludoesir.yesthnoohrucuolihheterohie(i1eeftorbtehsnnmEbdtatywsrdp(itfestoeip(Bldessicoiortsrltselasieetrooehlhttbdtoisrrplam.zdetOrs2ysro1wpzhoumcttg,aipnciriltwcWmsoierbcseefhmtoeaaxmhsEaoclfa)heisimormoetidfuuhrtmgaaoex,nheefeboriaopufbsnqnifrcemribnmrsceOnaerAbdesarbmea,wbmp)sneiosoioceo(soeomtredau6noouiepopiseoitlebendfbxrneStooicegtsdsndniaflraareisntuqrbtzommgrnibthienndrsritehoAnbudssds,hyiboefioaa,arlohueaeslnodlboneihtaotfbgpnugshnnlb)uzeaodxtrrhor.sloannpdeeimieidoidepa,gupgl)ezrdbstniaebodaohdihdscBtsotcanirwegopbe.unauasbwobruelenpeseiusteetftttenapeyasiselaettfrsseanl psemiolhaicepdapi(cruthisiepi,dbsrehtdhldurieohec.lbto tbuiodosl.otahdeetfheowcirteepfoiwttdnsnfneCrrhotou dottspnhtstiasrdOi(ttnfenccd.iiiipirh.tflssriaitdiloeis ep,fooenaheritdtthhaluects.ginsdotirtpaeithmzoileetbosesirosa1renfioiosunei(rhwptWmitdootttsrr(frCiteihchciecditimtipi(ioifsertsltsltrmietitiuearooe(mtactciSictzeooonfrciaasyrTpaufnzidlnmeoaeseerpu(rsoi1inoi0hSoycefinrorhrhpwitsWmirhtTbg)oisinnfsc)0 ohScecczha2dotoifprecterxmeStieu2ftSobSrbhsfso sieaiethntorraohcoicahnsufrniiletfanrtpt,cewt naetrydgnbthisorsiizBtlbei)ssnrenohodelcer,iwirobtoehrn maeeaiiarieenehe)ironni.nb)deerehyambghtucdtue eiohcosuazaierBnnnrhoblpe ahrimotEnuailteBnganpohii ssteolmno,ertds,aan, newi)bdaoedsaoabcnwg)pntnumbseeOhmdabc)ebgnnm,pheuzsccsoietrheonsiaeeyafteraceaainbrffshiil Omrbeeltdfgwcs.bgabbndatcrblrebslncqdnhiiwOfmpSiboneeunro sbuCiAbtbendasotetchoucitooebteiunilbhiaeyadisezgisoi,ro ppttsohtle dmltrbonxrarcsiieinnidIehrilolnieehdueaohiozst teeo nbuicorihedsie.ssohslsieohoncdttaistntoeisoiluebsoedesbsroatBisaS tffetasia(hatsdpnStffnaonS.oisanipberCaipgsrhteliiiiitdwi sldbsretoeehtwdrhhcleiisewtwbstinnd.ticuttctiwlrzeteboeopncaosygansiiwsdeeToaten(iitpup(iinothayfeoa,vBtrnssiCiyit(toistrntitihatriutitinOl sep,mc(thdtisluB.BpesboohoSlttelftcectn2eghibezeeoiSnrufcohsfbhh hyc1iewdeoacdtdotpu(tiincosnrs(((i2yeideetfisrotptes,swhe ohenehethiione5a bcooOicsiwtttreiillohipoisrpazS2s mrro121hiihSraueherheisofda eeinreeo6mneeowWnmtix)sya)ssisOticOtnifhidtuci e)tfiftpr.,Bnwnn erprmt ir;ubtrf.to.ineaaed4neirddeealeohop oraosxsufmn, emsan iineriecendrnior)r))b)dsin..t.f.,cd,,;tfu eeol)rBnnnpe scooneefalrpo aocosffmi,hlsOanr anebetedtw.gnohibsttecdbnrtdel,ewibfo)oaeatscdnbeheatcefburahiubuzffhrhoOisrbe,paiow.riobtclraberinelIdfaonoeecnitwtpdnuesectbcreunmohiuboetesnnisiaeys,espeboorrola SmrasecinffIonlbeapghiteo ebuwicrlsmeohhoctowrlsiilnesdnsebout tshtaStdtao(beiaegdctdwtw((wIadi IRcwctsniffwirhiitlibdapg a,oBwns (histelNxxtsthnnhhehtritndwltitrbptmliiebo(hsniasiutss e(thoaleofnt pdaac iαTvb SdboatwbxbptgihbweebtxoiaeerCibhhaiithtc1iw iiticd sa,ohiahhBi2(istembtthtrtrsereotrliiccehhhhmeoteo(knoch5 yisatnndOesoa2sitpu(inoilefiymaipgkkhbesratoabhhtlsctthc1irowiEhrerroereuorhncdaeehe da eehenecfheel(ti2eenex)sypsiiseeeerSorieeh2he)tSru=ohsfa5 ssar. Orteeeasit;icintf.oeeieotn.iciheentftlwwtpl,,w trehheaeeheugdae=beenmiereel)xrex)syohtitwswqoisrderlep m)iiertirierhrc.nri)e;itif.lt.tu eieneeertnguBnnnicbcptf lemonomgaaldop taio.aalom,bgsilanso neciietoidZebcpodtc~k=teaeeeoe1)teptsemiscerrecahlsefalrapnhffhmpOaoireveb n(nwb.nudobticouiwbre umlmaafno tinelntsprrdnu4nelt ciul*idu+bo reibcseir,wpooee etnroe,raescxislnc NIraoponr )oeitilcttoiepregctr)eh(mmeobσph oesnnes selutbcaor,saiwSiir fshhiesrrnff,e teie(incbhapgedbholvtdnnwlet aRIdwwd(dwIgictaict(ebc(wclodlldesebkworeleipersiamnlutsbuisn uitaNoxxor(nnhhnhetsielwu2bpiither oiodtad,aoiietBa bRtaIgi ctwiwIdw(btddc(awec(e(tistdthtshtrt lieemboexieaeow.(nIIwaheeissnnr ,tan sn ele Nxxfyhahhihhnnhxghbhetceanolbpbhh)mhtc1iwajmeercdtiiyon nneoik briv2ed noitnnhor2oarhaoeabeeextitaobw a5mapakkt nOddtrasint lsttcttbig,dnoihahhiiEeea +bthmisealr(penehehretaeehiiedaeenoehesnnmeeef esaeoeefki )se)yieshitnnseh=u=2kass e) amptykkr.o lirtwtratlstltctc;itfh.eootne.tEwlwc eorvthlo,teiareE l(ugoneee=xniiihe.eetg)xthlttleqipehdrderehiae=rra pssb toreσetiittdrehitrcuaneiehc theneetredwwweaewxl,trseeeerdtgu ng=uyhnrghtbpoaf)xetneelmefqegomaredrpw x,epaiqdl.retiolrehsnrb icloytieitorriZeeEeep asrpapσ~eki=retgn− uis,ksoteef1retewt lmhtmogaespfsebehitrae rdaiicirevta.hlsiollas2b roilpo.iiotiZl mpeeooevp n(knnt c~akh=optd.qiooie awt1o, teutar,ese antlir t(iainticaiahlsasl2 hnuoa4nrngatp hdil* pmedattno+ptebva n(no, trnhe(hcivei itrdweblioe ieswnaixp , hbaxrIansixss tti moNhsmhnseoie stnu )n)4onca 4eccnimltoi*p rweln+te)ecto (remttebσc riiisartwose .en eaniecitctawdwde( wdcg((eIbtwiIR ,trrs,+ssxswr eN faehinheoobirnp,e )too teaeiodaeisnt cniontcoNxixipcocerhnnhhet)beshox(,o)bpvmeetbσhed uctgopdltrrnseidtnhsb ko brte(psooh,rkssawe fixeeoeabhisreistauriiu,,het do,eoi( eieoenulntcu2hhahitebhho5nro nvomcwtncapcodoiodlemtreedniaitiuerviedo(ahsdoeobkeko desptinncrhj s 2aiowt.snsuampieskknar,reatat(elscttte olesfl cepioksu2 tEh xitλrh tew,t e)aσn)tl(oadteneeedtdailajriea )trieeetoico ir dtneshxaiehbrvnde s=igfesasow. in uhhstwis-nr,saeasnibtw ncaetdhevne tlerwewe.x dttbil,tcn aneo)sdeugta=d o+ytlajbii);xios(+j qsnderrihbrtvndeo inmp t saefis*i etrres)iicnrehh)te= uiodatbw)h ki tpk teitt7sttbuih yiio snieroerttehlgnea uet.r+riibito nfilcos nelmgtirogmavnwikniottNine m savfaani2ia i s.i)hlo ioi.tgb=ntuthilnolh k pdpiiohooiaZ egetarr ,p tth,,y)ino rhi~ko= itttl tnripooeeou1ngxehlc tehert reslvn eariewhea sixjeccneraishlsis hel.te.dtrg n tyhhoiplig;udoaobampeoengeer r he n(sp nx,oon∈ivttdteer iosiTo wtuneesef nghh( a p (neew tieatearexnr erEsnstnue d 4anyrhp ii σgartilsao*−t s,reks+ehaeeo rep lrex,c itw ishwriowpase htneosra0nc sun, iintph ipioksa Nixns tN eoraerloEboaa t )oa r peorehiσcokitiotkni vp−p tret,nkst )ceheop(cm.rbσqtso tw lh pegsziiisnuhenrat r d neiet ,athla,r(aptasrin,ewhfet(i o fsiohgiea2 nhorr,e zntgn eoeitisioensck ndetn pbcu hhbopoan,v.tt,th1qocpiodvlee  ift deotlbsagorkohsoptee pealparr (hsk aeiaItiaistisalmot2 ui0migr nsgi)fre h(eeeln)Etu2hc cditntieehbacrn l,tlwht cn)odivethd icetafiieeeattbltconssranadohsesap .o thi arhaIEfaaoelwr.ensmoni.rmrst+nsirai,h areat(en)tnec ∈hexnp)tltuian d)anetntotkajeuecettooheq ah,wx,snooesord cbr.vcideedmuaifgpttorrsirmfhhrrernct+oeebabrn e(eaeftntdptqbitvrEieste(daievta,hI o+sEtbdocoriteahes−,.tx,i,teoeaetrlnoeduhnmgp 5bsatenrfrosstii ncl)hitsoem=untebervnne(rtk(hce reitiairnitdybhjr1 o istiitudls,lh teoit.oaooheonlecoattroevmttatqe onilsTf q5pe k,no(ininoscih.o.etmgntwehe arve)σl(tsh(dadeaeilo rhr r tiittshjh i irboeiittmitttr(eexnun eoate n e uhs otwellswrieo-fea .tepssmkhx3snSitsnhna(eddc v)eyh.s bep)σre0stg abaodtclner e stiimsedbta edpe ((ix, irytlnisenisi(n+ eisa ihngb ( in t uhs sotw(edirt*h-teorstssneitcEi cntea 1 ieov,aerp)5nriσ)ikt y B.−t tco,ks 7sseadohdud s reipytlls1rtw itheopessii.p(,+h rilagsS n hisso bt,ht )aeiwr*iei .totttesNigucoate anmio2 a dlsai )e )oomoi iktnt∈ nn p 7cahswpo)houv .gniqs. O totoh h,e,)i.wsnserit oirn)) ebn oc lptartoai t1wiehigtxipi tdNiael2 rat2na gst-rhB otsec fme nnbs d t.nnh ptwarban hon ,ltrgohaiut tieveo h,t,) wneelbnr sh yishih nese abpapus hlo(vIgxepa e vs,rTmlo i )efsogierhe e t(tecen)r fcts .aterr n eλnrose i)nubyotm 7 weOteotgna r;hinsah thsas.i .riveia e,slaee(e h smET wrrioe+efaogtrrt nesa0e(tenloanpsnh ipr okttn i)f;adaolo capaariartbm.stxe, otoscaehiao)neoduiootge vpitlarrrrtsti hrwco,orabsopt0l(soie0akR.zaitcun,nnph itt okr iitsteq,ih,hnn.i)lpttr,doeaahafoeostcot anhiftnn totieugthm vp5nblottbsbianceefocemnntv∈envspou( lohalt,ezio1tounniut efthjrSx etotr,hagpbghtr,echfolsak se. senuh,eb flsatndif plktiteigtoe eougotrrnree epk)σ u tiaadct,fil1ireo; tidcfteldflitt ir ot()apig hcehfhetciinnyk eut rlnaho ulhea(sttw1li.-iias tisnitiago nsa wedrnwnttnyarei (hrco,ie c(te ((3(lfstoncdeld altotanytl∈hti )t )(hlciaf(i+ tiscietn(hikertne ahiene ie5ir*i a6hg43tsstohchaaowdobcrote heccienion)ttoicei mtfhsttrhn td(t7s7otseu neiees∈)hyrmfo)toeloTnae.)diy(0e dit ktooee eelttntwieis)EhtsNior )rd))ceaiaciine−2na e,.dsegeite oetoatenrsnm fhnr lnn peeothcbho)lg.ses sfr tretoh,,)irnetfd,r.f, itinieeptsotbtxosiE huldrs lad −noe.,irhteoaeoerencoohts .mtt,artqn ntTiodi wcu(hieooserteon ht imsrvbios he stTdtse l oefbgeimpe mo(lneoit(gxsnmata qro nnTennn (ioi ou.tesarSoesetmhssc 1wisebla 0h tbtw,onabei(nma es0e((nxennph i soroks ein lgioiaa.ntestcsSpb thioc roipits vpb lc0tt1ieb,ecnoksyoBla ee(ozinueanpit ssuplpererctc,he)c ttsasgtr,peienhflss tneso,t t)i tce1tie,euenopkpy ued Bhva)ot,m1oaibsef∈jpl reaottweavgshnohhp. ht,Olotr k ewos,tnoni))bftictgd u 1rp ddsa)ciramessircile∈)ltta w)vhcnafh. taOcotr nlownahweaatwatetoai) awbcatosiwehs o1esn spibu,dsdilhrett( t,reihati)n∈h ol)lhstae t flkeebteer swhts)onusdcnicbtmn ihneso butsi;limhfhaercni rio,reieh i,x)se(eomiEtitdgothoe tfnebetetrlssEt)rtaoim )−.,;aoteoae;isrehphihgiagrigirb.tteie ,asao(enmleEorirrretitrtinort,totrbouelnsp0jadusti.la )o;a((ooqnptorihmtniba.qtphnhTaaoo dete(inoeooarrsnnurgs,bolrbbar43ip0 htanost.anobialesyleimotiiq(nuxnniS opno)oicoandenee.otlnesenSnsssuls.ssghs u,blc bbbadsb0lebnoonou))g)ola eeo. .(t.,ftnnuefllSsdfdt gc(inol es.t uo,iibyid c1lle(e,1leooiugo kyiB so wwatftnyasepldrf(tdee (ts3((lp(ol ae ott t ,iiy)iili(1l(uiit ida)5s 6wm34wtihtnhyaobo∈heena(wev t((3(nicl. oOsotah ottw7t t tnoee)ibrmicito(on 1i)t ypd 5 r643thhobohet)n )t))eiichinenedaeges hl t7s teneee) werms)o.oinshs )sesr ybrus lf,.ef, t ,ri))o )))eiinenedege fs erese)).m ss sorr;if,h.af,ir ei ,s(emEitntlt);aprib.taonorrr,orp0a.aqnipooanugblbbanolotnuScols. u,bdleoougo fdfdt( eiiy(1li is wwttnya(e ((3(loaott t iii(it 5 643hhobohentich t7nee)rmoon)y t) )))eiinenedege ee).ss srrf,.f,

ilizes the concept of Random changes are then applied to ; again,
st solution to be with a certain probability. The normal distribution
ptimization process. ( ) within the mutation process is employed
he concept of bVirodls40. No tvibwdv Nxhs aoi 1hraifn2klfovu(,euee=rw,aunxJerr ergdaeaio Zi~k annhlss do buc* , fsNa a tle(σ e he srvt.y(ee2sbhaai-sxn)iIeeFrngnaiomte=dkniwlvnabdta ehe xer x,vd Euerσ−eiaoaakpqnltp2gldrvorasrya)oeat.s+ hrp2,t rta(h eoo05 m(mo ef 2r)σ i ftl-n 1eo i ( vo* )s 7tw aNne t ,) aa er .r i rg (ra e 0oe ib asf,ltne1oahd)stfnesh),dpeeu,ralapoetcchppwseheeeperreirctvcweCleaiatmriihnradvnia(((tieattd756tiho,oln)))yot,nicwu.cfe,ph(T(as(pt5t6ia7hnhhcoe))prt it)ehedemfhiernaemprbaraSoomiwBvnwetptCeehhesOafthhreeeftibrCaaicrhaacisSirohelhmaedgctBoalniooagrecfooOecrnlottptgimyemhitsrtcoh,ariietmtaasarmlhtgiSmphintimnozh.oseBtasafmr’Osiatpptctaiho’hrsaoseeincsmsnrnsaooauicSft.momonlrhmeuBelrseubpeteOtiitetomatgriiemiodncnorpirensadtfb.raloepqeqctHtfvhdauedhuuieenrsadnaaiarngtcleolegimitstttdsoi,ytryotheee..ntwetiathphnOeOtaoieetessrnopsf.nisfzSetiHvectiietmnBaihoseet(liOetofnrruzαeeocafteph,dtSyt)oie,ttuo(BshhowαnciimfeiOmzsehe)adpivcmtiira(nohsoi 9nal u v t3in)eoe,
tural instincts. In the
bower bird uses his
corate his bower, in
s. We may infer that
erience to influence
ilding their bower;
rds will build m voabInoefsartsetwtrhihgmeeenienlenapdaswanten3sthtnrohvue.htaedoraemCowetnmfleruhlvbeylsdteoaaehcattfwtaorσoreeebr,egterrdymimwaecrv,iatihsstaeexmoahaiddrlfneeanitaaahdipedrrptabepeoahsclufrpceeaiocttpzuhfnhslopolople,earoritedptshptrerritietsloeonehoiroranrplgsweicsvnmtupeiaaeSolaeiatnnlrotnouBr,ctdtfe,ieaOotwisotsnttrnvhhh.ephfdseeeejaiAelctycuhichnanep.petneriertpeiiweTedswaedwvhl.lriyicdvfepoofbatpeofuhmoororpvs,ireuabpluamyannbiullnaunecdlleeatdeeddsi.doteionfinnaaenrimertmpdedsheqeaoepurpdlfaaospitcfriiameoebdimi(am rmdnd eeaar a p,ettn)mppwwerbEcorsielenymeitqveshetot.eehiontmrnrc(hrmref8eoh0eetp)toaduahh.lnalfgoaectiezhnhtcthαierdcaeSapodtdh,Btoemu1ietrOg.bwdoiafchoeef.piFnotrtthEsUwmumel,lqorrpeicatanmc.whoehnph(enaniic4nsnarnoe)gmeoi,0mttadtiihoceisopctarrtqflteeommnehumm,udmoraattghoapdhteiheu1poteisnf.gsintteotpihaS,nFhdaatiEBeuimrroEbaeraqOnyntqpfm.h,o..rnte(aohelco8lr(tveohtmtr)4eUem.wac)rom,ohitapornhtapeliifgiecszot,o e tt indo c,
populatioCnhaaonsd, tahse ainitkiainldpoopf udlaytnioanmicarebeehvaavliuoar tewdit,hin a
fatrioetnnjedethcsetaselldvpa.prelinseounivonmpetiengousurliu.lnieanlAasesteltietyoianornierinndnsw,cegfhfaipicensarohlyeeodpasdtsuiotccelsnoasmtutmuiimscomcbo;nhebinwniestaeshrrsodet,ihclr,whesiaecnhnsshiieyd,calennrvhectseaitahfohistcirreenotedrcnaaodliupaiztshdpcabeeceltiydicordosarntednth,ainiuoenromnigperrsametrtaoiecnurad nsl  ct+1 mod(t, NB −1) = 0,
 1 +
k =  pj . (8)(8)

 otherwise

 1 + p j
WhWerheere C +t+11 rreepprreesseennttss thtehedifdfeifrfenretncthacohtaicotic
d(eers aTinBoaasOCrraDneaXeyietxplnolohuhngmttpgcsuinpteghnwesehoieoaltomoeaurieetl-eirengoieirgnncdilnrmtnpitrtieanoszhtedlhitbgeimtiraeihtstanesehtcmiioariltrotmerSneao.cdhTCiiirocwssaaaTccno2Bpgrbs4t,rponmnnahtaaennneBhuhheihl.vlr0eroofsshhiOo2mhng.grouf,esptcods,saaaafe,piOhnT1e,aoahiw0irfsofpiosapnbecspciooiororaecal1cdmcopohea21sc.criocgaebtahormnilhentttnesiv)hisprleiye0s3sealthiismnnlralgebn.Wcdeccaalhddie,dtbasess)1eopneiioint-iioOpra.sfotmltositnnlmteoticor3,srzmtetahhoisiahcoreortnoetrrhCt,mhtntcdliae)s,iepisbfissaepoyoiptminverstlcnop.eztooheetahy,giSlltnasiretsopuisraee,taOohtmnios-evdDscraaeitrm.crthnfdcoBpoctchotcneS;atanwidigonsmnpiiiunes-hertnhiroeooeespirpmImBukeiOinaeotzh(ewadmvinnseefninnetaHairscnmeanrbtO((iiSneleeevaesptmchvcadgrXlCbtsecchadttagmadneotonxhBseitsesrrotittosleeauzohoObcihohtoeieaeCpricaslezcsrnaersparO,rt,nheidmeegrsopsthisinaastlti.AnrgrpmSrttoihibtlhaWseoaieythtfsoiaciotdpstneh)inoiaBlaraeihhtnseinlrImtsnmesoigaynhyoogdomnseaeyanrvrliaodstsO(tcgngelebneeigu,msy,isnlaaGnnoaafnvecmec,ohS(mlec,ena,oirgbtertedHhascganaa-rinriechoafhmBlsanaet,fabinspesgflarsnphoahathierluenrmopadb-fheOceAlZiosalosbdnoctaepepnorodtccfsgtealmdaivewshbrseieoer.h-ornyaycrtraocoiopamregriperopyadetdonsmtniltseraaicpapemhonuehpideWze,lsaveunsdoclaovhblaraiodtmodginedlpatnseeaemtig-l(veccfCaeenimlbcithubCdleealedrttbse,ealhiCrothirshdhicleiaiahcocedtdtvctheresaoetlcOelsa&,ilphhaoeawaStlsaabeaan,h,lhetnoeevnatAoatewBlonecvtltnettoaLaaiiare,ltrSiCoishvlnssmde)kiwoeoantel.uOfolhidvc&sleie,a.agaBdhrcmpsoanfm,riitihdici(ataner,oncnmclimziuaOs2iGhrn2oasgcghiiamtsawwthrrarmetgctaSpoh00eopdothreco,iapsabHphrosor,teihopttae1a1athoretnrolieniiavsltttifinehciaadiy2cnrmdo31epnoohhteutcectradroiahsaiidtib0idac))Cnnnncoeeeehdnnssscmnaroiv.t.lmlei1zhhiritsglmStaemoSeibsa3aiastt.obtyBihelat)oeisurootnil.eoehdOaetisttrtuuIetaiiinodmApip vdtfmmvstnpfrsbαiwnnneisscsscsinnr,rhot,tultaaeouoeroeonfivieenetottlralmpnsrmhbeouiuecirssaoidariucnevesetltrhbcelvfiitbhl(iesupoossEhaaheznetlmewtfvbifw nepEaaeeppTrtmrd.nnete rtneuhr,qat1hdf e eailulvaroollxoeshuq .qhhsosiiggoidaen.eneb,NtstsrrapppmrwcmedT,Tn,.f,euienioofriacisadeecmrc( allonauk2sc( heouhetB3orrtSsttbemohr rnhwh8biu(cliiii ittsenoeeiar(efatto)nmmn,timBt,th,e-)celusthhopro,ihei,sastentcnhttsrs1ue3avioeOmmnifhseipnetlaucttwsopossAleeyateasi)nhndaecitdrnhbhoopltal,.,nnscn.h=hnletlorvlhdbtrteuygauuoeniofeirrhe…drilbTnaidensdAIieo eeuyt,docoounmewf0 ncauhe ghl mvutwnnsp f holu trsim hieo seeldte sctiofoebctnic tiAss eica-;eoioitthan;eitcvtatnuor tilcehhfhneeu.eisrnvrhfls sfexagacmilcagtrgo-wspaes imraTsctpeotef.irtitcllnw,i)chhniroedmiohaehluemso;aam,whth,dtaeyoaEthednearqtehfarseantprteiiilhuied1haaecstasieiqtcinteutintdeitifahtczehcimnnhSr.iheesSoefm ththlps.rdesieeoelethe thrimdseildtsheBshtBof fat(nIeswdmiersfecire,mii ain 8crobn,eueetaftvstOti xOpNtofsnurseigleit1 )fofieainnawlolasapdth autstnites.rncr.tmii .nwzrcBept,rponarltnliaeh ebnictittlsuofiieIt fepneIthyrhIαpoosrlffice hntpeaeaocni,nsitsorrceoitpdoog,zseepn,,uunorraophtriwphtlPtrdiseirtesnssdclearhvsstiohntfteihriietestanwihrneshudiihnn(iohraChrs,eotneefniteaistcivoseafrnitecsfmghtCnuiesleaotunZs=nseteSwtriuatteomu fetihgeilint SnvsCittfrinhvtelsssc ,cBtasihcmlviCu eehswhnaapa1aear caitoee B hn Saianσi rsOster ndn daeciSlarntia ltblid eacautav ,usEOilriud etll Bu)it hiizolijsycld eioB,taprayutfo. mteoear qsepdeseifcien2Oia arnsaurs,olnatOe )tutrTtat.i,dexrhdt ibihei.oszeltdtdelcpana,hins,rsgiplhhatastao(evesxezlpepphridbi,etad8fToaileaestntlaafiapu3vresrdgoas,gn,hsboeeallba)ohrleldslagtnmldtαtrn,rpgooeuttond,totoieecnahmaeav ssthhmrdo.itaofr bewNhwiphpneindnoeiamu.tt peaiieaoSrncrtnia osmbata.i,d;cdhoelmtEchdio ltBbimuemBeNtho twmiCCiohxo(baaehhanrhtt aetmiilqe to oheenhtnsieiO wtmlorrree dSSam,momalBrayii i.s)ifnedietdeegsssciaawzrrroje,,.v.llBBaw.(u unben3 =atererIO Osiimisdednd ksc)lldr,tll.,
rates, they still lack the ability to sufficiently find the global is the population size (Algorithm 1, line 19). In the final
optima, which in turn affects the convergence rate of the step, at the end of the last iteration, the best search agent
algorithm. In order to reduce this effect and to improve will be considered as the most optimal solution by the
its efficiency, the concept of chaos was introduced into CSBO algorithm.

94 Tanachapong Wangkhamhan, Anongnart Rotjanakorn Wangkhamhan J Sci Technol MSU

Algorithm 1 The CSBO algorithm.

1: Initialize the population size of bowers (NB), greatest step size (α), mutation probability (P), percentage of the difference between the upper
and lower limits (Z), proportion of space width (σ) and NFEs=0
2: Generate the population of bowers
3: For i=1 to N Do Xi=(i=1, 2, 3,..., N) N

4: NTEhvFeaElubsae=tsetNtbhFoeEwfseitnr+e(XsNsbeFvsta)Elausnetdhoaaftsaissllucbmooenwsieturmassef(deXlibti)ey bower
5:
6:
7: End for
// The stage of CSBO
8: Initial iterations t=1
190: :GWenheilreat(eNthFeEcsh≥aomticaxs_eqNuFeEncse)sDcot1 ∈ (0,1), the description in Section 3  (1)

11: For k=1 to N Do
12: Calculate the probability (P) of bowers using Eqs. (1) and (2)   
13: End for
14: //Generate a new bower
15: For i=1 to N Do (Xit+1)

16: For k=1 to D (all element (D) of bower) Do
17: /SI/fCemlaeolccdtu(oltan,teNeb-so1tew)p=er0si(zTXehJte()λn, kw)her(e2) (XJt) is random using roulette wheel selection
18:
19: Calculate step size (λk) using Eq. (8)  (3)
20: Else
21: using Eq. (4)
22: Calculate step size
23: End if (λk)

24: Update the position of bower (Xit+1) using Eq. (3)
25: //Mutation
26: If rand ≤ P Then
27: Update the position of bower using Eq. (6)
28: End if (Xit+1)

29: End for bower
30: Evaluate the fitness value of
31: End for f(Xit+1), NFEs=NFEs + 1

32: Sorted beoliwteer(X(XbeNst)) and bf(oXwNe)r by the fitness values elite
33: Update if a becomes fitter than the
34:
t=t + 1
35: End while
36: Output the global best fitness SvaBlOueaonfdbCowSeBrO(Xabreest)indicated
Note: The differences between the with lines marked with the symbol  (.).

Experiment results and discussion In this paper, the experiment sets on optimization
benchmark problems were implemented to verify the
In this paper, our experiments were coded in performance of the proposed meta-heuristic
MATLAB R2016a, 64 bit, and run on a desktop computer CSBO method. Moreover, the CEC2014 (Liang
with an Intel® Core™ i7-6770HQ processor, 8.00GB et al., 2014) test suite was selected for the
of RAM, 500GB of HD, and a Microsoft Windows 10 performance evaluation and statistical comparison of the
Professional 64 bit Operating System. Moreover, the CSBO in the experiments evaluating the performance
average objective function values (“Avg.Obj”) and of the proposed CSBO algorithm in comparison to other
standard deviation of the fitness function values (“Std. meta-heuristic algorithms. Note that all experiments were
Dev”) of all runs were recorded. The “Avg.Obj” and “Std. performed on the same PC, with the same specifications.
Dev” were the two performance metrics used to assess
the performance of the algorithms.