Journal of Science and Technology Mahasarakham University ...
Transcript of Journal of Science and Technology Mahasarakham University ...
Volume 37 Number 3 May - June 2018
ISSN (Print Edition) : 1686-9664ISSN (Online Edition) : 2586-9795
ปท 37 ฉบบท 3 พฤษภาคม - มถนายน 2561
ISSN (Print Edition) : 1686-9664ISSN (Online Edition) : 2586-9795
Journal of Science and Technology Mahasarakham UniversityWe are listed in the Thai-Journal Citation Index Centre. (Tier 1)
วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม อยในฐานขอมล TCI กลมท 1
วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม ป ท 37 ฉบบท 3 พฤษภาคม - มถนายน 2561
Journal of SCIENCE and TECHNOLO
GY MAHASARAKHAM
UNIVERSITY Volume 37 Num
ber 3 May - June 2018
วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม http://www.journal.msu.ac.th พมพ ณ วนท 30 มถนายน 2561
รองศาสตราจารย ดร.นฤมล แสงประดบมหาวทยาลยขอนแกนรองศาสตราจารย ดร.เทอดศกด คำาเหมงมหาวทยาลยขอนแกนรองศาสตราจารยยน ภวรวรรณมหาวทยาลยเกษตรศาสตรรองศาสตราจารย ดร.บงอร กมพลมหาวทยาลยมหาสารคามรองศาสตราจารย นายแพทยศรเกษม ศรลกษณมหาวทยาลยนเรศวรรองศาสตราจารย ดร.อนงคฤทธ แขงแรงมหาวทยาลยมหาสารคามผชวยศาสตราจารย ดร.ชวลต บญปกมหาวทยาลยมหาสารคาม ผชวยศาสตราจารย ดร.นพรตน พทธกาลมหาวทยาลยเทคโนโลยราชมงคลธญบรผชวยศาสตราจารย ดร.อนชา เพยรชนะมหาวทยาลยราชภฎอบลราชธานผชวยศาสตราจารย ดร.เสกสรร สขะเสนามหาวทยาลยนเรศวรผชวยศาสตราจารย ดร.อภญญา วงศพรยโยธามหาวทยาลยมหาสารคามผชวยศาสตราจารย ดร.อลงกรณ ละมอมมหาวทยาลยมหาสารคามผชวยศาสตราจารย น.สพ.ดร.อตถพร รงสทธชยมหาวทยาลยมหาสารคามอาจารย ดร.รกษจนดา วฒนาลยมหาวทยาลยสยาม อาจารย ดร.สมนก พวงพรพทกษมหาวทยาลยมหาสารคามMr.Paul Alexander Dulferมหาวทยาลยมหาสารคามนางฉววรรณ อรรคะเศรษฐงมหาวทยาลยมหาสารคาม
เลขานการ นางพกตรวไล รงวสย
ผชวยเลขานการ นางจรารตน ภสฤทธ
กำาหนดออกและตพมพเผยแพรปละ 6 ฉบบ
ฉบบท 1 มกราคม - กมภาพนธฉบบท 2 มนาคม - เมษายนฉบบท 3 พฤษภาคม - มถนายนฉบบท 4 กรกฎาคม - สงหาคมฉบบท 5 กนยายน - ตลาคมฉบบท 6 พฤษจกายน - ธนวาคม
บทความและความคดเหนในวารสารวทยาศาสตรและเทคโนโลยมหาวทยาลยมหาสารคาม เปนความคดเหนของผเขยนกองบรรณาธการ ไมจำาเปนตองเหนดวยเสมอไปและบทความในวารสารวทยาศาสตรและเทคโนโลย สงวนสทธตามกฏหมายไทยการจะนำาไปเผยแพรตองไดรบ อนญาตเปนลายลกษณอกษรจากกองบรรณาธการเทานน
วตถประสงค เพอเผยแพรความรทางวชาการและผลงานวจยดานวทยาศาสตร และเทคโนโลยทมเนอหาครอบคลมงานวจยดานวทยาศาสตร ชวภาพ วทยาศาสตรสขภาพและวศวกรรมศาสตร บทความและ บทความวจยทจะนำามาตพมพในวารสารมหาวทยาลยมหาสารคาม จะตองได รบการตรวจสอบทางวชาการจาก ผทรงคณวฒ (peer review) ทงภายในและภายนอกมหาวทยาลยเพอใหวารสาร มคณภาพในระดบมาตรฐานสากล
เจาของ มหาวทยาลยมหาสารคาม สำานกงานกองบรรณาธการ กองสงเสรมการวจยและบรการวชาการ มหาวทยาลยมหาสารคาม ตำาบลขามเรยง อำาเภอกนทรวชย จงหวดมหาสารคาม 44150 โทรศพทภายใน 1754 โทรศพท/โทรสาร 0-4375-4416
ทปรกษา อธการบดมหาวทยาลยมหาสารคาม ศาสตราจารย ดร.วสทธ ใบไม ศาสตราจารย ดร.วชย บญแสง
บรรณาธการ ศาสตราจารย ดร.ปรชา ประเทพา
ผชวยบรรณาธการศาสตราจารย ดร.ไพโรจน ประมวล
มหาวทยาลยมหาสารคาม รองศาสตราจารย นายสตวแพทย ดร.วรพล เองวานช
มหาวทยาลยมหาสารคามรองศาสตราจารย ดร.ศรธร ศรอมรพรรณมหาวทยาลยมหาสารคามรองศาสตราจารย ดร.วลยา สทธขำา
มหาวทยาลยมหาสารคาม
กองบรรณาธการศาสตราจารย ดร.ทวศกด บญเกดจฬาลงกรณมหาวทยาลยศาสตราจารย ดร.ละออศร เสนาะเมองมหาวทยาลยขอนแกนศาสตราจารย ดร.สพรรณ พรหมเทศมหาวทยาลยขอนแกนศาสตราจารย ดร.ปราณ อานเปรองจฬาลงกรณมหาวทยาลยศาสตราจารย ดร.นวฒ เสนาะเมองมหาวทยาลยขอนแกนรองศาสตราจารย ดร.สนนท สายกระสนมหาวทยาลยมหาสารคามรองศาสตราจารย ดร.สวรรณา บญยะลพรรณมหาวทยาลยขอนแกน รองศาสตราจารย ดร.ขวญใจ กนกเมธากลมหาวทยาลยขอนแกนรองศาสตราจารย ดร.ฉนทนา อารมณดมหาวทยาลยขอนแกนรองศาสตราจารย ดร.บญจง ขาวสทธวงษสถาบนบณฑตพฒนาบรหารศาสตรรองศาสตราจารย ดร.พรเทพ ถนนแกวมหาวทยาลยขอนแกน
วารสารวทยาศาสตรและเทคโนโลยมหาวทยาลยมหาวทยาลยมหาสารคาม
Aim and Scope:The MSU Journal of Science and Technology is published quarterly and dedicated to the promotion and dissemination of scientific knowledge in the disciplines of Bioscience, Physical Science and Engineering Articles and research papers to be published in the Journal of Science and Technology Mahasarakham University will be subject to verification of academic luminaries both from within and outside the University to assure journal quality standards.
Ownership Mahasarakham University Editorial Office Division of Research Support and Development, Khamriang Sub-distict, Kantharawichai District, Maha Sarakham Province 44150 Tel & Fax: 0 4375 4238 ext. 1754
Advisors President of Mahasarakham University
Professor Dr. Visut BaimaiProfessor Dr. Vichai Boonsaeng
Editor-in-Chief Professor Dr.Preecha Prathepha
Assistant EditorsProfessor Dr.Pairot Pramual
Mahasarakham University Associate Professor Dr.Worapol Aengwanich
Mahasarakham UniversityAssociate Professor Dr.Sirithon SiriamornpunMahasarakham UniversityAssociate Professor Dr.Vallaya SutthikhumMahasarakham University
Editorial BoardProfessor Dr.Thaweesakdi BoonkerdChulalongkorn UniversityProfessor Dr.La-orsri SanoamuangKhon Kaen UniversityProfessor Dr.Supannee PromthetKhon Kaen UniversityProfessor Dr.Pranee AnprungChulalongkorn UniversityProfessor Dr.Niwat SonoamuangKhon Kaen UniversityAssociate Professor Dr.Sunan SaikrasunMahasarakham UniversityAssociate Professor Dr.Suwanna Boonyaleepun Khon Kaen UniversityAssociate Professor Dr.Kwanjai KanokmedhakulKhon Kaen UniversityAssociate Professor Dr.Chantana AromdeeKhon Kaen UniversityAssociate Professor Dr.Boonchong ChawsithiwongNational Institute of Development Administration
Associate Professor Dr.Porntep TanonkeoKhon Kaen UniversityAssociate Professor Dr.Narumon SangpradubKhon Kaen UniversityAssociate Professor Dr.Terdsak KhammengKhon Kaen UniversityAssociate Professor Yuen PoovarawanKasetsart UniversityAssociate Professor Dr.Bungon KumphonMahasarakham UniversityAssociate Professor Dr.Sirikasem SirilakNaresuan UniversityAssociate Professor Dr.Anongrit KangrangMahasarakham UniversityAssistant Professor Dr.Chawalit BoonpokMahasarakham UniversityAssistant Professor Dr.Napparat BuddhakalaRajamangala University of Technology ThanyaburiAssistant Professor Dr.Anucha PranchanaUbon Ratchathsni Rajabhat UniversityAssistant Professor Dr.Seckson SukhasenaNaresuan UniversityAssistant Professor Dr.Apinya WongpiriyayotharMahasarakham UniversityAssistant Professor Dr.Alongkorn LamomMahasarakham UniversityAssistant Professor Dr.Atthaporn RoongsitthichaiMahasarakham UniversityDr.Rakjinda WattanalaiSiam UniversityDr.Somnuk PuangpronpitagMahasarakham UniversityMr.Paul Alexander DulferMahasarakham UniversityChaweewan AkkasesthangMahasarakham University
Secretary Phakwilai Rungwisai
Assistant secretary Jirarat Puseerit
Six issues per yearNumber 1 January - FebruaryNumber 2 March - AprilNumber 3 May - JuneNumber 4 July - AugustNumber 5 September - OctoberNumber 6 November - December
Mahasarakham University Journal of Science and Technology
บทบรรณาธการ
การเผยแพรตพมพผลงานวจยและวชาการ เปนสวนส�าคญในการด�ารงไวซงวทยาศาสตรและเทคโนโลย ดงทมค�ากลาววา
“Withoutpublications,scienceisdead!”วารสารวทยาศาสตรและเทคโนโลยมหาวทยาลยมหาสารคามภมใจทไดมสวนชวย
ผลกดนในขบวนการนเสมอส�าหรบเนอหาของวารสารในฉบบนมบทความทงหมด15บทความทางวทยาศาสตรและเทคโนโลย
จากสาขาชววทยาฟสกสวทยาการคอมพวเตอรและเทคโนโลยสารสนเทศทไดรบการตพมพหลงผานการพจารณาจากกรรมการ
ผทรงคณวฒทเชยวชาญในแตละสาขา
กองบรรณาธการขอขอบคณผทมสวนรวมทกทาน ทงเหลานกวจยทไดสงบทความเขามาพจารณาตพมพกบทางวารสาร
ทงกรรมการผทรงคณวฒทเชยวชาญในแตละดาน ทใหความกรณาตรวจสอบและพจารณาบทความ อยางเขมแขงและมคณภาพ
โดยไดใหขอเสนอแนะทางเทคนคอนเปนประโยชนอยางยงตอนกวจย
ดร.สมนกพวงพรพทกษ
กองบรรณาธการ
สารบญ
Biological Science
การศกษาความชกของโรคทางจกษวทยาและผลกระทบตอคณภาพชวต:
โครงการตรวจคดกรองสขภาพตาณสถานสงเคราะหคนชราบานมหาสารคาม 318
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
ปรญญาสหไตร,ฐานตาหลอจตตเสยง
Parinya Srihatrai, Thanita Hlowchitsieng
เรณวทยาของพชวงศปาลมบางชนด 328
Palynology of some Arecaceae Species
ศรายทธรกอาชา,สรพลแสนสข,ปยะพรแสนสข
Sarayut Rakarcha, Surapon Saensouk, Piyaporn Saensouk
Physical Science
การศกษาคาสดสวนชวมวลตอผลผลตของมะพราว
เพอการประเมนศกยภาพชวมวลเชงพลงงานในเขตพนทภาคตะวนตกของประเทศไทย 339
Technical Study of Residues-to-Product-Ratios Values
for Energy Potential Assessment: Residues from Coconut in Western of Thailand
กตตนนทบญรอด,พเชฐนลดวงด,อวสดาพงศพพฒน
Kittinun Boonrod, Pichet Ninduangdee, Awassada Phongphiphat
สมรรถนะในระยะยาวของเครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจำาหนายภายใตสภาวะการใชงานจรง 347
Long term performance of a grid connected inverter under operation conditions
ฉตรชยศรสมพนธวงษ,รฐพรเงนมศร,อ�านาจฉมทว,คงฤทธแมนศร
Chatchai Sirisamphanwong, Rattaporn Ngoenmeesri, Amnaj Chimtavee, Kongrit Mansiri
ปรภมเชงทอพอโลยแบบเรยบสามญวางนยทวไป 358
Generalized Ordinary Smooth Topological Spaces
ศศกานตพมพา,ดรณบญชาร,จระนนทค�าภกด,กตตศกดแสงสระ
Sasikarn Pimpa, Daruni Boonchari, Jeeranunt Khampakdee, Kittisak Saengsura
การดดซบนเกล(Ni2+)โดยแกลบและแกลบทปรบสภาพ 363
AdsorptionofNickel(Ni2+)byRiceHuskandModifiedRiceHusk
นธศนามชาร,ปานใจสอประเสรฐสทธ,ธายกรพระบ�ารง
Nitit Namcharee, Panjai Saueprasearsit, Thayukorn Prabamroong
สารบญ
Computer and Information Science
การจำาแนกความคดเหนของคนไทยเกยวกบสอออนไลนโดยใชการทำาเหมองขอความ 372
Classifying Thai opinions on online media using text mining
นชนาฎปนเมอง,จารทองค�า
Noochanat Pinmuang, Jaree Thongkam
การเปรยบเทยบประสทธภาพของแบบจำาลองในการพยากรณความสำาเรจการศกษา
ของนกเรยนระดบประกาศนยบตรวชาชพ 380
The Comparison of Performance Models for Predicting Students Success in Vocation Education
พฒนพงษดลรตน,จารทองค�า
Pattanaphong Donrat, JareeThongkam
การเปรยบเทยบ12กระบวนการเรยนรของแบบจำาลองโครงขายประสาทเทยม
สำาหรบการพยากรณนำาทวมในลมนำาปงตอนบน 389
Comparisonof12LearningAlgorithmsofArtificialNeuralNetworkModels
for Flood Forecasting in the Upper Ping Catchment
ทวชยพมลผลน
Tawee Chaipimonplin
การพฒนาเวบชวยสอนสำาหรบสมารตโฟน 402
The development of Web based instruction for smartphone
อนรทธโชตถนอม
Anirut Chottanom
ไอเอมอารพแอล:โปรโตคอลอารพแอลแบบปรบปรงสำาหรบโหนดเคลอนทบนเครอขายซกโลแพน 414
ImRPL:ImprovedRPLprotocolforMobilityNodeon6LoWPAN
ภาคยสธนเสาวภาคย,ชชชยคณบว
Pak Satanasaowapak, Chatchai Khunboa
การพฒนาแอพพลเคชนเพอนำาเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนาอำาเภอแมแตงจงหวดเชยงใหม 424
Smrtphone Application Development for Tourist Destinations
in Muang Kaen Pattana Municipality, Mae Tang District, Chiang Mai Province
พมพชนกสวรรณศร,ศศณสภาพชรธนโรจน
Pimchanok Suwannasri, Sasinipa Patcharatanaroach
สารบญ
การพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตร
เพอใชคนหาเสนทางทเหมาะสมสำาหรบแหลงทองเทยวชมชนในอำาเภอหวหนจงหวดประจวบครขนธ 431
The Application of Geographic Information Systems to Develop an Application
for Finding an Optimal Route for Tourist Attractions in Hua Hin, Prachuap Khiri Khan Province
องคณาจตตามาศ,อชฌาพรกวางสวาสด
Aungkana Jattamart, Achaporn Kwangsawad
การหาคณลกษณะพเศษเฉพาะพนทสำาหรบการจดหมวดหมรปภาพลามกอนาจาร 439
LocalDescriptorsApproachforPornographicImageClassification
โอฬารกสรนตะ
Olarik Surinta
ระบบบรหารทรพยากรองคกรสำาหรบสหกรณกองทนสวนยางบนเวบแอพพลเคชน
เพอสรางความสามารถในการแขงขนในการเขาสประชาคมอาเซยน 449
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative
onWebApplicationinOrdertoEnhancetheCompetitivenessinGearingTowardASEANCommunity
จตพรจรนดร,มนตทนาคงแกว
Jatuporn Jirundorn, Monthana Kongkaew
นพนธตนฉบบ
1 อาจารยฝายจกษวทยาโรงพยาบาลสทธาเวชคณะแพทยศาสตรมหาวทยาลยมหาสารคามต.ตลาดอ.เมองจ.มหาสารคาม440001 Lecturer,FacultyofMedicine,SuddhavejHospital,MahasarakhamUniversity,Mueang,MahaSarakham44000,Thailand
*Correspondingauthor:SrihatraiP.Tel.:+66865342777,Fax:+6643712991e-mail:[email protected]
การศกษาความชกของโรคทางจกษวทยาและผลกระทบตอคณภาพชวต: โครงการตรวจ
คดกรองสขภาพตา ณ สถานสงเคราะหคนชราบานมหาสารคาม
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life: An Eye Screening
Project at Maha Sarakham Provincial Elderly Care Center
ปรญญา สหไตร1*, ฐานตา หลอจตตเสยง1
Parinya Srihatrai1*, Thanita Hlowchitsieng1
Received: 19 May 2017 ; Accepted: 5 October 2017
บทคดยอโรคทางจกษวทยามความแตกตางกนไปในแตละกลมอาย ซงการสญเสยการมองเหนอาจสงผลตอคณภาพชวตในมต ตางๆ ของ
ผสงอายได การศกษานไดรายงานความชกของโรคทางตาและวเคราะหผลกระทบตอคณภาพชวตโดยใช แบบสอบถาม SF-36
ภาษาไทยฉบบแปลใหม ท�าการศกษา ณ สถานสงเคราะหคนชราบานมหาสารคาม โดยท�าการ ตรวจวดระดบการมองเหน
ความดนลกตา ตรวจโครงสรางลกตาสวนหนา และถายภาพจอตาโดยไมไดขยายรมานตา ประเมนสภาวะสขภาพโดยการ
สมภาษณดวยแบบสอบถาม พบวามผปวยจ�านวน 23 ราย คาเฉลยอายเทากบ 74.2 ป โรคทางตาทพบบอย ไดแก ตอกระจก
(รอยละ 80.4) สายตาผดปกตทไมไดรบการแกไข (รอยละ 58.7) สายตายาวทเกด ในวยสงอาย (รอยละ 26.1) โดยสาเหตหลก
ของการสญเสยการมองเหน ไดแก ภาวะตอกระจก ตอหน ตามล�าดบ เมอท�าการวเคราะหผลกระทบตอคณภาพชวต พบวา
คะแนนของการรบรภาวะสขภาพทางดานสภาพทางรางกายในมต Physical functioning มคาต�าทสด และมต Mental health
มคาสงทสด โดยไมพบความสมพนธกบระดบการมองเหน
คาสาคญ: ผสงอาย คนชรา ระดบการมองเหน ตาบอด โรคทางตา คณภาพชวต แบบประเมน SF-36 ฉบบภาษาไทย
AbstractOcular diseases are different among each age group. Visual impairment can affect quality of life (QoL) in the ageing
population. This cross-sectional study reports the prevalence of ocular diseases and evaluates the impact of visual
impairment on QoL using the Short Form (36) Health Survey (SF-36): retranslated Thai version questionnaire at Maha
Sarakham Provincial Elderly Care Center. The examinations included visual acuity test, intraocular pressure and
anterior eye segment examination. A nonmydriatic, digital fundus camera was used for the posterior segment
evaluation. All patients were interviewed to evaluate health status. According to the findings, 23 patients were enrolled,
the mean (SD) age was 74.2 (7.7) years old. The prevalence of ocular diseases was; cataract (80.4%), uncorrected
refractive errors (58.7%) and presbyopia (26.1%). Two major causes of visual impairment were cataract and
glaucoma. The questionnaire showed the lowest score in the physical functioning domain and highest score in the
mental health domain with no significant correlation to visual impairment status.
Keywords: blindness, elderly, geriatric, ocular disease, quality of life, questionnaire, SF-36, visual impairment.
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
319Vol 37. No 3, May-June 2018
IntroductionCauses of visual impairment and ocular diseases may
vary among each age group. Based on the statistics in
2010, approximately 285 million people worldwide were
affected by visual impairment, 80% of which is avoidable.
Cataract and uncorrected refractive errors are the leading
causes of avoidable visual impairment. Accordingly,
unoperated cataract and glaucoma are the leading
causes of avoidable blindness. By 2019, the world
population will have reached 7.5 billion and the number
of blind people aged above 50 will grow, particularly in
Southeast Asian countries1. In 1999, World Health
Organization (WHO) launched ‘Vision 2020’, a global
initiative campaign to eliminate avoidable blindness.
Problems of perception, especially the decline
of vision, can affect quality of life (QoL) and lead to
limitations of daily activities in ageing population2.
Furthermore, the physical limitations of ageing patients
may cause them to experience near task activities,
especially reading. Presbyopia and cataract, in particular,
could be troublesome leisure and result in mental health
problems. In 1996, the United States Preventive Services
Task Force (USPSTF) suggested routine visual screening
in a primary care center via Snellen eye chart, which
is a subjective measurement and cannot be used to
evaluate the impact on QoL3,4.
In Thailand, the report in 2014 found that there
were 672 cases of people aged 60 years and over in the
eye screening project of Primary Care Unit, Faculty of
Medicine, Thammasat University. Of these, 31.4% were
the cases with pterygium, 4.5% were cataract which
caused visual acuity lower than 20/70, diabetic retinopathy
2.7% and glaucoma 2.4%5. In 2016, Ratanasukon M, et
al. reported the vision-related quality of life (VRQoL) in
120 patients with visual impairment by different causes
at Songklanagarind Hospital, Songkhla province6, using
Thai version of the impact of vision impairment (IVI)
questionnaire, which divided the health aspects into three
categories; (i) mobility and independence, (ii) reading and
accessing information and (iii) emotional well-being. It
was found that the symptoms of the common vision
impairment diseases are associated with an adverse
impact on VRQoL.
In the present study, the authors used available,
different, easily-trained and non-invasive instruments were
used by trainees for the screening of common visual
problems at Maha Sarakham Provincial Elderly Care
Center, which almost of the patients were difficult to
access the eye treatment due to physical disability, social
welfare, care giver or self-care ability.
The authors report the QoL as described in the
International Classification of Functioning, Disability and
Health: ICF, using the Short Form (36) Health Survey
(SF-36) retranslated Thai version questionnaire, which
have the statistically significant positive correlation in all
aspects with the WHOQOL: BREF (P<0.05) questionnaire
in QoL assessment7. The prevalence of ocular diseases
and visual impairment or blindness are also discussed.
Materials and Methods Study design
This is the cross-sectional study conducted in
April, 2017 at Maha Sarakham Provincial Elderly Care
Center. The study was approved by the Mahasarakham
University Ethics Committee for research involving human
subjects (EC ID 029/2017). All investigations were carried
out in accordance with the tenets of the Declaration of
Helsinki and all participants gave an informed consent.
This study had been registered in the Thai Clinical Trials
Registry (TCTR), clinicaltrials.in.th, (TCTR identification
number: TCTR 20170418001).
Participants
The population in this study was all geriatric
patients at Maha Sarakham Provincial Elderly Care
Center, who eligibly met the inclusion criteria, which are
all patients who participated in the eye screening project
of Suddhavej Hospital, Faculty of Medicine, Mahasarakham
University. Informed consent were obtained from the
participants while some of them were excluded by the
exclusion criteria, i.e. the patients who refused to be
enrolled, any problems in the response to the questionnaire
or had a physical limitation to an eye examination in
upright position.
Parinya Srihatrai et al. J Sci Technol MSU320
Data Collection
Both eyes of all participants were evaluated for
distance visual acuity test with Snellen eye chart and for
near vision by Rosenbaum pocket vision screener.
Autorefractor and keratometer was used for evaluation of
ocular refraction. Intraocular pressure measurement using
automatic non-contact tonometer. Data acquisition by
these simple, objective and easily-trained instruments
were provided by well-trained medicals, paramedics and
applied Thai traditional medicine students. The authors
used slit-lamp biomicroscope for the assessment of
anterior eye segment by one ophthalmologist. Data was
recorded in the case record form. The last step was
posterior segment photography using a nonmydriatic,
digital fundus camera for single-field central posterior
45-degree image of both eyes without pupillary dilata-
tion.
All participants were interviewed using the list in
the SF-36: retranslated Thai version questionnaire, which
covered 8 aspects of QoL; namely, physical functioning,
(role limitations due to physical problems), social functioning,
(role limitations due to emotional problems), bodily pain,
general mental health, vitality and general health
perceptions. This questionnaire was developed in 1992
by Ware and Sherbourne and validated in Thai version
by Leurmarnkul W and Meetam P in 20057, which had
evidence supporting the validity and reliability of the
retranslated Thai version and recommended in the
interpretation with caution in Vitality and Role-emotional
scales due to the relatively low agreement between the
Thai version and the original. The evaluation of the results
was done by attributing scores to each question, which
were then transformed into a scale ranging from 0 to 100,
where 0 corresponds to the worst QoL and 100 to the
best. Each dimension was analyzed separately.
Data Analysis and Statistics
Descriptive statistics was used for continuous
and categorical variables. Variables were divided into 3
sets of data; patient background data, visual level, ocular
status and ocular examination data. Visual acuity levels
were divided in 4 categories based on the 4 visual
stratifications proposed by Brown MM, et al. in 20028. The
prevalence of ocular diseases was evaluated with all 46
eyes from 23 patients. The causes of visual impairment
in the better eyes that have presenting or best possible
correction worse than 20/70 were also reported.
Uncorrected near visual acuity (UNVA) of better eyes was
divided in 3 stratifications modified from Sanders and
Sanders 20079. Mean scores of the QoL questionnaire
were separately reported in each domain. Differences
between two groups were evaluated using independent
t-test or Mann-Whitney U-test and using one-way
analysis of variance (ANOVA) or Kruskal-Wallis test for
more than two groups’ comparison.
The researchers have also selected the better
eyes for evaluating the correlation to QoL by comparing
between the eyes with visual acuity level better or equal
20/70 and the eyes with visual acuity level worse than
20/70 (based on a classification of severity of visual
impairment by the International Statistical Classification
of Diseases and Related Health Problems 10th Revision
(ICD-10 Version: 2016))10. Patient performance status
was categorized by ECOG which was developed by the
Eastern Cooperative Oncology Group11. The patient
performance status includes grade 0; fully active, able to
carry on all pre-disease performance without restriction,
grade 1; restricted in physically strenuous activity but
ambulatory and able to carry out work of a light or
sedentary nature, e.g., light house work, office work, grade
2; ambulatory and capable of all self-care but unable to
carry out any work activities; up and about more than
50% of waking hours, grade 3; capable of only limited
self-care; confined to bed or chair more than 50% of
waking hours, grade 4; completely disabled; unable to
carry on any self-care; totally confined to bed or chair and
grade 5; dead. Data was analyzed using R 3.4.0 for
Windows (The R Project for Statistical Com-puting). A
p-value of less than 0.05 was considered statistically
significant.
Results Patient Demographics
Twenty-three geriatric patients were included for
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
321Vol 37. No 3, May-June 2018
analysis. There were 11 (47.8%) males and 12 (52.2%)
females. All patients were Buddhists. The mean (SD) age
was 74.2 (7.7) years old and the majority (52.2%) aged
between 71-80 years old. The ECOG performance status
was grade 2-3 (69.6%), grade 0-1 (21.7%) and grade 4
(8.7%), respectively (Table 1). All patients were under the
care of the elderly care officers.
Visual acuity
The majority visual acuity level was moderate
visual loss (50%). Binocular status (ICD-10 classification
of visual impairment) were mild or none of visual impairment
in both eyes, whereas monocular severe visual impair-
ment, binocular moderate visual impairment, monocular
blindness, binocular severe visual impairment and
binocular blindness, accounted for 30.4%, 21.7%, 17.4%,
13.0%, 8.7% and 8.7%, respectively.
Table 1 General demographic characteristics
Participants baseline characteristics N %
Gender
Male 11 47.8
Female 12 52.2
Age range (years) mean (SD) 74.2 (7.7)
61 - 70 6 26.1
71 - 80 12 52.2
≥ 81 5 21.7
Marriage status
Married 9 39.1
Divorced/ widowed 12 52.2
Single 2 8.7
Educational level
None 4 17.4
Primary level 17 73.9
Secondary level 2 8.7
Underlying diseases
Type 1 and 2 diabetes mellitus 10 43.5
Hypertension 17 73.9
CVA/ IHD 2 4.4
Asthma/ COPD 7 30.4
Psychiatric and cognitive disorders 5 21.7
Others 11 47.9
Participants baseline characteristics N %
Body mass index (BMI)
< 18.5 3 13.0
18.5 to 22.9 11 47.8
23.0 to 24.9 4 17.4
25.0 to 29.9 4 17.4
≥ 30 1 4.4
ECOG Performance status
Grade 4 2 8.7
Grade 2-3 16 69.6
Grade 0-1 5 21.7
CVA, Cerebrovascular accident; IHD, Ischemic
heart disease; COPD, chronic obstructive pulmonary
disease; Psychiatric and cognitive disorders (depression,
Alzheimer’s disease, Behavioral and Psychological Signs
and Symptoms of Dementia (BPSD), Parkinson’s disease),
Others: osteoarthritis of the knee, polyneu-ropathy,
peptic ulcer, anemia, rheumatic heart disease, aortic
stenosis and ostium secundum atrial septal defects,
ECOG, Eastern Cooperative Oncology Group.
The uncorrected near visual acuity (UNVA) was
reported in Jaeger (J) system, which were J7 to J9
(43.5%), J1 to J5 (30.4%) and worse than J9 (26.1%)
(Table 2).
Table 2 Visual acuity level
Visual acuity level N %
Best possible corrected distance visual acuity
Good reading vision (20/20–20/25) 4 8.7
Legal driving vision (20/30–20/40) 7 15.2
Moderate visual loss (20/50–20/100) 23 50.0
Legal blindness (20/200 or worse) 12 26.1
Classification of visual status (ICD-10 Version: 2016)
H54.0 Blindness, binocular 2 8.7
H54.1 Severe visual impairment, binocular 2 8.7
H54.2 Moderate visual impairment, binocular 4 17.4
H54.4 Blindness, monocular 3 13.0
H54.5 Severe visual impairment, monocular 5 21.7
Uncorrected near visual acuity (UNVA) of better eyes
Jaeger 1 to Jaeger 5 7 30.4
Jaeger 7 to Jaeger 9 10 43.5
Worse than Jaeger 9 6 26.1
Table 1 General demographic characteristics (continue)
Parinya Srihatrai et al. J Sci Technol MSU322
Prevalence of ocular diseases
The prevalence reported from 46 eyes of 23
patients may have more than one diagnosis in some
cases. There were 38 (82.6%) phakic eyes and 7 (15.2%)
pseudophakic eyes, while one eye could not be identified
due to corneal opacification. The five common diagnoses
were cataract (80.4%), uncorrected refractive errors
(58.7%), presbyopia (26.1%), glaucoma (included
primary angle-closure suspect, primary angle-closure and
pseudoexfoliative glaucoma) (17.4%) and hypertensive
retinopathy (17.4%). Other diagnoses were pterygium,
diabetic retinopathy, dry eyes, non-neovascular AMD,
high myopia, optic disc coloboma, retinitis pigmentosa,
flecked retina, macular scar and phthisis bulbi (from
chronic uveitis). When evaluated only the three main
causes of visual impairment (VA worse than 20/70),
visually significant causes most commonly found included
cataract, glaucoma and retinitis pigmentosa. Others were
macular scar, uncorrected refractive errors and phthisis
bulbi (Table 3).
Table 3 Prevalence and principal causes of visual impair-
ment
Ocular conditions N %
Prevalence of ocular diseases (46 eyes)
Cataract 37 80.4
Uncorrected refractive errors 27 58.7
Presbyopia 12 26.1
Glaucoma/ PAC/ PACS/ PXG 8 17.4
Hypertensive retinopathy 8 17.4
Pterygium 6 13.0
Diabetic retinopathy 5 10.9
Others 14 30.7
Principal causes of visual impairment (46
eyes)
Visual acuity better or equal 20/70 22 47.8
Cataract 16 34.8
Glaucoma 3 6.5
Retinitis pigmentosa 2 4.4
Macular scar 1 2.2
Uncorrected refractive errors 1 2.2
Phthisis bulbi 1 2.2
Ocular conditions N %
Lens status (46 eyes)
Phakia 38 82.6
Pseudophakia 7 15.2
N/A 1 2.2PAC, primary angle-closure; PACS, primary angle-closure suspect;
PXG, pseudoexfoliative glaucoma; Others: dry eyes, non-neovas-
cular age-related macular degeneration, high myopia, optic disc
coloboma, retinitis pigmentosa, flecked retina and corneal scar with
band keratopathy.
Consequences of visual impairment on QoL
The SF-36: retranslated Thai version questionnaire
was used to evaluate QoL. This instrument is divided in
two major components (8 domains); physical and mental
components. The better eyes in each patient were
selected for analysis. The visual status of the selected
eyes was shown in Table 4.
Table 4 Concurrent ocular conditions of the better eyes
Ocular conditions of the better eyes N %
Laterality
Right eyes 9 39.1
Left eyes 14 60.9
Vision impairment (Brown et al., 2002)
Good reading vision (20/20–20/25) 3 13.0
Legal driving vision (20/30–20/40) 5 21.7
Moderate visual loss (20/50–20/100) 13 56.5
Legal blindness (20/200 or worse) 2 8.7
Visual impairment (ICD-10 Version: 2016)
Better or equal 20/70 15 65.2
Worse than 20/70 8 34.8
Lens status
Phakia 19 82.6
Pseudophakia 4 17.4
Table 3 Prevalence and principal causes of visual impair-
ment (continue)
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
323Vol 37. No 3, May-June 2018
The patients had the lowest score in physical
functioning domain 49.134.4) ), and the highest score
in mental health domain20.3) 77.4 ) (Table 5). When
compared to the Thai population from the study reported
by Leurmarnkul W and Meetam P, 2005, the results of
the present research had significantly lower scores in
physical functioning domain (P<0.001), role physical
domain (P=0.008), but higher in mental health domain
(P=0.003).
For each category, the health status were not
significantly different for patients with and without visual
impairment (cut point VA was 20/70), each level of VA
(good reading vision, legal driving vision, moderate visual
loss and legal blindness) or UNVA as well (Table 6, 7, 8).
Table 5. The SF-36: retranslated Thai version scores in our population
Domains Mean SD Median min-max
Physical components summary 57.9 23.8 48.8 24.4-100
Physical functioning 49.1 34.4 40 0-100
Role physical 52.2 45.2 50 0-100
Bodily pain 63.2 36.1 67.5 0-100
General health 67.0 20.6 65 30-100
Mental component summary 69.7 20.2 75 24.6-97
Vitality 65.7 22.6 70 10-100
Social functioning 66.3 28.3 62.5 12.5-100
Role emotion 69.6 42.5 100 0-100
Mental health 77.4 20.3 80 24-100
Table 6. The SF-36: retranslated Thai version scores of the better eyes by ICD-10 classification (N=23)
Domains Better or equal 20/70 (15) Worse than 20/70 (8) P value
Mean SD min-max Mean SD min-max
PCS 58.8 24.1 28.1-100 56.2 24.9 24.4-91.3 0.811
PF 45.7 34.0 0-100 55.6 36.7 5-100 0.400
RP 51.7 45.8 0-100 53.1 47.1 0-100 0.973
BP 72.0 32.3 22.5-100 46.6 39.2 0-100 0.117
GH 65.7 20.6 30-100 69.4 21.8 35-95 0.691
MCS 71.9 22.8 24.6-97 65.7 14.8 48.9-86.9 0.501
VT 66.0 24.5 10-100 65.0 20.0 30-85 0.922
SF 74.2 27.7 12.5-100 51.6 24.5 12.5-87.5 0.067
RE 68.9 46.2 0-100 70.8 37.5 0-100 0.796
MH 78.4 16.0 44-100 75.5 27.9 24-100 0.752PCS, physical components summary; PF, physical functioning; RP, role physical; BP, bodily pain; GH, general health; MCS, mental
component summary; VT, vitality; SF, social functioning; RE, role emotion; MH, mental health.
Parinya Srihatrai et al. J Sci Technol MSU324
Table 7 The SF-36: retranslated Thai version scores of the better eyes by Brown vision level classification (N=23)
Table 8 The SF-36: retranslated Thai version scores by UNVA of the better eyes (N=23)
J, Jaeger.
Consequences of physical disability on QoL
It could be assumed that there might be a
stronger correlation of physical component with the mobility
status. When compared the SF-36 scores between grades
0-1 and grades 2-4 ECOG performance status, there was
significant difference in physical functioning domain
(P=0.001) (Table 9).
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
325Vol 37. No 3, May-June 2018
Table 9 The SF-36: retranslated Thai version scores by mobility status (N=23)
ECOG, Eastern Cooperative Oncology Group.
Discussion To our knowledge, this study is the first study in
Thailand which evaluated visual acuity and ocular diseases
of geriatric patients in elderly care center. The researchers
assessed the correlation of visual acuity and QoL using
retranslated Thai version of SF-36, a global QoL measuring
instrument. The results did not demonstrate any correlation
between all sub-components of SF-36 scores and visual
performance (distance VA and UNVA).
In prevalence of ocular diseases, the result is
comparable with the report from the eye screening project
of Primary Care Unit, Faculty of Medicine, Thammasat
University in 2014, and WHO statistics, which were
cataract (82.61%), uncorrected refractive errors (39.13%),
presbyopia (21.74%), glaucoma (17.39%), hypertensive
retinopathy (17.39%), diabetic retinopathy (8.70%) and
pterygium (8.70%), respectively. The other diagnoses
were non-neovascular AMD, high myopia, optic disc
coloboma, dry eyes, retinitis pigmentosa, flecked retina
and corneal scar with band keratopathy. The majorities
of leading causes of distance visual impairment were
cataract, glaucoma and retinitis pigmentosa. Presbyopia
is one problem that might affect the leisure and near task
activities.
There are studies reporting the correlation of
QoL in ocular problem patients. In 2001, Kupersmith MJ,
et al. evaluated the patient perception of visual and
systemic disability associated with giant cell arteritis
(GCA) and reporting that the Activities of Daily Vision
Scale (ADVS) and SF-36 did not reveal significant disability
in GCA patients and there were no strong correlations
with any visual performance or systemic measures12. In
subfoveal choroidal neovascularization patients, the
results reported by Childs AL, et al. in 2003 showed that
mental component summary scale (MCS) and mental
health subscale scores did not correlate with better eye
visual acuity at any time point after 2 years follow up13.
The physical component summary scale (PCS) and the
physical functioning subscale scores were slightly
correlated with better eye visual acuity at 2 years. They
concluded that the SF-36 scales were not responsive to
changes in visual acuity in patients in the Submacular
Surgery Trials pilot study, and a general QoL tool may
not be sufficient, and a vision-targeted QoL tool may be
needed.
In glaucoma patients, Lester M and Zingirian M
reported in 2002 that the SF-36 score showed significant
mild correlation with age and visual field indices but when
compared to the Viswanathan et al’s questionnaire, the
complexity of SF-36 made Viswanathan et al’s question-
naire more useful than MOS SF-36, both for the score
and for the velocity to use14. On the other hand, these
Parinya Srihatrai et al. J Sci Technol MSU326
results differed from Nah YS, et al. in 2002, which
reported no significant correlation between visual field
defect and visual function with SF-36 score15.
When correlated the best possible corrected
distance visual acuity and UNVA to the SF-36 scores,
there was no significant difference in QoL score between
better and worse visual acuity levels. The physical
functioning domain was statistically different between
ECOG grade 0-1 and grade 2-4 groups. Comparing to
Thai general population7, the population of this research
had significant lower score in physical functioning and
role physical domain, that might be caused by the popu-
lation were ageing patients and the majority of their
performance status was ECOG grade 2-3. On the other
hand, the mental health domain score was statistically
higher.
Our study has two important limitations. Firstly,
the small size of population because of some of the
geriatric patients were unable to attend the eye examination
in all tasks, which were excluded from the study.
Secondly, the response to subjective measurement,
especially visual acuity and questionnaire was varied.
Others might be the physical disabilities and other
medical problems may be the obstacles to the result
reliability in QoL assessment. Due to the possibility of
unilateral or bilateral blindness, visual impairment might
affect the QoL assessment. In addition, the authors also
tried to compare each group according to ICD-10 Version:
2016 but the low number of patients could not demon-
strate any significant difference.
As a screening eye disease, the results do not
assess other visual functions such as visual field, contrast
sensitivity, stereopsis and dilated fundus examination,
which may influence the ocular disease prevalence and
QoL analyses. Given these limitations, our results might
difficult to generalize to a larger cohort of patients. The
researchers believe that ophthalmic data management,
such as registration and follow-up data collection, the use
of other instruments to assess the organ specific (vision)
QoL, and the development of multi-center visual screening
in elderly care center may improve the reliability of the
results and provide additional information in the future.
ConclusionIn conclusion, the prevalence of ocular diseases in
geriatric patients at Maha Sarakham Provincial Elderly
Care Center is comparable to the WHO report and other
studies in Thailand. The better eye’s visual acuity has no
statistical correlation to SF-36 subscale scores.
Acknowledgements This study received no specific grant from any
funding agency. We thank the participants for their time,
and Maha Sarakham Provincial Elderly Care Center for
access to the resources used. We thank the Alumni
Association and the Student Union of Faculty of Medicine,
Mahasarakham University, Maha Sarakham, Thailand for
attending the eye screening project.
Conflict of interest All the authors declare that there is no conflict
of interest referring to this article.
References1. Pascolini D, Mariotti SP. Global estimates of visual
impairment: 2010. Br J Ophthalmol. 2012 May;
96(5):614-8.
2. Wang C, Chan CLW, Chi I. Overview of Quality of
Life Research in Older People with Visual Impair-
ment. Advances in Aging Research. 2014;3:79-94.
3. Chen YA, Thomas M. Vision Screening in the
Elderly: Current Literature and Recommendations.
UTMJ. 2010;87(3):160-9.
4. U.S. Preventive Services Task Force. Chapter 33:
Screening for visual impairment. In Guide to clinical
preventive services. Baltimore (MD): Williams &
Wilkins; 1996. pp.373-382.
5. Kampitak K, Palangrit S, Wadpong W, Sribau T,
Pongtawigorn P, Wayurakul W. Prevalence of the
Elderly Ocular Disease in The Eye Screening Project
of Primary Care Unit, Faculty of Medicine, Tham-
masat University. Thammasat Medical Journal. 2014
Oct-Dec;14(4):537-43.
6. Ratanasukon M, Tongsomboon J, Bhurayanontachai
P, Jirarattanasopa P. The Impact of Vision Impair-
Prevalence of Geriatric Ocular Diseases and Impact on Quality of Life:
An Eye Screening Project at Maha Sarakham Provincial Elderly Care Center
327Vol 37. No 3, May-June 2018
ment (IVI) Questionnaire; Validation of the Thai-
Version and the Implementation on Vision-Related
Quality of Life in Thai Rural Community. PLoS One.
2016 May 18;11(5):e0155509.
7. Leurmarnkul W, Meetam P. Properties Testing of the
Retranslated SF-36 (Thai Version). Thai J. Pharm.
Sci. 2005;29(1-2):69-88.
8. Brown MM, Brown GC, Sharma S, Landy J, Bakal J.
Quality of life with visual acuity loss from diabetic
retinopathy and age-related macular degeneration.
Arch Ophthalmol. 2002 Apr;120(4):481–4.
9. Sanders DR, Sanders ML. Near visual acuity for
everyday activities with accommodative and monofo-
cal intraocular lenses. J Refract Surg. 2007 Oct;23(8):
747-51.
10. World Health Organization: International Statistical
Classification of Diseases and Related Health Prob-
lems. 10th revision. Fifth edition. Version for 2016.
Chapter VII. H54. Blindness and low vision, World
Health Organization, Geneva, 2016.
11. Oken MM, Creech RH, Tormey DC, Horton J, Davis
TE, McFadden ET, et al. Toxicity and response cri-
teria of the Eastern Cooperative Oncology Group.
Am J Clin Oncol. 1982;5:649-655.
12. Kupersmith MJ, Speira R, Langer R, Richmond M,
Peterson M, Speira H, Mitnick H, Paget S. Visual
Function and Quality of Life Among Patients with
Giant Cell (Temporal) Arteritis. J Neuroophthalmol.
2001 Dec;21(4):266-73.
13. Childs AL, Submacular Surgery Trials Patient-Cen-
tered Outcomes Subcommittee for the Submacular
Surgery Trials Pilot Study Investigators. Responsive-
ness of the SF-36 Health Survey to Changes in
Visual Acuity Among Patients With Subfoveal Cho-
roidal Neovascularization. Am J Ophthalmol. 2004
Feb;137(2):373-5.
14. Lester M, Zingirian M. Quality of life in patients with
early, moderate and advanced glaucoma. Eye (Lond).
2002 Jan;16(1):44-9.
15. Nah YS, Seong GJ, Kim CY. Visual Function and
Quality of Life in Korean Patients with Glaucoma.
Korean J Ophthalmol. 2002 Dec;16(2):70-4.
นพนธตนฉบบ
1 นสตปรญญาเอก, ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อ.กนทรวชย จ.มหาสารคาม 441502 ผชวยศาสตราจารย, สถาบนวจยวลยรกขเวช มหาวทยาลยมหาสารคาม อ.กนทรวชย จ.มหาสารคาม 441503 ผชวยศาสตราจารย, ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อ.กนทรวชย จ.มหาสารคาม 441504 หนวยวจยอนกรมวธานพชและสตวไมมกระดกสนหลงและการประยกตใช คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อ.กนทรวชย จ.มหาสารคาม 441501 Ph. D. student, Department of Biology, Faculty of Science, Mahasarakham University, Kantarawichai District, Mahasarakham 44150,
Thailand, [email protected] Assistant Professor, Walai Rukhavej Botanical Research Institute, Mahasarakham University, Kantarawichai District, Mahasarakham,
44150, Thailand, [email protected] Assistant Professor, Departrmant of Biology, Faculty of Science, Mahasarakham University, Kantarawichai District, Mahasarakham
44150, Thailand, [email protected] Plant and Invertebrate Taxonomy and Its Applications Unit Group, Faculty of Science, Mahasarakham University, Kantarawichai District,
Mahasarakham 44150, Thailand* Corresponding author: [email protected]
เรณวทยาของพชวงศปาลมบางชนด
Palynology of some Arecaceae Species
ศรายทธ รกอาชา1, สรพล แสนสข2,4 , ปยะพร แสนสข3,4*
Sarayut Rakarcha1, Surapon Saensouk2,4, Piyaporn Saensouk3,4*
Received: 23 June 2017 ; Accepted: 20 October 2017
บทคดยอ ศกษาเรณวทยาของพชวงศปาลม (Arecaceae) จ�านวน 12 ชนด ไดแก Adonidia merrillii, Bismarckia nobilis, Borassus
flabellifer, Calamus caesius, Cocos nucifera, Dypsis lutescens, Hyophorbe lagenicaulis, Livistona chinensis, Phoenix
dactylifera, P. roebelenii, Washingtonia robusta และ Wodyetia bifurcata โดยน�าเรณมาศกษาดวยกลองจลทรรศนแบบใช
แสงและกลองจลทรรศนอเลกตรอนแบบสองกราด พบวาลกษณะเรณเปนเมดเดยว สมมาตรดานขาง รปรางเมอสงเกตในดาน
มมบนเปนแบบ elliptic-circular, elliptic หรอ subelliptic ชองเปดยาว 1 ชอง ขนาดของเรณมความยาวแกนดานยาว 20.10-
55.66 ไมโครเมตร ความยาวแกนดานสน 17.86-44.25 ไมโครเมตร และลวดลายบนผนงชนเอกซนเปนแบบ punctate, perforate,
rugulate, granulate-punctate, granulate-reticulate หรอ reticulate ซงลกษณะรปราง ลวดลายผนงชนเอกซน และผวบรเวณ
ชองเปดสามารถแบงพชวงศปาลมออกเปน 3 กลม และลกษณะสณฐานวทยาเรณสามารถน�ามาระบพชวงศปาลมไดบางชนด
ค�าส�าคญ : สณฐานวทยาเรณ พชวงศปาลม
Abstract The pollen grains of twelve species of the Arecaceae namely Adonidia merrillii, Bismarckia nobilis, Borassus flabellifer,
Calamus caesius, Cocos nucifera, Dypsis lutescens, Hyophorbe lagenicaulis, Livistona chinensis, Phoenix dactylifera,
P. roebelenii, Washingtonia robusta and Wodyetia bifurcata were studied using light and scanning electron microscopy.
The pollen grains are monad with bilateral symmetry, elliptic-circular, elliptic or subelliptic in shape in polar view;
monosulcate. Size averages for the long axis in polar view were 20.10–55.66 µm, and averages for the short axis
in polar view were 17.86–44.25 µm. The exine sculpturing is punctate, perforate, rugulate, granulate-punctate,
granulate-reticulate or reticulate. Based on observation of shape, exine sculpturing and surface of aperture we divide
the Arecaceae into three groups. These characteristics of the pollen morphology can be used to identify some species
in the Arecaceae.
Keywords: Pollen morphology, Arecaceae
Palynology of some Arecaceae Species 329Vol 37. No 3, May-June 2018
บทน�า พชวงศปาลม (Arecaceae) เปนไมตน ไมพมหรอไมเถามเนอ
แขง ล�าตนเดยว มขอปลองทชดเจนโคนกานใบแผออกเปน
กาบหมล�าตน ใบมรอยพบจบชอดอกออกดานขาง มใบประดบ
ดอกมอยางละ 3 กลบ ผลมเนอสวนใหญมเมลดเดยว1, 2
ทวโลกมอย 189 สกล ประมาณ 2,000 ชนด มการกระจาย
พนธ ในเขตรอน ในทวปอเมรกา เอเชย และแอฟรกา3
ในประเทศไทยพบ 33 สกล ประมาณ 166 ชนด4 พชในวงศน
มการใชประโยชนหลากหลาย ดานอาหาร เชน ปาลมน�ามน
และมะพราว น�ามาผลตน�ามนเพอการบรโภค อนทผลม ตาล
และชด มกจะบรโภคสวนของผล ดานทอยอาศย เชน หลาว
ชะโอน น�ามาท�าเสาบาน พนบานและฝาบาน หวายใชผกมด
ในการกอสราง ท�าเครองเรอน เฟอรนเจอรตาง ๆ ดานเครอง
นงหม เชน หมากสง สวนของผลถกน�ามาใชเปนสวนประกอบ
ของสยอม ดานยารกษาโรค โดยใชสวนของรากน�ามาเปนสวน
ผสมของยา เชนรากตาล รากมะพราว และรากหมาก เปนตน
นอกจากนพชวงศปาลมเปนทนยมน�ามาปลกเปนไมดอกไม
ประดบตามสถานทตาง ๆ เชน ตาลฟา ปาลมแชมเปญ
สบสองปนนา และเตาราง เปนตน5,6
ในการศกษาทางดานอนกรมวธานพชวงศปาลมจะ
ใชลกษณะสณฐานวทยาเปนหลก บางครงการจ�าแนกพชทม
ความใกลชดกนโดยใชลกษณะสณฐานวทยาเพยงอยางเดยว
อาจไมเพยงพอหรอท�าใหเกดความสบสนในการระบชอ
วทยาศาสตรในระดบสกลหรอชนด โดยเฉพาะกลมพชทม
ลกษณะทใกลเคยงกน เชน การศกษาของ Henderson and
Bacon7 ไดศกษาพชสกล Lanonia ซงเปนสกลใหมในพชวงศ
ปาลมโดยแยกออกมาจากสกล Licuala โดยพบวาทงสองสกล
มลกษณะทวไปทคลายกนซงทงสองสกลจะแยกออกจากกน
โดยใชเสนกลางใบทขยายมาจากสวนของกานใบจะเหนไดชด
บรเวณผวใบดานลางทเรยกวา costa ซงปจจบนยงคงเปน
ปญหาทส�าคญในการใชลกษณะดงกลาวในการแยกทงสอง
สกล นอกจากนในปจจบนการศกษาอนกรมวธานของพชวงศ
ปาลมไดน�าขอมลดานตาง ๆ มาประกอบการจดจ�าแนกทง
ขอมลดานกายวภาคศาสตร เชนการศกษาของ Barfod8 ขอมล
ทางดานชวโมเลกล เชน การศกษาของ Dransfield et al.9 และ
ขอมลดานสณฐานวทยาเรณซงเปนขอมลทมความส�าคญเปน
อยางมากในการศกษาอนกรมวธานของพชวงศปาลม เชน
Sowunmi10 ศกษาลกษณะสณฐานวทยาเรณของพชวงศปาลม
จ�านวน 350 ชนด และน�าขอมลทางดานสณฐานวทยาเรณมา
จดจ�าแนกพชวงศปาลมออกเปนกลม พบวาเรณมขนาด 20-75
ไมโครเมตร รปรางสวนใหญเปนแบบ elliptic ชองเปดโดย
ทวไปเปนชองเปดยาว (colpus) และมลวดลายบนผนงชนเอก
ซนทหลากหลายไดแก punctate, reticulate, vermiculate,
verrucose, psilate, clavate, baculate หรอ spinulose ซงน�า
ขอมลทไดมาประกอบการจ�าแนกพชวงศปาลมตามระบบการ
จดจ�าแนกของนกพฤกษศาสตรหลายทาน อาทเชน Burret11,
Hutchinson12 และ Moore13 เปนตน โดยพบวาขอมลทางดาน
เรณไมมความสมพนธกบลกษณะทางสณฐานวทยา กายวภาค
ศาสตร และขอมลทางดานเซลลวทยาในการจดจ�าแนกวงศยอย
(subfamily) Arecoideae, Borassoideae และ Cocoideae
ออกเปนกลมยอย (subgroup) และยงมรายงานสณฐานวทยา
เรณเพอมาประกอบการจ�าแนกภายในวงศหรอลกษณะท
ส�าคญซงจะเปนประโยชนในการศกษาดานอนกรมวธานของ
พชวงศปาลม พบวาลกษณะสณฐานวทยาเรณทส�าคญของพช
วงศปาลมคอ เรณขนาดเลกถงขนาดใหญ (10-100 ไมโครเมตร)
โดยสวนใหญจะไมมสมมาตรหรออาจจะพบมสมมาตรดานขาง
ชองเปดมรายงานไวมากกวา 17 แบบ เชน monosulcate,
disulcate, trichotomosulcate, zonosulcate หรออาจจะไมม
ชองเปด แตรายงานสวนใหญเรณของพชวงศปาลมจะมชอง
เปดแบบ monosulcate ลวดลายผนงชนเอกซนมความหลากหลาย
ไดแก punctate, perforate, reticulate, negatively reticulate,
vermiculate, verrucose, psilate, clavate, baculate, spinulose
หรอ อาจจะพบลวดลายผนงชนเอกซนหลายแบบใน 1 เรณ
เชน ลวดลายผนงเรณแบบ perforate หรอ rugulate ใน Wodyetia
bifurcata14-21 ในการศกษาของ Harley and Dransfield22
ทบงบอกวาชองเปดของเรณไมไดมเฉพาะชองเปดยาว ซงพบ
ชองเปดแบบ 3 ชองเปดกลม ในวงศยอย Arecoideae ในสกล
Areca และ Sclerosperma บางชนด ซงโดยทวไปแลวพชวงศ
ปาลมจะมเพยง 1 ชองเปดยาว ซงเปนลกษณะเดนของพชใบ
เลยงเดยวสวนใหญ นอกจากนยงพบชองเปดแบบเปนวงรอบ
เรณ (zonosulcate) ในสกล Areca เชน A. abdulrhamanii
และ A. chaiana
จากการศกษาทกลาวมาขางตนพบวาลกษณะของ
เรณสามารถน�ามาชวยในการจดจ�าแนกในล�าดบทางอนกรม
วธานทงในระดบวงศยอย สกล หรอชนดไดเนองจากเรณม
ความหลากหลายของโครงสรางผนงชนเอกซน ลวดลาย
จ�านวนชองเปด สมมาตร ขนาด และรปราง นอกจากนสณฐาน
วทยาเรณสามารถน�าไปประยกตใชประโยชนกบงานดาน
ธรณวทยา โบราณคด นเวศวทยา การวเคราะหน�าผง และการ
ศกษาทางดานนตวทยาศาสตร เพราะโครงสรางของผนงเรณ
ทนตอสภาพแวดลอมทไมเหมาะสมได เชน อณหภมสง กรด
และดาง เปนตน ท�าใหสามารถคงสภาพไดเปนเวลานาน14, 23,
24 ดงนนในการศกษาครงนไดศกษาสณฐานวทยาละอองเรณ
ของพชวงศปาลมบางชนด เนองจากยงไมมรายงานการศกษา
Sarayut Rakarcha et al. J Sci Technol MSU330
สณฐานวทยาเรณของพชวงศปาลมในประเทศไทยมากอน
คาดวาการศกษาครงนจะสามารถน�าขอมลทางดานสณฐาน
วทยาเรณมาใชในการระบชนด และมประโยชนตอการศกษา
วจยในดานอน ๆ ทเกยวของตอไป
วสด อปกรณและวธการศกษา ศกษาสณฐานวทยาเรณของพชวงศปาลม 12 ชนด
ดง Table 1 ซงพรรณไมอางองจะถกเกบรกษาไวท ภาควชา
ชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม ศกษา
สณฐานวทยาเรณโดยประยกตวธอะซโตไลซสของ Erdtman25
โดยน�าอบเรณของพชวงศปาลมมารกษาสภาพในเอทลแอลกอฮอล
70 เปอรเซนต จากนนน�าอบเรณใสในหลอดแกว (centrifuge
tube) เตมเอทลแอลกอฮอล 70 เปอรเซนต ใชแทงแกวคนบด
ใหอบเรณแตก น�าไปกรองดวยถวยกรองแลวใชเอทลแอลกอฮอล
70 เปอรเซนต ลางตามน�าสวนทกรองไดใสในหลอดแกว แลว
ดงน�าออก (dehydrate) โดยเตมเอทลแอลกอฮอลความเขมขน
70, 95, และ 100 เปอรเซนต ตามล�าดบ โดยเทสวนบนทงบางสวน
แบงสวนทเหลอออกเปน 2 สวน สวนแรกเทเอทลแอลกอฮอล
100 เปอรเซนต ออกใหหมด แลวเตมเบนซน (benzene) จาก
นนเขยา แลวเทสวนบนทงบางสวน เตมน�ามนซลโคน (silicon
oil) คนใหเขากนปดฝาอยางหลวม ๆ ทงไวขามคน น�าไปผนก
ท�าเปนสไลดกงถาวร โดยการใชพาราฟน (paraffin) หลอม
แลวปดทบดวยกระจกปดสไลด ศกษาภายใตกลองจลทรรศน
แบบใชแสงโดยจะสงเกตดานมมบน (polar view) วดขนาด
เรณจ�านวน 30 เมดตอ 1 ชนด โดยวดความยาวแกนดานยาว
(long axis) และความยาวแกนดานสน (short axis) เพอหาคาเฉลย
และสวนเบยงเบนมาตรฐาน บนทกภาพดวยกลองจลทรรศน
แบบใชแสงรน Axio Lab A1 เพอศกษาขว สมมาตร รปราง
ขนาดเรณ จ�านวนและชนดของชองเปด สวนทสองเกบใน
แอลกอฮอล 100 เปอรเซนต ในขวดไวแอล (vial) แลวน�า
ตวอยางเรณทไดมาตดบนแทนตดตวอยาง (stub) น�าไปเคลอบ
ทอง แลวน�าไปศกษาภายใตกลองจลทรรศนอเลกตรอนแบบ
สองกราดรน JEOL: JSM 8460 LV เพอศกษาลกษณะของ
ชองเปดและลวดลายบนผนงเรณ ระบชนดพชวงศปาลมตาม
หนงสอ Flora of Thailand 2013 vol. 11 part 3 ของ Barfod
and Dransfield4 และคมอปาลมประดบของ ปยะ เฉลมกลน6
รปรางของเรณประยกตใชตามวธของ Harley and Drans-
field22 โดยใชคาเฉลยความยาวแกนดานยาวหารดวยคาเฉลย
ความยาวแกนดานสน ขนาดของเรณจ�าแนกตามวธการของ
Erdtman14 โดยใชความยาวแกนดานทยาวทสด ค�าศพทเรณ
ใชตาม Punt et al.
Table 1 List of Arecaceae species in present study.
Species Local name Locations Collection numbers
1. Adonidia merrillii (Becc.) Becc. ปาลมนวล Mahasarakham Province Rakarcha 81
2. Bismarckia nobilis Hildebr. & H.Wendl. ตาลฟา Kalasin Province Rakarcha 82
3. Borassus flabellifer L. ตาล Mahasarakham Province Rakarcha 83
4. Calamus caesius Blume หวาย Udonthani Province Rakarcha 84
5. Cocos nucifera L. มะพราว Mahasarakham Province Rakarcha 85
6. Dypsis lutescens (H.Wendl.) Beentje & J.Dransf. หมากเหลอง Mahasarakham Province Rakarcha 86
7. Hyophorbe lagenicaulis (L.H.Bailey) H.E.Moore ปาลมแชมเปญ Udonthani Province Rakarcha 87
8. Livistona chinensis (Jacq.) R.Br. ex Mart. ปาลมจน Mahasarakham Province Rakarcha 88
9. Phoenix dactylifera L. อนทผลม Mahasarakham Province Rakarcha 89
10. Phoenix roebelenii O’Brien ปาลมสบสองปนนา Chaiyaphum Province Rakarcha 90
11. Washingtonia robusta H.Wendl. ปาลมเปดตโคท Mahasarakham Province Rakarcha 91
12. Wodyetia bifurcata A.K.Irvine ปาลมฟอกสเทล Mahasarakham Province Rakarcha 92
ผลการศกษา จากการศกษาสณฐานวทยาเรณของพชวงศปาลม
บางชนด ภายใตกลองจลทรรศนแบบใชแสงและกลองจลทรรศน
อเลกตรอนแบบสองกราด พบวาพชดงกลาวมลกษณะทวไป
คอ เปนเมดเดยว (monad) สมมาตรแบบดานขาง (bilateral
symmetry) ชองเปดยาว 1 ชอง (monosulcate) และราย
ละเอยดในแตละชนดจะกลาวดงตอไปน (Table 2 และ Figures
1-3)
Palynology of some Arecaceae Species 331Vol 37. No 3, May-June 2018
ขนาด (size)
เรณทศกษาในครงนมขนาดตงแตขนาดเลกถง
ขนาดใหญ (10-100 ไมโครเมตร) โดยพชทน�ามาศกษาโดย
สวนใหญเรณมขนาดกลางไดแก Borassus flabellifer, Dypsis
lutescens, Hyophorbe lagenicaulis และ Livistona chinensis
สวน phoenix dactylifera และ P. roebelenii เรณมขนาดเลก
นอกจากนยงพบขนาดเรณ 2 ขนาดปะปนกนในพชทท�าการ
ศกษาไดแก Bismarckia nobilis, Calamus caesius และ
Washingtonia robusta พบเรณขนาดเลกและเรณขนาดกลาง
Adonidia merrillii, Cocos nucifera และ Wodyetia bifurcata
พบเรณขนาดกลางและเรณขนาดใหญ ความยาวของแกนดาน
ยาว 20.10 ไมโครเมตร ใน Phoenix raebelenii ถง 55.66
ไมโครเมตร ใน Wodytia bifurcata ความยาวของแกนดานสน
17.86 ไมโครเมตร ใน Phoenix dectylifera ถง 44.25
ไมโครเมตร ใน Cocos nucifera
รปราง (shape)
รปรางของเรณแบงตามอตราสวนระหวางความยาว
ของแกนดานยาวตอความยาวของแกนดานสนเมอสงเกตใน
มมบน พบรปรางของเรณ 3 รปรางดงตอไปน
รปรางเรณแบบ elliptic-circular (La/Sa= 1.01-1.13)
พบใน Adonidia merrillii (Figure 1a-b), Borasus flabellifer
(Figure 1g-h), Cocos nucifera (Figure 2a-b), Livistona
chinensis (Figure 2j-k), Phoenix roebelenii (Figure 3d-e)
และ Washingtonia robusta (Figure 3g-h)
รปรางเรณแบบ subelliptic (La/Sa= 1.14-1.32)
พบใน Calamus caesius (Figure 1j-k), Dypsis lutescens
(Figure 2d-e), Hyophorbe lagenicaulis (Figure 2g-h) และ
Phoenix dectylifera (Figure3a-d)
รปรางเรณแบบ elliptic (La/Sa= 1.33-2.00) พบใน
Bismarckia nobilis (Figure 1d-e) และ Wodyetia bifurcata
(Figure 3j-k)
ชองเปด (Aperture)
ชองเปดของพชวงศปาลมทงหมดทศกษาเปนแบบ
monosulcate ซงมลกษณะเปนชองเปดเดยวทยาวอยบรเวณ
distal ของเรณ มความยาวของชองเปดตงแต 14.37 ไมโครเมตร
ใน Phoenix roebelenii ถง 43.56 ไมโครเมตร ใน Cocos
nucifera ผวของชองเปดสวนใหญจะขรขระ ยกเวน Cocos
nucifera (Figure 2b), Hyophorbe lagenicaulis (Figure 2h)
และ Livistona chinensis (Figure 2k) ทผวของชองเปดจะ
เรยบอยางเหนไดชดเจน
ลวดลายของผนงชนเอกซน (Exine sculpturing)
ผนงเรณของพชวงศปาลมทท�าการศกษาในครงนม
ความหนาตงแต 1.64 ไมโครเมตร ใน Calamus caesius ถง
2.62 ไมโครเมตร ใน Washingtonia robusta ลวดลายของผนง
ชนเอกซนสามารถแบงออกไดเปน 6 แบบ
ลวดลายบนผนงชนเอกซนแบบท 1 คอ punctate
ลวดลายทผวของเรณรปรางกลมหรอเปนเสนยาวโดยมความ
ยาวหรอเสนผานศนยกลางของชองทอยบนผนงเรณมขนาด
นอยกวา 1 ไมโครเมตร ประกอบดวย Adonidia merrillii
(Figure 1c), Cocos nucifera (Figure 2c) และ Livistona
chinensis (Figure 2l)
ลวดลายบนผนงชนเอกซนแบบท 2 คอ regulate
ซงมลกษณะของผนงเรณเปนเสนยาวมความยาวมากกวา
ไมโครเมตร และจดเรยงตวไมเปนระเบยบ พบเฉพาะใน
Bismarckia nobilis (Figure 1f)
ลวดลายบนผนงชนเอกซนแบบท 3 คอ
reticulate ซงผนงเรณมลกษณะเหมอนตาขาย
มรหรอชองกวางมากกวา 1 ไมโครเมตร พบใน Phoenix
actylifera (Figure 3c), P. roebelenii (Figure 3f) และ Wash-
ingtonia robusta (Figure 3i)
ลวดลายบนผนงชนเอกซนแบบท 4 คอ punctate-
granulate ซงมลกษณะผวโดยทวไปเปนแบบ punctate แตท
ผวมแกรนล (granulate) เปนตมโคงมน พบเฉพาะใน Borassus
flabellifer (Figure 1i)
ลวดลายบนผนงชนเอกซนแบบท 5 คอ reticulate-
granulate ซงมลกษณะผวโดยทวไปเปนแบบ reticulate แตท
ผวบรเวณชองมแกรนลเปนตมโคงมน พบเฉพาะใน Calamus
caesius (Figure 1l)
ลวดลายบนผนงชนเอกซนแบบท 6 คอ perforate
มลกษณะคอผวเรณมรทผว ขนาดของรมความกวางนอยกวา
1 ไมโครเมตร พบใน Dypsis lutescens (Figure 2f), Hyophorbe
lagenicaulis (Figure 2i) และ Wodyetia bifurcata (Figure
3l)
Sarayut Rakarcha et al. J Sci Technol MSU332
Table 2 Pollen morphological characters of Arecaceae.
La = long axis, Sa = short axis, La/Sa = long axis/short axis, Et = exine thickness, Cl = colpus length
Species La (µm) Sa (µm) La/Sa Et (µm) Cl (µm)
1. Adonidia merrillii 40.00-52.50
(46.83±3.76)
37.50-52.50
(43.58±3.75)
1.07 1.66-2.71
(2.08±0.34)
23.95-29.16
(26.65±2.19)
2. Bismarckia nobilis 25.00-37.50
(31.33±3.26)
17.50-30.00
(23.17±3.00)
1.35 1.65-2.90
(2.21±0.36)
20.75-28.95
(25.09±3.34)
3. Borassus flabellifer 35.00-45.00
(39.92±2.58)
30.00-45.00
(37.93±3.29)
1.05 1.27-2.88
(2.01±0.44)
20.65-36.25
(28.18±6.13)
4. Calamus caesius 22.50-32.50
(26.58±2.22)
10.00-27.5
(23.05±3.05)
1.15 1.00-2.21
(1.64±0.43)
19.87-25.71
(22.49±2.27)
5. Cocos nucifera 42.50-52.50
(46.92±3.06)
37.50-50.00
(44.25±2.80)
1.06 1.32-2.29
(1.67-0.35)
39.08-47.61
(43.56±2.89)
6. Dypsis lutescens 30.00-37.50
(34.50±2.89)
25.00-35.00
(29.67±1.94)
1.16 1.61-2.55
(2.15±0.27)
25.00-38.00
(32.65±4.85)
7. Hyophorbe lagenicaulis 30.00-42.50
(35.50±2.58)
25.00-37.50
(29.42±3.12)
1.21 1.81-2.70
(2.26±0.34)
26.31-35.42
(31.04±3.82)
8. Livistona chinensis 32.50-50.00
(41.08±3.98)
30.00-47.50
(38.75±3.76)
1.06 1.90-2.63
(2.24±0.27)
31.58-42.58
(37.24±3.98)
9. Phoenix dactylifera 16.78-24.95
(21.17±2.73)
15.00-23.75
(17.86±2.37)
1.19 1.56-2.57
(2.01±0.38)
17.75-20.15
(19.30±1.03)
10. Phoenix roebelenii 15.50-25.00
(20.10±1.87)
17.50-22.50
(18.92±1.93)
1.06 1.15-2.16
(1.65±0.30)
12.96-16.35
(14.37±1.59)
11. Washingtonia robusta 22.50-27.50
(24.87±1.61)
20.00-27.50
(22.33±2.36)
1.11 2.21-3.63
(2.62±0.48)
16.35-21.75
(18.87±1.93)
12. Wodyetia bifurcata 50.00-60.00
(55.66±3.47)
32.50-45.00
(37.92±3.35)
1.47 1.15-2.78
(1.92±0.49)
27.66-35.93
(30.74±3.39)
Table 2 Pollen morphological characters of Arecaceae. (continue)
Species Shape Symmetry Size Exine sculpturing
1. Adonidia merrillii elliptic-circular bilateral medium-large punctate
2. Bismarckia nobilis elliptic bilateral small-medium rugulate
3. Borassus flabellifer elliptic-circular bilateral medium granulate-punctate
4. Calamus caesius subelliptic bilateral small-medium granulate-reticulate
5. Cocos nucifera elliptic-circular bilateral medium-large punctate
6. Dypsis lutescens subelliptic bilateral medium perforate
7. Hyophorbe lagenicaulis subelliptic bilateral medium perforate
8. Livistona chinensis elliptic-circular bilateral medium punctate
9. Phoenix dactylifera subelliptic bilateral small reticulate
10. Phoenix roebelenii elliptic-circular bilateral small reticulate
11. Washingtonia robusta elliptic-circular bilateral small-medium reticulate
12. Wodyetia bifurcata elliptic bilateral medium-large perforate
Palynology of some Arecaceae Species 333Vol 37. No 3, May-June 2018
Figure 1 Light micrographs of pollen grains in species of Arecaceae: Adonidia merrillii (a), Bismarckia nobilis (d),
Borassus flabellifer (g), Calamus caesius (j) (scale bars: a, d, g, j = 10 µm). Scanning electron micrograph
(SEM) of pollen grain in species of Arecaceae: Adonidia merrillii (b-c), Bismarckia nobilis (e-f), Borassus
flabellifer (h-i), Calamus caesius (k-l) (polar view b, e, h and k; exine pattern c, f, i and l).
Sarayut Rakarcha et al. J Sci Technol MSU334
Figure 2 Light micrographs of pollen grains in species of Arecaceae: Cocos nucifera (a), Dypsis lutescens (d), Hyo-
phorbe lagenicaulis (g), Livistona chinensis (j) (scale bars: a, d, g, j = 10 µm). Scanning electron micrograph
(SEM) of pollen grain in species of Arecaceae: Cocos nucifera (b-c), Dypsis lutescens (e-f), Hyophorbe
lagenicaulis (h-i), Livistona chinensis (k-l) (polar view b, e, h and k; exine pattern c, f, i and l).
Palynology of some Arecaceae Species 335Vol 37. No 3, May-June 2018
Figure 3 Light micrographs of pollen grains in species of Arecaceae: Phoenix dactylifera (a), P. roebelenii (d),
Washingtonia robusta (g), Wodyetia bifurcata (j) (scale bars: a, d, g, j = 10 µm). Scanning electron micro-
graph (SEM) of pollen grain in species of Arecaceae: Phoenix dactylifera (b-c), P. roebelenii (e-f), Wash-
ingtonia robusta (h-i), Wodyetia bifurcata (k-l) (polar view b, e, h and k; exine pattern c, f, i and l).
Sarayut Rakarcha et al. J Sci Technol MSU336
วจารณและสรปผลรปรางของเรณพชวงศปาลมโดยสวนใหญจะรายงานจาก
อตราสวนระหวางความยาวแกนดานยาวตอตวามยาวแกน
ดานสนจากการสงเกตดานมมบน ซงจะแตกตางจากพชใบ
เลยงคโดยทวไปทนยมศกษารปรางเรณจากการสงเกตดานขาง
ไดแกรายงานของ Sowunmi10 Soliman and Al-Obeed18
Rasheed et al.21 และ Harley and Dransfield22 รวมถงการ
ศกษาในครงนดวย เนองจากเปนดานทสงเกตไดงายและเหน
ไดอยางชดเจนในพชวงศปาลมโดยมกจะเหนรปรางของเรณ
เปนแบบรปไข (elliptic) จนถงรปรางกลม (circular) และยงม
การรายงานรปรางของเรณจากการสงเกตดานขางโดยใช
อตราสวนระหวางความยาวตามแนวแกนขว (polar axis, P)
ตอความยาวตามแนวแกนศนย (equatorial axis, E) โดยสวน
ใหญแลวรปรางเรณของพชวงศวงศปาลมในมมนจะมรปราง
แบบ oblate ซงความยาวตามแนวแกนขวจะนอยกวาความ
ยาวตามแนวแกนศนยอยางชดเจน (P/E ไมถง 1.00) เชน
รายงานของ Barfod15 และ Rasheed and Perveen19 ขนาด
ของเรณในการศกษาในครงนเรณของพชวงศปาลมมขนาดเลก
ถงขนาดใหญโดยมความยาวของดานทยาวมากทสดตงแต
10-100 ไมโครเมตร และจากรายงานการศกษาทผานมา เชน
Sowunmi10 ไมน�าเอาขนาดเรณมาจดจ�าแนกพชวงศปาลม
เนองจากปรมาณดงกลาวเปนชวงทกวาง เชนเดยวกบการ
ศกษาในครงนทแสดงใหเหนวาขนาดไมเหมาะตอการน�ามาจด
จ�าแนก เชน Adonidia merrillii มความยาวแกนดานสนตงแต
37.50 ถง 52.50 ไมโครเมตร ซงจะพบทงเรณทมขนาดกลาง
และขนาดใหญ
ชองเปดของพชวงศปาลมมความหลากหลายอาจจะ
มากกวา 17 แบบ ตามรายงานของ Harley and Baker17 ท
รายงานวาชองเปดของพชวงศปาลมม 17 แบบ ไดแก sym-
metric monosulcate, asymmetric monosulcate, extended
monosulcate, brevi monosulcate, equatorial disulcate,
distal disulcate, symmetric trichotomosulcate, asymmetric
trichotomosulcate, symmetric monoporate, asymmetric
monoporate, equatorial diporate, sub-equatorial diporate,
apical triporate, sub-apical triporate, incomplete zonosul-
cate, zonosulcate และ ไมมชองเปด แตโดยสวนใหญยงคง
เปนแบบ sulcate แตลกษณะและจ�านวนของชองเปดอาจจะ
แตกตางกนไป เชนเดยวการศกษาในครงนทพบวาเรณของ
พชวงศปาลมม 1 ชองเปดยาวตามแนวแกนขวเพยงลกษณะ
เดยวโดยผลการศกษาดงกลาวสอดคลองกบการศกษาของ
Sowunmi10, Erdtman14, Barfod15, Ambwani and Kumar16,
Soliman and Al-Obeed18, Mourelle et al.20 และ Rasheed
et al.21 ทรายงานวาพชวงศปาลมสวนใหญมชองเปดยาว
1 ชองตามแกนแนวขว ลกษณะดงกลาวเปนลกษณะเฉพาะ
ของพชวงศปาลม แตการศกษาของ Rasheed and Perveen19
ชใหเหนวาชองเปดในสกล Phoenix ทง 3 ชนดทศกษามชอง
เปดแบบ monocolpate ซง Punt et al.26 ชใหเหนวาชองเปด
แบบ sulcate และ colpate มลกษณะเปนชองเปดทยาวเหมอน
กนแตตางกนทแนวการจดเรยงตว ในการศกษาในครงนยนยน
วาชองเปดของสกล Phoenix เปนแบบ sulcate นอกจากนยง
พบรายงานลกษณะของชองเปดแบบอนในพชวงศปาลม
โดย Erdtman14 และ Sowunmi10 รายงานชองเปดแบบ
trichotomosulcate ในพชวงศปาลมหลายชนด เชน Acan-
thorhiza mocini, Pinanga javana และ Ravenea robustior
และพบชองเปดแบบ 2-sulcate ใน Calamus guruba Harley
and Dransfield22 รายงานวาพบชองเปดแบบ triporate หรอ
zonosulcate ซงพบไดเฉพาะในสกล Areca ชน Microareca
สวนสกล Areca ในชนดอน ๆ ชองเปดยงคงเปนแบบ
monosulcate ซง Harley and Dransfield22 ตงสมมตฐานวา
ชองเปดแบบ triporate ทพบในพชวงศปาลมอาจจะถกพฒนา
มาจากชองเปดแบบ monosulcate จากนนพฒนามาเปนชอง
เปดแบบ trichotomosulcate ซงมความสมพนธกบชองเปด
แบบ triporate และ monosulcate
นอกจากนลกษณะส�าคญทน�ามาใชในการจดจ�าแนก
พชวงศปาลมคอลวดลายผนงชนเอกซน ในการศกษาในครงน
พบลวดลายของผนงเอกซน 6 แบบ ไดแก punctate, perforate,
regulate, reticulate, punctate-granulate และ reticulate-
granulate สอดคลองกบการศกษากอนหนานทพบวาลวดลาย
บนผนงชนเอกซนในพชวงศปาลมมความหลากหลาย ไดแก
reticulate, scrobiculate, muri simpli-baculate, verrucose-
reticulate, spinulose-reticulate, spinose-reticulate, punctate,
vermiculate, spinulose, psilate, baculate, perforate และ
อน ๆ10, 14-22 ในการศกษาในครงน Livistona chinensis
พบลวดลายบนผนงชนเอกซนแบบ punctate ซงไมสอดคลอง
กบการศกษากอนหนานของ Sowunmi10 ทรายงานวาลวดลาย
ของผนงชนเอกซนของ L. chinensis เปนแบบ reticulate และ
baculate จากการศกษาของนกวทยาศาสตรหลายทานได
รายงานลวดลายของผนงชนเอกซนในพชวงศปาลมวาสามารถ
พบลวดลายบนผนงชนเอกซนมากกวา 1 แบบในพช 1 ชนด
ได เชน Ptychosperma elegans มลวดลายบนผนงชนเอกซน
แบบ reticulate หรอ finely perforate-regulate21 Phoenix
dectylifera มลวดลายบนผนงชนเอกซนแบบ reticulate หรอ
irregular18 และยงมรายงานการพบลวดลายบนผนงชนเอกซน
หลายแบบในพชชนดเดยว อกหลายชนดในพชวงศปาลม10
Palynology of some Arecaceae Species 337Vol 37. No 3, May-June 2018
จากผลการศกษาสณฐานวทยาเรณของพชวงศปาลม
ทง 12 ชนด พบวาสามารถน�าขอมลทไดมาใชประกอบการจด
จ�าแนกพชวงศปาลมโดยใชลกษณะรปราง ลวดลายผนงชน
เอกซน และผวบรเวณชองเปด ดงตอไปน
1. กล มทมรปรางเรณแบบ elliptic ในกลมน
สามารถทจะบงบอกถงชนดไดซงประกอบไปดวยพช 2 ชนด
ดงน Bismarckia nobillis จะมลวดลายบนผนงชนเอกซนแบบ
regulate สวน Wodyetia bifurcata จะมลวดลายบนผนงชน
เอกซนแบบ perforate
2. กลมทมรปรางเรณแบบ subelliptic ในกลมน
สามารถทจะบงบอกถงชนดไดซงประกอบไปดวยพช 4 ชนด
ดงน Calamus caesius มลวดลายบนผนงชนเอกซนแบบ
reticulate-granulate Phoenix dectylifera มลวดลายบนผนง
ชนเอกซนแบบ reticulate สวน Dypsis lutescens และ
Hyophorbe lagenicaulis มลวดลายบนผนงชนเอกซนแบบ
perforate แตพชทงสองชนดนสามารถแยกออกจากกนไดโดย
Dypsis lutescens ผวของผนงชองเปดเรณขรขระ ในขณะท
Hyophorbe lagenicaulis ผวของผนงชองเปดเรณเรยบ
3. กลมทมรปรางเรณแบบ elliptic-circular ในกลม
นจะสามารถระบชนดไดเพยงบางชนดเทานน ดงน Borassus
flabellifer มลวดลายบนผนงชนเอก ซนแบบ punctate-
granulate Phoenix roebelenii และ Washinglonia robusta
มลวดลายบนผนงชนเอก ซนแบบ reticulate สวน Adonidia
merrillii, Cocos nucifera และ Livistona chinensis มลวดลาย
บนผนงชนเอกซนแบบ punctate ในกลมน Adonidia merrillii
จะแยกออกจากชนดอนโดยผวบรเวณชองเปดทมลกษณะ
ขรขระ
กตตกรรมประกาศ ขอขอบคณโครงการพฒนาก�าลงคนดาน วทยาศาสตร
(ทนเรยนดวทยาศาสตร) ทใหทนสนบสนนการวจย ขอขอบคณ
ภาควชาชววทยา คณะวทยาศาสตร มหาวทยาลยมหาสารคาม
ทเออเฟอสถานทและอปกรณในการท�าวจย และขอขอบคณ
คณเบญจพร ภกาบหน ทไดชวยเหลอในการท�าวจยในครงน
เอกสารอางอง 1. ปฏฐะ บนนาค. ปาลม. กรงเทพฯ: กรงธน; 2524.
2. กองกานดา ชยามฤต. ลกษณะประจ�าวงศพรรณไม 3.
กรงเทพฯ: ส�านกงานหอพรรณไม ส�านกวจยการอนรกษ
ปาไมและพนธพช, กรมอทยานแหงชาต สตวปา และพนธ
พช; 2551.
3. Dransfield J, Uhl NW. Palmae. In Kubitzki K, editor.
Families and genera of vascular plants: Flowering
plants Monocotyledons. Berlin: Springer-Verlag;
1998. P. 306–389.
4. Barfod AS, Dransfield J. Arecaceae. In Santisuk T,
Larsen K, editors. Flora of Thailand Volume 11 part
3. Bangkok: The Tistr Press; 2013.
5. พนศกด วชรากร. ปาลมและปรงในปาไทย. กรงเทพฯ:
บานและสวน; 2548.
6. ปยะ เฉลมกลน. คมอปาลมประดบ. กรงเทพฯ: บานและ
สวน; 2550.
7. Henderson AJ, Bacon CD. Lanonia (Arecaceae:
Palmae), a New Genus from Asia, with a Revision
of the Species. Sys Bot 2011; 36(4): 883-895.
8. Barfod A. Leaf anatomy and its taxonomic signifi-
cance in phytelephantoid palms (Arecaceae). Nord
J Bot 1900; 8(4): 341-348.
9. Dransfield J, Uhl NW, Asmussen CB, Baker WJ,
Harley MM, Lewis CE. A new phylogenetic classifica-
tion of the palm family, Arecaceae. Kew Bulletin 2005;
60: 559-569.
10. Sowunmi MA. Pollen morphology in the Palmae and
its bearing on taxonomy. Rev Palaeobot Palyno 1972;
13(1): 1-80.
11. Burret M. Key of the family Palmae. Willdenovia 1953;
1: 59-74.
12. Hutchinson J. The families of flowering plants. Vol.
II. Monocotyledons. Oxford: Clarendon Press; 1959.
13. Moore HE. Botany and classification of palms. Am
Hort Mag 1961; 40(1): 17-26.
14. Erdtman G. Pollen morphology and plant taxonomy-
angiosperm. New York: Hafner publishing company;
1966.
15. Barfod A. Pollen morphology of Ammandra, Palan-
dra and Phytelephas (Arecaceae). Grana 1988; 27:
239-242.
16. Ambwani K, Kumar M. Pollen morphology of the
coryphoid genus Licuala (Palmae). Grana 1993; 32:
164-168.
17. Harley MM, Baker Wj. Pollen aperture morphology
in Arecaceae: Application within phylogenetic analy-
ses, and a summary of record of palm-like pollen the
Sarayut Rakarcha et al. J Sci Technol MSU338
fossil. Grana 2001; 40: 45-77.
18. Soliman SS, Al-Obeed RS. Investigations on the
pollen morphology of some date palm males (phoe-
nix dactylifera L.) in Saudi Arabia. Aust J Crop Sci
2013; 7(9): 1355-1360.
19. Rasheed A, Perveen A. Pollen morphology of some
native and cultivated species of the genus Phoenix
L. from Pakistan and Kashimir. Int J Biol Biotech
2014; 11(4): 611-615.
20. Mourelle D, Gaiero P, Speroni G, Millan C, Gutierrez
L, Mazzella C. Comparative pollen and Viability
among Endangered Species of Butia (Arecaceae)
and Its Implications for Species Delimitation and
conservation. Palynology 2016; 40(2): 160-171.
21. Rasheed AA, Perveen A, Abid R, Qaiser M. Pollen
morphology of the subfamily Arecoideae Griff.
(Family-Arecaceae) from Pakistan and Kashimir. Pak
J Bot 2016; 48(3): 1051-1060.
22. Harley MM, Dransfield J. Triporate pollen in the Are-
caceae. Grana 2003; 42: 3-19.
23. ลาวณย รกสตย. ละอองเรณ. กรงเทพฯ: โอเอส พรนตง
เฮาส; 2539.
24. Nairs PKK. Pollen morphology of angiosperms, a
historical and phylogenetic study. New York: Darnes
& Noble; 1971.
25. Erdtman G. The acetolysis method - A revised de-
scription. Svensk Botanisk Tidskrift 1960; 54: 561-
564.
26. Punt W, Hoen PP, Blackmore S, Nilsson S, and Le
Thomas A. Glossary of pollen and spore terminology.
Rev Palaeobot Palyno 2007; 143: 1–81.
นพนธตนฉบบ
1*อาจารย,คณะมนษยศาสตรและสงคมศาสตรมหาวทยาลยราชภฎเพชรบรต�าบลนาวงจงหวดเพชรบร760002 อาจารย,คณะเทคโนโลยอตสาหกรรมมหาวทยาลยราชภฎเพชรบรอ�าเภอเมองจงหวดเพชรบร760003 นกวจย,บณฑตวทยาลยรวมดานพลงงานและสงแวดลอมมหาวทยาลยเทคโนโลยพระจอมเกลาธนบรเขตทงครกรงเทพมหานคร101401* Lecturer,FacultyofHumanitiesandSocialScience,PhetchaburiRajabhatUniversity,Muang,Phetchaburi,Thailand760002 Lecturer,FacultyofIndustrialTechnology,PhetchaburiRajabhatUniversity,Muang,Phetchaburi,Thailand760003 Researcher,TheJointGraduateSchoolofEnergyandEnvironment,KingMongkut’sUniversityofTechnologyThonburi,Tungkru,Bangkok,
Thailand10140
*Correspondingauthor;E-mail:[email protected]
การศกษาคาสดสวนชวมวลตอผลผลตของมะพราวเพอการประเมนศกยภาพชวมวลเชง
พลงงานในเขตพนทภาคตะวนตกของประเทศไทย
Technical Study of Residues-to-Product-Ratios Values for Energy Potential Assessment:
Residues from Coconut in Western of Thailand
กตตนนท บญรอด,1* พเชฐ นลดวงด,2 อวสดา พงศพพฒน3
Kittinun Boonrod,1* Pichet Ninduangdee,2 Awassada Phongphiphat3
Received: 4 August 2017 ; Accepted: 23 November 2017
บทคดยอการวจยครงนเปนการวจยเชงส�ารวจมวตถประสงคเพอ ศกษาคาสดสวนชวมวลตอผลผลต (Residues-to-Product-Ratios :
RPR) ของมะพราว ทมความเฉพาะแยกตามสวนประกอบ และสอดคลองบรบทพนทภาคตะวนตก ซงน�าไปสการประเมนศกยภาพ
เชงพลงงานจากวสดชวมวลของมะพราว ผลการศกษาพบวา คาสดสวนชวมวลตอผลผลต ของกาบแขง กาบออน กะลา
แกนทางสวนบน แกนทางสวนลาง ใบ และทะลายเปลา คอ 0.28, 0.12, 0.20, 0.09, 0.14, 0.04 และ 0.03 ตามล�าดบ และเมอ
วเคราะหรวมกบปรมาณผลผลตมะพราวในป 2558 พบวาศกยภาพชวมวลเชงพลงงานรวมจากทกวสดของมะพราวในเขตภาค
ตะวนตก คดเปน 52.43 กโลตนเทยบเทาน�ามนดบ
ค�าส�าคญ: มะพราว คาสดสวนชวมวลตอผลผลต ศกยภาพชวมวล
AbstractThis study explores the Residues-to-Product-Ratios (RPR) values of coconut which specific of each materials and
area. The results are used to provide a reference for the estimation of potential biomass as energy production in the
Western Region of Thailand. The findings show that RPR values of Outer Coat, Middle Fibrous Coat, Shell, Upper
Core Leave Stalk, Bottom Core Leave Stalk, Frond and Empty Fruit Bunch are 0.28, 0.12, 0.20, 0.09, 0.14, 0.04 and
0.03 respectively. Then, the potential of biomass in Western Region of Thailand was estimated as 52.43 ktoe, based
on production yield in 2015.
Keywords: Coconut, Residues-to-Product-Ratios, Biomass Potential
Kittinun Boonrod et al. J Sci Technol MSU340
บทน�ามะพราวเปนพชเศรษฐกจทส�าคญของประเทศไทยอกชนดหนง
ซงภาคตะวนตกของประเทศไทยเมอแบงตามฐานขอมล
ศกยภาพพลงงานชวมวล ของกรมพฒนาพลงงานทดแทนและ
อนรกษพลงงาน (พพ.) จะประกอบไปดวยพนท 8 จงหวด
ไดแก ประจวบครขนธ เพชรบร ราชบร สมทรสาคร สมทรสงคราม
นครปฐม กาญจนบร และสพรรณบร1 (พพ., 2556) และจาก
รายงานของส�านกงานเศรษฐกจการเกษตร (สศก.) ในป 2558
พบวาภมภาคตะวนตกพนทปลกมะพราวรวมกน 0.49 ลานไร
หรอประมาณ รอยละ 40 ของพนทปลกมะพราวรวมทงประเทศ
โดยการศกษาครงนจะมงเนนไปท จงหวดประจวบครขนธ
และเพชรบร เปนพนทศกษาหลก โดยในป 2558 ทง 2 จงหวด
มพนทปลกรวมกน 0.43 ลานไร ซงคดเปนรอยละ 88 ของพนท
เพาะปลกในภาคตะวนตก และมปรมาณผลผลตรวมกนถง
0.28 ลานตน หรอคดเปนรอยละ 31 ของผลผลตทงประเทศ2
และขอมลของกรมพฒนาพลงงานทดแทนและอนรกษพลงงาน
เมอพจารณาถงดานสมบตทางเคมของเศษวสดจากมะพราว
ตอการน�ามาใชประโยชนทางพลงงานนนพบวา วสดชวมวล
จากมะพราวมคาความรอนอยในชวง 15.40-17.93 MJ/kg ซง
มคาความรอนสงกวาแกลบ (14.27 MJ/kg)3 และจากรายงาน
ศกยภาพเชงพลงงานของสวนตางๆ ของมะพราว ในป
พ.ศ. 2556 พบวา สวนของกาน ใบ จนและทะลายมะพราว
มศกยภาพเชงพลงงานจากชวมวลของแขงรวมทงประเทศ
คดเปน 207.69 กโลตนเทยบเทาน�ามนดบ ในสวนของเปลอก
และกาบมะพราว คดเปน 221.86 กโลตนเทยบเทาน�ามนดบ
และในสวนของกะลามะพราว คดเปน 107.83 กโลตนเทยบ
เทาน�ามนดบ4 ขอมลขางตนลวนแสดงใหเหนถงศกยภาพใน
การทจะน�าวสดเหลอทงจากมะพราวมาใชเปนเชอเพลงเพอ
ผลตพลงงานทดแทน
การศกษาถงศกยภาพชวมวลนน สงส�าคญทตอง
พจารณาคอ ปรมาณชวมวลทมอยทงหมด และปรมาณชวมวล
ทคงเหลอสามารถน�ามาใชประโยชนได เพอน�าไปสการคาด
การณถงศกยภาพชวมวลในเชงพลงงานไดอยางถกตอง ซงจะ
เปนปจจยส�าคญสการวางแผนในการพฒนาตอไป ซงวธการ
มาตราฐานจะใชวธการประเมนจาก คาสดสวนชวมวลตอผลผลต
(Residue to Product Ratios: RPR) และคาสดสวนชวมวลท
เหลอจากการใชประโยชน (Surplus Availability Factor: SAF)5
จากการสบคนขอมล พบวา คาสดสวนชวมวลตอผลผลต
(RPR) ของพชประเภทมะพราวนน มหลายคาสดสวน แตง
ตางกนออกไปตามลกษณะของพนททท�าการศกษา แตโดย
สรปจะแบงออกเปน 4 รปแบบ ตามชนดของวสด คอ (1) จน
และทะลาย (2) เปลอกและกาบ (3)กะลา และ(4) ทางและใบ3,6-8
โดยประเทศไทยกมฐานขอมลส�าหรบอางองคา RPR เชนกน
คอ จนและทะลาย มคา RPR เทากบ 0.29 เปลอกและกาบ
มคา RPR เทากบ 0.33 กะลา มคา RPR เทากบ 0.25 และ
ทางมะพราว มคา RPR เทากบ 0.23 3,6 แตอยางไรกตามขอมล
นนเปนภาพรวมของทงประเทศ ซงในความเปนจรงศกยภาพ
ในการน�าวสดเหลอใชทางการเกษตรมาใชประโยชนขนอยกบ
หลายปจจย ไดแก สภาวะของระบบนเวศน (ดน น�า สภาพภม
อากาศ) ทสงผลตอการเจรญเตบโตของพช รปแบบการเกบ
เกยว และลกษณะการน�าไปใชประโยชน เปนตน9 อกทงวสด
ชวมวลบางประเภทไดมการใชประโยชนทหลากหลาย ซงยอม
สงผลการคาดการณศกยภาพตางๆ อาทเชนทางมะพราว
สามารถแยกได หลายองคประกอบตามบรบทของการใช
ประโยชน ไดแก สวนกานใบน�าไปท�าไมกวาด แกนทางน�าไป
ใชเปนเชอเพลง เปนตน
ดวยเหตผลดงกลาวจงน�ามาสการวางกรอบแนวคด
ในการวจยครงน ซงมเปาหมายเพอศกษาคาสดสวนชวมวล
ตอผลผลต (RPR) ทเปนคาเฉพาะของพนทภาคตะวนตก และ
ของแตละชนดวสด โดยผลการศกษาทไดสามารถสงเคราะหส
การคาดการณศกยภาพเชงพลงงานของวสดชวมวลทเกดขน
จากการปลกมะพราว ไดหลากหลาย และใกลเคยงกบบรบท
พนท ซงจะเปนฐานขอมลในการวางแผนเพอใชประโยชนใน
เชงพลงงาน หรอดานอนๆตอไป
วตถประสงคของการวจย เพอศกษาคาสดสวนชวมวลตอผลผลต (Residue to
Product Ratios : RPR) ของมะพราว แยกตามสวนประกอบ
และวเคราะหสการคาดการณศกยภาพเชงพลงงานของวสดชวมวล
ทเกดขนจากการปลกมะพราวในเขตพนทภาคตะวนตกของ
ประเทศไทย
วธด�าเนนการวจย
การวจยครงนเปนการวจยเชงส�ารวจ (Survey
Research) ประกอบไปดวย 2 วธการ ไดแก การส�ารวจเชง
พนทดวยวธการตงแปลงส�ารวจ (Crop Cutting Survey) และ
การส�ารวจดวยแบบสอบถาม (Questionnaire Survey) โดย
ผลการส�ารวจทไดจะน�ามาประมวลผลรวมกนสการวเคราะห
ผลการศกษา มรายละเอยดดงน
ขอบเขตการศกษา
- พนทศกษา: ก�าหนดขอบเขตพนทศกษา 2 จงหวด
ประกอบไปดวย จงหวดเพชรบร และจงหวดประจวบครขนธ
- จ�านวนกลมตวอยาง: การก�าหนดขนาดตวอยาง
ประชากรดวยวธการของ Cochran10 โดยก�าหนดคาความเชอ
มนของขอมลท 95 % ซงท�าการลงพนทในการส�ารวจสวน
Technical Study of Residues-to-Product-Ratios Values
for Energy Potential Assessment: Residues from Coconut in Western of Thailand
341Vol 37. No 3, May-June 2018
มะพราว (Crop Cutting Survey) จ�านวน 40 สวน และ ลาน
รบซอหรอลานปลอก (ลง) จ�านวน 10 ลง และ ส�ารวจขอมล
ดวยแบบสอบถาม (Questionnaire Survey) กบเกษตรกร
จ�านวน 200 ราย คลอบคลมพนททง 2 จงหวด
- ดานเนอหา: ศกษาเฉพาะ มะพราวพนธตนสง
(ขายผลแก) ดานวสดชวมวล ก�าหนด 3 ประเภทวสด คอ จน
มะพราว (Empty Fruit Bunch: EB) ทางมะพราว (Leave
Stalk: LS) และผลมะพราว (Fruit: FRU)
วธการและขนตอนการศกษา
- การส�ารวจขอมลดวยแบบสอบถาม: ปจจบนม
การน�าชวมวลเศษวสดจากมะพราวทงในสวนทเกดขนภาย
หลงการเกบเกยว และชวมวลทเกดขนจากกระบวนการแปรรป
มะพราว ไปใชประโยชนอยางหลากหลาย ในการศกษานได
ท�าการลงพนทเพอสมภาษณเกษตรกรผเพาะปลกมะพราว
ดวยแบบสอบถามทมลกษณะค�าถามทงในลกษณะปลายเปด
และปลายปด โดยสวนทเกยวของและเปนขอมลส�าคญส�าหรบ
การศกษาในครงน ประกอบไปดวย ขอมลดานผลผลต ปรมาณ
วสดชวมวลทเกดขน และสดสวนการใชประโยชนในปจจบน
- การส�ารวจวสดชวมวลในสวนมะพราว: ท�าการสม
ส�ารวจสวนมะพราว จ�านวน 40 สวน โดยก�าหนดจดส�ารวจ 3
แปลงทดสอบ ตอ 1 สวน รวมทงสน 120 แปลงทดสอบ โดยท
จดส�ารวจ จะท�าการตงแปลงทดสอบ ดวยการวดระยะหาง
ระหวางตนในแนวนอน (ระยะ A) และแนวตง (ระยะ B) จาก
นนแบงครงระยะทงสอง เพอตกรอบพนทแปลงทดสอบเปนรป
สเหลยมรอบตนมะพราว (Figure 1 A.) บนทกขนาดแปลง
ทดสอบ นบจ�านวน และ ชงน�าหนก วสดชวมวลทตกอยใน
แปลงทดสอบ 2 ชนด คอ จน และ ทางมะพราว ในสวนของ
ทางมะพราว ใหท�าการตดชง บนทกแยกสวนประกอบเฉพาะ
แกนทางบน (ไมรวมใบ) (Upper Core Leave Stalk : ULS )
สวนแกนทางลางหรอกะหมก (Bottom Core Leave Stalk:
BLS) และน�าหนกเฉพาะใบ (Frond: FRO) ผลการศกษาทได
จะวเคราะหเปน คาสดสวนชวมวลตอผลผลต (RPR) สการ
ประเมนปรมาณวสดชวมวลทเกดขน (Biomass Generation
:BMG) และ ปรมาณวสดคงเหลอเพอผลตพลงงาน (Biomass
Available: BMA) (วธการวเคราะหใน Table 1)
- การส�ารวจปรมาณวสดชวมวลจากผลมะพราวท
ลานปลอก (ลง) : สมส�ารวจลงมะพราว จ�านวน 10 ลง โดย
สมเลอกมะพราว จ�านวน 20 ผล/ลง จากนนน�าผลมะพราวจาก
การสมเลอก ท�าการชงน�าหนก ปลอกเปลอกชงน�าหนก ทละ
สวนประกอบ จากนนบนทกผลตามองคประกอบ ไดแก 1.น�า
หนกมะพราว (ลกเกลยง: Fruit : FRU) 2.น�าหนกเปลอกนอก
(กาบแขง : Outer Coat : OTC) 3.น�าหนกเปลอกใน (กาบออน
: Middle Fibrous Coat : MFC) 4. น�าหนกกะลา (Shell: SHE)
5. น�าหนกน�าและเนอขาว (Solid and Liquid Endosperm
:SLE) ซงผลการศกษาทไดในสวนน จะน�าไปสการวเคราะห
และคาดการณปรมาณวสดชวมวลตอไป (วธการวเคราะหใน
Table 1)
Figure 1 (A) Method for Sampling on Site Survey (B) Number of Coconut Tree per Rai
Kittinun Boonrod et al. J Sci Technol MSU342
Table 1 Equations for analysis
Equations5,7 Remark
BMA i = SAF
i * BMG
I
BMG i = PY
* RPR
I
RPR i = ( W
i * N
i ) / (W
FRU * N
FRU )
SAF I = (100 – %UTZ
i ) / 100
ENP I = ( BMA
i *1,000* HV
I ) / (42,120,000)
BMA i = Biomass Available (tons/ year)
BMG i = Biomass Generation (tons/ year)
RPR i = Residue to Product Ratios (no unit)
SAF i = Surplus Availability Factor (no unit)
ENP I = Energy Potential (ktoe/year) ; (1 ktoe = 42,120,000 MJ 3 )
Wi = Weight of Biomass (kg.)
Ni = Number of Biomass ( no./ Rai /year)
PY = Production yield of coconut (tons/ year)
%UTZI = Percentage of Biomass Utilization
HVI = Heat Value (MJ/kg)
i = Category of Biomass (FRU, OTC, MFC, SHE, SLE. LS, ULS,
BLS, FRO และ EB)
Table 2 All results of study
Result
Biomass Categories
Fruit (n=200) Leave Stalk (n=267) Bunch (n=228)
OTC MFC SHE SLE FRU ULS BLS FRO LS EBA W
0.62 0.27 0.43 0.87 2.19 0.95 1.48 0.43 2.86 0.34
N 2,745 2,745 2,745 2,745 2,745 553 553 553 553 460
%UTZ 199.19 0 191.30 100 100 5.75 4.80 11.13 - 3.95
SAF
0.008 1 0.087 0 0 0.943 0.952 0.889 - 0.961
RPR
0.28 0.12 0.20 - - 0.09 0.14 0.04 0.26 0.03A as received basis
Table 3 Energy potential from coconut residues in western region of Thailand
Biomass PY2 RPR SAF PBG BMA HV ENP
OTC 324,788 0.28 0.81 90,941 737 16.23 0.28
MFC 324,788 0.12 1.00 38,975 38,975 16.23 15.02
SHE 324,788 0.2 0.087 64,958 5,651 17.93 2.41
ULS 324,788 0.09 0.943 29,231 27,550 16.00 10.47
BLS 324,788 0.14 0.952 45,470 43,288 16.00 16.44
FRO 324,788 0.04 0.889 12,992 11,546 16.00 4.39
EB 324,788 0.03 0.961 9,744 9,359 15.4 3.42
Technical Study of Residues-to-Product-Ratios Values
for Energy Potential Assessment: Residues from Coconut in Western of Thailand
343Vol 37. No 3, May-June 2018
Table 4 The comparisons of RPR values
ResultFruit Coat Leave Stalk
Empty BunchOTC MFC SHE ULS BLS FRO LS
RPR from 2 nd data 0.333 0.333 0.253 n.a. n.a. n.a. 0.236 0.293
RPR from study 0.28 0.12 0.20 0.09 0.14 0.04 0.26 0.03
ผลการวจย ผลการส�ารวจขอมลเชงพนทดวยวธการตงแปลง
ส�ารวจ (Crop Cutting Survey)
- ผลการวดระยะปลกมะพราว ผลการศกษาพบวา
ระยะรองปลกแนวลก โดยเฉลยอยท 8.45 เมตร และระยะหาง
ระหวางตนในแนวนอน โดยเฉลยอยท 9.36 เมตร ซงเมอน�า
มาวเคราะหแสดงผลเปนจ�านวนตนมะพราวตอพนท 1 ไร
พบวา ภาพรวมเกษตรสามารถปลกมะพราวไดประมาณ
20 ตนตอไร (Figure 1B.)
- ผลการศกษาน�าหนกและสดสวนชวมวลในแตละ
องคประกอบ ซงประกอบไปดวย ผลมะพราว ทางมะพราว และ
จนมะพราว มรายละเอยดผลการศกษาดงแสดงใน Table 2
ผลส�ารวจขอมลดวยแบบสอบถาม (Questionnaire
Survey)
- การศกษาปรมาณผลผลตท เกดขนในรอบป
ผลการศกษาพบวา มะพราวในเขตพนทศกษามอายคอนขางสง
เฉลยอยทประมาณ 48 ป มตนมะพราวทยงสามารถใหผลผลต
ได คดเปนรอยละ 82.20 ของทงหมด แตผลผลตกลดลงไปจาก
เดม โดยมะพราว 1 ตน สามารถใหผลผลตไดประมาณ 10.92
ครงตอป วงรอบการเกบเกยวอยทประมาณ 34.60 วนตอครง
โดยเฉลยเกบเกยวตนละ 2.08 ทะลายตอครง ทะลายละ 7.36 ลก
หรอคดเปนประมาณ 167 ลกตอตนตอป โดยสรปเมอน�าผล
การศกษาขางตนมาวเคราะหรวมกน ทงในสวนจ�านวนตนตอไร
และอตราการตนทยงคงใหผลผลต จะพบวา มะพราวสามารถ
ใหผลผลตทประมาณ 2,745 ลกตอไรตอป (NOTC
, NMFC
, NSHE
,
NSLE
, NFRU
) ในสวนวสดชวมวลจากผลมะพราวมองคประกอบ
ทส�าคญไดแก กาบแขง (OTC) กาบออน (MFC) แล กะลา
(SHE) ซงผลการศกษาสดสวนการประโยชน (%UTZ) ในแตละ
องคประกอบดงปรากฏใน Table 2
- การศกษาปรมาณจน/ทะลายเปลาทเกดขนในรอบป
ผลการศกษาพบวาในแตละครงเกษตรกรสามารถเกบเกยวได
เฉลย 2.08 ทะลายตอครงตอตน โดยคาเฉลยจ�านวนรอบการ
เกบเกยวผลผลต คดเปน 10.92 ครงตอตนตอป ซงทะลาย
เปลาหลงการเกบเกยวทถกทงในสวน คดเปนรอยละ 94.23
สวนทเหลอจะตดไปทลง คดเปน รอยละ 5.77 สรปวาจะพบ
จน/ทะลายเปลา หลงการเกบเกยวถกทงไวในสวน คดเปน 22
จนตอตนตอป และพบทลง คดเปน 1 จนตอตนตอป รวม
ปรมาณจน/ทะลายเปลา ทเกดขนทงหมดคดเปน 23 จนตอตน
ตอป หรอคดเปน 460 จนตอไรตอป (N
EB) ผลการศกษาสดสวน
การประโยชนดงปรากฏใน Table 2
- การศกษาปรมาณทางมะพราวทเกดขนในรอบป
ผลการศกษาพบวา โดยปกตแลวทางมะพราวทแหง จะรวง
หลนมาจากตนเองตามธรรมชาต คดเปนคาเฉลย 2.55 ทาง
ตอ ตน ตอ 33.69 วน หรอคดเปน 27.63 ทางตอตนตอป หรอ
คดเปน 553 ทางตอไรตอป (NULS
, NBLS ,
NFRO
) ในสวนของทาง
มะพราวนนสามารถแบงออกเปน 3 สวนตามการใชงาน
ประกอบไปดวย สวนแกนทางบน (ULS) สวนใบ (FRO) และ
สวนทางลาง หรอ กะหมก (BLS) โดยสดสวนการประโยชน
ระบไว Table 2
Kittinun Boonrod et al. J Sci Technol MSU344
Figure 2 (A) Composition of leave stalk (B) Upper leaf stalk with leaf (C) Upper core leaf stalk for sell (D) Frond,
core for sells (E) Empty fruit bunch (F) Outer coat (G) Middle fibrous coat and shell
วจารณและสรปผลในสวนนเปนการน�าผลการศกษาทงหมดมาสงเคราะหรวมกน
เพอคาดการณศกยภาพเชงปรมาณ และศกยภาพเชงพลงงาน
ของแตละวสด โดยอาศยขอมลปฐมภมซงเปนผลการศกษา
จากการส�ารวจ และขอมลทตยภมทเกยวของ ในภาพรวมพบ
วาวสดชวมวลของมะพราวในเขตภมภาคตะวนตก สามารถ
แปรเปลยนเปนพลงงานคดเปน 52.43 กโลตนเทยบเทาน�ามน
ดบ (ktoe) รายละเอยดดงน (Table3)
- กาบแขง (OTC): ในภาพรวมวสดชวมวลจากผล
มะพราวเกดขนมาจากการปลอกผลผลตเพอเพมมลคาในการ
ขาย แตกจะพบเพยงสวนนอยเทานน โดยสวนใหญจะขาย
ผลผลตโดยตรงใหกบลงทนท เรยกวา ขายแบบ “ลกเกลยง”
ซงลงกจะน�าไปปลอกกอนสงขายภายหลง ซงผลพลอยไดท
ส�าคญคอ กาบแขง การใชประโยชนสวนใหญทงจาก ลง และ
สวน จะถกขายตอใหโรงงานตใยมะพราว เพอผลตเสนใย ราคา
ขายไมแนนอน ขาดเสถยรภาพทางราคา โดยท 1 คนรถ
(ประมาณ 700 กก.) มราคาอยในชวง 120-800 บาท บางครง
เมอราคาลงต�ามาก ไมคมคาแรงงาน และขนสง กจะกองทงไว
จ�านวนมาก หากแตเมอพจารณาถงการน�ากาบแขง ไปตอ
ยอดเพอผลตเปนพลงงานทดแทน กนาจะเปนโอกาส ในการ
การนตราคาใหกบเกษตรกร จากผลการศกษาพบวา ในรอบ
การผลตป 2558 จะพบกาบแขงทเกดขนในภาคตะวนตก คดเปน
90,941 ตนตอป คงเหลอส�าหรบการน�าไปใชประโยชน คดเปน
737 ตนตอป คดเปนศกยภาพเชงพลงงานท 0.28 กโลตน
เทยบเทาน�ามนดบ ( คาความรอน เทากบ 16.23 MJ/kg.)
- กาบออน (MFC): มะพราวลกเกลยงทถกปลอก
กาบแขงออก ภาษาทองถนเรยกวา ผลผลตแบบ “ลกปลอก
เลยง” ซงยงมกาบออน หอหมอย เหตผลส�าคญทไมปลอก
ทงหมดจนถงชนกะลา เนองจากตองการใหกาบออนเปนวสด
กนกระแทกระหวางขนสง โดยสวนใหญจะถกสงตอไปขายท
ตลาด ปจจบนทงทงหมด ไมพบการใชประโยชนในเชงพาณชย
มผลวเคราะหเปนศกยภาพเชงพลงงานไดท 15.02 กโลตน
เทยบเทาน�ามนดบ
- กะลา (SHE): ในลงมะพราวรายใหญ จะมด�าเนน
ธรกจแบบครบวงจร ตงแตประมลมะพราวทสวน จนถงการ
ปลอก และขายเปนน�ากะท แตส�าหรบรายยอยสวนใหญสนสด
กจกรรมเพยงลกปลอกเลยง แตทงนกพบวามลงรายยอยบาง
สวนด�าเนนการตอจนถง “ลกปลอกด�า” หมายถง การปลอกผล
มะพราวจนถงชนกะลา หรอด�าเนนการตอไปถง “ ลกปลอกขาว”
โดยการใชมดขดเอาสวนของเนอกะลาออก จนถงชนผวสขาว
ของเนอ ซงมวสดพลอยไดทส�าคญคอ กะลา โดยในปจจบนจะ
มโรงงานผลตถานอดแทงรบซอกะลา ซงจะรบซอทงในแบบ
กะลาชน หรอ ถานกะลา จากลง และเกษตรกรผรบจางเผา
ถาน มผลวเคราะหเปนศกยภาพเชงพลงงานไดท 17.93 กโลตน
เทยบเทาน�ามนดบ
- แกนทางบน (ULS): คอ สวนบนของทางมะพราว
นบตงแตสวนทใบมะพราวตดอยตงแตใบแรกจนถงใบสดทาย
เกษตรกรบางรายกทงไวในสวน แตบางรายกรวบรวมออกมา
จากสวน เนองจากปจจบนสามารถสรางรายไดใหกบเกษตรกร
Technical Study of Residues-to-Product-Ratios Values
for Energy Potential Assessment: Residues from Coconut in Western of Thailand
345Vol 37. No 3, May-June 2018
ได เพราะเมอน�าทางมะพราวในสวนบนเมอรดใบทงทงหมด
จะมผมารบซอเฉพาะสวนนทเรยกวา “แกนทาง” เพอไปใชเปน
เชอเพลงในการเผาเครองปนดนเผา โดยเฉพาะโอง โดย
โรงงานผผลตโองอางวาเชอเพลงจากทางมะพราวในสวนนม
น�ามนระเหยบางชนดทสามารถเคลอบใหโอง หรอเครองดน
เผามความเงางามได โดยจะมผมารบซอในราคา 1-1.50 บาท
ตอชน มผลวเคราะหเปนศกยภาพเชงพลงงานไดท 10.74
กโลตนเทยบเทาน�ามนดบ
- ใบ (FRO): เมอเกษตรกรขายแกนทางใหแกผรบ
ซอไปแลว ใบทรดออกจากแกนทางบนจะถกน�าไปใชประโยชน
ดวยการใชมดรดสวนทเปนเนอใบออก ใหเหลอแตสวน
แกนใบ (Frond Core) เพอรวมขายใหกบผรบซอทจะน�าไปท�า
ไมกวาดทางมะพราว ราคาขายเฉลยอยท 15 บาทตอกโลกรม
มผลวเคราะหเปนศกยภาพเชงพลงงานไดท 4.39 กโลตน
เทยบเทาน�ามนดบ
- แกนทางลาง หรอ กะหมก (BLS): คอสวนทยด
ตดกบล�าตนจนถงใบแรกทตดกบทางสวนบน ภาษาถนเรยก
“กะหมก” ซงกะหมก คอสวนทเหลอทงจากการขายแกนทาง
บน โดยผ รบซออางเหตผลดานความชนในการไมรบซอ
กะหมก และหากไมตดกะหมกออก จะท�าใหการขนสงเปนไป
ดวยความล�าบาก ปจจบนยงไมพบการใชประโยชนในเชง
พาณชย พบเพยงแตการน�าสวนทแหง มาเผาเพอไลแมลง
หรอน�ามาเปนเชอเพลงในครวเรอนเทานน วเคราะหเปน
ศกยภาพเชงพลงงานไดท 16.44 กโลตนเทยบเทาน�ามนดบ
- จน/ทะลายเปลา (EB) : ผลจากการสมภาษณ
เกษตรกรพบวา จนทพบในสวนมะพราวนนเกดขนไดจาก 2
กรณ คอ 1. รวงหลนเองตามธรรมชาต เกดจากการเกบเกยว
ผลผลตในตนมะพราวทสงมากๆ ซงจ�าเปนตองใช ลง ในการ
ปนขนไปเกบผลผลต (มโรงเรยนฝกลงส�าหรบเกบมะพราวโดย
เฉพาะ) ดงนนลงกจะปนเอาเฉพาะผลมะพราวใหตกลงทพน
ซงจนกยงคงตดคางอยทสวนยอด และเมอแหงกจะรวงหลน
ลงมาเองตามธรรมชาต ซงตางจากรณท 2 คอ การตดผลผลต
ซงจะเกดขนกบมะพราวตนทยงไมสงมากนก สามารถใชไมตด
สอย หรอสามารถปนขนไปเกบผลผลตได ซงจะท�าการตดลง
มาทงจนเพอประหยดเวลา จงเรยกมะพราวทตดมาทงพวงของ
จนวา “ทะลายมะพราว” ซงเมอตดมะพราวลงมาทงทะลายแลว
นน กจะท�าการตดแยกเอาเฉพาะผลผลตในการขายตอไป
ปจจบนยงไมพบการใชประโยชนจากทะลายเปลาในเชง
พาณชย พบเพยงแตการน�า มาเผาเพอไลแมลง หรอน�ามาเปน
เชอเพลงในครวเรอน มผลวเคราะหเปนศกยภาพเชงพลงงาน
ไดท 15.4 กโลตนเทยบเทาน�ามนดบ
โดยสรปการศกษาครงน มวตถประสงค เพอศกษา
ถงศกยภาพเชงปรมาณของวสดชวมวลทเกดขนจากกจกรรม
การปลกมะพราว มงเนนไปทการสรางคาสดสวนชวมวลตอ
ผลผลต (RPR) ทเปนคาเฉพาะของพนทศกษา ซงเปนตวแทน
ของพนทในเขตภาคตะวนตก ซงจะน�าไปสการคาดการณ
ปรมาณวสดชวมวลทจะเกดขน และ ศกยภาพเชงพลงงานท
ไดใกลเคยงความเปนจรงกบบรบทเชงพนท
ผลการศกษาสามารถระบคาสดสวนชวมวลตอ
ผลผลต (RPR) ทเฉพาเจาะจงลงไปเฉพาะแตละสวนประกอบ
สงผลใหการคาดการณปรมาณมความละเอยดและแมนย�าขน
ส�าหรบการน�าไปใชประโยชนในอนาคต อาทเชน คาสดสวน
ของกาบแขงตอผลผลต คอ 0.28 คาสดสวนของกาบออนตอ
ผลผลต คอ 0.12 ซงจากเดมถกรวมกนเปนคาสดสวนเปลอก
และกาบมะพราวตอผลผลต คอ 0.33 รวมทงสามารถระบคา
สดสวนของแกนทางบนตอผลผลต คอ 0.10 คาสดสวนของ
แกนทางลาง(กะหมก) คอ 0.14 และ คาสดสวนของเฉพาะใบ
ตอผลผลต คอ 0.04 ซงไมเคยปรากฏในฐานขอมลปจจบนกรม
พฒนาพลงงานทดแทนและอนรกษพลงงาน (Table 4 ) แต
เคยปรากฏในการประเมนศกยภาพพลงงานจากวสดเหลอใช
ทางการเกษตร พ.ศ. 2543 ซงแสดงคารวมกนเปนคาสดสวน
ทางและใบตอผลผลต คอ 0.236
กตตกรรมประกาศ คณะผวจยขอขอบคณ กองทนเพอสงเสรมการอนรกษ
พลงงาน ส�านกงานนโยบายและแผนพลงงาน กระทรวงพลงงาน
ส�าหรบทนสนบสนนการท�าวจย และขอขอบคณมหาวทยาลย
ราชภฎเพชรบรส�าหรบการทนสนบการเผยแพรผลงานใน
ครงน
เอกสารอางอง 1. กรมพฒนาพลงงานทดแทนและอนรกษพลงงาน. ระบบ
รายงานศกยภาพชวมวลในประเทศไทย[อนเทอรเนต].
[เขาถงเมอ 10 ก.ค.2560].เขาถงไดจาก: http://biomass.
dede.go.th/Symfony/web/map/district?year=2556
2. ส�านกงานเศรษฐกจการเกษตร. สถตการเกษตรของ
ประเทศไทยป 2558. กรงเทพมหานคร:โรงพมพ
ส�านกงานพระพทธศาสนาแหงชาต; 2559.
3. กรมพฒนาพลงงานทดแทนและอนรกษ พลงงาน.
ศกยภาพชวมวลในประเทศ [อนเทอรเนต]. [เขาถงเมอ
10 ก.ค.2560].เขาถงไดจาก: http://biomass.dede.go.th/
biomass_web/index.html
4. กรมพฒนาพลงงานทดแทนและอนรกษพลงงาน. รายงาน
พลงงานทดแทนของประเทศไทย ป 2556. ม.ป.ท.; 2556
Kittinun Boonrod et al. J Sci Technol MSU346
5. บษบา พฤกษาพนธรตน, บญรอด สจจกลนกจ และคณะ.
2555. รายงานวจยฉบบสมบรณ (ฉบบแกไข) โครงการ
แนวทางการสงเสรมมาตรฐานเชอเพลงชวมวลแปรรปใน
ภาคอตสาหกรรม. ส�านกงานกองทนสนบสนนการวจย;
2555. RDG5250083
6. กรมพฒนาพลงงานทดแทนและอนรกษ พลงงาน.
ศกยภาพชวมวลในประเทศ [อนเทอรเนต]; 2543 [เขาถง
เมอ 10 ก.ค.2560].เขาถงไดจาก: http://www2.dede.
go.th/renew/bio_p.htm
7. Auke Koopmans, Jaap Koppejan. Agricultural and
Forest Residues Generation, Utilization & Availability.
Proceedings of Regional Consultation on Modern
Applications of Biomass Energy; 1997 Jan 6-10;
Kuala Lumpur, Malaysia. FAO;1998.
8. Orkide Akgün, , Mika Korkeakoski , Suvisanna
Mustonen, Jyrki Luukkanen . Theoretical Bioenergy
Potential in Cambodia and Laos. Proceedings of
World Renewable Energy Congress 2011; 2011 May
8-13; Sweden. Bioenergy Technology. 2011. p. 335-
342
9. Ezekiel A.A, Francis K., Ahmad A.. Technical analysis
of crop residue biomass energy in an agricultural
region of Ghana. Resources, Conservation and
Recycling 2015; 96; 51– 60.
10. Cochran, W.G.. Sampling Techniques. 2nded. New
York: John Wiley and Sons, Inc.; 1963.
นพนธตนฉบบ
1 วทยาลยพลงงานทดแทน มหาวทยาลยนเรศวร พษณโลก 650001 School of Renewable Energy Technology (SERT), Naresuan University, Phitsanulok 65000, Thailand
* Corresponding author. E-mail address [email protected]
สมรรถนะในระยะยาวของเครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ�าหนายภายใต
สภาวะการใชงานจรง
Long term performance of a grid connected inverter under operation conditions
ฉตรชย ศรสมพนธวงษ1*, รฐพร เงนมศร1, อ�ำนำจ ฉมทว1, คงฤทธ แมนศร1
Chatchai Sirisamphanwong1*, Rattaporn Ngoenmeesri1, Amnaj Chimtavee1, Kongrit Mansiri1
Received: 8 May 2017 ; Accepted: 10 November 2017
บทคดยองำนวจยนเปนกำรศกษำกำรลดลงของประสทธภำพในระยะยำวของเครองแปลงกระแสไฟฟำแบบเชอมตอเขำระบบจ�ำหนำยทม
ใชงำนมำ 9 และ 10 ป เปรยบเทยบกบเครองแปลงกระแสไฟฟำใหมทยงไมใชงำน โดยท�ำกำรทดสอบตำมมำตรฐำน IEC
61683:1999 ผลจำกกำรทดสอบพบวำประสทธภำพเครองแปลงกระแสไฟฟำทผำนกำรใชงำนจะมประสทธภำพลดลงอยำงม
นยส�ำคญ โดยเครองแปลงกระแสไฟฟำทมกำรใชงำนมำนำนกวำ 9 และ 10 ป ทน�ำมำทดสอบมประสทธภำพต�ำกวำเครองแปลง
กระแสไฟฟำใหมทยงไมผำนกำรใชงำน โดยมประสทธภำพสงสดเทำกบ 88.71 และ 87.95% ทก�ำลงไฟฟำขำออกเทำกบ 35
และ 30% ในขณะทเครองแปลงกระแสไฟฟำใหมมประสทธภำพสงสดเทำกบ 91.99% ทก�ำลงไฟฟำขำออกเทำกบ 62.82%
ซงควำมแตกตำงของประสทธภำพเครองแปลงกระแสไฟฟำมคำเปลยนแปลงอยระหวำง 2.65 ถง 12.60% ส�ำหรบเครองแปลง
กระแสไฟฟำทตดตงและใชงำนมำ 10 ป และส�ำหรบเครองแปลงกระแสไฟฟำทตดตงและใชงำนมำ 9 ป มคำเปลยนแปลงอย
ระหวำง 1.53 ถง 11.11% เมอวเครำะหกำรลดลงของประสทธภำพเครองแปลงกระแสไฟฟำตำมมำตรฐำน Euro มคำเทำกบ
90.47, 87.16 และ 86.47% ส�ำหรบเครองแปลงกระแสไฟฟำใหมและทผำนกำรใชงำนมำแลวไมนอยกวำ 9 และ 10 ป ตำมล�ำดบ
และประสทธภำพตำมมำตรฐำน CEC ส�ำหรบเครองแปลงกระแสไฟฟำใหมมคำเทำกบ 91.14% และเครองแปลงกระแสไฟฟำท
ผำนกำรใชงำนมำแลวไมนอยกวำ 9 และ 10 ป เทำกบ 87.41 และ 86.83% ตำมล�ำดบ ซงกำรลดลงของประสทธภำพเครอง
แปลงกระแสไฟฟำตอปตำมมำตรฐำน Euro และมำตรฐำน CEC เทำกบ 0.384 และ 0.422% ตอป
ค�าส�าคญ: เครองแปลงกระแสไฟฟำแบบเชอมตอเขำระบบจ�ำหนำย สมรรถนะระยะยำว กำรลดลงของประสทธภำพ
AbstractThis research reports the long term efficiency degradation of grid connected inverters which were installed for 9 and
10 years. The test procedure followed IEC 61683:1999. From the experimental results, it was shown that the
efficiency of 9 and 10 years’ installation were 87.95 and 88.71%, respectively at the rated/partial output power (Po/P
op)
equals 35% and 30%. While the efficiency of a new grid connected inverter was 91.99% at the rated/partial output
power (Po/P
op) equals 62.82%. The different efficiencies for 9 and 10 years operation and initial installation varied
between 1.53 and 11.11% and 2.65 to 12.60% respectively, which indicated that the inverter efficiency degraded for
the test inverters. The Euro efficiencies of the new inverter, and after 9 and 10 years’ operation were 90.47, 87.16
and 86.47%, respectively and CEC efficiencies were 91.14, 87.41 and 86.83%, respectively. The estimated efficiency
degradation rates are approximately 0.364 and 0.392 %/year respectively.
Keywords: Grid connected inverter Long term performance Efficiency degradation
Chatchai Sirisamphanwong et al. J Sci Technol MSU348
บทน�าประเทศไทยมศกยภำพพลงงำนแสงอำทตยเฉลย 5.05 kWh/m²
ตอวน1 และในบำงพนทของประเทศมศกยภำพพลงงำนแสง
อำทตยเฉลยมำกกวำ 5.55 kWh/m² ซงเมอเปรยบเทยบกบ
ประเทศอนๆ ถอวำมศกยภำพคอนขำงสง ดงนนจงไดมกำร
สงเสรมจำกทำงภำครฐใหมกำรผลตไฟฟำจำกพลงงำนแสง
อำทตยในเชงพำณชยตงแตป 2550 ท�ำใหมผสนใจลงทน
ในกำรผลตไฟฟำจำกพลงงำนแสงอำทตยเปนจ�ำนวนมำก จำก
ขอมลของกรมพฒนำพลงงำนทดแทนและอนรกษพลงงำนระบ
วำ ณ สนป พ.ศ. 2556 ประเทศไทยมปรมำณตดตงโรงไฟฟำ
พลงงำนแสงอำทตยและระบบผลตไฟฟำจำกเซลลแสงอำทตย
แบบตดตงบนหลงคำอยรำว 787 MW2 ซงในเชงพำณชยนน
จะท�ำกำรผลตในรปแบบของระบบผลตไฟฟำจำกเซลลแสง
อำทตยแบบตอเขำระบบจ�ำหนำย (Grid connected PV system)
ซงมสวนประกอบหลกๆ ทมผลตอประสทธภำพของระบบ
โดยตรงอย 2 สวนคอ แผงเซลลแสงอำทตย (PV module) และ
เครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำย (Grid tie
inverter) โดยปกตระบบผลตไฟฟำจำกเซลลแสงอำทตยแบบ
ตอเขำระบบจ�ำหนำยจะมอำยกำรท�ำงำนไมต�ำกวำ 25 ป
แตในชวงเวลำนนประสทธภำพของ แผงเซลลแสงอำทตย
และเครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำยจะคอยๆ
ลดลงทกปตำมควำมเสอมสภำพของอปกรณภำยในแผงเซลล
แสงอำทตยและเครองแปลงกระแสไฟฟำ กำรศกษำกำรลดลง
ของประสทธภำพในอปกรณเหลำนมควำมส�ำคญมำกเนองจำก
ขอมลทไดจะถกใชไปในกำรประเมนประสทธภำพและกำรผลต
ไฟฟำจำกระบบผลตไฟฟำจำกเซลลแสงอำทตยแบบตอเขำ
ระบบจ�ำหนำย อกทงยงเปนขอมลใหกบผผลตน�ำไปใชในกำร
พฒนำผลตภณฑใหมคณภำพดยงขน ซงกำรศกษำกำรลดลง
ของประสทธภำพแผงเซลลแสงอำทตยในระยะยำวนนมผศกษำ
มำแลวเปนจ�ำนวนมำกในหลำยๆ กรณ ทงกำรศกษำภำยใน
หองทดลอง3-10 และกำรศกษำเครองแปลงกระแสไฟฟำทมตด
ตงและใชงำนในโรงไฟฟำพลงงำนแสงอำทตย11-16 ซงสวนใหญ
เปนกำรศกษำเพอมงเนนประสทธภำพในชวงเรมตนของกำร
ใชงำนเครองแปลงกระแสไฟฟำ แตในกรณของกำรศกษำกำร
ลดลงของประสทธภำพและคณภำพไฟฟำในระยะยำวของ
เครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำยยงไมไดม
กำรศกษำอยำงจรงจง โดยกำรลดลงของประสทธภำพของ
เครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำยนนสวน
ใหญเกดจำกกำรเสอมสภำพของอปกรณภำยในเครองแปลง
กระแสไฟฟำหลงจำกผำนกำรใชงำนมำนำน โดยกำรเสอมของ
อปกรณในแตละสวนจะสงผลตอประสทธภำพและคณภำพ
ไฟฟำในลกษณะทแตกตำงกนไป ดงนนจงจ�ำเปนตองมกำร
ศกษำผลของกำรลดลงของประสทธภำพในระยะยำวของ
เครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำย เพอจะ
ทรำบถงอตรำกำรลดลงของประสทธภำพและปญหำคณภำพ
ไฟฟำทจะเกดขนในอนำคตหลงจำกใชงำนเครองแปลงกระแส
ไฟฟ ำในระยะยำว กำรศกษำผลของกำรลดลงของ
ประสทธภำพในระยะยำวของเครองแปลงกระแสไฟฟำแบบตอ
เขำระบบจ�ำหนำย นนเปนเรองทส�ำคญมำกเนองจำกกำรเสอม
สภำพของเครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำย
จะสงผลกระทบโดยตรงตอกำรผลตไฟฟำ ท�ำใหผลตไฟฟำได
นอยลง อกทงยงท�ำใหเกดปญหำคณภำพไฟฟำจนไมสำมำรถ
ตอเชอมเขำกบระบบจ�ำหนำยได งำนวจยนมงเนนกำรศกษำ
ผลของกำรลดลงของประสทธภำพในระยะยำวของเครองแปลง
กระแสไฟฟำแบบตอเขำระบบจ�ำหนำย เพอใหทรำบถง
ลกษณะกำรกำรลดลงของประสทธภำพ และคณภำพไฟฟำใน
ระยะยำวของเครองแปลงกระแสไฟฟำแบบตอเขำระบบ
จ�ำหนำย ซงจะสงผลตอกำรสญเสยพลงงำนไฟฟำอยำงไร กอ
ใหเกดปญหำคณภำพไฟฟำอยำงไร และผลกระทบทเกดขน
จะสงผลตอระบบในระยะยำวอยำงไรบำง รวมถงศกษำวธกำร
แกไขปญหำทจะเกดขนในอนำคต
เครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ�าหนาย เครองแปลงกระแสไฟฟำแบบเชอมตอเขำระบบ
จ�ำหนำยทใชงำนรวมกบระบบผลตไฟฟำดวยพลงงำนแสง
อำทตยมกำรน�ำมำใช ในกำรผลตไฟฟำในเชงพำณชย
และตดตงในบรเวณทมระบบจ�ำหนำยเขำถง มหนำทแปลง
ไฟฟำกระแสตรง (DC) จำกแผงเซลลแสงอำทตยใหเปน
ไฟฟำกระแสสลบ (AC) ทไดมำตรฐำนเพอสำมำรถตอเชอม
เขำกบระบบจ�ำหนำยได โดยมหลกกำรท�ำงำนคอ พลงงำน
ไฟฟำกระแสตรงทไดจำกแผงเซลลแสงอำทตยจะถกน�ำเขำ
เครองแปลงกระแสไฟฟำเพอแปลงเปนพลงงำนไฟฟำกระแส
สลบ โดยเครองแปลงกระแสไฟฟำจะตดตำมสญญำณไฟฟำใน
ระบบจ�ำหนำยตลอดเวลำ เพอสรำงสญญำณไฟฟำทมลษณะ
เหมอนกบสญญำณไฟฟำในระบบจ�ำหนำยและผลกดนกระแส
ไฟฟำใหไหลกลบเขำระบบจ�ำหนำย ซงเปนกำรจ�ำหนำยไฟฟำ
คนหรอชวยลดคำไฟฟำในระบบรวมในกรณทกำรใชไฟฟำใน
ระบบมมำกกวำ ดงนนเครองแปลงกระแสไฟฟำชนดนจงม
ควำมซบซอนเปนอยำงมำก และมกำรควบคมสญญำณไฟฟำ
ใหเปนรปคลนไซนบรสทธ (Pure sine wave) ซงเครองแปลง
กระแสไฟฟำแบบเชอมตอเขำระบบจ�ำหนำยมสวนประกอบดง
Figure 1
Long term performance of a grid connected inverter under operation conditions 349Vol 37. No 3, May-June 2018
เครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ าหนาย เครองแปลงกระแสไ ฟฟา แบบเชอมตอเขาระบบจ าหนายทใชงานรวมกบระบบผลตไฟฟาดวยพลงงานแสงอาทตย มการน ามาใชในการผลตไฟฟาในเชงพาณชยและตดตงในบรเวณทมระบบจ าหนายเขาถง มหนาทแปลงไฟฟากระแสตรง (DC) จากแผงเซลลแสงอาทตยใหเปนไฟฟากระแสสลบ (AC) ทไดมาตรฐานเพอสามารถตอเชอมเขากบระบบจ าหนายได โดยมหลกการท างานคอ พลงงานไฟฟากระแสตรงทไดจากแผงเซลลแสงอาทตยจะถกน าเขาเครองแปลงกระแสไฟฟาเพอแปลงเปนพลงงานไฟฟากระแสสลบ
โดยเครองแปลงกระแสไฟฟาจะตดตามสญญาณไฟฟาในระบบจ าหนายตลอดเวลา เพอสรางสญญาณไฟฟาทมลษณะเหมอนกบสญญาณไฟฟาในระบบจ าหนายและผลกดนกระแสไฟฟาใหไหลกลบเขาระบบจ าหนาย ซงเปนการจ าหนายไฟฟาคนหรอชวยลดคาไฟฟาในระบบรวมในกรณทการใชไฟฟาในระบบมมากกวา ดงนนเครองแปลงกระแสไฟฟาชนดนจงมความซบซอนเปนอยางมาก และมกา รควบคมสญญาณไฟฟาใหเปน รปคลนไซนบรสทธ (Pure sine wave) ซงเครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ าหนายมสวนประกอบดง Figure 1
Figure 1 สวนประกอบหลกทส าคญของเครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ าหนาย
เครองแปลงกระแสไฟฟาแบบตอเขาระบบจ าหนายมสวนประกอบทส าคญอย 7 สวน ประกอบดวย ระบบตามหาก าลงไฟฟาสงสด (Maximum Power Point Tracking, MPPT) ท าหนาทหาจดก าลงไฟฟาสงสดของแผงเซลลแสงอาทตย โดยใชการวดคากระแสไฟฟาและแรงดนไฟฟาของแผงเซลลแตละจดท างานและเลอกจดท างานทดทสด อปกรณเปลยนไฟฟากระแสตรง (DC/DC Converter) ท าหนาทปรบแรงดนไฟฟากระแสตรงทไดจากการตามหาก าลงไฟฟาสงสดใหไปอยในระดบแรงดนไฟฟาทเหมาะสม วงจรบรดจ (Bridge) ท าหนาทแปลงไฟฟากระแสตรงใหเปน
ไฟฟากระแสสลบ ตวกรองไฟฟา (Filter) ท าหนาทกรองไฟฟากระแสสลบจาก วงจรบรดจ ใหเปนรปสญญาณไฟฟาใหเปนรปคลนไซนบรสทธ หมอแปลงไฟฟา (Transformer) ท าหนาทถายเทพลง งานไฟฟาจากวงจรไฟฟาหนงไปยงอกวงจรหนง โดยทความถไมเปลยนแปลงเพอเปลยนแปลงแรงดน และกระแสไฟฟา ซงหมอแปลงไฟฟาจะใชไดกบไฟฟากระแสสลบเทานน อปกรณตดตอไฟฟา (Grid disconnected) ท าหนาทเชอมเครองแปลงกระแสไฟฟาเขากบสายสง อปกรณควบคม (Controller) ท าหนาทควบคม การท างานของ MPPT DC/DC Converter Bridge และ Grid
Figure 1 Block diagram of grid-connected inverter
เครองแปลงกระแสไฟฟำแบบตอเขำระบบจ�ำหนำย
มสวนประกอบทส�ำคญอย 7 สวน ประกอบดวย ระบบตำมหำ
ก�ำลงไฟฟำสงสด (Maximum Power Point Tracking, MPPT)
ท�ำหนำทหำจดก�ำลงไฟฟำสงสดของแผงเซลลแสงอำทตย โดย
ใชกำรวดคำกระแสไฟฟำและแรงดนไฟฟำของแผงเซลลแตละ
จดท�ำงำนและเลอกจดท�ำงำนทดทสด อปกรณเปลยนไฟฟำ
กระแสตรง(DC/DC Converter) ท�ำหนำทปรบแรงดนไฟฟำ
กระแสตรงทไดจำกกำรตำมหำก�ำลงไฟฟำสงสดใหไปอยใน
ระดบแรงดนไฟฟำทเหมำะสม วงจรบรดจ (Bridge) ท�ำหนำท
แปลงไฟฟำกระแสตรงใหเปนไฟฟำกระแสสลบ ตวกรองไฟฟำ
(Filter) ท�ำหนำทกรองไฟฟำกระแสสลบจำกวงจรบรดจใหเปน
รปสญญำณไฟฟำใหเปนรปคลนไซนบรสทธ หมอแปลงไฟฟำ
(Transformer) ท�ำหนำทถำยเทพลงงำนไฟฟำจำกวงจรไฟฟำ
หนงไปยงอกวงจรหนง โดยทควำมถไมเปลยนแปลงเพอ
เปลยนแปลงแรงดนและกระแสไฟฟำ ซงหมอแปลงไฟฟำจะ
ใชไดกบไฟฟำกระแสสลบเทำนน อปกรณตดตอไฟฟำ (Grid
disconnected) ท�ำหนำทเชอมเครองแปลงกระแสไฟฟำเขำกบ
สำยสง อปกรณควบคม (Controller) ท�ำหนำทควบคมกำร
ท�ำงำนของ MPPT DC/DC Converter Bridge และ Grid
disconnect ใหท�ำงำนไดอยำงถกตองและแมนย�ำตำมคณสมบต
ทตองกำร แตในเครองแปลงกระแสไฟฟำแบบตอเขำระบบ
จ�ำหนำยบำงรนอำจไมมอปกรณเปลยนไฟฟำกระแสตรง (DC/
DC Converter) และ หมอแปลงไฟฟำ(Transformer) โดยกำร
วเครำะหประสทธภำพของเครองแปลงกระแสไฟฟำ (Inverter
Efficiency : ηINV
) สำมำรถหำไดจำกสมกำร
ηINV
= PINV
/PPV (1)
เมอ
PPV
= ก�ำลงไฟฟำของแผงเซลลแสงอำทตย (kW)
PINV
= ก�ำลงไฟฟำของเครองแปลงกระแสไฟฟำ (kW)
ซง ก�ำลงไฟฟำของแผงเซลลแสงอำทตย (PPV
)
สำมำรถหำไดจำกสมกำร
PPV
= IDC
x VDC
(2)
เมอ
IDC
= กระแสไฟฟำกระแสตรงจำกแผงเซลลแสง
อำทตย (A)
VDC
= แรงดนไฟฟำกระแสตรงจำกแผงเซลลแสง
อำทตย (V)
และก�ำลงไฟฟำของเครองแปลงกระแสไฟฟำ (PINV
)
สำมำรถหำไดจำกสมกำร
PINV
= IAC
x VAC
x cosθ (3)
เมอ
IAC
= กระแสไฟฟำกระแสสลบจำกเครองแปลง
กระแสไฟฟำ (A)
VAC
= แรงดนไฟฟำกระแสสลบจำกเครองแปลง
กระแสไฟฟำ (V)
Cosθ = มมระหวำงกระแสไฟฟำและแรงดนไฟฟำ
กระแสสลบ
Chatchai Sirisamphanwong et al. J Sci Technol MSU350
วธการทดลอง กำรศกษำกำรลดลงของประสทธภำพและคณภำพ
ไฟฟำในระยะยำวของเครองแปลงกระแสไฟฟำแบบเชอมตอ
เขำระบบจ�ำหนำย โดยใชเครองแปลงกระแสไฟฟำแบบเชอมตอ
เขำระบบจ�ำหนำยขนำด 3.5 kW ซงตดตงภำยในวทยำลย
พลงงำนทดแทน มหำวทยำลยนเรศวร ทมกำรใชงำนมำแลว
ไมนอยกวำ 10 ป ตำมมำตรฐำน IEC 61683:1999 (Photovoltaic
system - Power conditioners - Procedure for measuring
efficiency)17 โดยขนตอนกำรทดสอบแสดงดง Figure 2
disconnect ใหท างานไดอยางถกตองและแมนย าตามคณสมบตทตองการ แตในเครองแปลงกระแสไฟฟาแบบตอเขาระบบจ าหนายบางรนอาจไมม อปกรณเปลยนไฟฟากระแสตรง (DC/DC Converter) และ หมอแปลงไฟฟา (Transformer) โดยการวเคราะหประสทธภาพของเครองแปลงกระแสไฟฟา (Inverter Efficiency : INV) สามารถหาไดจากสมการ
INV = PINV/PPV (1) เมอ
PPV = ก าลงไฟฟาของแผงเซลลแสงอาทตย (kW) PINV = ก าลงไฟฟาของเครองแปลงกระแสไฟฟา (kW)
ซง ก าลงไฟฟาของแผงเซลลแสงอาทตย (PPV) สามารถหาไดจากสมการ
PPV = IDC x VDC (2)
เมอ
IDC = กระแสไฟฟา กระแสตรงจากแผงเซลลแสงอาทตย (A)
VDC = แรงดนไฟฟา กระแสตรงจากแผงเซลลแสงอาทตย (V)
และก าลงไฟฟาของเครองแปลงกระแสไฟฟา (PINV) สามารถหาไดจากสมการ
PINV = IAC x VAC x cosθ (3) เมอ
IAC = กระแสไฟฟากระแสสลบจากเครองแปลงกระแสไฟฟา (A)
VAC = แรงดนไฟฟากระแสสลบจากเครองแปลงกระแสไฟฟา (V)
Cosθ = มมระหวางกระแสไฟฟาและแรงดนไฟฟากระแสสลบ วธการทดลอง การศกษา การลดลงของ ประสทธภาพและคณภาพไฟฟา ในระยะยาว ของเครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ าหนาย โดยใช เครองแปลงกระแสไฟฟาแบบเชอมตอเขาระบบจ าหนายขนาด 3.5 kW ซงตดตงภายในวทยาลยพลง งานทดแทน มหาวทยาลยนเรศวร ทมการใชงานมาแลวไมนอยกวา 10 ป ตามมาตรฐาน IEC 61683:1999 (Photovoltaic system - Power conditioners - Procedure for measuring efficiency)17 โดยขนตอนการทดสอบแสดงดง Figure 2
Figure 2 ไดอะแกรมของระบบทดสอบเครองเครองแปลงกระแสไฟฟา
แบบเชอมตอเขาระบบจ าหนาย (IEC 61683)
Figure 2 The testing scheme of the experimental test setup for the grid-connected PV inverters (IEC 61683)
กำรทดสอบใชหองทดสอบ ณ วทยำลยพลงงำน
ทดแทน มหำวทยำลยนเรศวร ส�ำหรบเครองแปลงกระแส
ไฟฟำใชเครองแปลงกระแสไฟฟำแบบเชอมตอเขำระบบ
จ�ำหนำยทตดตงและใชงำนกบระบบผลตไฟฟำดวยเซลลแสง
อำทตยขนำด 10 kW จ�ำนวน 2 เครอง โดยเปนเครองแปลง
กระแสไฟฟำทตดตงและใชงำนมำเปนเวลำ 9 และ 10 ป ณ
วทยำลยพลงงำนทดแทน มหำวทยำลยนเรศวร ซงระบบผลต
ไฟฟำดวยเซลลแสงอำทตยขนำด 10 kW แสดงใน Figure 3
การทดสอบ ใช หองทดสอบ ณ วทยาลยพลงงานทดแทน มหาวทยาลยนเรศวร ส าหรบเครองแปลงกระแสไฟฟาใชเครองแปลงกระแสไฟฟา แบบเชอมตอเขาระบบจ าหนาย ทตดตงและใชงานกบระบบผลตไฟฟาดวยเซลลแสงอาทตยขนาด 10 kW จ านวน
2 เครอง โดยเปนเครองแปลงกระแสไฟฟาท ตดตงและใชงานมาเปนเวลา 9 และ 10 ป ณ วทยาลยพลงงานทดแทน มหาวทยาลยนเรศวร ซงระบบผลตไฟฟาดวยเซลลแสงอาทตยขนาด 10 kW แสดงใน Figure 3
Figure 3 ระบบผลตไฟฟาดวยแผงเซลลแสงอาทตยขนาด 10 kW ทตดตง ณ วทยาลยพลงงานทดแทน มหาวทยาลยนเรศวร จ.พษณโลก
วธการทดสอบจะน า เครองแปลงกระแสไฟฟาทใชในการทดสอบตอเขากบเครองจ าลองระบบผลตไฟฟาดวยแผงเซลลแสงอาทตย (PV array simulator) ยหอ Chroma 62150H-1000S ขนาด 15 kW เพอจ าลองระบบผลตไฟฟาดวยพลงงานแสงอาทตยในฝงขาเขา และในฝงขาออกจะตอเขากบเครองจ าลองระบบจ าหนาย (grid simulator) ยหอ Chroma 61860 ขนาด 60 kW เพอจ าลองระบบจ าหนาย ซงคาก าลงไฟฟาขาเขาและขาออก (Pi/Pip และ Po/Pop) ท าการตรวจวดและบนทกค าโดย Chroma 66204 digital power meter มคาความคลาดเคลอน ±0.1% โดยเครองมอและอปกรณ แสดงใน Figure 4 ซง การ
ทดสอบจะท าการทดสอบ 3 ระดบ โดยการปรบแรงดนไฟฟา ทปอนเขา โดยก าหนด คาแรงดนไฟฟา เทากบ 173 , 230 และ 284 VDC โดย การทดสอบตละครงจะก าหนดคาก าลงไฟฟาท 1 และ 5% ของคาก าลงไฟฟาฝงขาออกของเครองแปลงกระแสไฟฟา หลงจากนนท าการปรบคาก าลงไฟฟาเพมขน ครงละ 5% ของคาก าลงไฟฟา ฝงขาออกจนกระทงครบ 100% ของคาก าลงไฟฟา ฝงขาออกของเครองแปลงกระแสไฟฟาทท าการทดส อบ ส าหรบการทดสอบในแตละครงจะท าการบนทกคาแรงดนไฟฟาขาเขา แรงดนไฟฟาขาออก คากระแสไฟฟา และก าลงไฟฟา โดยท าการบนทกคา
Figure 3 10 KW PV system at the energy park, School of Renewable Energy Technology (SERT), Naresuan
University, Phitsanulok, Thailand.
Long term performance of a grid connected inverter under operation conditions 351Vol 37. No 3, May-June 2018
วธกำรทดสอบจะน�ำเครองแปลงกระแสไฟฟำทใชใน
กำรทดสอบตอเขำกบเครองจ�ำลองระบบผลตไฟฟำดวยแผง
เซลลแสงอำทตย (PV array simulator) ยหอ Chroma
62150H-1000S ขนำด 15 kW เพอจ�ำลองระบบผลตไฟฟำ
ดวยพลงงำนแสงอำทตยในฝงขำเขำ และในฝงขำออกจะตอ
เขำกบเครองจ�ำลองระบบจ�ำหนำย (grid simulator) ยหอ
Chroma 61860 ขนำด 60 kW เพอจ�ำลองระบบจ�ำหนำย
ซงคำก�ำลงไฟฟำขำเขำและขำออก (Pi/P
ip และ P
o/P
op) ท�ำกำร
ตรวจวดและบนทกคำโดย Chroma 66204 digital power
meter มคำควำมคลำดเคลอน ±0.1% โดยเครองมอและ
อปกรณแสดงใน Figure 4 ซงกำรทดสอบจะท�ำกำรทดสอบ
3 ระดบ โดยกำรปรบแรงดนไฟฟำทปอนเขำ โดยก�ำหนด
คำแรงดนไฟฟำเทำกบ 173, 230 และ 284 VDC โดยกำรทด
สอบตละครงจะก�ำหนดคำก�ำลงไฟฟำท 1 และ 5% ของคำ
ก�ำลงไฟฟำฝงขำออกของเครองแปลงกระแสไฟฟำ หลงจำก
นนท�ำกำรปรบคำก�ำลงไฟฟำเพมขนครงละ 5% ของคำก�ำลง
ไฟฟำฝงขำออกจนกระทงครบ 100% ของคำก�ำลงไฟฟำฝงขำ
ออกของเครองแปลงกระแสไฟฟำทท�ำกำรทดสอบ ส�ำหรบกำร
ทดสอบในแตละครงจะท�ำกำรบนทกคำแรงดนไฟฟำขำเขำ
แรงดนไฟฟำขำออก คำกระแสไฟฟำ และก�ำลงไฟฟำ โดย
ท�ำกำรบนทกคำทก 10 วนำท เปนเวลำ 5 นำท และเมอท�ำกำร
เปลยนระดบคำก�ำลงไฟฟำในกำรทดสอบแตละครงจะให
เครองแปลงกระแสไฟฟำท�ำงำนเปนเวลำไมนอยกวำ 5 นำท
เพอใหเครองแปลงกระแสไฟฟำท�ำงำนในสภำวะคงทกอน
ท�ำกำรบนทกคำ ซงคำทท�ำกำรตรวจวดและบนทกจะถกน�ำมำ
วเครำะหประสทธภำพของเครองแปลงกระแสไฟฟำแบบเชอม
ตอเขำระบบจ�ำหนำยในระยะยำว
Figure 4 PV array simulator, grid simulator and digital power meter
วเคราะหผลการทดลอง ผลจำกกำรทดลองพบวำเมอท�ำกำรวเครำะหหำ
ประสทธภำพของเครองแปลงกระแสไฟฟำแบบเชอมตอเขำ
กบระบบจ�ำหนำยทผำนกำรใชงำนมำแลวทระดบแรงดนไฟฟำ
ทปอนเขำเทำกบ 173, 230 และ 284 VDC พบวำทแรงดน
ไฟฟำขำเขำต�ำเครองแปลงกระแสไฟฟำจะมประสทธภำพสง
ทก�ำลงไฟฟำขำออกเทำกบ 0 – 40% และทแรงดนไฟฟำขำ
เขำสงเครองแปลงกระแสไฟฟำจะมประสทธภำพสง ทก�ำลง
ไฟฟำขำออกเทำกบ 40 – 100% แสดงใน Figure 5 โดยท
ระดบแรงดนขำเขำเทำกบ 173 VDC เครองแปลงกระแสไฟฟำ
มประสทธภำพสงสดเทำกบ 88.98 และ 89.94% ส�ำหรบเครอง
แปลงกระแสไฟฟำทใชงำนมำ 9 และ 10 ป ตำมล�ำดบ ทก�ำลง
ไฟฟำขำออกเทำกบ 25% ทระดบแรงดนขำเขำ 230 VDC
ประสทธภำพของเครองแปลงกระแสไฟฟำสงสดเทำกบ 88.03
และ 88.97% ส�ำหรบเครองแปลงกระแสไฟฟำทใชงำนมำ
9 และ 10 ป ตำมล�ำดบ ทก�ำลงไฟฟำขำออกเทำกบ 35 และ
Chatchai Sirisamphanwong et al. J Sci Technol MSU352
25% และทระดบแรงดนขำเขำ 284 VDC เครองแปลงกระแส
ไฟฟำมประสทธภำพสงทสดเทำกบ 87.89 และ 88.06%
ส�ำหรบเครองแปลงกระแสไฟฟำทใชงำนมำ 9 และ 10 ป ตำม
ล�ำดบ ทก�ำลงไฟฟำขำออกเทำกบ 50% แสดงใน Figure 5 ซง
จำกขอมลพบวำเครองแปลงกระแสไฟฟำจะมประสทธภำพ
สงสดทกระแสไฟฟำขำเขำประมำณ 6 ADC
65.0
67.0
69.0
71.0
73.0
75.0
77.0
79.0
81.0
83.0
85.0
87.0
89.0
91.0
93.0
95.0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Inve
rter
Eff
icie
ncy
Output Power/Rated Power (%)
10 years old grid connected inverter (284V) 9 years old grid connected inverter (284V)10 years old grid connected inverter (230V) 9 years old grid connected inverter (230V)10 years old grid connected inverter (173V) 9 years old grid connected inverter (173V)New grid connected inverter
Figure 5 The efficiency of the 9 years old and 10 years old grid connected inverter with testing voltage at 173, 230
and 281 VDC
จำกขอมลพบวำเครองแปลงกระแสไฟฟำทคำแรงดน
ไฟฟำทปอนเขำต�ำ สงผลใหประสทธภำพของเครองแปลง
กระแสไฟฟำสงทก�ำลงไฟฟำขำออกต�ำและประสทธภำพของ
เครองแปลงกระแสไฟฟำกจะตกลงหลงจำกทประสทธภำพขน
ไปสงสด และผลจำกกำรวเครำะหขอมลทไดจำกกำรทดสอบ
สำมำรถสรปไดวำกระแสไฟฟำทปอนเขำใหกบเครองแปลง
กระแสไฟฟำ สงผลโดยตรงตอประสทธภำพเครองแปลงกระแส
ไฟฟำเมอคำกระแสไฟฟำทปอนเขำมคำมำกกวำ 6 ADC แต
เนองจำกประสทธภำพของเครองแปลงกระแสไฟฟำทมำจำก
บรษทผผลตเปนกำรใชคำเฉลยแรงดนไฟฟำขำเขำ ดงนน
งำนวจยนจงท�ำกำรเปรยบเทยบประสทธภำพของเครองแปลง
กระแสไฟฟำทมกำรใชงำนมำแลวเทยบกบเครองใหมทยงไม
ไดใชงำน เพอประเมนกำรลดลงของประสทธภำพของเครอง
แปลงกระแสไฟฟำดงแสดงใน Figure 6 เปนกำรเปรยบเทยบ
ประสทธภำพเครองแปลงกระแสไฟฟำเฉลยจำกคำแรงดน
ไฟฟำขำเขำ ซงจำกรปพบวำประสทธภำพเครองแปลงกระแส
ไฟฟำทใชงำนจะมประสทธภำพลดลงอยำงมนยส�ำคญ โดย
เครองแปลงกระแสไฟฟำทมกำรใชงำนมำนำนกวำ 9 และ 10 ป
จะมประสทธภำพต�ำกวำเครองใหมทยงไมผำนกำรใชงำน โดย
มประสทธภำพสงสดเทำกบ 87.95 และ 88.71% ทก�ำลงไฟฟำ
ขำออกเทำกบ 35 และ 30% ในขณะทเครองแปลงกระแสไฟฟำ
ใหมมประสทธภำพสงสดเทำกบ 91.99% ทก�ำลงไฟฟำขำออก
เทำกบ 62.82% นอกจำกนเครองแปลงกระแสไฟฟำใหมม
ประสทธภำพสงสดทกระแสไฟฟำขำเขำเทำกบ 10.4 ADC
และเมอท�ำกำรวเครำะหกำรสญเสยในเครองแปลงกระแส
ไฟฟำแบบเชอมตอเขำกบระบบจ�ำหนำย สำมำรถแบงออกเปน
2 กลม กลมแรกคอกำรสญเสยทเกดขนในอปกรณควบคมและ
ระบบแสดงผลตำงๆ เชน จอแสดงผล LCD และไฟสญญำณ
LED เปนตน กลมทสองเปนกำรสญเสยทเกดจำกควำม
ตำนทำนในระบบตำมหำก�ำลงไฟฟำสงสด, อปกรณตดตอ
ไฟฟำและตวกรองไฟฟำ ซงกำรสญเสยทเกดขนจะมควำมแตก
ตำงกนจำกกระแสไฟฟำทปอนเขำและไฟฟำขำออก โดยปกต
คำกำรสญเสยหลกทเกดขนเมอเครองแปลงกระแสไฟฟำเรม
ท�ำงำนจนถงประสทธภำพสงสดเปนกำรสญเสยทเกดจำก
ควำมตำนทำนภำยใน ดวยเหตนจงสำมำรถสรปไดวำกำรสญเสย
ทเกดขนในเครองแปลงกระแสไฟฟำเกดจำกควำมตำนทำน
ภำยในเปนหลก
Long term performance of a grid connected inverter under operation conditions 353Vol 37. No 3, May-June 2018
65.0
67.0
69.0
71.0
73.0
75.0
77.0
79.0
81.0
83.0
85.0
87.0
89.0
91.0
93.0
95.0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Inve
rter
Eff
icie
ncy
Output Power/Rated Power (%)
10 years old grid connected inverter 9 years old grid connected inverter New grid connected inverter
Figure 6 The average input voltage grid connected inverter efficiency curve of the new and 9 years old and 10 years
old grid connected inverters
จำกผลกำรวจยพบวำเครองแปลงกระแสไฟฟำทผำน
กำรใชงำนแลวจะเกดกำรสญเสยมำกกวำเครองแปลงกระแส
ไฟฟำใหมทยงไมผำนกำรใชงำนมำกอน ซงควำมแตกตำงของ
ประสทธภำพเครองแปลงกระแสไฟฟำแบบเชอมตอเขำกบ
ระบบจ�ำหนำยทตดตงและใชงำนมำไมนอยกวำ 9 และ 10 ป
กบเครองแปลงกระแสไฟฟำใหมทยงไมผำนกำรใชงำนแสดง
ใน Figure 7 ซงจำกรปจะพบวำควำมแตกตำงของประสทธภำพ
เครองแปลงกระแสไฟฟำมคำเปลยนแปลงอยระหวำง 2.65 ถง
12.60% ส�ำหรบเครองแปลงกระแสไฟฟำทตดตงและใชงำน
มำไมนอยกวำ 9 ป และเครองแปลงกระแสไฟฟำทตดตงและ
ใชงำนมำไมนอยกวำ 10 ป ประสทธภำพเครองแปลงกระแส
ไฟฟำเปลยนแปลงอยระหวำง 1.53 ถง 11.11% สำมำรถสรป
ไดวำคำควำมแตกตำงของกำรสญเสยของเครองแปลงกระแส
ไฟฟำในระหวำงใชงำนระบบมคำนอยมำก ซงควำมแตกตำง
ของกำรสญเสยเกดจำกสภำพของอปกรณตำงๆ ของเครอง
แปลงกระแสไฟฟำ ไมวำจะเปนอปกรณควบคมและระบบ
แสดงผลของเครองแปลงกระแสไฟฟำแบบเชอมตอเขำกบ
ระบบจ�ำหนำยทตดตงและผำนกำรใชงำนมำนำนกวำ 9 และ
10 ป ซงสงผลใหมกำรใชพลงงำนไฟฟำเพมขนและทคำก�ำลง
ไฟฟำขำออก 100% คำควำมแตกตำงของประสทธภำพเครอง
แปลงกระแสไฟฟำจะมคำเปลยนแปลงอยประมำณ 4.00%
หรอประมำณ 180.84 W ซงสำมำรถบอกไดวำควำมแตกตำง
ของประสทธภำพเกดจำกกำรสญเสยจำกควำมตำนทำน
ภำยใน ซงเกดจำกกำรเสอมสภำพของอปกรณภำยในเครอง
แปลงกระแสไฟฟำแบบเชอมตอเขำกบระบบจ�ำหนำยประกอบ
ดวยระบบตำมหำก�ำลงไฟฟำสงสด, อปกรณตดตอไฟฟำและ
ตวกรองไฟฟำ, (Insulated - Gate Bipolar Transistor, IGBT),
หมอแปลงไฟฟำ, choke และตวเกบประจไฟฟำ เปนตน
Chatchai Sirisamphanwong et al. J Sci Technol MSU354
0.0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
9.0
10.0
11.0
12.0
13.0
14.0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
Inve
rter
Eff
icie
ncy
Output Power/Rated Power (%)
10 years old grid connected inverter 9 years old grid connected inverter
Figure 7 The different efficiency of the new and 9 years old and 10 years old grid connected inverters
เมอท�ำกำรวเครำะหเพอหำประสทธภำพของเครอง
แปลงกระแสไฟฟำแบบเชอมตอเขำระบบจ�ำหนำยทตดตงและ
ใชงำนมำแลวเปนเวลำ 9 และ 10 ป และเครองแปลงกระแส
ไฟฟำทยงไมผำนกำรใชงำน โดยใชมำตรฐำนในกำรหำคำ
ประสทธภำพของเครองแปลงกระแสไฟฟำ 2 สวนคอ
มำตรฐำน European (Euro) และ มำตรฐำน Californian
energy efficiency (CEC) ซงจำกผลกำรวเครำะหพบวำ
ประสทธภำพของเครองแปลงกระแสไฟฟำตำมมำตรฐำน CEC
สงกวำประสทธภำพตำมมำตรฐำน Euro ทงเครองแปลง
กระแสไฟฟำใหมทยงไมผำนกำรใชงำนและทตดตงและใชงำน
มำแลว โดยประสทธภำพเครองแปลงกระแสไฟฟำแบบเชอม
ตอเขำกบระบบจ�ำหนำยตำมมำตรฐำน Euro ส�ำหรบเครอง
แปลงกระแสไฟฟำใหมและเครองแปลงกระแสไฟฟำทผำนกำร
ใชงำนมำแลวไมนอยกวำ 9 และ 10 ป มคำเทำกบ 90.47,
87.16 และ 86.47% ตำมล�ำดบ และประสทธภำพฝง CEC
ส�ำหรบเครองแปลงกระแสไฟฟำใหมมคำเทำกบ 91.14% และ
เครองแปลงกระแสไฟฟำทผำนกำรใชงำนมำแลวไมนอยกวำ
9 และ 10 ป เทำกบ 87.41 และ 86.83% ตำมล�ำดบ เมอ
วเครำะหกำรลดลงของประสทธภำพของเครองแปลงกระแส
ไฟฟำใหมและทผำนกำรใชงำนมำแลวไมนอยกวำ 9 และ 10
ป เทำกบ 4.00 และ 3.31% ส�ำหรบมำตรฐำน Euro และส�ำหรบ
มำตรฐำน CEC มอตรำกำรลดลงของประสทธภำพเครอง
แปลงกระแสไฟฟำเทำกบ 4.31 และ 3.72% และเมอวเครำะห
กำรลดลงของประสทธภำพเครองแปลงกระแสไฟฟำตอป
ส�ำหรบมำตรฐำน Euro และมำตรฐำน CEC เทำกบ 0.384
และ 0.422% ตอป ตำมล�ำดบ ซงรำยละเอยดกำรลดลงของ
ประสทธภำพเครองแปลงกระแสไฟฟำแสดงใน Figure 8
Long term performance of a grid connected inverter under operation conditions 355Vol 37. No 3, May-June 2018
90.4791.14
87.16 87.41
86.4786.83
80.0
81.0
82.0
83.0
84.0
85.0
86.0
87.0
88.0
89.0
90.0
91.0
92.0
93.0
Euro efficiency CEC efficiency
Effic
ienc
y
New grid connected inverter 9 years old grid connected inverter 10 years old grid connected inverter
Figure 8 The Euro and CEC efficiency of the new and 9 years old and 10 years old grid conncted inverters
เมอน�ำขอมลมำท�ำกำรวเครำะหเพอหำสมกำรกำร
ลดลงของประสทธภำพเครองแปลงกระแสไฟฟำ พบวำ
ประสทธภำพเครองแปลงกระแสไฟฟำจะลดลง 0.58% ตอป
ส�ำหรบประสทธภำพตำมมำตรฐำน CEC และ 0.69% ตอป
ส�ำหรบประสทธภำพตำมมำตรฐำน Euro แสดงใน Figure 9
ซงกำรลดลงของประสทธภำพตำมมำตรฐำน CEC จะมคำนอย
กวำ Euro
Figure 8 ประสทธภาพตามมาตรฐาน Euro และ CEC ของเครองแปลงกระแสไฟฟา ทยงไมผานใชงานกบเครองทตดตงและใชงานมาไมนอยกวา 9 และ 10 ป ตามล าดบ
เมอ น าขอมลมาท าการวเคราะห เพอหาสมการ การลดลงของประสทธภาพเครองแปลงกระแสไฟฟา พบวาประสทธภาพเครองแปลงกระแสไฟฟา จะลดลง 0.58% ตอป ส าหรบประสทธภาพตามมาตรฐาน CEC
และ 0.69% ตอป ส าหรบประสทธภาพตามมาตรฐาน Euro แสดงใน Figure 9 ซงการลดลงของประสทธภาพตามมาตรฐาน CEC จะมคานอยกวา Euro
Figure 9 แนวโนมการลดลงของประสทธภาพเครองแปลงกระแสไฟฟาตามมาตรฐาน Euro และ CEC
90.4791.14
87.16 87.4186.47 86.83
80.081.082.083.084.085.086.087.088.089.090.091.092.093.0
Euro efficiency CEC efficiency
Effici
ency
New grid connected inverter 9 years old grid connected inverter 10 years old grid connected inverter
70.0
72.5
75.0
77.5
80.0
82.5
85.0
87.5
90.0
Inver
ter E
fficie
ncy
Year
Euro CEC
y = -0.58X + 88.57
y = -0.69X + 88.54
Figure 9 The decline in The Euro and CEC efficiency of grid connected inverters
Chatchai Sirisamphanwong et al. J Sci Technol MSU356
สรปผลการทดลองจำกผลกำรทดสอบเพอประเมนประสทธภำพในระยะยำวของ
เครองแปลงกระแสไฟฟำแบบเชอมตอเขำระบบจ�ำหนำยทตด
ตงและใชงำนมำไมนอยกวำ 9 และ 10 ป เปรยบเทยบกบ
เครองแปลงกระแสไฟฟำใหมทยงไมผำนใชงำน โดยท�ำกำร
ทดสอบทระดบแรงดนไฟฟำทปอนเขำเทำกบ 173, 230 และ
284 VDC จำกผลกำรทดสอบพบวำทแรงดนไฟฟำขำเขำต�ำ
เครองแปลงกระแสไฟฟำจะมประสทธภำพสงทก�ำลงไฟฟำขำ
ออกเทำกบ 0 – 40% และทแรงดนไฟฟำขำเขำสงเครองแปลง
กระแสไฟฟำจะมประสทธภำพสง ทก�ำลงไฟฟำขำออกเทำกบ
40 – 100% โดยทระดบแรงดนขำเขำเทำกบ 173 VDC เครอง
แปลงกระแสไฟฟำมประสทธภำพสงสดเทำกบ 89.94 และ
88.98% ส�ำหรบเครองแปลงกระแสไฟฟำทใชงำนมำ 9 และ
10 ป ตำมล�ำดบ ทก�ำลงไฟฟำขำออกเทำกบ 25% และทระดบ
แรงดนขำเขำ 230 VDC ประสทธภำพของเครองแปลงกระแส
ไฟฟำสงสดเทำกบ 88.97 และ 88.03% ส�ำหรบเครองแปลง
กระแสไฟฟำทใชงำนมำ 9 และ 10 ป ตำมล�ำดบ ทก�ำลงไฟฟำ
ขำออกเทำกบ 25 และ 35% และทระดบแรงดนขำเขำ 284
VDC เครองแปลงกระแสไฟฟำมประสทธภำพสงทสดเทำกบ
88.06 และ 87.89% ส�ำหรบเครองแปลงกระแสไฟฟำทใชงำน
มำ 9 และ 10 ป ตำมล�ำดบ ทก�ำลงไฟฟำขำออกเทำกบ 50%
และเมอเปรยบเทยบประสทธภำพเครองแปลงกระแสไฟฟำ
เฉลยจำกคำแรงดนไฟฟำขำเขำ พบวำประสทธภำพเครอง
แปลงกระแสไฟฟำทผำนกำรใชงำนจะมประสทธภำพลดลง
อยำงมนยส�ำคญ โดยเครองแปลงกระแสไฟฟำทมกำรใชงำน
มำนำนกวำ 9 และ 10 ป จะมประสทธภำพต�ำกวำเครองใหม
ทยงไมผำนกำรใชงำน โดยมประสทธภำพสงสดเทำกบ 88.71
และ 87.95% ทก�ำลงไฟฟำขำออกเทำกบ 30 และ 35% ใน
ขณะทเครองแปลงกระแสไฟฟำใหมมประสทธภำพสงสด
เทำกบ 91.99% ทก�ำลงไฟฟำขำออกเทำกบ 62.82% ซงควำม
แตกตำงของประสทธภำพเครองแปลงกระแสไฟฟำมคำ
เปลยนแปลงอยระหวำง 1.53 ถง 11.11% ส�ำหรบเครองแปลง
กระแสไฟฟำทตดตงและใชงำนมำไมนอยกวำ 9 ป และส�ำหรบ
เครองแปลงกระแสไฟฟำทตดตงและใชงำนมำไมนอยกวำ 10
ป มคำเปลยนแปลงอยระหวำง 2.65 ถง 12.60% และจำกกำร
วเครำะหพบวำประสทธภำพเครองแปลงกระแสไฟฟำตำม
มำตรฐำน Euro มคำเทำกบ 90.47, 87.16 และ 86.47%
ส�ำหรบเครองแปลงกระแสไฟฟำใหมและทผำนกำรใชงำนมำ
แลวไมนอยกวำ 9 และ 10 ป ตำมล�ำดบ และประสทธภำพตำม
มำตรฐำน CEC ส�ำหรบเครองแปลงกระแสไฟฟำใหมมคำ
เทำกบ 91.14% และเครองแปลงกระแสไฟฟำทผำนกำรใชงำน
มำแลวไมนอยกวำ 9 และ 10 ป เทำกบ 87.41 และ 86.83%
ตำมล�ำดบ เมอวเครำะหกำรลดลงของประสทธภำพเครอง
แปลงกระแสไฟฟำตอปส�ำหรบมำตรฐำน Euro และมำตรฐำน
CEC เทำกบ 0.384 และ 0.422% ตอป ตำมล�ำดบ ซงกำรสญเสย
ทเกดขนเกดจำกกำรเสอมสภำพของอปกรณภำยในเครอง
แปลงกระแสไฟฟำเกดจำกกำรสญเสยจำกควำมตำนทำน
ภำยใน ซงเกดจำกกำรเสอมสภำพของอปกรณภำยในเครอง
แปลงกระแสไฟฟำแบบเชอมตอเขำกบระบบจ�ำหนำยประกอบ
ดวยระบบตำมหำก�ำลงไฟฟำสงสด, อปกรณตดตอไฟฟำและ
ตวกรองไฟฟำ, (Insulated - Gate Bipolar Transistor, IGBT),
หมอแปลงไฟฟำ, choke และตวเกบประจไฟฟำ
กตตกรรมประกาศ งำนวจยนไดรบทนอดหนนกำรวจยจำกมหำวทยำลย
นเรศวร ประจ�ำปงบประมำณ 2559 และขอขอบบคลำกรและ
เจำหนำทวทยำลยพลงงำนทดแทน มหำวทยำลยนเรศวร
ทกทำนในกำรสนบสนนขอมลและค�ำแนะน�ำทเปนประโยชน
สงผลใหงำนวจยนส�ำเรจลลวงไปไดดวยด
เอกสารอางอง1. กรมพฒนำพลงงำนทดแทนและอนรกษพลงงำน กระทรวง
พลงงำน. โครงกำรจดท�ำแผนทศกยภำพพลงงำนแสง
อำทตย จำกขอมลดำวเทยมส�ำหรบประเทศไทย
2. ส�ำนกพฒนำพลงงำนแสงอำทตย กรมพฒนำพลงงำน
ทดแทน และอนรกษพลงงำน: 2557.
3. Weimin W, XiaoLi W, Pan G, Tianhao T. Efficiency
analysis for three phase gird-tied PV inverter. 2008
IEEE international conference on industrial technology
(IEEE ICIT 2008), 2008 IEEE; 2008. p. 1–5.
4. Massimo V, Alin R, Dezso S, Remus T. PV inverter
test setup for European efficiency, static and
dynamic MPPT efficiency evaluation. 11th Interna-
tional conference on optimization of electrical and
electronic equipment, 2008 (OPTIM 2008), IEEE;
2008. p. 433–438.
5. Notton G, Lazarov V, Stoyanov L. Optimal sizing of
a grid-connected PV system for various PV module
technologies and inclinations, inverter efficiency
characteristics and locations. Renewable Energy
2010;35(2):541–54.
6. Ziya Ö, Ahmet MH. Energy conversion efficiency of
single-phase transformerless PV inverters. 8th
International conference on Electrical and Electronics
Long term performance of a grid connected inverter under operation conditions 357Vol 37. No 3, May-June 2018
Engineering, 2013 (ELECO 2013), IEEE; 2013. p.
283–287.
7. Bin G, Jason D, Jih-Sheng L, Chien-Liang C,
Thomas L, Baifeng C. High reliability and efficiency
single-phase transformerless inverter for grid-
connected photovoltaic systems. IEEE Trans Power
Electron 2013;28(5):2235–45.
8. Rampinelli GA, Krenzinger A, ChenloRomero F.
Mathematical models for efficiency of inverters used
in grid connected photovoltaic systems. Renew
Sustain Energy Rev 2014;34:578–87.
9. Xavier C, Guillermo V, Jordi de la H, Helena M.
Contribution to the PV-to-inverter sizing ratio
determination using a custom flexible experimental
setup. Appl Energy 2015;149:35–45.
10. David P, Martin KP. Effect of tariffs on the perfor-
mance and economic benefits of PV-coupled battery
systems. Appl Energy 2016;164:175–87.
11. Achitpon S, Wattanapong R, Nipon K, Suchart Y.
Performance evaluation of a 10 kWp PV power
system prototype for isolated building in Thailand.
Renewable Energy 2010;32(2):1288–00.
12. George M, Bastian Z, George EG, Markus S, Jurgen
HW. Outdoor efficiency of different photovoltaic
system installed in Cyprus and Germany. 33rd
Photovoltaic Specialists Conference, 2008 (PVSC
‘08), IEEE; 2008. p. 1–6.
13. Mun˜oz J, Martı´nez-Moreno F, Lorenzo E. On-site
characterisation and energy efficiency of grid-
connected PV inverters. Prog. Photovolt: Res. Appl
2011;19:192–01.
14. Amnaj C, Nipon K, Kobsak S, Sarayooth V. Evaluation
of PV generator performance and energy supplied
fraction of the 120 kWp PV microgrid system in
Thailand. Energy Proc 2011;9:117–27
15. Amnaj C, Nipon K. PV Generator performance
evaluation and load analysis of the PV microgrid
system in Thailand. Procedia Eng 2012;32:384–91.
16. Maciej P, Witold M. Report on efficiency of
field-installed PV-inverter with focus on radiation
variability. Proceedings of the 20th International
Conference on Mixed Design of Integrated Circuits
and Systems, 2013 (MIXDES 2013), IEEE; 2013. p.
440–43.
17. International Electrotechnical Commission, IEC. IEC
61683:1999 Photovoltaic systems - Power condition-
ers - Procedure for measuring efficiency, IEC; 1999.
นพนธตนฉบบ
1 นสตปรญญาโท, 2ผชวยศาสตราจารย, ภาควชาคณตศาสตร คณะวทยาศาสตร มหาวทยาลยมหาสารคาม อาเภอกนทรวชย จงหวดมหาสารคาม 44150 ประเทศไทย
1 Master’ degree student, 2Assistant Professor, Department of Mathematics, Faculty of Science, Mahasarakham University, Kuntarawichai District, Maha Sarakham 44150, Thailand.
* Corresponding author. Kittisak Saengsura, Centre of Excellence in Mathematics, CHE, Si Ayutthaya Rd., Bangkok 10400, Thailand. [email protected]
ปรภมเชงทอพอโลยแบบเรยบสามญวางนยทวไป
Generalized Ordinary Smooth Topological Spaces
ศศกานต พมพา1, ดรณ บญชาร2, จระนนท ค�าภกด2, กตตศกด แสงสระ2*
Sasikarn Pimpa1, Daruni Boonchari2, Jeeranunt Khampakdee2, Kittisak Saengsura2*
Received: 4 August 2017 ; Accepted: 28 November 2017
บทคดยอ ในบทความน เราไดแนะน�าการวางนยทวไปส�าหรบปรภมเชงทอพอโลยแบบเรยบสามญ ซงเราเรยกวาปรภมเชงทอพอโลยแบบ
เรยบสามญวางนยทวไป และศกษาสมบตบางประการบนปรภมเชงทอพอโลยแบบเรยบสามญวางนยทวไป เชน ตวด�าเนนการ
ปดคลม ตวด�าเนนการภายในและความตอเนองของฟงกชนบนปรภมดงกลาว
ค�าส�าคญ: ปรภมเชงทอพอโลยวางนยทวไป ปรภมเชงทอพอโลยแบบเรยบสามญ ปรภมเชงทอพอโลยแบบเรยบสามญวางนย
ทวไป
Abstract In this paper, we introduce the concept of generalization for ordinary smooth topological space which we call a
generalized ordinary smooth topological space and we also study some properties of such space, for instance, closure
operator, interior operator and continuity.
Keywords: Generalized topological spaces, Ordinary smooth topological spaces, Generalized ordinary smooth
topological spaces.
Introduction and PreliminariesThe concepts of a generalized topology on was first
introduced by Csa´sza´r in as a subset of with the
properties1:
1. ,
2. for all and .
The pair is called a generalized topological
space and is called a generalized topology (briefly ).
In the paper introduced the concepts of ordinary
smooth topology on as a mapping with the
properties2:
,
for all ,
for all ,
where is the powerset of and is a closed
interval [0,1].
The pair is called an ordinary smooth
topological space (briefly, ).
In the paper defined an ordinary smooth closure
and an ordinary smooth interior in and gave the
characterizations of ordinary smooth closure and ordinary
smooth interior2.
Generalized Ordinary Smooth Topological Spaces 359Vol 37. No 3, May-June 2018
In this paper, we define the space which generalizes the
generalized topology on , we call a generalized ordinary
smooth topological space and we also study some
properties on such space and continuous maps between
the ordinary smooth topological spaces.
Results In this section, we define a generalized ordinary
smooth topological space and give an analogue of
generalized ordinary smooth topological space as the result.
Definition 1.1. Let be a nonempty set. Then
a mapping is called a generalized ordinary
smooth topology (briefly ) on if satisfies the
following axioms:
,
for all ,
where is the powerset of and is a closed
interval [0,1].
The pair is called a generalized ordinary
smooth topological space (briefly ). We will denote
the set of all on by .
Example 1.2. Let . We define the
mapping as follows: Let ,
Then .
The operators on which is induced by the
generalized ordinary topologies are defined as follows:
Definition 1.3. Let be a and let
. Then the generalized ordinary smooth closure
and generalized ordinary smooth interior of in are
defined by
,
and
,
respectively.
Example 1.4. From Example 1.2 and let
.Then
and
.
The following propositions are the properties of
Proposition 1.5. Let be a and let
. Then:
If , then and .
.
.
.
.
Proof. (1) Obvious.
(2) For any , we have that
.
The proof of (3), (4) and (5) are easily obtained
from (2).
Proposition 1.6. Let be a and let
. Then:
.
.
.
Proof. (1) Obvious.
(2) For each , using (1), we have that
. Since
,
then .
(c) Since and , and
. Thus .
Proposition 1.7. Let be a and let
. Then:
.
.
.
Proof. The proofs are similar to that of Proposi-
tion 1.6.
Sasikarn Pimpa et al. J Sci Technol MSU360
Definition 1.8. Let be a , and
. Then we define and by
and
,
respectively.
We called a generalized ordinary smooth r-
ravel closure and a generalized ordinary smooth r-
ravel interior.
Then the following results are obtained:
Proposition 1.9. Let be a and let
. Then:
If , then .
If , then .
If there is such that , then .
If there is such that , then .
Proof. (1) Let . Then
, so
,
thus .
Therefore .
(2) Let . Then ,
so . Thus .
(3) Assume that such that . Since
, .
So .
(4) Assume that such that . Since
, .
So
.
Thus . Therefore .
2. Generalized ordinary smooth continuity
In this section, we defined a continuous mapping
on generalized ordinary smooth topological spaces as
follows:
Definition 2.1 Let and be .
Then a mapping is said to be:
A generalized ordinary smooth continuous
(briefly ) if for
all .
A generalized ordinary weakly smooth continu-
ous (briefly ) if for each ,
.
Example 2.2. Let . We define two
mapping as follows: For each ,
and
Cleary, the identity mapping is
, but is not .
The following results are obtained that:
Corollary 2.3. Let and be
and let a mapping . Then: is
iff for all . is
iff
for all .
Proposition 2.4. Let and be
and let a mapping be
. Then:
for all .
for all .
for all .
Proof. (1) Let . Since
,
then .
Thus .
(2) Let , we have .
Then ,
so .
(3) Let .
Then
.
Generalized Ordinary Smooth Topological Spaces 361Vol 37. No 3, May-June 2018
So .
Hence .
The following Corollary is immediate from Defini-
tion 2.1 and Proposition 2.4.
Corollary 2.5. Let and be
and let a mapping be
. Then:
for all .
for all .
for all .
The generalized ordinary smooth open map and
generalized ordinary smooth closed map are defined as
follows:
Definition 2.6. Let and be
. Then a mapping is said to be: a gen-
eralized ordinary smooth open (briefly ) if
for all . a generalized ordinary
smooth closed (briefly ) if
for all .
Example 2.7. Let . We define two
mapping as follows: For each ,
and
Then . Consider the identity
mapping . Then we can see that
is and .
Then we obtain the following result:
Proposition 2.8. Let and be
. If is , then
for each .
Proof. Let . Since
,
.
Definition 2.9. Let and be
. Then a mapping is called a generalized ordinary
smooth homeomorphism if is a bijective and are
generalized ordinary smooth continuous.
Now, we have the relation of generalized ordinary smooth
homeomorphisms, and as follow:
Theorem 2.10. Let and be
and let be a bijective and be
. Then the following statements are
equivalent:
is generalized ordinary smooth homeomorphism.
is .
is .
Proof. (1) (2) Assume that is a generalized ordinary
s m o o t h h o m e o m o r p h i s m . T h e n
. T h u s i s
.
(2) (3) Assume that is . Let , we
have . Since is b i ject ive,
. Thus is .
(3) (1) Assume that is . Let
. Then . Thus
is . Hence is a generalized ordinary
smooth homeomorphism.
References1. Csa´sza´r, A´. Generalized topology, generalized
continuity. Acta Math.Hungar, 2002; 96: 351–357.
2. Jeong G.L., Kul H., Pyung K.L. Closure interior re-
defined and some types of compactness in ordinary
smooth topological spaces. Kor. Journal of Intelligent
Systems, 2013; 1(23): 80-86.
3. Jeong G.L., Kul H., Pyung K.L. Closure interior and
compactness in ordinary smooth topological spaces.
Int. Journal of Fuzzy Logic and Intelligent Systems,
2014; 3(14): 231-239.
Sasikarn Pimpa et al. J Sci Technol MSU362
4. Pyung K.L., Byeong G.R., Kul H. Ordinary smooth
topological spaces. Int. Journal of Fuzzy Logic and
Intelligent Systems, 2012; 1(12): 66-76.
นพนธตนฉบบ
1 นสตระดบปรญญาโท หลกสตรเทคโนโลยสงแวดลอม, คณะสงแวดลอมและทรพยากรศาสตร มหาวทยาลยมหาสารคาม2,3 อาจารย, คณะสงแวดลอมและทรพยากรศาสตร มหาวทยาลยมหาสารคาม1 Master Degree’s Student, Faculty of Environment and Resource Studies, Mahasarakham University, Kantharawichai District, Maha
Sarakham, 44150, Thailand. [email protected] 2,3 Lecturer, Faculty of Environment and Resource Studies, Mahasarakham University, Kantharawichai District, Maha Sarakham, 44150,
Thailand. [email protected]
การดดซบนเกล (Ni2+) โดยแกลบและแกลบทปรบสภาพ
Adsorption of Nickel (Ni2+) by Rice Husk and Modified Rice Husk
นธศ นามชาร1, ปานใจ สอประเสรฐสทธ2, ธายกร พระบ�ารง3
Nitit Namcharee1, Panjai Saueprasearsit2, Thayukorn Prabamroong3
Received: 17 August 2017 ; Accepted: 19 December 2017
บทคดยอการศกษาการบ�าบดนเกล (Ni2+) ดวยกระบวนการดดซบโดยใชแกลบและแกลบทปรบสภาพดวยกระบวนการ Alkali-Acid
Modification เปนตวดดซบ โดยปจจยการดดซบทท�าการศกษาประกอบดวย ความเปนกรด-ดาง ระยะเวลาสมผส และอณหภม
นอกจากน ไดมการศกษากลไกการดดซบ โดยท�าการศกษาไอโซเทอรม จลนศาสตร และอณหพลศาสตรการดดซบ รวมถงการ
คายซบเพอหาวธการในการจดการวสดดดซบหลงผานการดดซบ
ผลการศกษาพบวาสภาวะทเหมาะสมตอการดดซบคอท pH 5 ระยะเวลาสมผส 60 นาท ความเขมขนของนเกลเรมตน
และอณหภมทเหมาะสมท 30 องศาเซลเซยส ซงในสภาวะดงกลาวความสามารถในการดดซบของแกลบและแกลบ ทปรบสภาพ
สงสด 2.80 และ 3.20 มลลกรมตอลตร ตามล�าดบ และเมอน�าผลการศกษาปจจยมาศกษากลไกการดดซบพบวา ไอโซเทอรม
การดดซบสอดคลองกบสมการ Langmuir เปนการดดซบแบบชนเดยว จลนศาสตรการดดซบสอดคลองกบ Pseudo-Second-Order
ซงแสดงใหเหนวาทขนตอนในการก�าหนดอตราเรวของการดดซบขนอยกบปฏกรยาการดดซบทางเคม ปฏกรยาทเกดขนสามารถ
เกดขนไดเอง และเปนปฏกรยาคายความรอน (Exothermic Reaction) ผลจากการศกษาการคายซบพบวาแกลบและแกลบท
ปรบสภาพประสทธภาพมประสทธภาพการคายซบคอนขางต�า ประสทธภาพการคายซบสงสดทความเขมขนของกรดไนตรก
ความเขมขน 1.5 โมลาห มคาเพยง 22.99%, 29.19% ตามล�าดบ จากการศกษาการคายซบวสดหลงจากผานการดดซบควรน�า
ไปฝงกลบอยางปลอดภยเนองจากประสทธภาพการคายซบคอนขางต�าท�าใหสงผลเสยตอสงแวดลอมไดนอย
ค�าส�าคญ: แกลบ แกลบทปรบสภาพ การดดซบ นเกล
AbstractThis research studied adsorption of Nickel (Ni2+) by rice husk and modified rice husk by the Alkali-Acid Modification.
The adsorption factors studied were the acid – base , contact time and temperature. Moreover, we studied adsorption
in isotherm thermodynamics, kinetics and also desorption.
The optimum condition for adsorption was pH 5 with a contact time of 60 minutes and the initial concentration
of Nickel was 50 mg/l of 30°C, in which conditions, the adsorption capacity was 2.80 and 3.20 milligrams per liter,
respectively. The results of the study conducted by the mechanism of adsorption isotherms that’s match with the
Langmuir equation, the adsorption of monolayer, Kinetic match to Pseudo Second Order Reaction to absorption the
second stage, get diffusion within the pores volume and equilibrium. Reaction can occur by itself. That’s an
Exothermic Reaction. The results of the desorption study showed that rice husk and modified rice husk perform the
desorption when the concentration of nitric acid solution of 1.5 M is 22.99% and 29.19% respectively. After the study
of desorption, material should be safely landfilled because of its low effect on the environment.
Keywords: rice husk, modified rice husk, adsorption, nickel
Nitit Namcharee et al. J Sci Technol MSU364
บทน�าปจจบนไดมการน�าโลหะหนกมาใชอยางกวางขวางโดยเฉพาะ
อยางยงนเกลทนยมใชในอตสาหกรรมการผลตแบตเตอร
สแตนเลส และอตสาหกรรมชบโลหะ1 เมอมการน�ามาใชโอกาส
ทโลหะหนกจะปนเป อนลงส ธรรมชาตกจะมมากขน โดย
มาตรฐานน�าทงจากโรงงานอตสาหกรรมอนญาตใหมนเกลปน
เปอนมากบน�าเสยไมเกน 1 มลลกรมตอลตร2 ผลกระทบของ
นเกลทมตอสขภาพมทงชนดเฉยบพลนและเรอรง ท�าใหเกด
ความผดปกตในกระดกและ ไขสนหลง ท�าใหปอดอกเสบและ
เสยชวตได3 จากผลกระทบดงกลาว นกวทยาศาสตรและนกวจย
จ�านวนมากพยายามทจะหาวธการบ�าบดสารดงกลาว ซงวธ
การบ�าบดทใชกนอยางแพรหลาย เชน การตกตะกอนทางเคม
การกรองแบบผนกลบ แตตองใชงบประมาณทสง ส�าหรบงาน
วจยน ผวจยสนใจทจะใชวธการดดซบ เนองจาก ไมมความซบซอน
และงายตอการปฏบต ในการดดซบ ในงานวจยผวจยไดมการ
ใชแกลบและแกลบทปรบสภาพโดยใชโซเดยมไฮดรอกไซด
รวมกบกรดซตรกโดยมความรอนเปนตวเรงปฏกรยาเพอท�าให
เกดปฏกรยาเอสเทอรฟเคชนเปนการเปลยนกลมฟงชนกนอล
ของไฮดรอกซลใหเปนคารบอกซลกเพอเพมประจลบใหกบ
วสด โดยในขนตอนการศกษาผวจยไดท�าการศกษาปจจยตางๆ
เชน ความเปนกรด-ดาง ระยะเวลาสมผส ความเขมขนและ
อณหภมทมผลตอการดดซบ เพอน�ามาอธบายไอโซเทอรม
จลนศาสตร อณหพลศาสตร และไดมการศกษาการคายซบ
เพอหาแนวทางในการจดการกบวสดหลงการดดซบ ทเหมาะสม
อปกรณและวธการ การเตรยมแกลบ
การเตรยมแกลบท�าไดโดยการน�าแกลบมาลางดวย
น�ากลน และน�าไปอบทอณหภม 105°C เปนเวลา 24 ชวโมง
แลวทงไวใหเยนในโถดดความชนท�าการบดและรอนผาน
ตะแกรงเบอร 60 (500 ไมครอน) และ 35 (250 ไมครอน) จาก
นนน�าไปเกบในภาชนะทมฝาปดสนทเพอปองกนความชน
การเตรยมแกลบทปรบสภาพทางเคม
การเตรยมแกลบทปรบสภาพทางเคมท�าไดโดยการ
น�าแกลบมาแชใน NaOH 0.2 M 4 ลตร แลวน�าไปเขยาท
ความเรวรอบ 150 รอบตอนาท ทอณหภมหอง (25ºC±2) เปน
เวลา 2 ชวโมง ดวยเครองเขยาควบคมอณหภม ทงไวหนงคน
จากนนน�ามาลางดวยน�ากลนจนคาความเปนกรด-ดางของน�า
ทผานการลางเทากบน�ากลน ท�าการกรองและน�าไปอบท
อณหภม 80 องศาเซลเซยส เปนเวลา 24 ชวโมง น�าวสดดดซบ
ทผานการปรบสภาพดวย NaOH แชในกรดซตรกความเขมขน
1 M ในอตราสวน 1 : 7 (กรม: มลลลตร) น�าไปเขยาดวย
ความเรว 200 รอบตอนาท ทอณหภม 150 องศาเซลเซยส
เปนเวลา 4 ชวโมง จากนนน�ามาลางดวย น�ากลนจนคาความ
เปนกรด-ดางของน�าทผานการลางเทากบน�ากลน และน�าไป
อบทอณหภม 105°C เปนเวลา 24 ชวโมง ท�าการบดและรอน
ผานตะแกรงเบอร 60 (500 ไมครอน) และ 35 (250 ไมครอน)
เกบในภาชนะทมฝาปดสนทเพอปองกนความชน6
การศกษาคณสมบตของวสดดดซบ
คณสมบตของแกลบและแกลบปรบสภาพเปนการ
ศกษาลกษณะพนทผวของวสดดดซบดวยกลองจลทรรศนแบบ
สองกราด (Scanning Electron Micro-scope; SEM) และ
เครอง Surface Area Analyzer (BET) ยหอ Bel-Japan รน
Bel Sorp moni ll วเคราะหองคประกอบโดยอาศยหลกการ
เลยวเบนรงสเอกซหรอ X-ray Diffracto-meter (XRD) วเคราะห
ตรวจสอบหมฟงกชนโดยใชเครอง Fourier Transform Infrared
Spectrophotometer (FT-IR) รน Tensor 27 วเคราะหขนาด
ของรพรน เสนผาศนยกลาง และปรมาณรพรนเฉลยโดยใช
เครอง BET Surface Area Pore Size and Pore Volume
Distribution Analyzer ยหอ Bel-Japan รน Bel Sorp mini ll
การเตรยมน�าเสยสงเคราะห
ชงนกเกล (II) ไนเตรด เฮกซะไฮเดรต 4.95 กรม จาก
นนเตมน�ากลนใหมปรมาตร 1,000 มลลลตร โดยในสารละลาย
นกเกล 1 มลลลตร จะมนกเกลเทากบ 1 มลลกรมตอลตร
เตรยมไวส�าหรบเจอจางเพอใชในการศกษาปจจยอนๆ
ศกษาปจจยทเหมาะสมตอการดดซบ
งานวจยนท�าการศกษาปจจยทเหมาะสมตอการดดซบ
ในรปแบบการทดลองแบบกะ โดยปจจยการดดซบ ทท�าการ
ศกษาประกอบดวย คา pH (2-7) ระยะเวลาสมผส (0, 5, 10,
15, 30, 60, 120, 240, 360) ความเขมขนของสารละลายนเกล
เรมตน (5, 10, 25, 50, 100 มลลกรมตอลตร) โดยในการดด
ซบใชแกลบและแกลบปรบสภาพเทากบ 250-500 ไมครอน
ปรมาณตวดดซบทใชเทากบ 5 กรมตอลตร และความเรวรอบ
ในการเขยาเทากบ 150 รอบตอนาท ของผสมทผานการดดซบ
จะถกกรองดวยกระดาษกรอง Whatman No.42 ท�าการ
วเคราะหดวยเครอง Atomic Absorption spectrophotometer
(AAS) ยหอ Shimadzu aa-6200 การทดลองมการควบคม
ปจจยทศกษาโดยการก�าหนดชดควบคม (Blank) และท�าการ
ทดลองซ�า 3 ครง (Triplicate Experiments) คาความเขมขน
ทวเคราะหไดจะถกน�ามาหาประสทธภาพการดดซบโดยค�านวณ
Adsorption of Nickel (Ni2+) by Rice Husk and Modified Rice Husk 365Vol 37. No 3, May-June 2018
หารอยละการดดซบดวยสมการท 1
เซลเซยส เปนเวลา 4 ชวโมง จากนนน ามาลางดวย น ากลนจนคาความเปนกรด- ดางของน าทผานการลางเทากบน ากลน และน าไปอบทอณหภม 105°C เปนเวลา 24 ชวโมง ท าการบดและรอนผานตะแกรงเบอร 60 (500 ไมครอน ) และ 35 (250 ไมครอน) เกบในภาชนะทมฝาปดสนทเพอปองกนความชน6
การศกษาคณสมบตของวสดดดซบ คณสมบตของ แกลบ และ แกลบ ปรบสภาพเปนการศกษาลกษณะพนทผวของวสดดดซบดวยกลองจลทรรศนแบบสองกราด (Scanning Electron Micro- scope; SEM) และเครอง Surface Area Analyzer (BET) ยหอ Bel-Japan รน Bel Sorp moni ll วเคราะหองคประกอบโดยอาศยหลกการเลยวเบนรงสเอกซหรอ X-ray Diffracto-meter (XRD) วเคราะหตรวจสอบหมฟงกชนโดยใชเครอง Fourier Transform Infrared Spectrophotometer (FT-IR) รน Tensor 27 วเคราะหขนาดของรพรน เสนผาศนยกลาง และปรมาณรพรนเฉลยโดยใชเครอง BET Surface Area Pore Size and Pore Volume Distribution Analyzer ยหอ Bel-Japan รน Bel Sorp mini ll
การเตรยมน าเสยสงเคราะห
ชงนกเกล (II) ไนเตรด เฮกซะไฮเดรต 4.95 กรม จากนนเตมน ากลนใหมปรมาตร 1,000 มลลลตร โดยในสารละลายนกเกล 1 มลลลตร จะมนกเกลเทากบ 1 มลลกรมตอลตร เตรยมไวส าหรบเจอจางเพอใชในการศกษาปจจยอนๆ
ศกษาปจจยทเหมาะสมตอการดดซบ
งานวจยนท าการศกษาปจจยทเหมาะสมตอ การดดซบในรปแบบการทดลองแบบกะ โดยปจจยการดดซบ ทท าการศกษาประกอบดวย คา pH (2-7) ระยะเวลาสมผส (0, 5, 10, 15, 30, 60, 120, 240, 360) ความเขมขนของสารละลาย นเกลเรมตน (5, 10, 25, 50, 100 มลลกรมตอลตร ) โดยในการดดซบใชแกลบและแกลบปรบสภาพเทากบ 250-500 ไมครอน ปรมาณตวดดซบทใชเทากบ 5 กรมตอลตร และ
ความเรวรอบในการเขยาเทากบ 150 รอบตอนาท ของผสมทผานการดดซบ จะถกกรองดวยกระดาษกรอง Whatman No.42 ท าการวเคราะหดวยเครอง Atomic Absorption spectrophotometer (AAS) ยหอ Shimadzu aa-6200 การทดลองมการควบคมปจจยทศกษาโดยการก าหนดชดควบคม (Blank) และท าการทดลองซ า 3 ครง (Triplicate Experiments) คาความเขมขนทวเคราะหไดจะถกน ามาหาประสทธภาพการดดซบโดยค านวณหารอยละการดดซบดวยสมการท (1)
%Removal = Ci – Cf x 100 (1) Ci เมอ Ci = ความเขมขนเรมตนของโลหะหนก (มลลกรมตอลตร) Cf = ความเขมขนคงเหลอของโลหะหนก (มลลกรมตอลตร) ศกษาไอโซเทอรมของการดดซบ ในการศกษาไอโซเทอรมการดดซบเปนการน าผลการศกษาทไดจากการศกษาผลของคาความเขมขนของสารละลาย นเกล เรมตนและอณหภม มาท าการศกษา โดยสมการทน ามาศกษาประกอบดวย ไอโซเทอรมการดดซบของ แลงเมยร (Langmuir Adsorption Isotherm) ไอโซเทอรมการดดซบของ ฟรนดช (Freudlich Adsorption Isotherm) ไอโซ- เทอรมการดดซบของเทมคน (Temkin Isotherm) และไอโซเทอรมการดดซบของ ฮารคนส- จรา (Harkins-Jura Isotherm) สมการแบบจ าลองไอโซเทอรมการดดซบของแลงเมยรซงมสมมตฐานสมการการดดซบของแลงเมยร มสมมตฐานทวาโมเลกลของตวถกดดซบจะเกดการดดซบบนผ วในต าแหนงทแนนอนของตวดดซบ แตละโมเลกลของตวดดซบเกดการดดซบบนผวแบบ ชนเดยว และมรปสมการดงสมการท 2 และ 37
(2)
(3)
(1)
เมอ Ci = ความเขมขนเรมตนของโลหะหนก (มลลกรม
ตอลตร)
Cf = ความเขมขนคงเหลอของโลหะหนก (มลลกรม
ตอลตร)
ศกษาไอโซเทอรมของการดดซบ
ในการศกษาไอโซเทอรมการดดซบเปนการน�าผล
การศกษาทไดจากการศกษาผลของคาความเขมขนของ
สารละลายนเกลเรมตนและอณหภม มาท�าการศกษา โดย
สมการทน�ามาศกษาประกอบดวย ไอโซเทอรมการดดซบของ
แลงเมยร (Langmuir Adsorption Isotherm) ไอโซเทอรม
การดดซบของ ฟรนดช (Freudlich Adsorption Isotherm)
ไอโซเทอรมการดดซบของเทมคน (Temkin Isotherm) และ
ไอโซเทอรมการดดซบของฮารคนส-จรา (Harkins-Jura Iso-
therm)
สมการแบบจ�าลองไอโซเทอรมการดดซบของ
แลงเมยรซงมสมมตฐานสมการการดดซบของแลงเมยร
มสมมตฐานทวาโมเลกลของตวถกดดซบจะเกดการดดซบบน
ผวในต�าแหนงทแนนอนของตวดดซบแตละโมเลกลของตว
ดดซบเกดการดดซบบนผวแบบ ชนเดยว และมรปสมการ
ดงสมการท 2 และ 37
เซลเซยส เปนเวลา 4 ชวโมง จากนนน ามาลางดวย น ากลนจนคาความเปนกรด- ดางของน าทผานการลางเทากบน ากลน และน าไปอบทอณหภม 105°C เปนเวลา 24 ชวโมง ท าการบดและรอนผานตะแกรงเบอร 60 (500 ไมครอน ) และ 35 (250 ไมครอน) เกบในภาชนะทมฝาปดสนทเพอปองกนความชน6
การศกษาคณสมบตของวสดดดซบ คณสมบตของ แกลบ และ แกลบ ปรบสภาพเปนการศกษาลกษณะพนทผวของวสดดดซบดวยกลองจลทรรศนแบบสองกราด (Scanning Electron Micro- scope; SEM) และเครอง Surface Area Analyzer (BET) ยหอ Bel-Japan รน Bel Sorp moni ll วเคราะหองคประกอบโดยอาศยหลกการเลยวเบนรงสเอกซหรอ X-ray Diffracto-meter (XRD) วเคราะหตรวจสอบหมฟงกชนโดยใชเครอง Fourier Transform Infrared Spectrophotometer (FT-IR) รน Tensor 27 วเคราะหขนาดของรพรน เสนผาศนยกลาง และปรมาณรพรนเฉลยโดยใชเครอง BET Surface Area Pore Size and Pore Volume Distribution Analyzer ยหอ Bel-Japan รน Bel Sorp mini ll
การเตรยมน าเสยสงเคราะห
ชงนกเกล (II) ไนเตรด เฮกซะไฮเดรต 4.95 กรม จากนนเตมน ากลนใหมปรมาตร 1,000 มลลลตร โดยในสารละลายนกเกล 1 มลลลตร จะมนกเกลเทากบ 1 มลลกรมตอลตร เตรยมไวส าหรบเจอจางเพอใชในการศกษาปจจยอนๆ
ศกษาปจจยทเหมาะสมตอการดดซบ
งานวจยนท าการศกษาปจจยทเหมาะสมตอ การดดซบในรปแบบการทดลองแบบกะ โดยปจจยการดดซบ ทท าการศกษาประกอบดวย คา pH (2-7) ระยะเวลาสมผส (0, 5, 10, 15, 30, 60, 120, 240, 360) ความเขมขนของสารละลาย นเกลเรมตน (5, 10, 25, 50, 100 มลลกรมตอลตร ) โดยในการดดซบใชแกลบและแกลบปรบสภาพเทากบ 250-500 ไมครอน ปรมาณตวดดซบทใชเทากบ 5 กรมตอลตร และ
ความเรวรอบในการเขยาเทากบ 150 รอบตอนาท ของผสมทผานการดดซบ จะถกกรองดวยกระดาษกรอง Whatman No.42 ท าการวเคราะหดวยเครอง Atomic Absorption spectrophotometer (AAS) ยหอ Shimadzu aa-6200 การทดลองมการควบคมปจจยทศกษาโดยการก าหนดชดควบคม (Blank) และท าการทดลองซ า 3 ครง (Triplicate Experiments) คาความเขมขนทวเคราะหไดจะถกน ามาหาประสทธภาพการดดซบโดยค านวณหารอยละการดดซบดวยสมการท (1)
%Removal = Ci – Cf x 100 (1) Ci เมอ Ci = ความเขมขนเรมตนของโลหะหนก (มลลกรมตอลตร) Cf = ความเขมขนคงเหลอของโลหะหนก (มลลกรมตอลตร) ศกษาไอโซเทอรมของการดดซบ ในการศกษาไอโซเทอรมการดดซบเปนการน าผลการศกษาทไดจากการศกษาผลของคาความเขมขนของสารละลาย นเกล เรมตนและอณหภม มาท าการศกษา โดยสมการทน ามาศกษาประกอบดวย ไอโซเทอรมการดดซบของ แลงเมยร (Langmuir Adsorption Isotherm) ไอโซเทอรมการดดซบของ ฟรนดช (Freudlich Adsorption Isotherm) ไอโซ- เทอรมการดดซบของเทมคน (Temkin Isotherm) และไอโซเทอรมการดดซบของ ฮารคนส- จรา (Harkins-Jura Isotherm) สมการแบบจ าลองไอโซเทอรมการดดซบของแลงเมยรซงมสมมตฐานสมการการดดซบของแลงเมยร มสมมตฐานทวาโมเลกลของตวถกดดซบจะเกดการดดซบบนผ วในต าแหนงทแนนอนของตวดดซบ แตละโมเลกลของตวดดซบเกดการดดซบบนผวแบบ ชนเดยว และมรปสมการดงสมการท 2 และ 37
(2)
(3)
(2)
เซลเซยส เปนเวลา 4 ชวโมง จากนนน ามาลางดวย น ากลนจนคาความเปนกรด- ดางของน าทผานการลางเทากบน ากลน และน าไปอบทอณหภม 105°C เปนเวลา 24 ชวโมง ท าการบดและรอนผานตะแกรงเบอร 60 (500 ไมครอน ) และ 35 (250 ไมครอน) เกบในภาชนะทมฝาปดสนทเพอปองกนความชน6
การศกษาคณสมบตของวสดดดซบ คณสมบตของ แกลบ และ แกลบ ปรบสภาพเปนการศกษาลกษณะพนทผวของวสดดดซบดวยกลองจลทรรศนแบบสองกราด (Scanning Electron Micro- scope; SEM) และเครอง Surface Area Analyzer (BET) ยหอ Bel-Japan รน Bel Sorp moni ll วเคราะหองคประกอบโดยอาศยหลกการเลยวเบนรงสเอกซหรอ X-ray Diffracto-meter (XRD) วเคราะหตรวจสอบหมฟงกชนโดยใชเครอง Fourier Transform Infrared Spectrophotometer (FT-IR) รน Tensor 27 วเคราะหขนาดของรพรน เสนผาศนยกลาง และปรมาณรพรนเฉลยโดยใชเครอง BET Surface Area Pore Size and Pore Volume Distribution Analyzer ยหอ Bel-Japan รน Bel Sorp mini ll
การเตรยมน าเสยสงเคราะห
ชงนกเกล (II) ไนเตรด เฮกซะไฮเดรต 4.95 กรม จากนนเตมน ากลนใหมปรมาตร 1,000 มลลลตร โดยในสารละลายนกเกล 1 มลลลตร จะมนกเกลเทากบ 1 มลลกรมตอลตร เตรยมไวส าหรบเจอจางเพอใชในการศกษาปจจยอนๆ
ศกษาปจจยทเหมาะสมตอการดดซบ
งานวจยนท าการศกษาปจจยทเหมาะสมตอ การดดซบในรปแบบการทดลองแบบกะ โดยปจจยการดดซบ ทท าการศกษาประกอบดวย คา pH (2-7) ระยะเวลาสมผส (0, 5, 10, 15, 30, 60, 120, 240, 360) ความเขมขนของสารละลาย นเกลเรมตน (5, 10, 25, 50, 100 มลลกรมตอลตร ) โดยในการดดซบใชแกลบและแกลบปรบสภาพเทากบ 250-500 ไมครอน ปรมาณตวดดซบทใชเทากบ 5 กรมตอลตร และ
ความเรวรอบในการเขยาเทากบ 150 รอบตอนาท ของผสมทผานการดดซบ จะถกกรองดวยกระดาษกรอง Whatman No.42 ท าการวเคราะหดวยเครอง Atomic Absorption spectrophotometer (AAS) ยหอ Shimadzu aa-6200 การทดลองมการควบคมปจจยทศกษาโดยการก าหนดชดควบคม (Blank) และท าการทดลองซ า 3 ครง (Triplicate Experiments) คาความเขมขนทวเคราะหไดจะถกน ามาหาประสทธภาพการดดซบโดยค านวณหารอยละการดดซบดวยสมการท (1)
%Removal = Ci – Cf x 100 (1) Ci เมอ Ci = ความเขมขนเรมตนของโลหะหนก (มลลกรมตอลตร) Cf = ความเขมขนคงเหลอของโลหะหนก (มลลกรมตอลตร) ศกษาไอโซเทอรมของการดดซบ ในการศกษาไอโซเทอรมการดดซบเปนการน าผลการศกษาทไดจากการศกษาผลของคาความเขมขนของสารละลาย นเกล เรมตนและอณหภม มาท าการศกษา โดยสมการทน ามาศกษาประกอบดวย ไอโซเทอรมการดดซบของ แลงเมยร (Langmuir Adsorption Isotherm) ไอโซเทอรมการดดซบของ ฟรนดช (Freudlich Adsorption Isotherm) ไอโซ- เทอรมการดดซบของเทมคน (Temkin Isotherm) และไอโซเทอรมการดดซบของ ฮารคนส- จรา (Harkins-Jura Isotherm) สมการแบบจ าลองไอโซเทอรมการดดซบของแลงเมยรซงมสมมตฐานสมการการดดซบของแลงเมยร มสมมตฐานทวาโมเลกลของตวถกดดซบจะเกดการดดซบบนผ วในต าแหนงทแนนอนของตวดดซบ แตละโมเลกลของตวดดซบเกดการดดซบบนผวแบบ ชนเดยว และมรปสมการดงสมการท 2 และ 37
(2)
(3) (3)
เมอ Ce คอ ความเขมขนของสารละลายนเกล ทจดสมดล
(มลลกรมตอลตร) qe คอ ปรมาณของนเกลทถกดดซบตอ
ปรมาณของแกลบหรอแกลบปรบสภาพ (มลลกรมตอกรม) qm
คอ ความสามารถในการดดซบ นเกลสงสด (มลลกรมตอกรม)
และ KLคอ คาคงท แลงเมยรทอณหภมหนงๆ (ลตรตอกรม)
สมการแบบจ�าลองไอโซเทอรมของฟรนดช ซงม
สมมตฐานของการดดซบทวาพนผวของตวดดซบไมเปนเนอ
เดยวกนตลอด (พนผวของตวดดซบมลกษณะขรขระ) พนท
ผวและพลงงานมการกระจายตวเปนแบบ เลขชก�าลง4 และม
รปสมการดงสมการท 4 และ 5
(4)
(5)
เมอ KF คอ คาคงทของฟรนดช (มลลกรมตอกรม)
และ n คอ คาคงทของฟรนดช5 สมการแบบจ�าลองของเทมคน
เปนการอธบายการ ดดซบทางเคม ซงถกพฒนามาจาก
กระบวนการทการเปลยนแปลงของความรอนในการดดซบ
และมรปสมการดงสมการท 6 และ 7
(6)
(7)
เมอ T คอ อณหภมสมบรณ (K) R คอ คาคงทของ
กาซเทากบ 8.314 (จลตอโมลเควล) KT คอ คาคงทสมดล (kJ/
mg) b คอ พลงงานการดดซบ (กโลจลตอโมล)และ β คอ คา
คงทของเทมคน (โมล2ตอกโลจล2)
สมการแบบจ�าลองไอโซเทอรมของฮารคนส-จรา
(Harkins-Jura Isotherm) เปนการอธบายถงการดดซบแบบ
หลายชน (Multilayer) โดยท A และ B จะเปนคาคงทของ
สมการ จะสามารถอธบายการยดเกาะภายในรพรนของตว
ดดซบได ดงสมการท 8
= - log Ce (8)
การศกษาจลนศาสตรของการดดซบ
ในการศกษาจลนศาสตรการดดซบเปนการน�าผลการ
ศกษาทไดจากการศกษาผลของระยะเวลาสมผส (ทความเขม
ขนทแตกตางกน) มาท�าการศกษาโดยใชสมการ Pseudo First
Order, Pseudo Second Order และ Intraparticle Diffusion
ดงสมการ
สมการ Pseudo First Order ดงสมการท 11
ln(qe-q
t) = lnq
e - t (11)
เมอ qe คอ ความสามารถดดซบนเกลทจดสมดล
(มลลกรมตอกรม) qt คอความสามารถในการดดซบ นเกลตอ
ปรมาณแกลบหรอแกลบปรบสภาพ ทเวลาใด ๆ (มลลกรมตอ
กรม) k1 คอคาคงทอตราเรวของปฏกรยาอนดบหนงเทยม
(นาท-1) และ t คอเวลาทใชในการดดซบ (นาท)
Nitit Namcharee et al. J Sci Technol MSU366
สมการ Pseudo-Second-Order ดงสมการท 12
(12)
เมอ k2 คอ คาคงทอตราเรวของปฏกรยาอนดบสอง
เทยม (มลลกรมตอกรม-นาท)
สมการการแพรกระจายของอนภาคภายในตวดดซบ
(Intraparticle Diffusion) ดงสมการท 13
(13)
การศกษาอณหพลศาสตรการดดซบ
พารามเตอรของอณหพลศาสตร เชน Enthalpy
Change (∆H◦) Free Energy Change (∆G◦) และ Entropy
Change (∆S◦) สามารถประมาณโดยใชคาคงทสมดลการ
เปลยนแปลงกบอณหภม การเกด ปฏกรยาการเปลยนแปลง
พลงงานอสระของการดดซบใหผลตามสมการ ดงสมการท 14,
15 และ 16
(14)
(15)
(16)
เมอ ∆G° คอ พลงงานอสระของ Gibbs (kJ/mol-1)
R คอ คาคงทของกาซ (8.314 K−1 mol−1) KL คอ คาคงทสมดล
ทางอณหพลศาสตร และ T คอ คาสมประสทธอณหภม (K)
การค�านวณคา KL สามารถค�านวณได 3 รปแบบ คอ
KL = K
Fn
KL = 1/b
KL = q
e/c
e
แสดงความสมพนธระหวางสมการแลงเมยรและ ฟรนดช
โดยค�านวณคา KL ได 3 รปแบบ ไดแก K
L = K
Fn คา K
F ไดมา
จากคาคงทของสมการฟรนดลช KL = 1/b คา b ไดมาจากคา
คงทของสมการแลงเมยร (KL)
การศกษาการคายซบของโลหะหนก
น�าแกลบและแกลบปรบสภาพทผานการดดซบและ
ผานการอบทอณหภม 80 องศาเซลเซยส เปนเวลา 3 ชวโมง
แลวใสลงในขวดรปชมพขนาด 250 มลลลตร จ�านวน 0.5 กรม
เตมกรดไนตรกความเขมขน 0.5, 1.0 และ 1.5 โมลาห ปรมาตร
100 มลลลตร แลวน�าไปเขยาในเครองเขยาดวยความเรวรอบ
150 รอบตอนาท ทอณหภม 30 องศาเซลเซยส เปนเวลา 30
นาท การแยกตวดดซบโดยการกรอง และวดคาความเขมขน
ของนเกลดวยเครอง AAS หลงจากนนใหค�านวณการคายซบ
จากสมการประสทธภาพการคายซบ14 ดงสมการท 16
D = { } (16)
เมอ D คอ ประสทธภาพการคายซบ (%) Ci คอ ความ
เขมขนเรมตนของสารละลายนเกล (มลลกรมตอลตร) Ce คอ
ความเขมขนของนเกล (ตวถกดดซบ) ในสารละลายทจดสมดล
(มลลกรมตอกรม) และ Cd คอ ความเขมขนของนเกลทเหลอ
อย (มลลกรมตอลตร)
ผลและอภปรายผล ผลศกษาคณสมบตของวสดดดซบ
จากการศกษาคณสมบตของตวดดซบจะแสดงลกษณะ
พนทของแกลบและแกลบปรบสภาพโดยใชเครอง SEM ทก�าลง
ขยาย 500 เทา พบวา การปรบสภาพดวยวธ Alkali-Acid
Modification โดยใชสารละลายโซเดยมไฮดรอกไซด และ
สารละลายกรดซตรกรวมกบความรอนท�าใหพนทผวของวสด
เปลยนสภาพใหเหมาะสมแกการดดซบมากยงขน และยงชวย
ชะลางไขมนและสงสกปรกออกจากพนทผวของวสด อกทง
ยงชวยในการสลายพนธะโควาเลนตระหวางลกนนและเซลลโลส
ไฮโดรไลซเฮมเซลลโลสและการสลายโครงสรางของลกนน
ดง Figure 1 ท�าใหมแนวโนมเพมป ระสทธภาพในการดดซบ
โลหะหนกไดดขน6
∆−
∆ (16)
เมอ ∆G° คอ พลงงานอสระของ Gibbs (kJ/mol-1) R คอ คาคงทของกาซ (8.314 K−1 mol−1) KL คอ คาคงทสมดลทางอณหพลศาสตร และ T คอ คาสมประสทธอณหภม (K)
การค านวณคา KL สามารถค านวณได 3 รปแบบ คอ KL = KF
n KL = 1/b KL = qe/ce
แสดงความสมพนธระหวางสมการแลงเมยรและ ฟรนดช โดยคานวณคา KL ได 3 รปแบบ ไดแก KL = KF
n คา KF ไดมาจากคาคงทของสมการฟรนดลช KL = 1/b คา b ไดมาจากคาคงทของสมการแลงเมยร (KL)
การศกษาการคายซบของโลหะหนก น าแกลบ และแกลบ ปรบสภาพทผานการดดซบและผานการอบทอณหภม 80 องศาเซลเซยส เปนเวลา 3 ชวโมง แลวใสลงในขวดรปชมพขนาด 250 มลลลตร จ านวน 0.5 กรม เตมกรดไนตรกความเขมขน 0.5, 1.0 และ 1.5 โมลาห ปรมาตร 100 มลลลตร แลวน า ไปเขยาในเครองเขยาดวยความเรวรอบ 150 รอบตอนาท ทอณหภม 30 องศาเซลเซยส เปนเวลา 30 นาท การแยกตวดดซบโดยการกรอง และวดคาความเขมขนของนเกลดวยเครอง AAS หลงจากนนใหค า นวณการ
คายซบจากสมการประสทธภาพการคายซบ 14 ดงสมการท (16)
D = { 𝐶𝐶𝑖𝑖−𝐶𝐶𝑒𝑒 −𝐶𝐶𝑑𝑑𝐶𝐶𝑖𝑖−𝐶𝐶𝑑𝑑
} (16) เมอ D คอ ประสทธภาพการคายซบ (%) Ci คอ ความเขมขนเรมตนของสารละลาย นเกล (มลลกรมตอลตร ) Ce คอ ความเขมขนของ นเกล (ตวถกดดซบ ) ในสารละลายทจดสมดล (มลลกรมตอกรม ) และ Cd คอ ความเขมขนของนเกลทเหลออย (มลลกรมตอลตร)
ผลและอภปรายผล
ผลศกษาคณสมบตของวสดดดซบ
จากการศกษาคณสมบตของตวดดซบจะแสดงลกษณะพนทของแกลบและแกลบปรบสภาพโดยใชเครอง SEM ทก าลงขยาย 500 เทา พบวา การปรบสภาพดวยวธ Alkali-Acid Modification โดยใชสารละลายโซเดยมไฮดรอกไซด และสารละลายกรดซตรกรวมกบความรอนท าใหพนทผวของวสดเปลยนสภาพใหเหมาะสมแกการดดซบมากยงขน และยงชวยชะลางไขมนและ สงสกปรกออกจากพนทผวของวสด อกทง ยงชวยในการสลายพนธะโควาเลนตระหวางลกนนและเซลลโลส ไฮโดรไลซเฮมเซลลโลสและการสลายโครงสรางของลกนน ดง Figure 1 ท าใหมแนวโนมเพมประสทธภาพในการดดซบโลหะหนกไดดขน 6
Figure 1 Characteristics of surface area in RH and MRH of adsorption using SEM at times 500 magnification
RH MRH
Figure 1 Characteristics of surface area in RH and MRH of adsorption using SEM at times 500 magnification
Adsorption of Nickel (Ni2+) by Rice Husk and Modified Rice Husk 367Vol 37. No 3, May-June 2018
Figure 2 Characteristics of configuration in RH and MRH of adsorption using X-ray
Figure 3 FT-IR spectra of RH and MRH
ภาพถดมาคอการแสดงองคประกอบของแกลบและแกลบทปรบสภาพทวเคราะหโดยเครอง X-Ray พบวาวสดมโครงสรางทไมแนนอนหรออสณฐาน และเมอหลงจากการปรบสภาพเซลโลสและเฮมเซลโลสทถกก าจดไปจงท าใหเสนกราฟมความเปนระเบยบเพม มากขน ดงแสดง Figure 2 นอกจากน จาก Figure 3 ผลวเคราะห FT-IR จะปรากฏพคท 3400 cm-1 แสดงการสนของ O–H stretching ต าแหนงตอมาพบท 1800 cm-1 แสดงการสนของ C-O ทงหมดเปนหมฟงกชนก ทเปนเอกลกษณเฉพาะของซลกาซงการทแกลบปรบสภาพมกลมฟงกชนตางๆ เพมมากขน ทงนเปนเพราะผลของการท าปฏกรยาโดยกรดซตรกและการใชความรอนเปนตวเรงปฏกรยา ท าใหเกดปฏกรยาเอสเทอรฟ -เคชนเปลยนกลมฟงก ชนจากไฮดรอกซลเปนคารบอก -ซล ซงเปนการเพมไอออนลบ (COO-) ใหแกวสด ท าใหเพม
ความสามารถในการดดซบโลหะหนกท มประจบวกไดเพมมากขน7
Table 1 Characteristics of surface area (RH) and (MRH) of adsorption using BET
Adsorbent BET surface area
(m2/g)
Total pore volume (cm3/g)
Mean pore
diameter (nm)
RH 2.67 1.112 16.713 MRH 3.39 1.145 16.781
จากการศกษาคณสมบตของวสดดดซบ Table 1 พบวาเมอท าการปรบสภาพท าใหวสดดดซบ มคณสมบตทเปลยนไป ไดแก พนทผว ปรมาณรพรนและหมฟงกชน ซงการปรบสภาพวสดดวยวธ Alkali-Acid Modification มแนวโนมสามารถเพม
RH MRH
Figure 2 Characteristics of configuration in RH and MRH of adsorption using X-ray
Figure 3 FT-IR spectra of RH and MRH
ภาพถดมาคอการแสดงองคประกอบของแกลบและแกลบทปรบสภาพทวเคราะหโดยเครอง X-Ray พบวาวสดมโครงสรางทไมแนนอนหรออสณฐาน และเมอหลงจากการปรบสภาพเซลโลสและเฮมเซลโลสทถกก าจดไปจงท าใหเสนกราฟมความเปนระเบยบเพม มากขน ดงแสดง Figure 2 นอกจากน จาก Figure 3 ผลวเคราะห FT-IR จะปรากฏพคท 3400 cm-1 แสดงการสนของ O–H stretching ต าแหนงตอมาพบท 1800 cm-1 แสดงการสนของ C-O ทงหมดเปนหมฟงกชนก ทเปนเอกลกษณเฉพาะของซลกาซงการทแกลบปรบสภาพมกลมฟงกชนตางๆ เพมมากขน ทงนเปนเพราะผลของการท าปฏกรยาโดยกรดซตรกและการใชความรอนเปนตวเรงปฏกรยา ท าใหเกดปฏกรยาเอสเทอรฟ -เคชนเปลยนกลมฟงก ชนจากไฮดรอกซลเปนคารบอก -ซล ซงเปนการเพมไอออนลบ (COO-) ใหแกวสด ท าใหเพม
ความสามารถในการดดซบโลหะหนกท มประจบวกไดเพมมากขน7
Table 1 Characteristics of surface area (RH) and (MRH) of adsorption using BET
Adsorbent BET surface area
(m2/g)
Total pore volume (cm3/g)
Mean pore
diameter (nm)
RH 2.67 1.112 16.713 MRH 3.39 1.145 16.781
จากการศกษาคณสมบตของวสดดดซบ Table 1 พบวาเมอท าการปรบสภาพท าใหวสดดดซบ มคณสมบตทเปลยนไป ไดแก พนทผว ปรมาณรพรนและหมฟงกชน ซงการปรบสภาพวสดดวยวธ Alkali-Acid Modification มแนวโนมสามารถเพม
RH MRH
Figure 2 Characteristics of configuration in RH and MRH of adsorption using X-ray
Figure 2 Characteristics of configuration in RH and MRH of adsorption using X-ray
Figure 3 FT-IR spectra of RH and MRH
ภาพถดมาคอการแสดงองคประกอบของแกลบและแกลบทปรบสภาพทวเคราะหโดยเครอง X-Ray พบวาวสดมโครงสรางทไมแนนอนหรออสณฐาน และเมอหลงจากการปรบสภาพเซลโลสและเฮมเซลโลสทถกก าจดไปจงท าใหเสนกราฟมความเปนระเบยบเพม มากขน ดงแสดง Figure 2 นอกจากน จาก Figure 3 ผลวเคราะห FT-IR จะปรากฏพคท 3400 cm-1 แสดงการสนของ O–H stretching ต าแหนงตอมาพบท 1800 cm-1 แสดงการสนของ C-O ทงหมดเปนหมฟงกชนก ทเปนเอกลกษณเฉพาะของซลกาซงการทแกลบปรบสภาพมกลมฟงกชนตางๆ เพมมากขน ทงนเปนเพราะผลของการท าปฏกรยาโดยกรดซตรกและการใชความรอนเปนตวเรงปฏกรยา ท าใหเกดปฏกรยาเอสเทอรฟ -เคชนเปลยนกลมฟงก ชนจากไฮดรอกซลเปนคารบอก -ซล ซงเปนการเพมไอออนลบ (COO-) ใหแกวสด ท าใหเพม
ความสามารถในการดดซบโลหะหนกท มประจบวกไดเพมมากขน7
Table 1 Characteristics of surface area (RH) and (MRH) of adsorption using BET
Adsorbent BET surface area
(m2/g)
Total pore volume (cm3/g)
Mean pore
diameter (nm)
RH 2.67 1.112 16.713 MRH 3.39 1.145 16.781
จากการศกษาคณสมบตของวสดดดซบ Table 1 พบวาเมอท าการปรบสภาพท าใหวสดดดซบ มคณสมบตทเปลยนไป ไดแก พนทผว ปรมาณรพรนและหมฟงกชน ซงการปรบสภาพวสดดวยวธ Alkali-Acid Modification มแนวโนมสามารถเพม
RH MRH
Figure 3 FT-IR spectra of RH and MRH
ภาพถดมาคอการแสดงองคประกอบของแกลบและ
แกลบทปรบสภาพทวเคราะหโดยเครอง X-Ray พบวาวสดม
โครงสรางทไมแนนอนหรออสณฐาน และเมอหลงจากการปรบ
สภาพเซลโลสและเฮมเซลโลสทถกก�าจดไปจงท�าใหเสนกราฟ
มความเปนระเบยบเพม มากขน ดงแสดง Figure 2 นอกจาก
น จาก Figure 3 ผลวเคราะห FT-IR จะปรากฏพคท 3400
cm-1 แสดงการสนของ O–H stretching ต�าแหนงตอมาพบท
1800 cm-1 แสดงการสนของ C-O ทงหมดเปนหมฟงกชนก ท
เปนเอกลกษณเฉพาะของซลกาซงการทแกลบปรบสภาพม
กลมฟงกชนตางๆ เพมมากขน ทงนเปนเพราะผลของการท�า
ปฏกรยาโดยกรดซตรกและการใชความรอนเปนตวเรง
ปฏกรยา ท�าใหเกดปฏกรยาเอสเทอรฟเคชนเปลยนกลม
ฟงกชนจากไฮดรอกซลเปนคารบอกซล ซงเปนการเพมไอออน
ลบ (COO-) ใหแกวสด ท�าใหเพมความสามารถในการดดซบ
โลหะหนกทมประจบวกไดเพมมากขน7
Table 1 Characteristics of surface area (RH) and (MRH)
of adsorption using BET
Adsorbent BET surface
area
(m2/g)
Total pore
volume
(cm3/g)
Mean pore
diameter
(nm)
RH 2.67 1.112 16.713
MRH 3.39 1.145 16.781
จากการศกษาคณสมบตของวสดดดซบ Table 1 พบ
วาเมอท�าการปรบสภาพท�าใหวสดดดซบ มคณสมบตทเปลยน
ไป ไดแก พนทผว ปรมาณรพรนและหมฟงกชน ซงการปรบ
สภาพวสดดวยวธ Alkali-Acid Modification มแนวโนมสามารถ
เพมประสทธภาพ ในการดดซบใหแกวสดดดซบในการ ดดซบ
ได จากการน�าแกลบและแกลบปรบสภาพไปวดดวยเครอง
Surface Area Analyzer (BET) ซงแสดงใหเหนพนทผว
จ�าเพาะ ขนาดรพรน ปรมาตรรวมของรพรน โดยแกลบและ
แกลบปรบสภาพมพนทผวเทากบ 2.67 ตารางเมตรตอกรม
และ 3.39 ตารางเมตรตอกรม ขนาดรพรนของแกลบและแกลบ
ปรบสภาพมคาเทากบ 1.11 ลกบาศกเซนตเมตรตอกรม และ
Nitit Namcharee et al. J Sci Technol MSU368
1.14 ลกบาศกเซนตเมตรตอกรม ตามล�าดบ จากการศกษา
การกระจายตวของรพรน พบวา รพรนสวนใหญมขนาดอยใน
ชวง 2-50 นาโนเมตร ซงจดว าเปนรพรนขนาดกลาง
(Mesopore) และมขนาดรพรนของแกลบและแกลบปรบสภาพ
โดยเฉลยเทากบ 16.71 นาโนเมตร และ 16.78 นาโนเมตร จาก
การศกษาทไดจะเหนวาพนทผวจ�าเพาะ ปรมาตรรวมของ
รพรน และขนาดของรพรนมคาเพมมากขน เปนผลมาจาก
กระบวนการปรบสภาพ ซงสอดคลองกบผลการศกษาและงาน
วจยทผานมา ทไดท�าการปรบสภาพดวยวธ Alkaline Acid
Modification ดงทไดอธบายไวขางตน
ผลการศกษา pH
ผลจากการศกษาคา pH ทมผลตอประสทธภาพการ
ดดซบนเกลโดยใชแกลบและแกลบปรบสภาพ ผลการศกษา
แสดงดง Figure 4
ประสทธภาพ ในการดดซบใหแกวสดดดซบในการ ดดซบได จากการน าแกลบและแกลบปรบสภาพไปวดดวยเครอง Surface Area Analyzer (BET) ซงแสดงใหเหนพนทผวจ าเพาะ ขนาดรพรน ปรมาตรรวมของ รพรน โดยแกลบและแกลบปรบสภาพมพนทผวเทากบ 2.67 ตารางเมตรตอกรม และ 3.39 ตารางเมตรตอกรม ขนาดรพรนของแกลบและแกลบปรบสภาพมคาเทากบ 1.11 ลกบาศกเซนตเมตรตอกรม และ 1.14 ลกบาศกเซนตเมตรตอกรม ตามล าดบ จากการศกษาการกระจายตวของรพรน พบวา รพรนสวนใหญมขนาดอยในชวง 2-50 นาโนเมตร ซงจดวาเปนรพรนขนาดกลาง (Mesopore) และมขนาดรพรนของแกลบและแกลบปรบสภาพโดยเฉลยเทากบ 16.71 นาโนเมตร และ 16.78 นาโนเมตร จากการศกษาทไดจะเหนวาพนทผวจ าเพาะ ปรมาตรรวมของรพรน และขนาดของรพรนมคาเพมมากขน เปนผลมาจากกระบวนการปร บสภาพ ซงสอดคลองกบผลการศกษาและงานวจยทผานมา ทไดท าการปรบสภาพดวยวธ Alkaline Acid Modification ดงทไดอธบายไวขางตน
ผลการศกษา pH
ผลจากการศกษาคา pH ทมผลตอประสทธภาพการ ดดซบ นเกล โดยใชแกลบ และแกลบปรบสภาพ ผลการศกษาแสดงดง Figure 4
Figure 4 Effect of pH on Ni2+ adsorption
การศกษาพบวาเมอ pH ต า ประสทธภาพการดดซบจะต าเนองจากมไฮโดรเจนไอออนเปนจ านวนมากจงท าใหเกดการแยงจบกบวสดดดซบ และเมอ pH เพมขนประสทธภาพการดดซบกจะเพมขน 8 จากการศกษา ทผานมาพบวา เมอ pH มากกวา 6 นเกลจะตกตะกอน ในรปของนเกลไฮดรอกไซด Ni(OH) 2 จงท าให ไมสามารถแยกแยะระหวางประสทธภาพดารดดซบและการตกตะกอนได ผวจยจงเลอก pH 5 เพอน ามาศกษาปจจยตอไป และเมอท าการเปรยบเทยบระหวางแกลบและแกลบทปรบสภาพ พบวา แกลบทปรบสภาพมประสทธภาพการดดซบทสงกวาเพราะวาการปรบสภาพดวยกระบวนการ Alkali-Acid Modification จะท าใหโครงสรางของวสดเปลยนไป ทงยงเปนการเพมรพรนใหกบวสดจงท าใหประสทธภาพการดดซบสงขน
ผลการศกษาระยะเวลาสมผส
ผลจากการศกษาระยะเวลาสมผสทมผลตอประสทธภาพการดดซบ นเกลโดยใชแกลบ และแกลบปรบสภาพ ผลการศกษาแสดงดง Figure 5
Figure 5 Effect of time on Ni2+ removal rate.
จากการศกษาประสทธภาพการดดซบนเกล ในความเขมขนทแตกตางกน คอทความเขมขน 50 มลลกรมตอลตร และ 100 มลลกรมตอลตร พบวาประสทธภาพการดดซบจะสงขนเมอความเขมขนสงขน ทงน เนองมาจากมปรมาณสารละลายอยในตวท าละลายในปรมาณทมากจงท าใหเกดการแยงจบกบตวดดซบไดมาก และเมอพจารณาตามระยะเวลาสมผสทเพมขน
020406080
100
0 1 2 3 4 5 6 7
adso
rption
effic
iency
(%)
pH
RH
MRH
020406080
100
0 200 400adso
rption
effic
iency
(%)
Time
RH 100mg/l
MRH 100mg/l
RH 50mg/l
MRH 50mg/l
Figure 4 Effect of pH on Ni2+ adsorption
การศกษาพบวาเมอ pH ต�า ประสทธภาพการดดซบ
จะต�าเนองจากมไฮโดรเจนไอออนเปนจ�านวนมากจงท�าใหเกด
การแยงจบกบวสดดดซบ และเมอ pH เพมขนประสทธภาพ
การดดซบกจะเพมขน8 จากการศกษา ทผานมาพบวา เมอ pH
มากกวา 6 นเกลจะตกตะกอน ในรปของนเกลไฮดรอกไซด
Ni(OH)2 จงท�าให ไมสามารถแยกแยะระหวางประสทธภาพ
ดารดดซบและการตกตะกอนได ผวจยจงเลอก pH 5 เพอน�า
มาศกษาปจจยตอไป และเมอท�าการเปรยบเทยบระหวาง
แกลบและแกลบทปรบสภาพ พบวา แกลบทปรบสภาพม
ประสทธภาพการดดซบทสงกวาเพราะวาการปรบสภาพดวย
กระบวนการ Alkali-Acid Modification จะท�าใหโครงสรางของ
วสดเปลยนไป ทงยงเปนการเพมรพรนใหกบวสดจงท�าให
ประสทธภาพการดดซบสงขน
ผลการศกษาระยะเวลาสมผส
ผลจากการศกษาระยะเวลาสมผสทมผลตอประสทธภาพ
การดดซบนเกลโดยใชแกลบและแกลบปรบสภาพ ผลการ
ศกษาแสดงดง Figure 5
ประสทธภาพ ในการดดซบใหแกวสดดดซบในการ ดดซบได จากการน าแกลบและแกลบปรบสภาพไปวดดวยเครอง Surface Area Analyzer (BET) ซงแสดงใหเหนพนทผวจ าเพาะ ขนาดรพรน ปรมาตรรวมของ รพรน โดยแกลบและแกลบปรบสภาพมพนทผวเทากบ 2.67 ตารางเมตรตอกรม และ 3.39 ตารางเมตรตอกรม ขนาดรพรนของแกลบและแกลบปรบสภาพมคาเทากบ 1.11 ลกบาศกเซนตเมตรตอกรม และ 1.14 ลกบาศกเซนตเมตรตอกรม ตามล าดบ จากการศกษาการกระจายตวของรพรน พบวา รพรนสวนใหญมขนาดอยในชวง 2-50 นาโนเมตร ซงจดวาเปนรพรนขนาดกลาง (Mesopore) และมขนาดรพรนของแกลบและแกลบปรบสภาพโดยเฉลยเทากบ 16.71 นาโนเมตร และ 16.78 นาโนเมตร จากการศกษาทไดจะเหนวาพนทผวจ าเพาะ ปรมาตรรวมของรพรน และขนาดของรพรนมคาเพมมากขน เปนผลมาจากกระบวนการปร บสภาพ ซงสอดคลองกบผลการศกษาและงานวจยทผานมา ทไดท าการปรบสภาพดวยวธ Alkaline Acid Modification ดงทไดอธบายไวขางตน
ผลการศกษา pH
ผลจากการศกษาคา pH ทมผลตอประสทธภาพการ ดดซบ นเกล โดยใชแกลบ และแกลบปรบสภาพ ผลการศกษาแสดงดง Figure 4
Figure 4 Effect of pH on Ni2+ adsorption
การศกษาพบวาเมอ pH ต า ประสทธภาพการดดซบจะต าเนองจากมไฮโดรเจนไอออนเปนจ านวนมากจงท าใหเกดการแยงจบกบวสดดดซบ และเมอ pH เพมขนประสทธภาพการดดซบกจะเพมขน 8 จากการศกษา ทผานมาพบวา เมอ pH มากกวา 6 นเกลจะตกตะกอน ในรปของนเกลไฮดรอกไซด Ni(OH) 2 จงท าให ไมสามารถแยกแยะระหวางประสทธภาพดารดดซบและการตกตะกอนได ผวจยจงเลอก pH 5 เพอน ามาศกษาปจจยตอไป และเมอท าการเปรยบเทยบระหวางแกลบและแกลบทปรบสภาพ พบวา แกลบทปรบสภาพมประสทธภาพการดดซบทสงกวาเพราะวาการปรบสภาพดวยกระบวนการ Alkali-Acid Modification จะท าใหโครงสรางของวสดเปลยนไป ทงยงเปนการเพมรพรนใหกบวสดจงท าใหประสทธภาพการดดซบสงขน
ผลการศกษาระยะเวลาสมผส
ผลจากการศกษาระยะเวลาสมผสทมผลตอประสทธภาพการดดซบ นเกลโดยใชแกลบ และแกลบปรบสภาพ ผลการศกษาแสดงดง Figure 5
Figure 5 Effect of time on Ni2+ removal rate.
จากการศกษาประสทธภาพการดดซบนเกล ในความเขมขนทแตกตางกน คอทความเขมขน 50 มลลกรมตอลตร และ 100 มลลกรมตอลตร พบวาประสทธภาพการดดซบจะสงขนเมอความเขมขนสงขน ทงน เนองมาจากมปรมาณสารละลายอยในตวท าละลายในปรมาณทมากจงท าใหเกดการแยงจบกบตวดดซบไดมาก และเมอพจารณาตามระยะเวลาสมผสทเพมขน
020406080
100
0 1 2 3 4 5 6 7
adso
rption
effic
iency
(%)
pH
RH
MRH
020406080
100
0 200 400adso
rption
effic
iency
(%)
Time
RH 100mg/l
MRH 100mg/l
RH 50mg/l
MRH 50mg/l
Figure 5 Effect of time on Ni2+ removal rate.
จากการศกษาประสทธภาพการดดซบนเกล ในความ
เขมขนทแตกตางกน คอทความเขมขน 50 มลลกรมตอลตร
และ 100 มลลกรมตอลตร พบวาประสทธภาพการดดซบจะสง
ขนเมอความเขมขนสงขน ทงน เนองมาจากมปรมาณ
สารละลายอยในตวท�าละลายในปรมาณทมากจงท�าใหเกดการ
แยงจบกบตวดดซบไดมาก และเมอพจารณาตามระยะเวลา
สมผสทเพมขน พบวา ประสทธภาพในการดดซบทความเขม
ขนทงสองมแนวโนมเพมขนตามระยะเวลาทเพมขน ทงน
เนองจากในระยะแรกของการดดซบปรมาณรพรนยงมอยมาก
การดดซบจงเกดขนอยางรวดเรวและเมอเวลาผานไปรพรน
ของตวดดซบลดลงจงท�าใหการดดซบคอยๆลดลงจนถงจด
สมดลของการดดซบ
ผลการศกษาความเขมขนเรมตนตออณหภม
จากการศกษาพบวาเมอความเขมขนของสารละลาย
เพมมากขนประสทธภาพในการดดซบกจะสงขน และเมอ
ท�าการเพมอณหภมจะท�าใหความสามารถในการดดซบลดลง
เพราะวาเปนปฏกรยาทสามารถเกดขนไดเองและเปนปฏกรยา
คายความรอน (Exothermic Reaction) ดงนนอณหภมท
เหมาะสมในการศกษาคออณหภมท 30ºC และความเขมขนท
เหมาะสมคอ 50 มลลกรมตอลตร ผลดง Figure 6
Adsorption of Nickel (Ni2+) by Rice Husk and Modified Rice Husk 369Vol 37. No 3, May-June 2018
พบวา ประสทธภาพในการดดซบทความเขมขนทงสองมแนวโนมเพมขนตามระยะเวลาทเพมขน ทงน เนองจากในระยะแรกของการดดซบปรมาณรพรนยงมอยมากการดดซบจงเกดขนอยางรวดเรวและเมอเวลาผานไปรพรนของตวดดซบลดลงจงท าใหการดดซบคอยๆลดลงจนถงจดสมดลของการดดซบ
ผลการศกษาความเขมขนเรมตนตออณหภม
จากการศกษาพบวา เมอความเข มขนของสารละลายเพมมากขนประสทธภาพในการดดซบกจะสงขน และเมอท าการเพมอณหภมจะท าใหความสามารถในการดดซบลดลงเพราะวาเปนปฏกรยาทสามารถเกดขนไดเองและเปนปฏกรยาคายความรอน (Exothermic Reaction) ดงนนอณหภมทเหมาะสมในการศกษาคออณหภมท 30ºC และความเขมขนทเหมาะสมคอ 50 มลลกรมตอลตร ผลดง Figure 6
Figure 6 Effects of initial Ni2+ concentration on adsorption capacity of RH and MRH
ผลการศกษาไอโซเทอรมการดดซบ
น าคาความเขมขน ตออณหภม ไปท าการศกษา ไอโซเทอมของการดดซบโดยใชสมการของ Langmuir, Frundlich Isotherm เพอหาสมการทเหมาะสมในการอธบายกลไกการดดซบและหาคาความสามารถในการดดซบสงสดแสดงใน Table 2 และ 3 การศกษาไอโซเทอ รม เมอ พจารณาจากคา R2 พบวา มความใกลเคยงกบสมการแลงเมยร ซงสามารถอธบายไดตามทฤษฏของแลงเมยร ได วา การดดซบสามารถเกดไดมากทสดและมความหนาเพยงชนเดยว แตละต าแหนง จะสามารถจบสารทถกดดซบไดเพยงต วเดยวเทานน ซงเปนการดดซบแบบชนเดยว (Monolayer type adsorption)10
Table 2 The parameters of Langmuir Freundlich for RH adsorption.
Langmuir Freundlich Temkin
Harkins-Jura
temp. (oC)
Qm (mg/g)
KL (L/mg)
R2 KF (g/L)
n R2 KT (L/g)
b R2 A B R2
30 2.80 1.25 0.828 1.04 1.57 0.925 3.34 0.25 0.616 0.46 2.83 0.682 45 1.78 0.94 0.945 1.25 1.68 0.764 2.27 0.41 0.477 0.47 2.31 0.788 60 1.74 0.93 0.925 2.08 1.34 0.874 1.96 0.61 0.561 0.26 6.37 0.214
0.00
5.00
10.00
15.00
0 50 100 150
adso
rption
capa
city (
mg/g)
concentration (mg/L)
RH 30°C
RH 45°C
RH 60°C
MRH 30°C
MRH 45°C
MRH 60°C
Figure 6 Effects of initial Ni2+ concentration on adsorption
capacity of RH and MRH
ผลการศกษาไอโซเทอรมการดดซบ
น�าคาความเขมขนตออณหภมไปท�าการศกษา ไอโซ
เทอมของการดดซบโดยใชสมการของ Langmuir, Frundlich
Isotherm เพอหาสมการทเหมาะสมในการอธบายกลไกการดด
ซบและหาคาความสามารถในการดดซบสงสดแสดงใน Table
2 และ 3 การศกษาไอโซเทอรม เมอพจารณาจากคา R2 พบ
วา มความใกลเคยงกบสมการแลงเมยร ซงสามารถอธบายได
ตามทฤษฏของแลงเมยร ไดวา การดดซบสามารถเกดไดมาก
ทสดและมความหนาเพยงชนเดยว แตละต�าแหนง จะสามารถ
จบสารทถกดดซบไดเพยงตวเดยวเทานน ซงเปนการดดซบ
แบบชนเดยว (Monolayer type adsorption)10
Table 2 The parameters of Langmuir Freundlich for RH adsorption.
Langmuir Freundlich Temkin Harkins-Jura
temp.
(oC)
Qm
(mg/g)
KL (L/
mg)
R2 KF
(g/L)
n R2 KT (L/g) b R2 A B R2
30 2.80 1.25 0.828 1.04 1.57 0.925 3.34 0.25 0.616 0.46 2.83 0.682
45 1.78 0.94 0.945 1.25 1.68 0.764 2.27 0.41 0.477 0.47 2.31 0.788
60 1.74 0.93 0.925 2.08 1.34 0.874 1.96 0.61 0.561 0.26 6.37 0.214
Table 3 The parameters of Langmuir Freundlich for MRH adsorption.
Langmuir Freundlich Temkin Harkins-Jura
temp.
(oC)
Qm
(mg/g)
KL
(L/mg)
R2 KF
(g/L)
n R2 KT
(L/g)
b R2 A B R2
30 3.20 0.36 0.969 1.55 2.20 0.747 3.98 0.30 0.416 0.73 0.51 0.557
45 1.72 1.69 0.955 1.59 3.27 0.623 5.34 1.13 0.238 0.67 1.07 0.694
60 2.54 0.05 0.954 2.18 3.05 0.525 4.58 1.04 0.321 0.35 4.50 0.858
ผลการศกษาจลนศาสตรการดดซบ
จากผลการศกษาระยะเวลาทเพมขนท�าใหประสทธภาพ
การดดซบแตกตางกนแสดงวาความเขมขนของนเกลมผลตอ
อตราเรวของการดดซบโดยผลการทดลองดงกลาวจะน�ามา
ศกษากลไกทางจลนศาสตรสมการทจะนามาศกษา ไดแก
Pseudo First Order และ Pseudo Second Order และการ
แพรกระจายภายในอนภาค ดง Table 4
Table 4 Pseudo First Order, Pseudo Second Order and Intraparticle Diffusion constants for adsorption of lead on Rich
Husk and modified Rich Husk.
Concentration
(mg/L)
Pseudo First Order Pseudo Second Order Intraparticle Diffusion
K1
(min-1)
qe
(mg/g)
R2 K2
(mg/g*min-1)
qe
(mg/g)
R2 Kid
(mg*min0.5/g)
Ci
R2
50 RH 7.40 0.06 0.989 39.84 0.007 0.998 3.32 123.19 0.155
100 RH 26.75 0.18 0.977 80.66 0.002 0.999 0.66 61.24 0.014
50 MRH 1.65 0.01 0.975 41.49 0.007 0.998 3.82 171.62 0.118
100MRH 26.95 0.14 0.993 83.33 0.002 0.998 0.53 35.82 0.008
Nitit Namcharee et al. J Sci Technol MSU370
เมอพจารณาจากคา R2 พบวา มความใกลเคยงกบ
สมการ Pseudo Second Order สามารถอธบายไดตามทฤษฏ
ไดวา ในการเคลอนทของไอออนนเกลผาน ชนฟลมของเหลว
และแพรผานเขาไปในรพรนเปนขนตอนในการควบคมอตราเรว
ของการดดซบ11
ผลการศกษาเทอรโมไดนามกซ
การศกษาอณหพลศาสตรการดดซบของแกลบและ
แกลบปรบสภาพ พบวา ∆G° มคาทเปนลบ แสดงใหเหนวา
ปฏกรยาการดดซบดงกลาวสามารถเกดขน ไดเอง (Spontaneous
Reaction) ∆H° อธบายไดวาปฏกรยาการดดซบทเกดขนเปน
ปฏกรยาคายความรอน (Exothermic Reaction) โดยผลของ
แกลบและแกลบปรบสภาพมคาเทากบ -7.68 กโลจลตอโมล
และ -49.43 กโลจลตอโมล และ∆S° ของแกลบและ แกลบปรบ
สภาพ มคาเทากบ -176.39 จลตอโมล- เคลวน และ -26.16
จลตอโมลเคลวน ซงแสดงใหเหนถงการดดซบทเกดขนท�าให
ระบบมความเปนระเบยบมากขน12
ผลการศกษาการคายซบ
ศกษาการคายซบนเกล (Ni2+) โดยใชแกลบและแกลบ
ปรบสภาพ ทภาวะทเหมาะสมตอการดดซบท pH 5 ระยะเวลา
60 นาท ความเขมขนเรมตนท 50 มลลกรมตอลตร อณหภม
30°C น�ามาคายซบโดยใชกรด ไนตรก (NHO3) ทความเขมขน
0.5, 1, และ 1.5 โมลาห ปรมาณ 100 มลลกรม ไดผลการศกษา
ดง Figure 7
ผลการศกษาการคายซบ ศกษาการคายซบ นเกล (Ni2+) โดยใชแกลบและแกลบปรบสภาพ ทภาวะทเหมาะสมตอการดดซบ ท pH 5 ระยะเวลา 60 นาท ความเขมขนเรมตนท 50 มลลกรมตอลตร อณหภม 30°C น ามาคายซบโดยใชกรด ไนตรก (NHO3) ทความเขมขน 0.5, 1, และ 1.5 โมลาห ปรมาณ 100 มลลกรม ไดผลการศกษา ดง Figure 7
Figure 7 Efficiency of desorption
พบวาประสทธภาพการคายซบของแกลบและแกลบปรบสภาพทความเขมขน 0.5 โมลาห มคา 18.75%, 23.85% ทความเขมขน 1 โมลาห 22.02%, 29.03% และทความเขมขน ทความเขมขน 1.5 โมลา ห 22.99%, 29.19% ตามล าดบจะเหนไดวาประสทธภาพการคายซบมแนวโนมสงขนแตไมมากเมอความเขมขนของกรดไนตรกสงขนเนองจากไฮโดรเจนอออน (H+) ของกรดไนตรกไปแทนทของ นเกลอออน (Ni2+) ท าใหนเกลอออน (Ni2+) หลดออกจากตวดดซบสงผลให เกดประสทธ ภาพการคา ยซบ13 จากผลดงกลาวแสดงใหเหนวา แกลบและแกลบปรบสภาพหลงผานการดดซบควรน าไปฝงกลบอยางปลอดภยเนองจาก ยง มคาประสทธภาพการคายซบคอนขางต า เมอน าไปฝงกลบอยางปลอยภยจะสงผลกระทบตอสงแวดลอมไดนอยมาก จากการศกษาทงหมดสามารถสรปไดวาแกลบและแกลบปรบสภาพเปนวสดดดซบทนาสนใจและมประสทธภาพในการดดซบนเกล สรปผลการศกษา
จากผลการศกษา สรปไดวา pH ทเหมาะสมตอการ ดดซบนเกลโดยใชแกลบและแกลบปรบสภาพคอท pH
5 ระยะเวลาในการสมผสคอท 60 นาท ความเขมขนทเหมาะสมคอ 50 มลลกรมตอลตร ทอณหภม 30 องศาเซลเซยส ทสภาวะดงกลาวจะมความสามารถในการดดซบสงสดท 2.80 มลลกรมตอกรม และการศกษา ไอโซเทอรมพบวาสอดคลองกบสมการของแลงเมยรการศกษาจลนศาสตรสอดคลองกบ Pseudo second order อกทงปฏกรยาทเกดขนเปน ปฏกรยาทสามารถเกดขนไดเอง และเปน ปฏก รยา คาย ความรอน ประสทธภาพการคายซบของแกลบและแกลบ ปรบสภาพสงสดอยท 22.99% และ 29.19% เปอรเซนตตามล าดบ ทความเขมขน 1.5 โมลาห วสดหลงการดดซบควรน าไปฝงกลบอยางปลอดภย เนองจาก เปนการสงผลกระทบตอสงแวดลอมนอยทสด กตตกรรมประกาศ ขอขอบคณกองสงเสรมการวจยและบรการวชาการ มหาวทยาลยมหาสารคาม สาหรบทนสนบสนนการวจย ผมอบทนทนอดหนนการวจย ปงบประมาณ 2557 รวมทงคณะสงแวดลอมและทรพยากรศาสตร มหาวทยาลยมหาสารคาม ทใหความอนเคราะหในการใชเครองมอและอปกรณวทยาศาสตร ศ นยเครองมอวทยาศาสตรและเทคโนโลย มหาวทยาลยเทคโนโลยสรนารและคณะทนตแพทยศาสตรมหาวทยาลย ขอนแกน ทใหความอนเคราะหลดหยอนคาวเคราะหคณลกษณะและองคประกอบของตวดดซบ ตลอดจนคณาจารยและเจาหนาทของคณะสงแวดลอมและทรพยากรศาสตรทกทา นทใหค วามเออเฟอในดานตางๆ จนงานวจยสามารถดาเนนการส าเรจลลวงไปไดดวยด
References
1. ชยณรงค ไชยสนธ . 2545. ประสทธภาพในการก าจดโครเมยมและนกเกลจากน าเสยโรงงานชบเคลอบดวยโลหะดวยไฟฟาโดยใชสารปอซโ ซลาน. วทยานพนธปรญญาวทยาศาสตรมหาบณฑต . มหาวทยาลยขอนแกน. ขอนแกน
2. กระทรวงอตสาหกรรม . 2539. มาตรฐานน าทงทระบายออกจากโรงงานอตสาหกรรม
020406080
100
0.5 1 1.5
%Des
orpt
ion
concentration of Nitric acid(mg/L)
MRH
RH
Figure 7 Efficiency of desorption
พบวาประสทธภาพการคายซบของแกลบและแกลบ
ปรบสภาพทความเขมขน 0.5 โมลาห มคา 18.75%, 23.85%
ทความเขมขน 1 โมลาห 22.02%, 29.03% และทความเขมขน
ทความเขมขน 1.5 โมลาห 22.99%, 29.19% ตามล�าดบจะ
เหนไดวาประสทธภาพการคายซบมแนวโนมสงขนแตไมมาก
เมอความเขมขนของกรดไนตรกสงขนเนองจากไฮโดรเจนอออน
(H+) ของกรดไนตรกไปแทนทของนเกลอออน (Ni2+) ท�าให
นเกลอออน (Ni2+) หลดออกจากตวดดซบสงผลใหเกด
ประสทธภาพการคายซบ15 จากผลดงกลาวแสดงใหเหนวา
แกลบและแกลบปรบสภาพหลงผานการดดซบควรน�าไปฝง
กลบอยางปลอดภยเนองจากยงมคาประสทธภาพการคายซบ
คอนขางต�าเมอน�าไปฝงกลบอยางปลอยภยจะสงผลกระทบตอ
สงแวดลอมไดนอยมาก จากการศกษาทงหมดสามารถสรปได
วาแกลบและแกลบปรบสภาพเปนวสดดดซบทนาสนใจและม
ประสทธภาพในการดดซบนเกล
สรปผลการศกษาจากผลการศกษา สรปไดวา pH ทเหมาะสมตอการ ดดซบน
เกลโดยใชแกลบและแกลบปรบสภาพคอท pH 5 ระยะเวลาใน
การสมผสคอท 60 นาท ความเขมขนทเหมาะสมคอ 50
มลลกรมตอลตร ทอณหภม 30 องศาเซลเซยส ทสภาวะ
ดงกลาวจะมความสามารถในการดดซบสงสดท 2.80 มลลกรม
ตอกรม และการศกษา ไอโซเทอรมพบวาสอดคลองกบสมการ
ของแลงเมยรการศกษาจลนศาสตรสอดคลองกบ Pseudo
second order อกทงปฏกรยาทเกดขนเปนปฏกรยาทสามารถ
เกดขนไดเอง และเปนปฏกรยาคายความรอน ประสทธภาพ
การคายซบของแกลบและแกลบปรบสภาพสงสดอยท 22.99%
และ 29.19% เปอรเซนตตามล�าดบ ทความเขมขน 1.5 โมลาห
วสดหลงการดดซบควรน�าไปฝงกลบอยางปลอดภย เนองจาก
เปนการสงผลกระทบตอสงแวดลอมนอยทสด
กตตกรรมประกาศ ขอขอบคณกองสงเสรมการวจยและบรการวชาการ
มหาวทยาลยมหาสารคาม สาหรบทนสนบสนนการวจย ผมอบ
ทนทนอดหนนการวจย ปงบประมาณ 2557 รวมทงคณะ
สงแวดลอมและทรพยากรศาสตร มหาวทยาลยมหาสารคาม
ทใหความอนเคราะหในการใชเครองมอและอปกรณวทยาศาสตร
ศนยเครองมอวทยาศาสตรและเทคโนโลย มหาวทยาลย
เทคโนโลยสรนารและคณะทนตแพทยศาสตรมหาวทยาลย
ขอนแกน ทใหความอนเคราะหลดหยอนคาวเคราะหคณลกษณะ
และองคประกอบของตวดดซบ ตลอดจนคณาจารยและเจา
หนาทของคณะสงแวดลอมและทรพยากรศาสตรทกทานทให
ความเออเฟอในดานตางๆ จนงานวจยสามารถดาเนนการส�าเรจ
ลลวงไปไดดวยด
เอกสารอางอง1. ชยณรงค ไชยสนธ. 2545. ประสทธภาพในการก�าจด
โครเมยมและนกเกลจากน�าเสยโรงงานชบเคลอบดวย
โลหะดวยไฟฟาโดยใชสารปอซโซลาน. วทยานพนธ
Adsorption of Nickel (Ni2+) by Rice Husk and Modified Rice Husk 371Vol 37. No 3, May-June 2018
ปรญญาวทยาศาสตรมหาบณฑต. มหาวทยาลยขอนแกน.
ขอนแกน
2. กระทรวงอตสาหกรรม. 2539. มาตรฐานน�าทงทระบาย
ออกจากโรงงานอตสาหกรรม
3. พรพมล หอสวรรณชย.การบ�าบดโลหะหนกบางชนดในน�า
เสยชมชน โดยวธหญากรอง.วทยานพนธปรญญาวทยา
ศาสตรมหาบณฑต.บณฑตวทยาลย มหาวทยาลย
เกษตรศาสตร
4. Przemysław Bartczak, Małgorzata Norman, Łukasz
Klapiszewski, Natalia Karwan´ ska, Małgorzata
Kawalec, Monika Baczyn´ ska, Marcin Wysokowski,
Jakub Zdarta, Filip Ciesielczyk, Teofil Jesionowski.
Removal of nickel(II) and lead(II) ions from aqueous
solution using peat as a low-cost adsorbent:
A kinetic and equilibrium study. Arabian Journal of
Chemistry (2015)
5. Amira M. Mahmoud, Fatma A. Ibrahim, Seham A.
Shaban, Nadia A. Youssef. Adsorption of heavy
metal ion from aqueous solution by nickel oxide nano
catalyst prepared by different methods. Egyptian
Journal of Petroleum (2015) 24, 27–35
6. Nady A. Fathy, Ola I. El-Shafey, and Laila B. Khalil.
2013(2013). Effectiveness of Alkali-Acid Treatment
inEnhancement the Adsorption Capacity for Rice
Straw : The Removal of Methylene Blue Dye
7. Yusra Safa, Haq Nawaz Bhatti. Kinetic and thermo-
dynamic modeling for the removal of Direct Red-31
and Direct Orange-26 dyes from aqueous solutions
by rice husk. Desalination 272 (2011) 313–322
8. L.Mangaleshwaran, A.Thirulogachandara, V.Rajasekar,
C.Muthukumaranb,K.Rasappan. Batch and fixed bed
column studies on nickel(II) adsorption from aqueous
solution by treated polyurethane foam. Journal of the
Taiwan Institute of Chemical Engineers 55 (2015)
112–118
9. Malihe Fouladgar, Masoud Beheshti, Hassan Sa-
bzyan. Single and binary adsorption of nickel and
copper fromaqueous solutions by γ-alumina nano-
particles: Equilibrium and kinetic modeling. Journal
of Molecular Liquids 211 (2015) 1060–1073
10. Qingge Feng, Qingyu Lin, Fuzhong Gong, Shuichi
Sugita, Masami Shoya. Adsorption of lead and mer-
cury by rice husk ash. Journal of Colloid and Interface
Science 278 (2004) 1–8
11. Nabisab Mujawar Mubarak, Jaya Narayan Sahu,
Ezzat Chan Abdullah, Natesan Subramanian Jaya-
kumar. Rapid adsorption of toxic Pb(II) ions from
aqueous solution using multiwall carbon nanotubes
synthesized by microwave chemical vapor deposition
technique. JOURNAL OF ENVIRONMENTAL SCI-
ENCES XX ( 2 0 1 6
12. อษณย รกษไชยวรรณ, ยพด กลรตนกตวงศ, โกวทยปยะ
มงคลา. การดดซบไอออนเงนโดยไคโตซานเรซน: ผลของ
อณหภม. วารสารวศวสาร ลาดกระบง2558
13. Arameh Masoumi, Khadijeh Hemmati, Mousa Ghaemy.
Low-cost nanoparticles sorbent from modified rice
husk and a copolymer for efficient removal of Pb(II)
and crystal violet from water. Chemosphere 146
(2016)
14. Mandeep Singh, Binoy Sarkar, Bhabananda Biswas,
Jock Churchman , Nanthi S. Bolan. Adsorption-des-
orption behavior of dissolved organic carbon by soil
clayfractions of varying mineralogy. Geoderma 280
(2016) 47–56
15. เกษราพร สอรณ, และ โกวทย ปยะมงคลา. จลนศาสตร
การดดซบไอออนเงนโดยเรซนไคโตซาน. ว.วทย. มข.
40(4) 1285-1300 (2555)
นพนธตนฉบบ
1 นสต,สาขาเทคโนโลยสารสนเทศคณะวทยาการสารสนเทศมหาวทยาลยมหาสารคาม,มหาสารคาม,44150.2 ผชวยศาสตราจารย,อาจารยทปรกษาหนวยวจยสารสนเทศประยกตคณะวทยาการสารสนเทศมหาวทยาลยมหาสารคาม,มหาสารคาม,44150.1 Student,DepartmentofInformationTechnology,FacultyofInformatics,MahasarakhamUniversity,MahaSarakham,Thailand,44150.2 AssistantProfessor,AppliedinformaticsResearchUnit,FacultyofInformatics,MahasarakhamUniversity,MahaSarakham,Thailand,44150.
*Correspondingauthor:Tel:+660868596761Emailaddress:[email protected]
การจ�าแนกความคดเหนของคนไทยเกยวกบสอออนไลนโดยใชการท�าเหมองขอความ
Classifying Thai opinions on online media using text mining
นชนาฎ ปนเมอง1,*, จาร ทองค�า2
Noochanat Pinmuang1, Jaree Thongkam2
Received: 27 March 2017 ; Accepted: 12 October 2017
บทคดยอ เหมองขอความเปนกระบวนการวเคราะหขอมลตวอกษรเพอสกดขอมลทเปนประโยชนจากแหลงขอมล ปจจบนเทคนคในการ
จ�าแนกเหมองขอความมหลายวธ เพย งานวจนนมวตถประสงคเพอคนหาเทคนคการจ�าแนก จาก 5 เทคนคทมประสทธภา คอ
เทคนค Naïve Bayes เทคนค Support Vector Machine (SVM) เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ (Decision
tree) และเทคนค C4.5 ในการเกบรวบรวมขอมลความคดเหนตอการใชบรการพรอมเพยบนสอออนไลนจ�านวนทงหมด
1,570 ขอความ ในกระบวนการคดเลอกค�าบงชเพอใชในการแยกคณลกษณะไดเลอกใชค�าวเศษณเพอท�าการแยกคณลกษณะ
เชงบวกและเชงลบ คณะผวจยไดใชหลกการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนร และชดขอมล
ทดสอบ และวดประสทธภาพการจ�าแนกของแบบจ�าลองดวยคาความถกตอง (Accuracy) คาความแมนย�า (Precision) และคา
ความระลก (Recall) เมอท�าการทดสอบและวดประสทธภาพของโมเดลพบวา เทคนค Naïve Bayes ใหผลดทสดในการจ�าแนก
ขอความคดเหน โดยใหคาความถกตอง 93.88% คาความแมนย�า 94.02% และคาความระลก 93.54%
ค�าส�าคญ เหมองขอความ การจดกลมความคดเหน พรอมเพย
AbstractText mining is one of the most effective data analysis processes using alphabetic methods. Currently, text mining
techniques are classified a variety of ways. This research aims to find the most effectiveness of 5 techniques that were
Naïve Bayes, Support Vector Machine (SVM), K-Nearest Neighbor, Decision tree และ C4.5. The data collected were
all made by the viewers in a total of 1,570 messages. The categorization process divided the data into 2 groups:
positive character and negative character. Interestingly, the process only indicated to that adverbs can be selected as
a core division to produce positive and negative characters. 10-fold cross validation was applied to segment the data
into training and testing sets. Moreover, accuracy, precision and recall were used as the criteria for selecting the most
effective model. It was concluded that the Naïve Bayes technique produced the greatest accuracy in categorizing the
messages with an accuracy score of 93.88%, precision of 94.02% and recall of 93.54%.
Keywords: Text mining, Grouping the opinion, Classification the opinion, Prompt pay
Classifying Thai opinions on online media using text mining 373Vol 37. No 3, May-June 2018
บทน�าพรอมเพย เปนบรการเพมจากการโอนเงนแบบเดมซงถอวา
เปนอกทางเลอกใหมใหประชาชน ผประกอบธรกจและหนวย
งานตาง ๆ ใชในการโอนเงนและรบเงน ท�าใหประชาชนสามารถ
เลอกใช งานไดอกทงท�าใหผ ใช มความสะดวกมากขน1
อยางไรกตามระบบพรอมเพยกยงถกวจารณและมการแสดง
ความคดเ หนทงในแงความคดเหนเชงบวกและเชงลบบนสอ
ออนไลนหลายๆ สอดวยกน โดยเฉพาะบนเฟสบคซงเปนสอ
ออนไลนและค�าวจารณอยในรปแบบของขอความคดเหนซงม
ลกษณะเปนภาษาธรรมชาตหรอภาษาพดนนเอง ถอวาเปน
ลกษณะภาษาทไมเปนทางการและไมมรปแบบทแนนอน ดงนน
กระบวนกา รวเคราะหขอความจะมรปแบบทแตกตางกนออก
ไปตามลก ษณะของความซบซอนทางความหมายของค�าและ
ประโยค
เหมองขอความเปนกระบวนการเพอสกดเอาความร
จากภาษาธรรมชาตทมลกษณะของขอมลแบบไมมโครงสราง
อกทงไมมการก�าหนดรปแบบไวลวงหนา2 ผลของขอมลทได
จงไมมความแนนอนของเหตผลนนๆ ทแฝงอยในกลมของ
ขอความซงมลกษณะเปนภาษาธรรมชาต การท�าเหมองขอมล
จ�านวนมากนนจะเปนลกษณะของการน�าเสนอรปแบบส�าหรบ
การท�าเหมองขอความทใชประโยชนในเอกสารและใชความร
ทไดจากการสกดขอความเหลานนมาเพอปรบปรงรปแบบและ
ปญหาตางๆ ของสงนน3 การคนพบรปแบบยงคงเปนปญหา
เนองจากสวนใหญแลววธการท�าเหมองขอความมกจะประสบ
ปญหาของหลกภาษาและค�าพองซงมลกษณะทซบซอนกน
ออกไป โดยไดมการจดสมมตฐานทเกยวกบกลมค�าหรอวล ซง
วธดงกลาวนาจะไดผลการท�างานทดกวา ในการวเคราะห
ขอความทไมมโครงสรางแบบอตโนมตจงเปนเรองททาทาย
การน�าเทคนคการท�าเหมองขอความมาประยกตในการท�า
เหมองแสดงความคดเหนซงเปนอกกระบวนการวเคราะห
เหมองขอความ4 โดยการน�าเอาขอคดเหนมาท�าการวเคราะห
เพอใหทราบถงความพงพอใจทมตอสงนนๆ และในการสกด
ค�าตามคณลกษณะทแตกตางกนอาจไดมาซงประโยชนเพอ
การพจารณาวเคราะหทหลากหลายและแมนย�ามากขน ซงม
นกวจยหลายทานไดน�าเอาเทคนคการจ�าแนกในเหมองขอมล
และการเรยนรของเครองมาท�าการสกดความรเพอใชเปนตน
แบบการจ�าแนก เชน ประพฒน พรมน�าอางและคณะ5 ไดน�า
เสนอการจ�าแนกกลมขอความแสดงความคดเหนทมตอสนคา
โดยการใชเทคนคเหมองขอมล เพอหาความแมนย�าของรป
แบบการจ�าแนกขอความแสดงความคดเหนเพอน�าไปพฒนา
รปแบบการจ�าแนกขอความ ซงไดท�าการเปรยบเทยบ 4
เทคนค คอเทคนค SVM เทคนคตนไมตดสนใจ เทคนค K-
Nearest Neighbor และเทคนค Naïve Bayes ผลการทดลอง
พบวาเทคนค SVM ไดใหคาความถกตองมากทสดท 86.26%
ทสด
พชรนกานต พงษธน และคณะ6 ได น�าเสนอ
รปแบบการวเคราะหเหมองขอความจากการเกบขอมลการแสดง
ความพงพอใจของลกคาจากขอความค�าแนะน�าบนเวบไซต
เพอหาแนวทางในการปรบปรงการบรการของเวบไซตผให
บรการโรงแรมใหมประสทธภาพมากขน โดยงานวจยนไดใช
วธการสกดค�าความคดเหนดานดและดานไมดเพอสรปการให
บรการของเวบไซต และเพอคนหาวาจ�านวนของค�าบงชมผล
ตอการใหคาความถกตองหรอไม ซงไดเปรยบเทยบผลจากการ
สรางโมเดลทใชในการวเคราะหดวยเทคนควธตนไมตดสนใจ
โดยการใชอลกอรทม ID3 และเทคนค Naïve Bayes โดยผล
ของการทดลองนนเทคนคตนไมตดสนใจใหคาเฉลยของมาก
ทสดท 95.50%
อดเทพ ไชยสารและรฐสทธ สขะหต7 ไดน�าเสนอผล
การเปรยบเทยบการประมาณอารมณจากความคดเหนภาษา
ไทยโดยใชวธการจ�าแนกอารมณจากขอความแสดงความคด
เหนจากเวบไซตบรการขาวและบรการวจารณสนคา โดยไดใช
เทคนคการจ�าแนก 3 เทคนค ดวยกนคอ เทคนค Naïve Bayes
เทคนค SVM และเทคนคตนไมตดสนใจ ซงไดมผเชยวชาญ
จ�าแนกความคดเหนตามกลมอารมณ 6 กลมอารมณ ซงผล
การทดสอบการความถกตองในการประมาณอารมณโดยรวม
พบวาเทคนค SVM สามารถประมาณอารมณไดถกตองทสด
ท 69.15%
Peiman Barnaghi และ John G. Breslin8 ไดน�าเสนอ
กระบวนการสรางโมเดลในการวเคราะหความคดเหนเพอ
คนหาภาพสะทอนความเชอมนของประชาชนตอเหตการณ
ตางๆ เพอน�ามาประยกตใชเปนพนฐานส�าหรบการคาดคะเน
เหตการณในอนาคต ผานการใชงานบน Twitter โดยการใช
ขอคดเหนเกยวกบการจดงาน FIFA World Cup 2014 โดย
ท�าการพจารณาขอคดเหนทเปนเชงบวกและเชงลบ จากนนได
ท�าการเปรยบเทยบการสรางโมเดลจากการใชเทคนค Bayesian
Logistic Regression (BLR) และเทคนค Naïve Bayes โดย
ผลการทดสอบพบวาเทคนค BLR ใหผลทดกวาการใชเทคนค
Naïve Bayes
Mondher Bouazizi และ Tomoaki Ohtsuki9 ไดน�า
เสนอกระบวนการวเคราะหขอความคดเหนของภาษาบนสอ
ออนไลนและเปรยบเทยบโมเดลในการจ�าแนกขอความคดเหน
ทดทสด เพอน�ามาวเคราะหการจ�าแนกหวขอและทศนคตทผ
ใชงาน Twitter สนใจ และไดใชเทคนคการจ�าแนก 2 เทคนค
ดวยกนคอ เทคนค Naïve Bayes และเทคนค SVM เมอท�าการ
Noochanat Pinmuang et al. J Sci Technol MSU374
เปรยบเทยบผลการทดลองของทงสองเทคนควธดวยขอมล
2 ลกษณะ คอ ขอมลแสดงความคดเหนและขอมลแสดงความ
คดทผานกระบวนการวเคราะหความเชอมนแลว ผลทไดจาก
การทดลองนน คอ เทคนค SVM ใหผลของการจ�าแนกดทสด
จากงานวจยทไดมการศกษานน พบวางานวจยสวน
ใหญมการจ�าแนกความคดเหนออกเปน 2 กลม คอ ความคด
เหนเชงบวกและความคดเหนเชงลบ ดงนนในงานวจยนจงได
ท�าเปรยบเทยบเทคนคทใชในสรางแบบจ�าลองเพอจ�าแนก
ความคดเหน คอ เทคนค Naïve Bayes เทคนค SVM เทคนค
K-Nearest Neighbor เทคนคตนไมตดสนใจ และเทคนค C4.5
จากนนใชหลกการ 10-fold cross validation ในการแบง
กลมขอมลเปนชดขอมลเรยนรและชดขอมลทดสอบ และวด
ประสทธภาพของแบบจ�าลองดวยคาความถกตอง (Accuracy)
คาความแมนย�า (Precision) และคาความระลก (Recall)
โดยแบบจ�าลองนสามารถน�าไปจ�าแนกกลมความ
สนใจของผใชไดอตโนมตท�าใหเกดความรวดเรวตอการจ�าแนก
กลมของผใชพรอมเพยซงจะมประโยชนตอธนาคารเพอใชใน
การปรบปรงและเพมประสทธภาพในงานบรการ
วตถประสงค เพอท�าเปรยบเทยบเทคนค Naïve Bayes เทคนค
SVM เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ
เทคนค C4.5 ในการสรางแบบจ�าลองเพอจ�าแนกความคดเหน
จากนนใชหลกการ 10-fold cross validation ในการแบงกลม
ขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวด
ประสทธภาพของแบบจ�าลองดวยคาความถกตอง (Accuracy)
คาความแมนย�า (Precision) และคาความระลก (Recall)
ทฤษฎทเกยวของ ในงานวจยนเทคนคทน�ามาใชในการสรางแบบจ�าลอง
ไดแก10 เทคนค Naïve Bayes เทคนค SVM เทคนค
K-Nearest Neighbor เทคนคตนไมตดสนใจ และเทคนคตนไม
ตดสนใจ C4.5
1. เทคนค Naïve Bayes
เปนเทคนควธการจ�าแนกประเภททอาศยหลก
การของทฤษฎความนาจะเปนตามกฎของเบย เพอหาวา
สมมตฐานใดนาจะมความถกตองมากทสด ซงจะสามารถบง
บอกถงความนาจะเปนของขอมลชดหนงทจะอยในหมวดหม
ของขอมลนนๆ โดยทฤษฎของเบยสามารถค�านวณไดดง
สมการท 1
4
จ าแนกหวขอและทศนคตทผใชงาน Twitter สนใจ และไดใชเทคนคการ จ าแนก 2 เทคนคดวยกนคอ เทคนค Naïve Bayes และเทคนค SVM เมอท าการเปรยบเทยบผลการทดลองของทงสองเทคนควธดวยขอมล 2 ลกษณะคอ ขอมลแสดงความคดเหนและขอมลแสดงความคดทผานกระบวนการวเคราะหความเชอมนแลว ผลทไดจากการทดลองนน คอ เทคนค SVM ใหผลของการจ าแนกดทสด
จากงานวจยทไดมการศกษานน พบวางานวจยสวนใหญมการจ าแนกความคดเหนออกเปน 2 กลม คอ ความคดเหนเชงบวกและความคดเหนเชงลบ ดงนนในงานวจยนจงไดท า เปรยบเทยบ เทคนคทใชในสรางแบบจ าลอง เพอจ าแนกความคดเหน คอ เทคนค Naïve Bayes เทคนค SVM เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และเทคนค C4.5 จากนนใชหลกการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนรและชดขอมลทดสอบ และวดประสทธภาพของแบบจ าลองดวยคาความถกตอง (Accuracy) คาความแมน ย า (Precision) และคาความระลก (Recall)
โดยแบบจ าลองน สามารถน าไปจ าแนกกลมความสนใจของผใชไดอตโนมตท าใหเกดความรวดเรวตอการจ าแนกกลมของผใชพรอมเพยซงจะมประโยชนตอธนาคารเพอใชในการปรบปรงและเพมประสทธภาพในงานบรการ
วตถประสงค
เพอท าเปรยบเทยบเทคนค Naïve Bayes เทคนค SVM เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และเทคนค C4.5 ในการสรางแบบจ าลองเพอจ าแนกความคดเหน จากนนใชหลกการ 10-fold
cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนรและชดขอมลทดสอบ และ วดประสทธภาพของแบบจ าลองดวยคาความถกตอง (Accuracy) คาความแมนย า (Precision) และคาความระลก (Recall)
ทฤษฎทเกยวของ
ในงานวจยนเทคนคทน ามาใชในการสรางแบบจ าลองไดแก [10] เทคนค Naïve Bayes เทคนค SVM เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และเทคนคตนไมตดสนใจ C4.5
1. เทคนค Naïve Bayes
เปนเทคนควธการจ าแนกประเภททอาศยหลกการของทฤษฎความนาจะเปนตามกฎของเบย เพอ หาวาสมมตฐานใดนาจะมความถกตองมากทสด ซงจะสามารถบงบอกถงความนาจะเปนของขอมล ชดหนงทจะอยในหมวดหมของขอมลนนๆ โดยทฤษฎของเบยสามารถค านวณไดดงสมการท 1
𝑃𝑃 𝐻𝐻 𝑋𝑋 𝑃𝑃 𝑋𝑋 𝐻𝐻 𝑃𝑃 𝐻𝐻 𝑃𝑃 𝑋𝑋 (1)
โดย X แทนขอมลการแจกแจงความนาจะเปน P(H) คอ ความนาจะเปนกอนหนาของ HP(X) คอ ความนาจะเปนกอนหนาของ X P(H|X) คอ ความนาจะเปนของ H เมอร X P(X|H) คอ ความนาจะเปนของ X เมอร H
2. เทคนค Support Vector Machine
คอ ขนตอนวธการทมความรวดเรวและเปนอลกอรทมทสามารถน ามาชวยแกปญหาการจ าแนกขอมล ใชในการวเคราะหขอมลและจ าแนกขอมล โดยอาศยหลกการของการหาสมประสทธของสมการเพอ
(1)
โดย X แทนขอมลการแจกแจงความนาจะเปน
P(H) คอ ความนาจะเปนกอนหนาของ
HP(X) คอ ความนาจะเปนกอนหนาของ X
P(H|X) คอ ความนาจะเปนของ H เมอร X
P(X|H) คอ ความนาจะเปนของ X เมอร H
2. เทคนค Support Vector Machine
คอ ขนตอนวธการทมความรวดเรวและเปน
อลกอรทมทสามารถน�ามาชวยแกปญหาการจ�าแนกขอมล ใช
ในการวเคราะหขอมลและจ�าแนกขอมล โดยอาศยหลกการของ
การหาสมประสทธของสมการเพอสรางเสนแบงแยกกลมขอมล
ทถกปอนเขาสกระบวนการสอนใหระบบเรยนร โดยเนนไปยง
เสนแบงแยกแยะกลมขอมลไดดทสด แนวความคดของเทคนค
วธ SVM นนเกดจากการทน�าคาของกลมขอมลมาวางลงใน
ฟเจอรสเปซ (Feature Space) ในลกษณะเชงเสน จากนนจง
หาเสนทใชแบงขอมลทงสองออกจากกน โดยจะท�าการสราง
เสนแบง (Hyperplane) ทเปนเสนตรงขนมา เพอใหทราบวา
เสนตรงทแบงกลมสองกลมออกจากกนนน เสนใดเปนเสนทด
ทสด
3. เทคนค K-Nearest Neighbor
เปนวธทใชในการจดแบงคลาส โดยเทคนคนจะ
ตดสนใจวา คลาสใดทจะแทนเงอนไขหรอกรณใหมๆ ไดบาง
โดยการตรวจสอบจ�านวนบาง ของกรณหรอเงอนไขทเหมอน
กนหรอใกลเคยงกนมากทสด โดยจะหาผลรวมของจ�านวน
เงอนไข หรอกรณตางๆ ส�าหรบแตละคลาส และก�าหนดเงอน
ไขใหมๆ ใหคลาสทเหมอนกนกบคลาสทใกลเคยงกนมากทสด
ซงขนตอนวธการเพอนบานใกลทสดนนเปนเทคนคทใชในการ
จ�าแนกกลมขอมล โดยการจดขอมลทอยใกลกนใหเปนกลม
เดยวกนซงเทคนคนจะท�าใหตดสนใจไดวา คลาสไหนทจะแทน
เงอนไขหรอกรณใหมๆ ไดบาง โดยการตรวจสอบจ�านวน K
ซงถาหากเงอนไขของการตดสนใจมความซบซอน วธน
สามารถสรางโมเดลทมประสทธภาพได
4. เทคนคตนไมตดสนใจ (Decision tree)
เปนเทคนควธเหมองขอมลทเปนทนยมกนมาก
เนองจากเปนวธการวเคราะหทงายตอการตความหมาย ตนไม
ตดสนใจนนจะประกอบไปดวยโหนด (Node) ซงจะท�าหนาท
ในการแสดงคณลกษณะทใชส�าหรบการทดสอบขอมล กง
(Branch) เปนสวนทจะแสดงคณสมบตในโหนดทไดมการแตก
ออกมา และใบ (Leaf) จะแสดงกลมหรอคลาสทไดมการ
ก�าหนดเอาไว และในหาความสมพนธของแตละโหนดทแสดง
คณลกษณะ (Attribute) นนจะใชคา Information Gain เพอ
หาความสมพนธของในแตละโหนดคณลกษณะ โดยการใชคา
Information Gain นจะชวยลดจ�านวนครงทใชในการทดสอบ
Classifying Thai opinions on online media using text mining 375Vol 37. No 3, May-June 2018
และท�าใหตนไมตดสนใจทไดไมมความซบซอนมากจนเกนไป
5. เทคนคตนไมตดสนใจแบบ C4.5
เปนเทคนควธหนงทไดท�าการพฒนามาจากเทคนค ID3 ซงได
กลายมาเปนอลกอรทมพนฐานทใชในการเปรยบเทยบ
ประสทธภาพของการท�างานในอลกอรทมตางๆ โดยในการ
สรางตนไมตดสนใจ C4.5 จะใชคามาตรฐานสวนเกน (Gain
Ratio) เพอท�าการคดเลอกคณลกษณะทจะใชเปนรากหรอ
โหนด
วธการวจย งานวจยการจดกล มขอความคดเหนนไดน�าเอา
กระบวนการวเคราะหเหมองขอความ10 4 ขนตอนดงน
1. การเกบรวบรวมขอมล
การเกบรวบรวมขอมลการแสดงความคดเหน
ไดท�าการแบงการรวบรวมขอมลในขนตอนน ไดแบงออกเปน
2 สวน คอ
1.1 การเกบขอมลแสดงความคดเหน
ในการเกบรวบรวมขอมล ผวจยไดท�าการ
เกบรวบรวมขอมลจากการแสดงความคดเหนผานการใชงาน
Facebook Graph API โดยท�าการเกบรวบรวมขอมลทมการ
แสดงความคดเหนตงแตเดอนมถนายน 2559 – มกราคม
2560 จ�านวน 1,570 ขอความคดเหน โดยในแตละความคด
เหนจะมการแสดงขอมลของผแสดงความคดเหนคอแสดงชอ
ผใชงานและรหสประจ�าตวของผใชงาน ในสวนของขอความ
จะแสดงขอความแสดงความคดเหนและรหสประจ�าขอความ
และท�าการบนทกขอความคดเหนลงฐานขอมล ดงแสดงใน
Figure 1
1.2 กระบวนการตดค�าและก�าจดค�าหยด
กระบวนการนจะเปนการน�าเอาขอคดเหน
ทไดเกบรวบรวมมาท�าการคดแยกขอคดเหนทเกยวของกบ
หวขอทก�าหนดและจะตองเปนขอความภาษาไทยเทานน จาก
นนน�าเขาสกระบวนการตดค�าดงแสดงใน Figure 2 จากนนจง
เขาสกระบวนการหาคาความถการใชค�าในเอกสารโดยมค�า
ทงหมดรวมถงค�าภาษาไทยและภาษาองกฤษจ�านวน 3,581
ค�า ดงแสดงใน Figure 3 แลวท�าการตดค�าทเปนภาษาองกฤษ
และตวเลขออกไปเหลอค�าจ�านวน 3,302 ค�า จากนนมาให
ประเภทตามประเภทของพจนานกรมของแตละค�าโดยแบงเปน
ทงหมด 11 ประเภท ไดแก ค�านาม ค�าสรรพนาม ค�ากรยา ค�า
วเศษณ ค�าสนธาน ค�าบพบท วล ค�าอทาน ค�าหยด ค�าแสลง
และค�าไมตรงพจนานกรม
6
คดเหนคอแสดงชอผใชงานและรหสประจ าตวของผใชงาน ในสวนของขอความจะแสดงขอความแสดงความคดเหนแ ละรหสประจ าขอความ และท าการบนทกขอความคดเหนลงฐานขอมล ดงแสดงใน Figure 1
1.2 กระบวนการตดค าและก าจดค าหยด
กระบวนการนจะเปนการน าเอาขอคดเหนทไดเกบรวบรวมมาท าการคดแยกขอคดเหนทเกยวของกบหวขอทก าหนดและจะตองเปนขอความภาษาไทยเทานน จากนนน าเขาสกระบวนการตดค าดงแสดงใน Figure 2
จากนนจงเขาสกระบวนการหาคาความถ การใชค าในเอกสารโดยมค าทง หมด รวมถงค าภาษาไทยและภาษาองกฤษจ านวน 3,581 ค า ดงแสดงใน Figure 3 แลวท าการตดค าทเปนภาษาองกฤษและตวเลขออกไปเหลอค าจ านวน 3,302 ค า จากนนมาใหประเภทตามประเภทของพจนานกรมของแตละค าโดยแบงเปนทงหมด 11 ประเภท ไดแก ค านาม ค าสรรพนาม ค ากรยา ค าวเศษณ ค าสนธาน ค าบพบท วล ค าอทาน ค าหยด ค าแสลงและค าไมตรงพจนานกรม
Figure 1 ขอมลตวอยางการแสดงความคดเหนทบนทกลงฐานขอมล
Figure 2 รปประโยคทผานการตดค าแลว
Figure 1 Sample comments data saved to database
6
คดเหนคอแสดงชอผใชงานและรหสประจ าตวของผใชงาน ในสวนของขอความจะแสดงขอความแสดงความคดเหนแ ละรหสประจ าขอความ และท าการบนทกขอความคดเหนลงฐานขอมล ดงแสดงใน Figure 1
1.2 กระบวนการตดค าและก าจดค าหยด
กระบวนการนจะเปนการน าเอาขอคดเหนทไดเกบรวบรวมมาท าการคดแยกขอคดเหนทเกยวของกบหวขอทก าหนดและจะตองเปนขอความภาษาไทยเทานน จากนนน าเขาสกระบวนการตดค าดงแสดงใน Figure 2
จากนนจงเขาสกระบวนการหาคาความถ การใชค าในเอกสารโดยมค าทง หมด รวมถงค าภาษาไทยและภาษาองกฤษจ านวน 3,581 ค า ดงแสดงใน Figure 3 แลวท าการตดค าทเปนภาษาองกฤษและตวเลขออกไปเหลอค าจ านวน 3,302 ค า จากนนมาใหประเภทตามประเภทของพจนานกรมของแตละค าโดยแบงเปนทงหมด 11 ประเภท ไดแก ค านาม ค าสรรพนาม ค ากรยา ค าวเศษณ ค าสนธาน ค าบพบท วล ค าอทาน ค าหยด ค าแสลงและค าไมตรงพจนานกรม
Figure 1 ขอมลตวอยางการแสดงความคดเหนทบนทกลงฐานขอมล
Figure 2 รปประโยคทผานการตดค าแลว Figure 2 The sentences were cut and then saved to database
Noochanat Pinmuang et al. J Sci Technol MSU376 7
Figure 3 การหาความถการใชค าในเอกสาร
2. ขนตอนกอนการสรางแบบจ าลอง เปนขนตอนทใชในการวเคราะหขอมลเพอเตรยม
ขอมลเพอเขาสกระบวนการจ าแนกขอความแสดงความคดเหนทมตอการใชบรการพรอมเพย โดยจะน าขอความคดเหนทผานกระบวนการคดแยกขอความทเกยวของกบขอคดเหนและผานกระบวนการตดค า ก าจดค าหยด จากนนเลอกเอ าเฉพาะค าทเปนค าวเศษณจ านวน 577 ค า มาคดแยกตามความหมายเชงบวก เชงลบ และเปนกลางแลวจะคงเหลอค าเพอบงชลกษณะจ านวน 400 ค า โดยแบงค าหรอกลมค านนออกเปน 2 กลม คอ ค าแทนคณลกษณะเชงบวกและค าแทนคณลกษณะเชงลบ
วธการสรางตวแทนเอกสาร นนจะใชวธในก ารน าค าบงชคณลกษณะในชดขอมลมาเรยงกน เพอท าการนบความถของการเกดขนของค านนๆ จากนนจงน าคาจ านวนความถของค ามาสรางเวกเตอรตวแทนเอกสาร และค าบงชทไมปรากฏในเอกสารจะมคาเปน 0 จากนนท าการนบจ านวนค าในแตละคณลกษณะ โดยใชการนบจ านวนความถของคาคณลกษณะในแตละคณลกษณะวามจ านวนเทาใด เพอน าคาความถในการใชค าของแตละคณลกษณะมาท าการเปรยบเทยบกนโดย
1. เมอจ านวนความถของคณลกษณะความคดเหนเชงบวกมากกวาความถของคณลกษณะเชงลบ
ใหตวแปรตามเปน ความคดเหนเชงบวก แทนดวย P
2. เมอจ านวนความถของคณลกษณะความคดเหนเชงลบมากกวาความถของคณลกษณะเชงบวกใหตวแปรตาม เปน ความคดเหนเชงลบ แทนดวย N
3. เมอจ านวนความถของคณลกษณะความคดเหนเชงบวกและความถของคณลกษณะเชงลบเทากนใหตวแปรตาม เปน ความคดเหนเปนกลาง แทนดวย B
ซงผลจากการสรางตวแทนเอกสารแสดงใน Figure 4
3. การสรางแบบจ าลอง ในกระบวนการสรางแบบจ าลองเพอหา
แบบจ าลองทเหมาะสมทสดในการจดกลมความคดเหนทมตอการบรการพรอมเพย ไดใชขอมลความคดเหนทเปนภาษาไทย โดยใชเทคนคการจ าแนกของการท าเหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค [10] คอ
1. เทคนค Naïve Bayes 2. เทคนค Support Vector Machine 3. เทคนค K-Nearest Neighbor 4. เทคนคตนไมตดสนใจ (Decision tree)
Figure 3 Counting the number of words that appear in this document
2. ขนตอนกอนการสรางแบบจ�าลอง
เปนขนตอนทใชในการวเคราะหขอมลเพอ
เตรยมขอมลเพอเขาสกระบวนการจ�าแนกขอความแสดงความ
คดเหนทมตอการใชบรการพรอมเพย โดยจะน�าขอความคด
เหนทผานกระบวนการคดแยกขอความทเกยวของกบขอคด
เหนและผานกระบวนการตดค�า ก�าจดค�าหยด จากนนเลอก
เอาเฉพาะค�าทเปนค�าวเศษณจ�านวน 577 ค�า มาคดแยกตาม
ความหมายเชงบวก เชงลบ และเปนกลางแลวจะคงเหลอค�า
เพอบงชลกษณะจ�านวน 400 ค�า โดยแบงค�าหรอกลมค�านน
ออกเปน 2 กลม คอ ค�าแทนคณลกษณะเชงบวกและค�า
แทนคณลกษณะเชงลบ
1) วธการสรางตวแทนเอกสารนนจะใชวธใน
การน�าค�าบงชคณลกษณะในชดขอมลมาเรยงกนเพอท�าการ
นบความถของการเกดขนของค�านนๆ จากนนจงน�าคาจ�านวน
ความถของค�ามาสรางเวกเตอรตวแทนเอกสาร และค�าบงชท
ไมปรากฏในเอกสารจะมคาเปน 0 จากนนท�าการนบจ�านวน
ค�าในแตละคณลกษณะ โดยใชการนบจ�านวนความถของคา
คณลกษณะในแตละคณลกษณะวามจ�านวนเทาใด เพอน�าคา
ความถในการใชค�าของแตละคณลกษณะมาท�าการเปรยบ
เทยบกนโดย
2) เมอจ�านวนความถของคณลกษณะความคด
เหนเชงบวกมากกวาความถของคณลกษณะเชงลบใหตวแปร
ตามเปน ความคดเหนเชงบวก แทนดวย P
3) เมอจ�านวนความถของคณลกษณะความคด
เหนเชงลบมากกวาความถของคณลกษณะเชงบวกใหตวแปร
ตาม เปน ความคดเหนเชงลบ แทนดวย N
4) เมอจ�านวนความถของคณลกษณะความคด
เหนเชงบวกและความถของคณลกษณะเชงลบเทากนให
ตวแปรตาม เปน ความคดเหนเปนกลาง แทนดวย B
ซงผลจากการสรางตวแทนเอกสารแสดงใน
Figure 4
3. การสรางแบบจ�าลอง
ในกระบวนการสรางแบบจ�าลองเพอหาแบบ
จ�าลองทเหมาะสมทสดในการจดกลมความคดเหนทมตอการ
บรการพรอมเพยไดใชขอมลความคดเหนทเปนภาษาไทย โดย
ใชเทคนคการจ�าแนกของการท�าเหมองขอความมาใชในการ
วเคราะหทงหมด 5 เทคนค10 คอ
1) เทคนค Naïve Bayes
2) เทคนค Support Vector Machine
3) เทคนค K-Nearest Neighbor
4) เทคนคตนไมตดสนใจ (Decision tree)
5) เทคนคตนไมตดสนใจแบบ C4.5
8
5. เทคนคตนไมตดสนใจแบบ C4.5
Figure 4 ตวอยางชดขอมลทผานการใหคณลกษณะแลว
Figure 5 การน าขอมลเขาสเทคนคเพอสรางแบบจ าลองดวยโปรแกรม RapidMiner Studio V7.4.000
4. การวดประสทธภาพของแบบจ าลอง
ในการประเมนผลของแบบจ าลอง ใชเทคนคการวดประสทธภาพแบบ 10-fold cross validation โดยท าการแบงขอมลออกเปน 10 กลม เทาๆ กน จากนนในแตละรอบการทดสอบจะใชขอมล 1 ชดเปนทดสอบและใหอกชดทเหลอเปนชดฝกสอน ซงผวจยไดท าการทดสอบแบบจ าลองในการจดกล มความคดเหนมตอการบรการ
พรอมเพย โดยใชแบบจ าลองทละ 1 แบบจ าลอง และน าขอมลทงหมดทไดจากการเกบขอมลการแสดงความคดเหนซงผานกระบวนการเตรยมขอมลแลวจากขอมลทงหมด 1,015 ชด ท าการแบงออกเปนทงหมด 10 กลม ทงนจะแบงกลมขอมลเพอใชเปนข อมลทดสอบ (Data test) 1 ชด และทเหลอจะเปนขอมลฝก (Data training) ซงคดเปนอตราขอมลทดสอบตอปรมาณขอมลฝก คดเปนอตรารอยละ 10:90 โดยคาทใชในการวด
Figure 4 The sample data, through the series of features
Classifying Thai opinions on online media using text mining 377Vol 37. No 3, May-June 2018
8
5. เทคนคตนไมตดสนใจแบบ C4.5
Figure 4 ตวอยางชดขอมลทผานการใหคณลกษณะแลว
Figure 5 การน าขอมลเขาสเทคนคเพอสรางแบบจ าลองดวยโปรแกรม RapidMiner Studio V7.4.000
4. การวดประสทธภาพของแบบจ าลอง
ในการประเมนผลของแบบจ าลอง ใชเทคนคการวดประสทธภาพแบบ 10-fold cross validation โดยท าการแบงขอมลออกเปน 10 กลม เทาๆ กน จากนนในแตละรอบการทดสอบจะใชขอมล 1 ชดเปนทดสอบและใหอกชดทเหลอเปนชดฝกสอน ซงผวจยไดท าการทดสอบแบบจ าลองในการจดกล มความคดเหนมตอการบรการ
พรอมเพย โดยใชแบบจ าลองทละ 1 แบบจ าลอง และน าขอมลทงหมดทไดจากการเกบขอมลการแสดงความคดเหนซงผานกระบวนการเตรยมขอมลแลวจากขอมลทงหมด 1,015 ชด ท าการแบงออกเปนทงหมด 10 กลม ทงนจะแบงกลมขอมลเพอใชเปนข อมลทดสอบ (Data test) 1 ชด และทเหลอจะเปนขอมลฝก (Data training) ซงคดเปนอตราขอมลทดสอบตอปรมาณขอมลฝก คดเปนอตรารอยละ 10:90 โดยคาทใชในการวด
Figure 5 Import data into techniques to model with RapidMiner Studio V7.4.000
4. การวดประสทธภาพของแบบจ�าลอง
ในการประเมนผลของแบบจ�าลอง ใชเทคนคการ
วดประสทธภาพแบบ 10-fold cross validation โดยท�าการ
แบงขอมลออกเปน 10 กลม เทาๆ กน จากนนในแตละรอบ
การทดสอบจะใชขอมล 1 ชดเปนทดสอบและใหอกชดทเหลอ
เปนชดฝกสอน ซงผวจยไดท�าการทดสอบแบบจ�าลองในการ
จดกลมความคดเหนมตอการบรการพรอมเพย โดยใชแบบ
จ�าลองทละ 1 แบบจ�าลอง และน�าขอมลทงหมดทไดจากการ
เกบขอมลการแสดงความคดเหนซงผานกระบวนการเตรยม
ขอมลแลวจากขอมลทงหมด 1,015 ชด ท�าการแบงออกเปน
ทงหมด 10 กลม ทงนจะแบงกลมขอมลเพอใชเปนขอมล
ทดสอบ (Data test) 1 ชด และทเหลอจะเปนขอมลฝก (Data
training) ซงคดเปนอตราขอมลทดสอบตอปรมาณขอมลฝก
คดเปนอตรารอยละ 10:90 โดยคาทใชในการวดประสทธภาพ
ของแบบจ�าลอง คอได ความถกตอง (accuracy) คาความ
แมนย�า (precision) และคาความระลก (recall) ดงสมการท 2,
3 และ 4 ตามล�าดบ
9
ประสทธภาพของแบบจ าลอง คอได ความถกตอง (accuracy) คาความแมนย า (precision) และคาความระลก (recall) ดงสมการท 2, 3 และ 4 ตามล าดบ
𝐴𝐴𝑐𝑐𝑐𝑐𝑢𝑢𝑟𝑟𝑎𝑎𝑐𝑐𝑦𝑦 𝑇𝑇𝑃𝑃 𝑇𝑇𝑁𝑁𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 𝑇𝑇𝑁𝑁 𝐹𝐹𝑁𝑁 (2)
𝑃𝑃𝑟𝑟𝑒𝑒𝑐𝑐𝑖𝑖𝑠𝑠𝑖𝑖𝑜𝑜𝑛𝑛 𝑇𝑇𝑃𝑃
𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 (3)
𝑅𝑅𝑒𝑒𝑐𝑐𝑎𝑎𝑙𝑙𝑙𝑙 𝑇𝑇𝑃𝑃𝑇𝑇𝑃𝑃 𝐹𝐹𝑁𝑁 (4)
โดย TP คอ จ านวนขอมลทถกน ามาใชอยางถกตอง TN คอ จ านวนขอมลทผดทถกน ามาใช FP คอ จ านวนขอมลทถกตองแตไมน ามาใช FN คอ จ านวนขอมลทผดแตไมน ามาใช
ผลการวจย
งานวจยนไดท าการทดลองจ าแนกความคดเหนเกยวกบการใชบรการพรอมเพยดวยเทคนคการจ าแนกของการท าเหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค คอ เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผานการใชงานโปรแกรม RapidMiner Studio V7.4.000 โดยชดขอมลเอกสารทใชในงานวจยน รวบรวมจากเฟสบค จ านวน 1,570 ชดขอมล จากนนท าการคนหาคณลกษณะของค าเพอท าการก าหนดคณลกษณะของแตละประโยค โดยใชค าเพอท าการก าหนดคณลกษณะทงหมด 400 ค า แบงออกเปนค าบงชคณลกษณะเชงบวกจ านวน 123 ค า และค าบงชคณลกษณะเชงลบจ านวน 277 ค า จากนนท าการ
คดเลอกขอมลเขาสโมเดล โดยในการคดเลอกครงแรกท าการตดขอมลทไมปรากฏค าแสดงคณลกษณะ คอ มคาของจ านวนค าเปน 0 ซงในขนแรกคงเหลอจ านวนขอมล 1,215 ชดขอมล จากนนเลอกเพยงชดขอมลทเปน คลาส P และ N เทานน ซงจ านวนชดขอมลทเตรยมเขาสโมเดลทง 5 จะเหลอเพยง 1,015 ชดขอมล
ในการปร ะเมนประสทธภาพของโมเดลทง 5 โมเดล โดยใชการทดสอบโมเดลดวยวธการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวดประสทธภาพของแบบจ าลองดวยคาความถกตอง คาความแมนย า และคาความระลก
Figure 6 การเปรยบเทยบคาความถกตอง
จาก Figure 6 เปนการเปรยบเทยบคาความถกตองของ 5 เทคนคประกอบดวย เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผลปรากฏวาวาเทคนค Naïve Bayes ใหความถกตองสงสดอยางมนยส าคญท 93.885% รองลงมาคอเทคนค K-NN ท 86.89%
Naïve Bayes SVM K-NN D-Tree C4.5
Accuracy 93.88% 73.31% 86.89% 65.52% 79.31%
0.00%20.00%40.00%60.00%80.00%
100.00%
Accuracy
(2)
9
ประสทธภาพของแบบจ าลอง คอได ความถกตอง (accuracy) คาความแมนย า (precision) และคาความระลก (recall) ดงสมการท 2, 3 และ 4 ตามล าดบ
𝐴𝐴𝑐𝑐𝑐𝑐𝑢𝑢𝑟𝑟𝑎𝑎𝑐𝑐𝑦𝑦 𝑇𝑇𝑃𝑃 𝑇𝑇𝑁𝑁𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 𝑇𝑇𝑁𝑁 𝐹𝐹𝑁𝑁 (2)
𝑃𝑃𝑟𝑟𝑒𝑒𝑐𝑐𝑖𝑖𝑠𝑠𝑖𝑖𝑜𝑜𝑛𝑛 𝑇𝑇𝑃𝑃
𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 (3)
𝑅𝑅𝑒𝑒𝑐𝑐𝑎𝑎𝑙𝑙𝑙𝑙 𝑇𝑇𝑃𝑃𝑇𝑇𝑃𝑃 𝐹𝐹𝑁𝑁 (4)
โดย TP คอ จ านวนขอมลทถกน ามาใชอยางถกตอง TN คอ จ านวนขอมลทผดทถกน ามาใช FP คอ จ านวนขอมลทถกตองแตไมน ามาใช FN คอ จ านวนขอมลทผดแตไมน ามาใช
ผลการวจย
งานวจยนไดท าการทดลองจ าแนกความคดเหนเกยวกบการใชบรการพรอมเพยดวยเทคนคการจ าแนกของการท าเหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค คอ เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผานการใชงานโปรแกรม RapidMiner Studio V7.4.000 โดยชดขอมลเอกสารทใชในงานวจยน รวบรวมจากเฟสบค จ านวน 1,570 ชดขอมล จากนนท าการคนหาคณลกษณะของค าเพอท าการก าหนดคณลกษณะของแตละประโยค โดยใชค าเพอท าการก าหนดคณลกษณะทงหมด 400 ค า แบงออกเปนค าบงชคณลกษณะเชงบวกจ านวน 123 ค า และค าบงชคณลกษณะเชงลบจ านวน 277 ค า จากนนท าการ
คดเลอกขอมลเขาสโมเดล โดยในการคดเลอกครงแรกท าการตดขอมลทไมปรากฏค าแสดงคณลกษณะ คอ มคาของจ านวนค าเปน 0 ซงในขนแรกคงเหลอจ านวนขอมล 1,215 ชดขอมล จากนนเลอกเพยงชดขอมลทเปน คลาส P และ N เทานน ซงจ านวนชดขอมลทเตรยมเขาสโมเดลทง 5 จะเหลอเพยง 1,015 ชดขอมล
ในการปร ะเมนประสทธภาพของโมเดลทง 5 โมเดล โดยใชการทดสอบโมเดลดวยวธการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวดประสทธภาพของแบบจ าลองดวยคาความถกตอง คาความแมนย า และคาความระลก
Figure 6 การเปรยบเทยบคาความถกตอง
จาก Figure 6 เปนการเปรยบเทยบคาความถกตองของ 5 เทคนคประกอบดวย เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผลปรากฏวาวาเทคนค Naïve Bayes ใหความถกตองสงสดอยางมนยส าคญท 93.885% รองลงมาคอเทคนค K-NN ท 86.89%
Naïve Bayes SVM K-NN D-Tree C4.5
Accuracy 93.88% 73.31% 86.89% 65.52% 79.31%
0.00%20.00%40.00%60.00%80.00%
100.00%
Accuracy
(3)
9
ประสทธภาพของแบบจ าลอง คอได ความถกตอง (accuracy) คาความแมนย า (precision) และคาความระลก (recall) ดงสมการท 2, 3 และ 4 ตามล าดบ
𝐴𝐴𝑐𝑐𝑐𝑐𝑢𝑢𝑟𝑟𝑎𝑎𝑐𝑐𝑦𝑦 𝑇𝑇𝑃𝑃 𝑇𝑇𝑁𝑁𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 𝑇𝑇𝑁𝑁 𝐹𝐹𝑁𝑁 (2)
𝑃𝑃𝑟𝑟𝑒𝑒𝑐𝑐𝑖𝑖𝑠𝑠𝑖𝑖𝑜𝑜𝑛𝑛 𝑇𝑇𝑃𝑃
𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 (3)
𝑅𝑅𝑒𝑒𝑐𝑐𝑎𝑎𝑙𝑙𝑙𝑙 𝑇𝑇𝑃𝑃𝑇𝑇𝑃𝑃 𝐹𝐹𝑁𝑁 (4)
โดย TP คอ จ านวนขอมลทถกน ามาใชอยางถกตอง TN คอ จ านวนขอมลทผดทถกน ามาใช FP คอ จ านวนขอมลทถกตองแตไมน ามาใช FN คอ จ านวนขอมลทผดแตไมน ามาใช
ผลการวจย
งานวจยนไดท าการทดลองจ าแนกความคดเหนเกยวกบการใชบรการพรอมเพยดวยเทคนคการจ าแนกของการท าเหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค คอ เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผานการใชงานโปรแกรม RapidMiner Studio V7.4.000 โดยชดขอมลเอกสารทใชในงานวจยน รวบรวมจากเฟสบค จ านวน 1,570 ชดขอมล จากนนท าการคนหาคณลกษณะของค าเพอท าการก าหนดคณลกษณะของแตละประโยค โดยใชค าเพอท าการก าหนดคณลกษณะทงหมด 400 ค า แบงออกเปนค าบงชคณลกษณะเชงบวกจ านวน 123 ค า และค าบงชคณลกษณะเชงลบจ านวน 277 ค า จากนนท าการ
คดเลอกขอมลเขาสโมเดล โดยในการคดเลอกครงแรกท าการตดขอมลทไมปรากฏค าแสดงคณลกษณะ คอ มคาของจ านวนค าเปน 0 ซงในขนแรกคงเหลอจ านวนขอมล 1,215 ชดขอมล จากนนเลอกเพยงชดขอมลทเปน คลาส P และ N เทานน ซงจ านวนชดขอมลทเตรยมเขาสโมเดลทง 5 จะเหลอเพยง 1,015 ชดขอมล
ในการปร ะเมนประสทธภาพของโมเดลทง 5 โมเดล โดยใชการทดสอบโมเดลดวยวธการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวดประสทธภาพของแบบจ าลองดวยคาความถกตอง คาความแมนย า และคาความระลก
Figure 6 การเปรยบเทยบคาความถกตอง
จาก Figure 6 เปนการเปรยบเทยบคาความถกตองของ 5 เทคนคประกอบดวย เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผลปรากฏวาวาเทคนค Naïve Bayes ใหความถกตองสงสดอยางมนยส าคญท 93.885% รองลงมาคอเทคนค K-NN ท 86.89%
Naïve Bayes SVM K-NN D-Tree C4.5
Accuracy 93.88% 73.31% 86.89% 65.52% 79.31%
0.00%20.00%40.00%60.00%80.00%
100.00%
Accuracy
(4)
โดย TP คอ จ�านวนขอมลทถกน�ามาใชอยางถกตอง
TN คอ จ�านวนขอมลทผดทถกน�ามาใช
FP คอ จ�านวนขอมลทถกตองแตไมน�ามาใช
FN คอ จ�านวนขอมลทผดแตไมน�ามาใช
ผลการวจย งานวจยนไดท�าการทดลองจ�าแนกความคดเหนเกยว
กบการใชบรการพรอมเพยดวยเทคนคการจ�าแนกของการท�า
เหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค คอ
เทคนค Naïve Bayes เทคนค Support Vector Machine
เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ
เทคนค C4.5 ผานการใชงานโปรแกรม RapidMiner Studio
V7.4.000 โดยชดขอมลเอกสารทใชในงานวจยน รวบรวมจาก
เฟสบ ค จ�านวน 1,570 ชดขอมล จากนนท�าการคนหา
คณลกษณะของค�าเพอท�าการก�าหนดคณลกษณะของแตละ
ประโยค โดยใชค�าเพอท�าการก�าหนดคณลกษณะทงหมด 400
ค�า แบงออกเปนค�าบงชคณลกษณะเชงบวกจ�านวน 123 ค�า
และค�าบงชคณลกษณะเชงลบจ�านวน 277 ค�า จากนนท�าการ
คดเลอกขอมลเขาสโมเดล โดยในการคดเลอกครงแรกท�าการ
ตดขอมลทไมปรากฏค�าแสดงคณลกษณะ คอ มคาของจ�านวน
ค�าเปน 0 ซงในขนแรกคงเหลอจ�านวนขอมล 1,215 ชดขอมล
จากนนเลอกเพยงชดขอมลทเปน คลาส P และ N เทานน
ซงจ�านวนชดขอมลทเตรยมเขาสโมเดลทง 5 จะเหลอเพยง
1,015 ชดขอมล
ในการประเมนประสทธภาพของโมเดลทง 5 โมเดล
โดยใชการทดสอบโมเดลดวยวธการ 10-fold cross validation
ในการแบงกล มขอมลเปนชดขอมลเรยนร และชดขอมล
ทดสอบ และวดประสทธภาพของแบบจ�าลองดวยคาความถก
ตอง คาความแมนย�า และคาความระลก
Noochanat Pinmuang et al. J Sci Technol MSU378
9
ประสทธภาพของแบบจ าลอง คอได ความถกตอง (accuracy) คาความแมนย า (precision) และคาความระลก (recall) ดงสมการท 2, 3 และ 4 ตามล าดบ
𝐴𝐴𝑐𝑐𝑐𝑐𝑢𝑢𝑟𝑟𝑎𝑎𝑐𝑐𝑦𝑦 𝑇𝑇𝑃𝑃 𝑇𝑇𝑁𝑁𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 𝑇𝑇𝑁𝑁 𝐹𝐹𝑁𝑁 (2)
𝑃𝑃𝑟𝑟𝑒𝑒𝑐𝑐𝑖𝑖𝑠𝑠𝑖𝑖𝑜𝑜𝑛𝑛 𝑇𝑇𝑃𝑃
𝑇𝑇𝑃𝑃 𝐹𝐹𝑃𝑃 (3)
𝑅𝑅𝑒𝑒𝑐𝑐𝑎𝑎𝑙𝑙𝑙𝑙 𝑇𝑇𝑃𝑃𝑇𝑇𝑃𝑃 𝐹𝐹𝑁𝑁 (4)
โดย TP คอ จ านวนขอมลทถกน ามาใชอยางถกตอง TN คอ จ านวนขอมลทผดทถกน ามาใช FP คอ จ านวนขอมลทถกตองแตไมน ามาใช FN คอ จ านวนขอมลทผดแตไมน ามาใช
ผลการวจย
งานวจยนไดท าการทดลองจ าแนกความคดเหนเกยวกบการใชบรการพรอมเพยดวยเทคนคการจ าแนกของการท าเหมองขอความมาใชในการวเคราะหทงหมด 5 เทคนค คอ เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผานการใชงานโปรแกรม RapidMiner Studio V7.4.000 โดยชดขอมลเอกสารทใชในงานวจยน รวบรวมจากเฟสบค จ านวน 1,570 ชดขอมล จากนนท าการคนหาคณลกษณะของค าเพอท าการก าหนดคณลกษณะของแตละประโยค โดยใชค าเพอท าการก าหนดคณลกษณะทงหมด 400 ค า แบงออกเปนค าบงชคณลกษณะเชงบวกจ านวน 123 ค า และค าบงชคณลกษณะเชงลบจ านวน 277 ค า จากนนท าการ
คดเลอกขอมลเขาสโมเดล โดยในการคดเลอกครงแรกท าการตดขอมลทไมปรากฏค าแสดงคณลกษณะ คอ มคาของจ านวนค าเปน 0 ซงในขนแรกคงเหลอจ านวนขอมล 1,215 ชดขอมล จากนนเลอกเพยงชดขอมลทเปน คลาส P และ N เทานน ซงจ านวนชดขอมลทเตรยมเขาสโมเดลทง 5 จะเหลอเพยง 1,015 ชดขอมล
ในการปร ะเมนประสทธภาพของโมเดลทง 5 โมเดล โดยใชการทดสอบโมเดลดวยวธการ 10-fold cross validation ในการแบงกลมขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวดประสทธภาพของแบบจ าลองดวยคาความถกตอง คาความแมนย า และคาความระลก
Figure 6 การเปรยบเทยบคาความถกตอง
จาก Figure 6 เปนการเปรยบเทยบคาความถกตองของ 5 เทคนคประกอบดวย เทคนค Naïve Bayes เทคนค Support Vector Machine เทคนค K-Nearest Neighbor เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผลปรากฏวาวาเทคนค Naïve Bayes ใหความถกตองสงสดอยางมนยส าคญท 93.885% รองลงมาคอเทคนค K-NN ท 86.89%
Naïve Bayes SVM K-NN D-Tree C4.5
Accuracy 93.88% 73.31% 86.89% 65.52% 79.31%
0.00%20.00%40.00%60.00%80.00%
100.00%
Accuracy
Figure 6 Comparison of accuracy
จาก Figure 6 เปนการเปรยบเทยบคาความถกตอง
ของ 5 เทคนคประกอบดวย เทคนค Naïve Bayes เทคนค
Support Vector Machine เทคนค K-Nearest Neighbor
เทคนคตนไมตดสนใจ และ เทคนค C4.5 ผลปรากฏวาวา
เทคนค Naïve Bayes ใหความถกตองสงสดอยางมนยส�าคญ
ท 93.885% รองลงมาคอเทคนค K-NN ท 86.89%10
Figure 7 การเปรยบเทยบคาความแมนย า
ในสวนของการเปรยบเทยบคาความแมนย าใน Figure 7 จะเหนไดวาผลของการเปรยบเทยบนน เทคนค Naïve Bayes ใหผลของความแมนย าดทสดอยางมนยส าคญท 94.02% รองลงมาคอเทคนค K-Nearest Neighbor ทคา 87.16% และใน Figure 8 จะแสดงการเปรยบเทยบคาความระลกของโมเดลผลจากการเปรยบเทยบทง 5 เทคนค จะเหนไดวาเทคนค Naïve Bayes ใหผลดทสดอยางมนยส าคญท 93.54% รองลงมาคอเทคนค K-Nearest Neighbor ท 88.24%
Figure 8 การเปรยบเทยบคาความระลก
จากการเปรยบเทยบของทง 5 โมเดล จะเหนไดวาเทคนค Naïve Bayes ใหผลการทดสอบดทสดอยางมนยส าคญโดยมคาความถกตอง 93.88% คาความแมนย า
94.02% และคาความระลก 93.54% และรองลงมาจะเปนเทคนค K-Nearest Neighbor
แมวาโมเดลการจ าแนกกลมของชดขอมลทใชในการทดสอบนจะไดผลลพธทด แตอยางไรกตามขอผดพลาดทเกดขนจากการจ าแนกกลมของโมเดลทง 5 น ไดใชวธการในการจ าแนกกลมตามคณลกษณะของค า ซงการด าเนนการเพอใหไดค าทใชในการจ าแนกคณลกษณะมานนใชวธการองตามความหมายและประเภทของค าในพจนานกรมเปนหลก อกทงค าทใชในการจ าแนกคณลกษณะไดท าการเลอกเพยงค าวเศษณทสามารถจ าแนกความหมายออกไดเปนคณลกษณะเชงบวกและคณลกษณะเชงลบเทานน อ กทงขอผดพลาดจากการตดค า ซงผลของการตดค านนอาจไมสามารถใหความและประเภทของค าค านนไดอยางถกตองตามความหมายและประเภทของพจนานกรมได จากการรวบรวมขอมลจากสอออนไลนซงมลกษณะเปนขอความภาษาธรรมชาต กลาวคอ ค าบางค าทพบในเอกสารอาจไมพบในพจนานกรม ซงค าดงกลาวจะไมสามารถแยกประเภทของค าได ถงแมวาค าดงกลาวนนจะเปนค าทสามารถเปนค าบงชคณลกษณะไดดกตาม จงไมสามารถน ามาทดสอบในโมเดลดงกลาวไดดวยเชนกน
วจารณและสรป งานวจยฉบบน เพอคนหาเทคนคการท าเหมองขอความทมประสทธภาพในการจ าแนกขอความคดเหนทไดมการแสดงความคดเหนตอการใชบรการพรอมเพยทถกเขยนขนดวยภาษาไทย โดยขอความคดเหนทไดนนไดท าการเกบรวบรวมผานการใชงาน Facebook API จ านวนทงหมด 1,570 ขอความ โดยในงานวจยนไดท าการแบงคณลกษณะออกเปน 2 กลม คอ คณลกษณะเชงบวกและคณลกษณะเชงลบ โดยน าเอาค าวเศษณจาก
Naïve Bayes SVM K-NN D-Tree C4.5
Precision 94.02% 73.02% 87.16% 74.49% 80.12%
0.00%20.00%40.00%60.00%80.00%
100.00%
Precision
Naïve Bayes SVM K-NN D-Tree C4.5
Recall 93.54% 71.51% 88.24% 58.98% 76.99%
0.00%20.00%40.00%60.00%80.00%
100.00%
Recall
Figure 7 Comparison of precision
ในสวนของการเปรยบเทยบคาความแมนย�าใน
Figure 7 จะเหนไดวาผลของการเปรยบเทยบนน เทคนค
Naïve Bayes ใหผลของความแมนย�าดทสดอยางมนยส�าคญ
ท 94.02% รองลงมาคอเทคนค K-Nearest Neighbor ทคา
87.16% และใน Figure 8 จะแสดงการเปรยบเทยบคาความ
ระลกของโมเดลผลจากการเปรยบเทยบทง 5 เทคนค จะเหน
ไดวาเทคนค Naïve Bayes ใหผลดทสดอยางมนยส�าคญท
93.54% รองลงมาคอเทคนค K-Nearest Neighbor ท 88.24%
10
Figure 7 การเปรยบเทยบคาความแมนย า
ในสวนของการเปรยบเทยบคาความแมนย าใน Figure 7 จะเหนไดวาผลของการเปรยบเทยบนน เทคนค Naïve Bayes ใหผลของความแมนย าดทสดอยางมนยส าคญท 94.02% รองลงมาคอเทคนค K-Nearest Neighbor ทคา 87.16% และใน Figure 8 จะแสดงการเปรยบเทยบคาความระลกของโมเดลผลจากการเปรยบเทยบทง 5 เทคนค จะเหนไดวาเทคนค Naïve Bayes ใหผลดทสดอยางมนยส าคญท 93.54% รองลงมาคอเทคนค K-Nearest Neighbor ท 88.24%
Figure 8 การเปรยบเทยบคาความระลก
จากการเปรยบเทยบของทง 5 โมเดล จะเหนไดวาเทคนค Naïve Bayes ใหผลการทดสอบดทสดอยางมนยส าคญโดยมคาความถกตอง 93.88% คาความแมนย า
94.02% และคาความระลก 93.54% และรองลงมาจะเปนเทคนค K-Nearest Neighbor
แมวาโมเดลการจ าแนกกลมของชดขอมลทใชในการทดสอบนจะไดผลลพธทด แตอยางไรกตามขอผดพลาดทเกดขนจากการจ าแนกกลมของโมเดลทง 5 น ไดใชวธการในการจ าแนกกลมตามคณลกษณะของค า ซงการด าเนนการเพอใหไดค าทใชในการจ าแนกคณลกษณะมานนใชวธการองตามความหมายและประเภทของค าในพจนานกรมเปนหลก อกทงค าทใชในการจ าแนกคณลกษณะไดท าการเลอกเพยงค าวเศษณทสามารถจ าแนกความหมายออกไดเปนคณลกษณะเชงบวกและคณลกษณะเชงลบเทานน อ กทงขอผดพลาดจากการตดค า ซงผลของการตดค านนอาจไมสามารถใหความและประเภทของค าค านนไดอยางถกตองตามความหมายและประเภทของพจนานกรมได จากการรวบรวมขอมลจากสอออนไลนซงมลกษณะเปนขอความภาษาธรรมชาต กลาวคอ ค าบางค าทพบในเอกสารอาจไมพบในพจนานกรม ซงค าดงกลาวจะไมสามารถแยกประเภทของค าได ถงแมวาค าดงกลาวนนจะเปนค าทสามารถเปนค าบงชคณลกษณะไดดกตาม จงไมสามารถน ามาทดสอบในโมเดลดงกลาวไดดวยเชนกน
วจารณและสรป งานวจยฉบบน เพอคนหาเทคนคการท าเหมองขอความทมประสทธภาพในการจ าแนกขอความคดเหนทไดมการแสดงความคดเหนตอการใชบรการพรอมเพยทถกเขยนขนดวยภาษาไทย โดยขอความคดเหนทไดนนไดท าการเกบรวบรวมผานการใชงาน Facebook API จ านวนทงหมด 1,570 ขอความ โดยในงานวจยนไดท าการแบงคณลกษณะออกเปน 2 กลม คอ คณลกษณะเชงบวกและคณลกษณะเชงลบ โดยน าเอาค าวเศษณจาก
Naïve Bayes SVM K-NN D-Tree C4.5
Precision 94.02% 73.02% 87.16% 74.49% 80.12%
0.00%20.00%40.00%60.00%80.00%
100.00%
Precision
Naïve Bayes SVM K-NN D-Tree C4.5
Recall 93.54% 71.51% 88.24% 58.98% 76.99%
0.00%20.00%40.00%60.00%80.00%
100.00%
Recall
Figure 8 Comparison of recall
จากการเปรยบเทยบของทง 5 โมเดล จะเหนไดวา
เทคนค Naïve Bayes ใหผลการทดสอบดทสดอยางมนย
ส�าคญโดยมคาความถกตอง 93.88% คาความแมนย�า 94.02%
และคาความระลก 93.54% และรองลงมาจะเปนเทคนค K-
Nearest Neighbor
แมวาโมเดลการจ�าแนกกลมของชดขอมลทใชในการ
ทดสอบนจะไดผลลพธทด แตอยางไรกตามขอผดพลาดทเกด
ขนจากการจ�าแนกกลมของโมเดลทง 5 น ไดใชวธการในการ
จ�าแนกกลมตามคณลกษณะของค�า ซงการด�าเนนการเพอให
ไดค�าทใชในการจ�าแนกคณลกษณะมานนใชวธการองตาม
ความหมายและประเภทของค�าในพจนานกรมเปนหลก อกทง
ค�าทใชในการจ�าแนกคณลกษณะไดท�าการเลอกเพยงค�า
วเศษณทสามารถจ�าแนกความหมายออกไดเปนคณลกษณะ
เชงบวกและคณลกษณะเชงลบเทานน อกทงขอผดพลาดจาก
การตดค�า ซงผลของการตดค�านนอาจไมสามารถใหความและ
ประเภทของค�าค�านนไดอยางถกตองตามความหมายและ
ประเภทของพจนานกรมได
จากการรวบรวมขอมลจากสอออนไลนซงมลกษณะ
เปนขอความภาษาธรรมชาต กลาวคอ ค�าบางค�าทพบใน
เอกสารอาจไมพบในพจนานกรม ซงค�าดงกลาวจะไมสามารถ
แยกประเภทของค�าได ถงแมวาค�าดงกลาวนนจะเปนค�าท
สามารถเปนค�าบงชคณลกษณะไดดกตาม จงไมสามารถน�ามา
ทดสอบในโมเดลดงกลาวไดดวยเชนกน
วจารณและสรปงานวจยฉบบน เพอคนหาเทคนคการท�าเหมองขอความทม
ประสทธภาพในการจ�าแนกขอความคดเหนทไดมการแสดง
ความคดเหนตอการใชบรการพรอมเพยทถกเขยนขนดวย
ภาษาไทย โดยขอความคดเหนทไดนนไดท�าการเกบรวบรวม
ผานการใชงาน Facebook API จ�านวนทงหมด 1,570
ขอความ โดยในงานวจยนไดท�าการแบงคณลกษณะออกเปน
Classifying Thai opinions on online media using text mining 379Vol 37. No 3, May-June 2018
2 กลม คอ คณลกษณะเชงบวกและคณลกษณะเชงลบ โดยน�า
เอาค�าวเศษณจากความคดเหนตอการใชบรการพรอมเพย
ซงค�าวเศษณนจะสามารถแสดงถงอารมณเชงบวกและเชงลบ
ไดด11 จากนนไดน�าเอาเทคนควธการวเคราะหเหมองขอความ
มาท�าการวเคราะหขอความคดเหนโดยท�าการเปรยบเทยบ
ทงหมด 5 เทคนควธดวยกนคอ เทคนค Naïve Bayes เทคนค
Support Vector Machine เทคนค K-Nearest Neighbor
เทคนคตนไมตดสนใจ และเทคนคตนไมตดสนใจแบบ C4.5
ส�าหรบขนตอนวธการวดประสทธภาพของทง 5
โมเดลไดใชหลกการ 10-fold cross validation ในการแบงกลม
ขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวด
ประสทธภาพของแบบจ�าลองดวยคาความถกตอง คาความ
แมนย�าและคาความระลก ผลจากการวจยพบวา เทคนค Naïve
Bayes ใหผลดทสด โดยใหคาความถกตอง 93.88% คาความ
แมนย�า 94.02% และคาความระลก 93.54% ผวจยจงไดน�า
เอาหลกการของเทคนควธ Naïve Bayes มาประยกตใชในการ
สรางแบบจ�าลองเพอท�าการจ�าแนกขอความคดเหนภาษาไทย
เพอใหสามารถพฒนาใชงานการจ�าแนกขอความคดเหนภาษา
ไทยไดดมากยงขน
ส�าหรบงานวจยครงตอไป อาจมการพจารณาถง
กระบวนการสรางค�าบงชจากประเภทของค�า เชน ค�านาม หรอ
ค�ากรยา เปนตน เพอใหเกดความครอบคลมในการวเคราะห
ประโยคจากค�าบงช และเพอเปนการเพมประสทธภาพใหกบ
การจ�าแนกประเภทของประโยคและค�าไดดมากขน
กตตกรรมประกาศ ผวจยขอขอบคณอาจารยคณะวทยาการสารสนเทศ
มหาวทยาลยมหาสารคามทใหค�าปรกษาและค�าแนะน�าตางๆ
เพอใหงานออกมาไดดและมประสทธภาพมากทสด
เอกสารอางอง1. ธนาคารแหงประเทศไทย. PromtPay 2559 [30 พฤศจกายน
2559]. สบคนจาก: https://www.bot.or.th/Thai/Payment-
Systems/PSServices/PromptPay.
2. Nikhil R, Nikhil Tikoo, Sukrit Kurle, Hari Sravan
Pisupati, Dr Prasad G R. A. (2015). Survey on Text
Mining and Sentiment Analysis for Unstructured Web
Data. International Journal of Emerging Technologies
and Innovative Research 2(5).
3. Ning Zhong, Yuefeng Li, Sheng-Tang Wu. (2012).
Effective Pattern Discovery for Text Mining. IEEE
Transactions on Knowledge and Data Engineering
24(1):30-40.
4. กานดา แผวฒนากล, ดร.ปราโมทย ลอนาม. การวเคราะห
เหมองความคดเหนบนเครอขายสงคมออนไลน. บทความ
วชาการ วารสารการจดการสมยใหม ปท 11. กรกฎาคม-
ธนวาคม 2556;ฉบบท 2:10.
5. ประพฒน พรมน�าอาง, วสวรรธน พงศขจร, นเวศ จระวชตชย.
(2559). การจ�าแนกกลมขอความรววโดยใชเทคนคเหมอง
ขอมล. วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลย
เทคโนโลยราชมงคลธญบร 6(1), 94-102.
6. พชรนกานต พงษธน, วรารตน รงวรวฒ, งามนจ อาจอนทร,
สมจตร อาจอนทร. (2556). วเคราะหความพงพอใจของ
ลกคาจากขอความค�าแนะน�าโดยการท�าเหมองความคดเหน.
Conference on Knowledge and Smart Technology
2012. p. 53-60.
7. อดเทพ ไชยสาร, รฐสทธ สขะหต. (2557). การประมาณ
อารมณจากความคดเหนภาษาไทยโดยใชเทคนคการเรยน
รของเครอง. การประชมวชาการระดบชาต ดานคอมพวเตอร
และเทคโนโลยสารสนเทศ ครงท 9 (NCCIT 2013),
มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ,
กรงเทพมหานคร, 9-10 พฤษภาคม 2557 p. 260-6.
8. P. Barnaghi, P. Ghaffari, J. G. Breslin. (2016). Opin-
ion Mining and Sentiment Polarity on Twitter and
Correlation between Events and Sentiment. IEEE
Second International Conference on Big Data Com-
puting Service and Applications (BigDataService);
March 29 April 2016.
9. M. Bouazizi, T. Ohtsuki. (2015). Opinion mining in
Twitter: How to make use of sarcasm to enhance
sentiment analysis. International Conference on
Advances in Social Networks Analysis and Mining
(ASONAM); 25-28 Aug. 2015.
10. Jiawei Han, Micheline Kamber, Jian Pei. (2012). Data
Mining Concepts and Techniques. 3 ed.
11. Yan Sun, Changqin Quan, Xin Kang, Zuopeng
Zhang, Fuji Ren. (2014). Customer emotion detection
by emotion expression analysis on adverbs. Journal
of special topics in Information Technology and
Management15(4).
นพนธตนฉบบ
1 นสต, สาขาเทคโนโลยสารสนเทศ คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม, มหาสารคาม, 44150.2 ผชวยศาสตราจารย, อาจารยทปรกษา หนวยวจยสารสนเทศประยกต คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม, มหาสารคาม, 44150.1 Student, Department of Information Technology, Faculty of Informatics, Mahasarakham University, Maha Sarakham, 44150.2 Assistant Professor, Applied informatics Research Unit, Faculty of Informatics, Mahasarakham University, Maha Sarakham, 44150.
* Corresponding author: Tel: +66 086 5803169
Email address: [email protected]
การเปรยบเทยบประสทธภาพของแบบจ�าลองในการพยากรณความส�าเรจการศกษาของ
นกเรยนระดบประกาศนยบตรวชาชพ
The Comparison of Performance Models for Predicting Students Success in Vocation
Education
พฒนพงษ ดลรตน1*, จาร ทองค�า2
Pattanaphong Donrat1*, JareeThongkam2
Received: 27 March 2017 ; Accepted: 23 November 2017
บทคดยอ ปจจบนประเทศไทยนนอยสภาวะขาดแคลนแรงงานฝมอ กระทรวงศกษาธการจงไดมนโยบายในปพทธศกราช 2554 การ
เปลยนแปลงสดสวนของผเรยนอาชวศกษาตอผเรยนสายสามญจากเดม 40:60 เปน 60:40 ภายในปพทธศกราช 2561 ซงเปน
ปสนสดของการปฏรปการศกษาทศวรรษท 2 ซงสถานศกษาอาชวศกษาเอกชนกเปนหนวยงานหนงทด�าเนนการสนองนโยบาย
ของรฐบาลเพอแกไขปญหาสภาวะขาดแคลนแรงงานฝมอ เพมจ�านวนผส�าเรจการศกษา พฒนาการศกษาใหเกดประสทธภาพ
สงสด ดงนนงานวจยนจงมจดประสงคเพอการเปรยบเทยบประสทธภาพของแบบจ�าลองในการพยากรณความส�าเรจการศกษา
ของนกเรยนระดบประกาศนยบตรวชาชพ งานวจยนไดใช 6 เทคนคทมประสทธภาพในการสรางแบบจ�าลอง คอ C4.5, Random
Forest, Random Tree, Reduced Error Pruning (REP Tree), k-Nearest Neighbors (k-NN) และ Support Vector Machine
(SVM) และวดประสทธภาพการพยากรณของแบบจ�าลองดวยคาความถกตอง (Accuracy) คาความแมนย�า (Precision) และคา
ความระลก (Recall) จากการศกษาพบวา แบบจ�าลอง C4.5 มประสทธภาพในการพยากรณความส�าเรจการศกษาของนกเรยน
ระดบประกาศนยบตรวชาชพมากทสดถง 95.36%
ค�าส�าคญ แบบจ�าลองการพยากรณความส�าเรจการศกษา ประกาศนยบตรวชาชพ ตนไมการตดสนใจ เหมองขอมล
AbstractCurrently, Thailand has a shortage of skilled labor. Ministry of Education policy requires that between B.E 2554 and
2561, the proportion of vocational students compare with the common line should increase from 40:60 to 60:40, the
year of the second decade of education reform education. The private Vocational College was working to meet the
government’s policy to solve the shortage of skilled labor, increase the number of graduates, and develop the best
performance. This research compares performance of models for predicting student success in vocation education.
This research using six powerful techniques in modeling is C4.5, Random Forest, Random Tree, Reduced Error
Pruning (REP Tree), k-Nearest Neighbors (k-NN) and Support Vector Machine (SVM) A set of test data performance
measurement and prediction of models with accuracy, precision and recall found that the C4.5 model was effective in
predicting educational success. Most vocational certificate levels reached 95.36%
Keywords: Models predicting graduation, Vocational Education Certificate, Decision tree, Data mining
The Comparison of Performance Models for Predicting Students Success
in Vocation Education
381Vol 37. No 3, May-June 2018
บทน�าปจจบนประเทศไทยนนอยสภาวะขาดแคลนแรงงานฝมอ1
กระทรวงศกษาธการจงไดมนโยบายในปพทธศกราช 2554
การเปลยนแปลงสดสวนของผเรยนอาชวศกษาตอผเรยนสาย
สามญจากเดม 40:60 เปน 60:40 ภายในปพทธศกราช 2561
ซงเปนปสนสดของการปฏรปการศกษาทศวรรษท 2
การเพมจ�านวนผส�าเรจการศกษาตามระยะเวลาของ
หลกสตรของอาชวศกษา ซงหลกสตรอาชวศกษาแบงออกได
เปน 2 หลกสตรคอ 1)หลกสตรประกาศนยบตรวชาชพ (ปวช.)
มระยะเวลาการศกษาตามหลกสตร 3 ป 2) หลกสตร
ประกาศนยบตรวชาชพชนสง (ปวส.) มระยะเวลาการศกษา
ตามหลกสตร 2 ป ซงการจดใหผเรยนส�าเรจการศกษาตาม
ระยะเวลาของหลกสตรนน เปนตวบงชตวหนงทแสดงวาสถาน
ศกษาไดจดการศกษาอยางมคณภาพและประสทธภาพ ตาม
ตวบงชของการประกนคณภาพการศกษาทงการประกน
คณภาพภายในและการประกนคณภาพภายนอก
สถานศกษาอาชวศกษาเอกชน2 กเปนหนวยงานหนง
ในการจดการศกษาอาชวศกษาทมบทบาท ส�าคญในการให
บรการการศกษาทางดานวชาชพเชนเดยวกบสถานศกษา
อาชวศกษารฐบาลซงลวนแตมบทบาทและความส�าคญอยาง
ยงตอการพฒนาประเทศ เพราะเปนการศกษาทจดเตรยม
บคคลใหมอาชพเปนหลกในอนาคต และชวยใหอาชพทมอย
แลวมความกาวหนาในอาชพตน
แตในความเปนจรงนนสถานศกษาอาชวศกษา
เอกชนนนมขอเสยเปรยบสถานศกษาอาชวศกษารฐบาลเชน
งบประมาณในการจดซอสอการเรยนการสอนทชดเจนคอ
ประเภทวชาอตสาหกรรมเปนตน เนองจากงบประมาณสวน
ใหญของสถานศกษาอาชวศกษาเอกชนนนมาจากเงนอดหนน
รายบคคลทรฐสนบสนนโดยเงนทไดจะมากหรอนอยนนกขน
อยจ�านวนนกเรยนเปนหลกดงนนหากสถานศกษาอาชวศกษา
เอกชนมจ�านวนนกเรยนมากกจะไดงบประมาณมาพฒนาการ
เรยนการสอนใหไดประสทธภาพมากยงขน ซงสถานการณ
ปจจบนของสถานศกษาอาชวศกษาในจงหวดกาฬสนธซงม
การรวมเอาสถานศกษาอาชวศกษาทงภาครฐและเอกชนมาไว
ภายใตหนวยงานเดยวกนคออาชวศกษาจงหวดกาฬสนธโดย
มสถานศกษาทงสน 18 สถานศกษา แบงเปนสถานศกษา
รฐบาลจ�านวน 6 แหง และสถานศกษาของเอกชน 12 แหง
แมนจ�านวนสถานศกษาของเอกชนจะมากกวาจ�านวนสถาน
ศกษาของรฐบาลแตกยงมจ�านวนนกเรยน-นกศกษา นอยกวา
สถานศกษาของรฐบาลอยมาก
เหมองขอมลเปนกระบวนการในการคนหาความร
จากขอมล นกวจยหลายทานไดน�าเอากระบวนการของเหมอง
ขอมลมาใชในการสรางแบบจ�าลองเพอการพยากรณ เชน
R.K.Kavitha และ Dr. D.DoraiRangasamy3 ไดเสนอการ
ท�านายการรอดชวตจากมะเรงเตานมโดยใชเทคนค Naive
Bayes และ C4.5 ผลการทดลองพบวา เทคนค C4.5 ใหความ
ถกตอง 97.9% ซงสงกวา Naive Bayes
เพยงฤทย หนสวสด4 ไดเสนอการสรางโมเดลท�านาย
อตราการใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมอง
ขอมล 2 เทคนค คอ Perceptron Neural Network และ SVM
แบบ kernel ผลการวจยพบวาเทคนค SVM แบบ kernel ให
ประสทธภาพความแมนย�ามากทสด เทคนคในเหมองขอมลท
เปนทนยมและมประสทธภาพ5 เชน C4.5, The k-means,
SVM, The Apriori algorithm, The EM algorithm, PageR-
ank, AdaBoost, k-NN, Naive Bayes, CART, Random
Forest, Random Tree และ REP Tree เปนตน
วตถประสงคเพอศกษาปจจยทมผลตอการส�าเรจการ
ศกษาในสถานศกษาอาชวศกษาเอกชนจงหวดกาฬสนธและ
พฒนาแบบจ�าลองทมประสทธภาพในการพยากรณการส�าเรจ
การศกษาในสถานศกษาอาชวศกษาเอกชนจงหวดกาฬสนธ
โดยใชขอมลนกเรยนทเรยนครบตามระยะเวลาของหลกสตร
ประกาศนยบตรวชาชพ (ปวช.) ในปการศกษา 2557-2558
เพอชวยในการพยากรณการส�าเรจการศกษาในสถานศกษา
อาชวศกษาเอกชนจงหวดกาฬสนธซงสามารถชวยสงเสรมให
ครแนะแนวและผบรหารมขอมลสารสนเทศเพอวางแผนในการ
แนะแนวใหนกเรยน-นกศกษาเขาศกษาตอในสถานศกษา
อาชวศกษาเอกชนในจงหวดกาฬสนธ ในงานวจยนไดใช 6
เทคนคทมประสทธภาพในการสรางแบบจ�าลอง คอ C4.5,
Random Forest, Random Tree, REP Tree, k-NN และ SVM
คณะผวจยไดใชหลกการ 10-fold cross validation ในการแบง
กลมขอมลเปนชดขอมลเรยนร และชดขอมลทดสอบ และวด
ประสทธภาพการพยากรณของแบบจ�าลองดวยคาความถก
ตอง (Accuracy) คาความแมนย�า (Precision) และคาความ
ระลก (Recall)
ทฤษฏและงานวจยทเกยวของ 1. สถานศกษาอาชวศกษาเอกชนในจงหวด
กาฬสนธ
สถานศกษาอาชวศกษาเอกชนสงกดส�านกงาน
คณะกรรมการสงเสรมการศกษาเอกชน (สช.) และมหนวยงาน
ตนสงกดคอส�านกงานเขตพนทการศกษาประถมศกษากาฬสนธ
เขต 1 เขต 2 และเขต 3 ตามพนททสถานศกษาตงอย แตใช
หลกสตรของส�านกงานคณะกรรมการการอาชวศกษา (สอศ.)
จนมาถงวนท 12 กมภาพนธ 2559 เวบไซดราชกจจานเบกษา
Pattanaphong Donrat et al. J Sci Technol MSU382
ไดเผยแพรค�าสงหวหนาคณะรกษาความสงบแหงชาตท 8/2559
เรองการบรหารจดการรวมสถานศกษาอาชวศกษาภาครฐและ
ภาคเอกชน โดยใหรวมสถานศกษาทงภาครฐและเอกชนไว
ดวยกนภายใตสงกดอาชวศกษาจงหวดกาฬสนธ (อศจ.กาฬสนธ)
2. สภาวะการขาดแคลนแรงงานฝมอในประเทศไทย
พ เชษฐ สขเสกสรรค 6 ได ท�าการส�ารวจ
ประสบการณของหนวยงานกลมรบเหมากอสรางในการเผชญ
ปญหาการขาดแคลนแรงงานกอสรางกล มชางฝมอหรอ
ชางเทคนค คอผทส�าเรจการศกษาระดบประกาศนยบตร
วชาชพและประกาศนยบตรวชาชพชนสงโดยมผลการส�ารวจ
ดงน 1) หนวยงานของทานเคยประสบปญหาการขาดแคลน
แรงงานกลมนคดเปนรอยละ 89.7 2) หนวยงานของทานก�าลง
ประสบปญหาการขาดแคลนแรงงานกลมนคดเปนรอยละ 60.3
3) หนวยงานของทานไดเคยประเมนสถานการณหรอได
ประเมนสถานการณการขาดแคลนแรงงานกลมนในอนาคตคด
เปนรอยละ 75.6
จงจตต ฤทธรงค, รนา ตะด7 กลาววา ความตองการ
แรงงานฝมอในอตสาหกรรมทส�าคญ 3 ประเภท คอ อตสาหกรรม
ยานยนต การผลตอาหารและการทองเทยว นนยงมมาก
โดยเฉพาะแรงงานทอยในระดบปฏบตงานคอกลมผทส�าเรจ
การศกษาระดบประกาศนยบตรวชาชพและประกาศนยบตร
วชาชพชนสง เนองจากบคลากรกลมนมทกษะทจ�าเปนตอการ
ปฏบตงาน จากการฝกประสบการณวชาชพซงมความรวมมอ
ระหวางสถานบนอาชวศกษาและภาคเอกชน ในการฝกทกษะ
ใหแกผเรยนมความสามารถและทกษะตรงตามความตองการ
ของตลาดแรงงาน แตอยางไรกตาม การผลตแรงงานฝมอยง
ไมเพยงพอและมแนวโนมวาจะขาดแคลนอนเนองมาจากคา
นยมทใหความส�าคญกบปรญญาบตรมากกวาความสามารถ
และทกษะในการท�างาน ดงสะทอนออกมาเปนอตราคาจางท
แปรผนตามระดบวฒการศกษา
3. เทคนคในเหมองขอมล
เทคนคในเหมองขอมลไดถกน�ามาใชในการสราง
แบบจ�าลองกนอยางแพรหลายและมประสทธภาพ เชน C4.5,
Random Forest, Random Tree, REP Tree, k-NN และ SVM
ซงสามารถอธบายไดดงตอไปน
1) เทคนค C4.518 เปนเทคนคในการสรางตนไม
การตดสนใจพฒนาโดย J. Ross Quinlan ในป 1993 โดยน�า
เอา ID3 มาปรบปรงใหมความสามารถมากขนใชวธการ Infor-
mation Gain เพมเตมการจดการกบขอมล, ตวเลข, ขอมลท
ขาดไปและไมสมบรณ และการ Prune ดวยการแทนกง
(Branch) ทไมชวยในการตดสนใจดวย Leaf Node ทตดสนใจ
ไดดกวา การแบงของ tree ในการท�างานขนตอนแรกคลายกบ
การท�างานดวย ID3 คอตองหา Info และ Gain ออกมากอน
ซงมนกวจยหลายทานไดน�าเอาเทคนคนมาใชในการพยากรณ
เชน Abdelghani Bellaachia และ Erhan Guven8 ไดเสนอการ
พยากรณการรอดชวตจากมะเรงเตานมโดยใชเทคนคการท�า
เหมองขอมล โดยใช 3 เทคนค คอ Naive Bayes, BP-ANN
และ C4.5 ผลการทดลองพบวาการพยากรณการรอดชวตจาก
มะเรงเตานมโดยใชเทคนค C4.5 ใหความถกตองรอยละ 86
มากกวาการพยากรณดวยเทคนค BP-ANN ทใหคาความถก
ตองรอยละ 85.5 และเทคนค Naive Bayes ทใหคาความถก
ตองรอยละ 84.5
2) เทคนค Random Forest9 เปนเทคนคการ
สมเลอกใชขอมลและคณลกษณะ Decision Tree ซงถกสราง
จากการน�าขอมลไปสมเลอกตวอยางแบบเลอกแลวใสกลบ
(Sampling with Replacement) แลวน�ามาสรางเปน Tree ซง
จะมตวอยางสวนหนงทไมถกเลอก ซงขอมลสวนนเรยกวา
Out-of-Bag (OOB) จะถกน�ามาใชในการทดสอบ Decision
Tree วธการดงกลาวนเรยกวา Bagging ผลลพธทไดอยาง
อสระจาก Decision Tree ในแตละตนถกน�ามาคดเปนผลการ
โหวต ผลโหวตทมากทสดจะใชระบสถานะของคลาสดง Figure
1 เทคนค Random Forest ไมจ�าเปนตองมขอมลทดสอบ เพอ
ประมาณความผดพลาดเพราะขอมล OOB นนถก น�ามาใช
ทดสอบ Decision Tree นนแลว
Figure 1 Characteristics of Random Forest
มนกวจยจ�านวนมากไดน�าเทคนค Random
Forest มาใชในการจ�าแนก เชน Krishnaveni10 ไดพฒนาแบบ
จ�าลองส�าหรบท�านายการบาดเจบทเกดจากอบตเหตบนทอง
ถนน โดยใชเทคนควธ Naive, PART Rule, J48 Decision
tree และ Random forest พบวาการสรางแบบจ�าลองดวย
เทคนควธ Random forest ใหความถกตองคดเปนรอยละ
74.34 ซงดกวาวธอนๆ
ภรณยา ปาลว สท ธ 11 ได เสนอการเพม
ประสทธภาพเทคนค Decision tree บนชดขอมลทไมสมดล
The Comparison of Performance Models for Predicting Students Success
in Vocation Education
383Vol 37. No 3, May-June 2018
โดยวธการสมเพมตวอยางกลมนอยส�าหรบขอมลการเปนโรค
ตดอนเทอรเนต ดวยเทคนค Decision Tree J48, ID3, LMT,
CART และ Random Forest ผลการทดลองประสทธภาพใน
การพยากรณของตวแบบพบวาเทคนค Random Forest มคา
ความแมนย�ารอยละ 87.15 สามารถพยากรณไดดกวา J48
ID3 LMT และ CART
3) เทคนค Random Tree12 คอ เทคนคทใชใน
การจ�าแนกหมวดหมเชนเดยวกบ C4.5 โดยมหลกการสราง
Tree จากการสม Tree หลายๆแบบ ในแตละโหนดแลวเลอก
มาประมวลผลโดยไมใชการ Prune และเนองจากจ�านวนของ
Tree เพมขนอยางรวดเรว ซงยากแกการแกปญหา การสราง
Tree ทเปนไปไดทงหมด สวนประกอบสามารถสรางชดสมของ
Tree ออกมาจากการกระจายชดตางๆของ Tree Random
Tree เปนการสมวาดทสมจากชดของ Tree ทเปนไปได ใน
บรบทน “สม” หมายความวา Tree ในชดของ Tree แตละ Tree
มโอกาสเทาเทยมกนของการเปนตวอยาง วธทบอกนกคอ
วาการกระจายของ Tree คอ “ชด” Tree สมแบบตอเนอง
(CRT) เปนแบบสม Tree จรง Te และมระยะในการเดนทาง
สนทสด Tree ชดยอย ประกอบดวย Tree ทม n จด แตละองค
ประกอบของโครงสรางทแทจรงคอราก ซงมนกวจยจ�านวน
มากไดน�าเทคนค Random Tree มาใชในการจ�าแนกเชน
ฐตมา ชวงชย13 ไดเสนอการวเคราะหหารปแบบการเรยนรโดย
ใชเหมองขอมลของนกศกษาตอการจดท�าปรญญานพนธ โดย
ใชวธวเคราะหผลดวยรปแบบ Rule Based Classification ดวย
วธ Decision Table, Jrip และ PART และรปแบบ Decision
Tree Classification ดวยวธ LMT, J48 และ Random Tree
จากการวเคราะหผลทงหมดพบวา รปแบบของ Decision Tree
ดวยวธการ Random Tree ใหคาความถกตองสงสด(100%)
สวนรปแบบของ Rule Based ดวยวธ PART ใหคาความถก
ตองสงสด (84.12%)
Sushikumar Kalmegh14 น�าเสนอการเปรยบ
เทยบการวเคราะหอลกอรทมในโปรแกรม Weka ไดแก REP
Tree, Simple Cart และ Random Tree ในการจ�าแนกขาว
อนเดยพบวา Random Tree มคาความถกตอง 100% ซง
มากกวา REP Tree และ Simple Cart
4) เทคนค Reduced Error Pruning (REP
Tree)12 คอเทคนคทใช regression tree logic และสราง Tree
หลายๆ ตนทแตกตางกน หลงจากนนกเลอกทดทสดจาก Tree
ทสรางทงหมดมาเปนตวแทนของ Tree ทงหมด ในการตดกง
ใชคา mean square error ในการพยากรณเปนพนฐานการวด
REP Tree เปน Decision Tree ทมการเรยนรและสรางแบบ
จ�าลองอยางรวดเรวบนพนฐานของ Information gain หรอ
reducing the variance และตดกงโดยใชการลดขอผดพลาด
ในการตดแต ใช ได เฉพาะตวแปรท เป นตวเลขเท านน
มนกวจยจ�านวนมากไดน�าเทคนค REP Tree มาใชในการ
จ�าแนก เชน Prerna Kapoor และReena Rani15 ไดเสนอ
ประสทธภาพการตดสนใจเทคนค Decision Tree โดยใช
อลกอรทม J48 และ Reduced Error Pruning ผลการทดลอง
พบวาท�าใหการพยากรณมความแมนย�ามากขน
Kittipol Wisaeng16 ไดเสนอการเปรยบเทยบ
อลกอรทมของ Decision Tree ในการจ�าแนก UCI Repository
ไดแก Nursery, Iris, Anneal, Shuttle_trn, Voting, Waveform
และ Sick โดยมอลกอรทมคอ อลกอรทม functional tree,
อลกอรทม logistic model trees, อลกอรทม REP Tree และ
อลกอรทม best-first decision tree ผลการทดลองพบวา REP
Tree ใหคาความถกตองท 92.87%
5) เทคนค K-Nearest Neighbour (k-NN)17
เปนขนตอนวธการในการหาสมาชกทใกลทสดเปนอลกอลทม
ทใชในการจดกลมขอมล โดยการจดขอมลทอยใกลกนใหเปนก
ลมเดยวกนซงเทคนคนจะท�าใหตดสนใจไดวา คลาสไหนทจะ
แทนเงอนไขหรอกรณใหม ๆ ไดบาง โดยการตรวจสอบจ�านวน
k ซงถาหากเงอนไขของการตดสนใจมความซบซอน วธนจะ
สามารถสรางโมเดลทมประสทธภาพได แตขนตอนวธการหา
สมาชกทใกลทสดจะใชระยะเวลาในการค�านวณนาน ถาตวแปร
(แอตทรบวต) มจ�านวนมากจะเกดปญหาในการค�านวณคา
และคอนขางทจะใชปรมาณงานในการค�านวณสงมากบน
คอมพวเตอร เพราะเวลาทใชส�าหรบการค�านวณจะเพมขน
แบบแฟคทอเรยลตามจ�านวนจดทงหมด ดงนนเพอจะเพม
ความรวดเรวส�าหรบเทคนคขนตอนวธการหาสมาชกทใกล
ทสดใหมากขน ขอมลทงหมดทใชบอยจะตองถกเกบไวใน
หนวยความจ�า โดยวธการเขาถงหนวยความจ�าพนฐานอยาง
มเหตผล (Memory-Based Reasoning) ซงจะเปนวธทน�ามา
อางถงเปนประจ�าในการจดเกบกลมคลาสของขนตอนวธการ
หาสมาชกทใกลทสดในหนวยความจ�า และถาหากขอมลท
ตองการหาค�าตอบมตวแปรอสระเพยงไมกตวแลว จะท�าใหเรา
สามารถเขาใจโมเดลขนตอนวธการสมาชกทใกลทสดไดงายขน
ตวแปรเหลานยงมประโยชนส�าหรบน�ามาสรางโมเดลตาง ๆ
ทเกยวของกบชนดของขอมลทไมเปนมาตรฐาน เชน ขอความ
เพยงแตอาจตองมมาตรฐานการวดคาส�าหรบชนดของขอมล
ดงกลาวทเหมาะสมดวย นอกจากนประสทธภาพของขนตอน
วธการสมาชกทใกลทสดน จะขนอยกบจ�านวนระยะหาง การ
อธบายระหว างข อมลทงค ทสามารถแบงแยกอย างม
ประสทธภาพระหวางขอมลปกต และขอมลผดปกต การ
อธบายจ�านวนระยะหางระหวางขอมลเปนความทาทายอยาง
Pattanaphong Donrat et al. J Sci Technol MSU384
มากเมอขอมลมความซบซอน อยางเชน ขอมลกราฟ และ
ขอมลแบบล�าดบเปนตน
6) เทคนค Support Vector Machines
(SVM)18 คอ ขนตอนวธการทมความรวดเรวและเปนเทคนคท
สามารถน�ามาชวยแกปญหาการจ�าแนกขอมล ใชในการ
วเคราะหขอมลและจ�าแนกขอมล โดยอาศยหลกการของการ
หาสมประสทธของสมการเพอสรางเสนแบงแยกกลมขอมลท
ถกปอนเขาสกระบวนการสอนใหระบบเรยนร โดยเนนไปยง
เสนแบงแยกแยะกลมขอมลไดดทสด
แนวความคดของเทคนควธ SVM นนเกด
จากการทน�าคาของกลมขอมลมาวางลงในฟเจอรสเปซ จาก
นนจงหาเสนทใชแบงขอมลทงสองออกจากกน โดยจะท�าการ
สรางเสนแบงทเปนเสนตรงขนมา เพอใหทราบวาเสนตรงท
แบงกลมสองกลมออกจากกนนน เสนใดเปนเสนทดทสด
ส�าหรบ SVM นนเดมไดมการน�ามาใชกบขอมลทเปนเชงเสน
แตในความเปนจรงแลวขอมลทน�ามาใชในระบบการสอนให
ระบบเรยนรสวนใหญมกเปนขอมลแบบไมเปนเชงเสน ซง
สามารถแกปญหาดงกลาวดวยการน�า Kernal Function มาใช
การจ�าแนกขอมลบนระนาบหลายมต จะใชสวนการเลอกทม
ความเหมาะสมทสดเรยกวา โครงสรางในการคดเลอกซง
โครงสรางในการคดเลอกมาจากขอมลทสอนใหระบบเรยนร
จ�านวนเซตของโครงสรางทใชอธบายในกรณหนง เรยกวา
เวกเตอร ดงนนจดมงหมายของตวแบบ SVM คอ แบงแยก
กล มของเวกเตอรในกรณนดวยหนงกลมของตวแปรของ
เปาหมายทอยขางหนงของระนาบและกรณของกลมอนทอย
ทางระนาบตางกน ซงเวกเตอรทอยขางระนาบหลายมต
ทงหมดเรยกวา ซพพอรตเวกเตอร ซงวธการนเหมาะส�าหรบ
ขอมลทมมตของขอมลสง
วธการด�าเนนการวจย ในการท�าวจยคณะผวจยไดมแบงวธการด�าเนนการ
วจยออกเปน 4 ขนตอนหลก 1) การเตรยมขอมล 2)
กระบวนการกอนการสรางแบบจ�าลอง 3) การสรางแบบจ�าลอง
และ 4) การวดประสทธภาพแบบจ�าลอง ดง Figure 2
เพอจะเพมความรวดเรวส าหรบเทคนคขนตอนวธการหาสมาชกทใกลทสดใหมากขน ขอมลทงหมดทใชบอยจะตองถกเกบไวในหนวยความจ า โดยวธการเขาถงหนวยความจ าพนฐานอยางมเหตผล (Memory-Based Reasoning) ซงจะเปนวธทน ามาอางถงเปนประจ าในการจดเกบกลมคลาสของขนตอนวธการหาสมาชกทใกลทสดในหนวยความจ า และถาหากขอมลทตองการหาค าตอบมตวแปรอสระเพยงไมกตวแลว จะท าใหเราสามารถเขาใจโมเดลขนตอนวธการสมาชกทใกลทสดไดงายขน ตวแปรเหลานยงมประโยชนส าหรบน ามาสรางโมเดลตาง ๆทเกยวของกบชน ดของขอมลทไมเปนมาตรฐาน เชน ขอความ เพยงแตอาจตองมมาตรฐานการวดคาส าหรบชนดของขอมลดงกลาวทเหมาะสมดวย นอกจากนประสทธภาพของขนตอนวธการสมาชกทใกลทสดน จะขนอยกบจ านวนระยะหาง การอธบายระหวางขอมลทงคทสามารถแบงแยกอยางม ประสทธภาพระหวางขอมลปกต และขอมลผดปกต การอธบายจ านวนระยะหางระหวางขอมลเปนความทาทายอยางมากเมอขอมลมความซบซอน อยางเชน ขอมลกราฟ และขอมลแบบล าดบเปนตน
6. เทคนค Support Vector Machines (SVM) [18] คอ ขนตอนวธการทมความรวดเรวและเปนเทคนคทสามารถน ามาชวยแกปญหาการจ าแนกขอมล ใชในการวเคราะหขอมลและจ าแนกขอมล โดยอาศยหลกการของการหาสมประสทธของสมการเพอสรางเสนแบงแยกกลมขอมลทถกปอนเขาสกระบวนการสอนใหระบบเรยนร โดยเนนไปยงเสนแบงแยกแยะกลมขอมลไดดทสด
แนวความคดของเทคนควธ SVM นนเกดจากการทน าคาของกลมขอมลมาวางลงในฟเจอรสเปซ จากนนจงหาเสนทใชแบงขอมลทงสองออกจากกน โดยจะท าการสรางเสนแบงทเปนเสนตรงขนมา เพอใหทราบวาเสนตรงทแบงกลมสองกลมออกจากกนนน เสนใดเปน
เสนทดทสด ส าหรบ SVM นนเดมไดมการน ามาใชกบขอมลทเปนเชงเสน แตในความเปนจรงแลวขอมลทน ามาใชในระบบการสอนใหระบบเรยนรสวนใหญมกเปนขอมลแบบไมเปนเชงเสน ซงสามารถแกปญหาดงกลาวดวยการน า Kernal Function มาใช การจ าแนกขอมลบนระนาบหลายมต จะใชสวนการเลอกทมความเหมาะสมทสดเรยกวา โครงสรางในการคดเลอกซงโครงสรางในการคดเลอกมาจากขอมลทสอนใหระบบเรยนร จ านวนเซตของโครงสรางทใชอธบายในกรณหนง เรยกวา เวกเตอร ดงนนจดมงหมายของตวแบบ SVM คอ แบงแยกกลมของเวกเตอรในกรณนดวยหนงกลมของตวแปรของเปาหมายทอยขางหนงของระนาบและกรณของกลมอนทอยทางระนาบตางกน ซงเวกเตอรทอยขางระนาบหลายมตทงหมดเรยกวา ซพพอรตเวกเตอร ซงวธการนเหมาะส าหรบขอมลทมมตของขอมลสง
3. วธการด าเนนการวจย ในการท าวจยคณะผวจยไดมแบงวธการด าเนนการวจยออกเปน 4 ขนตอนหลก 1) การเตรยมขอมล 2) กระบวนการกอนการสรางแบบจ าลอง 3) การสรางแบบจ าลอง และ 4) การวดประสทธภาพแบบจ าลอง ดง Figure 2
Figure 2 The process of data mining
Preparation of information
Pre-modeling process
Modeling
Performance Measurementแบบจ าลอง
Figure 2 The process of data mining
1. การเตรยมขอมล
การเตรยมขอมลของการศกษาคนควาอสระครงน
ไดขอมลมาจากการส�ารวจขอมลจ�านวนนกเรยนจากสถาน
ศกษาอาชวศกษาเอกชนในจงหวดกาฬสนธ ประจ�าปการ
ศกษา 2557-2558 จ�านวน 12 แหง ดง Table 1
Table 1 The number of students in the academic year 2014-2015
School 2014 2015
1. Kalasin Commercial Technology College 176 197
2. Kamalasai Technology College 38 35
3. Perm Poon Business Administration Technology College 21 19
4. Lampao Vocational College 13 14
5. Sahassakun Technology College 15 16
6. Samchai Technology College 9 11
7. Thai Tech Kalasin Vocational College 12 15
8. Thai Tech Esan Vocational College 23 12
9. Somdet Commercial Technology College 132 268
10. Pattanabandit Technology College 18 10
11. Thai Tech Asia Vocational College 130 82
12. Natchavin Technology College - -
Included 587 679
Total 1,266
The Comparison of Performance Models for Predicting Students Success
in Vocation Education
385Vol 37. No 3, May-June 2018
ซงขอมลทท�าการส�ารวจไดแก
1. เพศ 2. อาย
3. จ�านวนพนอง 4. สถานบดา มารดา
5. อาชพบดา 6. อาชพมารดา
7. หมบาน 8. ต�าบล
9. อ�าเภอ 10. จงหวด
11. เกรดเฉลยกลมภาษาไทย
12. เกรดเฉลยกลมคณตศาสตร
13. เกรดเฉลยกลมวทยาศาสตร
14. เกรดเฉลยกลมสงคมศกษา ศาสนา และวฒนธรรม
15. เกรดเฉลยกลมสขศกษา พลศกษา
16. เกรดเฉลยกลมศลปะ
17. เกรดเฉลยกลมการงานอาชพและเทคโนโลย
18. เกรดเฉลยกลมภาษาตางประเทศ
19. ประเภทวชาทจบ
20. จบการศกษา/ไมจบการศกษา
2. การท�ากระบวนการกอนการสรางแบบจ�าลอง
ในขนตอนนผ วจยไดท�าการแปลงขอมลและ
ท�าการวเคราะหปจจย
1. การแปลงขอมล (Data transformation)
จากขอมลทไดจากการส�ารวจขอมลจ�านวนนกเรยนจากสถาน
ศกษาอาชวศกษาเอกชนในจงหวดกาฬสนธ ประจ�าปการ
ศกษา 2557-2558 จ�านวน 12 แหง มทงหมด 20 ตวแปร ดง
Table 2
Table 2 Variable details
Variables Variable types Description Variable value
Sex Nominal Male 1
Female 2
Age Numeric Age Actual data
Number of siblings Numeric Number of siblings Actual data
Parent Status Nominal Family 1
Divorced 2
Deceased 3
Father Career Nominal Government 1
State Enterprises 2
Trade 3
Agriculture 4
Contractors 5
Government Employee 6
Retired Government 7
Priest 8
Jobless 9
Others 10
Deceased 11
Mother Career Nominal Government 1
State Enterprises 2
Trade 3
Agriculture 4
Contractors 5
Government Employee 6
Retired Government 7
Priest 8
Jobless 9
Others 10
Deceased 11
Pattanaphong Donrat et al. J Sci Technol MSU386
Variables Variable types Description Variable value
Village Nominal Village Actual data
Tambol Nominal Tambol Actual data
Amphoe Nominal Amphoe Actual data
Province Nominal Province Actual data
Thai Nominal Thai Actual data
Math Nominal Math Actual data
Science Nominal Science Actual data
Social Nominal Social Actual data
Health Nominal Health Actual data
Art Nominal Art Actual data
Career and Technology Nominal Career and Technology Actual data
Foreign language Nominal Foreign language Actual data
Type of course Nominal Commercial 1
Industry 2
Graduate
(Class)
Nominal Successfully 1
Unsuccessful 2
2. การวเคราะหปจจยเปนการคดเลอกแอตทรบวต
ทสามารถเปนตวแทนของกลมแอตทรบวตเพอลดจ�านวน
แอตทรบวตในการพยากรณซงงานวจยนไดน�าเทคนค Gain
Ratio Attribute Evaluation มาใชในการวเคราะหปจจยผลการ
วเคราะหท�าการตดแอตทรบวตทมผลตอการพยากรณนอย
ออกจ�านวน 3 แอตทรบวตคอ Age, Number of siblings และ
Province คงเหลอ 17 แอตทรบวต ดง Table 3
Table 3 Factors
Variables
1. Amphoe 10. Thai
2. Tambol 11. Science
3. Father Career 12. Parent Status
4. Mother Career 13. Health
5.Vilage 14. Sex
6. Career and Technology 15. Type of course
7. Math 16. Foreign language
8. Social 17.Graduate(Class)
9. Art
3. การสรางแบบจ�าลอง
การสรางแบบจ�าลองพยากรณการส�าเรจการ
ศกษาของผ ทสนใจเขาศกษาตอสถานศกษาอาชวศกษา
เอกชนในจงหวดกาฬสนธ เพอชวยในการตดสนวาเมอเขา
ศกษาตอแลวจะสามารถส�าเรจการศกษาไดหรอไมดวยตวแปร
ทง 21 ตวแปรทไดจากการส�ารวจขอมลจ�านวนนกเรยนในป
การศกษา 2557-2558 นน ดวยการท�าเหมองขอมลและเทคนค
ทน�ามาใชในการสรางแบบจ�าลองมจ�านวน 6 เทคนคคอ
เทคนค C4.5
เทคนค Random Forest
เทคนค Random Tree
เทคนค REP Tree
เทคนค k-NN
เทคนค SVM
4. การวดประสทธภาพของแบบจ�าลอง
ในการวดประสทธภาพของแบบจ�าลองนน ไดม
การใชเทคนคแบบ 10-fold cross validation โดยจะท�าการ
แบงขอมลออกเปน 10 ชดเทาๆกน จากนนจะท�าการทดสอบ
ทงหมด 10 รอบ โดยในแตละรอบจะใชขอมล 1 ชดเปนชด
ทดสอบและอก 9 ชดทเหลอเปนชดฝกสอน ในรอบตอไปกใช
ชดขอมลถดไปเปนชดทดสอบจนครบทง 10 ชดขอมล ซง
ขอมลทงหมด จ�านวน 1266 ขอมล แบงออกเปน 10 ชดขอมล
ซงคดเปนอตราขอมลทดสอบตอขอมลฝก เปนอตราสวน
10:90
การวเคราะหประสทธภาพ คอ การวดประสทธภาพ
การท�างานในแตละขนตอนวธ สามารถวดไดจากผลของการ
จ�าแนกกลมขอมล โดยคาของผลลพธทไดจากการจ�าแนกคอ
Table 2 Variable details (continue)
The Comparison of Performance Models for Predicting Students Success
in Vocation Education
387Vol 37. No 3, May-June 2018
คา True Positive (TP) คา True Negative (TN) คา False
Positive (FP) คา False Negative (FN) และสามารถหาคา
ความถกตอง (Accuracy) จากสมการ
3.3 การสรางแบบจ าลอง
การสรางแบบจ าลองพยากรณการส าเรจการศกษาของผทสนใจเขาศกษาตอสถานศกษาอาชวศกษาเ อกชนในจงหวดกาฬสนธ เพอชวยในการตดสนวาเมอเขาศกษาตอแลวจะสามารถส าเรจการศกษาไดหรอไมดวยตวแปรทง 21 ตวแปรทไดจากการส ารวจขอมลจ านวนนกเรยนในปการศกษา 2557- 2558 นน ดวยการท าเหมองข อมลและเทคนคทน ามาใชในการสรางแบบจ าลองมจ านวน 6 เทคนคคอ
1. เทคนค C4.5 2. เทคนค Random Forest 3. เทคนค Random Tree 4. เทคนค REP Tree 5. เทคนค k-NN 6. เทคนค SVM
3.4 การวดประสทธภาพของแบบจ าลอง
ในการวดประสทธภาพของแบบจ าลองนน ไดมการใชเทคนคแบบ 10-fold cross validation โดยจะท าการแบงขอมลออกเปน 10 ชดเทาๆกน จากนนจะท าการทดสอบทงหมด 10 รอบ โดยในแตละรอบจะใชขอมล 1 ชดเปนชดทดสอบและอก 9 ชดทเหลอเปนชดฝกสอน ในรอบตอไปกใชชดขอมลถดไปเปนชดทดสอบจนครบทง 10 ชดขอมล ซงขอมลทงหมด จ านวน 1266 ขอมล แบงออกเปน 10 ชดขอมล ซงคดเปนอตราขอมลทดสอบตอขอมลฝก เปนอตราสวน 10:90
การวเคราะหประสทธภาพ คอ การวดประสทธภาพการท างานในแตละขนตอนวธ สามารถวดไดจากผลของการจ าแนกกลมขอมล โดยคาของผลลพธทไดจากการจ าแนกคอ คา True Positive (TP) คา True Negative (TN) คา False Positive (FP) คา False
Negative (FN) และสามารถหาคาความถกตอง (Accuracy) จากสมการ
FNTNFPTPTNTPAccuracy
คาความแมนย า (Precision) จากสมการ
FPTPTPPrecision
และคาความระลก (Recall) ไดจากสมการ
FNTPTPcall
Re
4. ผลการศกษา ในการศกษาประสทธภาพของแบบจ าลองนคณะผวจยไดน าเอาโปรแกรม WEKA เวอรชน 3.9.1 มาเปน เครองมอ มาใชในการสรางแบบลองดวยเทคนค C4.5, Random Forest, Random Tree, REP Tree, k-NN, และ SVM วดประสทธภาพของแบบจ าลองดวย Accuracy, Precision และ Recall ผลการทดลองสามารถแสดงไดดง Figure 3
Figure 3 The performance of prediction models Figure 3 แสดงใหเหนคา Accuracy ของแบบจ าลองไดแก เทคนค C4.5 ใหคา Accuracy มากทสด 95.36% ตอมา เทคนค REP Tree ใหคา Accuracy 90.09% เทคนค Random Forest ใหคา
คาความแมนย�า (Precision) จากสมการ
3.3 การสรางแบบจ าลอง
การสรางแบบจ าลองพยากรณการส าเรจการศกษาของผทสนใจเขาศกษาตอสถานศกษาอาชวศกษาเ อกชนในจงหวดกาฬสนธ เพอชวยในการตดสนวาเมอเขาศกษาตอแลวจะสามารถส าเรจการศกษาไดหรอไมดวยตวแปรทง 21 ตวแปรทไดจากการส ารวจขอมลจ านวนนกเรยนในปการศกษา 2557- 2558 นน ดวยการท าเหมองข อมลและเทคนคทน ามาใชในการสรางแบบจ าลองมจ านวน 6 เทคนคคอ
1. เทคนค C4.5 2. เทคนค Random Forest 3. เทคนค Random Tree 4. เทคนค REP Tree 5. เทคนค k-NN 6. เทคนค SVM
3.4 การวดประสทธภาพของแบบจ าลอง
ในการวดประสทธภาพของแบบจ าลองนน ไดมการใชเทคนคแบบ 10-fold cross validation โดยจะท าการแบงขอมลออกเปน 10 ชดเทาๆกน จากนนจะท าการทดสอบทงหมด 10 รอบ โดยในแตละรอบจะใชขอมล 1 ชดเปนชดทดสอบและอก 9 ชดทเหลอเปนชดฝกสอน ในรอบตอไปกใชชดขอมลถดไปเปนชดทดสอบจนครบทง 10 ชดขอมล ซงขอมลทงหมด จ านวน 1266 ขอมล แบงออกเปน 10 ชดขอมล ซงคดเปนอตราขอมลทดสอบตอขอมลฝก เปนอตราสวน 10:90
การวเคราะหประสทธภาพ คอ การวดประสทธภาพการท างานในแตละขนตอนวธ สามารถวดไดจากผลของการจ าแนกกลมขอมล โดยคาของผลลพธทไดจากการจ าแนกคอ คา True Positive (TP) คา True Negative (TN) คา False Positive (FP) คา False
Negative (FN) และสามารถหาคาความถกตอง (Accuracy) จากสมการ
FNTNFPTPTNTPAccuracy
คาความแมนย า (Precision) จากสมการ
FPTPTPPrecision
และคาความระลก (Recall) ไดจากสมการ
FNTPTPcall
Re
4. ผลการศกษา ในการศกษาประสทธภาพของแบบจ าลองนคณะผวจยไดน าเอาโปรแกรม WEKA เวอรชน 3.9.1 มาเปน เครองมอ มาใชในการสรางแบบลองดวยเทคนค C4.5, Random Forest, Random Tree, REP Tree, k-NN, และ SVM วดประสทธภาพของแบบจ าลองดวย Accuracy, Precision และ Recall ผลการทดลองสามารถแสดงไดดง Figure 3
Figure 3 The performance of prediction models Figure 3 แสดงใหเหนคา Accuracy ของแบบจ าลองไดแก เทคนค C4.5 ใหคา Accuracy มากทสด 95.36% ตอมา เทคนค REP Tree ใหคา Accuracy 90.09% เทคนค Random Forest ใหคา
และคาความระลก (Recall) ไดจากสมการ
3.3 การสรางแบบจ าลอง
การสรางแบบจ าลองพยากรณการส าเรจการศกษาของผทสนใจเขาศกษาตอสถานศกษาอาชวศกษาเ อกชนในจงหวดกาฬสนธ เพอชวยในการตดสนวาเมอเขาศกษาตอแลวจะสามารถส าเรจการศกษาไดหรอไมดวยตวแปรทง 21 ตวแปรทไดจากการส ารวจขอมลจ านวนนกเรยนในปการศกษา 2557- 2558 นน ดวยการท าเหมองข อมลและเทคนคทน ามาใชในการสรางแบบจ าลองมจ านวน 6 เทคนคคอ
1. เทคนค C4.5 2. เทคนค Random Forest 3. เทคนค Random Tree 4. เทคนค REP Tree 5. เทคนค k-NN 6. เทคนค SVM
3.4 การวดประสทธภาพของแบบจ าลอง
ในการวดประสทธภาพของแบบจ าลองนน ไดมการใชเทคนคแบบ 10-fold cross validation โดยจะท าการแบงขอมลออกเปน 10 ชดเทาๆกน จากนนจะท าการทดสอบทงหมด 10 รอบ โดยในแตละรอบจะใชขอมล 1 ชดเปนชดทดสอบและอก 9 ชดทเหลอเปนชดฝกสอน ในรอบตอไปกใชชดขอมลถดไปเปนชดทดสอบจนครบทง 10 ชดขอมล ซงขอมลทงหมด จ านวน 1266 ขอมล แบงออกเปน 10 ชดขอมล ซงคดเปนอตราขอมลทดสอบตอขอมลฝก เปนอตราสวน 10:90
การวเคราะหประสทธภาพ คอ การวดประสทธภาพการท างานในแตละขนตอนวธ สามารถวดไดจากผลของการจ าแนกกลมขอมล โดยคาของผลลพธทไดจากการจ าแนกคอ คา True Positive (TP) คา True Negative (TN) คา False Positive (FP) คา False
Negative (FN) และสามารถหาคาความถกตอง (Accuracy) จากสมการ
FNTNFPTPTNTPAccuracy
คาความแมนย า (Precision) จากสมการ
FPTPTPPrecision
และคาความระลก (Recall) ไดจากสมการ
FNTPTPcall
Re
4. ผลการศกษา ในการศกษาประสทธภาพของแบบจ าลองนคณะผวจยไดน าเอาโปรแกรม WEKA เวอรชน 3.9.1 มาเปน เครองมอ มาใชในการสรางแบบลองดวยเทคนค C4.5, Random Forest, Random Tree, REP Tree, k-NN, และ SVM วดประสทธภาพของแบบจ าลองดวย Accuracy, Precision และ Recall ผลการทดลองสามารถแสดงไดดง Figure 3
Figure 3 The performance of prediction models Figure 3 แสดงใหเหนคา Accuracy ของแบบจ าลองไดแก เทคนค C4.5 ใหคา Accuracy มากทสด 95.36% ตอมา เทคนค REP Tree ใหคา Accuracy 90.09% เทคนค Random Forest ใหคา
ผลการศกษา ในการศกษาประสทธภาพของแบบจ�าลองนคณะ
ผวจยไดน�าเอาโปรแกรม WEKA เวอรชน 3.9.1 มาเปนเครอง
มอมาใชในการสรางแบบลองดวยเทคนค C4.5, Random
Forest, Random Tree, REP Tree, k-NN, และ SVM วด
ประสทธภาพของแบบจ�าลองดวย Accuracy, Precision และ
Recall ผลการทดลองสามารถแสดงไดดง Figure 3
Figure 3 The performance of prediction models
Figure 3 แสดงใหเหนคา Accuracy ของแบบจ�าลอง
ไดแกเทคนค C4.5 ใหคา Accuracy มากทสด 95.36% ตอมา
เทคนค REP Tree ใหคา Accuracy 90.09% เทคนค Random
Forest ใหคา Accuracy 83.24% เทคนค SVM ใหคา Accu-
racy 82.82% เทคนค Random Tree ใหคา Accuracy 76.81%
และเทคนค k-NN ใหคา Accuracy 76.18%
ตามล�าดบ
คา Precision ของแบบจ�าลองไดแกเทคนค C4.5 ให
คา Precision มากทสด 95.4% ตอมาเทคนค REP Tree ให
คา Precision 89.9% เทคนค Random Forest ใหคา
Precision 82.7% เทคนค SVM ใหคา Precision 81.6%
เทคนค Random Tree ใหคา Precision 75.9% และเทคนค
k-NN ใหคา Precision 74.4% ตามล�าดบ
คา Recall ของแบบจ�าลองไดแกเทคนค C4.5 ใหคา
Recall มากทสด 95.4% ตอมา เทคนค REP Tree ใหคา
Recall 90.1%
เทคนค Random Forest ใหคา Recall 83.2%
เทคนค SVM ใหคา Recall 82.8% เทคนค Random Tree ให
คา Recall 76.8% และเทคนค k-NN ใหคา Recall 76.2% ตาม
ล�าดบ
วจารณและสรปในการศกษาและพฒนาแบบจ�าลองทเหมาะสมส�าหรบการ
พยากรณการส�าเรจการศกษาในสถานศกษาอาชวศกษา
เอกชนจงหวดกาฬสนธ โดยแบบจ�าลองทใชในการเปรยบ
เทยบ 6 เทคนคไดแก C4.5, Random Forest, Random Tree,
REP Tree, k-NN และ SVM ผลการทดลองพบวาเทคนค C4.5
มความเหมาะสมมากทสดในการพยากรณการส�าเรจการศกษา
ในสถานศกษาอาชวศกษาเอกชนจงหวดกาฬสนธ โดยการวด
ประสทธภาพการท�างานของแบบจ�าลองดวยคา Accuracy ได
95.36% คา Precision ได 95.4% และคา Recall ได 95.4%
จากผลการทดลอง สรปไดวา C4.5 มความเหมาะ
สมในการพยากรณการส�าเรจการศกษาในสถานศกษา
อาชวศกษาเอกชนจงหวดกาฬสนธ หากผทสนใจศกษาหรอ
สนใจทจะพฒนางานวจยน ควรเพมจ�านวนขอมลชดฝกสอน
ใหมากขน และเพมในลกษณะของค�าแนะน�าใหแกนกเรยนวา
เหมาะสมทจะเรยนประเภทวชาอะไร เปนตน เพอทจะไดเปน
แนวทางในเลอกตดสนใจในการเลอกเรยนตอไป
กตตกรรมประกาศ ผวจยขอขอบคณ ส�านกงานอาชวศกษาจงหวดกาฬสนธ
ส�านกงานอาชวศกษาเอกชนจงหวดกาฬสนธ และคณาจารย
คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม ทให
ความอนเคราะห ขอมลและค�าปรกษาในการด�าเนนงานวจย
ครงน
Pattanaphong Donrat et al. J Sci Technol MSU388
เอกสารอางอง1. ขาวการศกษา. การเพมสดสวนสายอาชพเปน 60% สาย
สามญเหลอ 40%. Available: http://www.unigang.com/
Article/5170,(2559, 28 สงหาคม).
2. วนฉตร ทพยมาศ, “ปจจยทมผลตอการตดสนใจเขาศกษา
ตอวทยาลยอาชวศกษาเอกชนของนกเรยนในเขตภาคใต
ตอนบน,” วารสารศกษาศาสตร, vol. 24, กมภาพนธ-
สงหาคม 2556.
3. R.K.Kavitha and Dr.D.DoraiRangasamy, “Predicting
Breast Cancer Survivability Using Naive baysein
Classifier And C4.5 Algorithm,” Elysium Journal En-
gineering Research & Management, 2014.
4. เพยงฤทย หนสวสด, “การสรางโมเดลท�านายอตราการ
ใชพลงงานของแบตเตอรมอถอโดยใชเทคนคเหมอง
ขอมล,” มหาวทยาลยศลปากร, 2556.
5. X. Wu, “Top 10 Algorithms in Data Mining,” Springer-
Verlag London Limited, 2007.
6. พเชษฐ สขเสกสรรค, “บทบาทใหมของวศวกรในภาว
การณการขาดแคลนแรงงานชางฝมอหรอชางเทคนค,”
มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ, Ed.,
ed, 2549.
7. จงจตต ฤทธรงค and รนา ตะด, “ขอทาทายในการผลต
แรงงานฝมอไทยเพอเขาสตลาดแรงงานประชาคมเศรษฐกจ
อาเซยน,” วารสารสถาบนวจยประชากรและสงคม
มหาวทยาลยมหดล pp. 129-147, 2558.
8. Abdelghani, Bellaachia, and E. Guven, “Predicting
Breast Cancer Survivability Using Data Mining Tech-
niques,” The George Washington University, 2006.
9. L. Breiman, “Random Forest,” Machine Learning, vol.
45, pp. 5-32, 2001.
10. K. S and H. M, “A Perspective Analysis of Traffic
Accident using Data Mining Techniques,” Interna-
tional Journal of Computer Applications, vol. 23, pp.
40-48, 2011.
11. ภรณยา ปาลวสทธ “การเพมประสทธภาพเทคนคตนไม
ตดสนใจบนชดขอมลทไมสมดล โดยวธการสมเพมตวอยาง
กลมนอยส�าหรบขอมล การเปนโรคตดอนเทอรเนต" วารสาร
เทคโนโลยสารสนเทศ, vol. 12, pp. 54-63, 2559.
12. Weka. Available: http://www.cs.waikato.ac.nz/ml/in-
dex.html,(2016, 3 December).
13. ฐตมา ชวงชย, “การวเคราะหหารปแบบการเรยนรโดยใช
เหมองขอมลของนกศกษาตอการจดท�าปรญญานพนธ,”
วารสารบณฑตศกษา มหาวทยาลยราชภฏวไลยอลงกรณ
ในพระบรมราชปถมภ, vol. 10, pp. 53-62, 2559.
14. S. Kalmegh, “Analysis of WEKA Data Mining Algo-
rithm REPTree, Simple Cart and RandomTree for
Classification of Indian News,” International Journal
of Innovative Science, Engineering & Technology,
vol. 2, pp. 438-446, 2015.
15. P. Kapoor and R. Rani, “Efficient Decision Tree
Algorithm Using J48 and Reduced Error Pruning,”
International Journal of Engineering Research and
General Science, vol. 3, pp. 1613-1621, 2015.
16. K. Wisaeng, “A Comparison of Decision Tree Algo-
rithms For UCI Repository Classification,” Interna-
tional Journal of Engineering Trends and Technology,
vol. 4, pp. 3393-3397, 2013.
17. ศลษา หนเสมยน, “ระบบแนะนาการเลอกสาขาเพอศกษา
ตอระดบอาชวศกษาโดยเทคนคการคดกรองขอมลแบบ
ผสมระหวางการคดกรองขอมลแบบองเนอหากบการคด
กรองแบบพงพาผใชรวม กรณศกษา วทยาลยสารพดชาง
ระยอง,” มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ,
2554.
18. J. Han and M. Kamber, Data Mining Concepts and
Techniques, Second Edition ed.: Morgan Kaufmann,
2006.
นพนธตนฉบบ
1 ผชวยศาตราจารย,ภาควชาภมศาสตรคณะสงคมศาสตรมหาวทยาลยเชยงใหม502001 AssistantProfessor,DepartmentofGeography,FacultyofSocialSciences,ChiangMaiUniversity,50200,Thailand
E-mail:[email protected]/[email protected]
การเปรยบเทยบ 12 กระบวนการเรยนรของแบบจ�าลองโครงขายประสาทเทยมส�าหรบการ
พยากรณน�าทวมในลมน�าปงตอนบน
Comparison of 12 Learning Algorithms of Artificial Neural Network Models for Flood
Forecasting in the Upper Ping Catchment
ทว ชยพมลผลน
Tawee Chaipimonplin
Received: 5 June 2017 ; Accepted: 13 November 2017
บทคดยอกระบวนการเรยนรของโครงขายประสาทเทยมในโปรแกรม MATLAB มทงสน 12 ประเภท (Levenberg-Marquardt-LM, Bayesian
Regularization-BR, BFGS Quasi-Newton-BFG, Resilient Backprogagation-RP, Scaled Conjugate Gradient-SCG,
Conjugate Gradient with Powell/Beale Restarts-CGB, Fletcher-Powell Conjugate Gradient-CGF, Polak-Ribiere
Conjugate Gradient-CGP, One Step Secant-OSS, Variable Learning Rate Gradient Descent-GDX, Gradien Descent
with Momentum-GDM และ Gradient Descent-GD) ซงแตละประเภทจะมขนตอนการเรยนรทแตกตางกน ดงนนบทความน
จะท�าการเปรยบเทยบหากระบวนการเรยนรทเหมาะสมส�าหรบการพยากรณน�าทวม 6 และ 12 ชวโมงลวงหนา ณ สถาน P.1
โดยมการเลอกใชวธการคดเลอกขอมลน�าเขา 4 วธ (Cross Correlation-C, Stepwise Regression-S, Cross Correlation+Stepwise
Regression-CS และ Genetic Algorithms-G) และยงมการก�าหนดจ�านวนโหนดในชนซอนเรน จ�านวน 1 โหนด และ จ�านวน
โหนดในชนซอนเรนทอางองตามจ�านวนตวแปรน�าเขา รอยละ 25, 50, 75 และ 100 จากผลการทดสอบพบวา กระบวนการเรยนร
แตละประเภทสวนมากใหผลการพยากรณทคลายกน (R2 = 0.99 และ 0.97) แตอยางไรกตามสามารถสรปไดวา SCG, CGB,
CGP, OSS หรอ LM เปนกระบวนการเรยนรทเหมาะสมทสด เพราะสามารถพยากรณน�าทวมไดดและเปนกระบวนการเรยนร
ทคอนขางเรว (ประมาณ 1-2 นาท) ดวยจ�านวนโหนดในชนซอนเรนไมเกน รอยละ 50 และ การคดเลอกขอมลน�าเขาทเหมาะสม
คอ วธ C และ CS ส�าหรบการพยากรณน�าทวม 6 และ 12 ชวโมงลวงหนา ณ สถาน P.1
ค�าส�าคญ: โครงขายประสาทเทยม การพยากรณน�าทวม กระบวนการเรยนร ลมน�าปงตอนบน
AbstractThere are 12 Learning algorithms of artificial neural networks in the MATLAB program (Levenberg-Marquardt-LM,
Bayesian Regularization-BR, BFGS Quasi-Newton-BFG, Resilient Backprogagation-RP, Scaled Conjugate Gradient-
SCG, Conjugate Gradient with Powell/Beale Restarts-CGB, Fletcher-Powell Conjugate Gradient-CGF, Polak-Ribiere
Conjugate Gradient-CGP, One Step Secant-OSS, Variable Learning Rate Gradient Descent-GDX, Gradien Descent
with Momentum-GDM and Gradient Descent-GD) and each learning algorithm type has a difference in its learning
process. Therefore, in this article 12 learning algorithms were compared to find the one most suitable for flood
forecasting at P.1 station, t+6 and t+12 hr. using 4 input determination techniques (Cross Correlation-C, Stepwise
Regression-S, Cross Correlation+Stepwise Regression-CS and Genetic Algorithms-G), also hidden nodes were set
to 1 node and based on number of input variables 25%, 50%, 75% and 100%. It was found that the majority of
Tawee Chaipimonplin J Sci Technol MSU390
learning algorithms gave the similar results of flood forecasting (R2 = 0.99 and 0.97). In conclusion, however, for flood
forecasting t+6 and t+12 hr in advance at P.1 station, SCG, CGB, CGP, OSS or LM are the most suitable learning
algorithms because all of them can forecast flood events and they seem to be the fastest learning algorithms
(approximately 1-2 minutes), with number of hidden nodes are not greater than 50% of number of input variables and
the suitable process of input determination techniques are C and CS.
Keywords: Artificial Neural Network, Flood Forecasting, Learning Algorithms, Upper Ping Catchment
บทน�าในแตละปเหตการณน�าทวมมกจะเกดเกอบทกปในประเทศไทย
และในทกๆ ครงทเกดน�าทวมจะกอใหเกดความเสยหาย
ไมมากกนอย ซงระดบความเสยหายขนอยกบระดบความรนแรง
ของน�าทวม และประสทธภาพของระบบการจดการ (การเตอนภย
การปองกน การใหความชวยเหลอ การบรรเทาภย) ส�าหรบ
การพยากรณเตอนภยน�าทวมในลมน�าปงตอนบนจะเปนการ
ใชระดบน�าจากสถานตนน�าเปนเกณฑ โดยระยะเวลาการเตอน
ภยลวงหนาขนอยกบระยะทางการเดนทางของมวลน�า จาก
สถานตนน�าไปยงสถานปลายน�า เชน ในลมน�าปงตอนบน
อ�าเภอเมองเชยงใหม ศนยอทกวทยาและบรหารน�า ภาคเหนอ
ตอนบน จะพยากรณเตอนภยน�าทวม สถาน P.1 โดยอาศย
ความสมพนธของระดบน�าของสถาน P.67 โดยมวลน�าใชระยะ
เวลาเดนทางจากสถานตนน�า P.67 ไปยง P.1 ใชเวลาประมาณ
6-7 ชวโมงในระยะหางประมาณ 32 กโลเมตร1 ดงนนในการ
พยากรณเตอนภยน�าทวมโดยใชการวเคราะหจาก สถานตนน�า
จงถกจ�ากดดวยระยะทางระหวางสถาน
งานวจยส�าหรบการประยกตใชแบบจ�าลองโครงขาย
ประสาทเทยมในงานดานอทกภยทสบคนจากฐานขอมล
วทยานพนธไทยจากโครงการเครอขายหองสมดไทย, Science
Direct, Scopus และ Web of Science พบวาในประเทศไทย
เรมมการใชครงแรกตงแตป พ.ศ. 25352 โดยเปนวทยานพนธ
ของสถาบนเทคโนโลยแหงเอเชย (AIT)3 และในปจจบนยงม
การศกษาในการประยกตใชแบบจ�าลองโครงขายประสาทเทยม
ทงในดานอทกวทยา4 ดานพลงงาน5 ดานโรงงานอตสาหกรรม6
ดานการแพทย7 ดานไฟฟา8 ดานอาชญากรรม9 ดานดนถลม10
และดานผลผลตทางการเกษตร11 และดานเศรษฐกจ12 เปนตน
แตอยางไรกตามงานวจยสวนมากจะศกษาในประเดนประเภท
ของกลมขอมล13 และจ�านวนตวแปรขอมลน�าเขาทเหมาะสม14
หรอมการปรบเปลยนโครงสรางสถาปตยกรรมของแบบจ�าลอง
โครงขายประสาทเทยม โดยการสมการเพมของจ�านวนโหนด
ในชนซอนเรน15 หรอการเพมจ�านวนชนซอนเรน16 หรอมเพยง
บางงานวจยทมการเปรยบเทยบประสทธภาพของกระบวนการ
เรยนร เชน เปรยบเทยบระหวางการเรยนรระหวาง LM และ
BR 17-20 แตเนองจากกระบวนการเรยนรของโครงขายประสาท
เทยมมหลายประเภท โดยส�าหรบโปรแกรม Matlab21
มกระบวนการเรยนรทงหมด 12 ประเภท (Levenberg-Mar-
quardt-LM, Bayesian Regularization-BR, BFGS Quasi-
Newton-BFG, Resilient Backprogagation-RP, Scaled
Conjugate Gradient-SCG, Conjugate Gradient with Pow-
ell/Beale Restarts-CGB, Fletcher-Powell Conjugate
Gradient-CGF, Polak-Ribiere Conjugate Gradient-CGP,
One Step Secant-OSS, Variable Learning Rate Gradient
Descent-GDX, Gradien Descent with Momentum-GDM
และ Gradient Descent-GD) โดยการใชหลกการเรยนรจาก
วธ gradient หรอ Jacobian เปนพนฐานในการเรยนร งานวจย
ทศกษาเปรยบเทยบกระบวนการเรยนรประเภทตางๆ คอ
Beale et al.21 ไดท�าการทดสอบกระบวนการเรยนร 9 ประเภท
ใน 6 กรณศกษา เชน พยากรณระดบคอเลสเตอรอล
การคาดการณการมภาวะเบาหวาน หรอ การประเมนเซลล
มะเรง เปนตน โดยไดสรปวา การเรยนรแตละประเภทจะม
ประสทธภาพทแตกตางกนในแตลกษณะของงาน
ดงนนงานวจยนมจดม งหมายเพอเปรยบเทยบ
ประสทธภาพของกระบวนการเรยนรทง 12 ประเภท ของแบบ
จ�าลองโครงขายประสาทเทยมในการพยากรณระดบน�าทสถาน
P. 1 ณ 6 และ 12 ชวโมงลวงหนา
วธการวจย พนทศกษาในงานวจยนคอ พนทลมน�าปงตอนบน
(Figure 1) โดยพยากรณระดบน�าลวงหนาทสถานวดระดบน�า
P.1 ซงขอมลทใชในการพยากรณระดบน�าทวม คอ ขอมลระดบ
น�ารายชวโมง จาก 4 สถาน (P.1, P.67, P.75 และ P.20)
เนองจากเปนสถานทตงอยในแมน�าปงสายหลก ระยะหาง
ระหวางสถาน P.20 และ P.75 ไปยงสถาน P.1 ประมาณ 100
และ 48 กโลเมตร ตามล�าดบ
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
391Vol 37. No 3, May-June 2018
Figure 1 Water level stations in the study area13
Figure 2 Flood events during year 2005-2011
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0Water level (m)
Year
River bank
P1
2005 2006 2011
Figure 1 Water level stations in the study area13
ในการคดเลอกชวงเวลาของขอมลส�าหรบการศกษา
ครงน จะท�าการเลอกตงแต ป ค.ศ. 2005-2011 โดยจะคดเลอก
เฉพาะปทเกดเหตการณน�าทวมเทานน ซงเหตผลทไมน�าเอา
ขอมลกอนป ค.ศ. 2005 เนองจากไดมการสรางก�าแพงเพม
ระดบตลงจากเดม 3.40 เปน 3.70 เมตร ทงสองฝงของล�าน�า
ในป ค.ศ. 2004 ณ บรเวณเขตตวเมองและแนวสะพานนวรฐ
โดยในการเพมระดบตลงท�าใหมผลตอพฤตกรรมการไหลทวม
ของน�า ณ สถานวดระดบน�า P.1 และจากการเปรยบเทยบการ
ใชชวงปขอมลกอนเพมระดบตลงเปนขอมลเรยนร และ การใช
ชวงปขอมลหลงการเพมตลง พบวา การใชขอมลหลงการเพม
ตลงชวยใหแบบจ�าลองโครงขายประสาทเทยมมความแมนย�า
มากขน17
การคดเลอกชวงขอมลทเกดเหตการณน�าทวมจะเรม
ตงแตป 2005-2011 โดยมจ�านวนเหตการณน�าทวมทงสน
9 เหตการณ ตงแตชวงเดอนสงหาคมถงเดอนตลาคม โดยจาก
ไฮโดรกราฟ (Figure 2) พบวา มเหตการณน�าทวมใหญ (ระดบ
น�าสงกวา 4.5 เมตร) จ�านวน 4 เหตการณ ดงนนส�าหรบการ
ทดสอบความสามารถของแบบจ�าลองโครงขายประสาทเทยม
ทมการใชกระบวนการเรยนรทแตกตางกน โดยการแบงชด
ขอมลส�าหรบชดเรยนรและชดทดสอบจะใชหลกการ 80:20
ซงเปนหลกการทนยมใชมากทสดเพอทมสดสวนขอมลส�าหรบ
การเรยนรทเพยงพอและส�าหรบขอมลการทดสอบไมมากหรอ
นอยเกนไป ดงนน จะใชเหตการณน�าทวม 2 เหตการณแรก
ในป 2005 (1 เหตการณใหญ และ 1 เหตการณเลก) เปนชด
ทดสอบ และเนองจากไมมการก�าหนดขอมลส�าหรบการตรวจ
สอบ (Validation) แตเปนการก�าหนดใหแบงแบบสมโดย
ตวแบบจ�าลองเองเพอลดความเบยงแบนของการพยากรณ
ดงนนจงตองท�าการประมวลผลซ�า 50 รอบแลวน�าคาผลการ
พยากรณจาก 50 รอบมาหาคาเฉลยเพอเปนตวแทนคา
พยากรณของแตละแบบจ�าลอง
Figure 1 Water level stations in the study area13
Figure 2 Flood events during year 2005-2011
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0Water level (m)
Year
River bank
P1
2005 2006 2011
Figure 2 Flood events during year 2005-2011
ส�าหรบการออกแบบของแบบจ�าลองโครงขาย
ประสาทเทยม ขอมลน�าเขา (ระดบน�ารายชวโมง) จาก 4 สถาน
จะน�ามาใชเปนตวแปรตงแต เวลา t, t-1, t-2, …, t-24 ท�าให
ขอมลน�าเขามทงหมด (4*25) 100 ตวแปร และกอนจะน�ามา
ใชเปนขอมลน�าเขาในแบบจ�าลองโครงขายประสาทเทยม
เทคนคการคดเลอกตวแปร 4 วธ (Cross correlation-C,
Tawee Chaipimonplin J Sci Technol MSU392
Stepwise regression-S, วธผสม CS และ Genetic
algorithms) อางองจากงานวจยของ Chaipimonplin22 เมอได
จ�านวนตวแปรทถกเลอกแลว ก�าหนดจ�านวนโหนดในชนซอน
เรน จะอางองตามจ�านวนตวแปรน�าเขา โดยจะก�าหนดท 1,
25%, 50%, 75% และ 100% โดยท�าการพยากรณระดบน�า ณ
เวลา 6 และ 12 ชวโมงลวงหนา ทสถาน P.1
ส�าหรบการประเมนประสทธภาพของแบบจ�าลองจะ
ใชคาสถต R2 (Coefficient of Determination Pearson’s
squared)23 ถาคาใกล 1 หมายถงแบบจ�าลองมประสทธภาพ
ทด
แบบจ าลองโครงขายประสาทเทยม เทคนคการ
คดเลอกตวแปร 4 วธ (Cross correlation-C, Stepwise
regression-S, วธผสม CS และ Genetic algorithms)
อางองจากงาน วจย ของ Chaipimonplin22 เมอได
จ านวนตวแปรทถกเลอกแลว ก าหนดจ านวน โหนดใน
ชนซอนเรน จะอางองตามจ านวนตวแปรน าเขา โดยจะ
ก าหนดท 1, 25%, 50%, 75% และ 100% โดยท าการ
พยากรณระดบน า ณ เวลา 6 และ 12 ชวโมงลวงหนา
ทสถาน P.1
ส าหรบ การประเมน ประสทธภาพ ของ
แบบจ าลองจะใชคาสถต R2 (Coefficient of
Determination Pearson’s squared)23 ถาคาใกล 1
หมายถงแบบจ าลองมประสทธภาพทด
𝑅𝑅 𝑄𝑄𝑖𝑖−𝑄𝑄 𝑄𝑄 𝑖𝑖− 𝑄𝑄 𝑛𝑛𝑖𝑖
𝑄𝑄𝑖𝑖− 𝑄𝑄 𝑄𝑄 𝑖𝑖− 𝑄𝑄 𝑛𝑛𝑖𝑖
𝑛𝑛𝑖𝑖
(1)
โดย 𝑄𝑄𝑖𝑖 คอคาระดบน าจรง ณ เวลา i
𝑄𝑄𝑖𝑖 คอคาระดบน าจากแบบจ าลอง ณ เวลา i
𝑄𝑄 คอคาเฉลยของระดบน าจรง
𝑄𝑄 คอคาเฉลยระดบน าจากแบบจ าลอง
ผลการวจยและอภปราย
จากก ารคดเลอกตวแปรน าเขา ทง 4 วธ ผลการ
คดเลอกแสดงใน Table 1 และ Table 2 ส าหรบ 6 และ
12 ชวโมงลวงหนา ตามล าดบ โดย การพยากรณ 6
ชวโมงลวงหนา วธ G มการคดเลอกตวแปรมากทสด
คอ 32 ตวแปร สวนวธ CS เลอกมาเพยง 9 ตวแปร ซง
ไมมตวแปรของสถาน P.67 และ P.20 เนองจากทง
สองสถานไมมความสมพนธกบระดบน า สถาน P.1
t+6 เนองจากมคาสหสมพนธนอยกวา 0.9
Table 1
สวนตวแปรทถกเลอก ส าหรบพยากรณ 12 ชวโมง
ลวงหนารปแบบการคดเลอกมความคลายกบการ
พยากรณ 6 ชวโมงลวงหนา เชน วธ G เลอกตวแปร
มากทสด 33 ตวแปร และวธ CS เลอกเพยง 7 ตวแปร
โดยไมเลอกตวแปรของสถาน P.67 และ P.20 แต
อยางไรกตาม สงทเหนไดชดเจนคอ เมอระยะเวลาการ
พยากรณมากขน จ านวนตวแปรทมนยส าคญกบคา
พยากรณ ทถกเลอกจะเรมมจ านวนลดลง เนองจากเมอ
ค านวณหาค าสหสมพนธจากวธ Cross Correlation
พบวา ตวแปรทมคาสหสมพนธมากกวา 0.9 มจ านวน
โดย คอคาระดบน�าจรง ณ เวลา i
คอคาระดบน�าจากแบบจ�าลอง ณ เวลา i
คอคาเฉลยของระดบน�าจรง
คอคาเฉลยระดบน�าจากแบบจ�าลอง
ผลการวจยและอภปราย จากการคดเลอกตวแปรน�าเขา ทง 4 วธ ผลการคด
เลอกแสดงใน Table 1 และ Table 2 ส�าหรบ 6 และ 12 ชวโมง
ลวงหนา ตามล�าดบ โดย การพยากรณ 6 ชวโมงลวงหนา วธ
G มการคดเลอกตวแปรมากทสดคอ 32 ตวแปร สวนวธ CS
เลอกมาเพยง 9 ตวแปร ซงไมมตวแปรของสถาน P.67 และ
P.20 เนองจากทงสองสถานไมมความสมพนธกบระดบน�า
สถาน P.1 t+6 เนองจากมคาสหสมพนธนอยกวา 0.9
Table 1 Input variables selection t+6
P.1 C CS G S P.67 C CS G S P.75 C CS G S P.20 C CS G S
t X X X X t X t X X X X t X X
t-1 X X t-1 t-1 X X X t-1
t-2 X X X X t-2 t-2 X t-2 X
t-3 X X t-3 X t-3 X t-3
t-4 X t-4 X t-4 X X t-4 X
t-5 X t-5 X X t-5 X t-5 X
t-6 X X X t-6 t-6 X t-6 X
t-7 X X t-7 X t-7 X t-7 X X
t-8 X X t-8 t-8 X t-8
t-9 X X t-9 t-9 X X t-9
t-10 X X t-10 X t-10 X X t-10 X
t-11 X X t-11 t-11 t-11
t-12 X t-12 t-12 X t-12 X
t-13 X X X t-13 t-13 t-13
t-14 t-14 t-14 t-14 X X
t-15 X t-15 t-15 X t-15 X
t-16 t-16 t-16 X t-16 X
t-17 X t-17 t-17 t-17
t-18 t-18 t-18 X t-18 X
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
393Vol 37. No 3, May-June 2018
P.1 C CS G S P.67 C CS G S P.75 C CS G S P.20 C CS G S
t-19 t-19 t-19 X t-19 X
t-20 t-20 t-20 t-20
t-21 t-21 t-21 X t-21
t-22 t-22 t-22 t-22 X X
t-23 t-23 X t-23 t-23
t-24 t-24 t-24 t-24 X
Total 25 9 32 19
สวนตวแปรทถกเลอกส�าหรบพยากรณ 12 ชวโมง
ลวงหนารปแบบการคดเลอกมความคลายกบการพยากรณ 6
ชวโมงลวงหนา เชน วธ G เลอกตวแปรมากทสด 33 ตวแปร
และวธ CS เลอกเพยง 7 ตวแปรโดยไมเลอกตวแปรของสถาน
P.67 และ P.20 แตอยางไรกตาม สงทเหนไดชดเจนคอ เมอ
ระยะเวลาการพยากรณมากขน จ�านวนตวแปรทมนยส�าคญ
กบคาพยากรณ ทถกเลอกจะเรมมจ�านวนลดลง เนองจากเมอ
ค�านวณหาคาสหสมพนธจากวธ Cross Correlation พบวา
ตวแปรทมคาสหสมพนธมากกวา 0.9 มจ�านวนลดลงเมอเทยบ
กบตวแปรทมคาสหสมพนธมากกวา 0.9 ส�าหรบการพยากรณ
6 ชวโมงลวงหนา ยกเวนวธ S ทมตวแปรเพมจาก 19 เปน 24
ตวแปร
Table 2 Input variables selection t+12
P.1 C CS G S P.67 C CS G S P.75 C CS G S P.20 C CS G S
t X X X X t X X t X X X X t X X
t-1 X X t-1 X t-1 X X X t-1 X
t-2 X X X X t-2 X X t-2 X X t-2 X X
t-3 X t-3 t-3 X t-3
t-4 X t-4 X t-4 X X X t-4
t-5 X X t-5 X t-5 X t-5 X
t-6 X X t-6 X t-6 X t-6 X
t-7 X X X t-7 t-7 X t-7 X
t-8 t-8 t-8 t-8 X X
t-9 X t-9 t-9 t-9
t-10 t-10 X t-10 X t-10 X
t-11 t-11 t-11 X t-11 X X
t-12 X t-12 X t-12 X t-12
t-13 t-13 t-13 t-13 X
t-14 t-14 t-14 t-14
t-15 t-15 t-15 X t-15
t-16 t-16 t-16 X t-16 X
t-17 t-17 t-17 t-17
t-18 X X t-18 X t-18 t-18
t-19 t-19 t-19 t-19 X X
t-20 t-20 t-20 t-20
t-21 X t-21 t-21 t-21
Table 1 Input variables selection t+6 (continue)
Tawee Chaipimonplin J Sci Technol MSU394
P.1 C CS G S P.67 C CS G S P.75 C CS G S P.20 C CS G S
t-22 t-22 t-22 X t-22
t-23 t-23 t-23 t-23
t-24 X t-24 t-24 t-24 X X
Total 13 7 33 24
เมอไดตวแปรทถกคดเลอกแลวจ�านวนโหนดในชน
ซอนเรนจะถกก�าหนดตามจ�านวนตวแปรน�าเขา (Table 3)
Table 3 Number of hidden nodes
t+6 No. of input
variable
No. of hidden node
1 25% 50% 75% 100%
C 25 1 7 13 19 25
CS 9 1 3 5 7 9
G 32 1 8 16 24 32
S 19 1 5 10 15 19
t+12 No. of input
variable
No. of hidden node
1 25% 50% 75% 100%
C 13 1 3 6 9 13
CS 7 1 2 3 5 7
G 33 1 8 16 24 33
S 24 1 6 12 18 24
จาก Figure 3 แสดงคาสถต R2 จากการพยากรณน�า
ทวม 6 ชวโมงลวงหนา กระบวนการเรยนรแตละเภทสวนมาก
จะมประสทธภาพคอนขางคงทแมจะมการใชจ�านวนโหนดใน
ชนซอนเรนทแตกตางกนหรอตวแปรทแตกตางกน โดยมคา
R2 ประมาณ 0.99 ยกเวนการเรยนร GD, GDM และ GDX ท
มประสทธภาพเปลยนแปลงตามจ�านวนโหนดในชนซอนเรน
และมชวงคา R2 สวนมากต�ากวา 0.99
Table 4 R2 values of models with 1 hidden node at t+6 and t+12 hour
t+6 BFG BR CGB CGF CGP LM OSS RP SCG GD GDM GDX
Model C 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.95 0.94 0.97
Model CS 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.93 0.94 0.97
Model G 0.99 0.99 0.99 0.99 0.99 0.99 0.98 0.98 0.99 0.95 0.94 0.95
Model S 0.99 0.99 0.99 0.99 0.99 0.99 0.99 0.98 0.99 0.96 0.95 0.97
t+12 BFG BR CGB CGF CGP LM OSS RP SCG GD GDM GDX
Model C 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.88 0.88 0.91
Model CS 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.89 0.90 0.93
Model G 0.97 0.97 0.97 0.97 0.96 0.97 0.96 0.96 0.97 0.93 0.93 0.95
Model S 0.97 0.97 0.97 0.97 0.97 0.97 0.97 0.96 0.97 0.93 0.93 0.95
Table 2 Input variables selection t+12 (continue)
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
395Vol 37. No 3, May-June 2018
Figure 3 R2 Values of testing all 12 learning algorithms between August and September 2005 at t+6
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+6:C BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+6:CS BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+6:G BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+6:S BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
P 67
Figure 3 R2 Values of testing all 12 learning algorithms between August and September 2005 at t+6
ส�าหรบ Figure 4 แสดงใหเหนผลของการพยากรณ
12 ชวโมงลวงหนา รปแบบของคาสถต R2 มความคลายกบ
การพยากรณ 6 ชวโมงลวงหนา โดยกระบวนการเรยนร GD,
GDM และ GDX มประสทธภาพทคอนขางแยทสด เพราะเมอ
พจารณาเสนกราฟ เสนทบกากบาทสเขยว (GD) เสนประ
วงกลมสฟา (GDM) และ เสนประดอกจนสเลอดหม (GDX)
แสดงคาสถต R2 ไดนอยทสด สวนจ�านวนโหนดในชนซอนเรน
ทเหมาะสมทสดคอ รอยละ 50 โดยมคาสถต R2 สงสด 0.98
Figure 4 R2 Values of testing all 12 learning algorithms between August and September 2005 at t+12
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+12:C BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+12:CS BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+12:G BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
0.85
0.90
0.95
1.00
1 25% 50% 75% 100%
R2
hidden nodes
T+12:S BFG BR
CGB CGF
CGP GD
GDM GDX
LM OSS
RP SCG
Figure 4 R2 Values of testing all 12 learning algorithms between August and September 2005 at t+12
Tawee Chaipimonplin J Sci Technol MSU396
จากคาสถต R2 จะเหนไดชดวาเมอใชตวแปรน�าเขา
ทไดจากการคดเลอกโดยวธ C ทกประเภทการเรยนรจะม
ประสทธภาพทคอนขางคงทมากกวาทกวธ แมวาจะมการใช
จ�านวนโหนดในชนซอนเรนทแตกตางกน เมอน�าผลพยากรณ
จากแบบจ�าลองมจ�านวนโหนดในชนซอนเรน รอยละ 50 มา
แสดงในไฮโดรกราฟ (Figure 5) พบวา กระบวนการเรยนร
แตละประเภทพยากรณไดคอนขางแมนย�าซงสอดคลองกบคา
R2 แตเนองจากเปนการพยากรณรายชวโมงไฮโดรกราฟท
แสดงใน Figure 5 ไมสามารถทจะสรปไดชดเจนวากระบวนการ
เรยนรประเภทใดใหผลเหมอนกนหรอแตกตางกน ดงนนไฮโดร
กราฟทแสดงใน Figure 6 เปนการตดชวงขอมลเฉพาะชวงท
เกดเหตการณน�าทวม 2 เหตการณ โดยกระบวนการเรยนรท
พยากรณใกลเคยงกบระดบน�าจรงในชวงทระดบน�าลนตลงได
ดและเหมอนกนคอ BFG, CGB, CGF, CGP, RP, OSS และ
SCG สวน BR, GD, GDM, GDX และ LM พยากรณชากวา
เหตการณจรง แตอยางไรกตาม เมอพจารณาถงการพยากรณ
ณ ระดบน�าทวมสงสดพบวา การพยากรณ 6 ชวโมงลวงหนา
กระบวนการเรยนรทพยากรณไดดในชวงระดบน�าลนตลง
จะพยากรณคาระดบน�าสงสดไดสงเกนกวาระดบจรงประมาณ
30-45 เซนตเมตร (เหตการณน�าทวมใหญ) และนอกจากนน
กลมกระบวนการเรยนร ทพยากรณชากวาเหตการณจรง
ในชวงน�าลนตลงพบวา พยากรณคาระดบน�าสงสดไดคอนขางด
เชน BR, GD, GDX และ LM พยากรณคลาดเคลอนเพยง 13,
15, 8, และ 5 เซนตเมตร ตามล�าดบ
Figure 5 Hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and
second flood event 2005, t+6
1.50
2.00
2.50
3.00
3.50
4.00
4.50
5.00
5.50Water level (m) Cross Correlation (t+6) Flood
BFG13
BR13
CGB13
CGF13
CGP13
GD13
P1t+6
1.50
2.00
2.50
3.00
3.50
4.00
4.50
5.00
5.50Water level (m) Cross Correlation (t+6) Flood
GDM13
GDX13
RP13
OSS13
SCG13
LM13
P1t+6
Figure 5 Hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and second
flood event 2005, t+6
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
397Vol 37. No 3, May-June 2018
Figure 6 Rescaled hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the
first and second flood event 2005, t+6
2.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+6)
Flood BFG13 BR13 CGB13CGF13 CGP13 GD13 P1t+6
2.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+6)
Flood GDM13 GDX13 RP13OSS13 SCG13 LM13 P1t+6
Figure 6 Rescaled hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and
second flood event 2005, t+6
ส�าหรบการพยากรณ 12 ชวโมงลวงหนา (Figure 7)
ไฮโดรกราฟใหผลการพยากรณสอดคลองกบคา R2 ซงแสดง
วากระบวนการเรยนรสวนมากใหผลการพยากรณทคลายกน
และมคาคลาดเคลอนในการพยากรณในชวงคาระดบน�าสงสด
มากกวาคาระดบน�าจรง เพอใหสามารถแยกแยะประสทธภาพ
ของกระบวนการเรยนรแตละประเภทในการพยากรณระดบน�า
รายชวโมง ไฮโดรกราฟใน Figure 8 จงถกตดและแสดงผลการ
พยากรณในเฉพาะชวงการเกดน�าทวม โดยกลมกระบวนการ
เรยนรทสามารถพยากรณระดบน�าลวงหนาในชวงน�าลนตลง
ไดดและพยากรณไดชากวาเหตการณจรง เหมอนกบผลการ
พยากรณ 6 ชวโมงลวงหนา และเนองจากการพยากรณ 12
ชวโมงลวงหนา คาความคลาดเคลอนจากการพยากรณโดย
เฉพาะ ณ ระดบน�าสงสดจงเกดคาความคลาดเคลอนมากกวา
การพยากรณ 6 ชวโมงลวงหนา โดยพยากรณสงกวาระดบน�า
สงสดประมาณ 70-80 เซนตเมตร โดยกระบวนการเรยนร BR
เปนกระบวนการเรยนรทพยากรณคาระดบน�าสงสดไดใกล
เคยงทสดคอพยากรณสงกวาระดบจรง 26 เซนตเมตร
Tawee Chaipimonplin J Sci Technol MSU398
Figure 7 Hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and
second flood event 2005, t+12
1.502.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+12) Flood
BFG6
BR6
CGB6
CGF6
CGP6
GD6
P1t+12
1.502.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+12) Flood
GDM6
GDX6
RP6
OSS6
SCG6
LM6
P1t+12
Figure 7 Hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and second
flood event 2005, t+12
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
399Vol 37. No 3, May-June 2018
Figure 8 Rescaled hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the
first and second flood event 2005, t+12
2.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+12)
Flood BFG6 BR6 CGB6CGF6 CGP6 GD6 P1t+12
2.002.503.003.504.004.505.005.506.00
Water level (m) Cross Correlation (t+12)
Flood GDM6 GDX6 RP6OSS6 SCG6 LM6 P1t+12
Figure 8 Rescaled hydrographs of Cross Correlation with hidden node 50% of 12 learning algorithms at the first and
second flood event 2005, t+12
สรปและขอเสนอแนะจากการทดสอบ 2 เหตการณน�าทวม ในป ค.ศ. 2005 พบวา
กระบวนการเรยนรสวนมากในภาพรวมใหผลการพยากรณไม
แตกตางกนมากนก ดงคาสถต R2 มคา 0.99 ส�าหรบพยากรณ
6 ชวโมงลวงหนา และ 0.97 ส�าหรบพยากรณ 12 ชวโมงลวง
หนา (Table 4) แตอยางไรกตามเมอพจารณาไฮโดรกราฟแลว
พบวา แบบจ�าลองทสามารถพยากรณชวงระดบน�าลนตลงได
ด ม BFG, CGB, CGF, CGP, RP, OSS และ SCG ซงใหผล
การพยากรณใกลเคยงกนมาก
เมอพจารณาถงระยะเวลาในการประมวลผล
กระบวนการเรยนรเกอบทกกระบวนการเรยนรคอนขางเรว
ยกเวน BR ทใชเวลามากทสด โดยตวอยางระยะเวลาการ
ประมวลผลของแบบจ�าลอง 50 รอบ (ส�าหรบเครองคอมพวเตอร
Intel R Core (TM) i7-6700 CPU@ 3.4 GHz และ 8GB Ram)
Tawee Chaipimonplin J Sci Technol MSU400
เมอใชจ�านวนโหนดในชนซอนเรนมากทสดคอ 33 โหนด คอ
1 นาท (SCG, GDM และ GDX) 2 นาท (CGB, CGP และ
OSS) 3 นาท (CGF และ RP) 4 นาท (GD) 8 นาท (LM) 30
นาท (BFG) และ 240 นาท หรอ 4 ชวโมง (BR)
นอกจากนนแลวการเลอกใชตวแปรขอมลน�าเขาท
แตกตางกนกมผลตอประสทธภาพในการพยากรณในแตละ
ประเภทกระบวนการเรยนร แตอยางไรกตามส�าหรบการ
ออกแบบโครงขายประสาทเทยมตอไปส�าหรบการพยากรณน�า
ทวม ณ 6 และ 12 ชวโมงลวงหนา ในลมน�าปงตอนบน สถาน
P.1 ควรจะใชกระบวนการเรยนรประเภทใดประเทหนงได
เพราะมประสทธภาพทใกลเคยงกน (BFG, CGB, CGF, CGP,
RP, OSS และ SCG) แตถาตองการเลอกใชกระบวนการเรยนร
ทใชเวลาการประมวลทรวดเรว ควรเลอกใชกระบวนการเรยนร
SCG, CGB, CGP หรอ OSS เนองจากใชเวลาประมวลผล
คอนขางเรว หรอถาตองการใหไดความแมนย�าในการพยากรณ
คาระดบน�าสงสดกระบวนการเรยนรทควรเลอกใชคอ LM
เนองจาก LM พยากรณคลาดเคลอนเพยง 5 เซนตเมตร และ
ใชระยะเวลาประมวลผลเพยง 8 นาท แตอยางไรกตาม จ�านวน
โหนดในชนซอนเรนทเหมาะสมส�าหรบงานวจยนคอ 13 และ
6 โหนด ส�าหรบการพยากรณ 6 และ 12 ชวโมง ตามล�าดบ
(จ�านวน 50% จากจ�านวนตวแปรขอมลน�าเขาทคดเลอกจาก
วธ C หรอ วธ ผสม ระหวาง Cross Correlation + Stepwise
Regression) ซงท�าใหระยะเวลาการประมวลผล 50 รอบ จะ
ใชระยะเวลาเพยง 1-2 นาท ซงเหมาะส�าหรบเครองคอมพวเตอร
ทมใชกนทวๆ ไป
กตตกรรมประกาศ ผวจยขอขอบคณส�านกงานคณะกรรมการวจยแหง
ชาต ส�าหรบการสนบสนนงบประมาณในการท�าวจยครงน
ขอบคณศนยอทกวทยาชลประทานภาคเหนอตอนบน ส�าหรบ
ขอมลระดบน�า และ กองทนพฒนาวชาการ คณะสงคมศาสตร
มหาวทยาลยเชยงใหม ประจ�าป 2560
เอกสารอางอง1. ศนยอทกวทยาและบรหารน�า ภาคเหนอตอนบน (2550)
ใบประชาสมพนธ การเตอนภยน�าทวมในเขตภาคเหนอ
ตอนบน, กรมชลประทาน.
2. ทว ชยพมลผลน. 50 ป กบการประยกตใชแบบจ�าลอง
โครงขายประสาทเทยมส�าหรบการพยากรณน�าทวมใน
ประเทศไทย. วารสารสงคมศาสตร. 2557;26(2):171-91.
3. Siang JJ. Application of back propagation method in
forecasting problem. Master thesis, Asian Institute of
Technology.1992.
4. วรวธ เลพล, สงหทอง พฒนเศรษฐานนท, อภนนท
อรโสภณ. การพยากรณปรมาณน�าฝนโดยใชโครงขาย
ประสาทเทยมส�าหรบบรเวณภมอากาศเขตรอนชน.
วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลย
มหาสารคาม.2554; 30(2): 135-44.
5. Limanond T, Jomnonkwao S, Srikaew A. Projection
of future transport energy demand of Thailand. Nrg
Poli. 2011;39: 2754-63.
6. Niamnuy C, Kerdpiboon S, Devahastin S. Artificial
neural network modeling of physicochemical changes
of shrimp during boiling. LWT-FST. 2012; 45:110-16.
7. เพชรนรนทร แกวหลา. ระบบการพยากรณจ�านวนผปวย
โรคหวใจโดยใขโครงขายประสาทเทยม. วทยานพนธ
วทยาศาสตรมหาบณฑต มหาวทยาลยเทคโนโลย
พระจอมเกลาพระนครเหนอ. 2553
8. อดศร แกวสนธ. การพยากรณความตองการไฟฟาระยะ
สนโดยใชโครงขายประสาทเทยม. วทยานพนธครศาสตร
อตสาหกรรมมหาบณฑต มหาวทยาลยเทคโนโลย
พระจอมเกลาธนบร. 2552
9. วรากล กาญจนกญโห, สรภทร เชยวชาญวฒนา, ค�ารณ สนต.
การคดเลอกปจจยทอธบายตวแบบโครงขายประสาท
เทยมในการพยากรณการเกดอาชญากรรม. วารสารวจย
มข. (ฉบบบณฑตศกษา). 2553;10(1):22-30.
10. วภา อนเรอง, ทว ชยพมลผลน. การคาดการณพนทเสยง
ตอการเกดดนถลมในจงหวดอตรดตถ โดยประยกตใช
เทคโนโลยภมสารสนเทศรวมกบโครงขายประสาทเทยม.
วารสารสงคมศาสตร มหาวทยาลยศรนครนทรวโรฒ.
2558;18: 191-207.
11. อรนงค บเกต, พธษด ศรแสงตระกล. แบบจ�าลองการ
พยากรณปรมาณออยของภาคตะวนออกเฉยงเหนอโดย
การใชโครงขายประสาทเทยม. วารสารวทยาศาสตร
มหาวทยาลยขอนแกน. 2556;41(1):213-25.
12. วจตร คลงภเขยว, ปยภทร บษบาบดนทร และ บงอร กม
พล. การพยากรณความผนผวนราคาทองค�าดวยโครงขาย
ประสาทเทยม. วารสารวทยาศาสตรบรพา. 2560;22(1):
125-34.
13. Elsafi SH. Artificial neural network (ANNs) for flood
forecasting at Dongola station in the River Nile, Su-
dan. Alexandria E J. 2014;53(3): 655-62.
14. ทว ชยพมลผลน. การใชภาพเรดารและขอมลอทกวทยา
รวมกบแบบจ�าลองโครงขายประสาทเทยมส�าหรบการ
Comparison of 12 Learning Algorithms of Artificial Neural Network Models
for Flood Forecasting in the Upper Ping Catchment
401Vol 37. No 3, May-June 2018
พยากรณ น� าท วมในล มน� าป งตอนบน. วารสาร
วทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม.
2557;33(3): 267-74.
15. Hong JL, Hong K. Flood forecasting for Klang River
at Kuala Lumpur using artificial neural networks. Intl
J of Hy IT. 2016;9(3): 39-60.
16. สภาวด ซองกา, ทว ชยพมลผลน. การพฒนาแบบจ�าลอง
โครงขายประสาทเทยมส�าหรบการคาดการณน�าทวม ณ
สถาน Y.16 บางระก�า. วารสารวทยาศาสตรและ
เทคโนโลย มหาวทยาลยมหาสารคาม. 2561;37(1) (ก�าลง
ตพมพ).
17. Chaipimonplin T, See LM, Kneale PE. Comparison
of neural network learning algorithms; BR and LM for
flood forecasting, Upper Ping catchment. USMCA
2001, 10th International Symposium on New Tech-
nologies for Urban Safety Mega Cities in Asia, 2011
Oct; Chiang Mai, Thailand. (Poster).
18. Chaipimonplin T, Vangpaisal T. Comparison of the
efficiency of input determination techniques with LM
and BR algorithms in ANN for flood forecasting, Mun
Basin, Thailand. Intl J of CEE. 2014;6(2): 90-4.
19. Chaipimonplin T. Investigation internal parameter of
neural network model for flood forecasting at Upper
River Ping, Chiang Mai. KSCE JCE. 2016;20(1);
478-84.
20. ยพน ไชยสมภาร, ทว ชยพมลผลน. การพยากรณระดบ
น�าโดยแบบจ�าลองโครงขายประสาทเทยมดวยขอมล
ปรมาณน�าฝนจากแบบจ�าลอง WRF-ECHAM5. วารสาร
มหาวทยาลยศรนครนทรวโรฒ (สาขาวทยาศาสตรและ
เทคโนโลย). 2560;9(17): 9 หนา (ก�าลงตพมพ).
21. Beale MH, Hagan MT, Demuth HB. (2017). Neural
network toolboxTM user’s guide. Retrieved May 5,
2017, from https://www.mathworks.com/help/pdf_doc/
nnet/nnet_ug.pdf.
22. Chaipimonplin, T. An exploration of neural network
modelling options for the Upper River Ping. PhD
thesis, University of Leeds, UK. 2010.
23. Hydrotest. (2016). Details (modelling and statistics).
Retrieved 30 March 2016, from http://co-public.lboro.
ac.uk/cocwd/HydroTest/Details.html
นพนธตนฉบบ
1 ผชวยศาสตราจารย, สาขาวชาเทคโนโลยสารสนเทศ คณะวทยาการสารสนเทศ มหาวทยาลยมหาสารคาม1 Assistant Professor, Department of Information Technology, Faculty of Informatics, Mahasarakham University.
การพฒนาเวบชวยสอนส�าหรบสมารตโฟน
The development of Web based instruction for smartphone
อนรทธ โชตถนอม1
Anirut Chottanom1
Received: 23 June 2017 ; Accepted: 20 November 2017
บทคดยองานวจยนมจดประสงคเพอพฒนาเวบชวยสอนส�าหรบใชงานผานสมารตโฟนโดยพฒนาจากเวบชวยสอนเดม ซงเปนแบบเด
สกทอปไซตส�าหรบใชงานกบคอมพวเตอรสวนบคคล ทมการแสดงผลของหนาจอขนาด 768 จดภาพขนไป เมอน�าสมารตโฟน
มาใชกบเวบชวยสอนเดมจงท�าใหเกดการแสดงผลทไมเหมาะสม เนองจากจอภาพของสมารตโฟนม ขนาดเลกกวาจอภาพ
คอมพวเตอรสวนบคคล ในงานวจยฉบบน จงไดออกแบบ และพฒนาสวนตอประสานกบผใชงานของเวบชวยสอนเดมเพอให
แสดงผลในรปแบบโมบายไซต ไดอยางเหมาะสม โดยใหระบบคงความสามารถในการใชงานรวมกบคอมพวเตอรสวนบคคลได
เชนเดม ดวยการใชหลกการของเวบแบบปรบตวในการออกแบบ เพอใหใชงานไดกบอปกรณการแสดงผลหลากหลาย ผลของ
การวจยพบวา เวบชวยสอนส�าหรบสมารตโฟนทพฒนาขนสามารถแสดงผลไดกบสมารตโฟนทเปนระบบปฏบตการแอนดรอยด
วนโดวโมบาย และไอโอเอส จากการวดความพงพอใจของกลมตวอยางทเปนอาจารยจ�านวน 26 คน พบวามความพงพอใจตอ
การใชเวบชวยสอนในระดบ พอใจ โดยมคาเฉลยอยท 3.69 สวนเบยงเบนมาตรฐาน 0.74 และวดความพงพอใจของนสตจ�านวน
29 คน พบวามความพงพอใจตอการใชเวบชวยสอนในระดบ พอใจ โดยมคาเฉลยอยท 3.92 สวนเบยงเบนมาตรฐาน 0.87
ค�าส�าคญ: เวบชวยสอน เวบแบบปรบตว
AbstractThe purpose of this research was to develop web based instruction for smart phone by renovating the existing web
based instruction. The existing instruction is based on a desktop site design. It is for use with a personal computer
that has a screen resolution above 768 pixels. When users used a smart phone to access existing web based
instruction, it was unsuitable for the smartphone’s screen size as it is smaller than a computer monitor. In this research,
a newly design user interface of the web based instruction has been developed to suit both mobile and personal
computer screen sizes. A responsive web design is proposed as a suitable design. It can support various kinds of
screen sizes. The result of this research shows that the newly designed web based instruction can cope well with
Android , IOS and windows phone. In this research, 26 teachers and 29 students were selected for testing user
satisfaction. The study found teacher satisfaction and standard deviation at 3.69 and 0.74, respectively. The results
of student satisfaction and standard deviation at 3.92 and 0.87, respectively. The overall results indicate medium
level of satisfaction.
Keywords : Web based Instruction, Responsive web design
The development of Web based instruction for smartphone 403Vol 37. No 3, May-June 2018
บทน�าเวบชวยสอน (Web based instruction)1 เปนเครองมอท
สามารถน�ามาชวยในการจดการเรยนการสอน การสรางบทเรยน
การสรางแบบทดสอบการแสดงบทเรยน การตดตอสอบถาม
การแสดงความคดเหน การตรวจสอบผลการเรยน และ
กจกรรมการเรยนอนๆ ระบบนท�าใหอาจารยผสอนสามารถ
สรางบทเรยนผานทางระบบอนเทอรเนตไดอยางรวดเรว โดย
ไมตองเรยนรค�าสงในการเขยนเวบไซต ปจจบนมหาวทยาลย
มหาสารคาม มเวบชวยสอน www.wbi.msu.ac.th ส�าหรบจดการ
ขอมลการสอนเวบชวยสอนนถกพฒนาเมอป พ.ศ.2545 ในรป
แบบเดสกทอปไซต ส�าหรบใชงานกบเครองคอมพวเตอรสวน
บคคล ซงมหนาจอการแสดงผลขนาดใหญสามารถมองเหนได
ชดเจน แตในปจจบนเทคโนโลยคอมพวเตอรไดกาวหนาไป
มาก ทงอาจารย และนสตสวนใหญมสมารตโฟน ซงสามารถ
เชอมตอระบบอนเทอรเนต และสามารถเขาใชงานเวบชวย
สอนไดเชนเดยวกบการใชคอมพวเตอรสวนบคคล แตดวย
ขนาดของจอภาพทเลก จงท�าใหการแสดงผลไมมความเหมาะ
สม เพราะการแสดงผลจะเกนขนาดของหนาจอเปนอยางมาก
และมขอมลแสดงออกมามากเกนไป ท�าใหผใชงานไมสะดวก
ในการใชงานเวบ ดงนนเพอแกปญหาดงกลาว ผวจยจงม
แนวคดในการปรบปรงสวนตอประสานผใชของเวบชวยสอน
เดมเพอใหมความเหมาะสมกบการใชงานกบสมารตโฟน โดย
ใชหลกการของเวบแบบปรบตว (Responsive Web Design)2
การออกแบบเวบไซตดวยแนวคดนจะท�าใหเวบไซตสามารถ
แสดงผลบนอปกรณท มจอภาพแตกตางกน ไดอยางม
ประสทธภาพ ภายใตการใชรหสค�าสงเดยวกนในการท�างาน
ซงหลกการดงกลาวไดใชเทคโนโลยการจดเรยงเอกสาร ซเอส
เอส (Cascading Style Sheets CSS) มาใชงาน ซงซเอสเอส
เปนค�าสงในการปรบแตงเวบใหเปนระเบยบเรยบงาย และ
สวยงาม 3 ในการวจยนมการวเคราะหระบบเพอท�าการตรวจ
สอบชดค�าสงทไมเปนทนยมใชงาน และท�าการปรบแตง หรอ
น�าออกจากระบบเพอใหขอมลทแสดงผลมปรมาณลดลง ชวย
ใหการแสดงผลดวยสมารตโฟนมความรวดเรวมากขน ในการ
ปรบปรงระบบครงนท�าใหไดเวบชวยสอนทรองรบการใชงาน
กบหนาจอทหลากหลายขนาดมากขน โดยสามารถใชงานได
กบระบบปฏบตการสมารตโฟน เชน แอนดรอยด ไอโอเอส
วนโดวโมบายเปนตน โดยยงคงสามารถใชงานกบคอมพวเตอร
สวนบคคลไดเชนเดม
วตถประสงคการวจย ในการวจยนมวตถประสงคส�าคญสองประเดนคอ
1. เพอพฒนาสวนตอประสานผใชของเวบชวยสอน
ส�าหรบใชงานกบสมารตโฟน
2. ศกษาความพงพอใจในการใชงานเวบชวยสอน
ทพฒนาขน
วธด�าเนนการวจย ขนตอนการด�าเนนการวจยนม 5 ขนตอน ดง Figure 1
บทน า
เวบชวยสอน (Web based instruction)1 เปนเครองมอทสามารถน ามาชวยในการจดการเรยนการสอน การสรางบทเรยน การสรางแบบทดสอบการแสดงบทเรยน การตดตอสอบถาม การแสดงความคดเหน การตรวจสอบผล การเรยน และ กจกรรมการเรยน อนๆ ระบบนท าใหอาจารยผสอนสามารถสรางบทเรยนผานทาง ระบบ อนเทอรเนต ไดอยางรวดเรว โดยไมตองเรยนรค าสงในการเขยนเวบไซต ปจจบนมหาวทยาลยมหาสารคาม มเวบชวยสอน www.wbi.msu.ac. th ส าหรบจดการขอมลการสอน เวบชวยสอนนถกพฒนาเมอป พ.ศ.2545 ในรปแบบเดสกทอปไซต ส าหรบใชงานกบเครองคอมพวเตอรสวนบคคล ซงมหนาจอการแสดงผลขนาดใหญ สามารถ มองเหนไดชดเจน แตในปจจบนเทคโนโลยคอมพวเตอรไดกาวหนาไปมาก ทงอาจารย และนสตสวนใหญม สมารต โฟน ซงสามารถเชอมตอระบบอนเทอรเนต และสามารถเขาใชงาน เวบชวยสอนไดเชนเดยวกบการใชคอมพวเตอรสวนบคคล แตดวยขนาดของจอ ภาพท เลก จงท าให การแสดงผลไมมความเหมาะสม เพราะการแสดงผลจะเกน ขนาดของหนาจ อเปนอยางมาก และมขอมล แสดง ออกมามากเกนไป ท าใหผใชงานไมสะดวกในการใชงานเวบ ดงนนเพอแกปญหาดงกลาว ผวจยจงมแนวคดใน การปรบปรง สวนตอประสานผใชของ เวบชวยสอน เดมเพอใหมความ เหมาะสมกบการใชงาน กบสมารต โฟน โดยใชหลกการของ เวบแบบปรบตว (Responsive Web Design) 2 การออกแบบเวบไซตดวยแนวคดน จะท าใหเวบไซตสามารถแสดงผล บนอปกรณท มจอภาพ แตกตาง กน ไดอยาง มประสทธภาพ ภายใตการใชรหสค าสง เดยว กนในการท างาน ซงหลกการดงกลาวไดใชเทคโนโลยการจดเรยงเอกสาร ซเอสเอส ( Cascading Style Sheets CSS) มาใชงาน ซงซเอสเอสเปนค าสงในการปรบแตง เวบให เปนระเบยบ เรยบงาย และสวยงาม 3 ในการวจยนมการวเคราะหระบบเพอท าการตรวจสอบ ชดค าสงท ไมเปนทนยม ใชงาน และ ท าการ ปรบแตง หรอน า ออก จาก ระบบ เพ อใหขอมลทแสดงผลมปรมาณลดลง ชวยใหการแสดงผลดวยสมารตโฟนมความรวดเรวมากขน ในการปรบปรงระบบครงนท าใหไดเวบชวยสอนทรองรบการใชงานกบ
หนาจอทหลากหลายขนาดมากขน โดยสามารถใชงานไดกบระบบปฏบตการสมารตโฟน เชน แอนดรอยด ไอโอเอส วนโดวโมบายเปนตน โดยยงคงสามารถใชงานกบคอมพวเตอรสวนบคคลไดเชนเดม
วตถประสงคการวจย ในการวจยนมวตถประสงคส าคญสองประเดนคอ 1. เพอพฒนาสวนตอประสาน ผใช ของ เวบชวยสอนส าหรบใชงานกบสมารตโฟน 2.ศกษาความพงพอใจ ในการใชงาน เวบชวยสอน ทพฒนาขน วธด าเนนการวจย ขนตอนการด าเนนการวจยนม 5 ขนตอน ดงภาพท 1
Figure 1 Research Diagram
ในการวจย นขนแรก ผวจยไดท าการศกษาวธการออกแบบเวบไซตแบบปรบตว เพอเปนแนวทางในการออกแบบวธการโตตอบกบผใชงาน โดยศกษาจากงานวจย และบทความในเวบไซต ตาง ๆ เชนงานวจยของ Deanna Klein, Aleksandar Gubic4 ซงไดปรบปรงเวบไซตของ Minot State University College of Business โดยไดพฒนาจากเวบแบบเดสกทอปไซตใหเปนแบบโมบายไซต โดยการน าซเอสเอส มาใชในการควบคมการแสดงผล ของ เวบ จาก
Figure 1 Research Diagram
ในการวจยนขนแรกผวจยไดท�าการศกษาวธการ
ออกแบบเวบไซตแบบปรบตวเพอเปนแนวทางในการออกแบบ
วธการโตตอบกบผใชงาน โดยศกษาจากงานวจย และบทความ
ในเวบไซตตางๆ เชนงานวจยของ Deanna Klein, Aleksandar
Gubic4 ซงไดปรบปรงเวบไซตของ Minot State University
College of Business โดยไดพฒนาจากเวบแบบเดสกทอป
ไซตใหเปนแบบโมบายไซต โดยการน�าซเอสเอสมาใชในการ
ควบคมการแสดงผลของเวบ จากผลการวจยนพบวาการ
พฒนาเวบใหเปนแบบปรบตวสามารถเพมศกยภาพของการ
ใชสมารตโฟนของนกศกษาในมหาวทยาลยได มผส�ารวจ
รปแบบของเวบในระบบอนเทอรเนตพบวาเวบไซตสวนใหญ
เปนเวบกงปรบตว (Semi-responsive) 5 ซงจะเหนไดวาเวบใน
ปจจบนมการพฒนาใหรองรบการใชงานผานสมารตโฟนเพม
ขนเรอย ๆ นอกจากนยงพบวามการพฒนาเครองมอทเปน
แบบส�าเรจส�าหรบการออกแบบเวบแบบปรบตวโดยใช ซเอส
เอส และจาวาสครปต เพอชวยใหผพฒนาเวบสามารถสราง
เวบแบบปรบตวไดงายขน6 มขอแนะน�าจากงานวจยของ
Anirut Chottanom J Sci Technol MSU404
Houcine Hassan ทใหแนวคดวาหากตองการพฒนาเวบแบบ
โมบายไซตควรจะใชประโยขนของหนาจอใหเตมประสทธภาพ
โดยเฉพาะในแนวกวางของจอภาพ7 นอกจากนยงพบวามงาน
วจยหลายงานวจยทน�าเวบแบบปรบตวมาใชประโยชน เชน
การพฒนาเวบไซตส�านกหอสมด มหาวทยาลยทกษณส�าหรบ
การรองรบหนาจอหลายขนาด8 การพฒนาระบบสารสนเทศเพอ
การลงทะเบยนฝกอบรม9 การพฒนาระบบสารสนเทศส�าหรบ
อาจารย โดยใชพมพเขยวการบรการ10 การพฒนาโปรแกรม
บนอปกรณเคลอนทเพอแนะน�า เสนทางการออกนเทศงานสห
กจศกษาและการประเมนผลการฝกสหกจศกษา11 การพฒนา
แอพพลเคชนการจดการเรยนการสอนในหองเรยนเสมอนจรง
บนอปกรณเคลอนท12 และการพฒนาระบบสารสนเทศฝก
ประสบการณวชาชพนกศกษา คณะบรหารธรกจและการบญช
มหาวทยาลยราชภฎรอยเอด13 เปนตน งานวจยทกลาวมา
ทงหมดไดใชซเอสเอสในการออกแบบการแสดงผลทงสน
นอกจากนในการคนควาจากระบบอนเทอรเนตของผวจย ได
พบเครองมอทชวยในการออกแบบเวบแบบปรบตว และชดค�า
สงส�าหรบน�ามาใชในการแสดงผลของเวบจากเวบไซตตางๆ
เชน w3schools ทใหรายละเอยดของการใชค�าสงซเอสเอสท
เขาใจงาย รวมถงตวอยางการใชงานในรปแบบตางๆ นอกจาก
นยงมเวบไซต Bootstrap ซงไดสรางชดค�าสงส�าเรจรปทน�าไป
ใชในการออกแบบเวบ ดวยซเอสเอส ส�าหรบการออกแบบสวน
ตอประสานผใชงานบนสมารตโฟน และคอมพวเตอรสวน
บคคล จากการศกษาขอมลในเวบไซต YouTube มวดทศนท
ใหค�าแนะน�าเกยวกบการสรางเวบแบบปรบตวไวจ�านวนมาก
ซงสามารถเรยนรเพอน�ามาพฒนาเวบได และไดพบรปแบบใน
การน�าเสนอขอมลดวยเทคนคตาง ๆ ทท�าใหเวบไซตเรยบงาย
และสามารถตอบสนองการท�างานไดอยางรวดเรว เชนการใช
ซเอสเอสแสดงตวอกษรในรปแบบรปภาพแทนการเรยกใชงาน
รปภาพแบบบตแมป ซงลดปรมาณขอมลในการดาวนโหลด
นอกจากนยงสามารถใชแสดงขอมลใหมมต เชน เงา ความโคง
มน การไลระดบส และการเปลยนรปแบบการแสดงผลของ
ตารางใหสามารถแยกแยะขอมลไดชดเจนมากขน เปนตน
ในขนตอนทสองเปนการตรวจสอบรหสค�าสง และวธ
การเขยนเวบของเวบชวยสอนเดม ซงพบวาเขยนดวยภาษา
วบสครปต มการแบงชดค�าสงออกเปน 3 ระดบการท�างาน คอ
อาจารย นสต และผดแลระบบ ซงแตละระดบการท�างานจะม
ไฟลรหสค�าสงหนงไฟลเปนของตนเอง โดยมไฟล teacher.asp
ส�าหรบการใชงานของอาจารย student.asp ส�าหรบการใชงาน
ของนสต และ admin.asp ส�าหรบการใชงานของผดแลระบบ
ในการตรวจสอบไฟลทงสาม พบวาโครงสรางการเขยนโปรแกรม
มลกษณะการออกแบบทคลายคลงกน โดยมลกษณะโครงสราง
เปนดงน
#INCLUDE FILE=”share.asp”
<%
Menu()
Sub menu
……….
End sub
Sub work1
……….
End sub
Sub work2
………
End sub
Sub work…
……….
end sub
%>
นอกจากไฟลหลกทงสามแลว มไฟลประกอบทส�าคญ
อกหนงไพล คอ share.asp ท�าหนาทเกบชดค�าสงทใชงานรวม
กนของผใชงานเชน กระดานขาว การสงขอความ ตวแปร
ส�าหรบจดเกบขอมล รปแบบการแสดงผล การก�าหนดทอย
ของฐานขอมล เปนตน โดยไฟลนจะถกเรยกใชงานรวมกนกบ
ไฟลหลกทงสามเพอประมวลผล และสรางหนาเวบเพจตดตอ
กบผใชงาน ดง Figure 2
Figure 2 File System Structure
เมอไฟลท�างานรวมกนจะท�าใหเกดหนาเวบสงไปยง
ผใชงาน โครงสรางการแสดงผลของเวบชวยสอนเดมมลกษณะ
ดง Figure 3
The development of Web based instruction for smartphone 405Vol 37. No 3, May-June 2018
Figure 3 Original web page layout
การจดเกบขอมลประกอบการแสดงผลของเวบ ไดแก
ภาพสญลกษณการโตตอบ (icon) และภาพประกอบ ถกจด
เกบไวในโฟลเดอร IMG ไฟลเอกสารการสอน ไฟลการสง และ
สงงานของแตละวชาถกเกบแยกไวในโฟลเดอรของแตละวชา
โดยระบบจะสรางโฟลเดอรของวชาเมอมการเพมวชาลงใน
ระบบสวนระบบฐานขอมลของระบบเปน Microsoft Access
2002 มไฟลของฐานขอมล 1 ไฟลประกอบดวยตาราง 41
ตารางส�าหรบเกบขอมลการท�างานตาง ๆ เชน ขอมลสมาชก
ขอมลรายละเอยดวชา ขอมลบทเรยน ขอมลการมอบหมาย
และสงงาน ขอมลเอกสารการสอน แบบฝกหด ขอมลขาว
ประกาศตางๆ เปนตน โดยตารางมความเชอมโยงกนในรป
แบบฐานขอมลเชงสมพนธ ดง Figure 4
Figure 4 ER - Diagram
ในขนตอนทสามเปนการวเคราะหขอมลในฐานขอมล
เพอตรวจสอบวามชดค�าสงใดทไมเปนทนยมในการใชงาน โดย
ใชการตรวจนบจ�านวนขอมลจากตาราง ซงพบวาขอมลบาง
ตารางมปรมาณนอย เชน บนทกความจ�า ตารางนดหมาย สง
เมล สงขอความ การจดเกบไฟล ซงแสดงใหเหนวาค�าสงท
เรยกใชตารางเหลานไมเปนทนยมในการใชงาน ดงนนในงาน
วจยนจงไดท�าการปรบปรงค�าสงดงกลาวบางสวนทเหนวายง
มประโยชนในการจดการเรยนการสอน และตดชดค�าสงทไม
เกยวของกบการจดการสอนออก เพอเพมความรวดเรวในการ
ท�างานของระบบ และเพมพนทในการแสดงผลใหกบขอมลอน
ซงท�าใหเหลอชดค�าสงการใชงานของระบบใหมทพฒนาขน
ส�าหรบการใชงานกบผใชในแตละระดบเปนดง Table 1
Table 1 User Functions
Function Teacher Student Admin
Login
Logout
Edit Profile
Site Favorite
Change Skin
Help
Add Subject
Display Subject
Enroll Student
Display Student
Withdraw Student
Display Student detail
Add Lesson
Display Lesson
Assignment
Inspect Assignment
Sent assignment
Add Document
Download Document
Add Subject detail
Display Subject detail
Add Exercise
Answer Exercise
Add Website Link
Display Website
Anirut Chottanom J Sci Technol MSU406
Function Teacher Student Admin
Add Book
Display Book
Send Message
Web board
Add Display skin
Set Upload file size
Add major
Add Faculty
ในขนตอนทส หลงจากคดเลอกชดค�าสงเสรจแลวได
เขาสกระบวนการจดท�าเวบส�าหรบสมารตโฟนโดยเลอกรป
แบบวธการออกแบบเวบไซตดวยวธปรบแกชดค�าสงไปพรอม
กบการใชงานของผใช (Responsive Retrofitting) ซงใชการ
แกไขไปคราวละหนาเวบ (Page by Page) โดยจดท�าในหนาท
ส�าคญกอน แลวพฒนาหนาอนทส�าคญรองลงไปเรอยๆ โดย
เรมจากสวนการใชงานของอาจารย ซงเปนจดเรมตนของการน�า
ขอมลตาง ๆ เขาสระบบ แลวจงปรบแกในสวนการแสดงผล
ของนสต สาเหตทงานวจยไดเลอกวธนเนองจากวธนสามารถ
น�าเวบไปใชไดเรว ไมตองรอใหพฒนาจนกระทงเสรจทงหมด
กอน ผใชงานจะสามารถรบรถงความเปลยนแปลงจากการแก
รหสค�าสงทนท นอกจากนไดมการเปลยนชดค�าสงฝงลกขาย
ทเขยนดวยภาษาวบสครปตซงไมรองรบกบเวบบราวเซอร
สวนใหญในปจจบน โดยปรบใหเปนจาวาสครปตแทน และได
ท�าการเปลยนการใชรปภาพสญลกษณการโตตอบแบบบต
แมป ดวยการใชตวอกษรจากค�าสง glyphicon ของ Bootstrap
เขามาชวย เชน การใชค�าสง <span class = “glyphicon
glyphicon-search” aria-hidden = “true”> </span> เพอแสดง
สญลกษณ แทนรปภาพบตแมป ซงชวยลดปรมาณในการ
สงขอมลจากเครองแมขายไปยงลกขายได ส�าหรบวธการปรบ
รหสค�าสงเพอใหเวบรองรบรปแบบการปรบตวอตโนมตเมอ
แสดงผลดวยขนาดหนาจอทตางกน และการท�าใหเวบสามารถ
ใชค�าสงซเอสเอสในการแสดงผลไดนน ตองเพมแทกในการ
เรยกใชค�าสงของ Bootstrap ไวทสวนหวของไฟลหลกทงสาม
ดงน
<meta name=”viewport” content=”width=device-width,
height=device-height, user-scalable=no” />
<meta http-equiv=”X-UA-Compatible”
content=”IE=edge”>
<meta http-equiv=”Content-Type” content=”text
html;charset=TIS-620” lang=”th”>
<link href=”bootstrap/css/bootstrap.min.css”
rel=”stylesheet”> <link rel=”stylesheet” href=”bootstrap
css/main.css”> <link rel=”stylesheet” href=”bootstrap/css
responsive.css” media=”screen and (max-width: 900px)”>
<script src=”https://oss.maxcdn.com/html5shiv/3.7.3
html5shiv.min.js”></script>
<script src=”https://oss.maxcdn.com/respond/1.4.2/r
spond.min.js”></script>
#INCLUDE FILE=”share.asp”
<%
Menu()
Sub menu
……….
End sub
Sub work1
……….
End sub
Sub work2
………
End sub
Sub work…
……….
end sub
%>
จากนนท�าการตดตงไฟลค�าสงของ Bootstrap
เวอรชน 3.3.7 ซงอยในรปแบบแฟมขอความ โดยดาวนโหลด
จากเวบไซตของ Bootstrap ลงในเครองแมขายเวบชวยสอน
จากนนไดท�าการปรบรปแบบการแสดงผลในสวนของการ
แสดงเมนของเวบชวยสอนดวยการใช แทรก navbar ซงจะท�า
หนาทปรบรปแบบการแสดงเมนตามขนาดความกวางของหนา
จอทเปลยนไป ซงคามาตรฐานของ Bootstrap ไดก�าหนดไว 4
ระดบคอ หนาจอสมารตโฟนขนาดหนาจอนอยกวา 768 จดภาพ
หนาจอแทบเลตขนาดหนาจอนอยกวา 992 จดภาพหนาจอ
คอมพวเตอรขนาดกลางขนาดหนาจอนอยกวา 1200 จดภาพ
และหนาจอคอมพวเตอรขนาดใหญหนาจอ 1200 จดภาพ ขน
ไปส�าหรบแทกการก�าหนดรปแบบการแสดงผลแบบปรบตว
ของเมนค�าสงเปนดงน
<nav class=”navbar navbar-default”>
<div class=”container-fluid”>
<div class=”navbar-header” align=”left”>
Table 1 User Functions (continue)
The development of Web based instruction for smartphone 407Vol 37. No 3, May-June 2018
<button type=”button” class=”navbar-toggle collapsed”
data-toggle=”collapse” data-target=”#bs-example
navbar-collapse-1” aria-expanded=”false”>
<span class=”sr-only”>Toggle navigation</span>
<span class=”icon-bar”></span>
<span class=”icon-bar”></span>
<span class=”icon-bar”></span>
</button> Web Title </div>
<div class=”collapse navbar-collapse” id=”bs-example
navbar-collapse-1”>
<ul class=”nav navbar-nav”>
<li> Menu 1 </li>
<li> Menu 2 </li>
<li> Menu …. </li> </ul>
<ul class=”nav navbar-nav navbar-right”>
<li>Exit Button</li> </ul>
</div></div>
</nav>
จากแทกดงกลาวจะท�าใหเมน ซอนการแสดงรายการ
เมอหนาจอมขนาดนอยกวา 768 จดภาพ ซงเปนขนาดการ
แสดงผลของสมารตโฟน สวนการแสดงขอมลในพนทการ
ท�างานนนพบวาเวบชวยสอนเดมใชตารางในการก�าหนด
ขอบเขตการแสดงผลโดยก�าหนดเปนคาแบบคงทไว ท�าใหไมม
ความยดหยนในการแสดงผล ดงนนในการวจยนจงไดเปลยน
วธการก�าหนดขนาดความกวางของตารางใหมโดยก�าหนดเปน
คาทยดหยนตามขนาดของจอภาพ ซงก�าหนดคาใหกวางเตม
จอภาพ ดวยแทก <table width=”100%”> เพอใหแสดงผลได
มากทสด และท�าการซอนขอมลบางสวนเมอเขาสรปแบบการ
แสดงผลแบบสมารตโฟน โดยใชรปแบบ display: none; ซง
สรางไวในคลาสของซเอสเอส โดยก�าหนดใหมความสมพนธ
กบการแสดงผลของหนาจอของสมารตโฟน ดงน
@media screen and (max-width:768px)
{
.hide-mobile
{
Display : none ;
}
}
เมอตองการซอนการแสดงผลรายการใดของโมบาย
ไซต จะท�าการก�าหนดแบบของขอมลนนใหเปนแบบ hide-
mobile ตวอยาง เชน
<table>
<tr><td> ชอ </td>
<td> นามสกล </td>
<td class=”hide-mobile” >เพศ</td>
</tr>
</table>
จากตวอยางค�าสงขางตน จะท�าใหไมมคอลมนเพศ
ในตารางแสดงออกมาทจอภาพ เมอรปแบบการแสดงผล
เปลยนเปนแบบสมารตโฟน ผ ใชจะเหนเฉพาะชอ และ
นามสกล เทานน ในการปรบแกวธนท�าไดรวดเรวเนองจากไม
ตองปรบโครงสรางการแสดงเนอหาของเวบเดมมาก
การปรบรปแบบการแสดงผลของงานวจยนส ง
ผลกระทบตอความผดพลาดของโปรแกรมนอย เนองจาก
ไมไดปรบรปแบบค�าสงการประมวลผล และไมได มการ
ปรบเปลยนกลไกของฐานขอมลแตอยางใด
ผลการวจย เมอท�าการคดเลอกชดค�าสงทเหมาะสมของเวบ
ชวยสอนเสรจสนแลวท�าใหไดโครงสรางของเวบใหมเปนดง
Figure 5
Anirut Chottanom J Sci Technol MSU408
เปนขนาดการแสดงผลของสมารตโฟน สวนการแสดงขอมลในพนทการท างานนนพบวาเวบชวยสอนเดมใชตารางในการก าหนดขอบเขตการแสดงผลโดยก าหน ดเปนคาแบบคงทไว ท าใหไมมความยดหยนในการแสดงผล ดงนนในการวจยนจงไดเปลยนวธการก าหนดขนาดความกวางของตารางใหมโดยก าหนดเปนคาทยดหยนตามขนาดของจอภาพ ซงก าหนดคาใหกวางเตมจอภาพ ดวยแทก <table width=”100%”> เพอใหแสดงผลไดมากทสด และท าการซอนขอมลบางสวนเมอเขาสรปแบบการแสดงผลแบบสมารตโฟน โดยใชรปแบบ display: none; ซงสรางไวในคลาสของซเอสเอส โดยก าหนดใหมความสมพนธกบการแสดงผลของหนาจอของสมารตโฟน ดงน
@media screen and (max-width:768px) { .hide-mobile { Display : none ; } }
เมอตองการซอนการแสดงผลรายการใด ของโมบายไซต จะท าการก าหนด แบบของขอมลนนใหเปนแบบ hide-mobile ตวอยาง เชน
<table>
<tr><td> ชอ </td>
<td> นามสกล </td>
<td class="hide-mobile" >เพศ</td>
</tr>
</table>
จากตวอยางค าสงขางตน จะท าใหไมมคอลมนเพศ ในตารางแสดงออกมาทจอภาพ เมอรปแบบการแสดงผลเปลยนเปนแบบสมารตโฟน ผใชจะเหนเฉพาะชอ และ นามสกล เทานน ในการปรบแก วธน ท าไดรวดเรวเนองจากไมตองปรบโครงสรางการแสดงเนอหาของเวบเดมมาก
การปรบรปแบบการแสดงผล ของงานวจยนสงผลกระทบตอความผดพลาดของโปรแกรมนอย เนองจากไมไดปรบรปแบบค าสงการประมวลผล และไมได มการปรบเปลยนกลไกของฐานขอมลแตอยางใด
ผลการวจย
เมอท าการ คดเลอกชดค าสงทเหมาะสม ของเวบชวยสอนเสรจสนแลวท าใหได โครงสรางของเวบใหมเปนดงภาพท 5
Figure 5 Site map Figure 5 Site map
เมอพฒนาเสรจแลว ไดหนาเวบไซตส�าหรบการท�างาน
ดง Figure 6 – 7 โดย Figure 6 เปนภาพเวบไซตเดมทยงไม
ไดปรบแกไข ซงแสดงในรปแบบของเดสกทอปไซตไดเพยง
อยางเดยว
Figure 6 Original home page
Figure 7 คอเวบใหมทมการปรบรปแบบการแสดง
ผลในแบบโมบายไซต ซงก�าหนดใหแสดงขอมลนอยลง เพอ
ความรวดเรวในการเรยกใชงาน
Figure 7 New Home page for mobile site
Figure 8 เปนหนาเวบแสดงรายการวชาในรปแบบ
ของเวบไซตเดมซงแสดงรายการขอมลหลายคอลมน สวน
Figure 9 มการปรบรปแบบใหมในการแสดงรายการวชา
ส�าหรบแสดงผลแบบโมบายไซต โดยท�าการซอนขอมลบาง
สวนไว เพอใหจอภาพมชองวางมากขน เปนจดพกสายตาของ
ผใชงาน
The development of Web based instruction for smartphone 409Vol 37. No 3, May-June 2018
Figure 8 Select Subject original site
Figure 9 Select Subject Mobile site
Figure 10 Subject Welcome page Mobile site
Figure 11 Subject Welcome page Desktop site
Figure 10 เปนการแสดงหนาหลกของวชา ซงมการ
ซอนเมนการท�างานไว ซงชวยลดพนทในการแสดงผลเมอ
แสดงในแบบโมบายไซต และ Figure 11 เปนหนาหลกของ
วชาในแบบเดสกทอปไซต
Figure 12 Student List Mobile site
Figure 12 เปนการแสดงขอมลนสตในชนเรยนแสดง
ผลแบบโมบายไซต ซงมการตดปมค�าสงบางสวนออกเพอ
ใหการแสดงผลมขนาดทพอดกบหนาจอ และเมอผใชงานใช
งานหนานในรปแบบเดสกทอปไซต จะไดหนาเวบดง Figure
13 ซงระบบจะแสดงรายการ และปมค�าสงทงหมดออกมา
Anirut Chottanom J Sci Technol MSU410
Figure 13 Student List Desktop site
Figure 14 Document List Mobile site
Figure 15 Document List Desktop site
Figure 16 Assignment Mobile site
Figure 17 Assignment Desktop site
หลงจากทพฒนาระบบชวยสอนเสรจสนแลว ผวจย
ไดน�ากลมตวอยาง ประกอบดวยกลมผใชงานในรปแบบอาจารย
จ�านวน 26 คน และนสตจ�านวน 29 คน โดยใชวธการสมแบบ
เจาะจง โดยเลอกจากอาจารยและนสตทใชงานสมารตโฟน
ระบบปฏบตการแอนดรอยด หรอ ไอโอเอส หรอ วนโดวโฟน
เพอท�าการศกษาความพงพอใจ และประเมนความพงพอใจท
มตอการใชงานเวบชวยสอน โดยงานวจยนสนใจประเมนผล
การใชงานเฉพาะรปแบบการแสดงผลแบบโมบายไซต ซงใช
งานดวยสมารตโฟนเทานน ซงจะศกษาความพงพอใจเฉพาะ
สวนประสานการใชงานกบผใชเวบ ในภาพรวมของเวบท
พฒนาขน และการใชชดค�าสงยอย เพอตองการทราบวาสวน
ใดของเวบทตองท�าการปรบปรงแกไขในอนาคต ในขนตอน
การทดลองเขาใชงานเวบของกลมตวอยาง ผวจยไดมการจด
เตรยมสถานทโดยใชหองปฏบตการคอมพวเตอร คณะ
วทยาการสารสนเทศ มหาวทยาลยมหาสารคาม และเตรยม
ระบบเครอขายอนเทอรเนตไรสายแกกลมตวอยาง มการชแจง
เพอท�าความเขาใจแกกลมตวอยางถงจดประสงคของการ
ทดลอง แตไมไดชน�าวธการใชค�าสงตาง ๆ ของเวบใหกลม
ตวอยางทราบ เพอตองการศกษาวาผใชงานจะสามารถใชงาน
เวบชวยสอนดวยตนเองไดหรอไม ส�าหรบเครองมอในการ
The development of Web based instruction for smartphone 411Vol 37. No 3, May-June 2018
วดผลไดใชแบบสอบถามแบบมาตรประมาณคา (Rating
Scale) 5 ระดบ โดยใหคา 5 คอ พอใจมาก 4 คอ พอใจ 3 คอ
ปานกลาง 2 คอ ไมพอใจ และ 1 คอ ไมพอใจทสด ส�าหรบ
เกณฑการแปลความหมายเปนดง Table 2
Table 2 Satisfied criteria
Level Meaning
4.51 - 5.00
3.51 - 4.50
2.51 - 3.50
1.51 - 2.50
1.00 - 1.50
Very satisfied
Satisfied
Mere
Displeased
Very dissatisfied
จากการทดสอบการใชงานเวบชวยสอนกบกล ม
ตวอยางพบวา ทงกลมนสต และอาจารยสามารถใชงานค�าสง
ไดครบทงหมดโดยใชระยะเวลาในการใชงานไมเกน 1 ชวโมง
หลงจากไดทดลองใชงานแลว ไดใหกล มตวอยางตอบ
แบบสอบถามความพงพอใจ โดยหวขอในการวดความพง
พอใจ ผลการวด และการแปลผลส�าหรบกลมตวอยางทเปน
นสต อยใน Table 3 ส�าหรบหวขอในการวดความพงพอใจ ผล
การวด และการแปลผลส�าหรบกลมตวอยางทเปนอาจารยอย
ใน Table 4 มขอเสนอแนะจากกลมนสตเกยวกบประเดนการ
ใชส การเนนสของขอมลทเกยวของกบผเขาสระบบใหมความ
โดดเดนจากรายการอน และขนาดตวอกษรชอรายวชาทม
ขนาดใหญเกนไปท�าใหเปลองเนอทการแสดงผล สวนกลม
ตวอยางทเปนอาจารยไดมขอเสนอแนะเกยวกบ การแสดงผล
เมนทไมโดดเดน และมขนาดเลกเกนไปขนาดของไฟลเอกสาร
ในการสงนอยเกนไป การใชสในการแสดงรายชอวชามความ
หลากหลายเกนไปขาดความเปนทางการ ขาดความนาสนใจ
ขนาดการแสดงผลไมเตมหนาจอภาพ และไมเขาใจค�าสงการ
ท�างานบางอยางของเวบชวยสอน เปนตน
Table 3 Student’s Satisfaction Evaluation
Title SD Meaning
Meaning of icon design 3.90 0.49 Satisfied
Layout 3.83 0.76 Satisfied
Font Size 3.72 1.07 Satisfied
Color 4.03 0.91 Satisfied
Icon Position and Space 3.72 0.7 Satisfied
Icon Size 3.76 0.99 Satisfied
Button Size 3.93 0.96 Satisfied
System perception 3.97 0.82 Satisfied
Flexibility 3.93 0.84 Satisfied
Error Protection 3.76 0.74 Satisfied
Help Desk 3.93 0.84 Satisfied
Integral 4.03 0.94 Satisfied
Fleetness 4.21 0.77 Satisfied
Registration 4.21 0.82 Satisfied
Login 4.21 0.73 Satisfied
Display List of Subject 3.83 1.07 Satisfied
Display Student 3.97 1.05 Satisfied
Display Assignment 3.76 0.95 Satisfied
Submit Assignment 4.07 0.88 Satisfied
Display Subject Document 4.38 0.78 Satisfied
Display Lesson 4.31 0.85 Satisfied
Exercise creating 4.03 0.82 Satisfied
Book display 3.97 0.82 Satisfied
Link display 3.45 0.83 mere
Send message 3.52 1.09 Satisfied
Web board 3.55 1.09 Satisfied
Average 3.92 0.87 Satisfied
Table 4 Teacher’s Satisfaction Evaluation
Title SD Meaning
Meaning of icon 3.65 0.80 Satisfied
Layout 3.42 0.70 mere
Font Size 3.42 0.70 mere
Color 3.42 0.95 mere
Icon Position/Space 3.27 0.67 mere
Icon Size 3.31 0.79 mere
Button Size 3.62 0.70 Satisfied
System perception 3.5 0.76 mere
Flexibility 3.42 0.70 mere
Error Protection 3.31 0.84 mere
Help Desk 3.38 0.75 mere
Integral 3.54 0.65 Satisfied
Fleetness 4.12 0.65 Satisfied
Registration 4.19 0.63 Satisfied
Table 3 Student’s Satisfaction Evaluation (continue)
Anirut Chottanom J Sci Technol MSU412
Login 4.35 0.63 Satisfied
Create Subject 3.88 0.77 Satisfied
Edit Subject detail 3.85 0.61 Satisfied
Enroll student 3.85 0.83 Satisfied
Display student 3.92 0.63 Satisfied
Add assignment 3.85 0.78 Satisfied
Display assignment 3.81 0.80 Satisfied
Add Document 3.62 0.98 Satisfied
Display Document 3.69 0.93 Satisfied
Add Lesson 3.69 0.79 Satisfied
Display Lesson 3.77 0.59 Satisfied
Add Exercise 3.88 0.77 Satisfied
Display Exercise 4 0.63 Satisfied
Average 3.69 0.74 Satisfied
สรปผลการวจยผลจากการปรบปรงเวบชวยสอน จากเดมทเปนเดสกทอปไซต
ใหเปนแบบโมบายไซต ท�าใหไดเวบชวยสอนทสามารถใชงาน
ไดกบสมารตโฟนระบบแอนดรอยด ไอโอเอส และ วนโดวโฟน
โดยระบบดงกลาวยงคงความสามารถในการใชงานกบคอมพวเตอร
สวนบคคล เมอท�าการวดความพงพอใจจากกลมตวอยางผใช
งาน พบวา กลมตวอยางทเปนนสตมความพงพอใจเฉลยตอ
การใชเวบชวยสอนในระดบ พอใจ โดยมคาเฉลยอยท 3.92 ม
สวนเบยงเบนมาตรฐาน 0.87 รายการทมคาเฉลยสงสดคอ การ
แสดงรายการเอกสารการสอน มคาเฉลยท 4.38 สวนเบยงเบน
มาตรฐาน 0.78 รองลงมาคอ การแสดงบทเรยน มคาเฉลยท
4.31 สวนเบยงเบนมาตรฐาน 0.85 รายการทมคาเฉลยต�าสด
คอ การแสดงรายการเวบไซตอน ๆ มคาเฉลยท 3.45 สวน
เบยงเบนมาตรฐาน 0.83 คาเฉลยทกรายการ อยในชวง
กลางๆ และ พอใจ ไมมรายการใดทมคาเฉลยความพงพอใจ
อยในชวง ไมพอใจ ไมพอใจมาก และพอใจมาก ส�าหรบกลม
ตวอยางทเปนอาจารย พบวามความพงพอใจเฉลยตอการใช
เวบชวยสอนในระดบ พอใจ โดยมคาเฉลยอยท 3.69 มสวน
เบยงเบนมาตรฐาน 0.74 รายการทมคาเฉลยสงสดคอ การเขา
สระบบ มคาเฉลยท 4.35 สวนเบยงเบนมาตรฐาน 0.63 รอง
ลงมาคอ การสมครสมาชก มคาเฉลยท 4.19 สวนเบยงเบน
มาตรฐาน 0.63 รายการทมคาเฉลยต�าสดคอ การวางต�าแหนง
ในการโตตอบและขนาดพนทส�าหรบการเลอก มคาเฉลยท
3.27 สวนเบยงเบนมาตรฐาน 0.67 คาเฉลยทกรายการ อยใน
ชวง กลางๆ ถง พอใจ ไมมรายการใดทมคาเฉลยความพง
พอใจอยในชวง ไมพอใจ ไมพอใจมาก และพอใจมาก เมอ
พจารณาคาเฉลยความพงพอใจของผใชงานทมตอระบบชวย
สอนทพฒนาขน พอสรปไดวา ผใชงานทงกลมของนสต และ
กลมของอาจารย มความพงพอใจในรปแบบการแสดงผลของ
เวบชวยสอนผานสมารตโฟนทพฒนาขน แตอยางไรกตาม
ระดบความพงพอใจของกลมตวอยางไมสงในระดบพอใจมาก
ซงอาจมสาเหตจากหลายประการ เชน การใชส และขนาดตว
อกษรทยงไมเหมาะสม การจดต�าแหนงหนาจอไมเปนทพอใจ
ของผใชงานมากนก ความซบซอนของการใชค�าสง ซงผใชงาน
ตองการความชวยเหลอในการใชค�าสงและขนตอนในการใช
งาน รวมทงขอจ�ากดในการรองรบไฟลขอมลทมขนาดใหญ
ขอเสนอแนะ จากการทดลองใชงานระบบชวยสอนกบกลมตวอยาง
ท�าใหพบปญหา และความตองการของผใชเพมเตม ในประเดน
ของการแสดงผลทยงไมสมบรณของระบบ เชน การแสดง
ขอมลเกนความกวางของหนาจอสมารตโฟน การแกไขท�าได
โดยการปรบวธการแสดงผลเปนแบบหลายแถว หรอตดขอมล
ทไมจ�าเปนออก แสดงไวเพยงหวขอรายการเทานน ซงจะท�าให
ขอมลทแสดงผลสนลง การปรบแกต�าแหนงการจดวางหนาเวบ
อาจตองสอบถามความคดเหนจากกลมผใชเพมเตมเพอใหได
รปแบบทเหมาะสมกบแตละกลมมากขน ในสวนการแสดงผล
ขอมลสวนตวของผใช ตองปรบใหมขนาด และสทแตกตางจาก
รายการของบคคลอนทมการแสดงรวมกน เชน คะแนน เกรด
เปนตน ส�าหรบปญหาความสบสนของผใชงานในการใชค�าสง
ทมความซบซอนสามารถแกไขโดยการจดท�าเอกสารแนะน�า
การใชงาน หรอสรางเปนวดทศนแกผใช โดยสรางเปนจดเชอม
โยงจากหนาค�าสงนนไปยงเอกสารค�าแนะน�า ปญหาทส�าคญ
อกประเดนหนง คอ ขอจ�ากดในการสงไฟลของระบบ ซงหาก
ก�าหนดขนาดเกน 20 เมกะไบตจะท�าใหการสงลมเหลวเพราะ
เครองแมขายจะตดการตดตอกบลกขายซงเปนปญหาเชง
เทคนค ในเบองตนอาจแกไขโดยการใหผใชงานระบบใชการ
เกบขอมลแบบคราวน โดยใชบรการของ Google drive
หรอDropbox หรอ Microsoft One drive ซงเปนระบบจดเกบ
ขอมลแบบออนไลนทสามารถรองรบไฟลขนาดใหญเกบขอมล
แทน แลวท�าการสงทอยของไฟลขอมลมายงเวบชวยสอน ซง
จะชวยใหเวบชวยสอนท�างานไดรวดเรวมากขน สวนปญหา
อยางอน เชนรปแบบการแสดงผลของเวบชวยสอนไมมความ
สมบรณแบบเหมอนระบบทเปนแอพลเคชนทใชงานกบสมารต
โฟนโดยตรง เนองจากมองคประกอบของหนาจอ เชน แถบท
อย และแถบเลอนของเวบบราวเซอร เปนผลท�าใหไมสามารถ
ใชพนทของหนาจอไดทงหมด จงควรหาวธในการซอนแถบท
Table 4 Teacher’s Satisfaction Evaluation (continue)
The development of Web based instruction for smartphone 413Vol 37. No 3, May-June 2018
อยและแถบเลอนของเวบบราวเซอร จะสรางความพงพอใจแก
ผใชงาน และท�าใหจอภาพมพนทในการแสดงผลเพมขน
กตตกรรมประกาศ ขอขอบคณคณะวทยาการสารสนเทศ มหาวทยาลย
มหาสารคาม ทไดเลงเหนประโยชนของงานวจย และเปนผให
ทนสนบสนนการวจยในครงน รวมทงผมสวนเกยวของทกทาน
ทใหความรวมมอในการวจยน
เอกสารอางอง1. ประภสรา โคตะขน. เวบชวยสอน (Web - Based Instruc-
tion : WBI). สบคนจาก https://sites.google.com/site/
prapasara/a1. 16 สงหาคม 2559.
2. SiamHTML. Responsive.online: Web Design.สบคน
จากhttp://www.siamhtml.com
/responsive-web-design. 16 สงหาคม 2559.
3. Enjoyday.net .CSS คออะไร. สบคนจากhttp://www.
enjoyday.net/webtutorial/css/css_chapter01.html. 16
สงหาคม 2559.
4. Deanna Klein and AleksandarGubic.Deanna Klein.
Responsive website design for higher education
utilizing mobile centric features”. Online Journal of
Applied Knowledge Management A Publication of the
International Institute for Applied Knowledge Manage-
ment. Volume 2, Issue 1, 2014.
5. NatašaSubić, Tanja Krunić ,BiljanaGemović. Respon-
sive web design – Are we ready for the new age?.
Online Journal of Applied Knowledge Management
A Publication of the International Institute for Applied
Knowledge Management. Volume 2, Issue 1, 2014.
6. C. Curry, G. Stinton, J.Sullivan. What’s the Context?
Responsive Web Design in Real Estate.The Center
for REALTOR® Technology. February 2014.
7. Houcine Hassan, Juan-Miguel Martínez-Rubio, Angel
Perles, Juan-Vicente Capella, Carlos Domínguez,
and José Albaladejo. Smartphone-Based Industrial
Informatics Projects and Laboratories. IEEE TRANS-
ACTIONS ON INDUSTRIAL INFORMATICS. Volume
9, NO. 1, February 2013.
8. พทยพมล ชรอด. การพฒนาเวบไซตส�านกหอสมด มหาวทยาลย
ทกษณส�าหรบการรองรบหนาจอหลายขนาด. PULINET
Journal Vol. 1, No. 3, September-December 2014 :
102-106.
9. สชาภา โชตวระวฒกล. ระบบสารสนเทศเพอการลง
ทะเบยนฝกอบรม.PULINET Journal Vol. 4, No. 3,
September-December 2017 : 273-282
10. สทธพงษ ฉมไทย. ระบบสารสนเทศส�าหรบอาจารย โดย
ใชพมพเขยวการบรการ. The Eleventh National Confer-
ence on Computing and Information Technology .
2015.
11. หฤทย อาษากจ. การพฒนาโปรแกรมบนอปกรณเคลอนท
เพอแนะน�า เสนทางการออกนเทศงานสหกจศกษาและ
การประเมนผลการฝกสหกจศกษา. วารสารเทคโนโลย
สารสนเทศ. ปท 11 ฉบบท 2 กรกฎาคม - ธนวาคม 2558.
12. ภาณวฒน วรพทยเบญจา. การพฒนาแอพพลเคชนการ
จดการเรยนการสอนในหองเรยนเสมอนจรงบนอปกรณ
เคลอนท. วารสารวชาการคณะเทคโนโลยอตสาหกรรม
มหาวทยาลยราชภฏล�าปาง. ปท 8 ฉบบท 2 กรกฎาคม
2558 – ธนวาคม 2558.
13. สพจน บวเลง. การพฒนาระบบสารสนเทศฝกประสบการณ
วชาชพนกศกษา คณะบรหารธรกจและการบญชมหาวทยาลย
ราชภฎรอยเอด. รายงานสบเนองการประชมวชาการและ
น�าเสนอผลงานวจยระดบชาต ครงท 1. นวตกรรมสรางสรรค
ศาสตรพระราชาสการพฒนาทยงยน ไทยแลนด 4.0 ;
2017 : 372 - 381.
นพนธตนฉบบ
1 นกศกษาปรญญาเอก, 2อาจารย, สาขาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร มหาวทยาลยขอนแกน ถนนมตรภาพ อ�าเภอเมอง จงหวด
ขอนแกน 40002 ประเทศไทย1 Doctoral degree student 2Lecturer, Department of Computer Engineering, Faculty of Engineering, Khon Kaen University, Mittraphap
Road, Mueang Khon Kaen District, Khon Kaen, 40002, Thailand.
ไอเอมอารพแอล : โปรโตคอลอารพแอลแบบปรบปรงส�าหรบโหนดเคลอนทบนเครอขาย
ซกโลแพน
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN
ภาคย สธนเสาวภาคย1, ชชชย คณบว2
Pak Satanasaowapak1, Chatchai Khunboa2
Received: 7 July 2017 ; Accepted: 28 November 2017
บทคดยองานวจยนมวตถประสงคเพอปรบปรงโปรโตคอลอารพแอลใหสามารถสนบสนนการท�างานในกรณทมโหนดเคลอนทบนเครอขาย
ซกโลแพน โดยผวจยเรยกโปรโตคอลทถกปรบปรงวาโปรโตคอลไอเอมอารพแอล วธการทไดเสนอในงานวจยนคอ การปรบปรง
กระบวนการเลอกโหนดแมและการปรบปรงกระบวนการตรวจจบโหนดเคลอนท งานวจยนไดเปรยบเทยบประสทธภาพระหวาง
โปรโตคอลอารพแอลกบโปรโตคอลไอเอมอารพแอลโดยใชโปรแกรม Cooja Simulator ผลการทดลองพบวา ในสถานการณแรก
ทความเรวของโหนด 1 เมตรตอวนาท โปรโตคอลไอเอมอารพแอลมอตราการสงขอมลส�าเรจสงถง 88.92 เปอรเซนต ในขณะท
โปรโตคอลอารพแอลมอตราการสงขอมลส�าเรจ 68.54 เปอรเซนต ในสถานการณทสองโปรโตคอลไอเอมอารพแอลเวอรชนสอง
โปรโตคอลไอเอมอารพแอลเวอรชนหนงและโปรโตคอลอารพแอลมอตราการสงขอมลส�าเรจสงเทากบ 70.89 เปอรเซนต, 58.84
เปอรเซนต และ 38.98 เปอรเซนต ตามล�าดบ ยงไปกวานนโปรโตคอลไอเอมอารพแอลเวอรชนสองสามารถเลอกโหนดแมไดถก
ตองคดเปน 100 เปอรเซนต ในขณะทโปรโตคอลไอเอมอารพแอลเวอรชนหนงและโปรโตคอลอารพแอลมเปอรเซนตในการเลอก
โหนดแมทถกตองเทากบ 77.5 เปอรเซนตและ 47.5 เปอรเซนต ตามล�าดบ
ค�าส�าคญ: เครอขายทมโหนดเคลอนท เครอขายเซนเซอรไรสาย อนเทอรเนตของสรรพสง เครอขายซกโลแพน โปรโตคอลคนหา
เสนทาง
Abstract This research aimed to improve RPL protocol for support mobility node on 6LoWPAN. We propose an improved
protocol called imRPL protocol that enhances the parent selection phase and the mobile detection phase. This research
compared performance between RPL protocol and imRPL protocol using Cooja simulator. The results showed that in
the first scenario where the speed of node is 1 m/s, the imRPL protocol had a packet delivery ratio at 88.92%,
whereas with the RPL protocol it was 68.54%. In the second scenario, imRPLv2, imRPLv1 and RPL protocol had
packet delivery ratios of 70.89%, 58.84%, and 38.98% respectively. Moreover, the imRPLv2 protocol can choose
a correct new parent at 100% while imRPLv1 and RPL protocol have the correct ratio of 77.5% and 47.5%
respectively.
Keywords: Mobility Network, Wireless Sensor Network, Internet of Things, 6LoWPAN, Routing Protocol
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN 415Vol 37. No 3, May-June 2018
บทน�าซกโลแพน (IPv6 over Low power Wireless Personal Area
Networks : 6LoWPAN)1 คอเครอขายสวนบคคลทใชส�าหรบ
การสงขอมลไรสายแบบประหยดพลงงาน มอตราการสงขอมล
ต�า ท�างานอยบนมาตรฐาน IEEE 802.15.4 ซงจะท�าใหโหนด
ทอย ในเครอขายสามารถสอสารกนผานระบบเครอขาย
อนเทอรเนตได ส�าหรบการใชงานของเซนเซอรไรสายนนโดย
ทวไปจะเปนการตรวจวดคาจากสภาพแวดลอมหรอสงทสนใจ
โดยเซนเซอรโหนดทใชในการตรวจวดจะไมเคลอนท การ
ประยกตใชเครอขายเซนเซอรไรสายกบโหนดทเคลอนทจงเปน
หวขอทนาสนใจในปจจบน เนองจากจะท�าใหเกดแอพพลเคชน
ทเปนประโยชนและตอบโจทยเทคโนโลยอนเทอรเนตของ
สรรพสงไดด ยกตวอยางเชน การเกบขอมลผปวยทเคลอนท
ในโรงพยาบาล การเกบขอมลการจราจรจากยานพาหนะ การ
สอสารระหวางรถกบสญญาณไฟจราจรหรอรถตอรถ การใช
หนยนตหรอเครองบนขนาดเลกเพอส�ารวจในพนททยากจะเขา
ถง เปนตน แตเนองจากการสงขอมลขณะทมโหนดเคลอนท
จะมปญหาในเรองของการสรางเสนทางใหมหรอปรบปรงเสน
ทางใหม ซงเปนสาเหตทท�าใหการสอสารขาดความตอเนอง
และมขอมลสญหายมากขน ดงนนการแกไขปญหาดงกลาวจง
ตองปรบปรงทโปรโตคอลคนหาเสนทางของมาตรฐานน
โปรโตคอลอารพแอล (IPv6 Routing Protocol for
Low-Power and Lossy Networks : RPL)2 เปนโปรโตคอล
คนหาเสนทางทอยบนเครอขาย ซกโลแพนซงโปรโตคอลอาร
พแอลสรางเครอขายโดยใช Direction-Oriented Directed
Acyclic Graph (DODAG) และถกออกแบบมาเพอสนบสนน
การท�างานส�าหรบโหนดทไมเคลอนท ผวจยเลงเหนวาโปรโต
คอลอารพแอลสามารถปรบปรงใหสามารถรองรบการท�างาน
แบบโหนดทเคลอนทได การปรบปรงโปรโตคอลนนจะมสอง
สวนทส�าคญ คอกระบวนการเลอกโหนดแม (Parent Selection)
และกระบวนการตรวจจบโหนดเคลอนท (Mobile Detection)
ซงปญหาหลกของการสรางเสนทางส�าหรบโหนดทเคลอนท
คอ การตดสนใจวาจะเชอมตอหรอเลอกโหนดใดเปนโหนดแม
ในสวนของการตรวจจบโหนดเคลอนทจะเปนการเรมตนรองขอ
เสนทางใหมเมอโหนดก�าลงเคลอนทออกจากระยะการสงขอมล
นอกจากนยงมตวแปรอน ๆ ทใชในการปรบปรงโปรโตคอลให
รองรบการเคลอนท ยกตวอยางเชน Trickle Algorithm3 และ
ก�าหนดชวงเวลาการสงขอความดไอเอสเปนคาบเวลา เปนตน
ส�าหรบปญหาส�าคญทเกดขนในสถานการณทมโหนด
เคลอนทคอ โหนดเคลอนทไมสามารถตดตอกบโหนดแมเดม
ไดเมอออกจากระยะการสงขอมลและไมสามารถเลอกโหนดแม
ตวใหมไดอยางถกตอง ส�าหรบโปรโตคอลอารพแอลจะมการ
ก�าหนดชวงเวลาในการสงขอความควบคม (Control Message)
เพอน�าขอมลมาพจารณาปรบปรงเสนทางและเลอกโหนดแม
ทดทสด โจทยวจยทนาสนใจของปญหาน คอ โหนดเคลอนท
จะรไดอยางไรวาก�าลงจะเคลอนทออกจากระยะการสงขอมล
จากโหนดแมตวนนและจะเลอกโหนดแมไดรวดเรวและถกตอง
ไดอยางไร
ปจจบนมโปรแกรมจ�าลองทรองรบการท�างานของ
เครอขายเซนเซอรไรสายอยจ�านวนมาก4 จากการศกษาและ
สงเกตการท�างานของโหนดเคลอนทในโปรแกรมจ�าลอง ผวจย
พบวาตารางเกบทอยของโหนดขางเคยง (Neighbor Table)
ของโหนดทเคลอนทจะมขอมลโหนดขางเคยงเดมในแคช
(Neighbor Cache)5 เพมขนในขณะทเคลอนทผานโหนดขาง
เคยง ซงบางครงในขณะทก�าลงจะเลอกโหนดแมนนโหนด
เคลอนทจะน�าคาล�าดบชน (Rank) ของโหนดขางเคยงทเคย
ผานมาแลว (โหนดขางเคยงทอาจจะอยนอกระยะการสงขอมล)
มาค�านวณดวยซงอาจจะเกดกรณทแยทสดคอ คาล�าดบชน
ของโหนดขางเคยงดงกลาวมคาทดกวาโหนดขางเคยงทอยใน
ระยะ ท�าใหโหนดเคลอนทเลอกโหนดขางเคยงทไมไดอยใน
ระยะเปนโหนดแม ส�าหรบวธการแกไขปญหานผวจยจะกลาว
ตอไปในหวขอ กระบวนการเลอกโหนดแมและกระบวนการ
ตรวจจบโหนดเคลอนท
การเคลอนทของโหนดในซกโลแพน การปรบปรงโปรโตคอลอารพแอลใหสนบสนนการ
ท�างานในกรณทมโหนดเคลอนทนนมสองกระบวนการทนยม
คอ กระบวนการเลอกโหนดแมและกระบวนการตรวจจบโหนด
เคลอนท
ส�าหรบกระบวนการเลอกโหนดแมนน ความรวดเรว
และความถกตองจะขนอยกบการพจารณาขอมลของขอความ
ดไอโอ (DIO Message) ทไดรบจากโหนดขางเคยง ซงตาม
มาตรฐานของโปรโตคอลอารพแอลนนการเลอกโหนดแมทด
ทสดจะขนอยกบ Objective Function (OF) ซงถาใช Objective
Function Zero (OF0)6 แลวโหนดขางเคยงทมคาล�าดบชน
Rank with Hysteresis Objective Function (MRHOF)7
จะพจารณาโหนดแมจากจ�านวนการสงขอมลทคาดหวง
(Expected Transmission Count : ETX) ทดทสด ปจจบนม
งานวจยจ�านวนมากทไดเสนอวธการปรบปรงกระบวนการน
ยกตวอยางเชน การใชคาล�าดบชนและคาคณภาพการเชอม
ตอ (Link Quality Indication : LQI) จากขอความดไอโอของ
โหนดขางเคยงในการพจารณาเลอกโหนดแมทดทสด8, การใช
จ�านวนการสงขอมลทคาดหวงในการพจารณาโหนดแมตวใหม
ก�าหนดเวลาในการสงขอความดไอโอและดเอโอขนมาใหมหลง
Pak Satanasaowapak et al. J Sci Technol MSU416
จากทเลอกโหนดแมไดแลว9, การใชคาล�าดบชนระหวางโหนด
ซงจะใหความส�าคญของโหนดทอยนงก�าหนดใหเปนโหนดแม
เสมอแตถาไมมโหนดทอยนงหรอมโหนดทอยนงทงคจะท�าการ
เลอกโหนดแมจากคาล�าดบชนทมคาต�าสด10, การสรางตว
เปรยบเทยบใหมคอคาโคโรนา (Corona) ซงก�าหนดใหแตละ
โหนดสามารถอยไดเพยงหนงโคโรนาเทานน โหนดรากเปน
เพยงโหนดเดยวทมคา C_ID เปน 0 ได และโหนดเคลอนทจะ
ตรวจสอบคา C_ID ในตารางเกบทอยเพอเลอกโหนดขางเคยง
ทมคา C_ID นอยทสดเปนโหนดแมและจะเพมคา C_ID ของ
ตวเองเพมอกหนงล�าดบ11, การก�าหนดโปรโตคอลอารพแอล
ใหเปนโหมดไมเกบขอมล (Non-storing mode) และใชจ�านวน
การสงขอมลทคาดหวงในการเลอกโหนดแม12, การก�าหนดให
โหนดเคลอนทท�าการเลอกโหนดแมอกครงโดยดจากคาความ
แรงของสญญาณเฉลยทนอยเกนกวาคาทก�าหนด13 และสดทาย
เปนการใชตวประมาณคาฟซซ (Fuzzy Estimator) เพอ
ค�านวณคณภาพการเชอมตอโดยประมวลผลจากจ�านวนการ
สงขอมลทคาดหวง คาเฉลยความแรงของสญญาณและความ
เปลยนแปลงของอตราความผดพลาดในการตดสนสญลกษณ
(Symbol Error Rate : SER) ของการเชอมตอ จากนนจะน�า
คาทไดจากตวประมาณคาฟซซมาพจารณาคณภาพการเชอม
ตอในขณะนน14
ในกระบวนการตรวจจบโหนดเคลอนทนน จะเปน
กระบวนการทระบวาโหนดใดเคลอนทอย หากตรวจพบการ
เคลอนทจะเรมกระบวนการเลอกโหนดแม ส�าหรบตวแปรท
นยมใชในการตดสนใจ คอ ค าความแรงของสญญาณ
(Received Signal Strength Indicator : RSSI) ซงถาเกนกวา
คาทก�าหนดจะถอวาโหนดนนก�าลงเคลอนทออกจากโหนดแม
ปจจบน นอกจากนยงมงานวจยจ�านวนมากไดเสนอวธการอน
เพอปรบปรงกระบวนการน เชน การก�าหนดใหมโหนดพนอง
(Sibling Node) เพอรบขอมลแทนโหนดแมทไมสามารถสง
ขอมลไปถง8, การก�าหนดใหโหนดทเคลอนทไมสามารถเลอก
โหนดทเคยเปนโหนดลกเปนโหนดแมได เพอปองกนการเกด
วนซ�าบนเสนทาง ซงใชวธการตรวจสอบคาไอดของโหนดแม
(Parent ID) ในขอความดไอโอวามคาตรงกบไอดของโหนดมน
หรอไม9, การปรบเปลยนชวงเวลาการสงขอมลดไอเอส
จากความถในการเลอกโหนดแมถามการเปลยนแปลงบอยใน
ชวงเวลาทก�าหนดจะท�าใหอตราการสงขอความดไอเอสจะ
ลดลง ในทางกลบกนถาใชโหนดแมตวเดมบอยจะท�าใหอตรา
การสงขอความดไอเอสเพมมากขน10, การก�าหนดใหเราเตอร
เคลอนท (Mobile Router) ท�าการกระจายขอความดไอเอสไป
ยงโหนดขางเคยงจนกวาจะไดรบคาขอความดไอโอหรอจน
กระทงหมดเวลาในการสงขอความดไอเอส11, การก�าหนดให
โหนดรบรวามโหนดเคลอนทจากการตดปายการเคลอนท
(Mobility Flag) ในขอความดเอโอ (DAO Message) ทไดรบ
ซงจะเปลยนเวลาในการสงขอความดไอโอใหใช Trickle
Algorithm แบบยอนกลบเพอใหเหมาะสมกบสถานการณทม
การเคลอนท ส�าหรบโหนดทไมใชโหนดเคลอนทจะใช Trickle
Algorithm ตามมาตรฐานของโปรโตคอลอารพแอล12, การ
ก�าหนดใหโหนดเคลอนทสงขอความดไอเอสตามชวงเวลาท
ก�าหนดไปยงโหนดขางเคยงซงโหนดขางเคยงจะอานคาความ
แรงของสญญาณและนบจ�านวนของแพคเกตดไอเอสเพอ
ใชในการค�านวณเวลาตอบกลบและจะสงขอความดไอโอพรอม
กบคาเฉลยความแรงของสญญาณไปยงโหนดเคลอนท13, การ
ก�าหนดใหเมอตรวจสอบพบเสนทางเสยหายและมความ
ตองการทจะซอมแซมเสนทางแลว จะสงขอความออกไปยง
โหนดขางเคยงและเมอโหนดขางเคยงไดรบขอความนจะสง
ขอความทประกอบไปดวยจ�านวนการสงขอมลทคาดหวง
คาเฉลยความแรงของสญญาณ และความเปลยนแปลงของ
อตราความผดพลาดในการตดสนสญลกษณไปยงโหนด
เคลอนทเพอใชในการพจารณาการเลอกโหนดแม14
วตถประสงค (1) เพอพฒนาโปรโตคอลใหสามารถรบร ถงการ
เคลอนทของโหนด
(2) เพอพฒนาโปรโตคอลใหสามารถเลอกโหนดแม
ทดทสดไดอยางถกตองและรวดเรวมากขน
(3) เพอเพมอตราความส�าเรจในการสงขอมลในขณะ
ทโหนดมการเคลอนทโดยเปรยบเทยบกบโปรโตคอลอารพแอล
วธด�าเนนการวจย การปรบปรงโปรโตคอล
ผวจยไดท�าการปรบปรงโปรโตคอลอารพแอลและได
เรยกโปรโตคอลทถกปรบปรงใหมวาโปรโตคอลไอเอมอารพแอล
(Improve mobility for RPL: imRPL) โดยในสถานการณท
ทดลองจะมโหนด 3 ประเภท คอ โหนดราก (Root Node),
โหนดเราเตอร (Router Node) และโหนดเคลอนท (Mobile
Node) ซงโหนดรากนนท�าหนาทรบและสงขอมลตอบรบ
(Acknowledgement: ACK) กลบไปยงตนทาง โหนดเราเตอร
ท�าหนาทคนหาเสนทางและสงตอขอมลจากโหนดเคลอนทไป
ยงโหนดรากและสดทายโหนดเคลอนทจะท�าหนาทสงขอมลไป
ยงโหนดราก
โปรโตคอลไอเอมอารพแอลจะมกระบวนการเลอก
โหนดแมและกระบวนการตรวจจบโหนดเคลอนท ส�าหรบราย
ละเอยดของแตละกระบวนการผวจยไดอธบายในหวขอตอไป
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN 417Vol 37. No 3, May-June 2018
กระบวนการเลอกโหนดแม
การเลอกโหนดแมของโปรโตคอลอารพแอลนนจะ
พจารณาจากคาล�าดบชน (Rank) จากขอความดไอโอทไดรบ
จากนนจะเปรยบเทยบกบคาล�าดบชนของโหนดขางเคยงทม
ในแคชของตารางเกบทอยของโหนดขางเคยงเพอพจารณาวา
จะใชโหนดแมตวเดมหรอเปลยนโหนดแมตวใหม โดยจะเลอก
โหนดขางเคยงทมคาล�าดบชนทดทสดเปนโหนดแม เมอได
โหนดแมแลวโหนดจะเปลยนเสนทางจากโหนดแมเดมไปยง
โหนดแมตวใหม จากวธการดงกลาวเมอโหนดไดเคลอนทไป
ในเครอขายในระยะหนงแลวผวจยพบวา รายการโหนดขาง
เคยงทอยในแคชของโหนดเคลอนทนนเพมมากขน ซงโหนด
ขางเคยงบางโหนดอาจจะไมอยในระยะการสงขอมลอกแลว
ยงไปกวานนในบางกรณคาล�าดบชนของโหนดขางเคยงทไม
ไดอยในระยะการสงขอมลนนมคาล�าดบชนทดกวาโหนดขาง
เคยงทสามารถตดตอได จะสงผลใหโหนดเคลอนทเลอกโหนด
ขางเคยงดงกลาวเปนโหนดแมและสงผลใหเกดการสญเสย
ขอมลจ�านวนมาก จาก (Figure 1) แสดงการเปรยบเทยบขอมล
ในแคชของโหนดเคลอนทระหวางโปรโตคอลไอเอมอารพแอล
และอารพแอลในระหวางทโหนดมการเคลอนท ซงจะเหนได
วาอารพแอลจะบนทกขอมลโหนดขางเคยงของโหนดเดมทเคย
ผานไว
Figure 1 Neighbor table of RPL and imRPL
ในตารางเกบทอยของโหนดขางเคยงซงในสวนนเปน
สาเหตทท�าใหเกดขอผดพลาดในการค�านวณหาโหนดแมทด
ทสดในระหวางทมการเคลอนท
ดงนนผ วจยจงไดท�าการปรบปรงกระบวนการน
โดยก�าหนดใหโหนดเคลอนทท�าการขจดแคชทกครงทเรม
กระบวนการเลอกโหนดแม เพอปองกนการค�านวณทผดพลาด
และลดการใชหนวยความจ�า นอกจากนยงมการตรวจสอบ
ขอความดไอโอทไดรบวามคาความแรงของสญญาณ (RS-
SIDIO
) นอยกวาคาความแรงของสญญาณทก�าหนดไว (RS-
SIThreshold
) หรอไม ถานอยกวาคาทตงไวจะท�าการทงขอความ
ดไอโอนนและไมน�ามาพจารณา ผวจยไดก�าหนดใหคา RS-
SIThreshold
เทากบ -85 dBm ซงเปนคาจากการทดลองแลวให
ผลลพธทดทสด ในสวนนจะมการนบจ�านวนการทงขอความด
ไอโอซงถามากกวาคาทตงไวจะยอมใหใชขอความดไอโอทม
คาความแรงของสญญาณต�าได หลงจากนนจะน�าขอความด
ไอโอทไดรบจากโหนดขางเคยงมาพจารณาโหนดแมทดทสด
Pak Satanasaowapak et al. J Sci Technol MSU418
ผวจยไดก�าหนดชวงเวลา timerDIS Threshold
เพอก�าหนดชวงเวลา
ในการรอขอความดไอโอหลงจากทสง
ข อความดไอเอสออกไป ผ วจยได ก�าหนดคา
timerDIS Threshold
เทากบ 5 วนาท โดยไดมาจากการทดลองวด
เวลาเฉลยตงแตสงขอความดไอเอสจนกระทงไดรบขอความด
ไอโอ ซงไดเวลาเฉลยเทากบ 3.3446 วนาทและเวลาทมาก
ทสดเทากบ 4.235 วนาท
Figure 2 Algorithm 1: Parent Selection
ส�าหรบกระบวนการดงกลาวนนแสดงใน (Figure 2)
ผวจยไดปรบปรงโปรโตคอลเปนสองเวอรชน คอ ไอเอมอารพ
แอลเวอรชนหนง (imRPLv1) ทเปนโปรโตคอลทไมมการขจด
แคชและไอเอมอารพแอลเวอรชนสอง (imRPLv2) ทเปน
โปรโตคอลทมการขจดแคชในกระบวนการเลอกโหนดแมเพอ
เปรยบเทยบผลกระทบของการขจดแคชและไมขจดแคช
กระบวนการตรวจจบโหนดเคลอนท
กระบวนการนจะก�าหนดเวลาเพอรอรบคาขอมลตอบ
กลบจากโหนดรากซงถาหากไมไดขอมลตอบกลบมาตามระยะ
เวลาทก�าหนด (TimerThreshold
) โหนดจะเขาสกระบวนการเลอก
โหนดแมอกครง โดยจะค�านวณคา Threshold จากสตร
9292.04183.1616.0 2 +−= hhThreshold
ซงไดมาจากการทดลองวดคาความลาชา (Delay) ท
สมพนธกบฮอป (Hop) จ�านวน 1 ถง 5 ฮอปจะไดกราฟทม
ลกษณะคลายสมการพหนามก�าลงสองแลวค�านวณเปนสตรดง
สมการขางตน จากสตรก�าหนดให h คอ จ�านวนฮอปของเสน
ทางทใชในการสอสารปจจบน การค�านวณคาฮอปนนสามารถ
ค�านวณไดจากสตร
1)256
( −=Rankh
ส�าหรบคาล�าดบชนจะอยในขอความดไอโอซงสามารถ
ถอดแพคเกตแลวน�ามาใชประโยชนไดและ Threshold คอคา
เวลาความลาชาของแพคเกตโดยมความสมพนธกบจ�านวนฮอป
ซงคา TimerThreshold
ของแตละฮอปจะขนอยกบคา Threshold
ทค�านวณไดโดยปดเศษขนเปนจ�านวนเตมดง Table 1
Table 1 Relation between hop and TimerThreshold
Hop Average Delay Threshold TimerThreshold
1 0.2173 0.1269 1
2 0.478 0.5566 1
3 1.9109 2.2183 3
4 5.5995 5.112 6
5 9.0441 9.2377 10
เมอโหนดตรวจสอบคาความแรงของสญญาณของ
ขอความทตอบกลบ (RSSIACK
) แลวพบวามคาเกนกวาคา
ความแรงของสญญาณทก�าหนด (RSSIThreshold
) หรอไม ถานอย
กวาคาทก�าหนดจะเรมกระบวนการเลอกโหนดแมและรเซต
เวลา TimerACK
ใหม จากนนจะรอรบขอความดไอโอเพอน�ามา
ค�านวณหาโหนดแมทดทสดในกระบวนการเลอกโหนดแม
ตอไป กระบวนการดงกลาวนนแสดงใน Figure 3
Figure 3 Algorithm 2: Mobile Detection
เกณฑในการประเมนประสทธภาพ
งานวจยนไดก�าหนดเกณฑในการประเมนประสทธภาพ
ของโปรโตคอล คอ 1) ผลการวดจ�านวนขอความควบคม
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN 419Vol 37. No 3, May-June 2018
2) ผลการวดอตราความส�าเรจในการสงขอมล 3) ผลการวด
ความเรวและความถกตองในกระบวนการเลอกโหนดแม
ส�าหรบการประเมนประสทธภาพผวจยจะทดสอบบน
โปรแกรมจ�าลองโดยเปรยบเทยบประสทธภาพของโปรโตคอล
ทพฒนาขนกบโปรโตคอลอารพแอล
วธการจ�าลองและสถานการณในการจ�าลอง
ผวจยไดใชโปรแกรม Cooja Simulator15 บนระบบ
ปฏบตการ Contiki 3.016 ในการทดสอบประสทธภาพและได
ใชปลกอนการเคลอนท17 ในการท�าใหโหนดสามารถเคลอนท
ได การทดลองแบงออกเปนสองสถานการณ โดยสถานการณ
ทหนง ก�าหนดใหโหนดเราเตอรและโหนดรากวางเรยงกนเปน
เสนตรงและก�าหนดใหโหนดเคลอนทวนรอบโหนดดงกลาวเปน
จ�านวน 10 รอบ ในการทดลองแตละครงจะเพมโหนดเราเตอร
ขนทละ 1 โหนดจนกระทงถง 5 โหนดโดยทโหนดเราเตอร
แตละตวนนวางหางกน 40 เมตร (ระยะหางทมากทสดทโหนด
ไมสามารถสอสารกนไดคอ 50 เมตร) ส�าหรบต�าแหนงการวาง
โหนดในสถานการณทหนงและสองดงแสดงใน Figure 4 และ
Figure 5 ตามล�าดบ
Figure 4 Scenario one
Figure 5 Scenario two
การก�าหนดตวแปรบนโปรแกรมจ�าลอง
ผวจยไดก�าหนดใหในสถานการณทหนงและสถานการณ
ทสองมตวแปรดง Table 2 และ Table 3 ตามล�าดบ
โดยเปนการเปรยบเทยบระหวางโปรโตคอลอารพแอลกบ
โปรโตคอลไอเอมอารพแอลซงเปนการวดจ�านวนของขอความ
ควบคมและวดอตราความส�าเรจในการสงขอมล โหนดเคลอนท
จะเดนทางดวยความเรวคงทซงก�าหนดใหมความเรว 1 เมตร
ตอวนาทถง 5 เมตรตอวนาท ในขณะทเดนทางโหนดเคลอนท
จะสงขอมลไปยงโหนดรากดวยอตรา 1 แพคเกตตอวนาท
ส�าหรบในสถานการณทสองผวจยไดท�าการวดเวลาและความ
ถกตองในการเลอกโหนดแม ซงจะเปนการเปรยบเทยบ
ระหวางโปรโตคอลอารพแอล ไอเอมอารพแอลเวอรชนหนง
และไอเอมอารพแอลเวอรชนสอง
Table 2 Parameter of scenario one
Parameters Detail
Network Simulator Cooja Simulator (Contiki OS 3.0)
Protocol RPL, imRPLv2
Performance
Measure
Number of Control Message, Packet
Delivery Ratio
Number of Node 1 Root Node, 1-5 Router Node, 1 Mobile
Node
Number of Round 10 Laps
Emulated Nodes Zolertia (Z1)
Packet Rate 1 Packet / Second
Speed of Mobile
Node
1 m/s, 2 m/s, 3 m/s, 4 m/s, 5m/s
Table 3 Parameter of scenario two
Parameters Detail
Network Simulator Cooja Simulator (Contiki OS 3.0)
Protocol RPL, imRPLv1, imRPLv2
Performance
Measure
Number of Control Message, Packet
Delivery Ratio, Parent Selection Time,
Correct Parent Selection
Number of Node 1 Root Node, 8 Router Node, 1 Mobile
Node
Number of Round 5 Laps
Emulated Nodes Zolertia (Z1)
Packet Rate 1 Packet / Seconds
Speed of Mobile
Node
1 m/s
Pak Satanasaowapak et al. J Sci Technol MSU420
ผลการวจยและอภปรายผล ผลการวดจ�านวนของขอความควบคม
DODAG จะใชขอความควบคมเพอสรางและปรบปรง
เสนทางของเครอขาย ซงถาหากเปนสถานการณทมโหนด
เคลอนทจะท�าใหเกดขอความควบคมเพมขนเนองจากมการ
สรางและปรบปรงเสนทางใหมอยเสมอ ดงนนถาสามารถ
ควบคมการสงขอความควบคมใหเหมาะสมจะท�าใหจ�านวน
ของขอความควบคมในเครอขายมจ�านวนนอยลง ผวจยได
เปรยบเทยบจ�านวนขอความควบคมของขอความดไอเอส ดไอ
โอและดเอโอระหวางโปรโตคอลอารพแอลและไอเอมอารพแอล
ผลการทดลองเปนดงน
จาก Figure 6 แสดงผลการเปรยบเทยบจ�านวน
ขอความดไอเอสของโปรโตคอลอารพแอลและไอเอมอารพแอล
เวอรชนสอง ส�าหรบสถานการณทหนงผวจยพบวาโปรโตคอล
อารพแอลมจ�านวนของขอความดไอเอสนอยกวาโปรโตคอลไอ
เอมอารพแอลเวอรชนสอง เนองจากโปรโตคอลอารพแอลใช
Trickle Algorithm ในการควบคมการสงขอความควบคมซง
อลกอรทมนไมเหมาะกบสถานการณทมโหนดเคลอนท เนองจาก
ชวงเวลาในการสรางหรอปรบปรงเสนทางใหมอาจจะไมอยใน
ชวงเวลาของ Trickle Algorithm ดงนนจงมโอกาสทแพคเกต
จะสงไปไมถงปลายทาง ในสวนของโปรโตคอลไอเอมอารพแอล
เวอรชนสองมจ�านวนของขอความดไอเอสสงตามความเรวของ
โหนดเคลอนทเนองจากโหนดทเคลอนทดวยความเรวจะม
โอกาสในการเปลยนโหนดแมบอยมากขนในสถานการณทสอง
แสดงใหเหนถงจ�านวนของขอความดไอเอสทมมากขนในแตละ
รอบส�าหรบโปรโตคอลไอเอมอารพแอลเวอรชนหนงและไอเอม
อารพแอลเวอรชนสอง ซงในสวนของโปรโตคอลอารพแอลจะ
มจ�านวนขอความดงกลาวเพมขนเลกนอย จ�านวนของ
ขอความดไอเอสทเพมขนเปนผลจากการรองขอขอมลเพอ
เลอกโหนดแม เมอเขาสกระบวนการตรวจจบโหนดเคลอนท
จาก Figure 7 จ�านวนของขอความดไอโอทมมากส�าหรบ
โปรโตคอลไอเอมอารพแอลเวอรชนหนงและโปรโตคอลไอเอม
อารพแอลเวอรชนสองเปนผลมาจากการรองขอเสนทางใหม
จากขอความดไอเอส
ซงถาหากกระบวนการตรวจจบโหนดเคลอนทเกด
ขนบอยจะสงผลใหจ�านวนของขอความดไอโอสงขนตามไป
ดวยจาก Figure 8 เปนผลจากการปรบปรงเสนทางใหม ซง
โปรโตคอลไอเอมอารพแอลเวอรชนหนง และไอเอมอารพแอล
เวอรชนสองจะมจ�านวนของขอความดเอโอ สงกวาโปรโตคอล
อารพแอลเนองจากโปรโตคอลไอเอมอารพแอลมการปรบปรง
เสนทางมากกวาโปรโตคอลอารพแอล
Figure 6 Scenario one and two: number of DIS message (RPL and imRPL)
Figure 7 Scenario one and two: number of DIO message (RPL and imRPL)
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN 421Vol 37. No 3, May-June 2018
Figure 8 Scenario one and two: number of DAO message (RPL and imRPL)
Figure 9 Scenario one and two: packet delivery ratio (RPL and imRPL)
ผลการวดอตราความส�าเรจในการสงขอมล
ความตอเนองในการเชอมตอเครอขายในขณะเคลอนท
มผลกระทบตออตราความส�าเรจในการสงขอมลเปนอยางมาก
ซงถาหากไมสามารถเลอกโหนดแมไดจะสงผลใหขอมลไม
สามารถสงไปถงปลายทาง ยงไปกวานนความเรวในการเลอก
โหนดแม ยงสงผลกระทบกบความตอเนองในการสงขอมลดวย
เชนกน ดงนนการเลอกโหนดแมทรวดเรวและถกตองทสดจง
เปนสงส�าคญตอการปรบปรงโปรโตคอล ผวจยไดเปรยบเทยบ
อตราความส�าเรจในการสงขอมลของโปรโตคอลอารพแอลและ
โปรโตคอลไอเอมอารพแอลไดผลดงน
จาก Figure 9 เปนการเปรยบเทยบอตราความส�าเรจ
ในการสงขอมลของโปรโตคอลอารพแอลและโปรโตคอลไอเอ
มอารพแอลจากสถานการณทหนง แสดงใหเหนถงจ�านวน
โหนดเราเตอรและความเรวของการเคลอนทของโหนดทมมาก
ขนสงผลใหอตราความส�าเรจในการสงขอมลลดลง ในสถานการณ
ทสองแสดงใหเหนวาจ�านวนรอบทมากขนท�าใหคาอตราความ
ส�าเรจในการสงขอมลลดลงเลกนอยซงจากการเปรยบเทยบ
ประสทธภาพระหวางโปรโตคอลอารพแอล, ไอเอมอารพแอล
เวอรชนหนงและไอเอมอารพแอลเวอรชนสองในทงสองการ
ทดลองพบวาโปรโตคอลไอเอมอารพแอลมอตราความส�าเรจ
ในการสงขอมลมากกวาโปรโตคอลอารพแอลโดยโปรโตคอลไอ
เอมอารพแอลเวอรชนสองมอตราความส�าเรจในการสงขอมล
มากทสด
ผลการวดความเรวและความถกตองในกระบวน
การเลอกโหนดแม
ความเรวในการเลอกโหนดแมนนเกดจากโหนด
ค�านวณคาล�าดบชนของฟงกชนจดประสงคทอยในโปรโตคอล
อารพแอลซงเปนการเปรยบเทยบคาล�าดบชน ในตารางเกบท
อยของโหนดขางเคยงส�าหรบโหนดทเคลอนทนนเมอมการเดน
ทางผานโหนดขางเคยงไปแลวจะตารางเกบทอยของโหนดขาง
เคยงยงคงเกบรายการโหนดขางเคยงเดมทเคยผานมาและน�า
คาดงกลาวมาใชในการพจารณาเลอกโหนดแมทดทสด ซงการ
ขจดแคชทกครงกอนทจะมการเลอกโหนดแมตวใหมจะท�าให
โหนดแมทตองพจารณามนอยลงอกทงยงเปนโหนดขางเคยง
ลาสดทโหนดเคลอนทสามารถตดตอได จงสงผลใหการหาคา
โหนดแมทดทสดท�าไดอยางรวดเรวและถกตอง ผวจยไดทดลอง
เปรยบเทยบความเรวและความถกตองในการเลอกโหนดแม
ระหวางโปรโตคอลไอเอมอารพแอลเวอรชนหนงกบ ไอเอมอาร
พแอลเวอรชนสองโดยก�าหนดใหวธการเลอกโหนดแมและการ
ตรวจจบโหนดเคลอนทยงคงเดม
ผลการทดลองพบวาความเรวในการเลอกโหนดแม
หลงจากกระบวนการตรวจจบโหนดเคลอนท ในสถานการณท
สองนนโปรโตคอลไอเอมอารพแอลเวอรชนสองใชเวลาใน
กระบวนการเลอกโหนดแมเฉลย 3.46 วนาท โดยใชเวลานอย
ทสดเทากบ 0.79 วนาท และไดใชเวลาทมากทสดเทากบ 4.99
วนาท ในขณะทโปรโตคอลไอเอมอารพแอลเวอรชนหนงใช
เวลาเฉลย 15.39 วนาท โดยใชเวลานอยทสดเทากบ 4.36
วนาท และใชเวลามากทสดเทากบ 23.72 วนาท ผลการทดลอง
แสดงดง Figure 10
นอกจากนผ วจยยงไดทดสอบความถกตองใน
การเลอกโหนดแมทโหนดเคลอนทไดเดนทางผานโดยในการ
ทดลองนไดน�าโปรโตคอลอารพแอลมาเปรยบเทยบดวยซงการ
ทดลองจะทดลองในสถานการณทสองผลการทดลองพบวาโปร
โตคอลอารพแอล, ไอเอมอารพแอลเวอรชนหนงและไอเอมอาร
Pak Satanasaowapak et al. J Sci Technol MSU422
พแอลเวอรชนสอง สามารถเลอกโหนดแมไดถกตองเทากบ
47.5 เปอรเซนต, 77.5 เปอรเซนตและ 100 เปอรเซนต ตาม
ล�าดบ
จากผลการทดลองทงสองการทดลองแสดงใหเหนวา
การขจดแคชท�าใหโหนดมความเรวในการเลอกโหนดแมมาก
ขน เนองจากเปนการลดจ�านวนโหนดทตองน�ามาพจารณาและ
โหนดทพจารณานนเปนโหนดทสามารถเชอมตอได ยงไปกวา
นนยงสงผลใหสามารถเชอมตอโหนดแมไดทกครงจงท�าให
โอกาสทสงขอมลไดตอเนองมมากขน นอกจากนยงสงผลให
อตราความส�าเรจในการสงขอมลของโปรโตคอลไอเอมอารพ
แอลเวอรชนสองมคาสงกวาโปรโตคอลไอเอมอารพแอล
เวอรชนหนงและโปรโตคอลอารพแอล
(a)
(b)
Figure 10 Scenario two: (a) Time of Parent Selection (b)
Correct Parent Selection
สรปผลการทดลองงานวจยนไดเสนอโปรโตคอลไอเอมอารพแอลทเปนการปรบปรง
โปรโตคอลอารพแอลของเครอขายแบบซกโลแพนเพอสนบสนน
การท�างานในกรณทมโหนดเคลอนทในเครอขาย งานวจยนได
เสนอการปรบปรงสองกระบวนการคอ กระบวนการเลอกโหนด
แมและกระบวนการตรวจจบโหนดเคลอนท ซงในกระบวนการ
เลอกโหนดแมนนจะท�าใหโหนดเคลอนทสามารถเลอกโหนด
แมทดทสดไดอยางรวดเรวและถกตอง ส�าหรบกระบวนการ
ตรวจจบโหนดเคลอนทนนจะท�าใหโหนดสามารถรบรไดวาจะ
ตองสงขอความรองขอไปยงโหนดแมตวใหมเมอใดและจะรบร
วาควรจะเลอกขอมลจากโหนดขางเคยงใดทใชในการพจารณา
โหนดแมตวใหม
ผวจยไดทดสอบประสทธภาพของโปรโตคอลโดยการ
ใชโปรแกรม Cooja Simulator โดยทดสอบกบสองสถานการณ
ทจ�าลองขนมา ผลการทดลองพบวาในสถานการณทหนงนน
ทความเรวการเคลอนทของโหนด 1 เมตรตอวนาทและจ�านวน
เราเตอรโหนดตงแต 1 ถง 5 โหนดนนโปรโตคอลไอเอมอารพ
แอลมอตราความส�าเรจในการสงขอมลเทากบ 88.92 เปอรเซนต,
82.30 เปอรเซนต 75.52 เปอรเซนต, 66.20 เปอรเซนตและ
60.69 เปอรเซนต ตามล�าดบ สวนโปรโตคอลอารพแอลมอตรา
ความส�าเรจในการสงขอมลเทากบ 68.54 เปอรเซนต, 52.54
เปอรเซนต, 46.78 เปอรเซนต, 42.27 เปอรเซนตและ 25.51
เปอรเซนตตามล�าดบ ซงในสถานการณทมโหนดเคลอนท
ท�าใหโปรโตคอลไอเอมอารพแอลมจ�านวนของขอความควบคม
มากกวาโปรโตคอลอารพแอลซงการทดลองในสถานการณท
สองนนทความเรวการเคลอนทของโหนด 1 เมตรตอวนาท
โปรโตคอลไอเอมอารพแอลเวอรชนสองมอตราความส�าเรจใน
การสงขอมลเทากบ 70.89 เปอรเซนต โปรโตคอลไอเอมอาร
พแอลเวอรชนหนงมอตราความส�าเรจในการสงขอมลเทากบ
58.84 เปอรเซนต และอารพแอลมอตราความส�าเรจในการสง
ขอมลเทากบ 38.98 เปอรเซนต สวนจ�านวนของขอความ
ควบคมนนโปรโตคอลไอเอมอารพแอลเวอรชนสองและไอเอม
อารพแอลเวอรชนหนงยงมมากกวาโปรโตคอลอารพแอล
นอกจากนผวจยยงไดทดสอบเวลาในกระบวนการ
เลอกโหนดแมซงพบวาความเรวในการเลอกโหนดแมตวใหม
ระหวางโปรโตคอลไอเอมอารพแอลเวอรชนสองกบไอเอมอาร
พแอลเวอรชนหนง เฉลยเทากบ 3.46 วนาท และ 15.39 วนาท
ตามล�าดบ ยงไปวานนโปรโตคอลไอเอมอารพแอลเวอรชนสอง
ยงมเปอรเซนตการเลอกโหนดแมทถกตองถง 100 เปอรเซนต
ในขณะทโปรโตคอลไอเอมอารพแอลเวอรชนหนงและโปรโต
คอลอารพแอลมเปอรเซนตเทากบ 77.5 เปอรเซนต และ 47.5
เปอรเซนต ตามล�าดบ ซงการเลอกโหนดแมทถกตองและม
ความรวดเรวสงผลใหอตราความส�าเรจในการสงขอมลมจ�านวน
มากขน
เอกสารอางอง1. G. Mulligan. The 6loWPAN architecture. Proceedings
of the 4th Workshop on Embedded Networked Sen-
sors (EmNets); 2007 June 25-26; Cork, Ireland: ACM;
2007. p. 78-82.
2. T. Winter, P. Thubert, A. Brandt, J. Hui, and R. Kel-
sey. RPL: IPv6 Routing Protocol for Low Power and
ImRPL: Improved RPL protocol for Mobility Node on 6LoWPAN 423Vol 37. No 3, May-June 2018
Lossy Networks; IETF Request for Comments 6550;
March 2012.
3. P. Levis, T. Clausen, J. Hui, O. Gnawali, and J. Ko.
The Trickle Algorithm; IETF Request for Comments
6206; March 2011.
4. Leila Ben Saad, Cedric Chauvenet, Bernard Touran-
cheau. Simulation of the RPL Routing Protocol for
IPv6 Sensor Networks: two cases studies. Interna-
tional Conference on Sensor Technologies and Ap-
plications (SENSORCOMM); 2011, Sep 2011, Nice,
France. IARIA, 2011.
5. Z. Shelby, S. Chakrabarti, E. Nordmark. Neighbor
Discovery Optimization for IPv6 over Low-Power
Wireless Personal Area Networks (6LoWPANs); IETF
Request for Comments 6775; November 2012.
6. P. Thubert. RPL Objective Function 0; IETF Request
for Comments 6552; March 2012.
7. O. Gnawali and P. Levis. The Minimum Rank with
Hysteresis Objective Function; IETF Request for
Comment 6719; September 2012.
8. Ki-Sup Hong and Lynn Choi. DAG-based multipath
routing for mobile sensor networks. International
Conference on ICT Convergence (ICTC); 2011, Sep
28-30; Seoul, Korea: IEEE; 2011. p. 261-6.
9. K. Lee, R. Sudhaakar, L. Dai, S. Addepalli, M. Gerla.
RPL under mobility. IEEE Consumer Communica-
tions and Networking Conference (CCNC); 2012 Jan
14-17; Las Vegas, NV, USA; IEEE; 2012. p. 300-4.
10. In`es El Korbi, Mohamed Ben Brahim, Cedric Adjihy
and Leila Azouz Saidane. Mobility Enhanced RPL for
Wireless Sensor Networks. Proceedings of the 3rd
International Conference on the Network of the Future
(NOF); 2012 Nov 21-23; Tunis, Tunisia; IEEE; 2012.
p. 1-8.
11. Olfa Gaddour, Anis Koubaa, Raghuraman Rangara-
jan, Omar Cheikhrouhou, Eduardo Tovar, Mohamed
Abid. Co-RPL: RPL Routing for Mobile Low Power
Wireless Sensor Networks using Corona Mechanism.
Proceedings of the 9th IEEE International Symposium
on Industrial Embedded Systems (SIES), 2014 June
18-24; Pisa, Italy; IEEE; 2014. P. 200-9.
12. C. Cobarzan, J. Montavont, T. Noel. Analysis and
performance evaluation of rpl under mobility. IEEE
Symposium on Computers and Communication
(ISCC), 2014 June 23-26; Funchal, Madeira, Portu-
gal: IEEE; 2014. p. 1-6.
13. Hossein Fotouhi, Daniel Moreira, Mário Alves. mRPL:
Boosting mobility in the Internet of Things. Journal
on Ad Hoc Networks 2015; 26:17-35.
14. JeongGil Ko and Marcus Chang. MoMoRo: Providing
Mobility Support for Low-Power Wireless Applica-
tions. IEEE Systems Journals 2015; 9(2):585-94.
15. anrg.usc.edu [Internet]. Cooja Simulator. [cited 16
March 2016]. Available from: http://anrg.usc.edu/
contiki/index.php/Cooja_Simulator
16. contiki-os.org [Internet]. Get Started with Contiki
[cited 14 March 2016]. Available from: http://www.
contikios.org
17. anrg.usc.edu [Internet]. Mobility of Nodes in Cooja.
[cited 23 April 2016]. Available from: http://anrg.usc.
edu/contiki/index.php/Mobility_of_Nodes_in_Cooja
นพนธตนฉบบ
1,2 ผชวยศาสตราจารย, ภาควชาคอมพวเตอร คณะวทยาศาสตรและเทคโนโลย มหาวทยาลยราชภฏเชยงใหม อ�าเภอเมอง จงหวดเชยงใหม 50300
Email: [email protected],2 Assistant professor, Department of Computer, Faculty of Science and Technology, Chiang mai Rajabhat University, Muang District,
Chiang mai 50300. Email: [email protected]
การพฒนาแอพพลเคชนเพอน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง เมองแกนพฒนา
อ�าเภอแมแตง จงหวดเชยงใหม
Smrtphone Application Development for Tourist Destinations in Muang Kaen Pattana
Municipality, Mae Tang District, Chiang Mai Province
พมพชนก สวรรณศร,1 ศศณสภา พชรธนโรจน2
Pimchanok Suwannasri,1 Sasinipa Patcharatanaroach2
Received: 25 July 2017 ; Accepted: 1 December 2017
บทคดยอการพฒนาแอพพลเคชนเพอน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา อ�าเภอแมแตง จงหวดเชยงใหม
มวตถประสงคเพอ 1) เพอพฒนาและวเคราะหคณภาพของแอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนา และ 2) เพอวเคราะหผลความพงพอใจของแอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนา โดยกลมตวอยางในการวจยครงนคอ บคคลทวไปและนกทองเทยวคนไทย ในพนทอ�าเภอเมอง จงหวดเชยงใหม
จ�านวน 45 คน เครองมอทใชในการวจย ประกอบดวย 1) แอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนา 2) แบบประเมนคณภาพแอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา และ
3) แบบประเมนความพงพอใจแอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา ซงมผลการ
วจยดงน 1) ไดแอพพลเคชนน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนาส�าหรบใชงานบนสมารตโฟนดวย
ระบบปฏบตการแอนดรอยดซงมกระบวนการพฒนา 7 ขนตอน มการแบงเปนหมวด คอ วด สถานททองเทยว ทพกและโฮม
สเตย รวมทงมการน�าเสนอเสนทางจากจดทผใชแอพพลเคชนอยไปยงสถานททเลอกนน 2) คณภาพของแอพพลเคชนเพอน�า
เสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา โดยท�าการประเมนจากผเชยวชาญจ�านวน 3 ทาน ซงท�าการประเมน
คณภาพแอพพลเคชนดานเนอหา และ ประเมนคณภาพแอพพลเคชนดานการพฒนา พบวา แอพพลเคชนมคณภาพดานเนอหา
อยในระดบดมาก ดวยคาเฉลยเทากบ 4.67 และ แอพพลเคชนมคณภาพดานการพฒนาอยในระดบด ดวยคาเฉลยเทากบ 4.20
3) ความพงพอใจในการใชแอพพลเคชนเพอน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา ไดผลความพงพอใจ
ในการใชแอพพลเคชนในระดบความพงพอใจมาก ดวยคาเฉลยเทากบ 4.21
ค�าส�าคญ: การพฒนาแอพพลเคชน การสงเสรมการทองเทยว เทศบาลเมองเมองแกนพฒนา
AbstractThis study of a smartphone application development for tourist destinations in Muang Kaen Pattana Municipality,
Mae Tang District, Chiang Mai Province aimed.- 1) to develop and analyze the quality of the application, and
2) to analyze satisfaction with the application in a sample of 45 local people and Thai tourists. Research instruments
were.- 1) the application for tourist destinations 2) a quality assessment form on the quality of the application for
tourist destinations and 3) satisfaction assessment form on the application for tourist destinations. The results were
as follows.- 1) Development of the smartphone application was a 7 step development process. Major pages in the
Smrtphone Application Development for Tourist Destinations
in Muang Kaen Pattana Municipality, Mae Tang District, Chiang Mai Province
425Vol 37. No 3, May-June 2018
application are categorized as ‘temple’, ‘tourist attraction’, ‘accommodation’, and ‘homestay’. It also provides a route
from where the user is to the selected location. 2) Quality of the application was assessed in term of content and
development by 3 experts. Quality of the application (in terms of the content) was at the very good level with a mean
of 4.67 whereas quality of the application (in terms of the development) was at the good level with a mean of 4.20.
3) Satisfaction with the application was at the high level with the mean of 4.21.
Keywords: Smartphone Application Development, Tourism Promotion, Muang Kaen Pattana Municipality
ความงามทางธรรมชาตทสวยงามเกนกวาค�าบรรยาย เปนอาง
เกบน�าขนาดใหญมเนอทประมาณ 20 ตารางกโลเมตร ไดรบ
การยอมรบวาเปนอางเกบน�าทมชอเสยงทสดของจงหวด
เชยงใหม ตงอยในเขตอทยานแหงชาตศรลานนา เขอนนเดม
ชอ เขอนแมงด พระบาทสมเดจพระเจาอยหว ไดทรงพระกรณา
โปรดเกลาฯ พระราชทานนามเขอนวา “เขอนแมงดสมบรณชล”
เมอวนท 16 มกราคม พ.ศ. 2529 และเสดจพระราชด�าเนน
ทรงประกอบพธเปดเขอนเมอวนท 22 กมภาพนธ พ.ศ. 2529
เรมกอสรางเมอป 2520 โดยกรมชลประทาน กอสรางแลวเสรจ
เมอป พ.ศ. 25271
ตามทกลาวมาขางตนจะเหนวาในพนทเทศบาลเมอง
เมองแกนพฒนา มสถานทตางๆ ทมความนาสนใจ มประวตศาสตร
อนดงามทยาวนานและนาจดจ�า อกทงยงควรอนรกษไวแกคน
รนหลงในชมชน และบคคลอนทสนใจ โดยทอตสาหกรรมการ
ทองเทยวนบเปนธรกจการทองเทยวทสรางรายไดเปนเงนตรา
ใหกบผประกอบการและกระจายเขาไปในทองถนทเปนแหลง
ทองเทยว เพอเปนการสงเสรมการทองเทยวในพนทเทศบาล
เมองเมองแกนพฒนา ดงนนหากมกระบวนการใดทจะชวยใน
การสงเสรมการทองเทยวและยงชวยอนรกษสถานททองเทยว
นน รวมทงประวตศาสตรความเปนมาของแหลงทองเทยวนน
ทเปนสงบอกถงความเปนมาของชมชนเมองแกนพฒนาให
บคคลรนหลงหรอผทยงไมรไดรจก ซงเปนกลไกลหนงในการ
อนรกษไวและเปนการสงเสรมและเผยแพรสถานททองเทยว
ในเมองแกนพฒนา
ผวจยจงมแนวคดในการสงเสรมการทองเทยวในพนท
เทศบาลเมองเมองแกนพฒนา อ�าเภอแมแตง จงหวดเชยงใหม
โดยมการน�าเสนอในรปแบบของสอแอพพลเคชนซงเปนสอท
บคคลทกรนทกวยในสมยนสามารถเขาถงได สอดคลองกบ
เทคโนโลยผสมกลมกลนกบชวตประจ�าวนของผบรโภคอยาง
ตอเนอง เนองดวยการพฒนาตางๆ เชน การเพมขนของโทรศพท
มอถอสมารตโฟน และ แทบเลตทเชอมตออนเตอรเนตได
ดงนน ดเหมอนวาเทคโนโลยมบทบาทในอนาคตอยางมากใน
การยกระดบประสบการณดานการทองเทยวของนกเดนทาง
เนองดวยบรการบอกต�าแหนงสถานท (Location-based services)
เพมขนเรอยๆ โดยผจดหาสนคาและบรการการทองเทยวและ
บทน�าเทศบาลเมองเมองแกนพฒนามประวตศาสตรอนยาวนานจาก
หลกฐานการคนพบโบราณวตถเครองถวยชามอนเปนหลก
ฐานทางโบราณคดและประวตศาสตรส�าคญของประเทศไทย
ตามเอกสารการขดคนศกษาทางโบราณคดมอายในสมยลาน
นาประมาณ 500-600 ป แสดงถงความเปนชมชนอนเกาแก
มแหลงทองเทยวตางๆ ทแสดงถงความเปนชมชนของชาว
เมองแกนพฒนา เชน แหลงเตาอนทขลเมองแกน สถานทเชง
ประวตศาสตร ตงอยหมท 11 บานสนปาตอง ต.อนทขล
อ.แมแตง จ.เชยงใหม ซงเดมเมองแกนมประวตศาสตรความ
เปนมาทยาวนานหลายรอยป เปนชมชนโบราณกอตงมาตงแต
สมยอาณาจกรลานนา (พ.ศ.1801-พ.ศ.1854) ผคนสมยนนได
สรางสรรควฒนธรรม อารยธรรม วดวาอาราม ก�าแพงเมอง
โบราณ สงกอสรางตางๆ คดคนเทคโนโลย ผลตศลปกรรม
วรรณกรรม และหตกรรมตางๆ ทงไวเปนหลกหลกฐานทาง
โบราณคด และประวตศาสตรอนเปนมรดก นอกจากนยงมวด
ทมชอเสยง และมประวตอนยาวนานของเมองแกนพฒนา
คอ วดบานเดนสะหลศรเมองแกน เดมชอวด “หรบญเรอง”
สรางเมอป พ.ศ.2437 ทตงของวดมลกษณะเปนเนนเขาเตยๆ
ซงเปนทสงกวาหมบาน ภายในเนนเขามถ�าศกดสทธ วดบาน
เดนสะหลศรเมองแกนนนอยไมไกลจากตวเมองเชยงใหม
มเอกลกษณโดดเดนในเรองความสวยงามของสงปลกสรางทก
ชนทปรากฏอยในวดแหงนดวยความวจตรงดงาม ตามแบบ
ศลปะลานนาประยกต นอกจากนยงมวดทมชออกแหงหนงใน
เมองแกนพฒนา คอ วดอรญญวเวก มเนอทประมาณ 102 ไร
เศษ เปนปาโปรงมตนไมปกคลมรมรนเหมาะแกการท�าวปสนา
เจรญสมณธรรมของผใฝความสงบทางกายและใจ แตเดมนน
วดนมฐานะเปนส�านกสงฆ ชอ “ส�านกสงฆอรญญวเวกบานปง”
ซงเปนชอทหลวงปมน ภรทตตเถระ ไดตงใหเมอคราวททาน
รบนมนตมาพ�านกเพอปฏบตธรรมและอบรมคณะศรทธา
ญาตโยมในแถบนเมอ พ.ศ. 2470
นอกจากสถานทตางๆ ทมประวตอนยาวนานของ
ชมชนเมองแกนพฒนา ยงมสถานททส�าคญอกแหงหนงทเปน
แหลงหลอเลยงชวตเกษตรกรชาวเมองแกน และพนทใกลเคยง
คอ เขอนแมงดสมบรณชล ซงเปนเขอนดนขนาดใหญ ทม
Pimchanok Suwannasri et al. J Sci Technol MSU426
จดหมายปลายทางตางๆ มความสามารถในการตดตาม โตตอบ
กบนกทองเทยวไดดกวา ท�าใหพวกเขาไดรบขอมลทชดเจน
และแมนย�ากวา ซงเปนการท�าใหความพอใจของลกคาเพม
มากขน โลกปจจบนทอยในชวงรอยตอของการพฒนาเทคโนโลย
สมยใหม ตวอยางเชน ไอแพดไดเปลยนแปลงการนงใช
คอมพวเตอรตงโตะใหมาอยในมอของผบรโภคแทน2 โดยใน
แอพพลเคชนเพอน�าเสนอแหลงทองเทยวในพนทเทศบาล
เมองเมองแกนพฒนามการน�าเสนอขอมล ประวตทเกยวกบ
สถานททองเทยว ต�าแหนงสถานททองเทยว เสนทางการเดน
ทางมายงสถานททองเทยวนน รวมทงขอมลในการน�าทางจาก
ต�าแหนงของนกทองเทยวมายงสถานททองเทยวนน ซง
แอพพลเคชนนนเปนเสมอนตวกลางในการสงเสรมการทอง
เทยวเชงอนรกษ ส�าหรบบคคลทกเพศทกวยทมความสนใจ
การทองเทยวเชงอนรกษ ทองเทยวเชงประวตศาสตร หรอ
ศกษาเกยวกบประวตความเปนมาของชมชนเมองแกนพฒนา
รวมทงเปนการสรางเครอขายในการสงเสรมการทองเทยวเชง
อนรกษตอไป
วตถประสงคของการวจย 1. เพอพฒนาและวเคราะหคณภาพของแอพพลเคชน
ในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกน
พฒนา อ�าเภอแมแตง จงหวดเชยงใหม
2. เพอวเคราะหผลความพงพอใจของแอพพลเคชน
ในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกน
พฒนา อ�าเภอแมแตง จงหวดเชยงใหม
เครองมอในการวจย แอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนท
เทศบาลเมองเมองแกนพฒนาแบบประเมนคณภาพดานเนอหา
และแอพพลเคชน ในการน�าเสนอแหลงทองเทยวในพนท
เทศบาลเมองเมองแกนพฒนา ส�าหรบผเชยวชาญในการ
ประเมนแอพพลเคชน เพอใหแอพพลเคชนมคณภาพนาเชอถอ3
เปนแบบมาตราสวนประมาณคา 5 ระดบ มการแบงระดบ
คณภาพ ดงน
5 หมายถง คณภาพดมาก
4 หมายถง คณภาพด
3 หมายถง คณภาพปานกลาง
2 หมายถง คณภาพนอย
1 หมายถง คณภาพนอยทสด
การแปรผลจากการตอบแบบประเมน สามารถแปร
ผลได ดงน
5.00 – 4.50 หมายถง คณภาพดมาก
4.49 – 3.50 หมายถง คณภาพด
3.49 – 2.50 หมายถง คณภาพปานกลาง
2.49 – 1.50 หมายถง คณภาพนอย
1.49 – 0.00 หมายถง คณภาพนอยทสด
แบบประเมนความพงพอใจแอพพลเคชนในการน�า
เสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา
เปนการประเมนความพงพอใจในการใชแอพพลชน โดยแบบ
ประเมนความพงพอใจ เปนแบบส�ารวจระดบเรยงอนดบชนด
มาตรประมาณคา 5 ระดบ4 มการแบงระดบความพงพอใจ ทง
5 ระดบ ดงน
5 หมายถง พอใจมากทสด
4 หมายถง พอใจมาก
3 หมายถง พอใจปานกลาง
2 หมายถง พอใจนอย
1 หมายถง พอใจนอยทสด
การแปรผลจากการตอบแบบประเมน สามารถแปร
ผลได ดงน
5.00 – 4.50 หมายถง พอใจมากทสด
4.49 – 3.50 หมายถง พอใจมาก
3.49 – 2.50 หมายถง พอใจปานกลาง
2.49 – 1.50 หมายถง พอใจนอย
1.49 – 0.00 หมายถง พอใจนอยทสด
วธด�าเนนการวจย 1. ประชากรและกลมตวอยาง
การวจยในครงนเปนการวจยเพอพฒนาพฒนา
แอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาล
เมองเมองแกนพฒนาแกบคลทวไป และผทสนใจเพอใหรจก
และสามารถเดนทางไปยงแหลงทองเทยวในพนทเทศบาล
เมองเมองแกนพฒนาได ดงนนประชากรคอ บคคลทวไป
บคคลทสนใจ รวมทงนกทองเทยวคนไทย ในพนทอ�าเภอเมอง
จงหวดเชยงใหม ส�าหรบกลมตวอยางทใชในการวจย คอ
บคคลทวไป บคคลทสนใจ รวมทงนกทองเทยวคนไทย ในพนท
อ�าเภอเมอง จงหวดเชยงใหม จ�านวน 45 คน
2. พฒนาแอพพลเคชนในการน�าเสนอแหลงทอง
เทยวในพนทเทศบาลเมองเมองแกนพฒนาท�าการพฒนา
แอพพลเคชนในการน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนาดวย กระบวนการพฒนาทงหมด 7 ขนตอน5
ดงน
2.1 เกบรวบรวมขอมล ผวจยท�าการรวบรวม
ขอมลเกยวกบสถานททองเทยวตางๆ ในพนทเทศบาลเมอง
Smrtphone Application Development for Tourist Destinations
in Muang Kaen Pattana Municipality, Mae Tang District, Chiang Mai Province
427Vol 37. No 3, May-June 2018
เมองแกนพฒนา จากเวบไซตเทศบาลเมองเมองแกนพฒนา
และสอบถามจากชาวบานทอาศยอยในพนท รวมทงศกษา
ขอมล คณลกษณะของการพฒนาแอพพลเคชนจากเอกสาร
งานวจยและเวบไซตตางๆ
2.2 วเคราะหและก�าหนดขอบเขต หลงจาก
ท�าการรวบรวมขอมลสถานททองเทยว และวธการในการพฒนา
แอพพลเคชนแลว ตอไปจงน�าขอมลดงกลาวมาท�าการวเคราะห
ความตองการของผใชโดยเนนในดานการน�าเสนอขอมลตางๆ
ของสถานททองเทยวและการแนะน�าเสนทางการเดนทางไป
ยงสถานทนน โดยมการน�าเสนอขอมลแหลงทองเทยวในสถานท
ดงน วดอรญญวเวก วดบานเดนสะหรศรเมองแกน วดชอแล
พระงาม พพธภณฑเตาอนทขล เขอนแมงดสมบรณชล ภสนฟา
บานสวนกลางนาโฮมสเตย บานพระยาลานนารมน�า ซงภายใน
แอพพลเคชนสามารถแสดงต�าแหนงทตงของสถานทตางๆ
รวมทงน�าทางไปยงสถานทนนๆ ไดจากต�าแหนงปจจบนของ
ผใช
2.3 การออกแบบ กระบวนการออกแบบ
แอพพลเคชนมฟงกชนการท�างานหลก ดงน 1. ประวตเมอง
แกนพฒนา 2. แนะน�าสถานททองเทยว แบงเปน วด, สถานท
ทองเทยว, ทพก 3. แผนทแสดงต�าแหนงทตงของสถานท
แตละแหงรวมทงแสดงเสนทางไปยงสถานทนนๆ
2.4 การพฒนาแอพพลเคชน ส�าหรบงานวจยน
สรางระบบงานของแอพพลเคชนโดยการเขยนโปรแกรมภาษา
จาวา ผานโปรแกรมแอนดรอย สตดโอ และชดเครองมอการ
พฒนาพรอมทงมการใชกเกลเอพไอส�าหรบการคนหาเสนทาง
ไปยงสถานทตางๆ
2.5 การทดสอบแอพพลเคชน เปนกระบวนการ
ทดสอบการท�างานของแอพพลเคชน โดยเรมจากผวจยท�าการ
ทดสอบการเขาถงขอมล การใชฟงกชน การคนหาสถานท รวม
ทงการแนะน�าเสนทางไปยงสถานทนนๆ และเพอใหการพฒนา
แอพพลเคชนมความสมบรณมากขน ผวจยจงน�าแอพพลเคชน
ดงกลาวไปใหผเชยวชาญตรวจสอบในดานเนอหาและดานการ
พฒนาแอพพลเคชน เพอเปนการประเมนคณภาพดานเนอหา
และการพฒนาแอพพลเคชน และตอบแบบประเมนคณภาพ
2.6 การทดลองใชงานแอพพลเคชน หลงจาก
ท�าการทดสอบและประเมนคณภาพของแอพพลเคชนเปนท
เรยบรอย จงน�าแอพพลเคชนไปทดลองใชกบกลมเปาหมาย
และใหผใชตอบแบบประเมนความพงพอใจในการใชแอพพลเคชน
2.7 การวเคราะหขอมลและสรปผล หลงจากน�า
แอพพลเคชนไปทดลองใชกบกลมเปาหมายและมการตอบ
แบบประเมนความพงพอใจแลว ผวจยจงไดรวบรวมขอมลเพอ
สรปผลทไดจากการศกษาดงน
Table 1 Content Application Quality Assessment Result
Content SD Level
1. Presentation of core city history information is clear 4.67 0.47 Excellent
2. Presentation of tourist information is clear 4.33 0.47 Good
3. Presentation of temple information is clear 4.67 0.47 Good
4. Location presentation is accurate 5.00 0.00 Excellent
5. Route guidance is accurate 4.67 0.47 Excellent
Average 4.67 0.35 Excellent
จาก Table 1 แสดงผลการประเมนคณภาพ
แอพพลเคชนดานเนอหาจากผเชยวชาญ มผลการประเมน
เฉลยเทากบ 4.67 สวนเบยงเบนมาตรฐานเทากบ 0.35 ซงอย
ในระดบคณภาพดมาก
Table 2 Application Development Quality Assessment Result
Content SD Level
1. Picture presentation is appropriate 4.00 0.00 Good
2. Vdo presentation is appropriate 3.67 0.47 Good
3. Presenting text messages is clear 4.33 0.47 Good
4. Application deployment is convenient, easy to use 4.33 0.47 Good
5. Benefit of using the application 4.67 0.47 Excellent
Average 4.20 0.38 Good
Pimchanok Suwannasri et al. J Sci Technol MSU428
จาก Table 2 แสดงผลการประเมนคณภาพ
แอพพลเคชนดานการพฒนาจากผเชยวชาญ มผลการประเมน
เฉลยเทากบ 4.20 สวนเบยงเบนมาตรฐานเทากบ 0.38 ซงอย
ในระดบคณภาพด
Table 3 Results of the Application Satisfaction Assessment
Content SD Level
1. Presentation of core city history information is clear 3.96 0.52 Very satisfied
2. Presentation of tourist information is clear 4.18 0.61 Very satisfied
3. Presentation of temple information is clear 3.84 0.56 Very satisfied
4. Presentation pictures are interesting 3.96 0.56 Very satisfied
5. Presentation VDO are interesting 3.98 0.69 Very satisfied
6. Location presentation is accurate 4.69 0.47 Most satisfied
7. Route guidance is accurate 4.80 0.40 Most satisfied
8. The speed of the processing of the application 4.36 0.53 Very satisfied
9. The application is unique 4.47 0.50 Most satisfied
10. Facilitated within the application 4.44 0.76 Most satisfied
11. The beauty of the application 3.93 0.65 Very satisfied
12. Benefit of using the application 4.71 0.46 Most satisfied
13. Application deployment is convenient, easy to use 4.09 0.36 Very satisfied
14. Application has been properly applied 3.89 0.49 Very satisfied
15. Overall suitability of the application 3.93 0.58 Very satisfied
Average 4.21 0.54 Very satisfied
จาก Table 3 แสดงผลการตอบแบบประเมน
ความพงพอใจแอพพลเคชนจากผใช มผลการประเมนเฉลย
เทากบ 4.21 สวนเบยงเบนมาตรฐานเทากบ 0.54 ซงมความ
พงพอใจอยในระดบมากทสด
ผลการวจย ผลการพฒนาแอพพลเคชน
6
3. Presenting text messages is clear 4.33 0.47 Good 4. Application deployment is convenient, easy to use 4.33 0.47 Good 5. Benefit of using the application 4.67 0.47 Excellent
Average 4.20 0.38 Good
จาก Table 2 แสดงผลการประเมนคณภาพแอพพลเคชนดานการพฒนาจากผเชยวชาญ มผลการประเมนเฉลยเทากบ 4.20 สวนเบยงเบนมาตรฐานเทากบ 0.38 ซงอยในระดบคณภาพด Table 3 Results of the Application Satisfaction Assessment
Content X SD Level 1. Presentation of core city history information is clear 3.96 0.52 Very satisfied 2. Presentation of tourist information is clear 4.18 0.61 Very satisfied 3. Presentation of temple information is clear 3.84 0.56 Very satisfied 4. Presentation pictures are interesting 3.96 0.56 Very satisfied 5. Presentation VDO are interesting 3.98 0.69 Very satisfied 6. Location presentation is accurate 4.69 0.47 Most satisfied 7. Route guidance is accurate 4.80 0.40 Most satisfied 8. The speed of the processing of the application 4.36 0.53 Very satisfied 9. The application is unique 4.47 0.50 Most satisfied 10. Facilitated within the application 4.44 0.76 Most satisfied 11. The beauty of the application 3.93 0.65 Very satisfied 12. Benefit of using the application 4.71 0.46 Most satisfied 13. Application deployment is convenient, easy to use 4.09 0.36 Very satisfied 14. Application has been properly applied 3.89 0.49 Very satisfied 15. Overall suitability of the application 3.93 0.58 Very satisfied
Average 4.21 0.54 Very satisfied
จาก Table 3 แสดงผลการตอบแบบประเมนความพงพอใจแอพพลเคชน จากผใช มผลการประเมนเฉลยเทากบ 4.21 สวนเบยงเบนมาตรฐานเทากบ 0.54 ซงมความพงพอใจอยในระดบมากทสด ผลการวจย
1. ผลการพฒนาแอพพลเคชน
Application Google Map User
Google API Run
Figure 1 Application Architecture
จากการพฒนาแอพพลเคชนดวยกระบวนการพฒนา
7 ขนตอน ท�าใหไดแอพพลเคชนน�าเสนอแหลงทองเทยวใน
พนทเทศบาลเมองเมองแกนพฒนาส�าหรบใชงานบนสมารต
โฟนดวยระบบปฏบตการแอนดรอยดซงมการน�าเสนอขอมล
และรปภาพของแหลงทองเทยวนนๆ โดยแบงเปนหมวด คอ
วด สถานททองเทยว ทพกและโฮมสเตย รวมทงมการน�าเสนอ
เสนทางจากจดทผใชแอพพลเคชนอยไปยงสถานททเลอกนน
โดยมสถาปตยกรรมของแอพพลเคชนดงน ผ ใชเรยกใช
แอพพลเคชนผานระบบปฏบตการแอนดรอยด ซงมการน�า
เสนอขอมลตางๆ ผานแอพพลเคชนโดยมการเรยกขอมลจาก
ฐานขอมลดวยเอสควแอลไลท (SQLite) และมการน�าเสนอเสน
ทางไปยงแหลงทองเทยวตางๆ ดวยกเกลแมพ ผานการเรยก
ใชงานจาก กเกลเอพไอ (Figure 1)
ผลการวเคราะหคณภาพของแอพพลเคชนโดย
ผเชยวชาญ จ�านวน 3 ทาน
จาก Table 1 ผลการประเมนคณภาพแอพพลเคชน
ด านเนอหาจากผ เชยวชาญ ในการตอบแบบประเมน
มาตราสวนประมาณคา 5 ระดบ จ�านวน 5 ประเดน พบวา
แอพพลเคชนมคณภาพดานเนอหาโดยรวมแลวเฉลยเทากบ
4.67 ซงอยในระดบคณภาพดมาก เมอพจารณารายประเดน
พบวาประเดนท 4 คอ การน�าเสนอต�าแหนงทตงมความถก
ตอง มคณภาพมากทสดในระดบดมาก มคาเฉลยเทากบ 5.00
Smrtphone Application Development for Tourist Destinations
in Muang Kaen Pattana Municipality, Mae Tang District, Chiang Mai Province
429Vol 37. No 3, May-June 2018
จาก Table 2 ผลการประเมนคณภาพแอพพลเคชน
ดานการพฒนาจากผเชยวชาญ ในการตอบแบบประเมน
มาตราสวนประมาณคา 5 ระดบ จ�านวน 5 ประเดน พบวา
แอพพลเคชนมคณภาพดานการพฒนาโดยรวมแลวเฉลย
เทากบ 4.20 ซงอย ในระดบคณภาพด เมอพจารณาราย
ประเดน พบวาประเดนท 5 การใชประโยชนจากแอพพลเคชน
มคณภาพมากทสดในระดบดมาก มคาเฉลยเทากบ 4.67
ผลการวเคราะหความพงพอใจของผใชแอพพลเคชน
จาก Table 3 ผลการตอบแบบประเมนความพงพอใจ
แอพพลเคชนจากผใช ในการตอบแบบประเมนมาตราสวน
ประมาณคา 5 ระดบ จ�านวน 15 ประเดน พบวาผใชมความ
พงพอใจในการใชแอพพลเคชนโดยรวมแลวเฉลยเทากบ 4.21
ซงอยในระดบความพงพอใจมาก เมอพจารณารายประเดน
พบวาประเดนท 7 การแนะน�าเสนทางมความถกตอง มความ
พงพอใจสงทสด รองลงมา คอ ประเดนท 12 ประโยชนจาก
การใชแอพพลเคชน โดยทงสองประเดนมความพงพอใจอยใน
ระดบมากทสดโดยเฉลยคอ 4.80 และ 4.71ตามล�าดบ
อภปรายผล จากการพฒนาแอพพลเคชนเพอน�าเสนอแหลงทอง
เทยวในพนทเทศบาลเมองเมองแกนพฒนา อ�าเภอแมแตง
จงหวดเชยงใหม มสาระส�าคญในการอภปรายผล ดงน
ผลการพฒนาแอพพลเคชนเพอน�าเสนอแหลงทอง
เทยวในพนทเทศบาลเมองเมองแกนพฒนา เปนแอพพลเคชน
ทพฒนาส�าหรบใชงานบนสมารตโฟนดวยระบบปฏบตการ
แอนดรอยดดวยกระบวนการพฒนา 7 ขนตอน สอดคลองกบ
การพฒนาแอพพลเคชนสมนไพรดแลสขภาพบนระบบปฏบต
การแอนดรอย ดวยกระบวนการพฒนา 7 ขนตอน ท�าใหไดผล
ความพงพอใจตอการพฒนาแอพพลเคชนในดานความสวยงาม
และการออกแบบ ดานขอมลสมนไพร ดานการใชงานระบบ
และประสทธภาพโดยรวมอยในระดบดทงหมด5 นอกจากน
ภายในแอพพลเคชนแหลงทองเทยวในพนทเทศบาลเมองเมอง
แกนพฒนามการน�าเสนอขอมลรวมทงรปภาพของสถานททอง
เทยวทส�าคญในพนทเทศบาลเมองเมองแกนพฒนา สอดคลอง
กบ ผตอบแบบสอบถามใหความส�าคญในเรองของการใชภาพ
เพอการสอสารและการประชาสมพนธสถานททองเทยวตางๆ
ของจงหวดเพชรบร เนองจากการใชภาพนนจะเปนจดสราง
ความสนใจใหกบนกทองเทยว โดยเฉพาะภาพของสถานทจรง
เนองจากภาพนนๆ จะแสดงใหเหนถงรายละเอยดตางๆ บรรยากาศ
ของสถานทจรง ท�าใหสามารถโนมนาวใจใหนกทองเทยวเดน
ทางไปเทยวได6 โดยในตวแอพพลชนมการแบงเปนหมวด คอ
วด สถานททองเทยว ทพกและโฮมสเตย รวมทงมการเสนอ
เสนทางจากจดทผใชแอพพลเคชนอยไปยงสถานททเลอกนน
ดวยคณสมบตของกเกลแมพ เอพไอ (Google Map API) ซง
ชวยใหผใช นกทองเทยวและผสนใจสามารถไปยงสถานทนน
ไดถกตอง และงายตอการเดนทาง สอดคลองกบ หลายๆ
เวบไซตทมการน�ากเกลแมพ ไปใชจะชวยใหผใชทเขามาใช
งานของระบบมความสะดวกตอการใชงานมากขน เชน การ
แนะน�ารานอาหาร โรงแรม หรอสถานบนเทงตางๆ กสามารถ
ทจะท�าใหผใชงานทราบถงสถานทนนๆ แลวเดนทางไปไดถก
ตอง7
ผลการวเคราะหคณภาพของแอพพลเคชนเพอน�า
เสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกนพฒนา
โดยท�าการประเมนจากผเชยวชาญจ�านวน 3 ทาน ซงท�าการ
ประเมนคณภาพแอพพลเคชนดานเนอหา และ ประเมน
คณภาพแอพพลเคชนดานการพฒนา พบวา แอพพลเคชนม
คณภาพดานเนอหาอยในระดบดมาก ดวยคาเฉลยเทากบ 4.67
และ แอพพลเคชนมคณภาพดานการพฒนาอยในระดบด
ดวยคาเฉลยเทากบ 4.20
ผลการวเคราะหความพงพอใจในการใชแอพพลเคชน
เพอน�าเสนอแหลงทองเทยวในพนทเทศบาลเมองเมองแกน
พฒนา จากกลมตวอยางจ�านวน 45 คน ไดผลความพงพอใจ
ในการใชแอพพลเคชนในระดบความพงพอใจมาก ดวยคา
เฉลยเทากบ 4.21 โดยประเดนทมความพงพอใจสงสด คอ การ
แนะน�าเสนทางมความถกตอง มคาเฉลยเทากบ 4.80 รองลง
มา คอ ประโยชนจากการใชแอพพลเคชน มคาเฉลยเทากบ
4.71 แสดงใหเหนวา แอพพลเคชนดงกลาวสามารถน�ามาใช
งานจรง ซงภายในแอพพลเคชนมการน�าเสนอขอมลสถานท
ทองเทยว ต�าแหนงทตงของสถานททองเทยวนน ในพนท
เทศบาลเมองเมองแกนพฒนา รวมทงเสนอเสนทางในการเดน
ทางไปยงสถานทนนๆ เพอเปนการประชาสมพนธและสงเสรม
การทองเทยวสอดคลองกบผลการวจยทกลาววาควรมแนวทาง
การพฒนาดานบรการและสงอ�านวยความสะดวกโดยการให
ขอมลดานการทองเทยวกบนกทองเทยว ควบคกบการให
ความรดานการทองเทยวเชงนเวศ รวมทงการประชาสมพนธ
การทองเทยวเนองจากแหลงทองเทยวบางแหงมความซบซอน
ในการเดนทางและไมมรถโดยสารเขาถง ท�าใหเดนทางล�าบาก
และไมไดรบความสะดวก ท�าใหแหลงทองเทยวบางแหง มผ
เดนทางไปทองเทยวนอยมาก8
การน�าเสนอแหลงทองเทยวในพนทเทศบาลเมอง
เมองแกนพฒนาดวยแอพพลเคชนถอเปนการสงเสรมและ
ประชาสมพนธแหลงทองเทยวไดอกทางหนง สอดคลองกบ 6นกทองเทยวสวนใหญพบขอมลการทองเทยวจงหวดเพชรบร
ผานสอประชาสมพนธประเภทสออนเทอรเนตมากทสด ทงน
Pimchanok Suwannasri et al. J Sci Technol MSU430
เนองจากในยคปจจบนสออนเทอรเนตถอเปนสอทมการใช
อยางกวางขวาง และเปนสอทไดรบความนยมเปนอยางมาก
และเปนสอทสามารถสงขอมลขาวสารไปยงกลมเปาหมายได
อยางรวดเรว
ขอเสนอแนะ แอพพลเคชนทพฒนาในครงนส�าหรบใชงานบน
ระบบปฏบตการแอนดรอยด ดงนนเพอใหครอบคลมกบ
อปกรณสมารตโฟนในปจจบน ควรมการพฒนาส�าหรบระบบ
ปฏบตการ IOS ดวย
ข อมลทแสดงในแอพพลเคชนมแต ภาษาไทย
ซงท�าใหการน�าเสนอขอมลยงมขอจ�ากดส�าหรบนกทองเทยว
หรอบคคลทสนใจทเปนชาวตางชาต ดงนนหากมการพฒนา
เพมเตมในสวนของภาษาองกฤษ หรอ ภาษาจน จะท�าใหได
ประโยชนมากยงขน
กตตกรรมประกาศ ผวจยขอขอบคณ ส�านกงานคณะกรรมการวจยแหง
ชาตทใหการสนบสนนทนวจย ขอขอบคณมหาวทยาลยราชภฏ
เชยงใหมทใหการสนบสนนดานเครองมอ
เอกสารอางอง1. เทศบาลเมองเมองแกนพฒนา. แหลงทองเทยว.Availa-
ble: http://www.muangkaen.go.th/ index.php?_mod=
dHJhdmVs&no=4 10 June 2016; 2556.
2. สยมล วทยาธนรตนา. อนาคตของเทคโนโลยในอตสาหกรรม
การทองเทยว (ตอนท 1). e-TAT Tourism Journal, 2011(4),
5-11. Available: http://www.tatreviewmagazine.com/
web/menu-read-web-etatjournal/ menu2011/menu-
2011-oct-dec/362-42554-technology-tourism 12 De-
cember 2016; 2554
3. ศรวรรณ วาสกร. การพฒนาบทเรยนทบทวนมลตมเดย
เรอง อนพนธ. วารสารพฒนาการเรยนการสอน มหาวทยาลย
รงสต 2558; 9(2): 95 – 106.
4. ศรวรรณ วาสกร. การศกษาความพงพอใจของผเรยนทม
ตอกจกรรมการเรยนการสอนวชาพนฐานคณตศาสตร
โดยใชเทคนคการประเมนผลในชนเรยน. วารสารพฒนา
การเรยนการสอน มหาวทยาลยรงสต 2553; 4(2): 24 –
37
5. สรนธร จยาศกด และ ขวญชนก อมอมรชยการ. แอปพล
เคชนสมนไพรดแลสขภาพบนระบบปฏบตการแอนดรอย.
การประชมวชาการระดบประเทศดานเทคโนโลยสารสนเทศ
(NCIT) ครงท 7; 29-30 ตลาคม 2558. เชยงใหม: คณะ
เทคโนโลยสารสนเทศ สถาบนเทคโนโลยพระจอมเกลา
เจาคณทหารลาดกระบง 2558; 153-158.
6. เมธาวน สาระยาน. ประสทธภาพของสอประชาสมพนธ
ดานการทองเทยวของจงหวดเพชรบร พ.ศ. 2557. การ
ประชมวชาการระดบชาตราชภฏเพชรบรวจยเพอแผนดน
ไทยทยงยน ครงท 6; 9 กรกฏาคม 2559. เพชรบร: คณะ
วทยาการจดการ, มหาวทยาลยราชภฏเพชรบร; 2559.
7. อภรกษ บตรละ. การประยกตใช Google Map ในการ
พฒนาระบบการค�านวณคารถ Taxi ในเขตพนท
กรงเทพมหานครและปรมณฑล. การศกษาเฉพาะบคคล
วทยาศาสตรมหาบณฑต. มหาวทยาลยกรงเทพ; 2552.
8. พรทพย กจเจรญไพศาล. การศกษาทรพยากรทองเทยว
เชงวฒนธรรมของชมชนชาวมอญเพอสงเสรมการทอง
เทยวเชงนเวศในจงหวดปทมธาน. วทยานพนธศลป
ศาสตรมหาบณฑต, มหาวทยาลยเกษตรศาสตร; 2553.
นพนธตนฉบบ
1 อาจารยประจ�าสาขาวชาเทคโนโลยสารสนเทศทางธรกจ คณะบรหารธรกจ มหาวทยาลยเทคโนโลยราชมงคลรตนโกสนทร วทยาเขตวงไกลกงวล
อ�าเภอหวหน จงหวดประจวบครขนธ 77110 อเมล: [email protected],1 Lecturer, Department of Business Information Technology, Faculty of Business Administration, Rajamangala University of Technology
Rattanakosin, Hua-Hin District, Prachuapkhirikhan, 77110, Thailand. E-mail: [email protected]
การพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตรเพอใชคนหา
เสนทางทเหมาะสมส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ
The Application of Geographic Information Systems to Develop an Application for Finding
an Optimal Route for Tourist Attractions in Hua Hin, Prachuap Khiri Khan Province
องคณา จตตามาศ1, อชฌาพร กวางสวาสด1
Aungkana Jattamart1, Achaporn Kwangsawad1
Received: 15 September 2017 ; Accepted: 20 November 2017
บทคดยองานวจยนมวตถประสงค 1) เพอพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตรเพอใชคนหาเสนทางทเหมาะสมส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ และ 2) เพอประเมนความพงพอใจของผใชตอการพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตร ดวยการพฒนาแอปพลเคชนบนระบบปฏบตการแอนดรอยด (Android) และสามารถใชงานบนเวบแอปพลเคชนของโปรแกรม ArcGIS Online รวมกบ AppStudio for ArcGIS มการวเคราะหผลการพฒนาแอปพลเคชนดวยการส�ารวจความพงพอใจจากกลมตวอยางจ�านวน 400 คน น�าเสนอผลการวเคราะหในรปของสถตพนฐาน ผลการศกษาพบวา 1) แอปพลเคชนการประยกตใชระบบสารสนเทศทางภมศาสตรเพอใชคนหาเสนทางทเหมาะสมส�าหรบแหลงทองเทยวชมชนในอ�าเภอ หวหน สามารถด�าเนนการตรงตามขอบเขต 2) ผลการประเมนแบบสอบถามตอการพฒนาระบบ แบงเปนส�าหรบใชงานบนระบบปฏบตการแอนดรอยด (Andriod) สวนของผเชยวชาญมผลการประเมนสงสดดานการใชงานมคาเฉลยท 4.65 อยในระดบคณภาพดมาก และสวนของผใชงานมผลการประเมนสงสดดานการออกแบบมคาเฉลยท 4.57 อยในระดบคณภาพดมาก และผลการประเมนแบบสอบถามตอการพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตร เพอใชคนหาเสนทางทเหมาะสมส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน สามารถน�ามาเปนแนวทางในการน�าไปประยกตใชกบงานดานการทองเทยวประเภทอนได 100%
ค�าส�าคญ: ระบบสารสนเทศทางภมศาสตร แหลงทองเทยวชมชน ระบบปฏบตการแอนดรอยด
AbstractThis research aimed to.- 1) develop applications by applying geographic information systems to find suitable routes for tourist community attractions in Hua Hin, 2) to evaluate users’ satisfaction with application development through the geographic application information system by developing the applications on the Android operating system (Android) and using the ArcGIS Online web application with AppStudio for ArcGIS. The application development analytics were analyzed with a survey of the satisfaction of 400 people and the results sshown in the form of basic statistics. The study found that.- 1) the application of geographic information systems to find suitable routes for community attractions in Hua Hin can be implemented to an extent, 2) the results of questionnaire evaluation revealed that the Android system has the highest rating in terms of usage, with an average of 4.65 which was in the very good quality level. The average design score of 4.57 was in a very good level. The results of the questionnaire evaluation on application development of geographic information systems to find the right path for community attractions in Hua Hin can be used as a guideline to apply to the development for other types of tourism 100%.
Keywords: Geographic Information Systems, Tourist attraction, Android operating system
Aungkana Jattamart et al. J Sci Technol MSU432
บทน�า จากสถตนกทองเทยวทงชาวไทยและชาวตางชาตทเดนทาง
เขามาทองเทยวในประเทศไทยมแนวโนมเพมสงขนอยางตอ
เนอง ในป พ.ศ. 2558 ขอมลจ�านวนนกทองเทยวขาเขาทเดน
ทางเขามาทองเทยวในประเทศไทยอยในอนดบท 4 ของโลก
และพบวาจงหวดกรงเทพมหานครเปนเมองทองเทยวอนดบ
สองทนกทองเทยวทวโลกเดนทางมาทองเทยวมากทสดของ
ประเทศไทย1 และในป 2559 มจ�านวนนกทองเทยวตางชาต
เดนทางเขามาทองเทยวในประเทศไทย 32,573,545 คน เพมขน
รอยละ 8.86 เมอเปรยบเทยบกบป 2558 ทปรบตวเพมขนรอยละ
22.65 และ 10.56 ตามล�าดบ และคาดการณวาป 2560 จะม
จ�านวนนกทองเทยวตางชาตเดนทางเขามาทงหมดกวา 35
ลานคน ดานรายไดจากการทองเทยว ป 2559 ประเทศไทยได
รบรายไดจากนกทองเทยวตางชาตทงสน 1,637,832 ลานบาท
เพมขนรอยละ 12.40 เมอเทยบกบป 25582 ประเทศไทยยงได
เขาเปนสมาชกประชาคมอาเซยน (ASEAN Economic
Community: AEC) ถอไดวาเปนการสงเสรมและรวมมอกน
ระหวางประเทศสมาชกในการสรางความแขงแกรงและเขม
แขงทางเศรษฐกจ สงคมและวฒนธรรม ท�าใหผประกอบการ
หรอสถานประกอบการตางๆ ในประเทศ พยายามพฒนา
คณภาพและประสทธภาพของการบรการดวยการน�าเอา
เทคโนโลยตางๆ เขามาชวยในการสรางสรรคสนคาและบรการ
ใหมๆ เพอดงดดนกทองเทยวและผสนใจ น�ามาสการสรางราย
ไดทดขน ท�าใหสงผลดไปถงผรบบรการในการเขาถงบรการ
ตางๆ ไดสะดวกและไดรบสนคาทมคณภาพมากขน
อ�าเภอหวหนตงอย ทางตอนเหนอสดของจงหวด
ประจวบครขนธ มชอเสยงจากการเปนสถานทตากอากาศท
สามารถเทยวไดใน 1 วน ปจจบนหวหนเปนทรจกและไดรบ
ความนยมจากนกทองเทยวทงชาวไทยและชาวตางชาตเปน
จ�านวนมาก มสถานททองเทยวสวยงามทดงดดนกทองเทยว
มากมาย อกทงยงมโรงแรมหรระดบ 5 ดาวหลายแหง ซงตง
อยใจกลางเมองหวหนพรอมสงอ�านวยความสะดวกครบครน
ไวคอยตอนรบนกทองเทยว ใหเขามาสมผสแหลงอารยธรรม
ประเพณของไทยทมตลอดทงป ซงจากสถตการทองเทยวพบ
วา มจ�านวนนกทองเทยวทงชาวไทยและชาวตางชาตเดนทาง
มาทองเทยวทอ�าเภอหวหนในป พ.ศ. 2556 จ�านวน 2,372 คน
ในป พ.ศ. 2557 จ�านวน 2,420 คน และในป พ.ศ. 2558 จ�านวน
2,569 คน3 ซงจะเหนไดวาจ�านวนนกทองเทยวมแนวโนมเพม
สงขนทกป เนองดวยขอจ�ากดทางเวลาในการเดนทางทอง
เทยว นกทองเทยวบางกลมตองการใชเวลาในการเทยวชม
แหลงทองเทยวใหคมคาทสด เพราะฉะนนการประเมนหาเสน
ทางการเดนทางทสนทสดจงเปนสงทเขามาชวยในการจดสรร
เวลาในการเดนทางจากทพกไปยงแหลงทองเทยวใหเหมาะสม
และใชเวลาใหนอยทสด ซงระบบสารสนเทศทางภมศาสตร
(GIS) เปนเทคโนโลยทสามารถชวยแกไขปญหานได อกทงยง
สามารถชวยใหนกทองเทยวสามารถวางแผนการเดนทางไป
ยงแหลงทองเทยวไดในระยะเวลาและระยะทางทสนทสดได
จากปญหาขางตนจงเปนสาเหตจงใจใหผจดท�ามแนวคด
ในการพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศ
ทางภมศาสตร เพอใชคนหาเสนทางทเหมาะสมส�าหรบแหลง
ทองเทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ และ
ยงเปนการเพมชองทางในการเขาถงขอมลของแหลงทองเทยว
ไดสะดวกมากขน โดยแอปพลเคชนมคณสมบตคอ สามารถ
แสดงผลเสนทางการทองเทยวทเหมาะสมดวยการวเคราะห
จากระยะเวลาการเดนทางทสนทสดรวมกบระบบสารสนเทศ
ทางภมศาสตร มการแนะน�าเสนทางการทองเทยวชมชนใน
แตละประเภททนกทองเทยวสนใจ รวมไปถงจดเดนในการ
แสดงผลขอมลและรปภาพของแหลงทองเทยวในแตละต�าแหนง
ซงผใชงานแอปพลเคชนสามารถเรยกดขอมลและเสนทางการ
ทองเทยวไดพรอมกนผานการแสดงผลบนหนาจอของแผนท
ออนไลน
วตถประสงคในการวจย 1. เพอพฒนาแอปพลเคชนดวยการประยกตใช
ระบบสารสนเทศทางภมศาสตรเพอใชคนหาเสนทางทเหมาะสม
ส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ
2. เพอประเมนความพงพอใจของผใชตอการพฒนา
แอปพลเคชนดวยการประยกตใชระบบสารสนเทศทางภมศาสตร
เพอใชคนหาเสนทางทเหมาะสมส�าหรบแหลงทองเทยวชมชน
ในอ�าเภอหวหน จงหวดประจวบครขนธ
เครองมอทใชในการวจย โปรแกรม ArcGIS Online ใชส�าหรบพฒนาแผนท
ออนไลน ของบรษท อเอสอารไอ (ESRI) มฟงกชนทสนบสนน
การใชงานแผนทออนไลนอยางครบถวน และมระบบปองกน
ขอมลทเปนมาตรฐาน แผนทในบทความนเลอกใช ArcGIS
Online ประเภท Personal Use4 ส�าหรบรวบรวมขอมลและ
แผนทภมศาสตร
เครองมอทใชในการหาต�าแหนงขอมลพกด ละตจด
และลองตจด คอ 1) เวบไซตhttp://maps.google.co.th 2)
ArcGIS Online ในสวนของเมน Measure Area and Distance
3) แอปพลเคชน Handy GPS บนระบบปฎบตการ IOS ทใช
ในการหาขอมลพกดละตจดและลองตจดบนโทรศพทเคลอนท
AppStudio for ArcGIS เปนเครองมอทท�าหนาท
แปลงแผนทใหเปนแอปพลเคชนบนมอถอ
The Application of Geographic Information Systems to Develop an Application
for Finding an Optimal Route for Tourist Attractions in Hua Hin, Prachuap Khiri Khan Province
433Vol 37. No 3, May-June 2018
วธการด�าเนนการวจย
1. Searching for tourist
information community
2. Collect data of tourist
information community
3. Evaluate quality standards
for tourist attractions
4. Analyze the community tour
route
5.Develop application for
community attractions
6.Present and Documentation
1.1 From websites and
documents
1.2 Select community
attractions
2.1 GPS coordinates
2.2 Attribute of tourist
information community
3.1 Evaluate community
attractions
4.1 Grouping community
attractions
4.2 Set the pattern of paths
community attractions
4.3 Upload photos of tourist
attractions in the community
5.1 Develop online maps with
ArcGIS Online
5.2 Develop an application
6.1 Create questionnaire
6.2 Quality analysis
questionnaire
6.3 Analysis of evaluation
results
Figure 1 The research process
จาก Figure 1 วธการด�าเนนการวจยสามารถแบง
ออกเปน 6 ขนตอนหลกดงน
1. รวบรวมขอมลแหลงทองเทยวชมชน
1.1 จากเวบไซตและเอกสารตางๆ:
Kapook travel, tripadvisor, Gplace,
suvarnabhumiairport
1.2 คดเลอกแหลงทองเทยวชมชน: ดวยวธการ
คดเลอกแบบเจาะจง แหลงทองเทยวชมชนเปนทนยมใน
อ�าเภอหวหนจ�านวน 24 แหง ไดแก หาดหวหน, หาดเขาตะเกยบ,
หาดสวนสนประดพทธ, หาดเขาเตา, หาดทรายนอย, เพลนวาน,
ตลาดโตรง, Cicada Market , ตลาดน�าสามพนนาม, ไรองน
หวหนฮลส วนยารด, สวนสาธารณะโผนกงเพชร, ถ�าดาว
วดหนองพลบ, ส�านกสงฆ ถ�าลบแลหวหน, ถ�าไกหลน, หมบาน
ชาง, น�าตกปาละอ, อทยานราชภกด, อางเกบน�าเขาเตา,
พลบพลา สถานรถไฟหวหน, จดชมววเขาหนเหลกไฟ, วดหวหน,
วดถ�าเขาเตา,วดเขาตะเกยบ, วดหวยมงคล เปนตน
2. เกบขอมลแหลงทองเทยวชมชน
2.1 สามารถแบงออกเปน 2 สวนยอยๆ ไดดงน
ขอมลคาพกด GPS: ขอมลพกด องจาก
Google map และเพอความถกตองของขอมลพกด ไดท�าการ
ลงพนทเพอเกบขอมลพกด โดยเกบขอมลพกดผาน แอปพลเคชน
Handy GPS บนระบบปฎบตการ Android และ IOS ทใชใน
การหาขอมล ต�าแหนงละตจด และ ต�าแหนงลองตจด บน
โทรศพทเคลอนท น�าขอมลพกดทงหมดจดเกบในรปแบบไฟล
.CSV หรอ .TXT
Figure 2 Application Handy GPS
จาก Figure 2 แสดงแอปพลเคชน Handy
GPS ส�าหรบระบต�าแหนงพกดสถานทบนโทรศพทเคลอนท
Figure 3 File format .CSV
จาก Figure 3 แสดงขอมลชอสถานททองเทยว
ต�าแหนงละตจด และ ต�าแหนงลองตจด ในอ�าเภอ หวหนใน
รปแบบไฟลสกล .CSV
Aungkana Jattamart et al. J Sci Technol MSU434
Figure 4 File format .TXT
จาก Figure 4 แสดงขอมลชอสถานททองเทยว
ต�าแหนงละตจด และ ต�าแหนงลองตจด ในอ�าเภอ หวหนในรป
แบบไฟลสกล .TXT
ขอมลคณลกษณะของแหลงทองเทยวชมชน:
องคประกอบของแหลงทองเทยวจะประกอบดวยองคประกอบ
หลายๆ สวนไดแก สงดงดดในการทองเทยว ทรพยากรหรอ
สนมรดกทางการทองเทยว เชนธรรมชาต ประวตศาสตร
ศลปวฒนธรรม หรอสงเลยนแบบธรรมชาตทมนษยสรางขน
การคมนาคม ทพก ความปลอดภย เปนตน ซงสงเหลาน
สามารถดงดดใจ และสรางแรงจงใจใหนกทองเทยวได โดยท
แรงจงใจนนเปนพนฐานเบองตนในการตดสนใจเดนทาง
ทองเทยว รวมทงยงเปนความตองการในการเตมเตมทางดาน
กายภาพ เชน ความตองการพกผอนทาง รางกาย หรอ ความ
ตองการในลกษณะอนๆ ทตอบสนองตอความตองการทาง
รางกายเชน เพอใหได กนอาหารอรอย เพอไดรบอากาศ
บรสทธ นอกจากนนการเกดจนตนาการความรสกอสระซงเปน
ความคาดหวงทส�าคญยงของผทตดสนใจเดนทางทองเทยว
เพอการพกผอนนนไดรบจากความแตกตางของสถานททอง
เทยวจากรปแบบปกตในการด�ารงชวตประจ�าวน ซงเปนปจจย
ตงตนของความร สก ผอนคลาย ความร สกวาไดพกผอน
(McIntosh & Goeldner, 1986)5 องคประกอบในการก�าหนด
มาตรฐานคณภาพแหลงทองเทยวจะแบบออกเปน 3 องค
ประกอบ โดยการใหคะแนนจะใหความส�าคญกบองคประกอบ
ดานศกยภาพในการดงดดใจดานการทองเทยวมากทสด
เนองจากเปนแรงดงดดใจส�าคญส�าหรบใหนกทองเทยวเขาไป
เทยวชมแหลงทองเทยว สวนองคประกอบดานการบรหาร
จดการมความส�าคญของคะแนนรองลงมา และองคประกอบ
ดานศกยภาพในการรองรบดานการทองเทยว มความส�าคญ
ของคะแนนนอยทสด6
3. ประเมนแหลงทองเทยวชมชน
ในการก�าหนดระดบมาตรฐานคณภาพแหลง
ทองเทยวนน จะน�าคะแนนทไดเทยบกบระดบมาตรฐานท
ก�าหนดไว ซงระดบมาตรฐานแหลงทองเทยวจะแบงเปน
คาคะแนน 81 ขนไป อยในระดบมาตรฐานดเยยม คาคะแนน
71-80 อยในระดบมาตรฐานดมาก คาคะแนน 61-70 อยใน
ระดบมาตรฐานด คาคะแนน 51-60 อยในระดบมาตรฐานปาน
กลาง และคาคะแนน 50 หรอนอยกวา อยในระดบมาตรฐาน
ต�า5
4. จดเสนทางการทองเทยวชมชน
4.1 จดกลมแหลงทองเทยวชมชน: จดแบงแหลง
ทองเทยวชมชนออกเปนประเภทตางๆ ไดแก แหลงทองเทยว
ประเภทชายหาด, แหลงทองเทยวเพอนนทนาการ, แหลงทอง
เทยวประเภทน�าตก, แหลงทองเทยวประเภทถ�า, แหลงทอง
เทยวทางประวตศาสตร, แหลงทองเทยวทางวฒนธรรม และ
แหลงทองเทยวเชงนเวศ
4.2 แบงรปแบบของเสนทางการทองเทยวชมชน:
จดแบงรปแบบของเสนทางการทองเทยวชมชนออกเปน 5 เสน
ทางดงน
เสนทางท 1 : เสนทางทองเทยวชายหาด
[Route 1: Beach Tourism Route]
เสนทางท 2 : เสนทางทองเทยวนนทนาการและเชงนเวศ
[Route 2: Recreation and Ecology Tourism Route]
เสนทางท 3 : เสนทางทองเทยวประเภทถ�าและน�าตก
[Route 3: Caves and Waterfalls Tourism Route]
เสนทางท 4 : เสนทางทองเทยวประวตศาสตร
[Route 4: History Tourism Route]
เสนทางท 5 : เสนทางทองเทยววฒนธรรม
[Route 5: Cultural Tourism Route]
3.3 อพโหลดภาพถายสถานททองเทยวในชมชน
ทเวบไซต imgur.com
Figure 5 Upload Photo
จาก Figure 5 แสดงการอพโหลดภาพสถานททอง
เทยวส�าหรบใชงานรวมกบแผนทแหลงทองเทยวชมชนใน
The Application of Geographic Information Systems to Develop an Application
for Finding an Optimal Route for Tourist Attractions in Hua Hin, Prachuap Khiri Khan Province
435Vol 37. No 3, May-June 2018
อ�าเภอหวหน
4. จดท�าแอปพลเคชน
น�าเขาขอมลสถานททองเทยวในรปแบบไฟล
.CSV หรอ ไฟล .TXT ลงในโปรแกรม ArcGIS Online เพอ
ระบต�าแหนงและจดท�าแผนท ขนตอมาลงรายละเอยดก�าหนด
สญลกษณในการแสดงชนขอมลสถานททองเทยวแตละ
ประเภททไดจดกลมแหลงทองเทยวในแผนท ก�าหนดชนขอมล
ในการแสดงขอมลต�าแหนงสถานทและภาพถายสถานททอง
เทยวชมชนแตละแหลง ในอ�าเภอหวหน และใชเปนแผนทฐาน
OpenStreetMap
Figure 6 Import data into ArcGIS Online
จาก Figure 6 แสดงการน�าเขาและออกแบบ
แผนทแหลงทองเทยวชมชนในอ�าเภอหวหนท�าการก�าหนด
สญลกษณในการแสดงผลขอมล
Figure 7 Plan a route
จาก Figure 7 แสดงการออกแบบแผนทโดย
แบงตามรปแบบเสนทางแหลงทองเทยวชมชน ประเภทตางๆ
เพอท�าการค�านวณระยะทางในการเดนทางและจดล�าดบสถาน
ทใหเหมาะสมกบการเดนทางในเสนทางแหลงทองเทยว
ประเภทนน
Figure 8 Design mobile application
จาก Figure 8 แสดงการพฒนาแอปพลเคชน
แหลงทองเทยวชมชนในอ�าเภอหวหน ส�าหรบใชงานบนระบบ
ปฏบตการแอนดรอยด (Andriod)
6. ประเมนผลการใชงานแอปพลเคชน (Evaluate
the Application)
6.1 สรางแบบประเมน: ก�าหนดเกณฑใหผตอบ
แบบสอบถามเพอควบคมการตอบแบบเรตตง สเกล (Rating
Scale) 5 Scales โดยแบบประเมนจะแบงออกเปน 2 ชดคอ
ชดท 1 แบบประเมนส�าหรบผเชยวชาญ และชดท 2 แบบ
ประเมนส�าหรบผใชงานแอพพลเคชน
6.2 วเคราะหคณภาพแบบประเมน: วดความนา
เชอถอของแบบประเมน โดยใชสมประสทธแอลฟา (alpha-
coefficient) ของครอนบาค (Cronbach)
6.3 ผตอบแบบสอบถามจ�านวน 400 คน: ใชวธ
การส�ารวจโดยใชแบบสอบถามจากกลมตวอยาง นกเรยน
นกศกษา คร อาจารย พนกงานบรษท เจาหนาทหนวยงาน
จ�านวน 400 คน
6.4 วเคราะหผลการประเมน: ก�าหนดมาตราสวน
การประมาณคาแบบ Likert 5 ระดบ7 และวเคราะหแบบ
ประเมนดวยโปรแกรม SPSS (Statistics Package for the
Social Sciences)
ผลการวจย การพฒนาแอปพลเคชนดวยการประยกตใชระบบ
สารสนเทศทางภมศาสตรเพอใชคนหาเสนทางทเหมาะสม
ส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน จงหวด
ประจวบครขนธ แสดงผลการวจยไดดงน
1. ผลการออกแบบแอปพลเคชน: แอปพลเคชน
แหลงทองเทยวในหวหน
Aungkana Jattamart et al. J Sci Technol MSU436
Figure 9 Travel application in Hua Hin
จาก Figure 9 แสดงการเขาใชงานแอปพลเคชน
แหลงทองเทยวในหวหนส�าหรบใชงานบนระบบปฏบตการแอน
ดรอยด (Andriod)
Figure 10 Travel route on the beach
จาก Figure 10 แสดงผลหนาเสนทางทองเทยว
ประเภทชายหาด ประกอบไปดวยชายหาด 5 แหง คอ หาด
หวหน หาดเขาตะเกยบ หาดสวนสน หาดเขาเตา และ หาด
ทรายนอย โดยผานการวเคราะหเสนทางเพอจดล�าดบการเดน
ทางไปแหลงทองเทยวตางๆ เมอคลกเลอกสถานท ทตองการ
จะแสดงขอมลล�าดบสถานท เวลา และระยะทาง ทใชในการ
เดนทางจากจดกอนหนามายงสถานททเลอก ใชเวลากนาท
ระยะทางกกโลเมตร
Figure 11 Route description
จาก Figure 11 แสดงผลหนาเสนทางทองเทยว
ประเภทชายหาด แสดงรายละเอยดระยะเวลา และ ระยะทาง
ทใชในการเดนทางไปแหลงทองเทยวประเภทชายหาด ใชระยะ
เวลาทงหมดกนาท มระยะทางทงหมดกกโลเมตร และแสดง
ภาพบรรยากาศแหลงทองเทยวนนๆ
2. ผลการประเมนการวเคราะหขอมลแบบสอบถาม
มรายละเอยดดงน
- สวนของผเชยวชาญ: สรปคาเฉลยดานการใช
งานมคาเฉลยท 4.65 อยในระดบคณภาพดมาก ซงรายการ
ประเมนการจดหมวดหมของเนอหางายตอการใชงานมคา
เฉลยสงสดท 4.80 สรปคาเฉลยดานการออกแบบของ
ผเชยวชาญมคาเฉลยท 4.63 อยในระดบคณภาพดมาก ซง
รายการประเมนสพนหลงและสตวอกษรมความเหมาะสมตอ
การอานมคาเฉลยสงสดท 4.80 สรปผลการประเมนดานดาน
ความปลอดภยของระบบของผเชยวชาญมคาเฉลยท 4.63 อย
ในระดบคณภาพดมาก ซงรายการประเมนการตรวจสอบสทธ
กอนการใชงานของผใชระบบในระดบตางๆ มคาเฉลยสงสดท
4.70 และผลการประเมนดานประโยชนของการพฒนาแอพพล
เคชนนสามารถน�ามาเปนแนวทางในการน�าไปประยกตใชกบ
ระบบอนได 100% (สดสวน 10:0)
- สวนของผใชงาน: สรปคาเฉลยดานการใชงาน
มคาเฉลยท 4.57 อยในระดบคณภาพด ซงรายการประเมน
การเรยกดรายงานสะดวกและงายตอการใชงานมคาเฉลย
สงสดท 4.60 สรปคาเฉลยดานการออกแบบของผใชงานมคา
เฉลยท 4.60 อยในระดบคณภาพด ซงรายการประเมนสพน
หลงและสตวอกษรมความเหมาะสมตอการอานมคาเฉลย
สงสดท 4.71 และผลการประเมนดานประโยชนของการพฒนา
แอพพลเคชนนสามารถน�ามาเปนแนวทางในการน�าไป
ประยกตใชกบระบบอนได 100% (สดสวน 400:0)
The Application of Geographic Information Systems to Develop an Application
for Finding an Optimal Route for Tourist Attractions in Hua Hin, Prachuap Khiri Khan Province
437Vol 37. No 3, May-June 2018
ผลการพฒนาแอปพลเคชนดวยการประยกตใชระบบ
สารสนเทศทางภมศาสตรเพอใชคนหาเสนทางทเหมาะสม
ส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ
สามารถด�าเนนการแลวเสรจตรงตามวตถประสงคและขอบเขต
ของการศกษา
สรปผลการวจยระบบสารสนเทศภมศาสตรสามารถน�ามาประยกตใชเพอการ
ทองเทยว ท�าใหการใชงานดานการทองเทยวเปนไปไดอยางม
ประสทธภาพ ดวยคณสมบตของระบบ GIS ทสามารถรวบรวม
วเคราะห และแสดงผลขอมล ซงเปนขอมลเชงพนทไดด ระบ
ถงต�าแหนงทมอยจรงอยบนพนผวโลก ไดแมนย�าและรวดเรว
ท�าใหระบบการทองเทยวเปนไปไดอยางมประสทธภาพ
สามารถระบต�าแหนงการเดนทาง คนหาสถานทบอกเสนทาง
ไปยงจดหมายทตองการได ชวยวางแผนการตดสนใจในการ
เดนทาง ก�าหนดระยะเวลาเดนทาง รวมไปถงการแบงปนภาพ
การเดนทางผาน ชองทางออนไลนตางๆ และยงสามารถ
พฒนาระบบสารสนเทศทางภมศาสตรมาประยกตใชพฒนา
เปนแอพพลเคชนเพอสงเสรมการทองเทยว
อภปรายผลและขอเสนอแนะ งานวจยเรอง การพฒนาแอปพลเคชนดวยการ
ประยกตใชระบบสารสนเทศทางภมศาสตรเพอใชคนหาเสน
ทางทเหมาะสมส�าหรบแหลงทองเทยวชมชนในอ�าเภอหวหน
จงหวดประจวบครขนธนถกพฒนาขนเพอชวยแกปญหาตางๆ
ดงน
- เพอส�ารวจแหลงทองเทยวชมชนในพนท และ
ประเมนแหลงทองเทยวชมชนตามเกณฑการประเมนของ
กระทรวงการทองเทยวและกฬา ท�าใหทราบถงคณลกษณะ
เชงพนทของแหลงทองเทยวนน เพอน�าขอมลเชงพนไปใชใน
การปรบปรงโครงสรางและวางแผนการบรหารจดการการ
ทองเทยวแบบบรณาการตอไป8 และยงสามารถจดเสนทางการ
ทองเทยวแหลงทองเทยวชมชนในอ�าเภอหวหนโดยการ
วเคราะหเสนทางทเหมาะสมในการเดนทาง ท�าใหผใชงาน
คนหาเสนทางทเหมาะสมส�าหรบเดนทางไปยงแหลงทองเทยว
ชมชนโดยใชระยะทางและระยะเวลาสนทสด และรวดเรว
ซงสอดคลองกบงานวจยเรอง ระบบสารสนเทศภมศาสตร
เพอการจดการการทองเทยวชมชนในจงหวดชลบร9 ทสามารถ
น�าเทคโนโลยสารสนเทศทางภมศาสตรมาชวยในการเพม
ประสทธภาพการคนหาเสนทางทเหมาะสมในการเดนทางไป
แหลงทองเทยวชมชน
- เพอเพมประสทธภาพในการคนหาขอมลและทตง
ของแหลงทองเทยวชมชนดวยการน�าเทคโนโลยสารสนเทศ
เขามาชวย ท�าใหผใชงานสามารถเขาถงแหลงทองเทยวชมชน
ไดอยางสะดวกรวดเรว อกทงยงสามารถแกปญหาในการเสย
เวลากบการเดนทางไปยงแหลงทองเทยวชมชนตางๆ ใน
อ�าเภอหวหน ซงจากงานวจยกอนหนานพบวา มการประยกต
ใชระบบสารสนเทศทางภมศาสตรในการพฒนาเวบไซตเพอ
พฒนาการใหบรการสารสนเทศทองถนดวยการแสดงขอมล
สารสนเทศทองถน พฒนาแผนทสารสนเทศเพอแสดงจดทตง ภาพ
และค�าบรรยายแบบยอของสถานท10 การประยกตใชระบบ
สารสนเทศทางภมศาสตรเพอวเคราะหการเขาถงแหลงผลตภณฑ
โอทอปและการเดนทางไปยงแหลงทองเทยวส�าคญในอ�าเภอ
เมองและอ�าเภอสามโคก จงหวดปทมธาน11 การน�าระบบ
สารสนเทศทางภมศาสตรมาใชในการระบต�าแหนงของสถาน
ท และประเมนความเหมาะสมของชนขอมลในพนทตามเกณฑ
การประเมน เพอใชคนหาพนททเหมาะสมตอการพฒนาและ
สงเสรมใหเปนแหลงทองเทยวเชงอนรกษ12 แตยงพบวาการ
คนหาเสนทางทเหมาะสมส�าหรบเดนทางไปยงแหลงทองเทยว
โดยวเคราะหจากระยะทางและระยะเวลา มขอจ�ากดในการ
แสดงผลแบบออนไลนและการแสดงผลผานอปกรณเคลอนท
- เพอพฒนาแอปพลเคชนดวยการประยกตใชระบบสารสนเทศ
ทางภมศาสตรส�าหรบคนหาเสนทางทเหมาะสมของแหลงทอง
เทยวชมชนในอ�าเภอหวหน จงหวดประจวบครขนธ โดยผใช
งานสามารถเรยกดขอมลหรอรปภาพของแหลงทองเทยว และ
เสนทางการทองเทยวในแตละต�าแหนงพรอมกนผานการแสดง
ผลบนหนาจอของแผนทออนไลนบนอปกรณเคลอนทได อก
ทงยงสามารถน�าไปประยกตใชกบงานดานการทองเทยว
ประเภทอนได
กตตกรรมประกาศ ขอขอบคณมหาวทยาลยเทคโนโลยราชมงคล
รตนโกสนทร ทสนบสนนทนวจยงบประมาณเงนรายไดประจ�า
ป 2560
เอกสารอางอง1. LIU, Yaping; LI, Yinchang; PARKPIAN, Parnpree.
Inbound tourism in Thailand: Market form and scale
differentiation in ASEAN source countries. Tourism
Management, 2018, 64: 22-36.
2. ทรสตเพอการลงทนในอสงหารมทรพย แกรนด โฮสพทา
ลต. ภาพรวมของภาวะอตสาหกรรมของธรกจการจดหา
ผลประโยชนจากอสงหารมทรพยทลงทน. [ออนไลน] เขา
Aungkana Jattamart et al. J Sci Technol MSU438
ถงไดจาก: http://market.sec.or.th/public/ipos/IPOSGet-
File.aspx. 31 กรกฎาคม 2560.
4. กล มวจยและแผนเศรษฐกจการทองเทยวและกฬา.
รายงานภาวะเศรษฐกจทองเทยว. กลมวจยและแผน
เศรษฐกจการทองเทยวและกฬา กองเศรษฐกจการทอง
เทยวและกฬา ส�านกงานปลดกระทรวงการทองเทยวและ
กฬา. 2559; 6: ตลาคม - ธนวาคม.
5. Christian Fox .The Value of Story Mapping for Coast-
al Managers An Introduction to the Story Map Jour-
nal Rhode Island’s Ocean SAMP. UNIVERSITY OF
RHODE ISLAND, 2016, pp:1-9.
6. ชตวร ประดษฐรอด. ปจจยองคประกอบของแหลงทอง
เทยว และปจจยแรงจงใจในการทองเทยวทสงผลตอการ
ตดสนใจเลอกทองเทยวปรมณฑลของคนวยท�างานในเขต
กรงเทพมหานคร. การคนควาอสระปรญญาบรหารธรกจ
มหาบณฑต บณฑตวทยาลย มหาวทยาลยกรงเทพ;
2559.
7. กรมการทองเทยว. มาตรฐานแหลงทองเทยว. [ออนไลน]
เขาถงไดจาก: http://newdot2.samartmultimedia.com/
home/listcontent/11/7/83. 12 มถนายน 2560.
8. Likert, Rensis. The Method of Constructing and
Attitude Scale. Reading in Attitude Theory and
Measurement. Fishbeic, Matin, Ed. New York: Wiley
& Son. 1967; p: 90-95.
9. LEE, Sang-Hyun, et al. Evaluating spatial centrality
for integrated tourism management in rural areas
using GIS and network analysis. Tourism Manage-
ment, 2013, 34: 14-24.
10. ณรงค พลรกษ. ระบบสารสนเทศทางภมศาสตร เพอน
การจดการการทองเทยวชมชนในจงหวดชลบร. วารสาร
วจยและพฒนา มจธ. 2560; 36(2): เมษายน – มถนายน:
235-248.
11. ขนษฐา ทมมากรณ. การประยกตใชระบบสารสนเทศ
ภมศาสตรเพอพฒนาการใหบรการสารสนเทศทองถน.
PULINET Journal. 2560; 3(1): มกราคม – เมษายน:
1-8.
12. พฒพณณน ค�าวชระพทกษ, ทรงพลธนฤทธ มฤครฐอน
แปลง, มนญญา ค�าวชระพทกษ. การจดท�าฐานขอมล
สารสนเทศภมศาสตรเพอการพฒนาเครอขาย OTOP
และ แหลงทองเทยวในเขตรมน�า อ�าเภอเมองและอ�าเภอ
สามโคก จงหวดปทมธาน. วารสารวจยและพฒนาวไลย
อลงกรณ ในพระบรมราชปถมภ สาขามนษยศาสตรและ
สงคมศาสตร. 2559; 11(2): พฤษภาคม – สงหาคม: 1-11.
นพนธตนฉบบ
1 กลมระบบอสระอจรยะ (IAS) หองปฏบตการมลตเอเจนท, ระบบอจฉรยะและการจ�าลองสถานการณ (MISL), คณะวทยาการสารสนเทศ มหาวทยาลย
มหาสารคาม อ.กนทรวชย จ.มหาสารคาม 441501 Intelligent Autonomous Systems (IAS) group, Multi-agent Intelligent Simulation Laboratory (MISL),
Faculty of Informatics, Mahasarakham University, Khamriang, Kantarawichai, Maha Sarakham 44150, Thailand. E-mail: [email protected]
การหาคณลกษณะพเศษเฉพาะพนทส�าหรบการจดหมวดหมรปภาพลามกอนาจาร
Local Descriptors Approach for Pornographic Image Classification
โอฬารก สรนตะ1
Olarik Surinta1
Received: 7 October 2017 ; Accepted: 7 November 2017
บทคดยองานวจยฉบบนไดน�าเสนอวธการหาคณลกษณะพเศษเฉพาะพนทเพอใชส�าหรบการจดหมวดหมรปภาพลามกอนาจาร โดย
คณลกษณะพเศษเฉพาะพนทใชเพอค�านวณหาขอมลทเปนเอกลกษณ ประกอบดวย วธ Scale-Invariant Feature Transform
(SIFT) และ Histogram of Oriented Gradients (HOG) โดยขอมลเอกลกษณทผานการค�านวณจะถกสงไปยงขนตอนวธการ
ค�านวณเพอนบานใกลทสด K ต�าแหนง (KNN) และวธซพพอรทเวกเตอรแมชชน (SVM) เพอใชส�าหรบจดหมวดหมรปภาพลามก
อนาจาร ในงานวจยน ไดใชขอมลชด TI-UNRAM เพอทดสอบประสทธภาพของขนตอนวธทงหมด จากการทดลองพบวา วธ
HOG และวธ SIFT เมอใชงานรวมกบวธ SVM ใหผลการทดลองทดทสด เมอน�าไปเทยบกบวธ KNN และวธการประมวลผลภาพ
ดงนน วธการหาคณลกษณะพเศษเฉพาะพนทเมอน�ามาใชงานรวมกบวธ SVM สามารถเพมประสทธภาพในการจดหมวดหม
รปภาพลามกอนาจาร
ค�าส�าคญ: รปภาพลามกอนาจาร การจดหมวดหมรปภาพ ขนตอนวธการค�านวณเพอนบานใกลทสด k ต�าแหนง ซพพอรทเวก
เตอรแมชชน คณลกษณะพเศษเฉพาะพนท
AbstractIn this paper, we propose a local descriptors approach to classify pornographic images. Two local descriptors
including the scale-invariant feature transform (SIFT) and the histogram of oriented gradients (HOG) are computed
feature vectors from pornographic images. The extracted features are supplied to the K-Nearest Neighbor Algorithm
and Support Vector Machine for pornographic image classification. We have evaluated all different methods on the
TI-UNRAM dataset. The results show that the HOG and the SIFT combined with the SVM significantly outperform the
other methods, including KNN algorithm and image processing technique. Thus, the local descriptors approach can
be combined with the SVM for pornographic image classification in order to obtain the effective classification
performance.
Keywords: Ponographic Image, Image Classification, k-Nearest Neighbors Algorithm, Support Vector Machine, Local
Descriptor
บทน�าการพฒนาทางดานสอดจตอล (Digital Media) ทเปน
ไปอยางรวดเรวท�าใหเกดขอมลประเภทขอความ (Textual
Information) และขอมลทเปนเสยง ภาพ และวดโอ (Non-Textual
Information) จ�านวนมาก ซงขอมลอาจถกเผยแพรผานทาง
อนเทอรเนตโดยอาจไมผานการคดกรอง เปนผลท�าใหเกดการ
เผยแพรขอมลอนเปนเทจ หรอการเผยแพรสอลามกอนาจาร
เปนตน ซงหากเปนขอมลทอยในรปแบบของ Non-Textual
Information อาจยากตอการคดกรอง อาจกอใหเกดปญหาทาง
สงคมตามมา โดยเฉพาะตอเยาวชนไทย1
หลายประเทศใหความส�าคญตอการปองกนการกระ
ท�าทผดกฎหมาย เชน ประเทศไทยไดใหกระทรวงดจทลเพอ
Olarik Surinta J Sci Technol MSU440
เศรษฐกจและสงคมท�าหนาทคดกรองและปองกนเวบไซตท
เผยแพรสอดจตอลทมปญหา เชนเวบไซตลามกอนาจาร เวบไซต
ทขายของผดกฎหมาย และเวบไซตทมเรองของการพนนเขา
มาเกยวของ เปนตน ซงเปนการปองกนเพอไมใหเยาวชน
สามารถเขาถงขอมลทผดกฎหมาย ซงทางกระทรวงฯ ไดจด
ท�าระบบเพอปองกนการเขาถงเวบไซตทมปญหา แตทงนยง
เกดชองโหวใหแฮกเกอรสามารถเจาะเขาระบบ หรอแกไข
ท�าใหสามารถเขาถงเวบไซตทมปญหาเหลานน นกวจยได
คนควาวธการปองกนการเขาถงเวบไซตทผดกฎหมาย
ประกอบดวยการตรวจสอบเนอหาลามกอนาจารทอย ใน
รปแบบของขอความ2,3 และการตรวจสอบเนอหาลามกอนาจาร
ทอยในรปแบบของรปภาพหรอวดโอ4,5
การตรวจสอบเนอหาทปรากฏอยในเวบไซตเปนการ
ตรวจสอบขอมลประเภทขอความเปนหลก เชน วธการคด
กรองเวบไซตอนาจารทน�าเสนอในงานวจย6 ไดน�าเนอหาทเปน
ขอความ (Content-Based) ทปรากฎอยในเวบไซตมาใชเปน
ขอมลเพอชวยในการจดหมวดหม (Classification) ของ
เวบไซต โดยใชวธการเรยนร ของเครองจกร (Machine
Learning) ประกอบดวย วธ Support Vector Machine (SVM)
และวธ Naive Bayes เขามาชวยในการจดหมวดหมของ
เวบไซต โดยเวบไซตทน�ามาใชในการทดสอบประกอบดวย
เวบไซตทแสดงเนอหาภาษาไทย และเวบไซตตางประเทศท
แสดงเนอหาภาษาองกฤษ จากการทดลองพบวา ขอมลทม
เนอหาภาษาไทยมอตราการรจ�ามากกวา %95 และขอมลท
เปนภาษาองกฤษมอตราการรจ�ามากกวา %98
การตรวจสอบเนอหาของเวบไซตโดยการใหคาระดบ
คะแนน (Rating)7 และวเคราะหโครงสรางของเวบไซตโดยให
ความส�าคญกบแทก (Tag) ของโปรแกรมภาษา HTML เชน
Tag ในสวนของ Title, Body และ Link โดยน�าขอมลทอยใน
HTML Tags มาวเคราะหโดยใชโครงขายทมความหมาย
(Semantic Network) มาเพอชวยในการวเคราะห ดงนน ค�าท
มความหมายทไปในทศทางเดยวกน เชน ค�าศพท «ศกษา»
จะถกน�ามา สรางเปน Semantic Network ซงโครงขาย
สามารถเชอมโยงค�าศพททอยภายใตโครงขายเดยวกนเขาดวย
กน เชน เรยน ตว คนควา ส�ารวจ และเลาเรยน เปนตน เมอ
น�าขอมล HTML Tags ไปวเคราะห ระบบจะก�าหนด Rating
ใหกบเวบไซต ผลการวจยไดก�าหนด Rating ของเวบไซตออก
เปน 3 ประเภท ประกอบดวย เวบไซตอนาจาร เวบไซตทไม
อนาจาร และเวบไซตทมค�าอนาจารแตไมใชเวบอนาจาร โดย
มผลการวดประสทธภาพโดยรวม (F-Measure) รอยละ 97
บางเวบไซตอาจเปนเวบไซตทไมไดเนนเนอหาทเปน
ขอความ แตอาจเนนทน�าเสนอแตเพยงรปภาพ เทานน ดงนน
ในงานวจยฉบบน จงมงเนนทจะใชวธการประมวลผล (Image
Processing) ภาพรวมกบวธการเรยนรของเครองจกร เพอชวย
ในการตรวจสอบรปภาพทเปนรปภาพลามกอนาจาร
การตรวจหารปภาพลามกอนาจารดวย วธการประมวลผลภาพ
การตรวจหาภาพลามกอนาจารดวยวธการ Image
Processing สามารถท�าไดโดยการหาพนททใหความสนใจ
(Region of Interest: ROI) ทเปนสผวของมนษย (Skin Region)8
โดยใชคาสทแตกตางกนออกไปเชน RGB, YcbCr และ HSV9
เปนตน เมอค�านวณหาพนท ROI ทตองการ จากนนน�าพนท
ROI ไปค�านวณเพอหาอตราสวนระหวางพนททงหมดของ
พนท ROI และพนทเฉพาะในสวนทเปนพนผวทอยภายใน
พนท ROI ทน�ามาพจารณา หากอตราสวนทค�านวณได
มากกวาคาทตองการ (ROI Acceptable Rate) ภาพนนจะถก
ก�าหนดใหเปนภาพลามกอนาจาร (Pornographic Image)
งานวจยของMarcial-Basilio et al.10 น�าเสนอวธ
การตรวจจบ (Detect) ภาพลามกอนาจาร โดยการแปลงคาส
จาก RGB ใหเปนคาส YCbCr หรอ HSV เพอคนหา Skin
Region เมอคนพบจงน�าพนทนนไปค�านวณหาปรมาณของ
พกเซลทปรากฏ โดยค�านวณจากจ�านวนของพกเซลทเปน
สผวและจ�านวนพกเซลทงหมดของรปภาพ หากผลลพธทได
มากกวาคาทก�าหนดไว ภาพนนจะถกก�าหนดใหเปนภาพ
ลามกอนาจาร จากการทดสอบพบวาคาส YCbCr ใหผลลพธ
ดกวาคาส HSV เพยงเลกนอย โดยคาส YCbCr และ HSV
มอตราการรจ�าอยท %68.87 และ %68.25 ตามล�าดบ
Rattanee & Chiracharit11 น�าเสนอวธการตรวจ
หาภาพเปลอยโดยไมใชวธการรจ�า (Recognition) ซงเรมจาก
การคนหาใบหนาของมนษย (Face Detection) โดยใชวธการ
ของ Viola & Jones 12 จากนนจงหาพนท ROI ซงเปนพนทท
เปนสวนของรางกาย (Body) ขนตอนนเรยกวา การคนหาพนท
ทเปนสผวของมนษย (Skin Detection) โดยสงเกตจาก
สผวของมนษย (Human Skin) เปนหลก ดงนน ภาพทใชจง
ถกเปลยนคาสจาก RGB ใหเปนคาส HSV ทประกอบไปดวย
คาความเขม/จางของส (Hue) คาความอมตวของส (Saturation)
และคาความสวาง (Brightness)
เมอเปลยนคาสใหอยในคาสแบบ HSV ท�าใหสามารถ
ก�าหนดคาสทเหมาะกบสผวของมนษย จากนนน�าพนท ROI
ไปผานกระบวนการ Morphological ดวยวธการ Dilation และ
Erosion เพอระบขอบเขตของพนท ROI ใหชดเจน จากนนจง
น�าพนท ROI ไปสรางเปนฮสโตแกรม (Histogram) เพอตรวจ
สอบความหนาแนนของคาสด�า (สด�าถกก�าหนดใหเปนบรเวณ
Local Descriptors Approach for Pornographic Image Classification 441Vol 37. No 3, May-June 2018
ทไมเปนสผวของมนษย) หากพนท ROI ทน�ามาพจารณานน
มคาความหนาแนนของคาสด�ามาก แสดงวาภาพนนไมไดเปน
ภาพลามก รปภาพทใชในการทดลองอยในรปแบบของ JPG
และ PNG โดยรปภาพจะถกปรบเปลยนใหมขนาด200x200
พกเซล ขอมลทใชในการทดลองประกอบดวย 40 รปภาพ ซง
เปนรปภาพลามกอนาจาร 30 รปภาพ และรปลามกอนาจาร
10 รปภาพ จากการทดลอง ปรากฏวามอตราความถกตอง
96.22% ทงน ในการทดสอบจะตองปรากฏใบหนาอยใน
รปภาพเทานน 3
Rate ) ภาพนนจะถกก าหนดใหเปนภาพลามกอนาจาร (Pornographic Image)
งานวจยของ Marcial- Basilio et al . ( 10 ) น าเสนอวธการตรวจจบ (Detect) ภาพลามกอนาจาร โดยการแปลงคาสจาก RGB ใหเปนคาส YCbCr หรอ HSV เพอคนหา Skin Region เมอคนพบจงน าพนทนนไปค านวณหาปรมาณของพกเซลทปรากฏ โดยค านวณจากจ านวนของพกเซลทเปนสผวและ จ านวนพกเซลทงหมดของรปภาพ หากผลลพธทไดมากกวาคาทก าหนดไว ภาพนนจะถกก าหนดใหเปนภาพลามกอนาจาร จากการทดสอบพบวาคาส YCbCr ใหผลลพธดกวาคาส HSV เพยงเลกนอย โดยคาส YCbCr และ HSV มอตราการรจ าอยท 68.87% และ 68.25% ตามล าดบ
Rattanee & Chiracharit (11) น าเสนอวธการตรวจหาภาพเปลอยโดยไมใชวธการรจ า (Recognition ) ซงเรมจากการคนหาใบหนาของมนษย (Face Detection) โดยใชวธการของ Viola & Jones (12) จากนนจงหาพนท ROI ซงเปนพนททเปนสวนของรางกาย (Body) ขนตอนนเรยกว า การคนหาพนททเปนสผวของมนษย (Skin Detection) โดยสงเกตจากสผวของมนษย (Human Skin) เปนหลก ดงนน ภาพทใชจงถกเปลยนคาสจาก RGB ใหเปนคาส HSV ทประกอบไปดวยคาความเขม /จางของส (Hue) คาความอมตวของส (Saturation ) และคาความสวาง (Brightness)
เมอเปลยนคาสใหอยในคาสแบบ HSV ท าใหสามารถก าหนดคาสทเหมาะกบสผวของมนษย จากนนน าพนท ROI ไปผานกระบวนการ Morphological ดวยวธการ Dilation และ Erosion เพอระบขอบเขตของพนท ROI ใหชดเจน จากนนจงน าพนท ROI ไปสรางเปนฮสโตแกรม (Histogram) เพอตรวจสอบความหนาแนนของคาสด า (สด าถกก าหนดใหเปนบรเวณทไมเปนสผวของมนษย ) หากพนท ROI ทน ามาพจารณานนมคาความหนาแนนของคาสด ามาก แสดงวาภาพนนไมไดเปนภาพลามก รปภาพทใชในการทดลองอยในรปแบบของ JPG และ PN G โดยรปภาพจะถกปรบเปลยนใหมขนาด200x200 พกเซล ขอมลทใชในการทดลองประกอบดวย 40 รปภาพ ซงเปนรปภาพลามกอนาจาร 30 รปภาพ และรปลามกอนาจาร 10 รปภาพ จากการทดลอง ปรากฏวาม
อตราความถกตอง 96.22% ทงน ในการทดสอบจะตองปรากฏใบหนาอยในรปภาพเทานน
ขนตอนโดยสงเขปของการการตรวจหาภาพลามกอนาจารดวยวธ Image Processing แสดงดง Figure 1
การจดหมวดหมรปภาพลามกอนาจารดวยวธการประมวลผลภาพและการเรยนรของเครองจกร
การจดหมวดหมภาพลามกอนาจารดวยวธการประมวลผลภาพรวมกบการเรยนรของเครองจกร สามารถท าไดหลายวธ เชน กรณภาพทน ามาวเคราะหไมไดมเพยงภาพบคคลเพยงอยางเดยว อาจประกอบไปดวยทวทศน หรอองคประกอบอน ๆ ดงนน วธนจงตองหาพนท ROI ทใช เปนตวแทนของมนษยโดยพจารณาจากสผวเปนหลก และหากเปนกรณทภาพนนเปนภาพบคคลเพยงอยางเดยว วธนจงไมจ าเปนตองหาพนท ROI แตสามารถน าภาพทงภาพเปนตวแทนของพนท ROI
เมอไดพนท ROI จากนนจงค านวณหาคณลกษณะพเศษ (Feature Extraction ) ดวยวธการท
Figure 1 The illustration of the phonographic image classification in image processing scheme
Figure 11 The illustration of the phonographic image classification in image processing scheme.
Image Processing - Convert image - Morphological - etc.
Yes
Images
Skin Region Detection
(ROI)
Output (Porn)
ROI Acceptable Rate No Output (Non-Porn)
Figure 1 The illustration of the phonographic image
classification in image processing scheme
ขนตอนโดยสงเขปของการการตรวจหาภาพลามก
อนาจารดวยวธ Image Processing แสดงดง Figure 1
การจดหมวดหมรปภาพลามกอนาจารดวยวธการประมวลผล
ภาพและการเรยนรของเครองจกร
การจดหมวดหมภาพลามกอนาจารดวยวธการ
ประมวลผลภาพรวมกบการเรยนรของเครองจกร
สามารถท�าไดหลายวธ เชน กรณภาพทน�ามา
วเคราะหไมไดมเพยงภาพบคคลเพยงอยางเดยว อาจประกอบ
ไปดวยทวทศน หรอองคประกอบอน ๆ ดงนน วธนจงตองหา
พนท ROI ทใชเปนตวแทนของมนษยโดยพจารณาจากสผว
เปนหลก และหากเปนกรณทภาพนนเปนภาพบคคลเพยง
อยางเดยว วธนจงไมจ�าเปนตองหาพนท ROI แตสามารถน�า
ภาพทงภาพเปนตวแทนของพนท ROI
เมอไดพนท ROIจากนนจงค�านวณหาคณลกษณะ
พเศษ (Feature Extraction) ดวยวธการทแตกตางกนออกไป
เชน วธ PCA13, Bag of Visual Words (BOW)14, Gray Level
Co-Matrix (GLCM)8 และLocal Descriptor (เชน Scale-
Invariant Feature Transform: SIFT และ Speeded UP
Robust Features: SURF)15 เปนตน เพอค�านวณหาขอมลท
เปนเอกลกษณ (Feature Vector) โดยขอมลนนจะถกน�าไป
ประมวลผลดวยวธ Machine Learning เชน KNN15, Multi-
layer Perceptron (MLP) และ SVM17,18 เปนตน ทงนเพอสราง
แบบจ�าลอง (Model) ส�าหรบใชในการพยากรณ (Predict) หรอ
จดหมวดหมรปภาพทเปนภาพลามกอนาจาร ภาพรวมของวธ
การประมวลผลภาพรวมกบการเรยนรของเครองจกร แสดงดง
Figure 2
งานวจยของ Karavarsamis et al.19 ไดน�าเสนอการ
รจ�ารปภาพลามกอนาจาร ซงเรมตนดวยการหาพนทผวมนษย
ซงเรยกวาพนท ROI จากนนจงน�าพนท ROI ไปจดหมวดหม
ดวยวธ Random Forest Classification ผลลพธจากการจด
หมวดหมถกแบงออกเปนสองกลม ประกอบดวย กลมลามก
(Porn) และกลมไมลามก (Benign) งานวจยนแบงการทดลอง
ออกเปน 3 การทดลอง คอ 1) กลม Porn และ กลม Benign
2) กลม Porn-Scene และกลม Bikini และ 3) กลม Skin และ
กลม Non-Skin โดยใช Correct Classification Rate (CCR)
ในการวดความถกตอง ซงมผลลพธทสงกวา %87 เมอเทยบ
กบวธ POESIA ซงเปน Open-Source Project ใหผลลพธ
%82.4
4
แตกตางกนออกไป เชน วธ PCA (13), Bag of Visual Words (BOW) (14), Gray Level Co- Matrix (GLCM) (8) และLocal Descriptor (เชน Scale-Invariant Feature Transform: SIFT และ Speeded UP Robust Features : SURF ) ( 15 ) เปนตน เพอค านวณหาขอมลทเปนเอกลกษณ (Feature Vector ) โดยขอมลนนจะถกน าไปประมวลผลดวยวธ Machine Learning เชน KNN (16), Multi- layer Perceptron (MLP) และ SVM (17,18) เปนตน ทงนเพอสรางแบบจ าลอง (Model ) ส าหรบใชในการพยากรณ (Predict ) หรอจดหมวดหมรปภาพทเปนภาพลามกอนา จาร ภาพรวมของวธ การประมวลผลภาพรวมกบการเรยนรของเครองจกร แสดงดง Figure 2
งานวจยของ Karavarsamis et al . ( 19 ) ไดน าเสนอการรจ ารปภาพลามกอนาจาร ซงเรมตนดวยการหาพนทผวมนษยซงเรยกวาพนท ROI จากนนจงน าพนท ROI ไปจดหมวดหมดว ยวธ Random Forest Classification ผลลพธจากการจดหมวดหมถกแบงออกเปนสองกลม ประกอบดวย กลมลามก (Porn ) และกลมไมลามก (Benign ) งานวจยนแบงการทดลองออกเปน 3 การทดลอง คอ 1) กลม Porn และ กลม Benign 2) กลม Porn- Scene และกลม Bikini และ 3) กลม Skin และกลม Non- Skin โดยใช Correct Classification Rate (CCR) ในการวดความถกตอง ซงมผลลพธทสงกวา 87% เมอเทยบกบวธ POESIA ซงเปน Open-Source Project ใหผลลพธ 82.4%
Wijaya et al . (13) น าเสนอวธการหาความนาจะเปนของสผวมนษย (Skin Probability ) โดยใชวธการ Histogram Equalization บนคาสแบบ YCbCr เพอใชส าหรบตรวจหาพนท ROI ทเปนสผวมนษย จากนนน าพนท ROI ทเปนสผวมนษยไปผานกระบวนการ Principal Component Analysis (PCA) เพอสรางคณลกษณะพเศษส าหรบน าไปใชในการรจ า โดยใชวธ KNN ในการจดหมวดหมของรปภาพลามกอนาจาร มความถกตอง 90.13%
งานวจยฉบบน น าเสนอวธการจดหมวดหมรปภาพลามกอนาจารโดยใชวธการหาคณลกษณะพเศษเฉพาะพนท (Local Descriptor) เนองจากอลกอรทมของวธ Local Descriptor นนถกออกแบบมาเพอใหค านวณหาทศทาง (Orientation ) ของ Gradeint ทเกดขนภายในรปภาพ โดยใชว ธการเชน Gaussian Filter หรอ Convolution Kernel ในการค านวณหาขอบภาพ จากนนภาพจะถกแบงออกเปนสวน (Block ) ตามตองการเพอน าไปหาคา Orientation ตอไป จากนนน าคณลกษณะพเศษและปายก ากบ (Label) ทงหมดจากขอมลชดเรยนร ไปค านวณดวยวธ Support Vector Machine (SVM ) (20) และวธ K-Nearest neighbor (KNN) (21) เพอสราง Model ส าหรบน าไปใชในการจดหมวดหมของรปภาพ
นอกจากนวธ Local Descriptor ประกอบดวยวธ Scale-Invariant Features Transform (SIFT) (22) และวธ Histogram of Oriented Gradients (HOG) (23) ซงเปนวธทมประสทธภาพ ถกใชเพอสรางคณลกษณะพเศษของรปภาพและน ามาเปรยบเทยบประสทธภาพดวยวธ SVM โดยใชเคอรเนล (Kernel ) แบบ Radial Basis Function (RBF ) และวธ KNN โดยใชการวดระยะหางแบบยคลด (Euclidean Distance ) (24) ซงใชชดขอมล TI-UNRAM (13) ในการทดสอบประสทธภาพ
Figure 22 The combination of image processing and machine learning technique in the phonographic image classification.
Model
Training Set
Pre Processing
Feature Extraction
Classifier
Test Set
Pre Processing
Feature Extraction
Classifier
Output Porn/Non-Porn
Predict / Classify
Figure 2 The combination of image processing and
machine leaming technique in the phono-
graphic image classification
Olarik Surinta J Sci Technol MSU442
Wijaya et al.13 น�าเสนอวธการหาความนาจะเปน
ของสผวมนษย (Skin Probability) โดยใชวธการ Histogram
Equalization บนคาสแบบ YCbCr เพอใชส�าหรบตรวจหาพนท
ROI ทเปนสผวมนษย จากนนน�าพนท ROI ทเปนสผวมนษย
ไปผานกระบวนการ Principal Component Analysis (PCA)
เพอสรางคณลกษณะพเศษส�าหรบน�าไปใชในการรจ�า โดยใช
วธ KNN ในการจดหมวดหมของรปภาพลามกอนาจาร มความ
ถกตอง %90.13
งานวจยฉบบน น�าเสนอวธการจดหมวดหมรปภาพ
ลามกอนาจารโดยใชวธการหาคณลกษณะพเศษเฉพาะพนท
(Local Descriptor) เนองจากอลกอรทมของวธ Local Descriptor
นนถกออกแบบมาเพอใหค�านวณหาทศทาง (Orientation) ของ
Gradeint ทเกดขนภายในรปภาพ โดยใชวธการเชน Gaussian
Filter หรอ Convolution Kernel ในการค�านวณหาขอบภาพ
จากนนภาพจะถกแบงออกเปนสวน (Block) ตามตองการเพอ
น�าไปหาคา Orientation ตอไป จากนนน�าคณลกษณะพเศษ
และปายก�ากบ (Label) ทงหมดจากขอมลชดเรยนร ไปค�านวณ
ดวยวธ Support Vector Machine (SVM)20 และวธ
K-Nearest neighbor (KNN)21 เพอสราง Model ส�าหรบน�าไป
ใชในการจดหมวดหมของรปภาพ
นอกจากนวธ Local Descriptor ประกอบดวยวธ
Scale-Invariant Features Transform (SIFT)22 และวธ His-
togram of Oriented Gradients (HOG)23 ซงเปนวธทม
ประสทธภาพ ถกใชเพอสรางคณลกษณะพเศษของรปภาพ
และน�ามาเปรยบเทยบประสทธภาพดวยวธ SVM โดยใช
เคอรเนล (Kernel) แบบ Radial Basis Function (RBF) และ
วธ KNN โดยใชการวดระยะหางแบบยคลด (Euclidean
Distance)24 ซงใชชดขอมล TI-UNRAM13 ในการทดสอบ
ประสทธภาพ
วธการหาคณลกษณะพเศษเฉพาะพนท คณลกษณะพเศษเฉพาะพนททใชในงานวจยฉบบน
ประกอบดวย
Scale-Invariant Features Transform
วธ Scale-Invariant Features Transform (SIFT)
ถกน�าเสนอโดย Lowe22 ซงวธการของ SIFT นนจะค�านวณหา
จดส�าคญ (Keypoint) จากรปภาพทงภาพ จากนนจงน�าจด
Keypoint แตละจดมาค�านวณหาคณลกษณะพเศษ โดย
คณลกษณะพเศษทไดจากวธ SIFT จะมทงสน 128 จ�านวน
ซงค�านวณไดจากการน�าพนทบรเวณรอบ ๆ จด Keypoint มา
แบงออกเปน 4x4 พนท (Block) เทา ๆ กน และจงน�าแตละ
Block ไปค�านวณหาคา Gradient Magnitude และคา Gradient
Orientation จากนนคา Gradient Orientation จะถกจดเกบลง
ใน Orientation Bin ทก�าหนดใหมขนาดเทากบ 8 ชอง (Bin)
คณลกษณะพเศษทค�านวณไดจาก Keypoint จ�านวน 1 จด จะ
ม (4x4x8) 128 จ�านวน ดงนน หากรปภาพหนงรปมจ�านวน
Keypoint ทงสน 4 จด คณลกษณะพเศษทไดจากการค�านวณ
จะมทงสน 512 จ�านวน
ทงน เนองจากในการค�านวณหาจด Keypoint ใน
แตละรปภาพนนอาจปรากฏจ�านวนของ Keypoint ไมเทากน
งานวจยฉบบนจงไดแบงรปภาพออกเปนพนทยอย (Sub-re-
gion) ซงเรยกวา Block ทมขนาด และน�าแตละ Block
ไปค�านวณเพอหาคาคณลกษณะพเศษ ในการค�านวณรปภาพ
จะถกน�ามา Convolution โดยใช Gaussian Kernel ในการ
ค�านวณ ดงสมการตอไปน
(1)
โดย คอ คาความสวาง (Intensity) ของ
แตละพกเซล ณ ต�าแหนง
ของรปภาพ
คอ Gaussian kernel โดย
ก�าหนดให เปนขนาดความ
กวางของ Gaussian Kernel
ค�านวณคา และ ดงสมการตอไปน
(2)
(3)
ค�านวณคา Gradient Magnitude
(4)
ค�านวณคา Gradient Orientation
(5)
จากนนจงสราง Histogram โดยค�านวณจากความถ
ของคา Gradient Orientation
Histogram of Oriented Gradients
Dalal & Triggs23 ได น�าเสนอว ธการการหา
คณลกษณะพเศษทชอ Histogram of Oriented Gradients
(HOG) เพอน�าไปใชในการตรวจจบภาพบคคล (Human Detection)
โดย HOG เปนวธการในการค�านวณหาคณลกษณะพเศษจาก
Local Descriptors Approach for Pornographic Image Classification 443Vol 37. No 3, May-June 2018
รปภาพ จากนนคณลกษณะพเศษจะถกสงไปค�านวณดวยวธ
SVM แบบLiner Kernel ในการสราง Model และถกน�าไปใช
ส�าหรบการจดหมวดหมของบคคล (Person / Non-person
Classification) การค�านวณดวยวธ HOG นน รปภาพจะถก
แบงออกเปน Block ขนาด จากนนค�านวณเพอหาคา
Gradient ในแนวนอน และแนวตง โดยค�านวณในทก
ต�าแหนง ของรปภาพ การแปลงภาพใหเปนรปภาพแบบ
Gradient (Image Gradient) สามารถใชวธ เชน Sobel และ
Prewitt ในการค�านวณ ดงสมการท 6-7
(6)
(7)
โดย คอคาความสวาง (Intensity) ณ
ต�าแหนง
จากนนค�านวณเพอหาคา Gradient Magnitude และ
Orientation (ดงสมการท 4 และ 5) จากนนจงสราง Histogram
โดยค�านวณจากความถของคา Gradient Orientation ทปรากฏ
ในแตละ Block โดยคา Gradient Orientation จะถกจดเกบลง
ไปใน Orientation bin ตามขนาดทไดก�าหนดไว
คณลกษณะพเศษทไดจะถกน�าไป Normalized โดย
ใชวธการ L2 Block Normalization25 ดงสมการท 8
(8)
โดย คอ Histogram ทไดจาก Block ทงหมด
คอ คาทใกลจ�านวน 0
คอ คาคณลกษณะพเศษของ HOG ทผานการ
Normalized
วธการทใชในการจดหมวดหมของรปภาพลามก
อนาจาร
การจดหมวดหมของรปภาพทใชในงานวจยฉบบน
มทงสน 2 วธ ประกอบดวย
K-Nearest Neighbors Algorithm
วธ K-Nearest neibhbors (KNN) หรอวธส�าหรบการ
คนหาสมาชกทใกลทสด13,21 เปนเทคนคหนงของ Machine
Learning ทไมตองสราง Model เพอน�ามาใชส�าหรบจดหมวด
หมขอมล แตขอมลทงหมดจะถกน�ามาค�านวณหาคาระยะทาง
(Distance Value) เพอเปรยบเทยบระยะทางระหวางขอมลท
ตองการน�ามาจดหมวดหม และขอมลทงหมด ดงนน
ขอมลทม Distance Value ทนอยทสดจ�านวน ขอมล จงถก
น�ามาพจารณา และในขอมลทงสนจ�านวน ขอมลนน หากม
สมาชกของกลม ใดมากทสด ขอมลทตองการน�ามาจด
หมวดหม จะถกก�าหนดใหอยในกลมนน
หากก�าหนดให ดงนน Distance Value ทนอย
ทสดทงสน 3 คาจะถกน�ามาพจารณา หากขอมลทม Distance
Value ทงสน 3 จ�านวนอยในกลม ดงตอไปน
ดงนน ขอมลทตองการน�ามาจดหมวดหมจะถกก�าหนดใหเปน
เนองจากมจ�านวนทปรากฏมากทสด
การค�านวณ Distance Value ดวยการหาระยะหาง
แบบยคลด (Euclidean Distance) สามารถค�านวณไดดง
สมการท 9
(9)
โดยท คอ จ�านวนของคณลกษณะพเศษ
(Dimensions) ของขอมล
คอ ขอมลทอยใน Training Set และ y
คอ ขอมลทตองการน�ามาจดหมวดหม
จากนนน�า Distance Value ทไดทงหมดไป
เพอ Majority Vote ดงนนกลม ของขอมลทปรากฏบอย
ทสดจะถกก�าหนดใหเปนผลลพธของ KNN ดงสมการท 10
(10)
โดยท คอ ขอมลทตองการน�ามาจดหมวดหม
คอ ขอมลทอยใน Training set ล�าดบ
ท
คอ ฟงกชนทใชหาคาความ
ใกลเคยง (Similarity Function)
ระหวาง และ
Support Vector Machine
Vapnik20 ไดคดคนวธ Support Vector Machine
(SVM) ในป ค.ศ. 1998 ซงเปนวธการจดหมวดหม ทม
ประสทธภาพและมความถกตองแมนย�า นกวจยจงน�าไปชวย
แกไขปญหาทางดาน Classification ไดแก Dalal & Triggs23
ไดน�า linear SVM ไปใชเพอตรวจหาบคคล (Human Detec-
tion) จากวดโอ และงานวจยของ Kermorvant & Louradour
ไดน�าไปใชเพอจดหมวดหมของขอความในจดหมาย (Text
Classification)26 เปนตน
อลกอรทมของ SVM ท�าหนาทในการหาเสนแบง
(Hyperplane) ทเหมาะสมทสด (Optimal) ทมระยะหาง (Margin)
ระหวางขอมล (Training Points) กบ Hyperplane มากทสด
Olarik Surinta J Sci Technol MSU444
โดยท Training Points ทเขาใกลเสน Hyperplane จะถกเรยก
วา Support Vectors แรกเรม SVM ถกออกแบบมาเพอใชจด
หมวดหมขอมลเฉพาะทเปน 2 กลม (two-class Classification)
โดยใชสมการเสนตรง (Linear Model) ในการแบงกลมขอมล
โดยฟงกชนทใชส�าหรบตดสนใจในการแบงขอมลคณลกษณะ
พเศษ (Feature Vector) คอ
(11)
โดย คอ คาเฉลยน�าหนก (Weight Vector)
คอ คาไบแอส (Bias)
ในการค�านวณคาพารามเตอร และ นน SVM
จะค�านวณเพอหาคา Cost Function ทมคานอยทสด ดงสมการ
ตอไปน
(12)
ซงอยภายใตขอจ�ากด
ในกรณ
และ
ในกรณ
โดย คอ คาคงททใชส�าหรบก�าหนดคาความผด
พลาดในการแบงกลมขอมล
คอ Slack Variable ทใชวดคาความผดพลาดท
คลาดเคลอนไปจากต�าแหนงทเหมาะสม27
ในการก�าหนดระยะหางระหวางเสน Hyperplane
สามารถก�าหนดไดโดย ซงจะท�าหนาทแบงกลม
ขอมลทมระยะหางระหวางเสน Hyperplane มากทสด โดย
ก�าหนดกลม Positve ไดจาก และกลม
Negative จาก และใชสมการเสนตรง
(Linear Kernel Function) เพอค�านวณแบงกลมของขอมล
นอกจากนนยงสามารถใช Kernel ตวอน ในการ
ค�านวณเพอหาเสนแบงกลมขอมลทมลกษณะเปน Non-linear
ไดแก Radial Basis Function (rbf) โดยค�านวณจากสมการท
13
(13)
โดย คอ พารามเตอรของ RBF kernel
ดงนน หาก มคามากอาจสงผลใหมจ�านวนของ
Support Vectors จ�านวนมากขนตามไปดวย และสงผลให
ขอมลเกดการ Overfitting ซงหมายความวาอลกอรทมจะ
สรางModel ทพยายามแยกขอมลชดทดสอบใหมความถกตอง
มากทสด แตเมอน�าไปใชงานจรงกลบไดคาความถกตองต�า
ท�าใหการจดกลมท�าไดไมถกตอง
ชดขอมลรปภาพลามกอนาจาร
ในการทดลองไดใชชดขอมล TI-UNRAM13 ซง
ประกอบดวย 2 กลมขอมล คอกลมรปภาพทวไปทไมลามก
อนาจาร (Negative) และกลมรปภาพลามกอนาจาร (Positive)
โดยขอมลกลม Negative ประกอบดวยรปภาพจ�านวน 715
รปภาพ และกลม Positive มจ�านวน 685 รปภาพ รวมทงสน
1,400 รปภาพ ซงขนาดของรปภาพทจดเกบอยในชดขอมล
นนมขนาด (Resolution) ทแตกตางกน แสดงดง Figure 3
จากการตรวจสอบรปภาพจากชดขอมล TI-UNRAM
พบวางานวจย13 อาจมมมมองในการจดหมวดหมของภาพ
ลามกอนาจารทมความแตกตางกน จงท�าใหรปภาพบางรปท
ไมเปนรปลามกอนาจารถกจดใหอยในหมวด Negative แสดง
ดง Figure 4 และในหมวด Positive ยงมรปภาพทไมไดเปน
รปภาพบคคล (Figure 5) อกดวย ทงน งานวจยฉบบนไมได
ปรบเปลยนหมวดหมของรปภาพในชดขอมล TI-UNRAM แต
อยางใด
(a)
7
ในการค านวณคาพารามเตอร��𝑤และ 𝑏𝑏นน SVM จะค านวณเพอหาคา Cost Function ทมคานอยทสด ดงสมการตอไปน 𝐽𝐽 𝑤𝑤 𝜉𝜉 𝑤𝑤𝑇𝑇𝑤𝑤 𝐶𝐶 𝜉𝜉𝑖𝑖𝑛𝑛
𝑖𝑖 (12) ซงอยภายใตขอจ ากด 𝑤𝑤𝑇𝑇𝑥𝑥𝑖𝑖 𝑏𝑏 ≥ − 𝜉𝜉𝑖𝑖ในกรณ 𝑦𝑦𝑖𝑖 และ 𝑤𝑤𝑇𝑇𝑥𝑥𝑖𝑖 𝑏𝑏 ≤ 𝜉𝜉𝑖𝑖ในกรณ 𝑦𝑦𝑖𝑖 − โดย𝐶𝐶คอคาคงททใชส าหรบก าหนดคาความผดพลาด ในการแบงกลมขอมล 𝜉𝜉คอ Slack Variable ทใชวดคาความผด พลาดทคลาดเคลอนไปจากต าแหนงทเหมาะสม (27) ในการก าหนดระยะหางระหวางเสน Hyperplane สามารถก าหนดไดโดย 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 ซงจะท าหนาทแบงกลมขอมลทมระยะหางระหวางเสน Hyperplane มากทสด โดยก าหนดกลม Positve ไดจาก 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 และกลม Negative จาก 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 −และใชสมการเสนตรง (Linear Kernel Function) เพอค านวณแบงกลมของขอมล นอกจากนนยงสามารถใช Kernel ตวอน ในการค านวณเพอหาเสนแบงกลมขอมลทมลกษณะเปน Non-linear ไดแก Radial Basis Function (rbf) โดยค านวณจากสมการท (13) 𝐾𝐾 𝑥𝑥𝑖𝑖 𝑥𝑥𝑗𝑗 𝑒𝑒𝑥𝑥𝑝𝑝 −𝛾𝛾 𝑥𝑥𝑖𝑖 − 𝑥𝑥𝑗𝑗 (13) โดย 𝛾𝛾 คอพารามเตอรของ RBF kernel
ดงนน หาก 𝛾𝛾 มคามากอาจสงผลใหมจ านวนของ Support Vectors จ านวนมากขนตามไปดวย และสงผลใหขอมลเกดการ Overfitting ซงหมายความวาอลกอรทมจะสรางModel ทพยายามแยกขอมลชดทดสอบใหมความถกตองมากทสด แตเมอน าไปใชงานจรงกลบไดคาความถกตองต า ท าใหการจดกลมท าไดไมถกตอง
ชดขอมลรปภาพลามกอนาจาร
ในการทดลองไดใชชดขอมล TI-UNRAM (13) ซงประกอบดวย 2 กลมขอมล คอกลมรปภาพทวไปทไมลามกอนาจาร (Negative) และกลมรปภาพลามกอนาจาร (Positive) โดยขอมลกลม Negative ประกอบดวยรปภาพจ านวน 715 รปภาพ และกลม Positive มจ านวน 685
รปภาพ รวมทงสน 1,400 รปภาพ ซงขนาดของรปภาพทจดเกบอยในชดขอมลนนมขนาด (Resolution ) ทแตกตางกน แสดงดง Figure 3
จากการตรวจสอบรปภาพจากชดขอมล TI-UNRAM พบวางานวจย (13) อาจมมมมองในการจดหมวดหมของภาพลามกอนาจารทมความแตกตางกน จงท าใหรปภาพบางรปทไมเปนรปลามกอนาจารถกจดใหอยในหมวดNegative แสดงดง Figure 4 และในหมวด Positive ยงมรปภาพทไมไดเปนรปภาพบคคล (Figure 5) อกดวย ทงน งานวจยฉบบนไมไดปรบเปลยนหมวดหมของรปภาพในชดขอมล TI-UNRAM แตอยางใด
Figure 3 Sample images of (a) the positive images
and (b) the negative images from the TI-UNRAM dataset.
(a
) (b
) Figure 33 Sample images of (a) the positive images and (b) the negative images from the TI-UNRAM dataset.
(b)
7
ในการค านวณคาพารามเตอร��𝑤และ 𝑏𝑏นน SVM จะค านวณเพอหาคา Cost Function ทมคานอยทสด ดงสมการตอไปน 𝐽𝐽 𝑤𝑤 𝜉𝜉 𝑤𝑤𝑇𝑇𝑤𝑤 𝐶𝐶 𝜉𝜉𝑖𝑖𝑛𝑛
𝑖𝑖 (12) ซงอยภายใตขอจ ากด 𝑤𝑤𝑇𝑇𝑥𝑥𝑖𝑖 𝑏𝑏 ≥ − 𝜉𝜉𝑖𝑖ในกรณ 𝑦𝑦𝑖𝑖 และ 𝑤𝑤𝑇𝑇𝑥𝑥𝑖𝑖 𝑏𝑏 ≤ 𝜉𝜉𝑖𝑖ในกรณ 𝑦𝑦𝑖𝑖 − โดย𝐶𝐶คอคาคงททใชส าหรบก าหนดคาความผดพลาด ในการแบงกลมขอมล 𝜉𝜉คอ Slack Variable ทใชวดคาความผด พลาดทคลาดเคลอนไปจากต าแหนงทเหมาะสม (27) ในการก าหนดระยะหางระหวางเสน Hyperplane สามารถก าหนดไดโดย 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 ซงจะท าหนาทแบงกลมขอมลทมระยะหางระหวางเสน Hyperplane มากทสด โดยก าหนดกลม Positve ไดจาก 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 และกลม Negative จาก 𝑤𝑤𝑇𝑇𝑥𝑥 𝑏𝑏 −และใชสมการเสนตรง (Linear Kernel Function) เพอค านวณแบงกลมของขอมล นอกจากนนยงสามารถใช Kernel ตวอน ในการค านวณเพอหาเสนแบงกลมขอมลทมลกษณะเปน Non-linear ไดแก Radial Basis Function (rbf) โดยค านวณจากสมการท (13) 𝐾𝐾 𝑥𝑥𝑖𝑖 𝑥𝑥𝑗𝑗 𝑒𝑒𝑥𝑥𝑝𝑝 −𝛾𝛾 𝑥𝑥𝑖𝑖 − 𝑥𝑥𝑗𝑗 (13) โดย 𝛾𝛾 คอพารามเตอรของ RBF kernel
ดงนน หาก 𝛾𝛾 มคามากอาจสงผลใหมจ านวนของ Support Vectors จ านวนมากขนตามไปดวย และสงผลใหขอมลเกดการ Overfitting ซงหมายความวาอลกอรทมจะสรางModel ทพยายามแยกขอมลชดทดสอบใหมความถกตองมากทสด แตเมอน าไปใชงานจรงกลบไดคาความถกตองต า ท าใหการจดกลมท าไดไมถกตอง
ชดขอมลรปภาพลามกอนาจาร
ในการทดลองไดใชชดขอมล TI-UNRAM (13) ซงประกอบดวย 2 กลมขอมล คอกลมรปภาพทวไปทไมลามกอนาจาร (Negative) และกลมรปภาพลามกอนาจาร (Positive) โดยขอมลกลม Negative ประกอบดวยรปภาพจ านวน 715 รปภาพ และกลม Positive มจ านวน 685
รปภาพ รวมทงสน 1,400 รปภาพ ซงขนาดของรปภาพทจดเกบอยในชดขอมลนนมขนาด (Resolution ) ทแตกตางกน แสดงดง Figure 3
จากการตรวจสอบรปภาพจากชดขอมล TI-UNRAM พบวางานวจย (13) อาจมมมมองในการจดหมวดหมของภาพลามกอนาจารทมความแตกตางกน จงท าใหรปภาพบางรปทไมเปนรปลามกอนาจารถกจดใหอยในหมวดNegative แสดงดง Figure 4 และในหมวด Positive ยงมรปภาพทไมไดเปนรปภาพบคคล (Figure 5) อกดวย ทงน งานวจยฉบบนไมไดปรบเปลยนหมวดหมของรปภาพในชดขอมล TI-UNRAM แตอยางใด
Figure 3 Sample images of (a) the positive images
and (b) the negative images from the TI-UNRAM dataset.
(a
) (b
) Figure 33 Sample images of (a) the positive images and (b) the negative images from the TI-UNRAM dataset.
Figure 3 Sample images of (a) the positive images and
(b) the negative images from the TI-UNRAM
dataset.
Local Descriptors Approach for Pornographic Image Classification 445Vol 37. No 3, May-June 2018
8
จากงานวจย (11) เรมตนดวยการคนหาใบหนาทปรากฏอยในรปภาพ ทงน รปภาพทปรากฏในชดขอมล TI-UNRAM บางสวน (แสดงดง Figure 5) ไมไดเปนภาพบคคล ดงนน การทดลองในสวนของการประมวลผลภาพจงไมไดรวมวธการคนหาใบหนาเขาไปดวย
วธการประเมนผลทดลอง
ในงานวจยฉบบน การตรวจหารปภาพลามกอนาจารดวยวธการ Image Processing ใชสมการในการจดหมวดหมของรปภาพ (Image Classification ) ทน าเสนอโดย Marcial- Basilio et al . (10) ค านวณจากสมการท (9)
𝑆𝑆𝐾𝐾𝐶𝐶 𝑅𝑅𝑂𝑂𝐼𝐼 𝑃𝑃 𝑥𝑥 𝑦𝑦 (9)
โดย 𝑅𝑅𝑂𝑂𝐼𝐼คอพนทของรปภาพทคดวาเปน สผวของมนษย
𝑃𝑃 𝑥𝑥 𝑦𝑦 คอพกเซลทงหมดของรปภาพ ทท าการจดหมวดหม
จากสมการท ( 9 ) หากคา 𝑆𝑆𝐾𝐾𝐶𝐶มคามาก หมายถง มจ านวนของพนทสผวของมนษยเปนจ านวนมาก และหาก𝑆𝑆𝐾𝐾𝐶𝐶มคาเทากบ 0 แสดงวาในภาพนนไมมภาพพนททเปนสผวของมนษยเลย โดยตองใชคา เทรดโชลด𝑇𝑇เปนตวก าหนดคาความลามกอนาจาร โดยคา𝑇𝑇ถกก าหนดใหมคาเทากบ 0.5 ดงนน หากคา𝑆𝑆𝐾𝐾𝐶𝐶 ≥ 𝑇𝑇แสดงวาภาพนนเปนภาพลามกอนาจาร และ𝑆𝑆𝐾𝐾𝐶𝐶 𝑇𝑇 แสดงวาภาพนนเปนภาพทไมลามกอนาจาร
ดงนน หากใชสมการท (9) ในการค านวณรปภาพทน ามาค านวณจะตองเปนรปทมเพยงบคคลปรากฏอยในภาพเทานน หากในรปภาพประกอบไปดวยทวทศน หรอองคประกอบอน ถงแมวาในรปภาพนนจะมบคคลทอยในลกษณะเปลอยกตาม จะสงผลใหคา 𝑆𝑆𝐾𝐾𝐶𝐶ทไดจากการค านวณมคาต า ท าใหผลลพธทไดผดพลาด
งานวจยฉบบน ใชวธ k-fold cross validation เพอประเมนผลการทดลอง โดยก าหนดให 𝑘𝑘มคาเทากบ 2 ซงหมายถงการสมขอมลออกเปน 2 สวนเทากน (13) ดงนน ขอมลจ านวน 700 รปภาพ จากขอมลทงหมด 1,400 รปภาพจงถกแบงเปนขอชดเรยนรเพอน ามา สรา งModel และขอมลทเหลออก 700 รปภาพจงถกแบงเปนขอมลชดทดสอบเพอใชในการพยากรณ (Predict) ผลลพธทไดคอคาความถกตอง (Accuracy)
พารามเตอรทใชในการทดลอง
งานวจยฉบบน ไดใชชดขอมล TI-UNRAM เพอท าการทดลองจดหมวดหมรปภาพ โดยขอมลจะทจดเกบเปนรปภาพลามกอนาจารทมขนาดของพกเซลไมเทากน ดงนนจงตองปรบเปลยนขนาดของรปภาพใหมขนาด 90x90 พกเซล
ส าหรบการทดลองดวยวธการประมวลผลภาพ รปภาพทงหมดจะถกแปลงจากคาส RGB ใหเปน HSV ซงคาส HSV จะถกน าไปค านวณหาพนท ROI ทคาดวาเปนสผวของมนษย โดยตองก าหนดชวงของสทตองการ โดยการก าหนดคาต าสดของคาส HSV เปน [10, 100, 100] และคาสงสด [22, 255, 255] ดงนน คาส HSV ท
Figure 55 The positive examples of non-human image from the TI-UNRAM dataset.
Figure 44 Sample of positive images are found in the negative category.
Figure 4 Sample of positive images are found in the
negative category.
8
จากงานวจย (11) เรมตนดวยการคนหาใบหนาทปรากฏอยในรปภาพ ทงน รปภาพทปรากฏในชดขอมล TI-UNRAM บางสวน (แสดงดง Figure 5) ไมไดเปนภาพบคคล ดงนน การทดลองในสวนของการประมวลผลภาพจงไมไดรวมวธการคนหาใบหนาเขาไปดวย
วธการประเมนผลทดลอง
ในงานวจยฉบบน การตรวจหารปภาพลามกอนาจารดวยวธการ Image Processing ใชสมการในการจดหมวดหมของรปภาพ (Image Classification ) ทน าเสนอโดย Marcial- Basilio et al . (10) ค านวณจากสมการท (9)
𝑆𝑆𝐾𝐾𝐶𝐶 𝑅𝑅𝑂𝑂𝐼𝐼 𝑃𝑃 𝑥𝑥 𝑦𝑦 (9)
โดย 𝑅𝑅𝑂𝑂𝐼𝐼คอพนทของรปภาพทคดวาเปน สผวของมนษย
𝑃𝑃 𝑥𝑥 𝑦𝑦 คอพกเซลทงหมดของรปภาพ ทท าการจดหมวดหม
จากสมการท ( 9 ) หากคา 𝑆𝑆𝐾𝐾𝐶𝐶มคามาก หมายถง มจ านวนของพนทสผวของมนษยเปนจ านวนมาก และหาก𝑆𝑆𝐾𝐾𝐶𝐶มคาเทากบ 0 แสดงวาในภาพนนไมมภาพพนททเปนสผวของมนษยเลย โดยตองใชคา เทรดโชลด𝑇𝑇เปนตวก าหนดคาความลามกอนาจาร โดยคา𝑇𝑇ถกก าหนดใหมคาเทากบ 0.5 ดงนน หากคา𝑆𝑆𝐾𝐾𝐶𝐶 ≥ 𝑇𝑇แสดงวาภาพนนเปนภาพลามกอนาจาร และ𝑆𝑆𝐾𝐾𝐶𝐶 𝑇𝑇 แสดงวาภาพนนเปนภาพทไมลามกอนาจาร
ดงนน หากใชสมการท (9) ในการค านวณรปภาพทน ามาค านวณจะตองเปนรปทมเพยงบคคลปรากฏอยในภาพเทานน หากในรปภาพประกอบไปดวยทวทศน หรอองคประกอบอน ถงแมวาในรปภาพนนจะมบคคลทอยในลกษณะเปลอยกตาม จะสงผลใหคา 𝑆𝑆𝐾𝐾𝐶𝐶ทไดจากการค านวณมคาต า ท าใหผลลพธทไดผดพลาด
งานวจยฉบบน ใชวธ k-fold cross validation เพอประเมนผลการทดลอง โดยก าหนดให 𝑘𝑘มคาเทากบ 2 ซงหมายถงการสมขอมลออกเปน 2 สวนเทากน (13) ดงนน ขอมลจ านวน 700 รปภาพ จากขอมลทงหมด 1,400 รปภาพจงถกแบงเปนขอชดเรยนรเพอน ามา สรา งModel และขอมลทเหลออก 700 รปภาพจงถกแบงเปนขอมลชดทดสอบเพอใชในการพยากรณ (Predict) ผลลพธทไดคอคาความถกตอง (Accuracy)
พารามเตอรทใชในการทดลอง
งานวจยฉบบน ไดใชชดขอมล TI-UNRAM เพอท าการทดลองจดหมวดหมรปภาพ โดยขอมลจะทจดเกบเปนรปภาพลามกอนาจารทมขนาดของพกเซลไมเทากน ดงนนจงตองปรบเปลยนขนาดของรปภาพใหมขนาด 90x90 พกเซล
ส าหรบการทดลองดวยวธการประมวลผลภาพ รปภาพทงหมดจะถกแปลงจากคาส RGB ใหเปน HSV ซงคาส HSV จะถกน าไปค านวณหาพนท ROI ทคาดวาเปนสผวของมนษย โดยตองก าหนดชวงของสทตองการ โดยการก าหนดคาต าสดของคาส HSV เปน [10, 100, 100] และคาสงสด [22, 255, 255] ดงนน คาส HSV ท
Figure 55 The positive examples of non-human image from the TI-UNRAM dataset.
Figure 44 Sample of positive images are found in the negative category.
Figure 5 The positive examples of non-human image
from the TI-UNRAM dataset.
จากงานวจย11 เรมตนดวยการคนหาใบหนาทปรากฏ
อยในรปภาพ ทงน รปภาพทปรากฏในชดขอมล TI-UNRAM
บางสวน (แสดงดง Figure 5) ไมไดเปนภาพบคคล ดงนน การ
ทดลองในสวนของการประมวลผลภาพจงไมไดรวมวธการ
คนหาใบหนาเขาไปดวย
วธการประเมนผลทดลอง
ในงานวจยฉบบน การตรวจหารปภาพลามกอนาจาร
ดวยวธการ Image Processing ใชสมการในการจดหมวดหม
ของรปภาพ (Image Classification) ทน�าเสนอโดย Marcial-
Basilio et al. 10 ค�านวณจากสมการท 9
(9)
โดย คอ พนทของรปภาพทคดวาเปนสผวของ
มนษย
คอ พกเซลทงหมดของรปภาพทท�าการ
จดหมวดหม
จากสมการท 9 หากคา มคามาก หมายถง
มจ�านวนของพนทสผวของมนษยเปนจ�านวนมาก และหาก
มคาเทากบ 0 แสดงวาในภาพนนไมมภาพพนททเปนส
ผวของมนษยเลย โดยตองใชคาเทรดโชลด เปนตวก�าหนด
คาความลามกอนาจาร โดยคา ถกก�าหนดใหมคาเทากบ 0.5
ดงนน หากคา แสดงวาภาพนนเปนภาพลามกอนาจาร
และ แสดงวาภาพนนเปนภาพทไมลามกอนาจาร
ดงนน หากใชสมการท 9 ในการค�านวณรปภาพทน�า
มาค�านวณจะตองเปนรปทมเพยงบคคลปรากฏอยในภาพ
เทานน หากในรปภาพประกอบไปดวยทวทศน หรอองค
ประกอบอน ถงแมวาในรปภาพนนจะมบคคลทอยในลกษณะ
เปลอยกตาม จะสงผลใหคา ทไดจากการค�านวณมคาต�า
ท�าใหผลลพธทไดผดพลาด
งานวจยฉบบน ใชวธ k-fold cross validation เพอ
ประเมนผลการทดลอง โดยก�าหนดให มคาเทากบ 2 ซง
หมายถงการสมขอมลออกเปน 2 สวนเทากน13 ดงนน ขอมล
จ�านวน 700 รปภาพ จากขอมลทงหมด 1,400 รปภาพจงถก
แบงเปนขอชดเรยนรเพอน�ามา สรางModel และขอมลทเหลอ
อก 700 รปภาพจงถกแบงเปนขอมลชดทดสอบเพอใชในการ
พยากรณ (Predict) ผลลพธทไดคอคาความถกตอง (Accu-
racy)
พารามเตอรทใชในการทดลอง
งานวจยฉบบน ไดใชชดขอมล TI-UNRAM เพอ
ท�าการทดลองจดหมวดหมรปภาพ โดยขอมลจะทจดเกบเปน
รปภาพลามกอนาจารทมขนาดของพกเซลไมเทากน ดงนนจง
ตองปรบเปลยนขนาดของรปภาพใหมขนาด 90x90 พกเซล
ส�าหรบการทดลองดวยวธการประมวลผลภาพ รปภาพ
ทงหมดจะถกแปลงจากคาส RGB ใหเปน HSV ซงคาส HSV
จะถกน�าไปค�านวณหาพนท ROI ทคาดวาเปนสผวของมนษย
โดยตองก�าหนดชวงของสทตองการ โดยการก�าหนดคาต�าสด
ของคาส HSV เปน [10, 100, 100] และคาสงสด [22, 255,
255] ดงนน คาส HSV ทไมไดอยในชวงทก�าหนดจะถกเปลยน
ใหเปนสด�า และคาสทอยในชวงจะถกเปลยนใหเปนสขาว
ส�าหรบการค�านวณหาคณลกษณะพเศษดวยวธ
HOG จ�านวนของเซลลในแตละบลอก (Cell per Block) ถก
ก�าหนดใหมขนาด 2x2 เซลล โดยในแตละเซลลมจ�านวน
พกเซล (Pixels per Cell) 30x30 พกเซล และจ�านวนทใชเกบ
คา Orientation Bin ก�าหนดใหเปน 18 bin และพารามเตอรท
ใชส�าหรบวธ SIFT ประกอบดวยขนาดของบลอก หรอเรยกวา
Patch ก�าหนดใหมขนาด 15x15 การเคลอนทของบลอก (Grid
Spacing) ครงละ 5 พกเซล
ส�าหรบการทดลองดวยวธการเรยนรของเครองจกร
แบงออกเปน 2 วธ คอวธ KNN ท�าการทดสอบโดยก�าหนดคา
ใหมคาตงแต และวธ SVM โดยใช RBF
Kernel โดยใชวธการ Cross Validation เพอปรบแตงคา
และ
Olarik Surinta J Sci Technol MSU446
สรปผลการทดลอง ในการทดลองการจดหมวดหมรปภาพลามกอนาจาร
ประกอบดวย 5 การทดลอง คอ 1) วธ Image Processing
(IMGP) และ SKC 2) วธ HOG และ KNN 3) วธ SIFT และ
KNN 4) วธ HOG และ SVM และ 5) วธ SIFT และ SVM โดย
ความถกตองของการจดหมวดหมรปภาพลามกอนาจารแสดง
ดง Table 1
Table 1 Average pornographic image classification
results on TI-UNTAM dataset.
Method Classification
Parameters
Accuracy (%)
IMGP+SKC T = 0.5
HOG+KNN K = 7
SIFT+KNN K = 7
HOG+SVM C = 20, gamma = 2-5
SIFT+SVM C = 22, gamma = 2-5
เรมตนการทดลองดวยวธ IMGP+SKC โดยก�าหนด
ใหมคา ปรากฎวามความถกตองในการจดหมวดหม
ต�าทสดท 64% ทงนเนองจากรปภาพทอยในชดขอมล TI-UNRAM
ประกอบไปดวยรปภาพทมหลากหลายลกษณะ เชน รปภาพ
ไข และรปภาพดอกกหลาบสเหลอง เปนตน ดงนน เมอน�ามาท
ดลองปรากฏวามผลลพธเปน Negative จงเปนสาเหตหนงท
ท�าใหวธ IMGP+SKC มอตราความถกตองต�าทสด
ตอจากนน ทดลองดวยวธ KNN ซงก�าหนดให
พารามเตอร โดยค�านวณหาคณลกษณะพเศษเฉพาะ
พนทดวยวธ HOG และวธ SIFT จากการทดลองปรากฏวา
KNN+HOG มอตราการจดหมวดหมสงกวาวธ KNN+SIFT
โดยมความถกตองท 70% และ 66.4% ตามล�าดบ
การทดลองสดทาย ทดสอบดวยวธ SVM รวมกบวธ
HOG และวธ SIFT ปรากฏวาทงวธ HOG+SVM และ
SIFT+SVM มอตราการจดหมวดหมของรปภาพลามกอนาจาร
เทากนท 78% ซงมากกวาวธ HOG+KNN อยท 8 เปอรเซนต
ทงน เมอเปรยบเทยบผลการทดลองระหวาง
SIFT+SVM และการทดลองในงานวจย13 ปรากฏวาผลการ
ทดลองในงานวจย13 ใหผลการทดลองทสงกวาประมาณ
12.13% ผวจยจงไดน�าเสนอวธ Bag of Visual Words (BOW)
เพอชวยในการเรยนรขอมลทมอยจ�านวนจ�ากด
สรปและอภปรายผลงานวจยฉบบน ไดน�าเสนอวธการทางดานการประมวลผลภาพ
และการเรยนรของเครองจกรเพอใชในการจดหมวดหมของ
รปภาพลามกอนาจาร โดยใชชดขอมลTI-UNRAM ทมรปภาพ
ทงสนจ�านวน 1,400 รปภาพ โดยขอมลถกแบงออกเปน 2 สวน
ดวยวธการ Cross Validation ดงนนขอมลในชดเรยนรจงม
เพยง 700 รปภาพเทานน สงผลตอการค�านวณดวยวธ SVM
เนองจากวธนจ�าเปนตองใชขอมลจ�านวนมากในการสราง
Model
งานวจยไดเปรยบเทยบวธการหาคณลกษณะพเศษ
ดวยวธ HOG และวธ SIFT เพอน�ามาใชรวมกบวธ KNN โดย
ค�านวณคาระยะหางดวยวธ Euclidean และ วธ SVM โดยใช
RBF Kernel จากการทดสอบปรากฏวาวธ HOG+SVM และ
SIFT+SVM มประสทธภาพสงสดเมอเปรยบเทยบกบวธอนท
ทดสอบ
ในอนาคต ผ วจยไดวางแผนในการใชวธการหา
คณลกษณะพเศษดวยวธทอนทแตกตางกนไป เชน SURF,
DAISY และ ORB เปนตน อกทงยงสามารถใชวธการ Bag of
Visual Words (BOW) เขามาชวยในการเรยนรขอมลทม
จ�านวนเพยง 700 รปภาพ อาจสงผลใหมอตราความถกตอง
เพมขน
กตตกรรมประกาศ โครงการนไดรบการสนบสนนการวจย ประจ�าป
งบประมาณ 2559 จากคณะวทยาการสารสนเทศ มหาวทยาลย
มหาสารคาม
เอกสารอางอง1. วรพงษ พวงเลก. สอลามกบนอนเทอรเนต: อนตรายทพง
ระวงและแนวทางแกปญหาตอเยาวชนไทย. Exec J.
2011;223–33.
2. Gao Z, Lu G, Dong H, Wang S, Wang H, Wei X.
Applying a novel combined classifier for hypertext
classification in pornographic web filtering. In: Inter-
national Conference on Internet Computing in Sci-
ence and Engineering (ICICSE). 2008. p. 513–7.
3. Dinh T-A, Ngo T-B, Vu D-L. A Model for Automati-
cally Detecting and Blocking Pornographic Websites.
In: IEEE International Conference on Knowledge and
Systems Engineering (KSE). 2015. p. 244–9.
4. Wang C, Zhang J, Zhuo L, Liu X. Incremental Learn-
ing for Compressed Pornographic Image Recognition.
Local Descriptors Approach for Pornographic Image Classification 447Vol 37. No 3, May-June 2018
In: IEEE International Conference on Multimedia Big
Data (BigMM). 2015. p. 176–9.
5. Zhou K, Zhuo L, Geng Z, Zhang J, Li XG. Convolu-
tional Neural Networks Based Pornographic Image
Classification. In: IEEE Second International Confer-
ence on Multimedia Big Data (BigMM). 2016. p.
206–9.
6. Polpinij J, Chotthanom A, Sibunruang C, Chamchong
R, Puangpronpitag S. Content-Based Text Classifiers
for Pornographic Web Filtering. In: IEEE Interna-
tional Conference on Systems, Man and Cybernetics
(SMC). 2006. p. 1481–5.
7. เกรยงกมล ค�ามา และจกรกฤษณ เสนห นมะหต. ขนตอน
วธการส�าหรบการใหคาเรตตงและการวเคราะหเวบไซต
อนาจาร. วารสารวชาการพระจอมเกลาพระนครเหนอ.
2556;23(2):353–62.
8. Zhu H, Zhou S, Wang J, Yin Z. An algorithm of por-
nographic image detection. In: the 4th International
Conference on Image and Graphics (ICIG). 2007. p.
801–4.
9. Tello Flores PI, Colmenares Guillén LE, Niño Prieto
OA. Approach of RSOR Algorithm Using HSV Color
Model for Nude Detection in Digital Images. Comput
Inf Sci. 2011;4(4):29–45.
10. Marcial-Basilio JA, Aguilar-Torres G, Sánchez-Pérez
G, Toscano-Medina LK, Pérez-Meana HM. Detection
of Pornographic Digital Images. Int J Comput.
2011;5(2):298–305.
11. Rattanee S, Chiracharit W. Nudity Detection Based
on Face Color and Body Morphology. In: Interna-
tional Workshop on Advanced Image Technology
(IWAIT). 2016. p. 1–4.
12. Viola P, Jones MJ. Robust Real-Time Face Detection.
Int J Comput Vis. 2004;57(2):137–54.
13. Wijaya IGPS, Widiartha I, Arjarwani SE. Porno-
graphic Image Recognition Based on Skin Probabil-
ity and Eigenporn of Skin ROIs Images. TELKOM-
NIKA (Telecommunication Comput Electron Control.
2015;13(3):985.
14. Lv L, Zhao C, Lv H, Shang J, Yang Y, Wang J. Por-
nographic images detection using high-level seman-
tic features. In: 7th International Conference on
Natural Computation (ICNC). 2011. p. 1015–8.
15. Lopes APB, De Avila SEF, Peixoto ANA, Oliveira RS,
De A. Araújo A. A bag-of-features approach based
on Hue-SIFT descriptor for nude detection. In: 17th
European Signal Processing Conference (EUSIPCO).
2009. p. 1552–6.
16. Liu B, Su J, Lu Z, Zhen L. Pornographic images
detection based on CBIR and skin analysis. In: the
4th International Conference on Semantics, Knowl-
edge, and Grid (SKG). 2008. p. 487–8.
17. Dong K, Guo L, Fu Q. An Adult Image Detection
Algorithm Based on Bag-of-Visual-Words and Text
Information. In: 10th International Conference on
Natural Computation (ICNC),. 2014. p. 556–60.
18. Caetano C, Avila S, Guimarães S, Araújo AD a.
Representing Local Binary Descriptors with Bossa-
Nova for Visual Recognition. In: The 29th Annual
ACM Symposium on Applied Computing (SAC).
2014. p. 49–54.
19. Karavarsamis S, Ntarmos N, Blekas K, Pitas I. De-
tecting pornographic images by localizing skin ROIs.
Int J Digit Crime Forensics. 2013;5(1):39–53.
20. Vapnik VN. Statistical Learning Theory. Wiley; 1998.
I-XXIV, 1-736.
21. Sharma PK. Multiple Classifiers for Unconstrained
Offline Handwritten Numeral Recognition. In: Inter-
national Conference on Computational Intelligence
and Multimedia Applications, (ICCIMA). 2007. p.
344–8.
22. Lowe DG. Distinctive image features from scale-in-
variant keypoints. Int J Comput Vis. 2004;60(2):91–
110.
23. Dalal N, Triggs B. Histograms of oriented gradients
for human detection. In: Computer Vision and Pattern
Recognition (CVPR), IEEE Computer Society Confer-
ence on. 2005. p. 886–93.
24. Kumar M, Jindal MK, Sarma RK. k-Nearest Neighbor
Based Offline Handwritten Gurmukhi Character Rec-
ognition. In: International Conference on Image In-
formation Processing (ICIIP). 2011. p. 1–4.
25. Lee SE, Min K, Suh T. Accelerating Histograms of
Oriented Gradients descriptor extraction for pedes-
Olarik Surinta J Sci Technol MSU448
trian recognition. Comput Electr Eng. 2013 May;39
(4):1043–8.
26. Kermorvant C, Louradour J. Handwritten Mail
Classification Experiments with the Rimes Database.
In: International Conference on Frontiers in Handwriting
Recognition (ICFHR). 2010. p. 241–6.
27. ภรณยา อ�ามฤครตน และพยง มสจ. การเปรยบเทยบ
ประสทธภาพการลดมตขอมลและจ�าแนกขอมลโดยวธ
การทางเครอขายประสาทเทยม. ในการประชมทาง
วชาการเสนอผลงานวจยระดบบณฑตศกษา ครงท 11.
2553. หนา 58–65.
นพนธตนฉบบ
1 อาจารย, 2อาจารย, คณะบรหารธรกจ มหาวทยาลยเทคโนโลยราชมงคลศรวชย อ�าเภอเมอง จงหวดสงขลา 90000,1 Lecturer, 2Lecturer, Faculty of Business Administration, Rajamangala University of technology Srivijaya Muang district, Songkhla 90000,
Thailand.
ระบบบรหารทรพยากรองคกรส�าหรบสหกรณกองทนสวนยางบนเวบแอพพลเคชนเพอสราง
ความสามารถในการแขงขนในการเขาสประชาคมอาเซยน
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on
Web Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN
Community
จตพร จรนดร,1 มนตทนา คงแกว2
Jatuporn Jirundorn,1 Monthana Kongkaew2
Received: 28 October 2017 ; Accepted: 7 November 2017
บทคดยองานวจยเรอง ระบบบรหารทรพยากรองคกรส�าหรบสหกรณกองทนสวนยางบนเวบแอพพลเคชน เพอสรางความสามารถในการ
แขงขนในการเขาสประชาคมอาเซยน มวตถประสงคเพอศกษากระบวนการการด�าเนนกจกรรมและระบบบรหารทรพยากรองคกร
ส�าหรบสหกรณกองทนสวนยาง จงหวดสงขลา โดยตองการพฒนาระบบสารสนเทศในการบรหารทรพยากรองคกรส�าหรบสหกรณ
กองทนสวนยางอยางมประสทธภาพ และเพอใหหนวยงานทเกยวของไดเกดการใชทรพยากรรวมกนอยางมประสทธภาพอยาง
บรณการเพอรองรบสประชาคมอาเซยน โดยมสหกรณกองทนสวนยางต�าบลเกาะใหญ อ�าเภอกระแสสนธ จงหวดสงขลา เปน
สหกรณตนแบบในการรวบรวมขอมลและพฒนาโปรแกรม โดยมวธการด�าเนนการศกษา เรมตงแตกระบวนการเกบและรวบรวม
ขอมล วเคราะหระบบ ออกแบบระบบ พฒนาระบบ ทดสอบระบบ ประเมนความพงพอใจของผใชและจดการอบรมเชงปฏบต
เพอการถายทอดองคความรและสรปแนวทางการประยกตใชงาน เพอสรางความพรอมในการแขงขนในการเขาสประชาคม
อาเซยน เนองจากในหลายประเทศมการขยายตวในการท�าเกษตรกรรมดานสวนยางเพมมากขน อกทงงานวจยเรองนสามารถ
พฒนาโปรแกรมแลวน�าไปใชงานไดจรง ท�าใหเขาใจถงปจจยตางๆ ทสมพนธกบกระบวนการท�างานของสหกรณกองทนสวนยาง
และใชเพอตอบสนองความตองการของผปฏบตงานในสหกรณกองทนสวนยาง อกทงยงมการเพมชองทางในการประยกตใช
ระบบบรหารทรพยากรขององคกรของเครอขายสหกรณกองทนสวนยางเพมมากขน ซงสอดคลองกบผลการประเมนความพง
พอใจของผใช ดานออกแบบระบบ มคะแนนเฉลยเทากบ 4.75 ระดบความพงพอใจมากทสด ดานเสถยรภาพระบบ มคะแนน
เฉลยเทากบ 4.79 ระดบความพงพอใจมากทสด ดานประโยชนของระบบตอการปฏบตงาน มคะแนนเทากบ 4.87 ระดบความ
พงพอใจมากทสด
ค�าส�าคญ: ระบบบรหารทรพยากรองคกร สหกรณกองทนสวนยางประชาคมอาเซยน
AbstractThis research studied a web-based resource management system for the Rubber Replanting Aid Fund Cooperative
in order to enhance the competitiveness in gearing within the ASEAN community. The objectives of this research were
to 1) investigate the operating process and the organization resource management system, 2) develop the information
system for efficiently managing the organization resources and 3) enable the relevant agencies to cooperatively and
effectively share and use resources in order to serve the ASEAN Community. The Rubber Replanting Aid Fund
Cooperative of Ko Yai sub-district in Krasa-sin district, Songkhla province was the prototype organization in collecting
data and developing the program. The program employed data collection, system analysis and design, system
Jatuporn Jirundorn et al. J Sci Technol MSU450
development and testing, and users’ satisfaction assessment. Consequently, the researcher provided hands-on
training and summarized the application guidelines which could raise competitiveness in the ASEAN Community and
increase of rubber plantation in other countries . The findings of this research showed that this program could
actually be used in real situations as well as offering various associated factors of the organization of working
processes. The findings could also meet the needs of organization staff. Moreover, this could deliver more channels
in applying the resource management system of the organization. The result was a system with a system design av
erage score of satisfaction at the high level of 4.75; System stability average score of satisfaction at a high level of
4.79 and the benefits of the system to the operation average score of satisfaction at a high level of 4.87.
Keywords: Enterprise Resources Planning (ERP), Rubber Replanting Aid Fund, ASEAN Economic Community
บทน�าจดมงหมายหลกของประชาคมเศรษฐกจอาเซยน คอ การเปน
ตลาดและฐานการผลตเดยวซงเปดใหมการเคลอนยายสนคา
บรการ การลงทน และแรงงานฝมออยางเสร และจากผลสถต
พบวา ประเทศในกลมประชาคมเศรษฐกจอาเซยนโดยเฉพาะ
ประเทศไทยเปนประเทศผผลตยางพาราส�าคญของโลกดได
จาก ผลการรวบรวมขอมลการผลตยางพาราของโลกและ
ประเทศผผลตส�าคญตงแตป 2545 ถงป 2551 พบวา ประเทศ
ผผลตส�าคญไดแก ไทย อนโดนเซย มาเลเซย อนเดย และ
เวยดนาม ตามล�าดบ ซงเมอเปรยบเทยบสดสวนการผลต
ยางพาราของประเทศเหลานในป 2551 พบวา ประเทศไทย
มสดสวนการผลตยางรอยละ 31 อนโดนเซยรอยละ 28 มาเลเซย
รอยละ 11 อนเดยรอยละ 9 เวยดนามรอยละ 7 และประเทศอนๆ
รวมกนรอยละ 14 โดยผลผลตยางพาราของโลกในป 2551 เมอ
เปรยบเทยบกบป 2545 นนมปรมาณเพมขนคดเปนรอยละ 35
ซงมการสงออกยางพาราของโลกมประมาณ 6.60 ลานตน
ประเทศผสงออกทส�าคญไดแก ไทย อนโดนเซย มาเลเซย และ
เวยดนาม ตามล�าดบ มปรมาณการสงออกรวมกนคดเปนรอยละ 99
ของปรมาณการสงออกรวมทงโลก เปนตน ปจจบนเทคโนโลย
สารสนเทศไดเขามามบทบาทส�าคญในการท�างานของฝายตาง ๆ
ภายในองคกรใหมประสทธภาพมากขนทงดานการผลต การ
ขาย การตลาด การเงน การจดซอจดจาง งานซอมบ�ารง และ
ดานทรพยากรมนษย ซงแตละหนวยงานจะมกระบวนการ
ท�างานทท�าใหเกดขอมลตาง ๆ มากมาย ซงขอมลจะมการ
สงตอจากหนวยงานหนงไปยงหนวยงานหนง หรออาจจบใน
หนวยงานนน ๆ ดงนนในองคกรจะมขอมลมากมายทแตกตาง
กนหรอเหมอนกนโดยเกดจากหนวยงานเดยวกนหรอตาง
หนวยงานเสมอ เพอใหเกดการบรณาการของขอมลของแตละ
หนวยงาน จงจ�าเปนตองมการก�าหนดกระบวนการท�างานท
ชดเจนดวยการใชซอฟตแวร เพอใหไมเกดขอมลทซ�าซอน
ระบบบรหารทรพยากรขององคกร (Enterprise Resource
Planning: ERP) เปนเครองมอในการวางแผนทรพยากร
ในดานตางๆ ขององคกร ท�าใหสามารถใชประโยชนทรพยากร
ไดอยางสงสด โดยการบรณาการขอมลรวมกบกระบวนการ
ท�างานตางๆ เขาไวดวยกน ท�าใหลดการท�างานทซ�าซอน
รบร สถานการณ และปญหาของงานตางๆ ไดทนท เปน
เครองมอชวยในการตดสนใจด�าเนนธรกจ หรอแกปญหาภายใน
องคกรไดอยางมประสทธภาพ สะดวกและรวดเรวยงขน โดย
มโครงสรางดง Figure 17
Figure 1 ERP Structure
Source: Electronic Transactions Development Agency
ดงนนผ วจยจงไดพฒนาระบบบรหารทรพยากร
องคกรส�าหรบสหกรณกองทนสวนยางบนเวบแอพพลเคชน
เพอสรางความสามารถในการแขงขนในการเขาสประชาคม
อาเซยน โดยผวจยไดท�าเลอกสหกรณสวนยาง ต�าบลเกาะใหญ
อ�าเภอกระแสสนธ จงหวดสงขลา มาเปนตนแบบในการพฒนา
ระบบและเปนกลมตวอยางในการวจย
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on Web
Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN Community
451Vol 37. No 3, May-June 2018
วตถประสงคงานวจย เพอศกษากระบวนการการด�าเนนกจกรรมและ
ระบบบรหารทรพยากรองคกรส�าหรบสหกรณกองทนสวนยาง
จงหวดสงขลา โดยตองการพฒนาระบบสารสนเทศในการ
บรหารทรพยากรองคกรส�าหรบสหกรณกองทนสวนยางอยาง
มประสทธภาพ และเพอใหหนวยงานทเกยวของไดเกดการใช
ทรพยากรรวมกนอยางมประสทธภาพอยางบรณาการเพอ
รองรบสประชาคมอาเซยน
ประโยชนของการวจย เพอไดเขาใจถงปจจยตางๆ ทมความสมพนธกบ
กระบวนการท�างานของสหกรณกองทนสวนยาง ซงจะน�าไปส
การพฒนาระบบบรหารทรพยากรขององคกรทตอบสนอง
ความตองการของสหกรณกองทนสวนยาง และมชองทางใน
การประยกตใชระบบบรหารทรพยากรขององคกรตนแบบท
พฒนาขน กบเครอขายสหกรณกองทนสวนยางซงเปนการ
ตอบสนองตอความตองการของสหกรณกองทนสวนยางโดย
เฉพาะ
การทบทวนวรรณกรรม ระบบบรหารทรพยากรขององคกร (Enterprise
Resources Planning: ERP)
เปนเครองมอในการวางแผนทรพยากรในดานตางๆ
ขององคกร ท�าใหสามารถใชประโยชนทรพยากรไดอยางสงสด
โดยการบรณาการขอมลรวมกบกระบวนการท�างานตางๆ เขา
ไวดวยกนท�าใหลดการท�างานทซ�าซอน รบรสถานการณ และ
ปญหาของงานตางๆ ไดทนท เปนเครองมอชวยในการตดสน
ใจด�าเนนธรกจ หรอสามารถแกปญหาภายในองคกรไดอยาง
มประสทธภาพ สะดวกและรวดเรวยงขน7
สหกรณ
เปนองคกรทางเศรษฐกจและสงคมทสมาชกรวมกน
จดตงขนดวยการลงหนรวมกน จดการรวมกนในการผลต การ
จ�าหนายสนคา หรอบรการตามความตองการหรอผลประโยชน
อยางเดยวกนของบรรดาสมาชก โดยสมาชกแตละคนมสทธ
ออกเสยงไดหนงเสยงในการบรหารสหกรณ และไมขนกบ
จ�านวนหนทถออย เชน สหกรณออมทรพย สหกรณการเกษตร
สหกรณโคนม (กฎ) เปนตน คณะบคคลซงรวมกนด�าเนน
กจการเพอประโยชนทางเศรษฐกจและสงคม โดยชวยตนเอง
และชวยเหลอซงกนและกน และไดจดทะเบยนตามกฎหมาย
วาดวยสหกรณ8
สหกรณกองทนสวนยาง
ส�านกงานกองทนสงเคราะหการท�าสวนยาง (2553)
จดตงขนตามพระราชบญญตกองทนสงเคราะหการท�าสวนยาง
เมอวนท 5 ธนวาคม 2503 เพอชวยเหลอเกษตรใหมรายได
เพมมากขน โดยส�านกงานกองทนสงเคราะหการท�าสวนยาง
กระทรวงเกษตรและสหกรณ (2538) ไดแสดงรปแบบการรวม
กลมของสหกรณชาวสวนยางดง Figure 2
Figure 2 The pattern of the rubber farmers cooperative.
Source: Office of the Rubber Replanting Aid Fund
ณฐพล คชายงยน12 ไดท�าการศกษาเรอง ปจจย
ทมผลตอการยอมรบระบบ ERP: กรณศกษาระบบ Navision
ของบรษท ปทมไรซมล แอนด แกรนาร จ�ากด (มหาชน) โดย
งานวจยครงนมวตถประสงคเพอ 1) ศกษาความคดเหนของ
ผใชงานระบบ Navisionภายในบรษท และ 2) เพอศกษาปจจย
ทมผลตอการยอมรบระบบ Navision ของแผนกตาง ๆ ใน
บรษทปทมไรซมล แอนด แกรนาร จ�ากด (มหาชน) กลม
ตวอยางเปนผใชงานระบบ Navision ของบรษท ปทมไรซมล
แอนด แกรนาร จ�ากด (มหาชน) ซงประกอบดวย พนกงาน
ระดบปฏบตการพนกงานระดบหวหนา พนกงานระดบบรหาร
จ�านวน 114 คนโดยใชแบบสอบถามในการเกบรวบรวมขอมล
และน�าผลการศกษาทไดมาวเคราะหและประมวลผลขอมลใน
โปรแกรมส�าเรจรปทางสถต สถตทใชในการวเคราะหขอมล
ไดแก การแจกแจงความถ รอยละ คาเฉลย และคาเบยงเบน
มาตรฐาน สถตทใชในการทดสอบสมมตฐาน คอ สถตแบบ
Independent Sample t-test และ One-way ANOVA.
ผลลพธทไดจากการทดสอบสมมตฐานพบวา ปจจย
ดานประชากรศาสตร และ ความถในการใชงานทแตกตางกน
มผลตอปจจยการยอมรบระบบ Navision ไมแตกตางกน และ
ท�าใหทราบวาระบบ Navision มปญหาในเรองความสามารถ
Jatuporn Jirundorn et al. J Sci Technol MSU452
ทจะน�าขอมลไปวเคราะหได และปญหาถดมาคอความเขากน
ไดกบระบบรายงานของบรษท และสดทายคอ ปญหาการ
ก�าหนดสทธ การใชงานของระบบ Navision ซงไดน�าขอมลมา
เปนแนวทางแกไขปรบปรงระบบ Navision ใหมประสทธภาพ
ในการท�างานภายในบรษท
อาคม สงวนหม 14 ไดท�าการศกษาเรองส�ารวจ
ความพงพอใจของผใชงาน ERP-SAP ในประเทศไทยเปนการ
วจยโดยใชแบบสอบถามจ�านวน 400 ตวอยาง สถตทใชในการ
วเคราะหไดแก คารอยละ คาเฉลย คาความสมพนธ โดยใช
โปรแกรมส�าเรจรป SPSS for Windows ในการวเคราะหผล
ผลการวจยพบวาผตอบแบบสอบถามเปนเพศหญงมากกวา
เพศชาย มอายระหวาง 30 – 35ป จบการศกษาระดบปรญญาตร
ใชระบบงาน ERP-SAP ในหนวยงานการเงนบญช เปนผใช
ระดบ User และใชงานกบงานบญชมากทสด ระดบทศนคต
โดยรวมผตอบแบบสอบถามใหคะแนนระดบปานกลาง ดาน
ระบบมการเชอมโยงขอมลการใชทรพยากรของแตละสวนงาน
เขาดวยกน และเปนระบบมาตรฐานมระบบงานทรองรบของ
ทกสวนงานในระดบมาก สมมตฐานดานประชากรศาสตร
พบวา เพศทแตกตางกนมผลตอระดบความพงพอใจการใชงาน
ซอฟตแวรโดยรวมไมแตกตางกน อายทแตกตางกนมผลตอ
ความพอใจการใชงานซอฟตแวรโดยรวมโดยรวมไมแตกตางกน
การศกษาทแตกตางกนมผลตอความพงพอใจการใชงาน
ซอฟตแวรโดยรวมแตกตางกน ต�าแหนงงานทแตกตางกนม
ผลตอความพงพอใจการใชงานซอฟตแวรโดยรวมไมแตกตาง
กน บทบาท ผทเปนผดแลระบบงานมความพงพอใจการใชงาน
ซอฟตแวรโดยรวมมากแตกตางกวาบทบาทอนระบบงานทใช
ผใชงานมความพอใจการใชงานซอฟตแวรโดยรวมไมแตกตางกน
ระยะเวลาทใชงานระบบมากนอย มผลตอความพอใจการใช
งานซอฟตแวรโดยรวมโดยรวมไมแตกตางกน สมมตฐานดาน
ทศนคต ทศนคตดานซอฟตแวร (Product) ทศนคตดานผขาย
ซอฟตแวร (Vendor) ทศนคตด านผ ตดตงซอฟตแวร
(Implementers) ทศนคตดานราคาซอฟตแวร (Software)
มความสมพนธกบความพงพอใจโดยรวมอยางมนยส�าคญทาง
สถต 0.01
โดยสรปผลการศกษาพบวา องคกรไทยมการน�าเอา
ซอฟตแวร ERP มาใชงานในหลายดาน คอมการใชงานทง
ระบบบญช ระบบการขายและการจดสง ระบบวางแผนและ
ควบคมการผลตระบบบรหารทรพยากรบคคล และสงทองคกร
ไดจากการน�ามาใชงานคอท�าใหเกดขบวนการควบคมการ
ตดตามงานจากการใชขอมลรวมกนจากการทระบบมการ
เชอมโยงขอมลทด สรางรปแบบการท�างานทเปนมาตรฐาน
มขอมลมประสทธภาพน�ามาใชในการด�าเนนการ บรหารจดการ
ไดอยางสะดวก ถกตอง รวดเรว และโดยรวมมองวาเปน
ประโยชนตอองคกรอยางมาก
สวรนทร ประดษฐอกฤษฎ และคณะ15 ปจจบน
จ�านวนสหกรณกองทนสวนยางในจงหวดสงขลา มแนวโนมลด
ลงอยางตอเนอง ซงเปนผลมาจากการขาดประสทธภาพในการ
ด�าเนนงานของแตละสหกรณ ดงนนการประเมนประสทธภาพ
จงเปนสงส�าคญทสหกรณควรค�านงถง ในการศกษานม
วตถประสงคเพอประเมนประสทธภาพของสหกรณกองทน
สวนยางในจงหวดสงขลาจ�านวน 48 สหกรณ โดยเครองมอท
ใช คอ วธลอมกรอบขอมล (DEA) ผานปจจยน�าเขา 4 ปจจย
คอ คาใชจายในการด�าเนนงาน จ�านวนสมาชก จ�านวนหนของ
สหกรณ และพนทปลกยางของสมาชก โดยมปจจยผลผลต
2 ปจจย คอ ปรมาณรบซอน�ายาง และรายไดเฉพาะธรกจ
ในการระบปจจยน�าเขา และปจจยผลผลตระบภายใตกรอบ
ทฤษฎมมมองทรพยากรพนฐาน ผลจากการศกษาพบวาม
11 สหกรณทแสดงใหเหนถงความมประสทธภาพในการ
ด�าเนนงาน และม 37 สหกรณทยงขาดประสทธภาพในการ
ด�าเนนงาน นอกจากนผลการศกษายงแสดงใหเหนถงคา
เปาหมายททง 37 สหกรณตองปรบปรงเพอกาวไปเปนสหกรณ
ทมประสทธภาพ
นฤมล พฤกษา และคณะ16 ไดท�าการศกษาเรอง
รปแบบเครอขายสหกรณกองทนสวนยาง : กรณศกษาสหกรณ
กองทนสวนยาง ในอ�าาเภอเทพา จงหวดสงขลา โดยม
วตถประสงคเพอวเคราะหรปแบบเครอขายสหกรณกองทน
สวนยางกรณศกษาในอ�าเภอเทพาจงหวดสงขลาโดยศกษา
ความเปนมาและจดก�าเนดเครอขายลกษณะความสมพนธหรอ
ความรวมมอกนของเครอขายบทบาทและเงอนไขของเครอ
ขายตอการบรหารจดการสหกรณฯตลอดจนผลกระทบจากการ
มเครอขายตอสหกรณฯงานวจยนเปนการวจยเชงคณภาพม
การเกบรวบรวมขอมลจากเอกสารทเกยวของ สมภาษณผให
ขอมลหลกและจดประชมกลมยอยผลการวจยพบวาเครอขาย
สหกรณกองทนสวนยางม 2 รปแบบ คอ เครอขายภายในและ
เครอขายภายนอกเครอขายภายในเปนเครอขายตางๆ ทมอย
ในชมชนซงสหกรณฯตงอยไดแก เครอขายผน�าชมชนหรอ
ผทรงคณวฒกลมสตรกลมออมทรพยและกองทนหมบานเครอ
ขายเหลานบางกก�าเนดมากอนการกอตงสหกรณฯบางก�าเนด
ขนภายหลงแตทกเครอขายลวนมปฏสมพนธตอกนกบการ
บรหารจดการสหกรณฯโดยเออใหสหกรณฯบรหารงานได
สะดวกขนไดรบความไววางใจหรอเปนทเชอถอของสมาชก
ชมชนมากขนขณะเดยวกนสหกรณฯกสงเสรมการด�าเนนงาน
ของเครอขายเหลานอยางสม�าเสมอ ในขณะทเครอขาย
ภายนอกนน มทงเครอขายทเกดตามธรรมชาตและเครอขาย
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on Web
Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN Community
453Vol 37. No 3, May-June 2018
ทเกดจากการจดตงของหนวยงานภาครฐ ไดแก หนวยงานท
ส งเสรมการด�าเนนงานสหกรณฯอย แลวเปนปกต เชน
ส�านกงานกองทนสงเคราะหการท�าสวนยางและสถาบน
วชาการทมโครงการสงเสรมความรและเทคโนโลยเครอขาย
ภายนอกนท�าใหสหกรณฯ เกดการแลกเปลยนเรยนรในดาน
ตางๆ และสงผลตอการบรหารจดการสหกรณฯ ในหลายดาน
ได แก การมระบบบรหารจดการการเงนและบญชท ม
ประสทธภาพมากขนไดชองทางในการสรรหาเจาหนาทและ
คนงาน ไดชองทางการตลาดทหลากหลายมอ�านาจในการตอ
รองราคาวตถดบและสนคา และไดความรหรอเทคโนโลยใหมๆ
เพอเพมประสทธภาพการผลต นอกเหนอจากประโยชนเชงรป
ธรรมดงกลาวแลว เครอขายยงท�าใหสหกรณกองทนสวนยาง
ยงมความเชอมนในวธการและอดมการณสหกรณ ซงถอเปน
ปจจยส�าคญอนหนงทจะท�าใหสหกรณกองทนสวนยางสามารถ
อยรอดไดในระยะยาว
ประชาคมอาเซยน (ASEAN Economics
Community : AEC)
กรมอาเซยน กระทรวงตางประเทศ (2560) ไดให
ค�านยามของประชาคมอาเซยน เปนการรวมตวของกลม
ประเทศในอาเซยน 10 ประเทศ โดยม ไทย พมา ลาว
เวยดนาม มาเลเซย สงคโปร อนโดนเซย ฟลปปนส กมพชา
และบรไน เพอทจะใหมผลประโยชนทางเศรษฐกจรวมกน
จะมรปแบบคลายๆ กลม Euro Zone จะท�าใหมผลประโยชน
ทางการคามากขน มอ�านาจตอรองตาง ๆ กบคคาไดมากขน
และการน�าเขา สงออกของกลมประเทศในอาเซยนกจะเสร
ยกเวนสนคาบางชนดทแตละประเทศอาจจะขอไวไมลดภาษ
น�าเขา ส�าหรบเสาหลกการจดตงประชาคมเศรษฐกจอาเซยน
(ASEAN Economic Community หรอ AEC) ภายในป 2558
เพอใหอาเซยนมการเคลอนยายสนคา บรการ การลงทน
แรงงานฝมอ อยางเสร และเงนทนทเสรขนตอมาในป 2550
อาเซยนไดจดท�าพมพเขยวเพอจดตงประชาคมเศรษฐกจ
อาเซยน (AEC Blueprint) มคณลกษณะ 5 ประการภายในป
ค.ศ. 2025 ไดแก (1) มการรวมตวและเชอมโยงในระดบสง (2)
มความสามารถในการแขงขน นวตกรรม และพลวต (3)
สงเสรมการเชอมโยงดานเศรษฐกจและการรวมตวรายสาขา
(4) ความสามารถในการปรบตวครอบคลมทกภาคสวนและม
ประชาชนเปนศนยกลาง และ (5) การเปนสวนส�าคญของ
ประชาคม6
วงจรการพฒนาระบบ (System Development
Cycle: SDLC)
วงจรการพฒนาระบบ (ณฎฐพนธ เขจรมนทน, 2551)
เปนวงจรทแสดงถงกจกรรมตาง ๆ ในแตละขนตอนตงแตเรม
ตนจนกระทงสนสดกระบวนการรปแบบวงจรการพฒนาระบบ
มการคดคนและพฒนาขนอยางหลากหลาย กอใหเกดความ
แตกตางในรปแบบของวงจรการพฒนาระบบ ในปจจบนม
รปแบบของวงจรการพฒนาระบบแตกแขนงออกไปมากมาย
ทนยมใชจะมรปแบบตาง ๆ (โอภาส เอยมสรวงศ และสมโภชน
ชนเอยม, 2558) ไดก�าหนดกรอบท�างานตามวงจรการพฒนา
ระบบสารสนเทศ ทคอนขางชดเจน มการล�าดบกจกรรมใน
แตละระยะทแนนอน ท�าใหเราไดเขาใจถงกจกรรมพนฐาน
ขอบเขต และรายละเอยดตาง ๆ ในแตละระยะของการพฒนา
ระบบโดยจะมรปแบบดงตอไปน3,5
แบบจ�าลองน�าตก (Waterfall Model)
โดย อรยา ปรชาพาณช (2557) กลาววาแบบจ�าลอง
นเปนรปแบบการพฒนาระบบทนยมใชในอดตตงแตป ค.ศ.
1970 เปนตนมา จงเรยกไดวาเปนแบบจ�าลองดงเดม โดยม
หลกการท�างานใหเสรจในแตละขนตอนแลวจงจะท�างานในขน
ตอนตอไปได โดยไมสามารถยอนกลบไปแกไขขอผดพลาดใน
ขนตอนทผานมาได4
แผนภาพกระแสขอมล (Data Flow Diagram: DFD)
ศรลกษณ โรจนกจอ�านวย (2552) ไดนยามไววา
แผนภาพกระแสขอมลเปนการก�าหนดความตองการของระบบ
อยางมโครงสรางในลกษณะวเคราะหกระบวนการ (Process
Modeling) โดยใชเครองหมายเพอแสดงการเคลอนยายของ
ขอมลในระบบงานหนง ซงประกอบดวยกระแสของขอมล
(Flow of Data) กระบวนการ (Process) ขอมลทตองจดเกบ
(Data Store) และหนวยภายนอกหรอบคคลหรอระบบ
สารสนเทศทสงขอมลใหกบระบบ หรอรบขอมลจากระบบอน
(External Entity) โดยแผนภมกระแสขอมล แบงออกเปน
2 ประเภทหลกดงน
แผนภมกระแสขอมลแบบตรรกะ (Logical Data
Flow Diagram)
เปนการวเคราะหขอมลวาระบบหนงมขอมลอะไรเกด
ขนในขนตอนหนงๆ และเชอมโยงไปยงขนตอนอนๆ อยางไร
การวเคราะหแผนภมกระแสขอมลแบบตรรกะไมตองแสดงให
เหนถงอปกรณตางๆ หรอสอทจดเกบขอมล ประเภทของแฟม
ขอมล รวมถงการควบคมตางๆ และความปลอดภยของขอมล
Jatuporn Jirundorn et al. J Sci Technol MSU454
แผนภมกระแสขอมลแบบกายภาพ (Physical
Data Flow Diagram)
เปนการวเคราะหเพมเตมจากแผนภมกระแสขอมล
แบบตรรกะ โดยแผนภมแบบกายภาพจะแสดงใหทราบถงราย
ละเอยดในเรองของแฟมขอมลหลก (Master File) หรอแฟม
รายการ (Transaction File) หรอลกษณะของกระบวนการวา
เปนการท�าดวยคนหรอเครองคอมพวเตอร หรอแสดงราย
ละเอยดการตรวจสอบความถกตองของขอมลหรอรกษาความ
ปลอดภยของขอมล2
ฐานขอมล
วเชยร เปรมชยสวสด (2550) กลาวไววาฐานขอมล
เปนชดของขอมลทมความสมพนธกนทถกน�ามาจดเกบไวดวยกน
เพอใหสามารถใชขอมลเหลานนรวมกนไดอยางรวดเรวและม
ประสทธภาพ ตวอยางของฐานขอมลอยางงายๆ และเกยวของ
กบชวตประจ�าวนของเรา ไดแก สมดโทรศพท ซงเปนการจด
เกบรวมรวมรายชอและเบอรโทรศพทของผทเราตองการ
ตดตอดวย หรอ การจดเกบขอมลคาใชจายภายในครอบครว
เปนตน การจดเกบขอมลจะมประสทธภาพไดกตอเมอมวธการ
จดการขอมลทด กลาวคอ วธการจดเกบและคนคนขอมลตอง
เปนไปอยางมประสทธภาพและรวมเรว เชน มการจดเกบ
รายชอบางตามล�าดบตวอกษร เปนตน โดยทวไปเมอขอมลม
ขนาดใหญขน การสรางฐานขอมลมกจะกระท�าโดยใชเครอง
คอมพวเตอรเขามาชวย เพอใหสามารถจดเกบและใชขอมล
เหลานรวมกน ตลอดจนสามารถคนคนไดอยางรวดเรว
ระเบยบวธวจย งานวจยครงนมวตถประสงคเพอพฒนาระบบการ
บรหารทรพยากรขององคกรไดด�าเนนการตามขนตอนการ
พฒนาระบบงานมขนตอน ดงตอไปน
1. การก�าหนดปญหาและวเคราะหความตองการ
ของผใช
2. การวเคราะหและออกแบบระบบ
3. การพฒนาระบบและทดสอบระบบ
การก�าหนดปญหาและวเคราะหความตองการ
ของผใช
ผวจยไดใชแผนภมกางปลาในการก�าหนดปญหาและ
วเคราะหความตองการของผใชงาน
Figure 3 Fishbone diagram of the system
จากการใชแผนภมกางปลาในการก�าหนดปญหาและ
วเคราะหความตองการของผใชงาน พบวาการท�างานของ
สหกรณนนไมมการเกบขอมลทเปนปจจบน อกทงการเกบ
ขอมลยงเปนการเกบขอมลในรปแบบกระดาษไมเปนระเบยบ
ไมสามารถตรวจสอบ และตดตามขอมลการท�างานในแตละ
กระบวนการ ท�าใหทางผวจยไดปรบปรงรปแบบการเกบขอมล
การท�างานในแตละขนตอน เปนรปแบบฐานขอมลเพอใหงาย
ตอการตรวจสอบ และตดตามการท�างานในทกขนตอนไดอยาง
มประสทธภาพมากยงขน
การวเคราะหและออกแบบระบบ
ในการวเคราะหและออกแบบระบบ ม 2 ขนตอน
คอ 1) การวเคราะหความการตองการของผใชงาน 2) การ
ออกแบบแผนภาพกระแสขอมล 3) การออกแบบฐานขอมล
การวเคราะหความการตองการของผใชงาน
เมอท�าการรวบรวมขอมลและวเคราะหความตองการ
ของผใชเสรจสนแลวไดน�าขอมลมาท�าการวเคราะหเพอหาราย
ละเอยดของ List of External Entity, List of Data และ List
of Process โดยแสดงดง Figure 4
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on Web
Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN Community
455Vol 37. No 3, May-June 2018
Figure 4 List of External Entity, List of Data and List of
Process
การออกแบบแผนภาพกระแสขอมล
การสรางแผนภาพบรบท (Context Diagram) ซง
เปนแผนภาพกระแสขอมลระดบบนสดทแสดงภาพรวมการ
ท�างานของระบบทมความสมพนธกบสภาพแวดลอมภายนอก
ระบบทงยงแสดงใหเหนขอบเขตและเสนแบงเขตของระบบท
ศกษา และพฒนาอนดบแรกของการสรางแบบจ�าลองขนตอน
การท�างานของระบบนกวเคราะหระบบควรจะท�าการสราง
Context โดยแสดงดง Figure 5
Figure 5 Context diagram of the system
หลงสรางแผนภาพบรบทเขาสกระบวนการสราง
แผนภาพกระแสขอมลระดบท 1 ซงประกอบดวยโปรเซสหลก
6 โปรเซสประกอบดวย บนทกคมน�ายางรายวน ค�านวณยอด
รวมน�ายางรายวน สายการผลต เกบและค�านวณราคากลาง
ยางพารา บญชคมการจายคาน�ายางรายงวด ทนเรอนหน ตาม
ล�าดบ โดยแสดงดง Figure 6
Figure 6 Data flow diagram level-1
แผนภาพกระแสขอมลระดบท 2 ในสายการผลตซง
ประกอบดวยโปรเซสหลก 9 โปรเซสคอ การเตรยมน�ายางสด
เตมน�าสะอาด การเตมน�ากรด การแปรรปเปนแผนยางดบ
การรดแผน การรมควน การคดแยกยาง สตอกยาง และ
จ�าหนาย ตามล�าดบ โดยแสดงดง Figure 7
Figure 7 Data flow diagram level-2
การออกแบบฐานขอมล
หลงจากทมการออกแบบแผนภาพกระแสขอมลกเขา
สกระบวนการออกแบบฐานขอมลโดยใชโมเดลขอมลเชงสมพนธ
(Entity Relationship Model)
การพฒนาระบบ
หลงจากทไดท�าการวเคราะหและออกแบบระบบแลว
นน ท�าใหทราบถงขอมลระบบการจดการและการท�างานของ
ระบบทงหมดของการจดการสหกรณกองทนสวนยางต�าบล
Jatuporn Jirundorn et al. J Sci Technol MSU456
เกาะใหญ ขนตอนตอไปเปนการออกแบบหนาจอโปรแกรม
ซงจะน�าไปสการพฒนาระบบโดยทการออกแบบสวนตดตอกบผใช
และการพฒนาในสวนตางๆ ของระบบโดยผวจยไดยดหลกการ
ออกแบบการแสดงผลอยางมประสทธภาพซง นตตมา กวนพา
(2553) ไดใหค�านยามไวดงน
1. มความเรยบงาย (Simplicity) ใชงานไดอยาง
สะดวก สของตวอกษรมองงายไมหลากหลายเกนไป ในสวน
ของเนอหากใชตวอกษรสด�าบนพนขาว สรปวาหลกทส�าคญ
ของความเรยบงาย คอ การสอสารเนอหาถงผใชโดยจ�ากดองค
ประกอบเสรมทเกยวของกบการน�าเสนอใหเสนอเฉพาะสวนท
จ�าเปนเทานน
2. ความสม�าเสมอ (Consistency) ผวจยท�าสามารถ
สรางความสม�าเสมอใหกบฟอรมไดโดยใชรปแบบเดยวกน
ตลอดทงฟอรม โดยรปแบบของหนาฟอรมและโทนสทใชนน
เหมอนกนตลอดทกฟอรม
3. เนอหาทมประโยชน (Useful Content) เนอหา
เปนสงส�าคญในโปรแกรม ดงนนโปรแกรมควรจดเตรยมเนอหา
และขอมลทผใชตองการใหถกตอง โดยมการปรบปรงและเพม
เตมใหทนตอเหตการณอยเสมอ
4. มลกษณะทนาสนใจ (Visual Appeal) มเนอหา
ทเปนประโยชนตรงกบความตองการของผใช มการปรบปรง
เพมเตมเนอหา การใชงานสะดวก เขาใจงาย11
ผลการวจย ผลจากการวจย พบวา ระบบบรหารทรพยากรองคกร
ส�าหรบสหกรณกองทนสวนยางบนเวบแอพพลเคชนเพอสราง
ความสามารถในการแขงขนในการเขาสประชาคมอาเซยน
สามารถตอบโจทยความตองการในหลายๆ ดานของผปฏบตงาน
ในสหกรณกองทนสวนยาง ซงเปนหนวยงานทมการเกบขอมล
อยางซบซอนและคอนขางมขอมลเขาสหนวยงานมากขนเพม
ทกวน ซงท�าใหเกดความผดพลาดในการปฏบตงานไดบอย
ครง การพฒนาโปรแกรมนจงชวยลดระยะเวลาในการบนทก
ขอมล แกไขขอมลหรอลบขอมลไดดมากขน อกทงยงเกดความ
รวดเรวและไดขอมลทครบถวนถกตองตามความตองการ
ดงแสดงดงรปท 4 รปท 5 และรปท 6 ดงทกลาวมาแลว
ซงโปรแกรมใชเปนตนแบบในการพฒนาโปรแกรมอน หรอ
สามารถน�าไปประยกตใชในการพฒนาระบบทางดานขอมล
สารสนเทศระบบอน ๆ ได หรอน�าโปรแกรมนไปพฒนาตอยอด
ใหมความสมบรณแบบหรอมฟงกชนการใชงานมากกวาน เพอ
เพมความสะดวกและรวดเรวใหกบผใชงานมากขน
Figure 8 Main screen of the program
หนาจอแสดงผลหลกถอวาเปนหนาจอแรกทแสดงผล
ออกมาเมอท�าการเปดโปรแกรมโดยภายในหนาจอจะเปรยบ
เสมอนหนา Homepage ของโปรแกรมโดยในหนาแสดงผล
หลกนจะถกแยกออกเปน 5 สวนดวยกน ประกอบดวย
สวนท 1 แบนเนอรแสดงชอสหกรณกองทนสวนยาง
ต�าบลเกาะใหญ จ�ากด
สวนท 2 แถบเมนหลกซงเมอท�าการเลอกทเมนใด
เมนหนงตวเมนยอยของตวเลอกนนกจะปรากฏออกมาเพอให
ผใชไดเลอกใชงาน
สวนท 3 สวนพนทเนอหาทจะแสดงผลหลงจากท
ผใชงานไดท�าการเลอกเมนจากแถบเมน
สวนท 4 สวนเมนลดทไดท�าการเชอมโยงกบหนาของ
ขอมลทผใชงานใชบอย ชวยใหสะดวกยงขนโดยทไมตองหา
เมนยอยจากแถบเมนหลก
สวนท 5 สวนของ Copyright ใชแสดงลขสทธของ
ผพฒนาระบบเพอปองกนการลอกเลยนแบบ
Figure 9 Menu screen of member
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on Web
Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN Community
457Vol 37. No 3, May-June 2018
หนาจอแสดงการจดการขอมลสมาชกเปนเมนทใชใน
การเพม แกไข และพมพขอมลสมาชกออกมาในรปแบบ
เอกสารได
Figure 10 Menu screen of share
หนาจอแสดงการสอบถามขอมลทนเรอนหนเปนเมน
ทในกรณทผใชงานตองการทดวาสมาชกคนนมหนสะสมใน
ระบบอยเทาไหรโดยทจะสามารถทจะสอบถามขอมลหนสะสม
ทงหมด แบบรายป หรอแบบรายเดอน
Figure 11 Menu screen of Control_LatexDaily
หนาจอแสดงเกยวกบการบนทกรบซอน�ายางรายวน
ขอมลสมาชกพรอมทงมการค�านวณคาบางคาออกในไดอยาง
อตโนมต
Figure 12 Menu screen of smoke room
หนาจอแสดงการบนทกการใชหองรมควนเปนเมนท
ใชส�าหรบบนทกและตรวจสอบวาหองทใชอย ณ ปจจบนม
สถานะการใชงานหองอยางไรหากวาใชงานอยจะมก�าหนดยาง
ออกวนทเทาไหรเพอใชในการควบคมอณหภมหองในการรม
ควนแผนยางใหไดคณภาพมากทสด
ผลการวเคราะหขอมลเกยวกบระดบความพงพอใจ
ตอการใชงานระบบบรหารทรพยากรองคกรส�าหรบสหกรณ
กองทนสวนยางบนเวบแอพพลเคชน จากการพฒนาระบบโดย
ใชสหกรณกองทนสวนยางต�าบลเกาะใหญ อ�าเภอกระแสสนธ
จงหวดสงขลา เปนสหกรณตนแบบในการรวบรวมขอมลและ
พฒนาโปรแกรม เพอวดประสทธภาพจากผใชงานระบบ นกวจย
จงไดท�าการส�ารวจความพงพอใจตอการใชงานระบบจากสหกรณ
กองทนสวนยางตนแบบไปยงสหกรณกองทนสวนยางในพนท
อนๆ ในจงหวดสงขลา โดยการสมแบบเฉพาะเจาะจง ประกอบ
ดวย (1) พนทอ�าเภอกระแสสนธ จ�านวน 2 สหกรณ ประกอบ
ดวย สหกรณกองทนสวนยางต�าบลเกาะใหญ และสหกรณ
กองทนสวนยางบานยางทอง (2) พนทอ�าเภอรตภม จ�านวน
3 สหกรณ ประกอบดวย สหกรณกองทนสวนยางบนควนพารา
ทอง สหกรณกองทนสวนยางบานคลองกว และสหกรณ
กองทนสวนยางบานคลองเขาลอน (3) พนทอ�าเภอสะเดา
จ�านวน 2 สหกรณ ประกอบดวย สหกรณกองทนสวนยางบาน
ทงหลมนก และสหกรณกองทนสวนยางบานไรตก (4) พนท
อ�าเภอหาดใหญ 4 สหกรณ ประกอบดวย สหกรณกองทนสวน
ยางฉลงพฒนา สหกรณกองทนสวนยางทาขามพฒนายาง
สหกรณกองทนสวนยางบานทงปรอ และสหกรณกองทนสวน
ยางบานพรชบาพฒนา (5) พนทอ�าเภอเมองสงขลา จ�านวน
3 สหกรณ ประกอบดวย สหกรณกองทนสวนยางดอนขเหลก
พฒนา สหกรณกองทนสวนยางบานดอนขเหลก และสหกรณ
Jatuporn Jirundorn et al. J Sci Technol MSU458
กองทนสวนยางบานทรายขาว ตามล�าดบ โดยจดล�าดบของ
ระดบความพงพอใจตอการใชงานระบบ จากคาเฉลยของขอมล
ดงน (ศรชย พงษวชย, 2551) คาเฉลยระหวาง 4.21-5.00 คอ
มระดบความพงพอใจมากทสด คาเฉลยระหวาง 3.41-4.20 คอ
มระดบความพงพอใจมาก คาเฉลยระหวาง 2.61-3.40 คอ
มระดบความพงพอใจปานกลาง คาเฉลยระหวาง 1.81-2.60
คอ มระดบความพงพอใจนอย และคาเฉลยระหวาง 1.00-1.80
คอ มระดบความพงพอใจนอยทสด ตามล�าดบ ทงนไดส�ารวจ
ระดบความพงพอใจตอการใชงานระบบ แบงเปน 3 ดาน ไดแก
ดานการออกแบบระบบ จ�านวน 5 ขอ ดานเสถยรภาพระบบ
จ�านวน 6 ขอ และดานประโยชนของระบบตอการปฏบตงาน
จ�านวน 4 ขอ ตามล�าดบ โดยสรปผลจากการหาคาเฉลย
เลขคณต (Mean) และคาสวนเบยงเบนมาตรฐาน (Standard
Deviation) จากกลมตวอยางทงหมด ดงแสดงผลการวเคราะห
ใน Table 1
Table 1 The average and standard deviation of the
satisfaction level of Rubber Replanting Aid Fund
Cooperative
ความพงพอใจ
ตอการใชงานระบบ
S.D. ระดบ
ดานการออกแบบระบบ
1. รปแบบการใชงานระบบ
ความงายในการเขาถงขอมล
4.79 0.426 มากทสด
2. ระบบขอมลเปนหมวดหม 4.50 0.519 มากทสด
3. กระบวนการท�างานของระบบ
มความรวดเรวในการเรยกใช
บรการ
4.79 0.426 มากทสด
4. การออกแบบใหใชงานงาย เมน
ไมซบซอน
4.71 0.469 มากทสด
5. ความสะดวกในการใชงาน
โปรแกรม รปแบบและวธการน�า
เสนอขอมล
5.00 0.000 มากทสด
ดานเสถยรภาพระบบ
1. ความถกตองแมนย�าของระบบ 4.64 0.497 มากทสด
2. ระบบมประสทธภาพ 4.50 0.519 มากทสด
3. ความเหมาะสมในการใชงาน
ขอมลตอบสนองตอความ
ตองการของผใช
4.86 0.363 มากทสด
4. มความปลอดภยในการเขาถง
ขอมล
4.79 0.426 มากทสด
5. ความครบถวนสมบรณ
ของขอมล
5.00 0.000 มากทสด
ความพงพอใจ
ตอการใชงานระบบ
S.D. ระดบ
6. ระบบสามารถใชงานไดอย
ตลอดเวลา
5.00 0.000 มากทสด
ดานประโยชนของระบบตอการปฏบตงาน
1. เพมประสทธภาพในการปฏบต
งานรวดเรวขน
5.00 0.000 มากทสด
2. ชวยในการเกบรวบรวมขอมล
และการประมวลผลขอมลใน
การจดท�ารายงาน
4.79 0.426 มากทสด
3. ตรงตามวตถประสงคทตองการ 4.71 0.469 มากทสด
4. ความสามารถของระบบใน
การน�าไปใชประโยชน
5.00 0.000 มากทสด
5. ความพงพอใจในภาพรวมตอ
การใชงานระบบ
4.80 0.142 มากทสด
กตตกรรมประกาศการวจยนไดรบทนจากงบประมาณแผนดน ป 2557 จาก
มหาวทยาลยเทคโนโลยราชมงคลศรวชย
เอกสารอางอง1. วเชยร เปรมชยสวสด. ระบบฐานขอมล. พมพครงท 11.
กรงเทพมหานคร: ส�านกพมพสมาคมสงเสรมเทคโนโลย
(ไทย-ญปน); 2550.
2. ศรลกษณ โรจนกจอ�านวย. การออกแบบและบรหารฐาน
ขอมล. พมพครงท 3. กรงเทพมหานคร: ส�านกพมพดวง
กมลสมย; 2552.
3. โอภาส เอยมสรวงศ และ สมโภชน ชนเอยม. การวเคราะห
และออกแบบระบบ. กรงเทพมหานคร: ส�านกพมพซเอด
ยเคชน; 2558.
4. อรยา ปรชาพาณช. คมอเรยน การวเคราะหและออกแบบ
ระบบ (System Analysis and Design) ฉบบสมบรณ.
พมพครงท 1. นนทบร: ส�านกพมพไอดซ พรเมยร; 2557.
5. ณฏฐพน เขจรนนทน. การวเคราะหและออกแบบระบบ
สารสนเทศ. กรงเทพมหานคร: ส�านกพมพซเอดยเคชน;
2551.
6. กรมอาเซยน กระทรวงตางประเทศ. 2560. ประชาคม
อาเซยน. สบคนวนท 15 กมภาพนธ 2560 จาก http://
www.mfa.go.th/asean/contents/files/other-20170419-
093427-318548.pdf
Table 1 The average and standard deviation of the
satisfaction level of Rubber Replanting Aid Fund
Cooperative (continue)
Enterprise Resources Planning for Rubber Replanting Aid Fund Cooperative on Web
Application in Order to Enhance the Competitiveness in Gearing Toward ASEAN Community
459Vol 37. No 3, May-June 2018
7. ส�านกงานพฒนาธรกรรมทางอเลกทรอนกส. 2560. En-
terprise Resource Planning (ERP). สบคนวนท 2
กมภาพนธ 2560 จาก https://www.etda.or.th/con-
tent/1830.html
8. พจนานกรม ราชบณฑตยสถาน. 2560. สหกรณ. สบคน
วนท 15 กมภาพนธ 2560 จาก http://www.royin.go.th/
?knowledges=สหกรณ-๒๖-สงหาคม-๒๕๕๓
9. ศรชย พงษวชย. การวเคราะหขอมลทางสถตดวย
คอมพวเตอร. กรงเทพมหานคร: ส�านกพมพแหง
จฬาลงกรณมหาวทยาลย; 2551.
10. ส�านกงานกองทนสงเคราะหการท�าสวนยาง. (2553)
รายงานการเงนและงบการเงนประจ�าป 2553. สบคน
วนท 18 มนาคม 2557 จากhttp://www.raot.co.th/ewt_
dl_link.php?nid=2773
11. นตตมา กวนพา. การออกแบบเวบไซตงายๆ สไตลมอ
อาชพดวย Dream Weaver CS4. กรงเทพมหานคร:
โรงเรยนอนเทอรเนตและการออกแบบ; 2553.
12. ณฐพล คชายงยน. ปจจยทมผลตอการยอมรบระบบ ERP:
กรณศกษา ระบบ Navisionของบรษท ปทมไรซมล แอนด
แกรนาร จ�ากด (มหาชน). วทยานพนธปรญญาบรหาร
ธรกจมหาบณฑต สาขาระบบสารสนเทศ มหาวทยาลย
เทคโนโลยราชมงคลธญบร; 2551
13. ส�านกงานคณะกรรมการก�ากบการซอขายสนคาเกษตร
ลวงหนา. 2557. การผลตยางพาราของโลกและประเทศ
ผผลตส�าคญ. สบคนวนท 10 มนาคม 2557 จาก http://
www.aftc.or.th/
14. นายอาคม สงวนหม. ส�ารวจความพงพอใจของผใชงาน
ERP-SAP ในประเทศไทย. วทยานพนธปรญญาบรหาร
ธรกจมหาบณฑต สาขาระบบสารสนเทศ มหาวทยาลย
เทคโนโลยราชมงคลธญบร; 2549
15. สวรนทร ประดษฐอกฤษฎ, รญชนา สนธวาลย, นภสพร
มมงคล. การประเมนประสทธภาพของสหกรณกองทน
สวนยางในจงหวดสงขลา โดยใชวธ DEA. วารสารวจย
มข 2556;(18)5:793-802
16. นฤมล พฤกษา, บญชา สมบรณสข, จตต มงคลชยอรญ
ญา,สายณห สดด. รปแบบเครอขายสหกรณกองทนสวน
ยาง : กรณศกษาสหกรณกองทนสวนยาง ในอ�าเภอเทพา
จงหวดสงขลา. วารสารหาดใหญวชาการ 2554;(9)1:33-7
17. ส�านกงานกองทนสงเคราะหการท�าสวนยาง กระทรวงเกษตร
และสหกรณ. ค มอสงเสรมสหกรณกองทนสวนยาง.
กรงเทพมหานคร: โรงพมพชมนมสหกรณการเกษตรแหง
ประเทศไทย; 2538.
คำ�แนะนำ�สำ�หรบผนพนธ
วารสารวทยาศาสตรและเทคโนโลย มหาวทยาลยมหาสารคาม กำาหนดพมพปละ 6 ฉบบ ฉบบท 1 (มกราคม-
กมภาพนธ)ฉบบท2(มนาคม-เมษายน)ฉบบท3(พฤษภาคม-มถนายน)ฉบบท4(กรกฎาคม-สงหาคม)ฉบบท5(กนยายน-
ตลาคม)ฉบบท6(พฤศจกายน-ธนวาคม)ผนพนธทกทานสามารถสงเรองมาพมพไดโดยไมตองเปนสมาชกและไมจำาเปนตอง
สงกดมหาวทยาลยมหาสารคามผลงานทไดรบการพจารณาในวารสารจะตองมสาระทนาสนใจเปนงานททบทวนความรเดม
หรอองคความรใหมททนสมย รวมทงขอคดเหนทางวชาการทเปนประโยชนตอผอาน และจะตองเปนงานทไมเคยถกนำา
ไปตพมพเผยแพรในวารสารอนมากอนและไมอยในระหวางพจารณาลงพมพในวารสารใดบทความอาจถกดดแปลง แกไข
เนอหา รปแบบ และสำานวนตามทกองบรรณาธการเหนสมควรทงนเพอใหวารสารมคณภาพในระดบมาตรฐานสากลและ
นำาไปอางองได
ก�รเตรยมตนฉบบ 1. ตนฉบบพมพเปนภาษาไทยหรอภาษาองกฤษกไดแตละเรองจะตองมบทคดยอทงภาษาไทยและภาษาองกฤษ
การใชภาษาไทยใหยดหลกการใชคำาศพทการเขยนทบศพทภาษาองกฤษตามหลกของราชบณฑตยสถานใหหลกเลยงการ
เขยนภาษาองกฤษปนภาษาไทยในขอความยกเวนกรณจำาเปนเชนศพททางวชาการทไมมทางแปลหรอคำาทใชแลวทำาให
เขาใจงายขนคำาศพทภาษาองกฤษทเขยนเปนภาษาไทยใหใชตวเลกทงหมดยกเวนชอเฉพาะสำาหรบตนฉบบภาษาองกฤษ
ควรไดรบความตรวจสอบทถกตองดานการใชภาษาจากผเชยวชาญดานภาษาองกฤษกอน
2. ขนาดของตนฉบบ ใชกระดาษขนาด A4 (8.5x11 นว) และพมพโดยเวนระยะหางจากขอบกระดาษดานละ
1นวจดเปน2คอลมน
3. ชนดของขนาดตวอกษรทงภาษาไทยและภาษาองกฤษใหใชตวอกษรBrowallia New ชอเรองใหใชอกษร
ขนาด 18 pt. ตวหน� ชอผนพนธใชอกษรขนาด16 pt. ตวปกต หวขอหลกใชอกษรขนาด16 pt. ตวหน� หวขอรองใช
ตวอกษรขนาด14 pt. ตวหน�บทคดยอและเนอเรองใชตวอกษรขนาด14 pt. ตวหน�เชงอรรถหนาแรกทเปนชอตำาแหนง
ทางวชาการและทอยของผนพนธใชอกษรขนาด12 pt. ตวหน�
4. การพมพตนฉบบผเสนองานจะตองพมพสงตนฉบบในรปแบบของแฟมขอมลตอไปนอยางใดอยางหนงไดแก
".doc"(MSWord)หรอ".rft"(RichText)
5. จำานวนหนาความยาวของบทความไมควรเกน15หนารวมตารางรปภาพและเอกสารอางอง
6. จำานวนเอกสารอางองไมเกน2หนา
7. รปแบบการเขยนตนฉบบ แบงเปน 2 ประเภท ไดแก ประเภทบทความรายงานผลวจยหรอบทความวจย
(researcharticle)และบทความจากการทบทวนเอกสารวจยทผอนทำาเอาไวหรอบทความทางวชาการหรอบทความทวไป
หรอบทความปรทศน(reviewarticle)
บทคว�มร�ยง�นผลวจย ใหเรยงลำ�ดบหวขอดงน
ชอเรอง (Title) ควรสนกะทดรดและสอเปาหมายหลงของงานวจยไมใชคำายอความยาวไมเกน100ตวอกษร
ชอเรองใหมทงภาษาไทยและภาษาองกฤษ
ชอผนพนธ [Author(s)]และทอย ใหมทงภาษาไทยและภาษาองกฤษและระบตำาแหนงทางวชาการหนวยงาน
หรอสถาบนทสงกดและE-mailaddressของผนพนธไวเปนเชงอรรถของหนาแรกเพอกองบรรณาธการสามารถตดตอได
บทคดยอ (Abstract) เปนการยอเนอความงานวจยทงเรองใหสน และมเนอหาครบถวนตามเรองเดม ความยาว
ไมเกน250คำาหรอไมเกน10บรรทดและไมควรใชคำายอ
คำ�สำ�คญ (Keyword) ใหระบไวทายบทคดยอของแตละภาษาประมาณ4-5คำาสนๆ
บทนำ� (Introduction) เปนสวนเรมตนของเนอหาทบอกความเปนมาเหตผลและวตถประสงคทนำาไปสงานวจยน
ใหขอมลทางวชาการทเกยวของจากการตรวจสอบเอกสารประกอบ
วสดอปกรณและวธก�รศกษ� (Materials and Methods) ใหระบรายละเอยด วน เดอนปททำาทดลอง วสด
อปกรณสงทนำามาศกษาจำานวนลกษณะเฉพาะของตวอยางทศกษาอธบายวธการศกษาแผนการทดลองทางสถตวธการ
เกบขอมลการวเคราะหและการแปรผล
ผลก�รศกษ� (Results) รายงานผลทคนพบ ตามลำาดบขนตอนของการวจย อยางชดเจนไดใจความ ถาผลไม
ซบซอนและมตวเลขไมมากควรใชคำาบรรยายแตถามตวเลขหรอตวแปลมากควรใชตารางหรอแผนภมแทน
วจ�รณและสรปผล (Discussion and Conclusion) แสดงใหเหนวาผลการศกษาตรงกบวตถประสงคและ
เปรยบเทยบกบสมมตฐานของการวจยทตงไวหรอแตกตางไปจากผลงานทมผรายงานไวกอนหรอไมอยางไรเหตผลใดจงเปน
เชนนน และมพนฐานอางองทเชอถอได และใหจบดวยขอเสนอแนะทนำาผลงานวจยไปใชประโยชนหรอทงประเดนคำาถาม
การวจยซงเปนแนวการสำาหรบการวจยตอไป
ต�ร�ง รป ภ�พ แผนภม (Table, Figures, and Diagrams) ควรคดเลอกเฉพาะทจำาเปนแทรกไวในเนอเรองโดย
เรยงลำาดบใหสอดคลองกบคำาอธบายในเนอเรองและมคำาอธบายสนๆเปนภาษาองกฤษทสอความหมายไดสาระครบถวน
กรณทเปนตารางคำาอธบายอยดานบนถาเปนรปภาพแผนภมคำาอธบายอยดานลาง
กตตกรรมประก�ศ (Adcknowledgements) ระบสนๆวางานวจยไดรบงานสนบสนนและความชวยเหลอจาก
องคกรใดหรอผใดบาง
เอกส�รอ�งอง (References) ระบรายการเอกสารทนำามาใชอางองใหครบถวนไวทายเรอง โดยใช Vancouver
Styleดงตวอยางขางลางและสามารถดรายละเอยดและตวอยางเพมเตมไดทwww.journal.msu.ac.th
1. ก�รอ�งองหนงสอ
รปแบบ: ชอผแตง.ชอเรอง.พมพครงท.สถานทเมองพมพ:สำานกพมพ;ปทพมพ.p22-5.(ชอชด;vol288).
ตวอย�ง: Getqen,TE.Healtheconomics:Fundamentalsoffunds.NewYork:JohnWiley&Son;1997.P.12-5
(AnnalsofNewYorkacademyofscience;voll288).
ชมพนชอองจต.คลนไฟฟาหวใจทางคลนก.พมพครงท5กรงเทพ:จฬาลงกรณมหาวทยาลย;2539
2. ก�รอ�งองจ�กว�รส�ร
รปแบบ:ชอผแตง.ชอเรองหรอชอบทความ.ชอยอวารสาร.ปทพมพเดอนยอ3ตวอกษรวนท;ปท(ฉบบท):เลขหนา.
ตวอย�ง:
ก. วารสารไมเรยงหนาตอเนองกนตลอดป
RussellFK,CoppellAL,DavenportAP.LnvitroenzymaticprocessingofradiolabelledbigET-1inhumanKidney
asafoodingredient,BiochemPharmacol1998Mar1;55(5):697-701
พจารณ เจรญศร. การปรบความพรอมเทคโนโลยสารสนเทศและการสอสารกอนรนเขาสโลกกาววฒนครงใหม. นกบรหาร
2547;24(2):31-6
ข. วารสารเรยงหนาตอเนองกนตลอดป
RussellFD,CoppellALDavenportAP.LnvitroenzymaticprocessingofradiolabelledbigET-1inhumanKidney
asafoodingredient,BiochemPharmacol1998;55:697-701
พจารณ เจรญศร. การปรบความพรอมเทคโนโลยสารสนเทศและการสอสารกอนรนเขาสโลกกาววฒนครงใหม. นกบรหาร
2547;24(2):31-6
3. ร�ยง�นจ�กก�รประชมวช�ก�ร
รปแบบ : ชอผแตง.ชอเรอง.ใน:ชอคณะบรรณาธการ,editors.ชอเอกสารรายงานการสมนาเดอน(ยอ3ตว)วนท;เมอง
ทสมมนา,ประเทศ.เมองทพมพ:สำานกพมพ;ปทพมพ.P.1561-5
ตวอย�ง: BengtssonS,solheimBG.Enforcementofdataprotection,privacyandsecurityandsecurityinmedical
infromatics.Ln:LunKC,DegouletP,PiemmeTE,ReinhoffO,editors.MEDINFO92.Procedingsofthe7thWorld
CongressonMedicalInformatics;1992Sep6-10;Geneva,Switqerland,Amsterdam:NorthHolland;1992.P.1561-5.
พทกษพทธวรชย,กตตบญเลศนรนดทะนงศกดมณวรรณ,พองามเดชคำารณ,นภาขนสภา.การใชเอทธฟอนกระตน
การสกของพรก.ใน:เอกสารการประชมสมมนาทางวชาการสถาบนเทคโนโลยราชมงคลครงท15.สถาบนวจยและพฒนา
สถาบนเทคโนโลยราชมงคล.กรงเทพฯ;2541.หนา142-9
4. ก�รอ�งองจ�กพจน�นกรม
รปแบบ: ชอพจนานกรม.พมพครงท.เมองหรอสถานทพมพ;ปทพมพ.หนา.
ตวอย�ง: Stedmin'smedicaldictionary.26thed.Baltimore:Williams&Wilkins;1995.Apraxia;p.119-20.
พจนานกรมฉบบราชบณฑตยสถานพ.ศ.2542.กรงเทพฯ:นานมบคพบลเคชนส;2546.หนา1488
5. ก�รอ�งองจ�กหนงสอพมพ
รปแบบ: ชอผแตง.ชอเรอง.ชอหนงสอพมพปเดอนวน;Sect.:sohk15.
ตวอย�ง: LeeG. Hospitalizations tied to ozone pollution: study estimates 50,000 admissions annually. The
WashingtonPost1996Jun21;Sect.A:3(col.5).
พรรณรงรตนสทศตงทมพฒนาขอสอบระดบชาตมนใจคณภาพ.เดลนวส12พฤษภาคม2548.
6. อ�งองจ�กหนงสออเลกทรอนกส
รปแบบ: ชอผแตง.ชอเรอง.ชอวารสารอเลกทรอนกส[หรอserialonline]ปทพมพเอกสารถาจำาเปนระบเดอนดวย;Volno
(ฉบบท):[จำานวนหนาจากการสบคน].ไดจาก:URL:http://www.edc/gov/neidoc/EID/eid.htmวนทเดอนปททำาการสบคน
(เขยนเตม)
ตวอย�ง: MoreSS.Factorsintheemergenceofinfectiousdisease,EmerhInfectDis[serialonline]1995Jan-Mar;
(1):[24screene].Availablefrom:RL:http://www.edc/gov/neidoc/EID/eid.htmAccessed25,1999.
ธรเกยรต เกดเจรญ.นาโนเทคโนโลยความเปนไปไดและทศทางในอนาคต.วารสารเทคโนโลยวสดตลาคม-ธนวาคม(17):
2542ไดจาก:http://www.nanotech.sc.mahidol.ac.th/index.htmlMay132005.
Instruction for Authors
Researchmanuscriptsrelevanttosubjectmattersoutlinedintheobjectivesareacceptedfromallinstitutions
andprivatepartiesprovidedtheyhavenotbeenpreprintedelsewhere.Thecontextofthepapersmayberevised
asappropriatetothestandard.Vol.1(January-February)Vol.2(March-April)Vol.3(May-June)Vol.4(July-August)
Vol.5(September-October)Vol.6(November-December)
Preparation of manuscripts:
1. ManuscriptscanbewrittenineitherThaiorEnglishwiththeabstractinbothThaiandEhglish.Papers
shouldbespecific,clear,concise,accurate,andconsistent.Englishlanguagemanuscriptsshouldbecheckedby
anEnglishlanguageeditorpriortosubmission.
2. ManuscriptsshouldbetypedinMSword".doc"or".rtf"(RichText)onstandardsizepaper,A4or
8.5x11inches,andarrangedintwocolumns:singlespaceforEnglish,doublespaceforThailanguage.
3. Browalliafonttypeisrequiredwithfontsiqeasfollows:
Titlethearticle:18pt.Bold
Name(s)oftheauthors:16pt.
MainHeading:16pt.Bold
Sub-heading:14pt.Bold
Bodyofthetext:14pt
Footnotesforauthorsandtheiraffiliations:12pt.
4. Thenumberofpagesto15,includingreferences,tables,graphs,orpictures.
5. Typesofmunuscriptsaccepted:researcharticlesandreviewarticles.
6. Organizationofresearcharticles.
Title: denotedinbothThaiandEnglish,mustbeconciseandspecifictothepoint,normallylessthan100characters.
Name(s):oftheauthor(s)andtheiraffiliationmustbegiveninbothThaiandEnglish.
Abstract: Thissectionofthepapershouldfollowaninformativestyle,conciselycoveringalltheimportantfindings
inthetext.Authorsshouldattempttorestricttheabstracttonomorethan250words.
Keywords: Giveatleast4-5concisewords.
Thebodyofthetextcomprisesthefollowingheadings:
Introduction: Asummaryofwhoisdoingwhat,whywhere,andwhen?
Materials and Methods: Adiscussionofthematerialsused,andadescriptionclearlydetailinghowtheexperiment
wasundertaken,e.g.,experimentaldesigh,datacollectionandanalysis,andinterpretation.
Results: Presenttheoutput.Litheinformationincomplicated,addtables,graphs,disgramsetc.,asnecessary.
Discussion and Conclusion: Discusshowtheresultsarerelevanttotheobjectivesorformerfindings,why?Finally
statewhatrecommendationscouldbedrawn.
Tables, figures,diagrams, pictures: shouldbescreenedforthoseimportanttosupportthefindings,andseparated
fromthetext.Captionsshouldbeplacedabovethetablesbutunderthefigures.
Acknowledgement:thenameofthepersons,organization,orfundingagencieswhohelpedsupporttheresearch
areacknowledgedinthissection.
References: listedandreferredtoinvancouverstyle.
(http://www.library.uqedu.au/training/citation/vancouv.thml)
7. Authorsofreviewarticlesshouldfollowthetypicalformatstyle.Thisincludesanintroduction,thebody
ofcontent,conclusion,andreferences.
Submission of manuscripts ManuscriptscanbesubmittedtotheEditorialBoard,DepartmentofResearchSupportandDevelopment,
MahasarakhamUniversity,KhamriangSubdistrict,KantarawichaiDistrict,
MahaSarakhamProvince,44150.Tel:0-43754416or0-43754416ext.1339.Fax:0-43754416.
Theauthorshouldsubmittheoriginalpaperandonecopytogetherwithawrittendisc.
Review of manuscripts:
1. Theeditorialboardwillreviewallmanuscriptsforformatcompliance.Manuscriptsformattedincorrectly
willbereturnedtotheauthorforcorrection.
2. Followingsubmissionofthecorrectedmanuscript,thePeerReviewCommitteewillreviewandoffer
comments
3. Manuscripts receiving theapprovalof thePeerReviewCommittemaybe returned to theauthor
forrevisionasadvisedbytheCommittee.ManuscriptsfailingtoadopttheCommittee'ssuggestionswillnotbe
published.
ใบสมครเปนสม�ชกว�รส�รวทย�ศ�สตรและเทคโนโลย
มห�วทย�ลยมห�ส�รค�ม
วนท............เดอน.......................................พ.ศ..............
ชอ-นามสกล......................................................................................................................................................................
ทอยบานเลขท................หมท.............ถนน.....................................................แขวง/ตำาบล...............................................
อำาเภอ.....................................................จงหวด.....................................................รหสไปรษณย.....................................
โทรศพท.............................................โทรสาร...........................................E-mail.............................................................
หนวยงาน.........................................................................................................................................................................
........................................................................................................................................................................................
........................................................................................................................................................................................
ถนน..................................................แขวง/ตำาบล...................................................อำาเภอ................................................
จงหวด.....................................................รหสไปรษณย.................................................โทรศพท......................................
❏ สมครเปนสมาชกหนงป คาสมคร400บาท
❏ สมครเปนสมาชกสองปตดตอกน คาสมคร800บาท
ทานสามารถสงจายธนาณตหรอตวแลกเงนสงจายปณ.ทาขอนยางในนาม:
น�งฉววรรณ องครรคะเศรษฐง กองสงเสรมก�รวจยและบรก�รวช�ก�ร มห�วทย�ลยมห�ส�รค�ม
ตำ�บลข�มเรยง อำ�เภอกนทรวชย จงหวดมห�ส�รค�ม 00033
✄
Membership Application Form
Journal of Science and Technology Mahasarakham University
Date.................................................................
Name(Last)......................................................................(First)......................................................................................
MailingAddress...............................................................................................................................................................
........................................................................................................................................................................................
Sub-district...................................................................... District..............................................................................
Province(City/state)........................................................ Country.............................................................................
PostalCode..................................................................... E-mailAddress.................................................................
TelephoneNo.................................................................. FaxNo.............................................................................
❏ One-Yearmembership (400Baht)
❏ TwoYearMembership (800Baht)
Pleasesendyourpersonalcheckormoneyordertothefollowingaddress:
Mrs.ChaweewanAkkasesthang,DivisionofResearchSupprtandDevelopment,Boromarachakumaree
Building,KhamriangSub-district,KantharawichaiDistrict,MahaSarakhamProvince00033
พมพท :หจก.โรงพมพคลงนานาวทยาโทร.043-466444โทรสาร043-466863Email:[email protected]
✄