Forecasting Welfare Demand Using Data Mining Techniques

Abstract

This research aims to create algorithm models and compare the efficiency of data mining techniques used to predict the welfare demands of personnel within an organization. The dataset used in this research consists of 330 records and a total of 37 variables. All data underwent data cleaning, data transformation and data balancing for unequal or insufficient data sizes using the SMOTE technique. The data was newly collected from questionnaires that had been evaluated by experts and was gathered between November and December 2025. The personnel welfare demands were divided into 5 categories, based on Maslow's hierarchy of needs theory. This research compared 3 algorithms: Support Vector Machine, Extreme Gradient Boosting, and Artificial Neural Network. The performance of the models was evaluated using 4 metrics: Accuracy, Precision, Recall and F-Measure. The results of the study showed that the Support Vector Machine model yielded the best performance. When tested on unseen data, it achieved an Accuracy of 94.67%, a Precision of 0.948, a Recall of 0.947, and an F-Measure of 0.946.

งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองอัลกอริทึมและเปรียบเทียบประสิทธิภาพของเทคนิคเหมืองข้อมูลเพื่อใช้ในการพยากรณ์ความต้องการด้านสวัสดิการของบุคลากรภายในองค์การ ซึ่งชุดข้อมูลที่ใช้ในการวิจัยนี้ ประกอบด้วย ข้อมูลจำนวน 330 รายการ และมีตัวแปรทั้งหมด 37 ตัวแปร ข้อมูลทั้งหมดได้รับการทำความสะอาดข้อมูล การแปลงค่าจากตัวอักษรเป็นตัวเลข และการปรับสมดุลของข้อมูลที่มีจำนวนไม่เท่ากันหรือมีจำนวนน้อยเกินไปด้วยเทคนิคการสุ่มเพิ่มข้อมูลกลุ่มน้อยด้วยวิธีการสังเคราะห์ โดยข้อมูลดังกล่าวได้ทำการเก็บรวบรวมข้อมูลขึ้นมาใหม่จากแบบสอบถามที่ได้ผ่านผู้ทรงคุณวุฒิร่วมประเมินแบบสอบถามและจัดทำการรวบรวมในห้วงเดือนพฤศจิกายนถึงธันวาคม 2568 ซึ่งกลุ่มความต้องการด้านสวัสดิการของบุคลากรได้ถูกแบ่งออกเป็น 5 ขั้น โดยอ้างอิงตามทฤษฎีลำดับขั้นความต้องการของมาสโลว์ งานวิจัยนี้ได้ทำการเปรียบเทียบอัลกอริทึม 3 วิธี ได้แก่ ซัพพอร์ตเวกเตอร์แมชชีน เอกซ์ตรีม เกรเดียนต์บูสติง และ โครงข่ายประสาทเทียม ประสิทธิภาพของโมเดลถูกประเมินด้วยตัวชี้วัด จำนวน 4 ตัวชี้วัด ได้แก่ ค่าความถูกต้อง ค่าความแม่นยำ ค่าความระลึก และค่าการถ่วงดุล ผลการศึกษาแสดงให้เห็นว่าโมเดล ซัพพอร์ตเวกเตอร์แมชชีน มีประสิทธิภาพดีที่สุด โดยเมื่อทดสอบกับข้อมูลที่ไม่เคยใช้ในการฝึก สามารถให้ค่าความถูกต้อง เท่ากับ 94.67% ค่าความแม่นยำ เท่ากับ 0.948 ค่าความระลึก เท่ากับ 0.947 และค่าการถ่วงดุล เท่ากับ 0.946