In the world of blood donation, there are 2 types of people: those who donate blood and those who don't. Most campaigners emphasize how to persuade more people to donate blood and recruit more new blood donors. We believe that even though such focus is important, there're more critical aspects that might have been neglected, which is: for those who have already made up their minds to be blood doners, will they be successful in donating when the time comes? According to our studies, only 63 % of attempted doners are successful. Regrettably, 37 % has to go home disappointed as their bodies are not fit for the conditions required by Red Cross medical staff at blood donation centers (which include some most basic preparations such as low-fat food intake and 8-hours sleep on the night before). Our campaign, ‘Blood in Need, Buddy Indeed’, focuses on 2 aspects. Firstly, to persuade more people to donate blood. Secondly, for those who have made up their minds to donate blood, we will provide necessary support (both body and mind) so that they are fully prepared and successful in donating blood when the time comes via networks of systems, staffs and the newly designed and prototype of the application ‘Blood D’. Our campaign covers the whole ‘before/during/after’ experience of users (as blood doners). Support includes assessment of their current condition whether they are within the requirement of Red Cross Blood Bank. ‘Blood D’ will also provide relevant information on blood donating events, such as locations, and time booking. Once sign-up, the application “Blood D” will sent friendly reminder and clear infographic on how to prepare their bodies as daily notifications during the 7 days countdown. This is to ensure that the users’ blood will be ‘D’ (homophone of the Thai word ‘ดี’ which mean ‘good’ and at the same time playing on the word ‘ Buddy’) or be the ‘good blood’ that can save lives for those in need. After organizing 4 blood donation events both within and outside the KMITL. The numbers of successful blood doners have increased from 63 % to 78 % (this number is the average of 4 events, with the most successful event of 89%). The campaign has won the first runner up in national blood donation campaign competition. It is highly anticipated that once the application “Blood D” is fully launched, it will help increase the amount of blood collected up to 15% with the same numbers of existing doners.
ในวิกฤตของการขาดแคลนเลือด เป็นอุปสรรคสำคัญต่อการรักษาผู้ป่วยที่ต้องการเลือด การบริจาคเลือดจึงเป็นสิ่งที่สำคัญอย่างยิ่งในการช่วยชีวิตผู้ป่วยที่ต้องการเลือด แต่ปัจจุบันยังคงมีปัญหาเกี่ยวกับปริมาณเลือดที่ไม่เพียงพอต่อความต้องการของผู้ป่วย ซึ่งมีสาเหตุหลายอย่าง ได้แก่ ความไม่พร้อมของผู้บริจาคเลือด ทั้งในด้านร่างกายและจิตใจ การขาดความรู้เกี่ยวกับการเตรียมความพร้อมก่อนการบริจาคเลือด การละเลยข้อห้ามสำคัญ หรือความกังวล รวมถึงความกลัว และการมีประสบการณ์ที่ไม่ดีจากการบริจาคเลือด ซึ่งสาเหตุต่าง ๆ ที่กล่าวมา ล้วนเป็นอุปสรรคที่ส่งผลให้การบริจาคเลือดไม่เป็นผลสำเร็จ และนำไปสู่ปัญหาของการขาดแคลนเลือด ดังนั้นคณะผู้จัดทำโครงการจึงเล็งเห็นปัญหาที่เป็นอุปสรรคต่อความสำเร็จในการบริจาคเลือด นำไปสู่การออกแบบแอพพลิเคชั่นที่ช่วยเตรียมความพร้อมด้านร่างกายและจิตใจสำหรับผู้ที่ต้องการบริจาคเลือด เพื่อให้ผู้ที่ต้องการบริจาคเลือดมีความพร้อมสำหรับการบริจาคเลือดมากที่สุด ซึ่งไม่เพียงเป็นการช่วยเพิ่มอัตราความสำเร็จให้กับการบริจาคเลือด แต่ยังช่วยสร้างความมั่นใจให้กับผู้ที่ต้องการบริจาคเลือด และส่งเสริมให้เกิดการบริจาคเลือดเพิ่มมากขึ้นอีกด้วย
คณะบริหารธุรกิจ
This project is a part of KMITL business student’s thesis. The topic is business plan about blazers and trousers made by recycled fabric
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
คณะศิลปศาสตร์
"Niyom Thai" represents health-centric footwear adorned with traditional Thai patterns, embodying an innovative approach to sustainable development tailored to the current needs of local communities. These shoes utilize natural materials to mitigate fatigue and integrate safety technologies, including location tracking via a mobile application and heart rate monitoring. This addresses the aspects of convenience and well-being in both daily life and travel