ระบบสนับสนุนการตัดสินใจวางแผนการปลูกพืชเศรษฐกิจโดยใช้เทคนิคการเรียนรู้ของเครื่องแบบต้นไม้ตัดสินใจ: กรณีศึกษาตำบลหัวเรือ อำเภอเมือง จังหวัดอุบลราชธานี
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อพัฒนาระบบสนับสนุนการตัดสินใจสำหรับการวางแผนการปลูกพืชเศรษฐกิจโดยใช้เทคนิคต้นไม้ตัดสินใจ และประเมินประสิทธิภาพของระบบในพื้นที่ตำบลหัวเรือ อำเภอเมือง จังหวัดอุบลราชธานี โมเดลที่พัฒนามีวัตถุประสงค์เพื่อทำนายชนิดพืชเศรษฐกิจที่เหมาะสม (ข้าว มันสำปะหลัง อ้อย ข้าวโพด) พร้อมประมาณการผลผลิต (กก./ไร่) และรายได้สุทธิ (บาท/ไร่) สำหรับแต่ละพืช โดยใช้ระเบียบวิธีวิจัยและพัฒนา (Research and Development) ที่ผสมผสานระหว่างการวิจัยเชิงปริมาณและเชิงคุณภาพ กลุ่มตัวอย่างประกอบด้วยเกษตรกร 294 ราย ซึ่งคำนวณจากสูตร Yamane และผู้เชี่ยวชาญ 15 ราย ที่เลือกแบบเจาะจง ระบบพัฒนาโดยใช้ Python, Django และ PostgreSQL โดยประมวลผลด้วยเทคนิค Decision Tree ร่วมกับ Random Forest ผลการวิจัยพบว่า ระบบที่พัฒนามีประสิทธิภาพสูง โดยมีความแม่นยำในการทำนาย (Accuracy) 88.5%, Precision 87.2%, Recall 86.9% และ F1-score 87.0% จากการใช้งานจริงเป็นระยะเวลา 6 เดือน พบว่าผลผลิตต่อไร่เพิ่มขึ้น 20.5%, ต้นทุนการผลิตลดลง 15.8%, รายได้สุทธิเพิ่มขึ้น 25.4% และอัตราผลตอบแทนการลงทุน (ROI) เพิ่มขึ้น 32.7% ความพึงพอใจของผู้ใช้อยู่ในระดับสูง (4.4 จาก 5.0) ระบบสนับสนุนการตัดสินใจที่พัฒนาขึ้นสามารถช่วยเกษตรกรในการตัดสินใจเลือกปลูกพืชเศรษฐกิจได้อย่างมีประสิทธิภาพ ส่งผลให้เกิดการเพิ่มผลผลิตและรายได้ของเกษตรกรอย่างมีนัยสำคัญทางสถิติ
Article Details
เอกสารอ้างอิง
สำนักงานสถิติแห่งชาติ. รายงานการสำรวจภาวะการทำงานของประชากร ไตรมาสที่ 4 ปี 2566. กรุงเทพฯ: สำนักงานสถิติแห่งชาติ; 2567.
จันทิมา สุวรรณโท, วีระชัย อินทรกำแหง. การประยุกต์ใช้ปัญญาประดิษฐ์ในระบบสนับสนุนการตัดสินใจทางการเกษตร: กรณีศึกษาการปลูกข้าวในภาคอีสาน. วารสารเทคโนโลยีสารสนเทศเพื่อการพัฒนาชุมชน. 2021; 17(2): 45-62.
ประยุทธ์ วงศ์ใหญ่, สมชาย เจริญผล, อนุรักษ์ ทองดี. การพัฒนาระบบผู้เชี่ยวชาญสำหรับการวางแผนการปลูกพืชเศรษฐกิจในจังหวัดขอนแก่น. วารสารวิศวกรรมเกษตร. 2022; 33(1): 78-95.
สำนักงานเกษตรจังหวัดอุบลราชธานี.รายงานสถิติการเกษตรจังหวัดอุบลราชธานี ปี 2566. อุบลราชธานี: สำนักงานเกษตรจังหวัดอุบลราชธานี; 2566.
กรรณิการ์ ธนาคาร, วรรณิภา สุขสวัสดิ์. การศึกษาปัจจัยที่มีผลต่อการตัดสินใจของเกษตรกรในการเลือกปลูกพืชเศรษฐกิจ: กรณีศึกษาจังหวัดนครราชสีมา. วารสารเศรษฐศาสตร์เกษตร. 2021; 28(3): 156-171.
Power DJ, Sharda R. Model-driven decision support systems: Concepts and research directions. Decision Support Systems. 2007;43(3):1044-1061.
Turban E, Aronson JE, Liang TP. Decision support systems and intelligent systems. 9thed. Upper Saddle River, NJ: Prentice Hall; 2011.
González-Briones A, Prieto J, De La Prieta F, Herrera-Viedma E, Corchado JM. Energy optimization using a case-based reasoning strategy. Sensors. 2021; 21(3): 865-880.
Wang T, Chen Y, Qiao M, Snoussi H. A fast and robust convolutional neural network-based defect detection model in product quality control. International Journal of Advanced Manufacturing Technology. 2021; 112(1): 2071-2087.
Quinlan JR. Induction of decision trees. Machine Learning. 1986;1(1):81-106.
Quinlan JR. C4.5: Programs for Machine Learning. San Francisco: Morgan Kaufmann Publishers; 1993.
Breiman L, Friedman J, Stone CJ, Olshen RA. Classification and Regression Trees. Boca Raton: CRC Press; 1984.
Breiman, L. Random forests. Machine Learning. 2001;45(1):5-32.
Zhang X, Liu B, Wang C. Artificial intelligence in agriculture: A comprehensive review of applications and challenges. Computers and Electronics in Agriculture. 2021; 191: 106-125.
Benos L, Tagarakis AC, Dolias G, Berruto R, Kateris D, Bochtis D. Machine learning in agriculture: A comprehensive updated review. Sensors. 2021; 21(11): 3758-3775.
Sharma A, Jain A, Gupta P, Chowdary V. Machine learning applications for precision agriculture: A comprehensive review. Computers and Electronics in Agriculture. 2021;181:105-118.
Liu Y, Zhang D, Chen M. Explainable artificial intelligence for smart agriculture: a review. Information processing in agriculture. Information Processing in Agriculture. 2023; 10(2): 156-171.
Abbas A, Jain S, Gour M, Vankudothu S. Tomato plant disease detection using transfer learning with C-GAN synthetic images. Computers and Electronics in Agriculture. 2021; 187: 106-119.
Sun J, Di L, Sun Z, Shen Y, Lai Z. County-level soybean yield prediction using deep CNN-LSTM model. Sensors. 2019; 19(20): 4363-4378.
สุดารัตน์ แสงทอง, ณัฐพล มีศรี. การใช้เทคโนโลยีการเรียนรู้ของเครื่องในการพยากรณ์ผลผลิตข้าวโพดในภาคตะวันออกเฉียงเหนือ. วารสารเกษตรศาสตร์ประยุกต์. 2023;15(3):125-140
กมลชัย ศรีสุข, วิทยา อุปถัมภ์, สมพงษ์ ทรัพย์มาก. ระบบสนับสนุนการตัดสินใจเพื่อการเลือกพันธุ์พืชที่เหมาะสมกับสภาพภูมิอากาศในจังหวัดอุบลราชธานี. วารสารเทคโนโลยีการเกษตร มหาวิทยาลัยเทคโนโลยี
สุรนารี. 2021; 9(2):33-48.
พิมพ์ใจ ชูชาติ, สราวุธ เกียรติพงษ์. การประยุกต์ใช้เทคนิค Random Forest ในการจำแนกความเหมาะสมของดินเพื่อการปลูกมันสำปะหลัง. วารสารดินและปุ๋ย. 2022; 51(4):187-202.
อรรถพล นวลใส, สุรเชษฐ์ มั่นคง, ธีรยุทธ์ สมบูรณ์. การพัฒนาแอปพลิเคชันมือถือสำหรับระบบแนะนำการปลูกพืชอินทรีย์โดยใช้ปัญญาประดิษฐ์. วารสารเทคโนโลยีสารสนเทศและการสื่อสาร. 2023; 19(1):67-84.
Chen L, Wang Y, Zhang H. Smart agriculture decision support system using machine learning for crop selection in Southern China. Journal of Agricultural Engineering Research. 2021; 89(4):234-248
Nguyen TH, Pham MD, Le QA. Application of decision trees in rice cultivation planning: A case study in Mekong Delta, Vietnam. Asian Journal of Agricultural Sciences. 2022; 14(2); 89-105.
Tanaka M, Sato K, Yamamoto T. IoT-based decision support system for precision agriculture in Japan. Computers and Electronics in Agriculture. 2021; 185: 106-119.
Kim SJ, Park JH, Lee DW. Deep learning approach for crop yield prediction in South Korea using multi-source satellite data. Remote Sensing Applications. 2023; 32:100-115.
Rahman MS, Islam MT, Hasan MK. Machine learning-based crop recommendation system for small-scale farmers in Bangladesh. Agriculture and Food Security. 2022;11(1):1-15.
Lim HS, Tey YS, Shamsudin MN. Adoption of precision agriculture technologies among rice farmers in Malaysia: A decision tree analysis. Precision Agriculture. 2021; 22(5):1458-1476.
Singh P, Kumar A, Sharma R. AI-driven decision support system for sustainable agriculture in India: A multi-criteria approach. Sustainable Agriculture Research. 2023;12(3):78-95.
Ali I, Cawkwell F, Dwyer E, Barrett B, Green S. Satellite remote sensing of grasslands: From observation to management. Journal of Plant Ecology. 2022; 15(3):478-493.
Rupnik R, Kukar M, Vračar P, Košir D, Pevec D, Bohanec Z. AgroDSS: A decision support system for agriculture and farming. Computers and Electronics in Agriculture. 2019; 161:260-271.
Yamane T. Statistics: An Introductory Analysis. 3rd ed. New York: Harper and Row; 1973.
Rogers EM. Diffusion of Innovations. 5th ed. New York: Free Press; 2003.
Ellis F. Peasant Economics: Farm Households in Agrarian Development. Cambridge: Cambridge University Press; 1993.
