การออกแบบแบบจำลองการพยากรณ์ผลผลิตมันสำปะหลังในเขตพื้นที่ จังหวัดนครราชสีมาด้วยเทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
Abstract
The purpose of this research was to study forecasting models about cassava yield in Nakhon Ratchasima from the data during year 2012 – 2016. The data set consisted 8 features of attributes to construct the forecasting Model. Then the features were selected by Factor Analysis. The researcher has chosen four models: Decision Tree, Artificial neural network, Naiive Bayes and Support vector machine for the comparison, with the purpose to identify the most efficiency model for the forecast of cassava yield. Finally, the model was compared by the Performance Test with a Percentage split. These results showed that Naiive Bayes model was most efficiency used as a forecasting model. Its efficiency rates for forecasting the cassava yield in Nakhon Ratchasima. Overall, the best accuracy of model is 0.673, precision is 0.606, recall is 0.685, and so on F-measure is 0.629. Moreover, performance of model was measure by using the basic of comparison: Root Mean Square Error and Mean Absolute Error. According to the performance, Root mean square Error is 0.303 and mean absolute error 0.201. That mean the smaller error is higher accurate and efficient in prediction outcome.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
References
Cios, K., Pedrycz, W., Swiniarski, R., & Kurgan, L. (2007). Data Mining: A Knowledge Discovery Approach. New York : Springer.
Han, J., & Kamber, M.. (2006). Data Mining Concepts and Techniques. California : Morgan Kaufmann. 2nd ed.
Larose, D.T. (2005). Discovery Knowledge in Data : An Introduction to Data Mining. New York : John Wiley.
กรมส่งเสริมการเกษตร. (2548.). การปลูกมันสำปะหลัง. โรงพิมพ์สำนักพิมพ์การถ่ายทอดเทคโนโลยี. กรุงเทพฯ : กรมส่งเสริมการเกษตร.
ขนิษฐา กุลนาวิน, ชมัยพร เจริญพร, ปานจิตร์ หลงประดิษฐ์ และ ภัทรสินี ภัทรโกศลและคณะ. (2557). การศึกษาเปรียบเทียบเทคนิคเหมืองข้อมูลใช้ในการทำนายผลผลิตพืชไร่ทางการเกษตร: กรณีศึกษาข้าวไทย. วารสารวิจัย มข. ปีที่ 19 ฉบับที่ 1 มกราคม – กุมภาพันธ์ 2557 หน้า 31-43.
ชุติมา อุตมะมุณีย์ และ ประสงค์ ปราณีตพลกรัง. การพัฒนาตัวแบบระบบสนับสนุนการตัดสินใจแบบอัตโนมัติออนไลน์สำหรับการเลือกสาขาวิชาเรียนของนักศึกษาระดับอุดมศึกษา. Journal of Information Science and Technology, 1(2), 2553. หน้า 39-48.
ปิยะพร แซ่ลิ้ม, วิวรรณ กาญจนวจี, พัชนา สุวรรณแสน และ ณพฐ์ โสภีพันธ์ (2562). การพยากรณ์ผลผลิตข้าวหอมมะลิ ในจังหวัดนครราชสีมา. วารสารวิจัยวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา ปีที่ 4 ฉบับที่ 2 (กรกฎาคม - ธันวาคม 2562) หน้า 25-37
เพชรน้อย สิงห์ช่างชัย. (2549). หลักการและการใช้สถิติการวิเคราะห์ตัวแปรหลายตัว สำหรับการวิจัยทางการพยาบาล. พิมพ์ครั้งที่ 3. สงขลา : ชานเมืองการพิมพ์.
วิรชา วิรัชกุล และ ธวัชชัย งามสันติวงศ์ (2558). การเปรียบเทียบประสิทธิภาพระหว่างเทคนิค Decision Tree C4.5 , k-NN และ Naive Bayes เพื่อใช้พยากรณ์ผลสอบมาตรฐานด้านเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏนครปฐม. (วิทยานิพนธ์ปริญญามหาบัณฑิต). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ.
อรนงค์ บุเกตุ และ พุธษดี ศิริแสงตระกูล (2556). แบบจำลองการพยากรณ์ปริมาณอ้อยของภาคตะวันออกเฉียงเหนือ โดยการใช้โครงข่ายประสาทเทียม. วารสารวิทยาศาสตร์ มข. ปีที่ 41 ฉบับที่ 1มกราคม – มีนาคม 2556 หน้า 213-225.
