การสร้างตัวแบบนักท่องเที่ยวภายในประเทศโดยใช้เทคนิคการจัดกลุ่มและกฎความสัมพันธ์ กรณีศึกษา: จังหวัดพระนครศรีอยุธยา
Main Article Content
บทคัดย่อ
การทำความเข้าใจความต้องการของนักท่องเที่ยวเป็นเรื่องยุ่งยาก เนื่องจากปริมาณนักท่องเที่ยวมีมากเกินกว่าจะนำเสนอผลิตภัณฑ์ที่ตรงต่อความต้องการของนักท่องเที่ยวแต่ละกลุ่มได้ งานวิจัยนี้นำเสนอตัวแบบนักท่องเที่ยวภายในประเทศด้วยเทคนิคการเรียนรู้ของเครื่อง โดยใช้นักท่องเที่ยวในจังหวัดพระนครศรีอยุธยาเป็นกรณีศึกษางานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาพฤติกรรมการท่องเที่ยวของนักท่องเที่ยวภายในประเทศที่มาท่องเที่ยวในจังหวัดพระนครศรีอยุธยา และสร้างตัวแบบ (Model) กลุ่มนักท่องเที่ยว (Tourist Cluster) ด้วยขั้นตอนวิธีการจัดกลุ่มข้อมูลร่วมกับขั้นตอนวิธีการหากฎความสัมพันธ์ (Association Rule) โดยใช้กลุ่มตัวอย่างนักท่องเที่ยวจำนวน 704 ตัวอย่างนำมาผ่านกระบวนการทำความสะอาด (Data Cleaning) และจัดกลุ่มด้วยวิธีการจัดกลุ่มแบบสองขั้นตอน (Two Step Clustering) จากนั้นนำข้อมูลแต่ละกลุ่มไปหากฎความสัมพันธ์ ผลการวิเคราะห์ชี้ให้เห็นว่าสามารถจัดกลุ่มนักท่องเที่ยวได้ 4 กลุ่มที่แตกต่างกัน ได้แก่ กลุ่มผู้สูงอายุที่มาเที่ยวกับหน่วยงาน (ร้อยละ 15.63) กลุ่มผู้สูงอายุที่มาเที่ยวกับครอบครัว(ร้อยละ 37.78) กลุ่มวัยทำงาน (ร้อยละ 23.58) และกลุ่มรักการท่องเที่ยว (ร้อยละ 23.01) แต่ละกลุ่มจะมีกฎที่แสดงถึงความสัมพันธ์ที่เกิดขึ้นร่วมกันระหว่างข้อมูลภายในกลุ่มจำนวน 8, 5, 3 และ 6 กฎตามลำดับ ซึ่งแต่ละกฎมีค่าความเชื่อมั่นไม่ต่ำกว่า 0.8 กลุ่มนักท่องเที่ยวและกฎที่ได้มานั้น สามารถนำมาออกแบบผลิตภัณฑ์หรือบริการให้ตรงต่อความต้องการของนักท่องเที่ยวแต่ละกลุ่มได้
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] S. M. Sánchez Cañizares, A. M. Castillo Canalejo, and J. M. Núñez Tabales. “Stakeholders’ perceptions of tourism development in Cape Verde, Africa,” Current Issues in Tourism, vol. 19, no. 10, pp. 966–980, 2016.
[3] G. Sreenivasulu, S. Viswanadha Raju, and N. Sambasiva Rao, “Review of clustering techniques,” in Proceedings of the International Conference on Data Engineering and Communication Technology, 2016, pp. 523–535.
[4] T. Angskun and J. Angskun, “A personalized system for travel attraction recommendation using a clustering technique and an analytic hierarchy process,” Suranaree Journal of Social Science, vol. 8, no. 2 pp. 87–109, 2014 (in Thai).
[5] H. L. T. Trang, “Inbound tourism market segmentation of the andaman cluster,” M.S. thesis, Prince of Songkla University, Songkla, 2009 (in Thai).
[6] W. Yotsawat and A. Srivihok, “Inbound tourists segmentation with combined algorithms using K-Means and decision tree,” in Proceedings 10th International Join Conference on Computer Science and Software Engineering (JCSSE), Maha Sarakham, 2013, pp. 189–194 (in Thai).
[7] A. Srivihok and A. Intrapairote, “Model of inbound aec tourists in thailand by using twining of feature selection and classification algorithms,” Advanced Science Letters, vol. 20, no. 10–12, pp. 2202–2205, 2014.
[8] T. F. Srihadi, Hartoyo, D. Sukandar, and A. W. Soehadi, “Segmentation of the tourism market for Jakarta: Classification of foreign visitors’ lifestyle typologies,” Tourism Management Perspectives. vol. 19 pp. 32–39, 2016.
[9] W. Lin, S. A. Alvarez, and C. Ruiz, “Efficient adaptive-support association rule mining for recommender systems,” Data Mining and Knowledge Discovery, vol. 6, no. 1, pp. 83–105, 2002.
[10] H. Ye, “A personalized collaborative filtering recommendation using association rules mining and self-organizing map,” Journal of Software, vol. 6, no. 4, pp. 732–739, 2011.
[11] G. Fenza, E. Fischetti, D. Furno, and V. Loia, “A hybrid context aware system for tourist guidance based on collaborative filtering,” in Proceedings of FUZZ-IEEE, 2011, pp. 131–138, 2011.
[12] S. Güden and U. T. Gursoy, “Online shopping customer data analysis by using association rules and cluster analysis,” in Proceedings Industrial Conference on Data Mining Advances in Data Mining. Applications and Theoretical Aspects, 2016, pp. 127–136.
[13] K.-C. Wong, “A short survey on data clustering algorithms,” in Proceedings 2015 Second International Conference on Soft Computing and Machine Intelligence (ISCMI), 2015, pp. 64–68.
[14] T. Sajana, C. M. Sheela Rani, and K. V. Narayana, “A survey on clustering techniques for big data mining,” Indian Journal of Science and Technology, vol. 9, no. 3, pp. 1–12, 2016.
[15] N. Soonthornphisaj, Artificial Intelligence, 3rd ed. Bangkok: Chulalongkorn University Press. (in Thai).
[16] G. Punj, and D. Stewart, “Cluster analysis in marketing research: Review and suggestions for application,” Journal of Marketing Research, vol. 20, pp. 134–148, 1983.
[17] R. J. Kuo, L.M. Ho, and C.M. Hu, “Integration of self-organizing feature map and k-means algorithm for market segmentation,” Computers and Operations Research, vol. 29, no. 11, pp. 1475–1493, 2002.
[18] J. G. Brida, M. Disegna, and L. Osti, “Segmenting visitors of cultural events by motivation: A sequential non-linear clustering analysis of italian christmas market visitors,” Expert Systems with Applications, vol. 39, no. 13, pp. 11349–11356, 2012.
[19] R. Agrawal and R. Srikant, “Fast algorithms for mining association rules,” in Proceedings On Very Large Databases (VLDB), 1994, pp. 487–489.
[20] Machine Learning Group at the University of Waikato. (2007). Data Mining Software in Java [Online]. Available: http://www.cs.waikato.ac.nz/ml/weka/
[21] J. A. Hartigan, Clustering Algorithms. New York: John Wiley & Sons, 1975.
[22] P. S. Vahiradhammo, “The role of elderly person in supporting buddhist activities: A case study of lao yaw sub-district, ban hong district, lamphun province,” M.S. thesis of Buddhist Studies, Mahachulalongkornrajvidyalaya University, 2011 (in Thai).