Comparison of the Efficiency of Machine Learning Model for Predicting Bird's Eye Chili Prices in Nakhon Si Thammarat Province
Article Sidebar
Main Article Content
Abstract
Nakhon Si Thammarat Province is a source of bird's eye chili for export but faces drought and low prices. In addition, farmers are unable to set their prices. Therefore, the purpose of this research was to examine appropriate machine learning models for predicting the price of bird's eye chili in Nakhon Si Thammarat province. The appropriate model can be used in the development of a model for predicting the price of bird's eye chili and plant planning in the Pak Phanang River Basin. The data used in this research was historical data on the climate and the price of bird's eye chili between 2010 and 2020, provided by the Meteorological Station and the Provincial Commercial Office, Nakhon Si Thammarat province, respectively. The machine learning models used in this research were linear regression, K-nearest neighbor, and random forest. The results of the model's efficiency evaluation by estimating the mean absolute error (MAE) were 11.71, 11.43, and 9.68, respectively. As a result, the random forest is a suitable model for predicting bird's eye chili prices in the Nakhon Si Thammarat region. Moreover, the prediction price from the random forest is found to be closed to the actual price of the bird's eye chili monthly average price.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- The original content that appears in this journal is the responsibility of the author excluding any typographical errors.
- The copyright of manuscripts that published in PKRU SciTech Journal is owned by PKRU SciTech Journal.
References
สาธิต บัวขาว. (2564). รายงานกิจกรรมส่งเสริมและสนับสนุนการวิจัย การถ่ายทอดองค์ความรู้และเทคโนโลยีการปลูกพริกตามมาตรฐานการปฏิบัติทางการเกษตรที่ดี (GAP) ที่สอดคล้องกับความต้องการของตลาด. กรุงเทพฯ: สำนักงานการวิจัยแห่งชาติ (วช.)
ศูนย์ติดตามและแก้ไขปัญหาภัยพิบัติด้านการเกษตร. (2563). แผนป้องกันและบรรเทาสาธารณภัยด้านการเกษตรในช่วงฤดูแล้ง ปี 2562/63. นครศรีธรรมราช: ศูนย์ติดตามและแก้ไขปัญหาภัยพิบัติด้านการเกษตร จังหวัดนครศรีธรรมราช.
สำนักงานเศรษฐกิจการเกษตร. (2559). แผนการพัฒนาการเกษตรในช่วงแผนพัฒนาเศรษฐกิจและสังคมแห่งชาติ ฉบับที่ 12 (พ.ศ. 2560 - 2564). กรุงเทพฯ: กระทรวงเกษตรและสหกรณ์.
ศิรินทรา เสือพิทักษ์, บุญมี นิสสัยดี, และวิภาวรรณ บัวทอง. (2564). การเปรียบเทียบเทคนิคการจำแนกประเภทข้อมูลสำหรับทำนายแนวโน้มการสำเร็จการศึกษาของนักเรียน. วารสารวิชาการซายน์เทค มหาวิทยาลัยราชภัฏภูเก็ต, 5(2), 42-50.
Čeh, M., Kilibarda, M., Lisec, A., & Bajat, B. (2018). Estimating the performance of random forest versus multiple regression for predicting prices of the apartments. ISPRS international journal of geo-information, 7(5), 168.
จิตกานต์ จันทราช, มนทิราลัย ชัยมงคล, รัตนชัย แซ่โง้ว, สายทิพย์ พลอยสัมฤทธิ์, และสายชล สินสมบูรณ์ทอง. (2563). การเปรียบเทียบประสิทธิภาพการทำนายผลการจำแนกกรณีข้อมูลสูญหายด้วยเทคนิคการทำเหมืองข้อมูล. Thai Journal of Science and Technology, 9(1), 1-15.
สุรพงค์ เอื้อวัฒนามงคล. (2561). การทำเหมืองข้อมูล (พิมพ์ครั้งที่ 2). กรุงเทพฯ: สถาบันบัณฑิตพัฒนบริหารศาสตร์.
เอกสิทธิ์ พัชรวงศ์ศักดา. (2563). A little Book of Big Data and Machine Learning. นนทบุรี: ไอดีซี พรีเมียร์.
ผุสดี บุญรอด, และกรวัฒน์ พลเยี่ยม. (2560). แบบจำลองการพยากรณ์ราคามันสำปะหลังโดยใช้โครงข่ายประสาทเทียมแบบหลายชั้น. วารสารวิทยาศาสตร์และเทคโนโลยี. 25(3), 533-543.
Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert systems with Applications, 42(20), 7046-7056.
Ayub, U., & Moqurrab, S. A. (2018, April). Predicting crop diseases using data mining approaches: classification (pp. 1-6). In 2018 1st International Conference on Power, Energy and Smart Grid (Icpesg). IEEE.
เฉลิมชาติ ธีระวิริยะ. (2560). การเปรียบเทียบวิธีการพยากรณ์สำหรับความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนม. Naresuan University Journal: Science and Technology 2017, 25(4), 124-137.
Moreno, J. J. M., Pol, A. P., Abad, A. S., & Blasco, B. C. (2013). Using the R-MAPE index as a resistant measure of forecast accuracy. Psicothema, 25(4), 500-506.
Myat, A. K., & Tun, M. T. Z. (2019, November). Predicting palm oil price direction using random forest (pp. 1-6). In 2019 17th International Conference on ICT and Knowledge Engineering (ICT&KE). IEEE.
Dutta, A., Dureja, A., Abrol, S., & Dureja, A. (2019, November). Prediction of Ticket Prices for Public Transport Using Linear Regression and Random Forest Regression Methods: A Practical Approach Using Machine Learning (pp. 140-150). In International Conference on Recent Developments in Science, Engineering and Technology. Springer, Singapore.
Pandey, A., Rastogi, V., & Singh, S. (2020). Car’s selling price prediction using random forest machine learning algorithm. In 5th International Conference on Next Generation Computing Technologies (NGCT-2019). India.