เปรียบเทียบประสิทธิภาพของตัวแบบการเรียนรู้ของเครื่องสำหรับทำนายราคาพริกขี้หนูในจังหวัดนครศรีธรรมราช
Article Sidebar
Main Article Content
บทคัดย่อ
จังหวัดนครศรีธรรมราชเป็นแหล่งผลิตพริกขี้หนูส่งออกแต่ประสบปัญหาภัยแล้งและราคาผลผลิตตกต่ำ ประกอบกับเกษตรกรไม่สามารถกำหนดราคาได้ งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาตัวแบบการเรียนรู้ของเครื่องที่เหมาะสมสำหรับการทำนายราคาพริกขี้หนูในจังหวัดนครศรีธรรมราช เพื่อใช้ประกอบการพัฒนาตัวแบบสำหรับทำนายราคาพริกขี้หนู และวางแผนการปลูกผักในพื้นที่ลุ่มน้ำปากพนัง โดยใช้ข้อมูลย้อนหลังของสภาพภูมิอากาศจากสถานีอุตุนิยมวิทยานครศรีธรรมราช และราคาพริกขี้หนูจากสำนักงานพาณิชย์จังหวัดนครศรีธรรมราช พ.ศ. 2553 – 2563 ตัวแบบการเรียนรู้ของเครื่องที่นำมาพิจารณา ได้แก่ การถดถอยเชิงเส้น เพื่อนบ้านใกล้เคียง และต้นไม้ป่าสุ่ม ผลการวิจัยพบว่า จากการประเมินประสิทธิภาพของตัวแบบโดยหาค่าเฉลี่ยของความคลาดเคลื่อนสัมบูรณ์ เท่ากับ 11.71, 11.43 และ 9.68 ตามลำดับ สรุปได้ว่า ต้นไม้ป่าสุ่มเป็นตัวแบบที่เหมาะสมสำหรับนำไปประกอบการพัฒนา
ตัวแบบสำหรับทำนายราคาพริกขี้หนู ในพื้นที่จังหวัดนครศรีธรรมราช และผลการทำนายราคาพริกขี้หนูโดยใช้ต้นไม้ป่าสุ่มเปรียบเทียบกับราคาเฉลี่ยรายเดือนจริงของพริกขี้หนู พบว่าราคามีความใกล้เคียงกับราคาจริง
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
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.