การวิเคราะห์ตระกร้าตลาดโดยใช้กฎความสัมพันธ์และแอปพลิเคชันการใช้งาน
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันบ่อยครั้งนักท่องเที่ยวในประเทศไทยต้องการเลือกซื้อผลิตภัณฑ์ท้องถิ่น เรียกว่า หนึ่งตำบลหนึ่งผลิตภัณฑ์ (OTOP) หลังจากท่องเที่ยว ซึ่งปัญหาหนึ่งของนักท่องเที่ยวที่มีความยากตัดสินใจว่าผลิตภัณฑ์ใดที่ขายดี หรือโปรโมชั่นใดที่เป็นทางเลือกในกลุ่มผลิตภัณฑ์มากมาย จากสาเหตุดังกล่าวจำเป็นต้องใช้การเรียนรู้กฎความสัมพันธ์ เพื่อค้นหาความสัมพันธ์ของข้อมูลและรูปแบบรายการขายของผลิตภัณฑ์หนึ่งตำบลหนึ่งผลิตภัณฑ์ที่มียอดความถี่ของคู่ผลิตภัณฑ์ที่ซื้อพร้อมกัน ในงานวิจัยนี้มุ่งเน้นการวิเคราะห์ด้วยความถี่ของการซื้อขายผลิตภัณฑ์หนึ่งตำบลหนึ่งผลิตภัณฑ์ และเปรียบเทียบประสิทธิภาพของเทคนิคเอฟพีโกรท และอัลกอริทึมอะพริโอริสำหรับการแนะนำผลิตภัณฑ์หนึ่งตำบลหนึ่งผลิตภัณฑ์ สำหรับการทดลองได้ใช้ชุดข้อมูลจำนวน 2 ชุด จากร้านบ้านถั่วลิสงและศูนย์จำหน่ายสินค้าโอทอป ระหว่างปี พ.ศ. 2559 – 2565 ที่มีจำนวน 200,000 รายการ การศึกษามุ่งเน้นการเปรียบเทียบประสิทธิภาพของเทคนิคเอฟพีโกรท และอัลกอริทึมอะพริโอริ พบว่าเวลาการประมวลผลของอัลกอริทึมอะพริโอริดีกว่าเทคนิคเอฟพีโกรท ในขณะที่ภาพรวมการประเมินความพึงพอใจของผู้ใช้งานของแอปพลิเคชันแนะนำผลิตภัณฑ์อยู่ในระดับดีมาก หรือเท่ากับ 4.72
Article Details
References
Aldino, A. A., Pratiwi, E. D., Sintaro, S., & Putra, A. D. (2021, October). Comparison of market basket analysis to determine consumer purchasing patterns using fp-growth and apriori algorithm. In 2021 International Conference on Computer Science, Information Technology, and Electrical Engineering (ICOMITEE) (pp. 29-34). IEEE.
Agrawal, R., Imieliński, T., & Swami, A. (1993, June). Mining association rules between sets of items in large databases. In Proceedings of the 1993 ACM SIGMOD international conference on Management of data (pp. 207-216).
Al-Maolegi, M., & Arkok, B. (2014). An improved Apriori algorithm for association rules. arXiv preprint arXiv:1403.3948.
Fadillah, A. R., Yulita, I. N., Pradana, A., & Suryani, M. (2021, October). Data Mining Implementation Using Frequent Pattern Growth on Transaction Data for Determining Cross-selling and Up-selling (Case Study: Cascara Coffee). In 2021 International Conference
on Artificial Intelligence and Big Data Analytics (pp. 1-6). IEEE.
Fatoni, C. S., Utami, E., & Wibowo, F. W. (2018, December). Online store product recommendation system uses apriori method. In Journal of Physics: Conference Series (Vol. 1140, No. 1, p. 012034). IOP Publishing.
Goebel, V. (2014). Knowledge Discovery in Databases (KDD) and Data Mining (DM). University of Oslo. Department of Informatics.
Hossain, M., Sattar, A. S., & Paul, M. K. (2019, December). Market basket analysis using apriori and FP growth algorithm. In 2019 22nd international conference on computer and information technology (ICCIT) (pp. 1-6). IEEE.
Ketui, N., Wisomka, W., & Homjun, K. (2019). Association rule mining with permutation for estimating students’ performance and its smart education system. Journal of Computers, 30(2), 93-102.
Liu, B., Hsu, W., & Ma, Y. (1998, August). Integrating classification and association rule mining. In Proceedings of the fourth international conference on knowledge discovery and data mining (pp. 80-86).
Li, H., Wang, Y., Zhang, D., Zhang, M., & Chang, E. Y. (2008, October). Pfp: parallel fp-growth for query recommendation. In Proceedings of the 2008 ACM conference on Recommender systems (pp. 107-114).
Patil, M., & Patil, T. (2022). Apriori Algorithm against Fp Growth Algorithm: A Comparative Study of Data Mining Algorithms. Available at SSRN 4113695.
Singh, P. K., Sinha, M., Das, S., & Choudhury, P. (2020). Enhancing recommendation accuracy of item-based collaborative filtering using Bhattacharyya coefficient and most similar item. Applied Intelligence, 50, 4708-4731.
Tareq, S. U., Noor, M. H., & Bepery, C. (2020). Framework of dynamic recommendation system for e-shopping. International Journal of Information Technology, 12(1), 135-140.
Yuan, X. (2017, March). An improved Apriori algorithm for mining association rules. In AIP conference proceedings (Vol. 1820, No. 1). AIP Publishing.