การเปรียบเทียบประสิทธิภาพในการทำนายผลการจำแนกเมล็ดพันธุ์ข้าวเปลือกขาวดอกมะลิ 105 ด้วยเทคนิคการทำเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้เป็นการเปรียบเทียบประสิทธิภาพในการทำนายผลการจำแนกเมล็ดพันธุ์ข้าวเปลือกขาวดอกมะลิ 105 ด้วยเทคนิคการทำเหมืองข้อมูล วิธีการจำแนกที่นำมาเปรียบเทียบมี 7 วิธี ได้แก่ วิธีเพื่อนบ้านใกล้สุด k ตัว โดยใช้อัลกอริทึมชนิด IBk วิธีต้นไม้ตัดสินใจโดยใช้อัลกอริทึมชนิด J48 วิธีโครงข่ายประสาทเทียมโดยใช้อัลกอริทึมชนิดเพอร์เซปตรอนแบบหลายชั้น วิธีซัพพอร์ตเวกเตอร์แมชชีนโดยใช้อัลกอริทึม SMO ชนิดโพลิโนเมียลเคอร์เนล วิธีฐานกฎโดยใช้อัลกอริทึม decision table วิธีการถดถอยลอจิสติกทวิภาค และวิธีนาอีฟเบส์ การเปรียบเทียบประสิทธิภาพของวิธีการจำแนกจะพิจารณาจากค่าความถูกต้อง ค่าความระลึก ค่าความถ่วงดุล และค่าคลาดเคลื่อนกำลังสองเฉลี่ย ผลการศึกษาพบว่าวิธีเพื่อนบ้านใกล้สุด k ตัว ที่ random seed = 10, 20 และ 30 มีค่าความถูกต้อง ค่าความระลึก ค่าความถ่วงดุล และค่าคลาดเคลื่อนกำลังสองเฉลี่ยดีที่สุด คือ ร้อยละ 100, 1.000, 1.000, 0.00002 ตามลำดับ ส่วนวิธีวิธีซัพพอร์ตเวกเตอร์แมชชีนและวิธีฐานกฎที่ random seed = 10 และ 20 มีค่าความระลึกดีที่สุด คือ 1.000 เนื่องจากวิธีเพื่อนบ้านใกล้สุด k ตัว มีประสิทธิภาพในการทำนายผลดีที่สุดถึง 4 ค่า ดังนั้นวิธีเพื่อนบ้านใกล้สุด k ตัว เป็นวิธีดีที่สุด
Article Details
References
[2] Seekuka, J, 2014, Features for Classifying Rice Grains by Image Analysis, Master Thesis, Kasetsart University, Bangkok, 52 p. (in Thai)
[3] Ruangphayak, S., 2016, Checking the Purity and Quality of Rice Quickly by KASP SNPline Detection, Rice Science Center, Kasetsart University, Bangkok, 54 p. (in Thai)
[4] Aluru S., 2011, Morphology based feature extraction and recognition for enhanced wheat quality evaluation, Int. Conf. Contemp. Comp. 4: 41-50.
[5] Zhao-yan, C.F.L., Ying, Y. and Rao, X., 2005, Identification of rice seed varieties using neural network, J. Zhejiang Univ. Sci. 6: 1095-1100.
[6] Kongseri, N., Bangvarg, J., Cheapun, K., Wongpiyachon, S., Sukvivat, V., Sawangjit, P. and Tangvisuttijit, S., 2004, Quality and Investigation of Thai Jasmine Rice, Academic Agriculture Department, Ministry of Agriculture and Cooperatives, 62 p. (in Thai)
[7] Vanavichit, A., Tragoonrung, S. and Toojinda, T., 2003, Biotechnology and Rice Varieties Improvement, Chap. in Science and Technology with Thai Rice, Thailand’s National Science and Technology Development Agency, 85 p. (in Thai)
[8] Panichkul, P., 2005, Development Data Mining System by Decision Tree, Work System Development Project, Master Thesis, King Montkut’s Institute of Technology Ladkrabang, Bangkok, 62 p. (in Thai)
[9] Wu, X. and Kumar, V., 2009, The Top Ten Algorithms in Data Mining, University of Minnesota Department of Computer Science and Engineering, CRC Press, Minneapolis, 215 p.
[10] Thammasombut, R., 2012, Decision Support System for Selection the Mobile Internet Package Using Decision Tree, Major of Business Computer, Faculty of Business Administration, Rajapruek College, Sakon Nakhon, 77 p. (in Thai)
[11] Berson, A. and Smith, S.J., 1997, Data Warehousing, Data Mining, and OLAP, McGraw-Hill, New York, 612 p.
[12] Nuipian, V., 2010, Comparison of efficiency and analysis of data classification using artificial neural network, support vector machine, Naïve Bayes and k-nearest neighbor, Natl. Conf. Comp. Inform. Technol. 5: 131-138. (in Thai)
[13] Murti, S. and Mahantappa, M., 2012, Using rule based classifiers for the predictive analysis of breast cancer recurrence, J. Inform. Eng. Appl. 2(2): 12-19.
[14] Vanichbuncha, K., 2009, Multivariate Analysis, Thammasan Co., Ltd., Bangkok, 589 p. (in Thai)
[15] Sinsomboonthong, S., 2017, Data Mining 1: Discovering Knowledge in Data, 2nd Ed., Chamchuree Products Co., Ltd., Bangkok, 512 p. (in Thai)
[16] Larose, D.T., 2005, Discovering Knowledge in Data: An Introduction to Data Mining, John Wiley and Sons, New Jersey, 222 p.