การจำแนกรุ่นของรถยนต์ประเภทรถกระบะด้วยเทคนิคเหมืองข้อมูล กรณีศึกษาโชว์รูมอีซูซุมหานคร สาขามหาชัย

บทคัดย่อ

งานวิจัยนี้ มีวัตถุประสงค์เพื่อสร้างตัวแบบที่สำหรับการจำแนกรุ่นของรถยนต์ประเภทรถกระบะ กรณีศึกษาโชว์รูมรถยนต์ อีซูซุมหานคร สาขามหาชัย และเพื่อเปรียบเทียบประสิทธิภาพที่สุดในการจำแนกรุ่นของรถยนต์ประเภทรถกระบะ โดยใช้อัลกอริทึมดังต่อไปนี้ ได้แก่ ต้นไม้ตัดสินใจ นาอีฟเบย์ เรนดอม ฟลอเรส และเพื่อนบ้านใกล้ที่สุด – เค ข้อมูลที่นำมาสร้างตัวแบบเป็นข้อมูลลูกค้าที่ซื้อรถยนต์อีซูซุ สาขามหาชัย เดือนมกราคม พ.ศ. 2563 ถึง เดือนธันวาคม พ.ศ. 2564 จำนวน 1,500 คน โดยใช้วิธีการแบ่งข้อมูลเพื่อทดสอบจำนวน 5 วิธีได้แก่ 1). การแบ่งข้อมูลเพื่อทดสอบแบบ 70:30 2). การแบ่งข้อมูลเพื่อทดสอบแบบ 75:25 3). การแบ่งข้อมูลเพื่อทดสอบแบบ 80:20 4). การวิเคราะห์ข้อมูลด้วยวิธี 5-Fold Cross Validation และ 5). การวิเคราะห์ข้อมูลด้วยวิธี 10- Fold Cross Validation เพื่อทดสอบประสิทธิภาพของตัวแบบ โดยใช้โปรแกรม Rapid Miner X นำเข้าข้อมูลในการสร้างแบบจำลอง โดยมีทั้งหมด 11 คุณลักษณะ จากการทดสอบพบว่าประสิทธิภาพการทำนายของตัวแบบเรนดอม ฟลอเรส ที่ใช้การวิเคราะห์ข้อมูลด้วยวิธี 10- Fold Cross Validation มีค่าความแม่นยำอยู่ที่ 84.13% ซึ่งให้ค่าความแม่นยำมากที่สุด ลำดับถัดมาเป็นตัวแบบต้นไม้ตัดสินใจ มีค่าความแม่นยำอยู่ที่ 82.73% ลำดับถัดมาเป็นตัวแบบเพื่อนบ้านใกล้ที่สุด – เค ให้ค่าความแม่นยำอยู่ที่ 81.00% และลำดับสุดท้ายคือตัวแบบนาอีฟเบย์ โดยให้ค่าความแม่นยำอยู่ที่ 62.20% สรุปได้ว่า ตัวแบบที่ทำนายผลของการจำแนกรุ่นของรถยนต์ประเภทรถกระบะ คือ ตัวแบบเรนดอมฟรอเรส โดยให้ค่าความแม่นยำสูงที่สุดอยู่ที่ 84.13%

คำสำคัญ: การจำแนก, ต้นไม้ตัดสินใจ, นาอีฟเบย์, เพื่อนบ้านใกล้ที่สุด – เค, เรนดอมฟลอเรส

Abstract

This research aims to develop a model for classifying pickup truck models using data mining techniques. The case study was conducted at the Isuzu showroom branch in Mahachai. The study also seeks to compare the effectiveness of different algorithms in classifying customer preferences for pickup truck models. The algorithms used in this study included Decision Tree, Naïve Bayes, Random Forest, and K-Nearest Neighbor. The data used to build the model consisted of customer information who purchased Isuzu cars at the Mahachai branch from January 2020 to December 2021, totaling 1,500 individuals. The data was divided into five testing methods, including 70:30, 75:25, and 80:20 data splits, as well as 5-fold and 10-fold Cross Validation. The performance of the models were evaluated using Rapid Miner X, with a total of 11 attributes. The results indicated that the Random Forest model, analyzed with the 10-fold Cross Validation method, achieved the highest accuracy at 84.13%. The Decision Tree model followed with an accuracy of 82.73%, the K-Nearest Neighbor model with 81.00%, and the Naïve Bayes model with 62.20%. In conclusion, the Random Forest model demonstrated the highest accuracy in predicting customer preferences for pickup truck models, reaching 84.13%

คำสำคัญ: classification, Decision Tree, K-Nearest Neighbor, Naïve Bayes, Random Forest

อาจารย์ณรงค์ฤทธิ์ สุคนธสิงห์ – Mr. Narongrit Sukonthasing, วท.บ. (เทคโนโลยีสารสนเทศ) – B.Sc. (Information Technology), เทคโนโลยีสารสนเทศ (Information technology), วิทยาศาสตรบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ – Bachelor of Science Program in Information Technology, 3/2566 (2023)