The Development of Longan Yield Forecasting Models By Using Data Mining Techniques
Keywords:
forecast, data mining, product, longan, model for forecastingAbstract
This research presents a predictive model for longan production using data mining techniques. The model utilizes longan production data from farmers in the Chiang Mai, Lamphun, and Phayao provinces, totaling 215 plots in the year 2021. The decision tree technique and relationship rules were employed in the analysis. Factors found to significantly impact longan production from the forecasting model include the month of flowering induction and the type of flowering-inducing agent. It was observed that the use of sodium chlorate as a flowering-inducing agent led to medium to high predicted yields based on confidence levels in both first and second-order relationship rules. Regarding the first rule, applying sodium chlorate in December resulted in medium to high production levels, with 53 transactions occurring simultaneously and a confidence level of 62%. In the second rule, the use of sodium chlorate also resulted in medium to high yields, with 68 transactions happening concurrently and a confidence level of 62%.
References
บุญชาติ คติวัฒน์. 2551. ผลของสารโพแทสเซียมคลอเรตต่อการออกดอกติดผลของลําไยพันธุ์อีดอในรอบปี. วิทยานิพนธ์วิทยาศาสตรมหาบัญฑิต. มหาวิทยาลัยแม่โจ้,เชียงใหม่.90 หน้า.
วีรศักดิ์ ฟองเงิน. 2560. การพยากรณ์ปริมาณน้ำในเขื่อนโดยใช้เทคนิคเหมืองข้อมูล. วารสารวิชาการการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม 4(1): 27–33.
ปรีชา ลิ้มตระกูล วิภา เจริญภัณฑารักษ์ และวิทยา พรพัชรพงศ์. 2559. การพัฒนาตัวแบบการพยากรณ์ผลผลิตมันสำปะหลังด้วยเทคนิคการทำเหมืองข้อมูล. วารสารวิชาการเวอริเดียน อี เจอร์นัล สาขาวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยศิลปากร 3(3):15–36.
สำนักงานเศรษฐกิจการเกษตร.2563. ข้อมูลการผลิตสินค้าเกษตร(ระบบออนไลน์).แหล่งข้อมูล: www.oae.go.th (30 มีนาคม 2567).
วินัย วิริยะอลงกรณ์. 2564. ผลของสารโพแทสเซียมคลอเรตต่อความเข้มข้นของคาร์บอนไดออกไซด์ในเขตรากพืชการชักนำการเปิดปิดของปากใบและคุณภาพของผลลำไย. วารสารวิจัยและส่งเสริมวิชาการเกษตร 38(1): 12–27.
ธรณินทร์ สัจวิริยทรัพย์. 2561. ตัวแบบโครงข่ายประสาทเทียมสำหรับการพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์รายเดือนของประเทศไทย. Srinakharinwirot Science Journal 34(1): 91–108.
Chen, F., Drezner, Z., Ryan, J. K., and Simchi-Levi, D. 2000. Quantifying the Bullwhip Effect in a Simple Supply Chain: The Impact of Forecasting, Lead Times, and Information. Management Science 46(3): 436–443.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. 1996. From Data Mining to Knowledge Discovery in Databases. AI Magazine 17(3): 37–37.
Li, L., Shrestha, S., and Hu, G. 2017. Analysis of road traffic fatal accidents using data mining techniques. 2017 IEEE 15th International Conference on Software Engineering Research, Management and Applications (SERA): 363–370.
Manochai, P., P. Sruamsiri., W. Wiriya-alongkorn., D. Naphrom., M. Hegele and F. Bangerth. 2005. Year around off season flower induction in longan (Dimocarpus longan, Lour.) trees. by KClO3 applications: potentials and problems. Scientia Horticulturae 104: 379-390.
Pattranurakyothin, T., & Kumnungkit, K. 2012. Forecasting Model for Para Rubber’s Export Sales. Current Applied Science and Technology 12(2): 198–202.
Sadeghi, A. 2015. Providing a measure for bullwhip effect in a two-product supply chain with exponential smoothing forecasts. International Journal of Production Economics 169: 44–54.
