Applying Data Mining Techniques to Studying the Association Rules of Yarn Businesses: Case Study of a Yarn Company
การประยุกต์ใช้เทคนิคเหมืองข้อมูลในการศึกษากฎความสัมพันธ์ของธุรกิจเส้นด้าย กรณีศึกษาบริษัทเส้นด้ายแห่งหนึ่ง
Keywords:
Data Mining Techniques, Association Rules, Yarn BusinessesAbstract
The research aims to apply the principles of association rules in business using a case study of a yarn company. The research process in Cross-Industry Standard Process for Data Mining: CRIPS-DM from a dataset spanning from 2015 to 2022, comprising 5,160 sets. Data collection, cleaning, and transformation were conducted before creating the models using the FP-Growth method in RapidMiner. The performance of the association rules is evaluated based on support and confidence values, resulting in the discovery of four rules all of which are effective according to statistical criteria, with a Confidence interval of 0.644 - 0.695 and a Support interval of 0.243 – 0.397. These rules provide guidance for business operations, such as production planning or marketing strategies tailored to customer behaviors, paving the way for smart business practices, and fostering organizational innovation for the future.
Downloads
References
Patti A, Acierno D. Towards the sustainability of the plastic industry through biopolymers: properties and potential applications to the textiles world. Polymers. 2022;14(4):692.
Sareminia S, Ghayoumian Z, Haghighat F. Developing a data-driven operational guide for the texturized yarn production process: data mining and intelligence approach. Int J Cloth Sci Tech. 2024;36(2):241-67.
Sun X, Ngueilbaye A, Luo K, Cai Y, Wu D, Huang JZ. A scalable and flexible basket analysis system for big transaction data in Spark. Inf Process Manag. 2024;61(2):103577.
Putra RA, Putri MAM, Sinaga SM, Octavia SF, Rachman RC. Implementation of Association Rules Algorithm to Identify Popular Topping Combinations in Orders. J Eng Data Tech Comput Sci. 2024;1(2).
Istrat V, Lalić N. Association Rules as a Decision Making Model in the Textile Industry. Fibres Text East Eur. 2017;4(124):8-14.
Jain S, Kumar V. Garment Categorization Using Data Mining Techniques. Symmetry. 2020;12(984):1-20.
Bhuvaneshwarri I, Tamilarasi A. Optimization of Big Data Using Rough Set Theory and Data Mining for Textile Applications. Artif Intell Evol Comput Eng Syst. 2020;1056:69-77.
Imran AA, Rahim MS, Ahmed T. Mining the productivity data of the garment industry. Int J Bus Intell Data Min. 2021;19(3):319-42.
Ahmad S, Miskon S. The Adoption of Business Intelligence Systems in Textile and Apparel Industry: Case Studies. Emerg Trends Intell Comput Inform. 2019;1073:12-23.
Ribeiro R, Pilastri A, Moura C, Rodrigues F, Rocha R, Morgado J, et al. Predicting Physical Properties of Woven Fabrics via Automated Machine Learning and Textile Design and Finishing Features. Artif Intell Appl Innov. 2020;528:244-55.
Gupta M. Association Rules Mining Regarding the Value of Business Intelligence Solutions. TEM J. 2022;11(3):1399-405.
อับดุลเลาะ บากา, สุลัยมาน เภอโส๊ะ, อิสมาแอ ล่าเตะเกะ, อรรถพล อดุลยศาสน์, พรรณี แพงทิพย์, ฟูไดละห์ ดือมอง. การหากฎความสัมพันธ์ด้วยขั้นตอนวิธีเอฟพี-กโรธ เพื่อวิเคราะห์พฤติกรรมการซื้อสินค้าของลูกค้าร้านค้าปลีก กรณีศึกษาร้านค้าดีทูช้อป จังหวัดปัตตานี. วารสารวิชาการการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม 2565;9(2):18-29.
อุณนดาทร มูลเพ็ญ, จุฑารัตน์ จิตต์ถนอม. การประยุกต์ใช้กฎความสัมพันธ์เพื่อวิเคราะห์พฤติกรรมการซื้อสินค้าในร้านสะดวกซื้อของนักศึกษาด้วยเทคนิคเหมืองข้อมูล กรณีศึกษา: ร้านสะดวกซื้อบริเวณมหาวิทยาลัยราชภัฏร้อยเอ็ด. วารสารการจัดการและการพัฒนา มหาวิทยาลัยราชภัฏอุบลราชธานี 2565;9(1):55-72.
ณัฏญาพร ชื่นมัจฉา, นิเวศ จิระวิชิตชัย. การหากฎความสัมพันธ์จากฐานข้อมูลการซื้อสินค้าของลูกค้าโดยใช้เทคนิคเอฟพี-กโรธ. Sci Tech RMUTT J. 2559;6(1):122-31.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Advanced Science Journal
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
