การปรับปรุงประสิทธิภาพการใช้เทคนิคการเรียนรู้ของเครื่องและแอปพลิเคชัน ในการรับรู้พฤติกรรมการเข้าพักในโรงแรมของนักท่องเที่ยว
คำสำคัญ:
การเรียนรู้ของเครื่อง, เว็บแอปพลิเคชัน, พฤติกรรมการเข้าพักในโรงแรม, นักท่องเที่ยวบทคัดย่อ
การไม่ตอบสนองความต้องการของผู้บริโภคในธุรกิจโรงแรมทำให้ความพึงพอใจลดลง การบอกต่อในเชิงลบ และการจัดสรรทรัพยากรที่ไม่มีประสิทธิภาพ การเรียนรู้ของเครื่องสามารถนำมาประยุกต์ใช้ในการวิเคราะห์ และคาดการณ์ความต้องการและความรู้สึกของผู้เข้าพักเพื่อพัฒนาการบริการของโรงแรม งานวิจัยนี้มีวัตถุประสงค์เพื่อ (1) ปรับปรุงและประเมินประสิทธิภาพการใช้เทคนิคการเรียนรู้ด้วยเครื่องเพื่อรับรู้พฤติกรรมการเข้าพักโรงแรมของนักท่องเที่ยว และ (2) พัฒนาแอปพลิเคชันสำหรับเชื่อมต่อแบบจำลองการคาดการณ์สำหรับธุรกิจโรงแรม รวบรวมชุดข้อมูลจากข้อมูลความคิดเห็นของนักท่องเที่ยว 300 คน โดย Google Form ข้อมูลที่รวบรวมได้ถูกทำความสะอาดโดยการใส่ข้อมูลด้วยอัลกอริทึมเคเนียร์เรสเนสเบอร์ ใช้เทคนิคการแปลงข้อมูล และการเลือกคุณสมบัติที่มีประสิทธิภาพสำหรับการฝึกแบบจำลองการคาดการณ์ด้วยเทคนิคอินฟอร์เมชันเกน คุณลักษณะที่ได้รับเลือกถูกส่งไปฝึกอบรมและทดสอบประสิทธิภาพโดยอัลกอริทึมการเรียนรู้ของเครื่อง ได้แก่ ต้นไม้การตัดสินใจ เคเนียร์เรสเนสเบอร์ นิวรอลเน็ตเวิร์ค และซัพพอร์ตเวคเตอร์แมชชินงานวิจัยนี้พบว่า อัลกอริธึมการเรียนรู้ของเครื่องที่มีประสิทธิภาพดีที่สุดสำหรับการทำนายการเข้าพักโรงแรมซ้ำของนักท่องเที่ยว และการแนะนำโรงแรมสำหรับบุคคลอื่น ๆ คือ เคเนียร์เรสเนสเบอร์ โดยสามารถให้ความแม่นยำในการทำนายสูงกว่าอัลกอริทึมอื่น ๆ ที่ 98.67% และถูกนำมาใช้เพื่อให้บริการธุรกิจโรงแรมผ่านเว็บแอปพลิเคชันที่เป็นมิตรกับผู้ใช้งาน
References
Abu Samah, K., Amirah Misdan, N., Hasrol Jono, M., & Septem Riza, L. (2022). The best Malaysian Airline Companies visualization through bilingual twitter sentiment analysis: A machine learning classification [J]. International Journal on Informatics Visualization is licensed under a Creative Commons Attribution-Share Alike 4.0 International License, 2022, 6(1), 130-137. http://dx.doi.org/10.30630/joiv.6.1.879
Alsayat, A., & Ahmadi, H. (2022). A hybrid method using ensembles of neural network and text mining for learner satisfaction analysis from big datasets in online learning platform. Neural Processing Letters, 2022, 1-37. https://doi.org/10.1007/s11063-022-11009-y.
Alomari, E. S., Nuiaa, R. R., Alyasseri, Z. A. A., Mohammed, H. J., Sani, N. S., Esa, M. I., & Musawi, B. A. (2023). Malware detection using deep learning and correlation-based feature selection. Symmetry, 15, 123. https://doi.org/10.3390/sym15010123.
Bian, Y., & Huang, X. (2015). The guanxi influence on occupational attainment in urban China. Chinese Journal of Sociology, 1(3), 307–332. https://doi.org/10.1177/2057150X15593709
Casteleiro-Roca, J.-L., Gómez-González, J.F., Calvo-Rolle, J.L., Jove, E.; Quintián, H., Acosta Martín, J.F., Gonzalez Perez, S., Gonzalez Diaz, B., Calero-Garcia, F., & Méndez-Perez, J. A. (2018). Prediction of the energy demand of a hotel using an artificial intelligence-based model. In Proceedings of the 13th International Conference, Hybrid Artificial Intelligent Systems (HAIS), Oviedo, Spain, 20–22 June 2018 (pp. 586-596). Spain: Springer.
Chen, J., Ren, Y., Zhao, S., & Wang, L. (2020). A k-nearest neighbor imputation algorithm for classification task in incomplete data sets. Expert Systems with Applications, 138, 112854.
Durazo-Cardenas, I., Starr, A., Turner, C., Tiwari, A., Kirkwood, L., Bevilacqua, M., Tsourdos, A., Shehab, E., Baguley, P., Xu, Y., & Emmanouilidis, C. (2018). An autonomous system for maintenance scheduling data-rich complex infrastructure: Fusing the railways’ condition, planning and cost. Transportation Research Part C-emerging Technologies, 89, 234-253. https://doi.org/10.1016/j.trc.2018.02.010
Fan, M., Yang, X., Yu, T. T., Liao, Q. V., & Zhao, J. (2021). Human-AI collaboration for UX evaluation: effects of explanations and synchronization[J]. Proceedings of the ACM on Human-Computer Interaction, 6, 1–32. https://doi.org/10.1145/3512943.
Giesemann, J., Delgadillo, J., Schwartz, B., Bennemann, B., & Lutz, W. (2023). Predicting dropout from psychological treatment using different machine learning algorithms, resampling methods, and sample sizes. Psychotherapy Research, 33(6), 683–695. https://doi.org/10.1080/10503307.2022.2161432
Kasikorn Research Center. (2023). Retail business in 2023. Retrieved from https://www.kasikornresearch.com/en/analysis/k-social-media/Pages/Retail-FB-10-01-2023.aspx.
Roberson, T., Bornstein, S., Liivoja, R., Ng, S., Scholz, J., & Devitt, S. K. (2022). A method for ethical AI in defence: A case study on developing trustworthy autonomous systems. Journal of Responsible Technology, 11, 1-5. https://doi.org/10.48550/arXiv.2206.10769
Runggaldier, S., Sottocornola, G., Janes, A., Stella, F., & Zanker, M. (2023). Booker prediction from requests for quotation via machine learning techniques. Tourism and hospitality management, 29(1), 25–43. https://hrcak.srce.hr/file/429227
Saad, N. L., Khairudin, N., Azizan, A., Rahman, A., & Ibrahim, R. (2022). Context-aware recommender system based on machine learning in tourist mobile application. Mathematical Sciences and Informatics Journal, 3(1), 19-28. https://ir.uitm.edu.my/id/eprint/61709/1/61709.pdf.
Singhal, A., & Sharma, V. (2022). AI based computer program to simulate and process human conversation[J]. International Journal of Innovative Science and Research Technology, 7(5), 1483-1491. https://ijisrt.com/assets/upload/files/IJISRT22MAY1706_(1).pdf
Siłka, J., Wieczorek, M., & Woźniak, M. (2022). Recurrent neural network model for high-speed train vibration prediction from time series. Neural Comput & Applic, 34, 13305–13318. https://doi.org/10.1007/s00521-022-06949-4.
Yildirim, M. E., Kaya, M., & FurkanInce, I. (2022). A case study: Unsupervised approach for tourist profile analysis by K-means clustering in Turkey. Journal of Internet Computing and Services, 23(1), 11-17. https://koreascience.kr/article/JAKO202210261225360.pdf
Zhang, H., Feng, Y., & Wang, L. (2020). Cloud computing to tourism economic data scheduling algorithm under the background of image and video [J]. Computational Intelligence and Neuroscience, 2020(8), 1-15. https://doi.org/10.1155/2022/3948221
Zhang, H. Q., Fu, X. J., & Cai, L. A. (2014). Impact of hotel attribute performance on tourist satisfaction and future behavioral intentions: A segmentation approach. Journal of Travel Research, 53(4), 394-406.
