Forecasting Direction and Analyzing Dengue Risk Areaby using Geographic Information and Data Mining in Bangmaenang Sub-District, Bangyai District, Nonthaburi Province

Abstract

The purposes of this research were to (1) analyze the factors related to the forecasting direction of the outbreak and analyze dengue risk areas, (2) predict the direction of the outbreak and analyze dengue risk areas, and (3) compare the efficiency and accuracy of the forecasting algorithm in Bang Mae Nang Subdistrict, Bang Yai District, Nonthaburi Province.The population in this study were 235 dengue patients selected from 96 samples then analyzed and joined spatial data with attribute data, the factor selected were 9 factors consisting of (1) Land use (2) Land parcel 3) Density (4) Age groups (5) gender (6) Precise (7) Humidity (8) Temperature and (9) Heat index, then to create the models to forecasted by 3 algorithms of data mining technique were (1) Decision Tree: CART(Classification and Regression Tree) (2) Decision Tree: ID3 (Iterative Dichotomiser 3) and (3) Random Forest.The results revealed that the Decision Tree: ID3 (Iterative Dichotomiser 3) algorithm was the best model in this research that has an accuracy equal to 98% and an F-measure equal to 98%, the features of importance were (1) Land use (2) Land parcel, and (3) Density and the models could predict and analyze risk area, risk level, and households in the risk area.

งานวิจัยนี้มีวัตถุประสงค์ 1) เพื่อวิเคราะห์ปัจจัยที่สัมพันธ์กับการพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออก 2) เพื่อพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออก และ 3) เพื่อเปรียบเทียบประสิทธิภาพความแม่นยำของอัลกอริทึมในการพยากรณ์ พื้นที่ศึกษาวิจัย คือ ตำบลบางแม่นาง อำเภอบางใหญ่ จังหวัดนนทบุรี กลุ่มตัวอย่าง คือ ข้อมูลผู้ป่วยไข้เลือดออกจำนวน 235 ราย ดำเนินการวิเคราะห์ข้อมูลเชิงพื้นที่และข้อมูลเชิงคุณลักษณะและเชื่อมโยงข้อมูลด้วยวิธีการทางสารสนเทศภูมิศาสตร์ ปัจจัยที่คัดเลือกทั้งหมด 9 ปัจจัย ได้แก่ 1) การใช้ประโยชน์ที่ดิน 2) จำนวนแปลงที่ดิน 3) ความหนาแน่น 4) ช่วงอายุ 5 กลุ่มวัย 5) เพศ 6) ปริมาณน้ำฝน 7) ความชื้นสัมพัทธ์ 8) อุณหภูมิ และ 9) ดัชนีความร้อน จากนั้นดำเนินการสร้างแบบจำลองในการพยากรณ์ด้วยเทคนิคเหมืองข้อมูล ทั้งหมด 3 อัลกอริทึม ได้แก่ วิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม CART (Classification and Regression Tree) วิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม ID3 (Iterative Dichotomiser 3) และ วิธีป่าสุ่ม (Random Forest)ผลการวิจัยพบว่าแบบจำลองที่สร้างจากวิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม ID3 (Iterative Dichotomiser 3) เป็นแบบจำลองการพยากรณ์ที่ดีสุดในการวิจัยนี้ โดยมีค่าความถูกต้อง (Accuracy) สูงถึง 98% และมีค่าประสิทธิภาพโดยรวมเฉลี่ยเท่ากับ 98% โดยปัจจัยที่มีความสำคัญต่อการพยากรณ์ 3 อันดับแรกที่ควรเลือกใช้ในการพยากรณ์ ได้แก่ การใช้ประโยชน์ที่ดิน จำนวนแปลงที่ดิน และความหนาแน่น ผลการพยากรณ์ทิศทางการระบาด พบว่าแบบจำลองสามารถพยากรณ์และวิเคราะห์พื้นที่เสี่ยง ระดับความเสี่ยง และจำนวนครัวเรือนที่อยู่ในพื้นที่เสี่ยงได้