การพยากรณ์ยอดขายและความต้องการสินค้าในอุตสาหกรรมผลิตอุปกรณ์ไฟฟ้า กรณีศึกษา บริษัทผลิตอุปกรณ์ไฟฟ้าแรงสูง
คำสำคัญ:
การพยากรณ์, โครงข่ายประสาทเทียม, แบบจำลองโครงข่ายประสาทเทียมบทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาหาตัวแบบการพยากรณ์ความต้องการสินค้าจากวิธีการทำงานโครงข่ายประสาทเทียมใน กรณีศึกษา บริษัทอุตสาหกรรมด้านการผลิตอุปกรณ์ไฟฟ้าแรงสูง และลดค่าปรับในการส่งมอบสินค้าล่าช้า ด้วยโปรแกรม Matlab โดยวิธีการใช้รูปแบบการพยากรณ์ด้วยวิธีการของโครงข่ายประสาทเทียม Neural Network Time Series ด้วยรูปแบบฟังก์ชัน โครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้น ร่วมกับข้อมูลอินพุตภายนอก (Nonlinear Autoregressive Network with Exogenous : NARX) แล้วดำเนินการหาค่าความคลาดเคลื่อนของการพยากรณ์คือ ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน (Mean Absolute Percent Error : MAPE) ใช้ตัวแบบค่าความเคลื่อนที่มีค่าน้อยที่สุด โดยใช้ข้อมูลที่รวบรวมยอดขายสินค้าตั้งแต่ ปี 2562–ปี2565 จำนวน 48 ชุดข้อมูล โดยแบ่งเป็น 2 ชุดข้อมูลที่ใช้ในการศึกษา โดยชุดข้อมูลแรก คือชุดข้อมูลการเรียนรู้ 36 ชุดข้อมูล และชุดข้อมูลชุดที่สอง คือชุดข้อมูลการทดสอบ 12 ชุดข้อมูล กำหนดตัวแบบของการศึกษาครั้งนี้ด้วยจำนวนโหนดชั้นซ่อนเป็น 2, 6 และ 10 ชั้น Time delay เท่ากับ 2 และ 3 รวมตัวแบบการพยากรณ์ออกเป็น 6 ตัวแบบ ผลลัพธ์ตัวแบบที่ดีที่สุดของแต่ละรายการที่จากการพยากรณ์แบบวกกลับ ผ่านกระบวนการเรียนรู้ Levenberg-Marquardt (Trainlm) ได้แก่ ตัวแบบที่ 1, 4, 5, 4, 3, 3 และ 2 ตามลำดับ แสดงผลค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยน้อยสุดอยู่ที่ 8.32, 5.85, 2.61, 3.39, 2.91, 2.19 และ 7.76 และผลลัพธ์ของตัวแบบการพยากรณ์นำไปวิเคราะห์เพื่อลดค่าปรับจากขายสินค้าทั้ง 7 รายการ สามารถลดค่าปรับในส่งมอบสินค้าล่าช้าได้ 4 รายการ แสดงอัตราส่วนร้อยละของผลต่างในการลดค่าใช้จ่ายได้ เท่ากับ 0.28% 0.24% 0.32% และ 0.22% สรุปได้ว่าการพยากรณ์โครงข่ายประสาทเทียม แบบโครงข่ายประสาทเทียมแบบวกกลับ สามารถใช้หาการพยากรณ์ยอดขายสินค้าและความต้องการสินค้าได้เป็นอย่างดี และลดค่าใช้จ่ายค่าปรับที่ส่งสินค้าล่าช้าได้ผลที่ดียิ่งขึ้น
References
Promaon, A. (2018). A Study Of Time Series Forecasting System For Material Planning A Case Study Rubber Tube Manufactur. [Unpublished master’s thesis]. Thai-Nichi Institute Of Technology. (in Thai).
Samerjai, C. (2007). Consumer Behavior. Se-Education Public Company Limited. (in Thai).
Geerathivudhipong, P. (2009). Improve the Efficiency of Sanitary Ware Production Plans to Enhance Competitiveness. Case Study SS Co., Ltd. [Unpublished master’s thesis]. University of The Thai Chamber of Commerce. (in Thai).
Niruttikul, N. (2015). Sales Forecasting. (7thed.). Kasetsart University. (in Thai).
Kaewlha, P. (2010). Neural Network System For The Heart Disease Patient Forecasting System. [Unpublished master’s thesis]. King Mongkut’s University Of Technology North Bangkok. (in Thai).
Kammong, R., & Homdok, S. (2019). Forecasting Foreign Tourists In Northern Thailand Using Artificial Neural Network. Academic Journal Of Science And Applied Science, 2562(2).15–32. (in Thai).
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
