การประยุกต์ใช้โครงข่ายประสาทเทียมสำหรับการพยากรณ์อุปสงค์ในห่วงโซ่ อุปทานของอุตสาหกรรมแขนจับยึดหัวอ่านในฮาร์ดดิสก์ไดร์ฟ
ดาริกา เรือนคำ∗, วิมลิน เหล่าศิริถาวร, พงค์ศักดิ์ โหลิชยโชติกุล
>> Download ebook <<
ในงานวิจัยนี้ได้ทำการศึกษาและหารูปแบบการพยากรณ์ปริมาณยอดขายของผลิตภัณฑ์แขนจับยึด
หัวอ่านฮาร์ดดิสก์ของบริษัทกรณีศึกษาแห่งหนึ่งในอุตสาหกรรมอิเล็กทรอนิกส์ ซึ่งผลิตส่วนประกอบใน
ฮาร์ดดิสก์ไดรฟ์ในนิคมอุตสาหกรรมลำพูน ซึ่งได้นำโครงข่ายประสาทเทียมมาประยุกต์ใช้ในการหารูปแบบ
ของการพยากรณ์ โดยโครงข่ายประสาทเทียมที่ใช้มีลักษณะโครงสร้างแบบมัลติเลเยอร์เพอร์เซพตรอน
(Multilayer Perceptron) ที่มีการเรียนรู้แบบแบ็คพรอพาเกชั่นอัลกอริทึม (Back propagation Algorithm) และ
ใช้ข้อมูลในรูปแบบอนุกรมเวลาเป็นปัจจัยนำเข้า ผลการพยากรณ์ที่ได้ถูกนำมาเปรียบเทียบกับ การพยากรณ์
แบบ ARIMA (Box – Jenkins) การพยากรณ์แบบวินเตอร์ การพยากรณ์แบบเอ็กซ์โปเนนเชียลสองครั้ง เอ็กซ์
โปเนนเชียลครั้งเดียว ค่าเฉลี่ยแบบเคลื่อนที่ 3 เวลา และค่าอุปสงค์ประมาณจากลูกค้า(Customer Demand
Forecast : CDF) ผลการวิจัยแสดงค่าจากการพยากรณ์โดยโครงข่ายประสาทเทียม มีความแม่นยำกว่าการ
พยากรณ์ด้วยเทคนิคต่างๆ ดังกล่าวข้างต้น และแม่นยำกว่าค่าอุปสงค์พยากรณ์จากลูกค้า โดยการพยากรณ์
แบบโครงข่ายประสาทเทียมแสดงค่าร้อยละของค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ (Mean Absolute
Percentage Square Error: MAPE) เท่ากับ 7.37 ส่วนการพยากรณ์แบบ ARIMA มีค่าเท่ากับ 28.72 การ
พยากรณ์แบบวินเตอร์ มีค่าเท่ากับ 35.09 การพยากรณ์แบบเอ็กซ์โปเนนเชียลสองครั้ง มีค่าเท่ากับ 35.54
การพยากรณ์แบบเอ็กซ์โปเนนเชียลครั้งเดียว มีค่าเท่ากับ 29.74 การพยากรณ์แบบค่าเฉลี่ยแบบเคลื่อนที่ 3
เวลา มีค่าเท่ากับ 28.37 และค่าอุปสงค์ประมาณจากลูกค้า มีค่าเท่ากับ 14.75 จากผลการวิจัยจึงสรุปได้ว่าการ
พยากรณ์โดยโครงข่ายประสาทเทียมมีค่าแม่นยำมากที่สุด
เมื่อได้ค่าการพยากรณ์ที่เหมาะสมที่สุดแล้วจึงทำการศึกษาผลกระทบบูลวิป โดยใช้ค่าจากการ
พยากรณ์โดยโครงข่ายประสาทเทียม จำลองวางแผนการผลิต การจัดซื้อ และวัดประสิทธิภาพเปรียบเทียบกับ
วิธีการเดิมคือใช้ค่าอุปสงค์ประมาณจากลูกค้า พบว่าประสิทธิภาพในการวางแผนการผลิต และการจัดซื้อ
เพิ่มขึ้น 10%
