การเปรียบเทียบประสิทธิภาพวิธีค่าเฉลี่ยเคลื่อนที่และการปรับเรียบเอกโพเนนเชียลอย่างง่ายในการทำนายความต้องการเปลี่ยนถ่ายน้ำมันเครื่องรถบรรทุก: กรณีศึกษาในจังหวัดสงขลา
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อทำนายความต้องการเปลี่ยนถ่ายน้ำมันเครื่องสำหรับรถบรรทุกขนาดใหญ่ โดยใช้ข้อมูลรายเดือนจากศูนย์บริการกรณีศึกษา ระหว่างปี พ.ศ. 2562 - พ.ศ. 2564 การศึกษาใช้ข้อมูลรายเดือนจำนวน 36 เดือน การศึกษานี้มุ่งเน้นการเปรียบเทียบประสิทธิภาพของวิธีการทำนายต่าง ๆ เพื่อหาแนวทางที่เหมาะสมที่สุดในการคาดการณ์ความต้องการบริการในอนาคต วิธีการทำนายที่นำมาใช้ในการวิจัยประกอบด้วยสองวิธีหลัก ได้แก่ การทำนายแบบค่าเฉลี่ยเคลื่อนที่ (Moving Average - MA) โดยใช้ช่วงเวลา 3 และ 5 เดือน และการปรับเรียบเอกโพเนนเชียลอย่างง่าย (Exponential smoothing) โดยใช้ค่าอัลฟ่า (α) เท่ากับ 0.1 และ 0.5 แต่ละวิธีถูกนำมาใช้กับชุดข้อมูลเดียวกันเพื่อสร้างการทำนาย และประเมินประสิทธิภาพของแต่ละวิธีการ การวิจัยนี้ใช้เกณฑ์การวัดความแม่นยำสามประการ ได้แก่ Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE) และ Mean Squared Error (MSE) ซึ่งแต่ละเกณฑ์ให้มุมมองที่แตกต่างกันในการประเมินความถูกต้องของการทำนาย ผลการวิจัยแสดงให้เห็นว่า วิธี SES ที่ค่า α = 0.5 ให้ค่า MAPE ต่ำที่สุดที่ 4.90 % วิธีการปรับเรียบเอกโพเนนเชียลอย่างง่าย (Exponential Smoothing) ที่มีค่าอัลฟ่าเท่ากับ 0.5 ให้ผลการทำนายที่มีความแม่นยำสูงสุดเมื่อประเมินด้วย MAE, MSE และ MAPE ซึ่งบ่งชี้ถึงความสามารถในการคาดการณ์ที่ใกล้เคียงกับค่าจริงมากที่สุด สำหรับการวางแผนต้องการความน้ำมันเครื่องสำหรับรถบรรทุกขนาดใหญ่ของบริษัทกรณีศึกษา ผลการวิจัยสามารถนำไปประยุกต์ใช้ในการวางแผนการจัดการสต๊อกและการให้บริการของศูนย์บริการได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับตีพิมพ์ในวารสารนี้เป็นลิขสิทธิ์ของคณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏนครศรีธรรมราช
อนึ่งผลงานวิจัยและผลงานทางวิชาการที่ปรากฏเผยแพร่ในวารสารฯ เป็นความคิดเห็นอิสระของผู้แต่ง โดยผู้แต่งเป็นผู้รับผิดชอบต่อผลทางกฎหมายใด ๆ ที่อาจจะเกิดขึ้นจากบทความเผยแพร่นั้น ซึ่งกองบรรณาธิการและคณะผู้จัดทำวารสารฯ ไม่จำเป็นต้องเห็นด้วยเสมอไป
เอกสารอ้างอิง
Sathapongpakdee, P., 2022. Industry Outlook 2022-2024: Road Freight Transportation Service. [Online]. Available: https://www.krungsri.com/en/research/industry/industry-outlook/logistics/road-freight-transportation/io/road-freight-transportation-2022-2024. Accessed 10 August 2024.
Hwang, W. and Lee, J., 2014. “A new forecasting scheme for evaluating long‐term prediction performances in supply chain management,” Int Trans Operational Res. 21(6): pp. 1045–1060.
Harly, J., Nababan, M., Bintang, L. H., Rizal, R. A., and -, A., 2023. “Comparison of Single Exponential Smoothing Method with Double Exponential Smoothing Method Prediction of Salt,” JUSIKOM PRIMA. 6(2): pp. 1–5.
Budiarto, D. D., Miftahudin, M., and Riwurohi, J. E., 2024. “Application of Exponential Smoothing Method for Forecasting Spare Parts Inventory at Heavy Equipment Distributor Company,” Eduvest. 4(3): pp. 959–976.
Huriati, P., Erianda, A., Alanda, A., Meidelfi, D., and Suryani, A. I., 2022. “Implementation of The Moving Average Method for Forecasting Inventory in CV. Tre Jaya Perkasa,” International Journal of Advanced Science Computing and Engineering. 4(2): pp. 67–75.
Rachmat, R. and Suhartono, S., 2020. “Comparative analysis of single exponential smoothing and holt’s method for quality of hospital services forecasting in general hospital,” Bulletin of Computer Science and Electrical Engineering. 1(2): pp. 80–86.
Ahmar, A. S., 2020. “Forecast Error Calculation with Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE),” jinav j. inf. vis. 1(2): pp. 94–96.
Robeson, S. M. and Willmott, C. J., 2023. “Decomposition of the mean absolute error (MAE) into systematic and unsystematic components,” PLoS One. 18(2): pp. 1–8.
Hodson, T. O., Over, T. M., and Foks, S. S., 2021. “Mean Squared Error, Deconstructed,” J Adv Model Earth Syst. 13(12): pp. 1–10.
Karmaker, C. L., 2017. “Determination of optimum smoothing constant of single exponential smoothing method: a case study,” International Journal of Research in Industrial Engineering. 6(3): pp. 184–192.
Marpaung, N. L., Salim, K. R., Amri, R., and Ervianto, E., 2019. “Application of Single Exponential Smoothing in Forecasting Number of New Students Acceptance,” Int. J. Technol. Eng. Stud. 5(6): pp. 169–182.
Rahyul, A., 2016. “Forecasting sales at widodo makmur rice shop using the moving average method,” M.S. thesis. Nusantara Univ., Jakarta, Indonesia.
Khairina, D. M., Muaddam, A., Maharani, S., and Rahmania, H., 2019. “Forecasting of groundwater tax revenue using single exponential smoothing method,” In Proceedings of E3S Web of Conferences, 2019, 125, p. 23006. [Online]. Available: https://www.e3s-conferences.org/ articles/e3sconf/abs/2019/51/e3sconf_icenis2019_23006/e3sconf_icenis2019_23006. html. Accessed: 15 July 2024.
Dey, B., Roy, B., Datta, S., and Ustun, T. S., 2023. “Forecasting ethanol demand in India to meet future blending targets: A comparison of ARIMA and various regression models,” Energy Reports. 9(1): pp. 411–418.
Chelliah, B. J., Latchoumi, T. P., and Senthilselvi, A., 2024. “Analysis of demand forecasting of agriculture using machine learning algorithm,” Environ Dev Sustain. 26(1): pp. 1731–1747.
