| ชื่อบทความ |
การพยากรณ์ราคาข้าวโพดเลี้ยงสัตว์ในประเทศไทยด้วยแบบจำลองอนุกรมเวลาและแสดงผลเปรียบเทียบโดยระบบธุรกิจอัจฉริยะ
|
| ชื่อบทความ(English) |
Forecasting Feed Corn Prices in Thailand Using Time Series Models and a Business Intelligence Dashboard
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
ประภาภรณ์ ชุบสุวรรณ(1*), กษิดิศ ศรีกงพลี(1) และ ศุภพงษ์ ปิ่นเวหา(2) (Prapaporn Chubsuwan(1*), Kasidis Srikongplee(1) and Supapong Pinveha(2))
|
| หน่วยงาน |
สาขาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม(1), สาขาการจัดการ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม(2) (Department of Business Computer, Mahasarakham Business School, Mahasarakham University(1), Department of Management, Mahasarakham Business School, Mahasarakham University(2)) *Corresponding author: prapaporn.c@acc.msu.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 12 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2569
|
| บทคัดย่อ |
การพยากรณ์ราคาสินค้าเกษตรมีความสำคัญต่อการวางแผนการผลิต การบริหารต้นทุน และการตัดสินใจในภาคการเกษตร อย่างไรก็ตาม งานวิจัยจำนวนมากมักมุ่งเน้นเฉพาะเทคนิคการพยากรณ์ โดยยังขาดการประยุกต์ใช้ร่วมกับระบบธุรกิจอัจฉริยะ (Business Intelligence) งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) วิเคราะห์แนวโน้มราคาข้าวโพดเลี้ยงสัตว์ในประเทศไทยจากข้อมูลย้อนหลัง 2) พัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองการพยากรณ์ด้วยเทคนิคการวิเคราะห์อนุกรมเวลา และ 3) พัฒนาแดชบอร์ดระบบธุรกิจอัจฉริยะเพื่อสนับสนุนการวิเคราะห์ข้อมูลและการตัดสินใจ โดยใช้ข้อมูลราคาข้าวโพดเลี้ยงสัตว์รายเดือนย้อนหลังช่วงปี พ.ศ. 2564–2568 จำนวน 60 เดือน และแบ่งข้อมูลตามลำดับเวลาเป็นชุดข้อมูลฝึกสอนร้อยละ 80 และชุดข้อมูลทดสอบร้อยละ 20 ผลการศึกษาพบว่าแบบจำลอง Exponential Smoothing (α = 0.95) ให้ความแม่นยำสูงที่สุด โดยมีค่า MAPE เท่ากับ 2.473% รองลงมาคือ Moving Average (3.249%) และ Holt–Winters (3.875%) ขณะที่แบบจำลองการถดถอยเชิงเส้นอย่างง่ายมีค่าความคลาดเคลื่อนสูงที่สุด นอกจากนี้ งานวิจัยยังได้พัฒนาแดชบอร์ดแบบ interactive ด้วย Looker Studio เพื่อแสดงผลข้อมูลราคาจริงและผลการพยากรณ์ ซึ่งช่วยสนับสนุนการติดตามแนวโน้มราคา การวิเคราะห์ข้อมูล และการตัดสินใจเชิงข้อมูลในภาคการเกษตรได้อย่างมีประสิทธิภาพ
|
| คำสำคัญ |
การพยากรณ์ราคา; ข้าวโพดเลี้ยงสัตว์; อนุกรมเวลา; ค่าเฉลี่ยเคลื่อนที่; ระบบธุรกิจอัจฉริยะ
|
| ปี พ.ศ. |
2569
|
| ปีที่ (Vol.) |
12
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
383-400
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0001-7210-3645
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R69071.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3 ed.). OTexts. https://otexts.com/fpp3/
|
| |
Khan, M. A., Saqib, S., Alyas, T., Rehman, A. U., Saeed, Y., Zeb, A., Zareei, M., & Mohamed, E. M. (2020). Effective Demand Forecasting Model Using Business Intelligence Empowered With Machine Learning. IEEE Access, 8, 116013-116023. https://doi.org/10.1109/ACCESS.2020.3003790
|
| |
Khan, W., Ghazanfar, M. A., Azam, M. A., Karami, A., Alyoubi, K. H., & Alfakeeh, A. S. (2020). Stock market prediction using machine learning classifiers and social media, news. Journal of Ambient Intelligence and Humanized Computing, 13(7), 3433-3456. https://doi.org/10.1007/s12652-020-01839-w
|
| |
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis (6th ed.). John Wiley & Sons.
|
| |
Rathod, S., Chitikela, G., Bandumula, N., Ondrasek, G., Ravichandran, S., & Sundaram, R. M. (2022). Modeling and Forecasting of Rice Prices in India during the COVID-19 Lockdown Using Machine Learning Approaches. Agronomy, 12(9), 2133.
|
| |
Sharda, R., Delen, D., & Turban, E. (2018). Business Intelligence, Analytics, and Data Science: A Managerial Perspective. Pearson.
|
| |
Sridevy, S., Nirmala Devi, M., & Sankar, M. (2023). Decision Support Systems in Agricultural Industry Perspective. International Journal of Statistics and Applied Mathematics, 8(2S), 29-31. https://doi.org/10.22271/maths.2023.v8.i2Sa.984
|
| |
Wang, C., & Sun, Z. (2021). Monthly pork price forecasting method based on Census X12-GM(1,1) combination model. PLOS ONE, 16(5), e0251436. https://doi.org/10.1371/journal.pone.0251436
|
| |
Wang, F., & Aviles, J. (2023). Enhancing Operational Efficiency: Integrating Machine Learning Predictive Capabilities in Business Intelligence for Informed Decision-Making.
|
| |
Zamani, A., Haghbin, H., Hashemi, M., & Hyndman, R. (2019). Seasonal Functional Autoregressive Models. https://EconPapers.repec.org/RePEc:msh:ebswps:2019-16
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|