กำรพยำกรณ์เพื่อกำรวำงแผนกำรผลิต กรณีศึกษำ โรงงำนผลิตวงจรรวม
คำสำคัญ:
การพยากรณ์การผลิต, อนุกรมเวลา, อุตสาหกรรมการผลิตวงจรรวมบทคัดย่อ
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อพยากรณ์การผลิตของผลิตภัณฑ์วงจรรวมในอุตสาหกรรมผลิตวงจรรวม โดย
พิจารณาการผลิตของ 3 ผลิตภัณฑ์หลัก ซึ่งประกอบด้วย TM-001 TG-001 และ RM-012 ด้วยการพยากรณ์ข้อมูลอนุกรม
เวลา (Time Series Analysis) ซึ่งจะใช้ทั้ง 4 วิธีดังนี้ คือ การพยากรณ์ด้วยวิธีการวิเคราะห์แนวโน้ม (Trend Analysis)
การพยากรณ์ด้วยวิธีการปรับเรียบเอ็กซ์โพแนนเชียลแบบแก้ไขแนวโน้มของโฮลต์ ( Holt’s Trend-Corrected
Exponential Smoothing) การพยากรณ์ด้วยวิธีการหาค่าเฉลี่ยเคลื่อนที่ (Moving Average) การพยากรณ์ด้วยวิธีการ
ปรับเรียบเอ็กซ์โพแนนเชียลแบบธรรมดา (Single Exponential Smoothing) โดยพบว่าผลการคำนวณค่าคลาดเคลื่อน
ของการพยากรณ์ด้วยโปรแกรม Minitab 18.0 ทำให้ตัดสินใจได้ว่าวิธีการพยากรณ์แบบวิเคราะห์แนวโน้ม (Trend
Analysis) มีผลการพยากรณ์ที่คลาดเคลื่อนน้อยที่สุด จึงมีความเหมาะสมและสอดคล้องกับลักษณะของข้อมูลการผลิตที่ใช้
เป็นข้อมูลในการวิเคราะห์ความคลาดเคลื่อน ดังนั้นจีงเป็นวิธีการพยากรณ์ที่ดีที่สุดสำหรับผลิตภัณฑ์ TM-001 TG-001
และ RM-012
References
พิมพ์ครั้งที่ 3. กรุงเทพฯ : สมาคมส่งเสริมเทคโนโลยี (ไทยญี่ปุ่น).
2. ไพศาล แก้วทันค า. 2552. การศึกษาการใช้เทคนิค
การพยากรณ์และการสั่งซื้ออย่างประหยัดส าหรับวัตถุดิบ
ในคันเก่าที่อุตสาหกรรมชิ้นส่วนรถยนต์. วิทยานิพนธ์
ปริญญาโท มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนคร
เหนือ.
3. ทวีพงษ์ กิตติกุล. 2551. การพยากรณ์และการหา
ปริมาณการสั่งซื้อที่เหมาะสมเพื่อเป็นแนวทางในการ
จัดเก็บอะไหล่สิ้นเปลืองหลักของเครื่องสูบน้ าประเภทแรง
เหวี่ยงหนีศูนย์. วิทยานิพนธ์ปริญญาโท มหาวิทยาลัย
เทคโนโลยีพระจอมเกล้าพระนครเหนือ.
ตำรำงที่ 4 ค่าพยากรณ์การผลิตล่วงหน้า 1 ปี (พ.ศ. 2562) ด้วยวิธีการพยากรณ์แบบวิเคราะห์แนวโน้ม (Trend Analysis)
ของผลิตภัณฑ์ TM-001 TG-001 และ RM-012
เดือน
ปริมำณกำรผลิตจำกกำรพยำกรณ์ (ชิ้น) ของแต่ละผลิตภัณฑ์
TM-001 TG-001 RM-012
ม.ค. 4,499,749 2,299,055 2,615,908
ก.พ. 4,514,924 2,232,674 2,644,977
มี.ค. 4,530,099 2,166,294 2,674,046
เม.ย. 4,545,274 2,099,913 2,703,115
พ.ค. 4,560,450 2,033,533 2,732,184
มิ.ย. 4,575,625 1,967,153 2,761,252
ก.ค. 4,590,800 1,900,772 2,790,321
ส.ค. 4,605,975 1,834,392 2,819,390
ก.ย. 4,621,150 1,768,011 2,848,459
ต.ค. 4,636,325 1,701,631 2,877,527
พ.ย. 4,651,501 1,635,251 2,906,596
ธ.ค. 4,666,676 1,568,870 2,935,665
4. ไพศาล แก้วทันค า. 2552. การศึกษาการใช้
เทคนิคการพยากรณ์และการสั่งซื้ออย่างประหยัดส าหรับ
วัต ถุดิบในคันเก่ าที่ อุตส าหก ร รม ชิ้นส่ วน รถยนต์ .
วิทยานิพนธ์ปริญญาโท มหาวิทยาลัยเทคโนโลยีพระจอม
เกล้าพระนครเหนือ.
5. Long, J.,Sun, Z.,Pardalos, P. M.,Bai, Y., Zhang,
S. and Li, C., 2020., A robust dynamic scheduling
approach based on release time series forecasting
for the steelmaking-continuous casting production,
Applied Soft Computing, Vol.92, pp. 1-15.
6. Widiarata H., Viswanathan S. and Piplani R.,
2009., Forecasting aggregate demand: an analytical
evaluation of top- down versus bottom- up
forecasting in a production planning framework,
Int J Product Econom, Vol.118, pp. 87-94.
7. Minitab Pty Ltd. , Minitab Version 18. 0, PA,
USA.
8. พิชิต สุขเจริญพงษ์. 2547. การจัดการวิศวกรรม
การผลิต. กรุงเทพฯ: ซีเอ็ดยูเคชั่น.
