การพยากรณ์การสำรองเงินสดสำหรับสหกรณ์ออมทรัพย์ ด้วยข้อมูลการถอนเงินช่วงเช้าโดยใช้การเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การบริหารเงินสดสำรองที่มีประสิทธิภาพเป็นปัจจัยสำคัญต่อการดำเนินงานของสหกรณ์ออมทรัพย์ โดยเฉพาะอย่างยิ่งสำหรับเคาน์เตอร์บริการที่ต้องเตรียมเงินสดให้เพียงพอต่อความต้องการของสมาชิก งานวิจัยนี้นำเสนอการพัฒนาแบบจำลองการเรียนรู้ของเครื่องเพื่อทำนายปริมาณการถอนเงินของเคาน์เตอร์บริการ โดยใช้เทคโนโลยีการเรียนรู้ของเครื่อง โดยจำแนกเป็นสองช่วง ได้แก่ ไม่เกิน 3 ล้านบาท และมากกว่า 3 ล้านบาท เพื่อเพิ่มประสิทธิภาพในการบริหารเงินสดและลดต้นทุนการสำรองเงินสด ข้อมูลที่ใช้มาจากธุรกรรมการถอนเงินสดหน้าเคาน์เตอร์ย้อนหลัง 2 ปี ของสหกรณ์ออมทรัพย์แห่งหนึ่งในประเทศไทย โดยเลือกใช้ยอดการถอนเงินในช่วงเช้าและยอดการถอนเงินของวันก่อนหน้าเป็นตัวแปรอิสระในการสร้างแบบจำลอง การศึกษานี้ได้เปรียบเทียบประสิทธิภาพของแบบจำลอง Gradient Boosting, Logistic Regression และ MLP พร้อมทั้งศึกษาผลกระทบของการเลือกช่วงเวลาที่ใช้เป็นตัวแปรอิสระ ผลการวิจัยชี้ให้เห็นว่าแบบจำลอง MLP ให้ผลลัพธ์ที่ดีที่สุดเมื่อใช้ข้อมูลการถอนเงินในช่วงเวลา 08:00–12:00 โดยมีความแม่นยำสูงสุดถึง 84.80%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ค. ชูชื่นมานะกิจ. (8 กรกฎาคม 2567). ประเภทสหกรณ์. [ระบบออนไลน์] แหล่งที่มา : https://cpd.go.th/content-page/item/1741-coop-type.html
D. L. Miller and C. Dou. “How Cooperative Are Savings and Credit Cooperatives in Developing Countries? An Analysis of Datasets from Uganda,” Annals of Public & Cooperative Economics, Vol. 88 (3), pp. 345–367, 2017. doi: 10.1111/apce.12155
O. Schmidt. Machine Learning For Dummies®. IBM Limited Edition. John Wiley & Sons, 2018.
S. Poorzaker Arabani and H. Ebrahimpour Komleh. “The Improvement of Forecasting ATMs Cash Demand of Iran Banking Network Using Convolutional Neural Network,” Arabian Journal for Science & Engineering (Springer Science & Business Media B.V.), Vol. 44, pp. 3733–3743, 2019. doi: 10.1007/s13369-018-3647-7
A. Riabykh, I. Suleimanov, D. Surzhko, M. Konovalikhin, and V. Ryazanov. “ATM Cash Flow Prediction Using Local and Global Model Approaches in Cash Management Optimization,” Pattern Recognition & Image Analysis, Vol. 32, pp. 803–820, 2022. doi: 10.1134/S1054661822040113
A. Rajwani, T. Syed, B. Khan, and S. Iqbal. “ATM cash flow prediction: Exploratory Data Analysis and results from sequence-bases predictions,” Elsevier Ltd, Vol. 21, 2018.
M. Rafi, M. T. Wahab, M. B. Khan, and H. Raza. “Towards optimal ATM cash replenishment using time series analysis,” Journal of Intelligent & Fuzzy Systems, Vol. 41 (6), pp. 5915–5927, 2021. doi: 10.3233/JIFS-201
Z. Moubariki, L. Beljadid, M. El Haj Tirari, M. Kaicer, and R. O. H. Thami, “Enhancing cash management using machine learning”. International Conference on Smart Systems and Data Science (ICSSD). 3-4 October. Rabat, Morocco : pp. 1–6, 2019. doi: 10.1109/ICSSD47982.2019.9002731
M. Cedolin and M. E. Genevois, “Cash Demand Prediction Problem using Econometric and Computational Intelligence Forecasting Models”. International Conference on Control Decision and Information Technologies (CoDIT). 1-4 July. Valletta, Malta : pp. 103–108, 2024. doi: 10.1109/CoDIT62066.2024.10708473
P. S. Pratiwi, C. P. Utomo, and M. K. Amartya, “Machine Learning Model using Times Series Analytics for Prediction of ATM Transactions”. International Seminar on Research of Information Technology and Intelligent Systems (ISRITI). 8-9 December. Indonesia : pp. 775–780, 2022. doi: 10.1109/ISRITI56927.2022.10052900
M. Asad, M. Shahzaib, Y. Abbasi, and M. Rafi, “A Long-Short-Term-Memory Based Model for Predicting ATM Replenishment Amount”. International Arab Conference on Information Technology (ACIT). 28-30 November. Zarqa, Jordan : pp. 1–6, 2020. doi: 10.1109/ACIT50332.2020.9300115
Z. Söylen, F. Mammadova, M. Fasounaki, A. İ. Özmen, and G. İnce, “Cash Flow Forecasting Based on Wavelet Transform and Neural Networks”. International Conference on Computer Science and Engineering (UBMK), 13-15 September. Burdur, Turkiye : pp. 306–311, 2023. doi: 10.1109/UBMK59864.2023.10286711
C. Pruekpramool, N. Jaroentaku, and S. Srisuttiyakorn. “Efficiency of Pearson, Spearman and Kendall’s Correlation Coefficients When Data is Non-normal Distributed,” An Online Journal of Education (OJED), Vol. 15 (2), pp. 1-16, 2020.
S. Wijitwanna. “Correlation in Statistics: How to Use,” Journal of Humanities and Social Sciences, Rajapruk University, Vol. 8 (2), pp. 1-15, 2022.
Y. Dodge. The concise encyclopedia of statistics. Springer, 2010.
Sankpal, Kalyani. “A Review on Data Normalization Techniques,” International Journal of Engineering Research & Technology (IJERT), Vol. 9 (6), 2020.
J. Hao and T. K. Ho. “Machine Learning Made Easy: A Review of Scikit-learn Package in Python Programming Language,” Journal of Educational and Behavioral Statistics, Vol. 44 (3), pp. 348–361, 2019. doi: 10.3102/1076998619832
M. Adnan, A. A. S. Alarood, M. I. Uddin, and I. ur Rehman. “Utilizing grid search cross-validation with adaptive boosting for augmenting performance of machine learning models,” PeerJ Comput Sci, Vol. 8, 2022. doi: 10.7717/peerj-cs.803
