Inventory Management Approach Based on Machine Learning Model for Demand Forecasting in the Steel Wire Mesh Industry
Article Sidebar
Main Article Content
Abstract
Nowadays, inventory management plays an important role in the success and sustainability of a business. Moreover, the current demand and price of steel fluctuate significantly. As a result, the objective of this research is to propose inventory management based on the sales forecast of the steel wire mesh. It performed predictions using three methods: Holt-Winters, Random Forest, and XGBoost. The data were divided into a train set and a test set, with two ratios. From the comparison, it was found that the Random Forest method yielded the highest forecast accuracy at a ratio of 90:10 with a mean absolute percentage error of 4.50. After obtaining an accurate forecast model, the research incorporated demand data into mathematical models to plan inventory policies (Q, r) and determine raw material purchasing policies. It determined the most economical order quantity and re-ordering points for the minimum inventory management costs. The results from the mathematical model revealed that it is possible to reduce the overall cost of factory operations in inventory management planning by up to 4.75% and the costs obtained from the forecast data were close to the actual data values.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ (FEAT Journal) มีกําหนดออกเป็นราย 6 เดือน คือ มกราคม - มิถุนายน และกรกฎาคม - ธันวาคม ของทุกปี จัดพิมพ์โดยกลุ่มวิจัยวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ คณะวิศวกรรมศาสตร์มหาวิทยาลัยขอนแก่น เพื่อเป็นการส่งเสริมและเผยแพร่ความรู้ ผลงานทางวิชาการ งานวิจัยทางด้านวิศวกรรมศาสตร์และเทคโนโลยีพร้อมทั้งยังจัดส่ง เผยแพร่ตามสถาบันการศึกษาต่างๆ ในประเทศด้วย บทความที่ตีพิมพ์ลงในวารสาร FEAT ทุกบทความนั้นจะต้องผ่านความเห็นชอบจากผู้ทรงคุณวุฒิในสาขาที่เกี่ยวข้องและสงวนสิทธิ์ ตาม พ.ร.บ. ลิขสิทธิ์ พ.ศ. 2535
References
เฌอร์รฎา คุ้มถนอม และ ธัญภัส เมืองปัน. ปริมาณการสั่งซื้อวัตถุดิบหลักที่เหมาะสม กรณีศึกษา บริษัทผลิตเหล็กแท่งและเหล็กเส้น ก่อสร้าง. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธนบุรี. 2564; 5(1): 1-11.
Grand View Research. Steel Wire Market Size, Share & Trends Analysis Report By Material (Carbon Steel, Stainless Steel, Alloy Steel), By Application, By Region, And Segment Forecasts, 2022 – 2030. (สื่อออนไลน์). [เข้าถึงเมื่อ วันที่ 10 มกราคม 2567].เข้าถึงได้จาก https://www.grandviewresearch.com/industry-analysis/steel-wire-market-report/.
ธีระพงษ์ ทับพร ยอดนภา เกษเมือง เอกพล ทับพร และ ภชรดิษฐ์ แปงจิตต์. การพยากรณ์ยอดขายและการบริหารสินค้าคงคลัง ของสินค้าคางหมึกยักษ์แช่แข็ง : บริษัท สยามแม็คโคร จำกัด มหาชน. วารสารวิชาการมหาวิทยาลัยธนบุรี (วิทยาศาสตร์และเทคโนโลยี). 2561; 2(2): 28-41.
ธันย์ชนก จันทร์ และ อมรินทร์ เทวตา. การพยากรณ์แบบอนุกรมเวลาเพื่อกําหนดการสั่งซื้อที่ประหยัดที่สุดของโรงงานผลิตยางซิลิโคนแห่งหนึ่ง. วารสารวิทยาลัยโลจิสติกส์และซัพพลายเชน. 2565; 8(2): 28-49.
กุลบัณฑิต แสงดี อภัสรา นภัทรระวี และ ศิริมาพร เจริญในวงศ์เผ่า. การลดต้นทุนสินค้าคงคลังฝาแก้วพลาสติกชนิดเรียบรหัส 85 กรณีศึกษา โรงงานบรรจุภัณฑ์พลาสติก. วารสารมนุษยศาสตร์และสังคมศาสตร์ วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์. 2565; 12(2): 189-204.
Koo B, Kim M, Kim K, Lee H, Park J, Kim C. Short-term electric load forecasting using data mining technique. In 2013 7th International Conference on Intelligent Systems and Control (ISCO). 2013; 153-157.
Sugiarto V, Sarno R, Sunaryono D. Sales forecasting using Holt-Winters in Enterprise Resource Planning at sales and distribution module. In 2016 International Conference on Information & Communication Technology and Systems (ICTS). 2016; 8-13.
Makatjane K, Moroke N. Comparative study of holt-winters triple exponential smoothing and seasonal Arima: forecasting short term seasonal car sales in South Africa. Risk governance & control: financial markets & institutions 2016; 6(1).
Costas M, Villanueva D, Eguía-Oller P, Comesaña M, Ramos S. Load forecasting with machine learning and deep learning methods. Applied Sciences. 2023; 13(13): 7933.
Ledmaoui Y, Maghraoui A, Aroussi M, Saadane R, Chebak A, Chehri A. Forecasting solar energy production: A comparative study of machine learning algorithms. Energy Reports. 2023; 10: 1004-1012.
Nasseri M, Falatouri T, Brandtner P, Darbanian F. Applying Machine Learning in Retail Demand Prediction—A Comparison of Tree-Based Ensembles and Long Short-Term Memory-Based Deep Learning. Applied Sciences. 2023; 13(19): 11112.
Jnr E, Ziggah Y. Electricity demand forecasting based on feature extraction and optimized backpropagation neural network. e-Prime-Advances in Electrical Engineering, Electronics and Energy. 2023; 6: 100293.
Kabir M, Roy S, Alam F, Nam S, Im K, Tijing L, Shon H. Machine learning-based prediction and optimization of green hydrogen production technologies from water industries for a circular economy. Desalination. 2023; 567: 116992
Akande Y, Idowu J, Misra A, Misra S, Akande O, Ahuja R. Application of XGBoost Algorithm for Sales Forecasting Using Walmart Dataset. In International Conference on Advances in Electrical and Computer Technologies. 2021; 147-159.
Zhu Q, Yang L, Liu Y. Research on vehicle spare parts demand forecast based on XGBoost-LightGBM. In Proceedings of the 2023 5th International Conference on Pattern Recognition and Intelligent Systems. 2023; 109-114.
Tran N, Tran T, Nguyen T, Lam M. A new grid search algorithm based on XGBoost model for load forecasting. Bulletin of Electrical Engineering and Informatics. 2023; 12(4): 1857-1866.
วิรากานต์ กิตติบวรกุล ศรายุทธ และ นนท์ศิริ พิชิตชัย คำอินทร์. การเปรียบเทียบประสิทธิภาพเทคนิคการเรียนรู้ของเครื่องสำหรับการบำรุงรักษาเชิง คาดการณ์สำหรับเครื่องยนต์อากาศยาน. วารสารวิชาการสมาคมสถาบันอุดมศึกษาเอกชนแห่งประเทศไทย. 2565; 11(1): 1-14.
ปวริศ เวชวรรณกิจกุล และ พิศิษฎ์ จารุมณีโรจน์. การพยากรณ์ระยะเวลาการเดินทางด้วยวิธีการเรียนรู้ของเครื่อง โดยใช้ข้อมูลจากพาหนะ และโทรศัพท์มือถือในจังหวัดกรุงเทพมหานคร. วารสารไทยการวิจัยดำเนินงาน. 2565; 10(2): 54-62.
พัชรา ศรีพระบุ และ เชฎฐา ชำนาญหล่อ. การหาปริมาณการสั่งซื้อน้ำมันเชื้อเพลิงอย่างประหยัด: กรณีศึกษาบริษัท รับขนส่งสินค้า. วารสารวิชาการและวิจัย มทร.พระนคร. 2565; 16(2): 54-64.
ชุลีกร ชูโชติถาวร. การพยากรณ์และการหาปริมาณการสั่งซื้อที่เหมาะสม เพื่อเป็นแนวทางในการจัดเก็บบรรจุภัณฑ์สำหรับการผลิต กรณีศึกษาบริษัทแปรรูปผลิตภัณฑ์การเกษตร จังหวัดพัทลุง. วารสารเครือข่ายส่งเสริมการวิจัยทางมนุษยศาสตร์และสังคมศาสตร์. 2563; 3(3): 92-108.
จิรายุ ฤทธิแสง และ ปวีนา กองจันทร์. ความยืดหยุ่นในการประยุกต์ใช้ปริมาณการสั่งซื้อที่ประหยัดที่สุดและจุดสั่งซื้อใหม่: กรณีศึกษาธุรกิจค้าวัสดุก่อสร้างขนาดกลาง. วารสารวิจัยมหาวิทยาลัยขอนแก่น (ฉบับบัณฑิตศึกษา) สาขามนุษยศาสตร์และสังคมศาสตร์. 2560; 5(1): 92-104.
Istiningrum A, Sono S, Putri V. Inventory Cost Reduction and EOQ for Personal Protective Equipment: A Case Study in Oil and Gas Company. Jurnal Logistik Indonesia. 2021; 5(2): 86-103.
ธีระพงษ์ และ คมกฤช. การประยุกต์ใช้ปัญญาประดิษฐ์กับการพยากรณ์สินค้าในอุตสาหกรรมเครื่องดื่ม. วารสารวิศวกรรมฟาร์มและเทคโนโลยีการควบคุมอัตโนมัติ. 2565; 8(2): 88-98.
