FORECASTING MODEL FOR THE AMOUNT OF SPARE PARTS STORAGE IN THE WAREHOUSE USING MACHINE LEARNING TECHNIQUES: CASE STUDY OF A CEMENT PLANT

  • Duongduen Ongrungrueng Department of Information Technology ,Faculty of Industrial Technology and Management, King Mongkut’s University Technology North Bangkok Prachinburi campus
  • Suphasiri Thaiwirach Department of Information Technology ,Faculty of Industrial Technology and Management, King Mongkut’s University Technology North Bangkok Prachinburi campus
  • Wanthanee Prachuabsupakij Department of Information Technology ,Faculty of Industrial Technology and Management, King Mongkut’s University Technology North Bangkok Prachinburi campus
Keywords: Model, Forecasting, Machine learning, Random forest, Material inventory management

Abstract

The research aims to construct the forecasting model for the remaining amount of spare parts storage at suitable inventory level to forecast minimum and maximum levels for material inventory management using machine learning techniques. This research collected from a real data of a cement factory in Thailand. The dataset has 7,258 instances. We selected five algorithms for forecasting the data including Random forest, Multi-layer perceptron, K-nearest neighbor, K-star, and Random tree. The results of the comparison performance of algorithms for forecasting the amount of spare parts storage in the warehouse showed that the Random forest algorithm provided the highest root mean square error (RMSE) at 2.040 while the Random tree algorithm provided the similar RMSE at 2.117 for forecasting MAX value (Model MAX). On the other hand, for forecasting MIN value, Random tree algorithm obtained the highest RMSE at 0.803 while the Random forest algorithm showed the RMSE at 0.906. However, in this paper, the Random forest algorithm is selected as a forecasting model of both MIN and MAX values because it has the most appropriate performance value both the results of forecasting on unseen data and RMSE values.

Downloads

Download data is not yet available.

References

ฤทธิไกร ทวีเจริญ. (2559). ตัวแบบการพยากรณ์การลาออกของพนักงานฝ่ายผลิตในธุรกิจเครื่องฉีด พลาสติกของบริษัทแห่งหนึ่ง. (วิทยานิพนธ์ปริญญามหาบัณฑิต). มหาวิทยาลัยธรรมศาสตร์, คณะวิทยาลัยนวัตกรรม, สาขาวิชานโยบายและการบริหารเทคโนโลยีสารสนเทศ.

ทิตา ค้าผล. (2559). การพยากรณ์กระแสไฟฟ้าขัดข้องโดยใช้เทคนิคการทำเหมืองข้อมูล กรณีศึกษา การไฟฟ้าส่วนภูมิภาค เขต 3 ภาคกลาง. (วิทยานิพนธ์ปริญญามหาบัณฑิต). มหาวิทยาลัยธรรมศาสตร์, คณะวิทยาลัยนวัตกรรม, สาขาวิชานโยบายและการบริหารเทคโนโลยีสารสนเทศ.

บทเรียนออนไลน์ อัลกอริทึมการค้นหาเพื่อนบ้านใกล้สุด k ตัว. สืบค้นเมื่อ 22 ธันวาคม 2562, จากวิกิพีเดีย https://th.wikipedia.org/wiki/อัลกอริทึมการค้นหาเพื่อนบ้านใกล้สุด_k_ตัว.

บทเรียนออนไลน์ โครงข่ายประสาทเทียม. สืบค้นเมื่อ 17 เมษายน 2563, จากวิกิพีเดีย https://th.wikipedia.org/

wiki/โครงข่ายประสาทเทียม.

พัฒนพงษ์ ดลรัตน์ และจารี ทองคำ. (2560). การเปรียบเทียบประสิทธิภาพของแบบจำลองในการพยากรณ์ความเสร็จการศึกษาของนักเรียนระดับประกาศนียบัตรวิชาชีพ. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 37(3), 380-388.

วรางคณา เรียนสุทธิ์. (2016). การพยากรณ์จำนวนผู้ว่างงานในประเทศไทย. Naresuan University Journal: Science and Technology, 24(1), 102-114.

วิชญ์พงศ์ ดรุณธรรม. (2018). บทเรียนออนไลน์ เจาะลึก Random Forest. สืบค้นเมื่อ 15 พฤศจิกายน 2562, จาก https://medium.com/@witchapongdaroontham/

เสกสรรค์ วิลัยลักษณ์ วิภา เจริญภัณฑารักษ์ และดวงดาว วิชาดากุล. (2558). การใช้เทคนิคการทำเหมืองข้อมูลเพื่อพยากรณ์ผลการเรียนของนักเรียน โรงเรียนสาธิตแห่งมหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตกำแพงแสน ศูนย์วิจัยและพัฒนาการศึกษา. Science and Technology, 2(2), 1-17.

อรรณพ กางกั้น. (2562). การพยากรณ์อนุกรมเวลาปริมาณการใช้น้ำมันดีเซลโดยเทคนิควิธีเหมืองข้อมูล. Science Journal Chandrakasem Rajabhat University, 29(2), 39-47.

Harshad, S. & Priyanka V. (2015). Optimization of inventory level at Oilfield services: Case Study. International Journal of Scientific & Engineering Research, 6(4), 308-313.

Rodrigo, B. S., Eduardo, P. A. & Leonardo G. (2017). Predicting Material Backorders in Inventory Predicting Material Backorders in Inventory Management using Machine Learning, Proceedings of the 4th IEEE Latin American Conference on Computational Intelligence (pp. 1-6). DOI: 10.1109/LA-CCI.2017.8285684, Peru.

Sawarni, H. (2018). Improved Inventory Management Performance in Indonesia Spare-Parts Company Using ABC Classification and Min-Max Method. Saudi Journal of Business and Management Studies (SJBMS), 3(3), 248-252.

Yoan, M. J., Julio, M. Q. & Ireimis, L. V. (2016). Study of the Performance of the K* Algorithm in International Database. Revista Politécnica ,12(23), 51-56.

Published
2020-04-27
Section
บทความวิจัย