การจัดกลุ่มขนาดผลิตภัณฑ์โดยการประยุกต์ใช้ K-means Clustering เพื่อลดต้นทุนบรรจุภัณฑ์

DOI: 10.14416/j.ind.tech.2020.07.003

ผู้แต่ง

  • ปลั่งศรี สุชาวดี สาขาวิชาการจัดการงานวิศวกรรม ภาควิชาวิศวกรรมอุตสาหการและการจัดการ, มหาวิทยาลัยศิลปากร
  • Kanate Puntusavase คณะวิศวกรรมศาสตร์และเทคโนโลยีอุตสาหกรรม, มหาวิทยาลัยศิลปากร

คำสำคัญ:

การจัดกลุ่มแบบเคมีน, การออกแบบขนาดบรรจุภัณฑ์, การรับแรงกดทับของกล่องบรรจุภัณฑ์

บทคัดย่อ

อุตสาหกรรมผ้าเบรกรถยนต์มีกล่องบรรจุภัณฑ์หลายขนาด ส่งผลให้เกิดผลเสีย 3 ด้าน คือ (1) ต้นทุนบรรจุภัณฑ์สูง เนื่องจากการสั่งซื้อกล่องบรรจุภัณฑ์แต่ละขนาดต่อครั้งมีปริมาณต่ำ (2) พื้นที่จัดเก็บมาก และ (3) ปริมาณขนส่งต่ำ เนื่องจากไม่มีมาตรฐานการวางซ้อนและไม่ทราบขีดจำกัดการรับแรงของกล่อง งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อจัดกลุ่มผลิตภัณฑ์สำหรับออกแบบขนาดกล่องบรรจุภัณฑ์ และหาปริมาณที่มากที่สุดที่สามารถซ้อนทับกันบนพาเลท สำหรับเสนอแนวทางออกแบบบรรจุภัณฑ์ เพื่อลดต้นทุนการสั่งซื้อ ลดพื้นที่การจัดเก็บ และเพิ่มปริมาณขนส่ง โดยมีขั้นตอนหลัก 2 ขั้นตอน คือ (1) จัดกลุ่มข้อมูลแบบเคมีนเพื่อจัดกลุ่มผลิตภัณฑ์สำหรับออกแบบขนาดบรรจุภัณฑ์ ซึ่งมีข้อมูลทั้งหมด 3 ชุดข้อมูล ชุดข้อมูลละ 437 ข้อมูล (2) หาปริมาณผลิตภัณฑ์ที่สามารถซ้อนทับกันบนพาเลทโดยทดสอบความสามารถในการรับแรงกดของกล่อง ผลการศึกษาจากการเสนอแนวทางออกแบบบรรจุภัณฑ์ 8 แนวทาง และประเมินแบบการวิเคราะห์ปัจจัยภายใน พบว่าแนวทางที่เหมาะสมและตรงความต้องการของบริษัทมากที่สุด ได้แก่ แนวทางที่ 5 คือออกแบบขนาดบรรจุภัณฑ์แนวนอนไม่ใส่โฟม 2 ขนาดและยุบขนาดแนวนอนใส่โฟม โดยสามารถลดต้นทุนได้ 2.9 ล้านบาท คิดเป็น 13.43%  ลดพื้นที่จัดเก็บคงคลังได้ 2.19 ล้านลูกบาศก์นิ้ว คิดเป็น 48.65% เพิ่มปริมาณการขนส่งได้ 5,200 กล่อง/รอบ คิดเป็น 86.7%

References

[1] www.bot.or.th/Thai/BOT_Magazine/ Pages/CoverStory0162.aspx. (Accessed on 04 June 2019)
[2] L.V. Bijuraj (2013) Clustering and its Applications, National Conference on New Horizons in IT–NCNHIT, Proceedings, 169-172.
[3] S. Nattaporn and R. Sunisa, K-Means Clustering of the Stock Exchange of Thailand 50 (SET 50) for Portfolio Diversification, Research Gate. 2013. (in Thai) Available on Research Gate: www.researchgate.net/publication/235907198_KMeans_Clustering_of_the_Stock_Exchange_of_Thailand_50_SET_50_for_Portfolio_Diversification (Accessed on 1 July 2020)
[4] C. Sujira, M. Parinya and P. Watchara (2017) An Application of K-Means for Candle Stick Clustering, Proceeding, RMUTP Business School, 2016. (in Thai)
[5] S. Panida, Performation Comparison of Data Mining’s Classification Method on Data Set with Outliers, Thai Science and Technology Journal (TSTJ), 2018, 27(6), 976-988.
[6] V. Kanlaya, Multivariate data analysis, 3rd Ed., Chulalongkorn University, Bangkok, TH, 2008. (in Thai)
[7] S. Ananthi and G. Thailambal, A Study on K-Means Clustering in Text Mining Using Python, International Journal of Computer Systems, 2016, 3(8), 560-564.
[8] J. Meng, H. Shang and L. Bian, (2009) The Application on Intrusion Detection Based on K-means Cluster Algorithm, International Forum on Information Technology and Applications, Proceeding, 150-152.
[9] P. Danai, Cluster Analysis, Academic Documents, Nation University, 2015.
[10] www.pt-pack.com/ กระดาษลูกฟูก/ การทดสอบกระดาษลูกฟูก.html. (Accessed on 10 June 2019)
[11] W. Sujin, Material Handling System Design, Academic Documents, Silpakorn University, 2017.
[12] C. Wichan, Performance improvement of package arrangement considering load bearing, Thesis, Chiang Mai University, 2013.

Downloads

เผยแพร่แล้ว

2020-07-08

ฉบับ

บท

บทความวิจัย (Research article)