การพยากรณ์มูลค่าต้นทุนของเสียในอุตสาหกรรมการผลิตฮาร์ดดิสก์ไดรฟ์

บทคัดย่อ

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและหารูปแบบของการพยากรณ์มูลค่าต้นทุนของเสียในกระบวนการประกอบฮาร์ดดิสก์ไดรฟ์ เพื่อให้การวางแผนการผลิตมีความแม่นยำมากขึ้น รวมทั้งเป็นแนวทางในการปรับปรุงกระบวนการผลิต เนื่องจากในปัจจุบันการพยากรณ์คำนวณจากค่าดัชนีชี้วัดความสามารถของกระบวนการทั้งหมดซึ่งมีความคลาดเคลื่อนในการพยากรณ์ประมาณร้อยละ 30 ส่งผลให้ไม่สามารถวางแผนการผลิตได้อย่างแม่นยำรวมทั้งไม่สามารถระบุสาเหตุที่แท้จริงที่ทำให้เกิดของเสียได้ดังนั้นงานวิจัยนี้จึงใช้การวิเคราะห์สหสัมพันธ์เพื่อคัดเลือกตัวแปรที่มีความสัมพันธ์กับต้นทุนของเสียมาใช้ในการสร้างแบบจำลองการพยากรณ์ โดยใช้เทคนิคการวิเคราะห์การถดถอยและเทคนิคโครงข่ายประสาทเทียมในการสร้างแบบจำลอง ผลการพยากรณ์มูลค่าต้นทุนของเสียของผลิตภัณฑ์ A, B และ C ซึ่งเป็นผลิตภัณฑ์ที่มีปริมาณการผลิตต่อเนื่องมากที่สุด พบว่าแบบจำลองโครงข่ายประสาทเทียมสามารถพยากรณ์ได้แม่นยำกว่าแบบจำลองการวิเคราะห์การถดถอย โดยการพยากรณ์ด้วยแบบจำลองโครงข่ายประสาทเทียมมีค่าความคลาดเคลื่อนในการพยากรณ์ (Mean Absolute PercentageError: MAPE) เหลือเพียงร้อยละ 11.88, 11.33 และ 11.24สำหรับผลิตภัณฑ์ A, B และ C ตามลำดับ

คำสำคัญ: การพยากรณ์ การวิเคราะห์สหสัมพันธ์การวิเคราะห์การถดถอย โครงข่ายประสาทเทียม

Abstract

The purposes of this research are to study andformulate scrap cost forecasting model in the HardDisk Drive assembly process which can provide moreaccuracy in production planning and guidance toimprove the production process. According to thecurrent forecasting, calculated from the Key PerformanceIndex (KPI) of all assembly processes, the error about30% exists which means that the production planningis inaccurate. It also cannot be precisely specified thecause of scrap. This research applied the correlationanalysis to select KPI which are related to scrapcost and formulated scrap cost forecasting model byusing technique of regression analysis (RA) and artificialneural networks (ANNs). The results from scrap costforecasting of product A, B and C showed that the ANNsmodel resulted in higher forecasting accuracy thanRA model. The forecasting errors (Mean AbsolutePercentage Error: MAPE) of ANNs models were 11.88%,11.33% and 11.24% for product A, B and C respectively.

Keywords: Forecasting, Correlation Analysis,Regression Analysis, Artificial NeurolNetworks