ตัวแบบผสมของตัวแบบอารีมาและโครงข่ายประสาทเทียม ด้วยวิธีการกึ่งนิวตันแบบมีขอบเขต สำหรับการพยากรณ์ผลผลิตของผลิตภัณฑ์เนื้อไก่รายปี
Article Sidebar
Main Article Content
บทคัดย่อ
สินค้าปศุสัตว์มีบทบาทที่สำคัญสำหรับการบริหารจัดการด้านความมั่นคงทางอาหาร โดยผลิตภัณฑ์เนื้อไก่เป็นหนึ่งในสินค้าปศุสัตว์ที่สำคัญ ซึ่งเป็นแหล่งโปรตีนที่สำคัญสำหรับประชากรและนิยมบริโภคในหลายประเทศทั่วโลก รวมทั้งมีปริมาณความต้องการที่เพิ่มขึ้นอย่างต่อเนื่องตามการเพิ่มขึ้นของจำนวนประชากร สำหรับการบริหารจัดการด้านความมั่นคงทางอาหาร หนึ่งในสารสนเทศที่จำเป็น คือ ปริมาณการผลิตด้านอุปทานเพื่อให้สามารถเตรียมปริมาณผลิตภัณฑ์เนื้อไก่ที่สามารถเข้าถึงได้และเพียงพอสำหรับประชากร แต่ปริมาณการผลิตในแต่ละช่วงเวลามีลักษณะที่ไม่แน่นอน ซึ่งเป็นผลจากปัจจัยที่ไม่สามารถควบคุมได้ การพยากรณ์จึงเข้ามามีบทบาทที่สำคัญเพื่อทำนายค่าในอนาคต โดยงานวิจัยนี้ พัฒนาและนำเสนอตัวแบบผสมของตัวแบบอารีมาและตัวแบบโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าด้วยวิธีการกึ่งนิวตันแบบมีขอบเขต โดยนำตัวแบบผสมดังกล่าวเปรียบเทียบประสิทธิภาพกับตัวแบบพยากรณ์ 4 ตัวแบบ ได้แก่ ตัวแบบอารีมา ตัวแบบการปรับเรียบแบบเอ็กโพเนนเชียลอย่างง่าย ตัวแบบการปรับเรียบแบบเอ็กโพเนนเชียลแบบมีแนวโน้ม และตัวแบบซัพพอร์ตเวกเตอร์รีเกรตชัน ซึ่งตัวแบบพยากรณ์ต่าง ๆ เปรียบเทียบตามเกณฑ์การวัดประสิทธิภาพ 3 เกณฑ์ ได้แก่ ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยแบบสมมาตร จากผลการเปรียบเทียบแสดงให้เห็นว่า ตัวแบบผสมที่เสนอมีประสิทธิภาพดีกว่าตัวแบบพยากรณ์ต่าง ๆ โดยมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยน้อยกว่าร้อยละ 10 ซึ่งมีความแม่นยำสูงและสามารถใช้เป็นเครื่องมือสำหรับการทำนายปริมาณการผลิตของผลิตภัณฑ์เนื้อไก่ประกอบการวางแผนและบริหารจัดการด้านความมั่นคงทางอาหาร
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
N. Daghir, M. Diab-El-Harake, and S. Kharroubi, “Poultry production and its effects on food security in the Middle Eastern and North African region,” Journal of Applied Poultry Research, vol. 30, no. 1, 2021.
E. M. Idamokoro and Y. S. Hosu, “Village chicken production and food security: A two-decade bibliometric analysis of global research trends,” Agriculture and Food Security, vol. 11, no. 1, pp. 1–20, 2022.
L. O. Pius, P. Strausz, and S. Kusza, “Overview of poultry management as a key factor for solving food and nutritional security with a special focus on chicken breeding in East African countries,” Biology, vol. 10, no. 8, 2021.
D. I. A. Hamzah, M. S. Rusiman, N. C. Him, M. A. Shafi, O. G. Alma, and S. Suhartono, “A time series analysis for sales of chicken based food product,” in AIP Conference Proceedings, 2021, pp. 060002.
V. Tenrisanna and S. N. Kasim, “Trends and forecasting of meat production and consumption in Indonesia: Livestock development strategies,” in IOP conference series: Earth and Environmental Science, 2020, vol. 492, no. 1, 2020.
J. F. Mgaya, “Application of ARIMA models in forecasting livestock products consumption in Tanzania,” Cogent Food & Agriculture, vol. 5, no.1, 2019.
Ö. Z. E. N. Doğukan, “Modeling and forecasting meat consumption per Capita in Turkey.” Erciyes Üniversitesi Veteriner Fakültesi Dergisi, vol. 16, no. 2, pp. 122–129, 2019.
A. Pujiati, S. Oktavilia, and N. Damayanti, “The Projection Model As an Early Warning of Food Price Commodity Fluctuation,” in International Conference on Economics, Business and Economic Education 2018 (ICE-BEES 2018), 2018, pp. 860–868.
M. M. Alderiny, K. N. Alrwis, S. B. Ahmed, and N. M. Aldawdahi, “Forecasting Saudi Arabia’s production and imports of broiler meat chickens and its effect on expected self-sufficiency ratio,” Journal of the Saudi Society of Agricultural Sciences, vol. 19, no. 4, pp. 306–312, 2020.
E. R. Abraham, J. G. M. dos Reis, O. Ven drametto, P. L. D. Oliveira Costa Neto, R. C. Toloi, A. E. D. Souza, and M. D. Oliveira Morais, “Time series prediction with Artificial Neural Networks: An analysis using Brazilian soybean production,” Agriculture, vol. 10, no. 10, pp. 475, 2020.
D. Zhang, S. Chen, L. Liwen, and Q. Xia, “Forecasting agricultural commodity prices using model selection framework with time series features and forecast horizons,” IEEE Access, vol. 8, pp. 28197–28209, 2020.
B. Madhu, M. A. Rahman, A. Mukherjee, M. Z. Islam, R. Roy, and L. E. Ali, “A comparative study of support vector machine and artificial neural network for option price prediction,” Journal of Computer and Communications, vol. 9, no. 5, pp.78–91, 2021.
Y. Tang, and C. Li, “The study on livestock production prediction in heilongjiang province based on support vector machine,” in Conference of the 2nd International Conference on Computer Science and Electronics Engineering (ICCSEE 2013), 2013, pp. 1192–1195.
K. Naveena, S. Singh, S. Rathod, and A. Singh, “Hybrid ARIMA-ANN modelling for forecasting the price of robusta coffee in India,” I n t e r n a t i o n a l J o u r n a l o f C u r r e n t Microbiology and Applied Sciences, vol. 6, no. 7, pp. 1721–1726, 2017.
R. Mrinmoy, R. S. Tomar, V. Ramasubramanian, and K. N. Singh, “Forecasting sugarcane yield of India using ARIMA-ANN hybrid model,” Bhartiya Krishi Anusandhan Patrika, vol.33, no. 1/2, pp.120–127, 2018.
Z. Liu, Z. Zhu, J. Gao, and C. Xu, “Forecast methods for time series data: A survey,” IEEE Access, vol. 9, pp. 91896–91912, 2021.
R. Hyndman, G. Athanasopoulos, C. Berg meir, G. Caceres, L. Chhay, K. Kuroptev, M. O'Hara-Wild, F. Petropoulos, S. Razbash, E. Wang, F. Yasmeen, D. Reid, D. Shaub, F. Garza, R. Core Team, R. Ihaka, X. Wang, Y. Tang, and Z. Zhou. (2022, October). Forecast: Forecasting functions for time series and linear models. [Online]. Available: https://cran.r-project.org/ web/packages/forecast/index.html
T. Sujjaviriyasup, “Hybrid model of support vector machine and genetic algorithm for forecasting the annual peak electricity demand of Thailand,” The Journal of KMUTNB, vol. 27, no. 3, pp. 453–465, 2017 (in Thai).
C. Bergmeir, R. J. Hyndman, and B. Koo, “A note on the validity of cross-validation for evaluating autoregressive time series prediction,” Computational Statistics & Data Analysis, vol. 120, pp. 70–83, 2018.