sugarcane production forecasting model of the northeastern by...

ว.วทย. มข. 41(1) 213-225 (2556) KKU Sci. J. 41(1) 213-225 (2013)

แบบจ ำลองกำรพยำกรณปรมำณออยของภำคตะวนออกเฉยงเหนอ โดยกำรใชโครงขำยประสำทเทยม

Sugarcane Production Forecasting Model of the Northeastern by Artificial Neural Network

อรนงค บเกต1 และ พธษด ศรแสงตระกล1*

บทคดยอ

บทความนน าเสนอโมเดลเพอการพยากรณปรมาณผลผลตออยของภาคตะวนออกเฉยงเหนอ โดยการประยกตใชโครงขายประสาทเทยมทมกระบวนการเรยนรแบบแพรยอนกลบ ในการศกษาผวจยไดท าการรวบรวมปจจยตาง ๆ ทมความสมพนธกบผลผลตออยจากงานวจยทเกยวของซงประกอบดวย ขอมลจงหวด ปการผลต ขอมลปรมาณน าฝนเฉลย อณหภมเฉลย ผลผลตออยเฉลยตอไร และพนทปลกออยเปนขอมลน าเขาของตวแบบ ANN1 เพอยนยนความสมพนธของปจจยกบปรมาณผลผลตออย ผวจยจงไดท าวเคราะหความสมพนธของปจจยโดยใช Correlation และ Regression ผลการศกษาพบวาปจจยทมความสมพนธไดแก ขอมลจงหวด ปการผลต ขอมลปรมาณน าฝนเฉลย ผลผลตออยเฉลยตอไร และพนทปลกออย ซงจะเปนขอมลน าเขาตวแบบ ANN2 และจากสมมตฐานดานพชแขงขนทางเศรษฐกจของออย โดยราคาพชแขงขนทางเศรษฐกจนาจะมผลตอปรมาณการปลกออยในเขตพนทภาคตะวนออกเฉยงเหนอ ดงนนผวจยจงไดเพมปจจยดานราคาพชแขงขนทส าคญ 3 ปจจยคอ ราคาออยเฉลย ราคายางพาราเฉลย และราคามนส าปะหลงเฉลย เมอรวมกบปจจยทมความสมพนธทไดจากการวเคราะหดวยวธทางสถต ไดแก ขอมลจงหวด ปการผลต พนทปลกออย ผลผลตออยเฉลยตอไร และขอมลปรมาณน าฝนเฉลยจะเปนขอมลน าเขาของตวแบบ ANN3 ในการศกษานผวจยใชขอมลระหวางป พ.ศ. 2547-2552 เพอสรางและเปรยบเทยบโมเดลโครงขายประสาทเทยมจากขอมลปจจยน าเขาทง 3 ชด ซงผลการศกษาพบวาตวแบบ ANN3 ทมสถาปตยกรรมของโครงขายประสาทเทยมแบบ 8:4:1 ใหผลพยากรณแมนย าสงทสด มคาสมประสทธสหสมพนธ 0.9973 เมอเทยบกบ ANN1 ทมสถาปตยกรรม 5:10:1 และ ANN2 ทมสถาปตยกรรม 6:8:1 โดยมคาสมประสทธสหสมพนธ 0.9794, 0.9822 ตามล าดบ 1ภาควชาวทยาการคอมพวเตอร คณะวทยาศาสตร มหาวทยาลยขอนแกน อ.เมอง จ.ขอนแกน 40002 *Corresponding Author, E-mail: pusadee@kku.ac.th

KKU Science Journal Volume 41 Number 1214 Research214 KKU Science Journal Volume 41 Number 1 Research

ABSTRACT This paper presents models to predict sugarcane production in the Northeastern of

Thailand using back propagation artificial neural network. In order to select appropriate input factors for the model, the researchers studied other related researches about sugarcane production factors that effect to the sugarcane product. There are six factors (province, production year, average rainfall, average temperature, average sugarcane area, and average cane yield data) effect to the sugarcane production. Those factors were considered as the input of an ANN1 model. In order to confirm factors relationships, autocorrelation and regression were used to analyze the factors. The analysis results showed that just five factors (province, production year, average rainfall, average sugarcane area, and average cane yield data) have relationships. These five factors were considered as the input of an ANN2 model. Base on assumption that major competitive crops in the Northeastern may has effected on the sugarcane production. Therefore, three more factors (sugarcane price, rubber price and cassava price) were considered as the additional factors of the ANN2 models called ANN3. In order to analyze for the appropriate model, those factors data from year 2004 to 2010 were used in the study. The results showed that the best estimate models of the study are as followings: 1) The ANN1 is with architecture of 5:10:1, correlation at 0.9794. 2) The ANN2 model is with architecture of 6:8:10, correlation at 0.9822. 3) The ANN3 model is with architecture of 8:4:1, correlation at 0.9973. The study indicates that the ANN3 with 8:4:1 architecture of neural network has maximum accuracy. ค ำส ำคญ: การพยากรณปรมาณผลผลตออย กระบวนการเรยนรแบบแพรยอนกลบ โครงขายประสาทเทยม Keywords: Sugarcane production forecasting, Back propagation neural network, ANN

บทน ำ ประเทศไทยเปนประเทศทมสงออกน าตาล

ทรายตดอนดบ 1 ใน 3 ของโลก (วภาพร, 2552) ซงน าตาลเปนผลผลตจากอตสาหกรรมการเกษตรของไทยมาตงแตอดตจนถงปจจบน และมบทบาทส าคญตอการด ารงชวตรวมตอเศรษฐกจของประเทศมาโดยตลอด ปจจบนธรกจอตสาหกรรมออยและน าตาลมการแขงขนสงขน (ส านกงานคณะกรรมการออยและน าตาลทราย, 2553) ท าใหโรงงานน าตาลแตละแหง ตองมการ

วางแผนบรหารจดการกบการหบออยในแตละป เชน ฝายผลตของโรงงานน าตาลสามารถวางแผนการบรหารจดการเครองจกรเพอใหเกดปญหานอยทสดส าหรบปรมาณออย ทจะหบในปนน ๆ ฝายสงเสรมออยสามารถจดการระบบบรหารควหบออยไดอยางเหมาะสม เปนตน นอกจากนโรงงานน าตาลยงตองวางแผนกา รห บอ อ ย ให ไ ด ม ากท ส ด และ ให ท นก บก าหนดการเปดและปดหบททางส านกงานอนกรรมการออยและน าตาลทรายก าหนดไว ดงนนการพยากรณ

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 215งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 215

ปรมาณออย จงจ าเปนอยางยงส าหรบการวางแผนงานดงกลาว ซงวธการทฝายสงเสรมออยของโรงงานน าตาลสวนใหญใชคอการพยากรณดวยการน าจ านวนพนททมการปลกออยจากฐานขอมลชาวไรในระบบโควตาออยมาคณกบผลผลตเฉลยตอไร (สรเชษฐ, 2552) ซงถอวาเปนวธการทงายและสามารถค านวณไดอยางรวดเรว แตปรมาณออยทฝายสงเสรมออยพยากรณดวยวธนยงมความคลาดเคลอนอยมาก ดงนนหากมตวแบบทมประสทธภาพในการพยากรณจะเปนประโยชนตอการวางแผนในการบรหารจดการการหบออย

ปจจบนม เทคนคตาง ๆ ทน ามาใชในการพยากรณ เชน การพยากรณโดยใชวธการทางสถต Exponential Smoothing และ Box-Jenkins กา รสรางแบบ จ าลองการพยากรณโดยใชนวโรฟซซ การใชอลกอรธมพนธกรรม (genetic algorithm) และการพยากรณโดยใชโครงขายประสาทเทยม (artificial neural network) เปนตน จากการศกษาเทคนคของการพยากรณจากงานวจยตาง ๆ พบวาเทคนคการพยากรณโดยใชโครงขายประสาทเทยมเปนวธการทไดรบความนยมเปนอยางมาก และถกน าไปใชกบการพยากรณในหลาย ๆ ดาน เพราะถอวาเปนวธทมประสทธภาพมคาความผดพลาดนอย เ นองจากโครงขายประสาทเทยมสามารถเรยนรรปแบบของขอมลในอดตและหาความสมพนธของขอมลปจจย ตาง ๆ ทเกยวของกบขอมลทตองการพยากรณเพอน าไปพยากรณขอมลทจะเกดขนในอนาคตไดเปนอยางด (สรภทร, 2552) ตวอยางของงานวจยทใชโครงขายประสาทเทยมในการพยากรณ เชน การใชโครงขายประสาทเทยมและระบบสารสนเทศภมศาสตรในการพยากรณผลผลตออย (สรเชษฐ, 2552) โดยน าเสนอการพฒนาเทคนคการพยากรณผลผลตออยจากการอาศยขอมลของแปลงปลกออยแตละแปลงรวมกบ

ขอมลเชงพนทจากระบบสารสนเทศภมศาสตร การพยากรณความตองการขาวไทยจากตางประเทศโดยใชโครงขายประสาทเทยม (อาทตย, 2552) การพยากรณโอกาสส าเรจการศกษาของนกศกษาโดยใชโครงขายประสาทเทยม (Wongkhamdi and Seresangtakul, 2010) และการคาดการณผลผลตของพชส าหรบ ขาวโพดและถวเหลอง โดยใชโครงขายประสาทเทยม (Kaul et al., 2005) เปนตน

ดงนนงานวจยนจงเลอกใชโครงขายประสาทเทยม ทมขบวนการเรยนรแบบแพรยอนกลบเพอสรางแบบจ าลองส าหรบการพยากรณปรมาณออย ซงผลของการพยากรณปรมาณออยจะเปนขอมลทฝายสงเสรมออย ของโรงงานน าตาล น าไปใชในการวางแผนบรหารจดการกบระบบควหบออย การวางแผนเครองจกรส าหรบหบออย รวมไปถงการวางแผนจ านวนวนทสามารถหบออยไดหมดในแตละป

ทฤษฎทเกยวของและงำนวจยทเกยวของ โครงขำยประสำทเทยม (artificial neural

network) (Patterson Dan W, 1930) เ ป น โ ม เ ด ล ท า ง ค ณ ต ศ า ส ต ร ส า ห ร บ

ประมวลผลสารสนเทศดวยการค านวณแบบคอนเนค-ชนนสต (connectionist) เพอจ าลองการท างานของเครอขายประสาทคลายกบการท างานในสมองมนษย สถาปตยกรรมโครงขายประสาทเทยมแบงเปน 4 แบบ คอ โครงขายการสงขอมลแบบไมยอนกลบ (feed forward network) โครงขายการสงขอมลแบบยอนกลบ (feedback network) โครงขายประสาทเทยมอยางงาย (perceptrons) และ โครงขายประสาทเทยมแบบแพรยอนกลบ (back propagation algorithm) โดยงานวจยนไดเลอกใชอลกอรทมของโครงขายประสาทเทยมแบบแพรยอนกลบในการสราง

KKU Science Journal Volume 41 Number 1216 Research216 KKU Science Journal Volume 41 Number 1 Research

แบบจ าลอง เนองจากขอมลทใชส าหรบเปนปจจยน าเขาเปนขอมลยอนหลงทตอง อาศยการเรยนร หลาย ๆ รอบเพอใหไดขอมลผลลพธทมความนาเชอถอ

สถาปตยกรรมของโครงขายประสาทเทยมแบบแพรยอนกลบประกอบดวยชนของขอมลเบองตน 3 ชน ไดแก ชนอนพต (input layer) ชนซอน (hidden layer) และชนเอาทพต (output layer) และการปรบสอนโครงขายประสาทเทยมแบบแพรยอนกลบประกอบดวย 3 ขนตอน คอ 1) ขนตอนการค านวณไปขางหนา (feed forward) จากชนอนพตไปยงชนซอนและไปสชนเอาทพต 2) ขนตอนการค านวณและการแทนคากลบของผลรวมของความผดพลาดของผลลพธกบคาเปาหมาย 3) ขนตอนการปรบคาน าหนก (weight) ไปเรอย ๆ ขนตอนนจะขนอยกบขนตอนการค านวณไปขางหนาเพยงขนตอนเดยว โดยจะน า คาน าหนกทไดจากการเรยนรไปใชในการพยากรณตอไป ซงสถาปตยกรรมของโครงขายประสาทเทยมแบบแพรยอนกลบแสดงในรปท 1

จากรปท 1 x แทนเวกเตอรของขอมลน าเขามขนาด n มต และ w แทนเวกเตอรน าหนกหรอความส าคญทใหกบขอมลน าเขาแตละตว

ฟงกชนผลรวมสามารถหาคาไดจากสมการท 1

)()(1

Biasyxxfn

iii

(1)

โดยท xi แทนคาขอมลเขาตวท i yi แทนคาขอมลออกตวท i wi แทนคาน าหนกของนวรอนตวท i n แทนจ านวนนวรอนชนขอมลเขา Bias แทนคาความโนมเอยง i มคาตงแต 1 ถง n

output เปนคาตวเลขทตอเนองใช Sigmoid function มสมการดงน

xexf

11)( (2)

โดยท )(xf เปนฟงกชนกระตน e แทนฟงกชนเอกซโพเนนเชยล x แทนคาขอมลน าเขา

สมกำรถดถอยพหคณ (multiple regression analysis)

สมการถดถอยพหคณ (Miles and Shevlin, 2001) เปนการศกษาความสมพนธระหวางตวแปรอสระตงแต 2 ตวขนไป กบตวแปรตาม 1 ตว โดยตวแปรอสระนยมเขยนแทนดวย X กบตวแปรตามนยมเขยนแทนดวย Y ซงคาของตวแปรตามจะเปลยนแปลงไปตามการเปลยนแปลงของตวแปรอสระ ดงสมการ

kk xbxbxbaY ...2211 (3)

รปท 1 แสดงสถาปตยกรรมของโครงขายประสาทเทยมแบบแพรยอนกลบ (Law, 2000)

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 217งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 217

โดยท Y' แทนคาพยากรณของตวแปร a แทนคาคงทของสมการพยากรณ b1, b2 ,…, bk แทนคาน าหนกหรอสมประสทธการถดถอยของตวแปรอสระ ตวท 1 ถงตวท k ตามล าดบ x1, x2,…, xk แทนคาของตวแปรอสระตวท 1 ถงตวท k ตามล าดบ k แทนจ านวนตวแปรอสระ

ส ห ส ม พ น ธ พ ห ค ณ ( multiple correlation)

สหสมพนธพหคณ (Miles and Shevlin, 2001) เปนการหาความสมพนธระหวางตวแปรตาม และตวแปรอสระทมากกวาหนงตวแปรตว และความสมพนธนจะบอกใหทราบวาตวแปรตามและ ตวแปรอสระมความสมพนธกนในระดบใด ดงสมการ

22 ''

yyyy

R

(4)

โดยท R แทน สมประสทธสหสมพนธพหคณ y แทน คาเบยงเบนจากคาเฉลยของตวเกณฑ (ตวแปรตามนนคอ = y-y) y' แทน คาคลาดเคลอนในการพยากรณ (= y-y')

กำรตรวจสอบแบบไขวกน (k-fold cross validation)

การตรวจสอบแบบไขวกน (Kohavi, 1995) เปนวธการทดสอบโดยการแบงขอมลออกเปน k กลม

โดยทแตละกลมมขอมลจ านวนเทา ๆ กน ขอมลแตละกลมจะถกหมนเวยนเปนขอมลเรยนรและขอมลทดสอบ เพอปองกนปญหาการจากการเลอกขอมลทดและงายมาเปนขอมลชดทดสอบ ในการทดสอบแตละครง ขอมลจ านวน k-1 กลมจะเปนขอมลในการเรยนร และมขอมลจ านวน 1 กลมเปนขอมลชดทดสอบ โดยท าการสลบกลมไปเรอย ๆ จนครบทง k กลม และท าการหาคาเฉลยความถกตองจากทง k รอบเชนการแบงขอมลออกเปน 5 กลม หรอ k=5 จะมการแบงขอมลเพอเรยนรและทดสอบดงรปท 2

กำรวดประสทธภำพของกำรพยำกรณ งานวจยนจะใชคาสมประสทธสหสมพนธ

(root mean square error: RMSE) ซงเปนการวดคาความแตกตางระหวางคาจรงและคาทไดจากการสรางแบบจ าลอง โดยหากคานมคาเทากบ 1 หรอเขาใกล 1 มากทสด หมายความวาเกดความคลาดเคลอนในการพยากรณนอยหรอไมมเลย ซงคาสมประสทธสหสมพนธสามารถค านวณไดจากสมการดงน (ทรงศร, 2549)

n

iii YY

nRMSE

1

2' )(1 (5)

โดยท 'iY แทนคาการพยากรณทไดจากแบบจ าลอง iY แทนคาทเกดขนจรง

n แทนจ านวนขอมลน าเขาทงหมด

รปท 2 แสดง k-fold Cross validation โดยท k = 5 (Kohavi, 1995)

KKU Science Journal Volume 41 Number 1218 Research218 KKU Science Journal Volume 41 Number 1 Research

งำนวจยทเกยวของ Yong-Chun et al. (2010) ไดจดท าศกษา

และวจยเรองการเปรยบเทยบการค านวณผลผลตเฉลยของออยกบอลกอรธมพนธกรรม ซงเปนการค านวณหาผลผลตเฉลยของออยมผลกระทบมาจากหลายปจจยทเกยวกบการเจรญเตบโตของออย และการเปลยนแปลงตามธรรมชาตตาง ๆ เชน สภาพอากาศ อณหภม ความชน ปรมาณฝนและแสงอาทตย ความเขมขนของปย และอน ๆ เปนปจจยอนพตตงตน จากนนจะใชโครงสรางเครอขาย นวรอลเนตเวรคโมเดลพนธกรรมของ SGA/IGA และอน ๆ รวมกบโมเดล Genetic BP Neural Network โดยสรปการค านวณจากหลากหลายวธรวมกบโมเดลอลกอรธมของ Genetic BP ถอวาเปนวธทดและสามารถน ามาประยกตใชกบการพยากรณขอมลอยางอนไดเปนอยางด

Al-varez et al. (1982) วจยหาความสมพนธระหวางผลผลตออยกบปจจยตาง ๆ ทสงผลกระทบตอผลผลตออย โดยใชขอมล ชนดดน ความลกของดน ปรมาณปยและสารเคม พนธออย ระดบน าในดน ปรมาณน าฝน วธการเกบเกยว การพกดน ระยะหางจากแหลงน า และปทเกบเกยว โดยอาศยสมการถดถอย (regression) และ มการประมาณคาพารามเตอรดวยวธก าลงสองนอยทสด (ordinary least square) แตวธการประเมนผลผลตออยขางตนยงไมแมนย า จงใชแบบจ าลองการเจรญเตบโตของออย ACRU-Thomson เ พ อป ร ะ เ ม นผลผล ต อ อ ย ซ งแบบจ าลองดงกลาวสามารถอธบายลกษณะการเจรญเตบโตของออยท ซบซอนได โดยใ ชขอมลภมอากาศตาง ๆ เชน น าฝน อณหภม แสงแดด แรงลม ความชน และขอมลอน ๆ เชน คณลกษณะของดน ปจจยในการบรหารจดการ เปนตน

วภาพร (2552) ศกษาความสมพนธระหวางขอมลสภาพภมอากาศกบผลผลตออย โดยงานวจยนมวตถประสงคเพอวเคราะหแนวโนมการเปลยนแปลงขอมลสภาพภมอากาศ ไดแก ปรมาณน าฝน จ านวนวนทฝนตก อณหภมสงสด อณหภมต าสด อณหภมเฉลย ความยาวนานแสงแดด ความชนสมพทธ ระหวางป 2501-2551 และศกษาความสมพนธระหวางขอมลสภาพภมอากาศกบผลผลตออย จากพนทแปลงปลกออยทท าสญญากบโรงงานน าตาลรวมเกษตรกรอตสาหกรรม จ ากด โดยท าการวเคราะหขอมลดวยสมการถดถอยพหคณ (multiple regression) และสหสมพนธ (correlation Kendall-tau) ผลการวจยสามารถสรปไดวาขอมลภมอากาศกบผลผลตออยมความสมพนธอยางมนยส าคญ

Lumsden et al. (2000) ศกษาการใชแบบจ า ลอ งกา ร เ จ ร ญ เ ต บ โ ตของอ อ ย ACRU-Thomson เพอประเมนผลผลตของออย โดยแบบจ าลองใชขอมลภมอากาศตาง ๆ เชน น าฝน อณหภม แสงแดด แรงลม ความชน และขอมลอน ๆ เชน คณลกษณะของดน เปนปจจยในการบรหารจดการแบบจ าลองการประเมนโดยสรปผลการประเมนมความแมนย าในระดบทยอมรบได แตเรองจากขอมลปจจยทใชเปนขอมลรายวนท าใหมความยงยากและใชเวลาในการด าเนนการประเมนผลผลตท าใหไมทนตอความตองการของการใชขอมลประเมนดงกลาว

ระเบยบวธกำรวจย งานวจ ยน ไ ด ท าการศ กษาว ธการสร า ง

แบบจ าลองการพยากรณปรมาณออยดวย โดยใชโครงขายประสาทเทยมเพอท าใหทราบถงปรมาณออยเขาหบของบรเวณพนทภาคตะวนออกเฉยงเหนอในอนาคต 1 ป ซงมขนตอนในการด าเนนงานดงแสดงในรปท 3

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 219งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 219

รปท 3 แสดงขนตอนการด าเนนงาน

กำรคดเลอกปจจย เพอสรางตวแบบในการพยากรณงานวจยนได

ท าการรวบรวมปจจยทมผลตอปรมาณออยโดยการรวบรวมจากงานวจยทเคยมการศกษาไดแก วภาพร (2552); Alvarez et al. (1982) และสรเชษฐ (2552) ผวจยไดคดเลอกปจจยจ านวน 6 ปจจยไดแก ขอมลจงหวดทปลกออยในเขตภาคตะวนออกเฉยงเหนอซงเปนพนทเปาหมาย ขอมลปการผลต ขอมลพนทปลกออย ขอมลผลผลตออยเฉลยตอไร (ส านกงานเศรษฐกจการเกษตร, 2548) ขอมลปรมาณน าฝนเฉลยและขอมลอณหภมเฉลย (กรมอตนยมวทยา, 2547) ซงปจจยทคดเลอกมานไดรวบรวมชดขอมลการเรยนรเปนขอมลรายเดอน จ านวน 6 ปยอนหลง นบตงแต ป 2547-2552 ท าใหมขอมลยอนหลงเพยงพอส าหรบการเรยนรของโครงขายประสาทเทยม ซงสามารถแสดงรายละเอยดไดดงตารางท 1

เนองจากขอมลปจจยตาง ๆ ทน ามาใชส าหรบเปนขอมลน าเขาโครงขายประสาทเทยมเพอ

สรางแบบจ าลองการพยากรณนนมความแตกตางกนในเรองของชนดขอมล หนวยนบ และชวงของขอมล เชน ขอมลปรมาณออยมหนวยเปนตน ขอมลปรมาณน าฝนมหนวยเปนมลลเมตร เปนตน ดงนนกอนการน าขอมลเข าส ก ารสร า งแบบจ าลองจ งจ า เปนต องม การจดรปแบบและปรบชวงคาของขอมลใหมรปแบบและคาทใกลเคยงกนโดยใหมคาอยระหวาง 0 – 1 เพอใหอยในมาตรฐานเดยวกน ซงสมการทใชสามารถแสดงไดดงสมการท 6 (Begg and Palaniswami, 2006) ตวอยางขอมลจรงกบขอมลทมการปรบคาสามารถแสดงไดในตารางท 2 และตารางท 3 ตามล าดบ

minmaxmin

inputoutput (6)

โดยท input คอขอมลทน าเขามาค านวณ min คอ คาทนอยทสดของชดขอมลนน ๆ max คอ คาทมากทสดของชดขอมลนน ๆ

คดเลอกปจจยภายใตสมมตฐานพชแขงขนทางเศรษฐกจ

ปจจยบนสมมตฐาน

พชแขงขนทางเศรษฐกจ

แบบจ าลองการพยากรณดวยโครงขายประสาทเทยม

เปรยบเทยบและวดประสทธภาพตวแบบการพยากรณ

วเคราะหสมการถดถอยพหคณ

วเคราะหสหสมพนธพหคณ

ปจจยทมความสมพนธ &ปจจยพชแขงขน

คดเลอกปจจยจากงานวจย ทเกยวของ

KKU Science Journal Volume 41 Number 1220 Research220 KKU Science Journal Volume 41 Number 1 Research

ตำรำงท 1 แสดงปจจยและการเขารหสของตวแปร ปจจย ตวแปร กำรเขำรหส

จงหวด Province 1,2,3… ปการผลต Year 1,2,3,… ปรมาณน าฝนเฉลย Rain ขอมลเกดจรง อณหภมเฉลย Temp ขอมลเกดจรง ผลผลตออยเฉลย A_cane ขอมลเกดจรง พนทปลกออย Area ขอมลเกดจรง

ตำรำงท 2 แสดงตวอยางขอมลปจจยทเกดจรง rain a_cane area p_cane 91.50 9.1 87,250 53 170.60 9.2 27,582 53 118.60 8.9 504,495 53 141.00 9.5 29,546 53 152.48 10.1 44,069 53 246.74 10.5 3,121 53

: : : :

กำรวเครำะหสหสมพนธพหคณ และสมกำรถดถอยพหคณ

จากปจจยทง 6 ปจจยทผวจยไดคดเลอกมาเพอสรางตวแบบนน ผวจยไดท าการวเคราะหเพอหาความสมพนธของขอมลปจจยกบปรมาณออย โดยใชฟงกชนการวเคราะหสหสมพนธพหคณ และ สมการถดถอยพหคณ ซงผลการวเคราะหปรากฏในตารางท 4

จากตารางแสดงผลการวเคราะหดงตารางท 4 พบวาปจจยขอมลอณหภมเฉลยมความสมพนธกบปรมาณออยในระดบต า จงท าการลดมตของจ านวนขอมลปจจยน าเขาเหลอ 5 ปจจย ไดแก ขอมลจงหวด ปการผลต ขอมลปรมาณน าฝนเฉลย ขอมลผลผลตออยเฉลยตอไรและขอมลพนทปลกออย

สมมตฐำนเรองพชแขงขน เนองจากออยเปนพชเกษตร ดงนนแรงจงใจ

ของเกษตรกรในการปลกออยมาจากเรองของราคา (พชย, 2551) และจากการวเคราะหปจจยเสยงของบรษทน าตาลขอนแกน จ ากด (มหาชน) พบวาความผนผวนของปรมาณออย เกดจากเกษตรกรเปลยนไปเพาะปลกพชไรทใหผลตอบแทนสงกวา (บรษท น าตาลขอนแกน จ าก ด (มหาชน ) , 2554) ด งน น ง านว จ ยน จ งต งสมมตฐานวาการเพมปจจยราคาพชแขงขนทางเศรษฐกจของออยจะชวยใหประสทธภาพของตวแบบดขน

ตำรำงท 3 แสดงตวอยางขอมลทมการปรบชวงคา rain a_cane area p_cane 0.42 0.50 0.18 1.00 0.57 0.48 0.11 1.00 0.20 0.48 0.95 1.00 0.34 0.54 0.06 1.00 0.54 0.51 0.10 1.00 0.26 0.51 0.01 1.00

: : : :

ตำรำงท 4 แสดงผลการวเคราะหคาสหสมพนธพหคณ และสมการถดถอยพหคณ

ปจจย ควำมสมพนธกบผลผตออย จงหวด 0.681 ปการผลต 0.250 ปรมาณน าฝนเฉลย 0.305 อณหภมเฉลย 0.150 ผลผลตออยเฉลย 0.773 พนทปลกออย 0.977

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 221งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 221

ตำรำงท 5 ปจจยน าเขาส าหรบการสรางแบบจ าลองและการแทนตวแปรปจจย ปจจย ตวแปร

จงหวด Province ปการผลต Year ปรมาณน าฝนเฉลย Rain ผลผลตออยเฉลย/ตน A_cane ราคาออยเฉลย P_cane ราคามนส าปะหลงเฉลย P_cassava ราคายางพาราเฉลย P_rub พนทปลกออย Area

ซ งจากการศกษาพบวา พชแข งขนทางเศรษฐกจของออยในเขตภาคตะวนออกเฉยงเหนอทส าคญม 2 ชนด (ส านกงานคณะกรรมการออยและน าตาลทราย, 2553) คอ มนส าปะหลงและยางพารา ดงนนผวจยจงได เลอกขอมลราคาพชแขงขนทางเศรษฐกจในภาคตะวนออกเฉยงเหนอ ซงประกอบดวย ราคามนส าปะหลงเฉลย ราคายางพาราเฉลย และราคาออยเฉลย เพอน าเขารวมกบขอมลปจจยจากการวเคราะหความสมพนธ รวมเปนจ านวน 8 ปจจย คอ ขอมลจงหวด ปการผลต ขอมลพนทปลกออย ผลผลตออยเฉลยตอไร ปรมาณน าฝนเฉลย ราคามนส าปะหลงเฉลย ราคายางพาราเฉลย และราคาออยเฉลย ซงขอมลปจจยทงหมดสามารถแสดงไดดงตารางท 5

กำรสรำงแบบจ ำลองกำรพยำกรณโดยใชโครงขำยประสำทเทยมทมขบวนกำรเรยนรแบบแพรยอนกลบ

ไดท าการแบงชดขอมลส าหรบเรยนร (train set) จ านวน 6 ป ชดขอมลทดสอบ (test set) จ านวน 1 ป และมการวดประสทธภาพความแมนย าในการพยากรณ โดยท าการทดสอบผลบนพนฐานวธการตรวจสอบแบบไขวกน โดยทท าการทดสอบท k = 1 ถง 10 และการก าหนดปจจยน าเขาใหกบตวแบบจากขนตอนการคดเลอกปจจยเพอใชในการทดลอง โดยตวแบบ ANN1 ใชปจจยพนฐาน 6 ปจจย ตวแบบ ANN2

จะลดปจจยน าเขาทไดจากการวเคราะหความสมพนธระหวางตวแปรปจจยกบปรมาณออย จ านวน 5 ปจจย ตวแบบ ANN3 มการเพมปจจยน าเขาภายใตพชแขงขนทางเศรษฐกจของออย จ านวน 8 ปจจย ซงสามารถแสดงปจจยทง 3 ตวแบบไดในตารางท 6

การสรางแบบจ าลองการพยากรณปรมาณออยมการก าหนดคาพารามเตอรส าหรบจ านวนชนซอน (hidden layer) ตงแต 1 - 10 มอตราการเรยนรตงแต 0.1 - 0.5 ชนแสดงผลเปน 1 คาโมเมนตมในชนซอนและชนแสดงผลตงแต 0.1 - 0.5 ฟงกชนในการกระตนชนซ อนและ ชนแสดงผล เ ป นแบบ multilayer perceptron จ านวนรอบของการเรยนรตงแต 500 – 100,000 รอบ ใหกบตวแบบจ าลองทง 3 ตวแบบทเหมอนกน โดยวธการด า เนนการจะท าการปรบคาพารามเตอรกบตวแบบไปเรอย ๆ จนถงคาสงสดทก าหนดไว เพอหาคาพารามเตอรทใหคาของการพยากรณทแมนย าโดยมคาความผดพลาดนอยทสด ซงการก าหนดคาพารามเตอรทมคาสมประสทธสหสมพนธทเขาใกล 1 มากทสดสามารถแสดงไดดงตารางท 7 และจากการก าหนดคาพารามเตอรทมความผดพลาดนอยทสดของทง 3 ตวแบบ สามารถแสดงคาสมประสทธสหสมพนธ คาความคลาดเคลอนสมบรณ และรอยละของคาความคลาดเคลอนสมบรณของทง 3 ตวแบบ ไดดงตารางท 8

KKU Science Journal Volume 41 Number 1222 Research222 KKU Science Journal Volume 41 Number 1 Research

ตำรำงท 6 การก าหนดปจจยน าเขาใหกบตวแบบ

ตวแบบ ปจจยน ำเขำ ANN1 Province, Year, Rain, Temp, A_cane, Area ANN2 Province, Year, Rain, A_cane, Area ANN3 Province, Year, Rain, A_cane, Area, P_rubber, P_cane, P_cassava

ตำรำงท 7 สรปคาพารามเตอรจากการทดลองทมความผดพลาดนอยทสดของแตละตวแบบ กำรก ำหนดคำพำรำมเตอร ANN-1 ANN-2 ANN-3

จ านวน Input 6 5 8 จ านวน Output 1 1 1 จ านวนชดการเรยนรและทดสอบ (k-fold Cross-Validation) 8 10 8 จ านวนชนซอน 8 10 4 คาอตราการเรยนรในชนซอนและชนแสดงผล 0.5 0.5 0.1 คาโมเมนตมในชนซอนและชนแสดงผล 0.4 0.5 0.4 จ านวนรอบ 500 500 500

ตำรำงท 8 การวดประสทธภาพการพยากรณของตวแบบโครงขายประสาทเทยม วธวดประสทธภำพกำรพยำกรณ ตวแบบ ANN1 ตวแบบ ANN2 ตวแบบ ANN3

คาสมประสทธสหสมพนธ (RMSE) 0.9822 0.9794 0.9973 คาความคลาดเคลอนสมบรณ (MAE) 0.0380 0.0405 0.0145 รอยละของคาความคลาดเคลอนสมบรณ (MAPE) 0.0258 0.0557 0.0213

ผลกำรวจยและกำรอภปรำยผล การสรางแบบจ าลองการพยากรณปรมาณ

ออยของภาคตะวนออกเฉยงเหนอ มปจจยน าเขาในการสรางแบบจ าลองทแตกตางกน 3 ตวแบบ คอ ตวแบบ ANN1 มปจจยน าเขา 6 ปจจย ตวแบบ ANN2 มปจจยน าเขา 5 ปจจย และตวแบบ ANN3 มปจจยน าเขา 8 ปจจย พบวาการเรยนรและทดสอบของตวแบบ ANN3 มสถาปตยกรรมของโครงขายประสาทเทยมเปน 8:4:1 มคาความผดพลาดนอยทสดและมประสทธภาพของการพยากรณแมนย าสงทสด เมอวดคาสมประสทธ

สหสมพนธดวยวธหาคาสมประสทธสหสมพนธ เทากบ 0.9973 ซงเปนแบบจ าลองทดทสดของการทดสอบ

จากโมเดลทไดถกน ามาใชเพอการประมาณ-การปรมาณออยปการผลต 2553/54 ผลการพยากรณปรากฎวาคาทไดจากการพยากรณปรมาณออยของภาคตะวนออกเฉยงเหนอเทากบ 24.910 ลานตน เปรยบกบปรมาณออยทเกดขนจรงเทากบ 24.959 ลานตน ความถกตองเทากบ 99.80% ซงถอไดวาการพยากรณปรมาณออยจากการสรางแบบจ าลองมความแมนย าในระดบสง ซงขอมลการพยากรณสามารถแสดงการเปรยบเทยบในรปท 4 และตารางท 9

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 223งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 223

รปท 4 แสดงการพยากรณปรมาณออยเปรยบเทยบกบปรมาณออยปดหบเมอปการผลต 2553/54

ตำรำงท 9 ขอมลการพยากรณปรมาณออยเปรยบเทยบกบปรมาณออยปดหบเมอปการผลต 2553/54 จงหวด ผลผลตออย คำพยำกรณ

LOEI 875,801 833,872 NONG BUA LAM PHU 468,150 431,303 UDON THANI 4,446,733 4,286,033 NONG KHAI 264,928 238,291 SAKON NAKHON 498,306 480,935 NAKHON PHANOM 38,839 127,999 CHAIYA PHUM 3,699,654 3,723,541 KHON KAEN 3,426,670 3,497,441 MAHA SARAKHAM 1,051,577 1,004,825 ROI ET 585,748 602,257 KALASIN 2,197,732 2,212,531 MUKDAHAN 990,145 988,282 UMNAT JAREAN 184,544 210,718 YASOTHON 196,664 227,262 NAKHON RATCHASIMA 4,087,767 4,048,904 BURIRUM 1,126,328 1,126,147 SURIN 755,424 729,094 SI SAKET 34,078 72,852 UBON RATCHATHANI 29,876 67,338 ผลรวม 24,958,964 24,909,624

0.000.501.001.502.002.503.003.504.004.505.00

LO

EI

NO

NG

BU

A L

AM

PH

U

UD

ON

TH

AN

I

NO

NG

KH

AI

SAK

ON

NA

KH

ON

NA

KH

ON

PH

AN

OM

CH

AIY

A P

HU

M

KH

ON

KA

EN

MA

HA

SA

RA

KH

AM

RO

I ET

KA

LA

SIN

MU

KD

AH

AN

UM

NA

T J

AR

EA

N

YA

SOT

HO

N

NA

KH

ON

RA

TC

HA

SIM

A

BU

RIR

UM

SUR

IN

SI S

AK

ET

UB

ON

RA

TC

HA

TH

AN

I

จงหวด

ผลผล

ตออย

(ลานตน

)

ผลผลตออยจรงคาพยากรณผลผลตออย

KKU Science Journal Volume 41 Number 1224 Research224 KKU Science Journal Volume 41 Number 1 Research

สรปผลกำรวจยและขอเสนอแนะ จากการสรางแบบจ าลองของการพยากรณ

ปรมาณออยของภาคตะวนออกเฉยงเหนอ นนแสดงให เหนวาการคดเลอกปจจยส าหรบเปนขอมลน าเขาสการสร างแบบจ าลองด วยโครงข ายประสาทเทยมมความส าคญเปนอยางยงส าหรบการพยากรณ เนองจากจ านวนปจจยหรอปจจยทเลอกทมความแตกตางกนกจะสงผลใหคาความผดพลาดในการพยากรณแตกตางดวยเชนกน ส าหรบงานวจยนไดจ าแนกแบบจ าลองทมจ านวนปจจยทแตกตางกนจากขนตอนการคดเลอกปจจยแตกตางกน 3 ตวแบบ พบวาแบบจ าลองทมปจจยน าเขา 8 ปจจยประกอบดวยขอมลจงหวด ปการผลต พนทปลกออย ผลผลตออยเฉลยตอไร ขอมลปรมาณน าฝนเฉลย และปจจยดานพชแขงขน ไดแกราคาออยเฉลย ราคายางพาราเฉลย และราคามนส าปะหลงเฉลย ใหผลการพยากรณทมความผดพลาดนอยทสด

ขอเสนอแนะ การด าเนนงานวจยน ขอมลทน ามาใชเปน

ขอมลน าเขาส าหรบสรางจ าลองการพยากรณปรมาณออย นนไดมาจากแหลงขอมลตาง ๆ เพอน ามาประกอบกนท าใหขอมลทน ามาใชเกดความนาเชอถอมากขน ซงตองสญเสยเวลาในการด าเนนงานวจยไปกบการคนหาขอมลอางองจากแหลงตาง ๆ อกทงขอมลสวนใหญไมไดเปนชดขอมลทผวจยเกบรวบรวมเองจงท าใหขอมลปจจยน าเขามปรมาณขอมลยอนหลงมจ านวนจ ากด ดงนนหากตองการเพมความแมนย าใหกบแบบจ าลองการพยากรณปรมาณออย ควรจะมการเพมจ านวนชดขอมลน าเขายอนหลงมากกวางานวจยน เพอใหแบบจ าลองเพมการเรยนรในชดขอมล ซงจะสงผลใหการพยากรณมประสทธภาพและมความแมนย ามากยงขน

เอกสำรอำงอง กรมอตนยมวทยา. (2547). รายงานปรมาณน าฝนและสภาพ

ภมอากาศรายเดอน. สมครสมาชกเพอขอรบขอมลร า ย เ ด อ น เ ม อ เ ด อ น ธ น ว า ค ม 2546, จ า ก http://www.tmd.go.th/index.php

เครอขายกาญจนภเษก . (2546). โครงขายประสาทเทยมสารานกรมไทยส าหรบเยาวชน ฯ เลม 25. คนเมอ 16 ธนวาคม 2553, จาก http://guru.sanook.com /encyclopedia/สถาปตยกรรมโครงขายประสาทเทยม/

วภาพร ฉมณรงค. (2552). ความสมพนธระหวางขอมลสภาพภมอากาศกบผลผลตออย: กรณศกษาพนทปลกออยโรงงานน าตาลรวมเกษตรกรอตสาหกรรม จ ากด. วทยานพนธปรญญาวทยาศาสตรมหาบณฑต สาขาวชาวทยาศาสตรสงแวดลอม บณฑตวทยาลย มหาวทยาลยขอนแกน.

ทรงศร แตสมบต. (2549). เทคนคการพยากรณเชงปรมาณ . กรงเทพฯ: ภาควชาสถต มหาวทยาลยเกษตรศาสตร.

บรษท น าตาลขอนแกน จ ากด (มหาชน). (2554). การวเคราะหปจจยเสยงในอตสาหกรรมออยและน าตาล. คนเมอ 20 พฤษภาคม 2555, จาก http://capital.sec .or.th/webapp/corp_fin/datafile/dsf/0779130000-00-00TA104L01004.PDF

ปรดา อนสรณธรกล. (2553). การพยากรณราคาทองค าในประเทศไทย โดยใช โครงข ายประสาทเทยม .วทยานพนธปรญญาวทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยสารสนเทศ บณฑตวทยาลย มหาวทยาลยขอนแกน.

พชย คณวชาภรณ. (2551). น าตาลกบเศรษฐกจ: ความส าคญของ อตสาหกรรมแห งความหวาน . เอกสา รประกอบการสมมนาทางวชาการเรอง น าตาล: ความจรงทคนไทยตองร. กรงเทพฯ: โรงแรมสยามซต.

สรภทร เชยวชาญวฒนา. (2552). เอกสารประกอบการสอนวชาระบบโครงขายประสาทเทยม. ขอนแกน: ภาควชาว ท ย า ก า รคอ มพ ว เ ต อ ร คณะ ว ท ย า ศ า สต ร มหาวทยาลยขอนแกน.

สรเชษฐ เถอนแกวสงห. (2552). การใชโครงขายประสาทเทยมและระบบสารสนเทศภมศาสตรในการพยากรณ

วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 225งานวจยงำนวจย วารสารวทยาศาสตร มข. ปท 41 ฉบบท 1 225

ผลผลตออย. วทยานพนธปรญญาวศวกรรมศาสตรมหาบณฑต สาขาวชาวศวกรรมอตสาหการ บณฑตวทยาลย มหาวทยาลยขอนแกน.

ส านกงานคณะกรรมการออยและน าตาลทราย . (2553). สถานการณออยและน าตาลทรายในประเทศไทย. คน เมอ 10 ตลาคม 2554, จาก http:// www.ocsb.go.th/cms/index.php?SystemModuleKey=country

ส านกงานเศรษฐกจการเกษตร. (2548). ขอมลพนฐานเศรษฐกจการเกษตร. คนเมอวนท 20 ธนวาคม 2553 จาก http://www.oae.go.th/main.php?filename=journal_all

อาทตย อภโชตธนกล. (2552). การพยากรณความตองการขาวไทยจากตางประเทศโดยใชโครงขายประสาทเทยม. วศวกรรมสาร 36(1): 17-25.

Al-varez, J., Crane, D.R., Spreen, T.H. and Kidder, G. (1982). A yield prediction model for Florida sugarcane. Agricultural Systems 9(3): 161-179.

Begg, R. and Palaniswami, M. (2006). Computational Intelligence for Movement Sciences: Neural Networks and Other Emerging Techniques, 1-396. doi:10.4018/978-1-59140-836-9.

Kaul, M., Robrt, L.H. and Charles, W. (2005) Artificial neural networks for corn and soybean yield prediction. Agricultural Systems. July 85(1): 1-18.

Kohavi. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the Fourteenth International joint Conference on Artificial Intelligence. USA: San Francisco. 1137-1143.

Lumsden, T.G., Schulze, R.E., LeCler, N.L. and Schmidt, E.J. (2000). An assessment of the potential for sugarcane yield forecasting using seasonal rainfall forecasts and crop yield models. Proceedings of the South African Sugar Technologists' Association annual general meeting and congress. Mount Edgecombe: South Africa 131-139.

Law Rob. (2000). Back-propagation learning in improving the accuracy of neural network -based tourism demand forecasting. Tourism Management 21(4): 331-340.

Miles, J. and Shevlin, M. (2001). Applying Regression & Correlation. London: SAGE Publication.

Patterson, Dan W. (1930). Artificial Neural Network: Theory and Application. Retrieved from 10 October 2554, from http://www.kanchana pisek.or.th/ kp6/Book25/chapter/t25-5m.htm

Wongkhamdi T. and Seresangtakul P. (2010). A Comparison of Classical Discriminant Analysis and Artficial Neural Networks in Predicting Student Graduation Outcomes. Proceedings of the 2nd International Conference on Knowledge Smart Technologies 2010, Chonburi: Thailand. 29-34.

Xu, Y.-C., Shen, S.-Q. and Chen Z. (2010). Comparative Study of Sugarcane Average Unit Yield Prediction with Genetic BP Neural Network Algorithm. China: Department of Computer Science, Guangdong Polytechnic Institute Guangzhou, College of Engineering, South China Agricultural University.