ต้นแบบระบบธุรกิจอัจฉริยะเพื่อวิเคราะห์และพยากรณ์การผลิตข้าว กรณีศึกษา กลุ่มผลิตข้าวจังหวัดเชียงใหม่

Sutheera Munsaen; Chat Chuchuen

doi:10.14456/mjba.2021.9

Authors

Sutheera Munsaen Computer Technical Officer, Faculty of Business Administration, Maejo University
Chat Chuchuen Assistant Professor, Faculty of Business Administration, Maejo University.

DOI:

https://doi.org/10.14456/mjba.2021.9

Keywords:

Business Intelligence System, Chiang Mai Rice Product, Decision Support System, Rice Production Forecasting System

Abstract

This research aims to develop business intelligence system in order to be a guideline for rice-production planning of Chiang Mai Rice Production Group. The study has utilized basic related-rice-production information hoping to be able to forecast the size of land in production to match with the expected number of products. In addition, the presenting format is intentionally discovered, divided into 2 levels which are ,1) fundamental analysis report comprising descriptive analysis and 2) forecasted information including mean number and the next four-year forecasted numbers. The results of precision evaluation based on error averages of this business intelligence system found that the precise rate is 85.96%, inferring that the forecasted value can be confidentially used and effectively support decision making.

References

กรัณรัตน์ ธรรมรักษ์ (2559). ผลการศึกษาการใช้กระบวนการอไจล์ในวิชาโครงงาน กรณีศึกษาหลักสูตรวิศวกรรมซอฟต์แวร์ มหาวิทยาลัยวลัยลักษณ์. วารสารเทคโนโลยีสารสนเทศ : Information Technology Journal. 12(2). 75.

กุสุมา สีดาเพ็ง (2560). การวิเคราะห์ความเคลื่อนไหวการขายของวิสาหกิจชุมชนสมุนไพรผักเชียงดา อำเภอแม่ริม จังหวัดเชียงใหม่ ตามหลักการของระบบธุรกิจอัจฉริยะ.การประชุมวิชาการ วิทยาการจัดการวิจัยระดับชาติ ครั้งที่ 10 และนานาชาติครั้งที่ 3 ภายใต้หัวข้อ “การจัดการนวัตกรรมสู่การยกระดับเศรษฐกิจฐานราก”. คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏพิบูลสงคราม.

ณัฐพล วีระชาลี (2561). การประยุกต์ใช้เทคนิคการพยากรณ์สำหรับบริษัทผู้ผลิตสินค้าเคมีเพื่อการเกษตรกร. [การค้นคว้าอิสระหลักสูตรบริหารธุรกิจมหาบัณฑิต, มหาวิทยาลัยธรรมศาสตร์.]

ถกลวรรณ อุดมศรี (2559). ข่าวกรองธุรกิจอัจฉริยะผ่านอุปกรณ์โมบายบนระบบคลาวด์ กรณีศึกษา ไมโครซอฟต์พาวเวอร์บีไอ. [วิทยาศาสตรมหาบัณฑิต, มหาวิทยาลัยบูรพา.]

ธีระพงษ์ ทับพร, ยอดนภา เกษเมือง, เอกพล ทับพร และ พัชรดิษฐ์ แปงจิตต์ (2561). การพยากรณ์ยอดขายและการบริหารสินค้าคงคลังของสินค้าคางหมึกยักษ์แช่แข็ง : บริษัท สยามแม๊คโคร จำกัด มหาชน. วารสารวิชาการมหาวิทยาลัยธนบุรี(วิทยาศาสตร์และเทคโนโลยี), 2. 28–41.

นรวัฒน์ เหลืองทอง และ นันทชัย กานตานันทะ (2559). การเลือกตัวแบบพยากรณ์ผลผลิตการเกษตรที่เหมาะสม. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์, 3. 372–381.

ปัทมา เที่ยงสมบุญ และ นิเวศ จิระวิชิตชัย (2561). การพัฒนาระบบธุรกิจอัจฉริยะเพื่อสนับสนุนการพยากรณ์และการตัดสินใจของผู้บริหาร กรณีศึกษากลุ่มโรงพยาบาล. [วิทยานิพนธ์หลักสูตรวิทยาศาสตรมหาบัณฑิต, มหาวิทยาลัยศรีปทุม.]

พิพัฒน์ เกียรติ์กมลรัตน์ (2560). ระบบธุรกิจอัจฉริยะเพื่อสนับสนุนงานขายของผู้บริหาร กรณีศึกษา กลุ่มธุรกิจค้าปลีก. [วิทยาศาสตรมหาบัณฑิต, มหาวิทยาลัยศรีปทุม.]

พีระพงษ์ พิพัฒน์เจษฎากุล และ เอื้อน ปิ่นเงิน (2562). การพัฒนาระบบธุรกิจอัจฉริยะเพื่อสนับสนุนงานจำหน่ายไฟฟ้า. วารสารโครงงานวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ, 5, 48-56.

มณีรัตน์ ผลประเสริฐ (2561). การพัฒนาการเรียนการสอนแบบโครงงานที่เน้นผู้เรียนเป็นศูนย์กลาง สำหรับวิชากระบวนการพัฒนาซอฟต์แวร์ โดยใช้รูปแบบการพัฒนาซอฟต์แวร์ด้วยตัวแบบอาไจล์.วารสารวิชาการการจัดการเทคโนโลยีสารสนเทศและนวัตกรรม คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏมหาสารคาม, 5, 7-20.

สาครรัตน์ นักปราชญ์ และ คัดนางค์ จามะริก (2559). การเปิดเผยข้อมูลภาครัฐในรูปแบบ Business Intelligence (BI) ในยุค Big Data. วารสาร กสทช ประจำปี 2559, 553-577.

สุทธิดา ไชยกิจ และ ชูศักดิ์ พรสิงห์ (2564). การลดระยะเวลาการสั่งซื้อวัตถุดิบเพื่อลดต้นทุนการจัดเก็บ.วารสารวิชาการเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, 17, 15-30.

Boonyakunakorn, P., Nunti, C., & Yamaka, W. (2019). Forecasting of Thailand’s Rice Exports Price: Based on Ridge and Lasso Regression. Proceedings of the 2nd International Conference on Big Data Technologies, https://doi.org/10.1145/3358528.3358547.

Etaati, L. (2019). R Visualization in Power BI. In L. Etaati (Ed.), Machine Learning with Microsoft Technologies: Selecting the Right Architecture and Tools for Your Project (pp. 37–64). Apress. https://doi.org/10.1007/978-1-4842-3658-1_4

J.V., A. (2020). A Methodology of Atmospheric Deterioration Forecasting and Evaluation through Data Mining and Business Intelligence. Journal of Ubiquitous Computing and Communication Technologies, 2(2), 79–87. https://doi.org/10.36548/jucct.2020.2.003

Ketudat, S., & Jeenanunta, C. (2021). Impact of the COVID-19 pandemic on logistics firms and their resilience: Case studies in Thailand. Engineering Management in Production and Services, 13(3), 86–98. https://doi.org/10.2478/emj-2021-0023

Khair, U., Fahmi, H., Hakim, S. A., & Rahim, R. (2017). Forecasting Error Calculation with Mean Absolute Deviation and Mean Absolute Percentage Error. 930, 012002. https://doi.org/10.1088/1742-6596/930/1/012002

Kohpaiboon, A., & Jongwanich, J. (2021). The Effect of the COVID 19 Pandemic on Global Production Sharing in East Asia. https://think-asia.org/handle/11540/13670

Liantoni, F., & Agusti, A. (2020). Forecasting Bitcoin using Double Exponential Smoothing Method Based on Mean Absolute Percentage Error. JOIV : International Journal on Informatics Visualization, 4(2), 91–95. https://doi.org/10.30630/joiv.4.2.335

Maliszewska, M., Mattoo, A., & van der Mensbrugghe, D. (2020). The Potential Impact of COVID-19 on GDP and Trade: A Preliminary Assessment (SSRN Scholarly Paper ID 3573211). Social Science Research Network. https://papers.ssrn.com/abstract=3573211

Nonthapot, S. (2021). Factors affecting the export of condoms from Thailand to the USA using simultaneous equations with the GMM method. International Journal of Business and Globalisation, 29(2), 211–221. https://doi.org/10.1504/IJBG.2021.118234

Sharma, A., Ghosh, S., & On, A. (2020). Impact of Business Intelligence Tool Integrated with Statistical Development Environment on Forecasting Process of Textile Firm in Retail Business. Psychology and Education Journal, 57(9), 5659–5666. https://doi.org/10.17762/pae.v57i9.2489

Zeiml, S., Seiler, U., Altendorfer, K., & Felberbauer, T. (2020). Simulation Evaluation of Automated Forecast Error Correction Based on Mean Percentage Error. 2020 Winter Simulation Conference (WSC), 1572–1583. https://doi.org/10.1109/WSC48552.2020.9384055