นิทรรศการงานวิจัย "บนเส้นทางงานวิจัยมหาวิทยาลัยเกษตรศาสตร์ ปี 2554"

การเตรียมสารบรรจุ (Packing Medium) จัดเป็นกระบวนการสำคัญกระบวนการหนึ่งในสายการผลิตสับปะรดบรรจุกระป๋องและผลไม้บรรจุกระป๋องอื่นๆ เนื่องจากความหวานสุดท้าย (Cut-out Strengths) ของผลิตภัณฑ์ จะขึ้นอยู่กับ ความเข้มข้นของสารบรรจุที่บรรจุลงในกระป๋อง ปริมาณของแข็งที่ละลายได้ (Total Soluble Solids) ของวัตถุดิบ และสัดส่วนของปริมาณวัตถุดิบต่อปริมาณสารบรรจุในกระป๋อง ปริมาณของแข็งที่ละลายได้ มักวัดเป็นองศาบริกซ์ หรือค่าประมาณของปริมาณน้ำตาลในน้ำผลไม้หรือค่าความหวานของน้ำผลไม้ ซึ่งมีค่าไม่แน่นอน แตกต่างกันตามแหล่งการปลูก ระดับความสุกและความฉ่ำของผลไม้ สภาพการปลูก ระยะเก็บเกี่ยว ฤดูกาล และปัจจัยที่เกี่ยวข้องอื่นๆ ในกระบวนการผลิต ผู้ผลิตจำเป็นต้องเตรียมสารบรรจุไว้ล่วงหน้า ในระดับความหวานที่เหมาะสมกับค่าความหวานของวัตถุดิบสับปะรดที่ใช้ในการผลิต เพื่อลดความล่าช้าที่สูญเสียไปในกระบวนการผลิต แต่เนื่องจากวัตถุดิบผลไม้มีคุณลักษณะไม่แน่นอน ผู้ผลิตจึงมักจะพบปัญหาความล่าช้าจากการปรับค่าสารบรรจุก่อนการผลิตจริง ดังนั้นการทำนายค่าความหวานวัตถุดิบได้ถูกต้องแม่นยำ จะช่วยให้ผู้ผลิตสามารถเตรียมสารบรรจุที่ใช้ในการผลิตได้อย่างมีประสิทธิภาพ

งานวิจัยนี้นำเสนอการสร้างแบบจำลองสำหรับการทำนายค่าความหวานของวัตถุดิบสับปะรด และระบบสนับสนุนการตัดสินใจ (Decision support system) สำหรับการเตรียมสารบรรจุในสายการผลิตสับปะรดบรรจุกระป๋องของโรงงานผลิตผลไม้บรรจุกระป๋องของบริษัท มาลีสามพราน จำกัด (มหาชน) โดยการเปรียบเทียบแบบจำลองทางคณิตศาสตร์และสถิติต่างๆ แบบจำลองที่พิจารณา ประกอบด้วย แบบจำลองการวิเคราะห์การถดถอยแบบพหุ แบบจำลองเครือข่ายประสาทเทียม และแบบจำลองต้นไม้การตัดสินใจ 2 แบบ ได้แก่ Classification And Regression Trees (CART) และ Chi-square Automatic Iteration Detector (CHAID) โปรแกรมที่นำมาใช้ในการวิเคราะห์นี้คือ โปรแกรม SPSS Clementine 12.0 ผลการศึกษาพบว่า แบบจำลองเครือข่ายประสาทเทียมที่กำหนดตัวแปรอิสระ คือ เดือนที่รับวัตถุดิบ (แสดงถึงฤดูกาลปลูกวัตถุดิบสับปะรด) เกรดสีวัตถุดิบ (แสดงถึงระดับความสุกของวัตถุดิบสับปะรด) อำเภอที่ปลูกและผู้รวบรวมวัตถุดิบ (แสดงถึงแหล่งที่มาของวัตถุดิบสับปะรด) ให้ค่าความคลาดเคลื่อนในการทำนายในรูป Root mean squared error (RMSE) และ Mean absolute error (MAE) ที่น้อยที่สุด อย่างไรก็ตาม แบบจำลองอื่นที่สร้างขึ้นให้ค่าความคลาดเคลื่อนไม่แตกต่างกันมากนัก (ภาพที่ 1) ดังนั้น คณะผู้วิจัยจึงกำหนดให้ใช้ค่าทำนายความหวานของวัตถุดิบจากทุกแบบจำลองแสดงในระบบสนับสนุนการตัดสินใจที่พัฒนาขึ้น เพื่อเป็นข้อมูลประกอบการตัดสินใจของผู้ใช้ต่อไป

(ก) การเปรียบค่าคลาดเคลื่อนของแบบจำลองต่างๆ โดยค่า RMSE

(ข) การเปรียบค่าคลาดเคลื่อนของแบบจำลองต่างๆ โดยค่า MAE

ภาพที่ 1 การเปรียบค่าคลาดเคลื่อนของแบบจำลองต่างๆ ในการทำนายค่าความหวานวัตถุดิบสับปะรด

สำหรับการพัฒนาระบบสนับสนุนการตัดสินใจอย่างง่าย พัฒนาโดยใช้โปรแกรม Microsoft Access 2007 และเพื่อเพิ่มความสามารถของโปรแกรมในการทำนายค่าให้ครอบคลุมชุดข้อมูลอื่น นอกเหนือจากชุดข้อมูลที่ใช้ในการสร้างแบบจำลอง ผู้วิจัยจึงได้แบ่งระดับความน่าเชื่อถือของการทำนายออกเป็น 5 ระดับ ดังนี้

ระดับสูงมาก (Very High) ที่ระดับความน่าเชื่อถือสูง ชุดข้อมูลวัตถุดิบที่นำมาใช้ในการทำนายทุกตัวแปร ได้แก่ เดือนที่รับวัตถุดิบ อำเภอที่ปลูก ผู้รวบรวมวัตถุดิบ และเกรดสีวัตถุดิบ เป็นชุดข้อมูลที่ตรงกับชุดข้อมูลที่ใช้เป็นข้อมูลในการวิเคราะห์ทางสถิติเพื่อสร้างแบบจำลอง ทำให้มีความแม่นยำในการทำนายค่าได้มากที่สุด เมื่อผู้ใช้ทำการทำนายค่าความหวานโดยชุดข้อมูลในระดับนี้ จะมีค่าความหวานจริงในอดีต ซึ่งเป็นข้อมูลที่ใช้สร้างแบบจำลองปรากฏในฐานข้อมูลด้วย
ระดับสูง (High) ที่ระดับความน่าเชื่อถือสูง ชุดข้อมูลด้านแหล่งที่มาของวัตถุดิบ ได้แก่ อำเภอที่ปลูกและผู้รวบรวมวัตถุดิบที่ต้องการทำนายค่าเป็นชุดข้อมูลที่ตรงกับฐานข้อมูลที่ใช้สร้างแบบจำลอง แต่มีเดือนที่รับวัตถุดิบไม่ตรงกับในฐานข้อมูลที่ใช้สร้างแบบจำลอง ระดับความน่าเชื่อถือของข้อมูลในระดับนี้จะน้อยกว่าในระดับสูงมาก กล่าวคือ มีค่าความคลาดเคลื่อนจากการทำนายที่มากกว่า เนื่องจากเป็นชุดข้อมูลที่ตัวแปรนำเข้ามีค่าไม่ตรงกับข้อมูลที่ใช้ในการสร้างแบบจำลองทั้งหมด
ระดับปานกลาง (Medium) ที่ระดับความน่าเชื่อถือปานกลาง ชุดข้อมูลที่นำมาใช้ในการทำนาย มีอำเภอที่ปลูกและผู้รวบรวมวัตถุดิบตรงกับข้อมูลที่ใช้สร้างแบบจำลองการทำนายค่า แต่เป็นการจับคู่ใหม่ระหว่างอำเภอที่ปลูกและผู้รวบรวมวัตถุดิบที่เป็นข้อมูลที่ใช้สร้างแบบจำลอง ทำให้มีระดับความน่าเชื่อถือลดน้อยลงมากกว่าระดับสูง หรือให้ค่าความคลาดเคลื่อนจากการทำนายค่าที่เพิ่มมากขึ้น เนื่องจากตัวแปรที่ใช้ในการทำนายค่ามีค่าไม่ตรงกับข้อมูลที่ใช้ในแบบจำลอง
ระดับต่ำ (Low) ในกรณีนี้ ชุดข้อมูลที่นำมาใช้ในการทำนาย มีการรับวัตถุดิบจากผู้รวบรวมใหม่ แต่มาจากอำเภอที่ปลูกซึ่งเป็นข้อมูลที่ใช้สร้างแบบจำลอง ซึ่งเป็นชุดข้อมูลที่ไม่ได้อยู่ในฐานข้อมูลที่ใช้ในการวิเคราะห์เพื่อสร้างแบบจำลอง ทำให้มีความคลาดเคลื่อนจากการทำนายค่ามากกว่าในระดับปานกลาง การทำนายค่าจะใช้ตัวแปรเดือน (ตัวแปรด้านฤดูกาล) ระดับของสับปะรด (ระดับความสุก) และอำเภอที่รับวัตถุดิบเป็นตัวแปรนำเข้า (ตัวแปรอิสระ)
ระดับต่ำมาก (Very Low) ในกรณีนี้ชุดข้อมูลที่นำมาใช้ในการทำนา มีการรับวัตถุดิบจากอำเภอที่ปลูกใหม่หรือเป็นอำเภอที่ไม่ได้เป็นข้อมูลที่ใช้ในการสร้างแบบจำลอง หรือรับจากแหล่งปลูกใหม่ (ได้แก่ อำเภอที่ปลูกใหม่ ซึ่งรับมาจากผู้รวบรวมใหม่ด้วย) ซึ่งเป็นชุดข้อมูลที่ไม่ได้เป็นข้อมูลที่ใช้ในการสร้างแบบจำลอง ทำให้มีความคลาดเคลื่อนจากการทำนายค่ามากกว่าระดับอื่นๆ การทำนายค่าความหวานใช้ตัวแปรเดือนที่รับวัตถุดิบ (ตัวแปรด้านฤดูกาล) และระดับสีของสับปะรด (ระดับความสุก) เป็นตัวแปรนำเข้าเท่านั้น

นอกจากนี้ ระบบสนับสนุนการตัดสินใจที่พัฒนาขึ้นนี้ ยังแสดงค่าทำนายที่ได้จากแบบจำลองที่ดีที่สุด และค่าสถิติที่สำคัญ รวมทั้งการคำนวณค่าความหวานของสารบรรจุที่ต้องเตรียม ตามปริมาณของแข็งที่ละลายได้ในวัตถุดิบ สัดส่วนของปริมาณวัตถุดิบต่อปริมาณสารบรรจุในกระป๋อง และปริมาณของแข็งที่ละลายได้สุดท้ายที่ต้องการ (ภาพที่ 2 และ 3) ระบบสนับสนุนการตัดสินใจที่พัฒนาขึ้นนี้จึงสามารถใช้เป็นข้อมูลประกอบการตัดสินใจของฝ่ายผลิตของโรงงานได้เป็นอย่างดี

ภาพที่ 2 หน้าหลักของระบบสนับสนุนการตัดสินใจการทำนายค่าความหวานวัตถุดิบสับปะรด

ภาพที่ 3 ผลการทำนายค่าความหวานวัตถุดิบสับปะรดจากระบบสนับสนุนการตัดสินใจ