การวิเคราะห์การจัดกลุ่มเพื่อการจัดการมูลฝอยติดเชื้อที่เหมาะสมโดยใช้เทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
การจัดการมูลฝอยติดเชื้อเป็นประเด็นสำคัญที่ส่งผลกระทบต่อสิ่งแวดล้อม สุขอนามัย และต้นทุนการดำเนินงาน โดยเฉพาะในช่วงการระบาดของ COVID-19 ที่ทำให้ปริมาณมูลฝอยติดเชื้อเพิ่มขึ้นอย่างมีนัยสำคัญ การวิจัยเชิงวิเคราะห์นี้มีวัตถุประสงค์เพื่อ 1) เพื่อศึกษาคุณลักษณะ (Attribute) ของลูกค้าที่ใช้บริการจัดเก็บมูลฝอยติดเชื้อ และ 2) วิเคราะห์การจัดกลุ่มข้อมูลลูกค้าด้วยวิธีการ K-Means Algorithms โดยใช้ข้อมูลลูกค้า 540 ราย ประกอบด้วยสถานพยาบาลขนาดใหญ่ 37 แห่ง และสถานพยาบาลขนาดเล็ก 503 แห่ง ของบริษัท นิวโชคอำนวย เชียงใหม่ จำกัด การวิเคราะห์ใช้โปรแกรม Orange Data Mining พิจารณาจากตัวแปรปริมาณมูลฝอยติดเชื้อ (0.5-12 กก./เดือน) ระยะทาง (0.3-15 กม.) และความถี่ในการจัดเก็บ ผลการวิจัยพบว่าสามารถจัดกลุ่มลูกค้าได้ 3 กลุ่ม คือ 1) กลุ่มที่มีปริมาณมูลฝอยติดเชื้อต่ำ (85.66%) โดยมีปริมาณเฉลี่ย 1.2 กก./เดือน ระยะทางใกล้เฉลี่ย 1.8 กม. และความถี่การจัดเก็บปานกลาง 2) กลุ่มที่มีปริมาณมูลฝอยติดเชื้อสูง (11.43%) โดยมีปริมาณเฉลี่ย 8.5 กก./เดือน ระยะทางปานกลางเฉลี่ย 4.2 กม. และความถี่การจัดเก็บต่ำ และ 3) กลุ่มที่มีปริมาณมูลฝอยติดเชื้อปานกลาง (2.91%) โดยมีปริมาณเฉลี่ย 3.7 กก./เดือน ระยะทางไกลเฉลี่ย 8.5 กม. และความถี่การจัดเก็บสูง ผลการจัดกลุ่มมีความแม่นยำสูงด้วยค่า Silhouette Score 0.873 การเปรียบเทียบประสิทธิภาพก่อนและหลังการปรับปรุง พบการพัฒนาใน 4 ด้านหลัก ได้แก่ การจัดการเวลา การใช้ความจุรถ ความถี่การจัดเก็บ และการจัดการพื้นที่ ผลการวิจัยนี้สามารถนำไปประยุกต์ใช้ในการวางแผนเส้นทางการจัดเก็บที่เหมาะสม การออกแบบแพ็กเกจบริการเฉพาะกลุ่ม และการเพิ่มประสิทธิภาพการจัดการทรัพยากร เพื่อลดต้นทุนการดำเนินงานและยกระดับคุณภาพการให้บริการ อย่างไรก็ตาม การศึกษาในอนาคตควรพิจารณาปัจจัยเพิ่มเติม เช่น ประเภทของมูลฝอยติดเชื้อ และการวิเคราะห์ข้อมูลร่วมกับระบบ GIS เพื่อการพัฒนาที่ครอบคลุมและยั่งยืนมากยิ่งขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความและบทความในวารสารการวัด ประเมินผล สถิติ และการวิจัยทางสังคมศาสตร์ เป็นแนวคิดของผู้เขียน มิใช่ความคิดเห็นของกองบรรณาธิการวารสาร จึงมิใช่ความรับผิดชอบของวารสารการวัด ประเมินผล สถิติ และการวิจัยทางสังคมศาสตร์ บทความในวารสารต้องไม่เคยตีพิมพ์ที่ใดมาก่อน และสงวนสิทธิ์ตามกฎหมายไทย การจะนำไปเผยแพร่ ต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากกองบรรณาธิการ
เอกสารอ้างอิง
Bemthuis, R. H., Govers, R. R., & Asadi, A. (2024). A CRISP-DM-based methodology for assessing agent-based simulation models using process mining. arXiv. https://doi.org/10.48550/arXiv.2404.01114
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188.
Department of Health. (2024a). Infectious waste management during COVID-19 pandemic. Department of Health.
Department of Health. (2024b). Overview of infectious waste management situation in Thailand. Department of Health.
Fisher, R. A. (1927). Statistical methods for research workers. Protoplasma, 23, 282.
Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.
Pollution Control Department. (2022). Guidelines for infectious waste management. Pollution Control Department.
