การเปรียบเทียบประสิทธิภาพของแบบจำลองสำหรับการพยากรณ์อัตราการว่างงานในประเทศไทย พ.ศ. 2564 - 2567

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาผลการเปรียบเทียบแบบจำลองการพยากรณ์อัตราการว่างงาน ได้แก่ แบบจำลองอารีมา (ARIMA) แบบจำลองโฮลต์–วินเทอร์ส (Holt’s Winters) แบบจำลองเคเนียเรสต์   เนเบอร์ส (K-NN) และการถดถอยเชิงเส้น (Linear Regression) โดยใช้ชุดข้อมูลอัตราการว่างงานของประเทศไทยจากกองบริหารข้อมูลตลาดแรงงาน ซึ่งเป็นข้อมูลรายจังหวัดจำนวน 77 จังหวัด ครอบคลุมช่วงปี พ.ศ. 2564–2567 เพื่อนำมาประเมินประสิทธิภาพของแบบจำลองและเปรียบเทียบความแม่นยำในการพยากรณ์ ผลการวิจัยพบว่าแบบจำลองอารีมา (ARIMA) มีค่า MAE (Mean Absolute Error) ต่ำที่สุดเท่ากับ 6,658.515 และค่า RMSE (Root Mean Square Error) ต่ำที่สุดเท่ากับ 8,578.801 สะท้อนถึงความคลาดเคลื่อนเชิง     ตัวเลขที่น้อยและมีเสถียรภาพสูง แม้ว่าแบบจำลองโฮลต์–วินเทอร์ส (Holt’s Winters) จะมีค่า MAPE (Mean Absolute Percentage Error) ต่ำที่สุดเท่ากับร้อยละ 4 ซึ่งแสดงถึงความแม่นยำเชิงสัมพัทธ์ที่ดี แต่ยังมีค่า RMSE และ MAE สูงกว่าแบบจำลองอารีมา (ARIMA) ขณะที่แบบจำลองเคเนียเรสต์เนเบอร์ส (K-NN) มีค่า MAPE อยู่ในระดับปานกลางที่ร้อยละ 6 แต่มีค่า RMSE สูงมากเท่ากับ 62,036.073 แสดงถึงความไม่เสถียรของการพยากรณ์ ส่วนการถดถอยเชิงเส้น (Linear Regression) แม้จะมีค่า MAPE เท่ากับร้อยละ 0 แต่กลับมีค่า RMSE และ MAE สูงที่สุดอย่างผิดปกติ สะท้อนถึงปัญหาการเรียนรู้เกินชุดข้อมูล (Overfitting) และไม่เหมาะสมต่อการใช้งานจริง ดังนั้น แบบจำลองอารีมา (ARIMA) จึงเป็นแบบจำลองที่เหมาะสมที่สุดสำหรับการพยากรณ์อัตราการว่างงานของประเทศไทยในงานวิจัยนี้