5 ปัญญาประดิษฐ์เพื่อการวิเคราะห์ทางการเกษตร (1)

P a g e | 45

วธิ ีการเขียนผังงานทีด่ ี
• ใชส้ ัญลกั ษณต์ ามท่กี ำหนดไว้
• ใชล้ ูกศรแสดงทิศทางการไหลของขอ้ มลู จากบนลงล่าง หรือจากซา้ ยไปขวา
• คำอธบิ ายในภาพควรสนั้ กะทัดรดั และเขา้ ใจง่าย
• ทกุ แผนภาพต้องมลี กู ศรแสดงทศิ ทางเข้า - ออก
• ไม่ควรโยงเส้นเชื่อมผงั งานท่ีอยู่ไกลมาก ๆ ควรใชส้ ญั ลักษณ์จดุ เชือ่ มต่อแทน
• ผงั งานควรมีการทดสอบความถูกต้องของการทำงานก่อนนำไปเขียนโปรแกรม

ตัวอย่างการเขยี น Flowchart โดยแบบมีเงอ่ื นไข

ภาพที่ 5.9 ภาพตัวอย่างผงั งานแบบเง่อื นไข
ที่มา : (http://www.surasak.ac.th/Document/webprogramc/images/flowchart.jpg)
จากโจทยใ์ นตัวอยา่ งเราสามารถนำโจทย์มาเขียนให้อยูใ่ นรูปแบบของผังงานไดด้ งั น้ี

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพอ่ื การวเิ คราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒิพิทยามงคล

P a g e | 46

ภาพท่ี 5.10 ภาพตัวอย่างผังงานแบบเง่ือนไขจากโจทยท์ ่เี คยกำหนดไว้
5.2.3 การดำเนินการแก้ปัญหา ตรวจสอบและปรับปรงุ
การดำเนินการแก้ปัญหา (Implementation) ขั้นตอนนี้เป็นการเขียนโปรแกรมเพื่อให้คอมพิวเตอร์
สามารถประมวลผลได้ โดยเปลี่ยนขั้นตอนการทำงานให้อยู่ในรูปรหัสภาษาคอมพิวเตอร์ การเขียนโปรแกรม
จะต้องเขียนตามภาษาที่คอมพิวเตอร์เข้าใจได้โดยอาจใช้ภาษาระดับสูง หรือภาษาระดับต่ำ ซึ่งเลือกได้หลาย
ภาษา การเขียนโปรแกรมแต่ละภาษาจะต้องทำตามหลักไวยากรณ์ (syntax) ที่กำหนดไว้ในภาษาน้ัน
นอกจากนี้การเลือกใชภ้ าษาจะต้องพจิ ารณาถงึ ความถนัดของผเู้ ขียนโปรแกรมอีกดว้ ย
การตรวจสอบและปรับปรุง (Refinement) หลังจากที่ลงมือแก้ปัญหาแล้ว ต้องตรวจสอบให้แน่ใจว่า
วธิ ีการนีใ้ ห้ผลลัพธท์ ถ่ี กู ตอ้ ง โดยผู้แก้ปัญหาต้องตรวจสอบวา่ ขัน้ ตอนวธิ ที ส่ี รา้ งข้นึ สอดคลอ้ งกับรายละเอียดของ
ปัญหา ซึ่งได้แก่ ข้อมูลเข้า และข้อมูลออก เพื่อให้มั่นใจว่าสามารถรองรับข้อมลู เข้าได้ในทุกกรณี อย่างถูกต้อง
และสมบูรณ์ ในขณะเดียวกันก็ต้องปรับปรุงวิธีการเพื่อให้การแก้ปัญหานี้ได้ผลลัพธ์ท่ีดีที่สุด โดยทั่วไปแล้ว
ขอ้ ผิดพลาดจากการเขยี นโปรแกรมจะมีสองประเภท คอื

หลกั สตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐเ์ พอ่ื การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วฒุ พิ ิทยามงคล

P a g e | 47

1. การเขียนคำสั่งไม่ถูกต้องตามหลักการเขียนโปรแกรมภาษานั้น ๆ ซึ่งเรียกว่า ข้อผิดพลาดท่ี
เกิดจากการเขียนคำสั่งโปรแกรมผิดรูปแบบไวยากรณ์ของภาษา (Syntax Error) หรือ การทำงาน
ผิดพลาด (Coding Error) ข้อผิดพลาดประเภทนี้เรามักพบตอนแปลภาษาโปรแกรมเป็นรหัส
ภาษาเครือ่ ง

ภาพที่ 5.11 ภาพตวั อย่างการทดสอบแลว้ เกดิ ข้อผิดพลาด Syntax Error

ภาพท่ี 5.12 ภาพตวั อย่างการเขียนโปรแกรมแล้วเกิดข้อผิดพลาด Coding Error
2. ข้อผิดพลาดทางตรรกะ หรือ Logic Error เป็นข้อผิดพลาดที่โปรแกรมทำงานได้ แต่ผลลัพธ์
ออกมาไม่ถูกต้อง จากภาพที่ 5.13 จะเห็นได้ว่า ในบรรทัดที่ 3 มีข้อผิดพลาดท่ี “10” เพราะว่า การ
ประกาศค่าออกไปแบบนีเ้ ป็นการประกาศเป็นในรูปแบบข้อความ (String) แต่การใช้งานเงื่อนไขที่เรา
ต้องการ คอื การตรวจสอบจากตวั เลข ดังนั้นจะปรากฏขอ้ ผิดพลาดตามรปู ภาพดงั กล่าว

หลักสตู รการอบรมพัฒนาเกษตรกรร่นุ ใหม่: ปญั ญาประดิษฐเ์ พอ่ื การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล

P a g e | 48

ภาพท่ี 5.13 ภาพตวั อย่างการเขยี นโปรแกรมไม่ถูกต้อง Logic Error
5.3 ตวั อย่างขนั้ ตอนการแก้ไขปัญหา

จากหัวข้อกอ่ นหนา้ ท่เี ราได้เรยี นรไู้ ป ตอนนี้จะยกตัวอยา่ งโดยอ้างองิ ข้นั ตอนตามหวั ข้อ 5.2 ดังน้ี
5.3.1 การกำหนดปัญหา
ตัวอย่าง : แสดงวิธีการวิเคราะห์การทำงานของการคิดเกรดของในรายวิชา โดยกำหนด x เป็นค่าท่ี
เรารับมาจากผู้ใช้งานโดย ในกรณีเรายกตัวอย่างโดย x = 72 จากนั้นทำการเปรียบเทียบคะแนนที่เก็บมากับ
เกณฑ์ของคะแนนและแสดงผลออกมาเป็นค่าเกรดที่ได้ จากองค์ประกอบในการวิเคราะห์และกำหนด
รายละเอียดของปญั หา
1. การระบขุ ้อมลู เขา้ : ในโจทย์กำหนดใหร้ ับค่าจากผ้ใู ช้ แต่ในรอบนีจ้ ะยกตัวอย่างคอื 72
2. การระบุขอ้ มูลออก : จากโจทยส์ งิ่ ทีเ่ ปน็ คำตอบของปญั หา คือ แสดงค่าผลลัพธท์ ่ีเปน็ เกรดของผูใ้ ช้
3. การกำหนดวิธีการประมวลผล : จากโจทย์ สิ่งที่ต้องการคือ การตรวจสอบค่า หมายถึง การ
เปรยี บเทียบทั้งสองค่าว่า คะแนนทีร่ ับมาเขา้ เงือ่ นไขในเกณฑไ์ หน ดังนั้นขัน้ ตอนในการประมวลผลคือ

รบั คะแนนจากผู้ใช้
นำคะแนนมาเปรียบเทียบกบั เกณฑ์
ถา้ คะแนนรับมาเข้าเง่อื นไขในเกณฑ์ท่ีเรากำหนด จะแสดงผลลัพธค์ อื เกรดจากคะแนนผู้ใช้
ถ้าค่าที่รับมาไม่ถูกต้อง หรือไม่เข้าเงื่อนไขของเกณฑ์ จะแสดงผลลัพธ์ ให้ผู้ใช้งานกรอก
คะแนนใหถ้ ูกต้อง
5.3.2 การเขียนผงั งาน (Flowchart)

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพ่อื การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล

P a g e | 49

ภาพที่ 5.14 ภาพตวั อยา่ งผังงานการคดิ เกรด

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐ์เพื่อการวิเคราะหท์ างการเกษตร อ.ดร.ภัทรมน วุฒพิ ิทยามงคล

P a g e | 50

5.3.3 การดำเนินการแกป้ ัญหา ตรวจสอบและปรบั ปรงุ
เราจะเริม่ ดำเนินการเขยี นโปรแกรม โดยจะออกมาตามภาพท่ี 5.15 และ ภาพท่ี 5.16

ภาพท่ี 5.15 ภาพตัวอยา่ งการเขยี นโปรแกรม คำนวณเกรดใน ภาษาไพทอน (Python)

ภาพท่ี 5.16 ภาพตัวอย่างการเขยี นโปรแกรม คำนวณเกรดใน ภาษาซี (C)

หลกั สตู รการอบรมพฒั นาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐเ์ พื่อการวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 51

จากการเขียนโปรแกรมได้ผลลัพธ์คือ สามารถทำงานได้ดีทั้งสองภาษาคอมพิวเตอร์ สามารถรับ
คะแนนจากผ้ใู ช้และคำนวณออกมาได้สำเร็จ

ภาพท่ี 5.17 ภาพตัวอยา่ งผลลพั ธเ์ กรดใน ภาษาไพทอน (Python)

ภาพท่ี 5.18 ภาพตวั อยา่ งผลลพั ธ์เกรดใน ภาษาซี (C)
แต่การทดสอบตัวโปรแกรมในทัง้ 2 ภาษาจะมีข้อผิดพลาดท่ีเกิดข้ึนคือ ถ้าเราใส่ขอ้ ความในโปรแกรม
รนั จะไมส่ ามารถคำนวณเกรดออกมาได้ และแสดงขอ้ ผดิ พลาดออกมาดังนี้

ภาพท่ี 5.19 ภาพตัวอย่างข้อผดิ พลาดใน ภาษาไพทอน (Python)
และโปรแกรมในเฉพาะในภาษา C จะมปี ญั หากับภาษาไทย เพราะวา่ โปรแกรมจะไม่สามารถแสดง
ข้อความออกมาเป็นภาษาได้ ซง่ึ เกิดจากการทำรปู แบบบันทึกข้อมลู ของไฟล์ ทไี่ ม่รองรบั การแสดงผลใน
ภาษาไทย ซ่ึงวิธแี ก้คือ การเปลยี่ นรปู แบบการบันทึกไฟลใ์ นรปู แบบอืน่ เช่น UTF-8 (อาจใชไ้ ด้บนบางระบบ)
เป็นต้น

หลกั สตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพอ่ื การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ทิ ยามงคล

P a g e | 52

ภาพที่ 5.20 ภาพตวั อย่างขอ้ ผิดพลาดใน ภาษาซี (C)

หลักสตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐเ์ พอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ิทยามงคล

P a g e | 53

บทท่ี 6

การสร้างโมเดลเงอื่ นไขใน Microsoft Excel
วตั ถปุ ระสงค์

1. เพ่อื ให้ผู้เรียนไดส้ ามารถสบื ค้นข้อมูลในเว็บไซต์ได้
2. เพ่ือให้ผเู้ รยี นวเิ คราะห์ปญั หาจากข้อมลู ที่ไดจ้ ากเว็บไซต์
6.1 การค้นหาข้อมลู จากศนู ย์ข้อมลู เกษตรแห่งชาติ (https://www.nabc.go.th/)
ในบทนี้จะพามารู้จักกับเว็บไซต์ศูนย์ข้อมูลเกษตรแห่งชาติ (https://www.nabc.go.th/) ซึ่งเป็น
เว็บไซต์ที่รวมรวบข้อมูลทางการเกษตร เช่น ราคาเกษตรรายวัน ดัชนีเศรษฐกิจการเกษตร ข้อมูลเกษตร และ
อื่นๆ ซึ่งเราจะแนะนำการค้นหาข้อมูลจากเว็บไซต์ของศูนย์ข้อมูลเกษตรแห่งชาติ เพื่อนำไปวิเคราะห์ในส่วน
ถดั ไป
1) เขา้ เวบ็ ไซต์ศูนยข์ ้อมลู เกษตรแหง่ ชาติ (https://www.nabc.go.th/)

ภาพที่ 6.1 ภาพตัวอย่างจากเวบ็ ไซต์ศูนยข์ ้อมลู เกษตรแห่งชาติ
2) ให้เลื่อนเมาส์ไปท่ีข้อมูลบรกิ าร และให้เลื่อนเมาส์ไปท่ี Data Catalog แล้วกดคลิก จากนั้นเว็บไซต์จะพา

ไปท่หี นา้ เวบ็ ไซต์ใหม่ ดังภาพท่ี 6.3

หลกั สตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐเ์ พ่อื การวเิ คราะหท์ างการเกษตร อ.ดร.ภัทรมน วฒุ พิ ิทยามงคล

P a g e | 54

ภาพที่ 6.2 ภาพตวั อย่างไปแหลง่ ข้อมลู เกษตร (Data Catalog)

ภาพท่ี 6.3 ภาพตวั อย่างจากเว็บไซตแ์ หลง่ ข้อมลู เกษตร (Data Catalog)
3) ใหเ้ ราเลอื กข้อมูลตามหมวดหมู่ได้ตามต้องการ หรอื สามารถคน้ หาข้อมลู จากที่เราต้องการไดเ้ ลย ในส่วน

นี้เราจะเลอื กในหมวดหมู่ของ กลุม่ ข้อมูลดา้ นดินและทด่ี นิ

หลักสตู รการอบรมพฒั นาเกษตรกรร่นุ ใหม่: ปญั ญาประดษิ ฐเ์ พื่อการวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล

P a g e | 55

ภาพที่ 6.4 ภาพตัวอย่างหมวดหมขู่ องข้อมูลบนเวบ็ ไซต์
4) หลังจากนัน้ ให้เราเลือกข้อมูลท่ีเราตอ้ งการ ในส่วนน้ีเราจะเลือกไปที่ มีข้อมูล—ข้อมูลคำอธิบายกลุม่ ชุด

ดิน และจะพาไปรายละเอียดของข้อมูล ดังภาพที่ 6.6 ซึ่งข้อมูลด้านในจะประกอบด้วย ข้อมูลไฟล์ที่
ประกอบด้วยชุดข้อมูล รายละเอียดของข้อมูลต่างๆ ในส่วนนี้ข้อมูลไฟล์จะประกอบด้วย “Technical”
(รายละเอียดของหัวข้อในข้อมูลไฟล์) “Idd_soilgroup2015.csv” (ข้อมูลไฟล์ในรูปแบบ csv) และ
“Idd_soilgroup2015” (ข้อมูลไฟล์ในรูปแบบ xlsx หรอื ไฟล์ excel)

ภาพท่ี 6.5 ภาพตวั อยา่ งหวั ข้อของแต่ละหมวดหมู่

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพื่อการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพิทยามงคล

P a g e | 56

ภาพท่ี 6.6 ภาพตวั อย่างรายละเอียดของหัวข้อทเี่ ราสนใจ
5) ให้เลือกข้อมูลไฟล์ที่ต้องการใช้งาน ในส่วนนี้เราจะเลือก Idd_soilgroup2015.csv ไปใช้งาน และไฟล์

Technical เพื่อทราบว่าข้อมูลมีอะไรบ้าง ดังภาพที่ 6.7 หลังจากเข้าไปในหน้าใหม่ ในหน้านั้นจะ
ประกอบด้วยข้อมูลทั้งหมดในไฟล์ เราสามารถสำรวจข้อมูลจากในส่วนนี้ได้ หรือสามารถกดปุ่มดาวน์
โหลด เพอ่ื บันทกึ ไฟลล์ งทีค่ อมพวิ เตอร์ของเราได้เลย

ภาพที่ 6.7 ภาพตัวอย่างรายละเอียดของขอ้ มลู ไฟล์
6) ใหเ้ ราเลอื กบันทึกข้อมลู ลงคอมพวิ เตอร์ตามต้องการ และเราจะได้ข้อมลู ไฟล์อยู่บนคอมพิวเตอร์เพ่ือจะได้

ไปปฏบิ ัติในสว่ นต่อไป

หลกั สตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐ์เพอ่ื การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ทิ ยามงคล

P a g e | 57

ภาพที่ 6.8 ภาพตวั อยา่ งไฟล์ท่อี ยู่บนคอมพิวเตอร์

6.2 การฝึกปฏบิ ัติกบั ข้อมูลจริงด้านการเกษตร
หลังจากได้ข้อมูลมาแล้วในสว่ นนี้เราจะนำข้อมูลที่ได้ มาวิเคราะห์ผ่านโปรแกรม Excel โดยจะยดึ ตาม

หัวขอ้ ใน 5.2 ขัน้ ตอนการแก้ไขของปัญหา และใชข้ ้อมูลไฟล์จาก 6.1 จะไดผ้ ลลพั ธ์มาดงั นี้
6.2.1 การกำหนดปัญหา
ตัวอย่าง : แสดงวิธีการวิเคราะห์การทำงานการเลือกดินในการปลูกที่ถูกต้อง โดยกำหนดให้ X เป็น

ขอ้ มลู ผลไม้ที่เราต้องการจะปลูกโดยมาจากผู้ใช้งาน และนำเข้าข้อมลู ไฟล์ของดินทเี่ ราได้ดาวนโ์ หลด มาใช้งาน
การอ้างอิง จากนัน้ ทำการตรวจสอบโดยการเปรยี บเทียบวา่ ผลไม้ท่ีเราตอ้ งการปลกู กับขอ้ มลู ดนิ ทเี่ รามอี ยู่ เรา
สามารถเลือกปลูกในดินนี้ได้กี่ชนิด ปลูกในดินนี้ไม่ได้กี่ชนิด จากองค์ประกอบในการวิเคราะห์และกำหนด
รายละเอียดของปญั หา

4. การระบขุ ้อมูลเข้า : ในโจทยก์ ำหนดให้รบั ข้อมลู ผลไม้ที่ตอ้ งการปลูก
5. การระบุข้อมูลออก : จากโจทย์สิ่งที่เป็นคำตอบของปัญหา คือ ดินที่สามารถปลูกผลไม้ชนิดนีไ้ ด้ และ

ดนิ ท่ไี ม่สามารถปลูกผลไมช้ นิดนี้ได้
6. การกำหนดวิธีการประมวลผล : จากโจทย์ สิ่งที่ต้องการคือ การตรวจสอบและเปรียบเทียบค่า

หมายถึง การนำข้อมูลจาก 2 แหล่งมาตรวจสอบและเปรียบเทียบว่า ดินนี้ปลูกได้ ดินนี้ปลูกไม่ได้
ดงั น้ันข้นั ตอนในการประมวลผลคอื

กำหนดผลไมท้ ต่ี ้องการจะปลกู จากผใู้ ช้
นำขอ้ มูลผลไมม้ าเปรียบเทยี บกบั ข้อมูลไฟลข์ องดิน
ถ้าขอ้ มูลผลไม้ทีก่ ำหนดตรงกบั ข้อมลู ไฟล์ของดนิ จะแสดงผลลัพธ์คอื ดนิ ทส่ี ามารถปลูกได้
ถ้าข้อมูลผลไม้ทีก่ ำหนดไมต่ รงกับข้อมูลไฟลข์ องดิน จะแสดงผลลพั ธ์ ดนิ ท่ีไม่สามารถปลูกได้

หลักสตู รการอบรมพฒั นาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐ์เพ่ือการวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ทิ ยามงคล

P a g e | 58

6.2.2 การเขียนผังงาน (Flowchart) และ การดำเนินการแกป้ ญั หา ตรวจสอบและปรบั ปรุง
1) การเตรยี มขอ้ มูลลงใน Excel
เราจะเริ่มโดยการสร้างใบงาน (Worksheet) ของไฟล์ Excel ก่อน หลังจากนั้นเราจะเพิ่ม

ขอ้ มลู เข้าไปใน Excel โดยให้ไปที่ Data > Get Data > From File > From Text/CSV จากนัน้ ใหเ้ ราไปเลือก
ไฟล์ข้อมูลของดิน จากน้ันกดปมุ่ เปดิ และจะได้ดังภาพท่ี 6.9

ภาพท่ี 6.9 ภาพตวั อย่างการนำเขา้ (Import) ข้อมลู ของดิน
ถ้าใครพบปัญหาตัวอักษรแปลกๆ ให้ไปที่หัวข้อ File Origin และเลือกกล่องข้อความ ไปที่ Thai
(Windows) ตามรปู ภาพที่ 6.10 และเราจะได้ข้อมลู ที่เป็นขอ้ ความภาษาไทยออกมา จากนั้นเรากด Load และ
ข้อมูลจะเพ่ิมออกมา ตามรปู ภาพท่ี 6.11 เราสามารถดดั แปลงข้อมูลทม่ี เี ยอะ ออกมาให้กระชบั ตามใจผู้ใชไ้ ด้

หลักสตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐ์เพอื่ การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ทิ ยามงคล

P a g e | 59

ภาพที่ 6.10 ภาพตวั อยา่ งการแก้ไขปญั หาตวั อักษร

ภาพที่ 6.11 ภาพตัวอย่างหลังจากการนำเขา้ (Import) ของขอ้ มลู ดินลงใน Excel
จากนั้นทำการตรวจสอบข้อมูลที่เราจะใช้ในการนำเสนอ โดยในตัวอย่างนี้ เราจะเลือกใช้ข้อมูล
Project_Property, Natural_abundance , Suitability_growing_pineapple , ซึง่ เราสามารถซ่อนคอลัมน์
ทเ่ี ราไมต่ ้องการได้โดยการคลิกขวาทต่ี ัวอักษรของคอลัมน์ และไปท่ี ซ่อน (Hide) ดงั ภาพท่ี 6.12 และเราจะได้
ข้อมลู ทต่ี อ้ งการดังภาพท่ี 6.13

หลักสตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่ือการวิเคราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ทิ ยามงคล

P a g e | 60

ภาพท่ี 6.12 ภาพตวั อยา่ งหลังจากการนำเข้า (Import) ของขอ้ มูลดินลงใน Excel

ภาพที่ 6.13 ภาพตัวอย่างหลังจากซ่อนคอลมั น์ และ เปล่ยี นขอ้ ความให้กระชบั ขึ้น
2) การเขยี นแผนผงั (Flowchart)

จากการได้เตรียมตัวขอ้ มูลของดินเรียบร้อยแลว้ จากน้นั ใหเ้ ราไปวเิ คราะห์ความเปน็ ไปได้ของ
แผนผัง (Flowchart) วา่ สามารถแสดงผลลพั ธข์ ้อมูลออกมาได้ในทิศทางใดบ้าง เช่น ดินชนดิ นม้ี คี วามเหมาะสม
กับสบั ปะรดหรอื ไม่ จากการทไ่ี ด้วเิ คราะหข์ อ้ มูลออกมาแล้วจะไดแ้ ผนผัง ดังภาพที่ 6.14

หลักสตู รการอบรมพฒั นาเกษตรกรรุน่ ใหม่: ปญั ญาประดษิ ฐเ์ พอื่ การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วฒุ พิ ทิ ยามงคล

P a g e | 61

ภาพที่ 6.14 ภาพตัวอย่างแผนผัง (Flowchart)

หลักสตู รการอบรมพฒั นาเกษตรกรร่นุ ใหม่: ปญั ญาประดษิ ฐ์เพ่อื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 62

3) การสรา้ งโมเดลเง่อื นไข (If-else Models)
จากนั้นใหเ้ ราสร้างใบงาน (Worksheet) ในไฟล์นี้ ซึ่งไว้สำหรับในการประมวลผลข้อมูลท่เี รา

ต้องการออกมา โดยในใบงานจะประกอบด้วย ชื่อผลไม้ (ด้วยชื่อผลไม้ที่เรากำหนดมานี้ จะเป็น สับปะรดโดย
เราจะอ้างอิงกับข้อมูลที่มีอยู่ก่อน) ประเภทของดิน ความลึกของดิน ความอุดมสมบูรณ์ และเหมาะสม/ไม่
เหมาะสม ดังภาพที่ 6.15 โดยในตัวอย่างนี้ เราจะคำนวณโดยมีเงื่อนไขว่า ดินเหนียวสามารถปลูกสับปะรดได้
หรือไม่

ภาพท่ี 6.15 ภาพตวั อยา่ งการกำหนดข้อมลู ท่ีต้องการ

จากนัน้ ใหไ้ ปคลิกช่องวา่ งของคอลัมน์ (Cells) เหมาะสม/ไมเ่ หมาะสม ในแถวของ สับปะรด จากนัน้ ใส่
สูตรในการคำนวณเขา้ ไป

=IF(B4="ดินเหนียว",IF(C2 = "ลึกมาก","ไม่เหมาะสม",IF(C2 = "ยกร่อง","เหมาะสม",IF(C2 =
"ลึก",IF(OR(D2 = "ต่ำ",D2 = "ปานกลาง"),"เหมาะสม","ไม่เหมาะสม"),"ไม่เหมาะสม"))),"ไม่พบ
ข้อมลู ")

โดยขั้นตอนการทำงานคือ เมื่อเรากรอกข้อมูลของดินเหนียวเข้าไป เช่น ประเภทของดินในของ
คอลัมน์ที่ B2 ความลึกของดินในช่องว่างของคอลัมน์ที่ C2 และ ความอุดมสมบูรณ์ของดินในช่องว่างของ
คอลัมน์ที่ D2 เข้าไป และใส่สูตรการคำนวณในช่องว่างของคอลัมน์ที่ E2 จากนั้นจะทำการเปรียบเทียบว่า
ข้อมูลทกี่ รอกมาเข้าเงอ่ื นไขในไหนบา้ ง และจะไดผ้ ลลัพธอ์ อกมาตามข้อมลู ที่ได้กรอกเข้าไป

4) การนำไปใชง้ านกับข้อมูลจริงและการตรวจสอบ
หลังจากสร้างโมเดลเรียบร้อยแล้ว จากนั้นเราจะนำโมเดลที่ได้ไปใช้งานจริง โดยเราจะ

ยกตวั อยา่ งของขอ้ มลู ดงั น้ี
• ประเภทของดนิ = ดินเหนยี ว
• ความลกึ ของดนิ = ยกร่อง
• ความอุดมสมบูรณ์ = ไม่ระบุ

ผลลพั ธท์ ี่ไดอ้ อกมาคือ เหมาะสม ตามช่องท่ี E2 ดังภาพท่ี 6.16

หลักสตู รการอบรมพัฒนาเกษตรกรร่นุ ใหม่: ปญั ญาประดิษฐ์เพือ่ การวเิ คราะหท์ างการเกษตร อ.ดร.ภัทรมน วุฒิพทิ ยามงคล

P a g e | 63

ภาพท่ี 6.16 ภาพตวั อย่างข้อมูลทีเ่ ราได้เพม่ิ เขา้ ไปและแสดงผลลพั ธ์ออกมา
จากนน้ั เราได้นำโมเดลมาใชง้ านกบั ข้อมลู จริงอน่ื ๆ จะได้ผลลพั ธ์ของขอ้ มลู ออกมา ดังรปู ภาพที่ 6.17

ภาพที่ 6.17 ภาพตัวอย่างการใช้งานโมเดลกับข้อมูลจริงในใบรายงาน (Worksheet)
จากในรปู ภาพท่ี 6.17 จะเห็นได้ว่าข้อมลู ทีเ่ ราไดก้ รอกไปในแถวที่ 6 นัน้ ผลลัพธ์ท่ไี ด้ออกมาคือ ไม่พบ
ข้อมูล เป็นเพราะว่า โมเดลที่เราได้สร้างขึ้นมานี้ เป็นโมเดลไว้สำหรับการตรวจสอบกับดินเหนียวเท่านั้น ถ้ามี
การกรอกข้อมูลดนิ ประเภทอ่ืนท่ีไมใ่ ชด่ ินเหนียวเข้ามา ผลลพั ธท์ ีไ่ ด้คือ ไม่พบขอ้ มูล ทง้ั นี้เราสามารถนำสูตรตัว
นไี้ ปปรบั แกไ้ ขเพอื่ ให้สามารถตรวจสอบกบั ดินประเภทอนื่ ได้ เชน่ ดนิ ทราย ดนิ รว่ น ดนิ เปร้ียวจดั เปน็ ต้น
การทดสอบในตอนนี้คือ มีข้อผิดพลาดคือ การเลือกข้อมูลมาใส่แล้วเกิดเป็นตัวอักษรผิดพลาด เกิด
จากการท่ตี ง้ั ภาษาของโปรแกรมเอาไวเ้ ป็นภาษาอังกฤษ ดงั นั้น รูปแบบของข้อความทจี่ ะแสดงออกมาจึงยึดค่า
เริ่มต้น (Default) ออกมาเป็น Western Europeans ดังนั้นเราจึงนำเสนอวิธีแก้ปัญหาดังกล่าวไปตามภาพที่
6.9 ไปแลว้ ซง่ึ สามารถแสดงข้อความออกมาเป็นภาษาไทยได้ และอกี สว่ นท่ีพบเจอคือ ถา้ ผใู้ ช้งานกรอกข้อมูล
ไปไม่ครบถ้วน เชน่ กรณกี รอกข้อมูล และขาดขอ้ มูลของความอุดมสมบรู ณ์ ดงั ภาพท่ี 6.18 ผลลัพธท์ ่ีได้ออกมา
คอื เหมาะสม ทง้ั ที่ ขอ้ มลู อาจจะแสดงผลให้ครบถว้ นเพื่อให้เกิดข้อผิดพลาดขนึ้ หรอื เราอาจจะแกไ้ ขในสูตรว่า
ถา้ ขอ้ มูลกรอกไม่ครบ เราสามารถบอกผลลพั ธไ์ ปว่า ให้เรากรอกขอ้ มูลเพม่ิ เติมเพ่ือผลลัพธ์ทีด่ ี เป็นตน้

ภาพท่ี 6.18 ภาพตวั อย่างขอ้ มลู ทีม่ กี ารคำนวณไมถ่ ูกตอ้ ง เน่ืองจากข้อมลู ทกี่ รอกไม่ครบถ้วน

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐเ์ พ่ือการวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 64

บทที่ 7

การวิเคราะห์การถดถอย (Regression Model)

วตั ถปุ ระสงค์

1. เพ่ือให้ผเู้ รยี นมีความรู้ความเข้าใจเบ้อื งต้นเกีย่ วกบั การวเิ คราะห์การถดถอย (Regression Model)
2. เพือ่ ให้ผเู้ รยี นตระหนักถงึ ความสำคัญของการวิเคราะห์การถดถอย (Regression Model)

7.1 ความรเู้ บอ้ื งต้นเกี่ยวกับการวเิ คราะหก์ ารถดถอย (Regression Model)

การวิเคราะห์การถดถอย (Regression Model) เป็นวิธีทางสถิตทิ ่ีใชห้ าความสัมพันธ์ ระหวา่ งตัวแปร
เชิงปริมาณตง้ั แต่สองตัวข้นึ ไปเพอ่ื ใช้ในการพยากรณค์ า่ ของตัวแปรหน่ึงจากตวั แปร อ่ืนๆ การวเิ คราะห์การ
ถดถอยใชก้ นั อยา่ งแพร่หลายในสาขาต่างๆ เช่น การแพทย์วิทยาศาสตร์ ธุรกจิ เศรษฐศาสตรแ์ ละสงั คมศาสตร์
เป็นตน้ ตวั อยา่ งของการใชส้ มการถดถอยในการวเิ คราะห์ขอ้ มลู เช่น นักวิจัยตอ้ งการทราบวา่ ปัจจัยใดบ้างท่ีมี
ผลตอ่ การนำระบบการจัดการความปลอดภยั มา ใช้กบั อตุ สาหกรรมแปรรูปอาหารขนาดกลางและขนาดย่อมใน
ประเทศไทยหรือการหาปัจจัยท่มี ผี ลตอ่ การนำเทคโนโลยีสารสนเทศมาใช้ในอุตสาหกรรมขนาดกลางและขนาด
หรือการหาปจั จยั ท่ีมผี ลตอ่ ความน่าเชอ่ื ถือในงานวจิ ัยทางการตลาด หรอื ปัจจยั ทมี่ ผี ลต่อความพงึ พอใจในการใช้
ชวี ิตของคนอเมริกนั หรอื เพื่อหาปจั จัยท่ีมผี ลตอ่ ความเครยี ดในการปฏิบตั ิงานของทหารในเขตสามจงั หวัด
ชายแดน ภาคใต้ (ไหมไทย ไชยพนั ธุ์และณัฐสดุ า เต้พนั ธ์, 2555) เป็นตน้

ภาพท่ี 7.1 Regression Model
(ทีม่ า https://medium.com/coeffest/ B5-linear-regression )

ตวั แปรทใ่ี ช้ในการวิเคราะห์การถดถอยมสี องแบบใหญๆ่ คอื ตัวแปรอสิ ระ (independent variable
หรอื regressor หรอื predictor) กับตวั แปรตาม (dependent variable) โดยท่ีตวั แปรอิสระนน้ั เปน็ ตัวแปรที่
ทราบคา่ และนกั วจิ ยั เปน็ ผกู้ ำหนดค่าของตัวแปรอสิ ระในการทดลองหรอื การศึกษา โดยที่นักวิจยั คาดว่า ตวั แปร

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐเ์ พ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วฒุ ิพิทยามงคล

P a g e | 65

อสิ ระนจ้ี ะมผี ลตอ่ ตวั แปรตาม ซึ้งเป็นตัวแปรทไี่ ม่ทราบค่าและต้องการพยากรณ์หรือต้องการหาความสัมพนั ธ์
เชน่ ในกรณีของตัวอย่างการวจิ ัยตลาดนน้ั ตัวแปรอสิ ระคอื ปจั จัยตา่ งๆที่นักวิจัยตลาดคาดวา่ จะมผี ลทำให้
ยอดขายเปลีย่ นแปลงไปในขณะที่ตวั แปรตามคือ มลู คา่ ของยอดขาย เปน็ ต้น ตวั แปรอสิ ระมกั แทนด้วย X และ
ตวั แปรตามมกั แทนด้วย Y การวิเคราะห์การถดถอยระหวา่ งตัวแปรอิสระหนง่ึ ตวั และตัวแปรตามหน่ึงตวั โดยท่ี
ตัวแปร ทงั้ สองมีความสัมพนั ธ์เชงิ เส้นตรงกนั เรียกการวเิ คราะห์การถดถอยเชงิ เสน้ อย่างง่าย (simple linear
regression) หากความสมั พันธร์ ะหว่างตัวแปรท่ไี ม่เปน็ เส้นตรง เรยี ก nonlinear regression หากมตี วั แปร
อิสระมากกว่าหนึ่งตวั แต่ตัวแปรตามเพยี งตวั เดียว เรยี กการวิเคราะหก์ าร 2 ถดถอยพหุ (multiple regression)
หากมตี ัวแปรตามมากกวา่ 1 ตวั แล้วการวิเคราะหก์ าร ถดถอยนนั้ จะเรยี กว่า multivariate regression
analysis วธิ กี ารตรวจสอบความสมั พันธ์ระหวา่ งคู่ของตวั แปรอยา่ งง่ายทำไดโ้ ดยการสร้างแผนภาพ กระจาย
(scatter diagram) ระหวา่ งตัวแปรทั้งสองเพ่ือดวู ่าตวั แปรท้งั สองมีความสัมพันธก์ ันหรอื ไม่ อย่างไรข้อดขี องวธิ ี
นค้ี อื ง่ายและรวดเร็ว สามารถทำความเข้าใจได้งา่ ยผ้อู ่านไม่จำเปน็ ตอ้ งมีความรู้ทางสถิติเพื่อตีความข้อ เสียของ
วธิ ีนคี้ ือ ทำการตรวจสอบความสัมพนั ธ์ได้ทลี ะค่ขู องตวั แปรและไมม่ คี ่าสถติ มิ ารองรบั ดังนน้ั การแปลผลของแต่
ละคนอาจแตกต่างกนั ได้โดยเฉพาะอย่างยิง่ ในกรณที ี่รูปทไี่ ดไ้ มม่ ีความชดั เจนพอหรอื ไม่มีแนวโนม้

ภาพท่ี 7.2 แสดงการจดั แบง่ Regression Analysis ตามชนดิ ของขอ้ มลู ทีต่ ้องการจะวเิ คราะห์
(ท่มี า https://sites.google.com/mystatistics01/regression-correlationanalysis/regressionanalysis)

หลักสตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่ือการวิเคราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพทิ ยามงคล

P a g e | 66

7.2 องคป์ ระกอบของการวเิ คราะหก์ ารถดถอย (Regression Model)
การวเิ คราะห์การถดถอย (Regression Model) เป็นโมเดลความสมั พันธร์ ะหวา่ งตวั แปรกบั สง่ิ ท่ีเรา

สนใจเชน่ ปัจจยั ตา่ ง ๆ ทางธรุ กจิ กบั ยอดขายในไตรมาสนน้ั ๆ หรอื อาจจะเปน็ สว่ นประกอบตา่ ง ๆ ในสนิ คา้ กบั
เกรดหรือคณุ ภาพของสนิ คา้ เป็นตน้ โดย การวิเคราะหก์ ารถดถอย (Regression Model) นั้นเป็นโมเดลที่ไดร้ บั
ความนยิ มมากท่สี ดุ เนือ่ งจากเป็นโมเดลทเี่ ข้าใจง่าย อีกท้ังยังสามารถนำไปใชง้ านจริงไดอ้ ย่างรวดเรว็ อีกดว้ ย แต่
ว่ามขี ้อควรระวังอยมู่ าก หากไมเ่ ข้าใจถึงหลักการของ Regression Model จรงิ ๆ แลว้ อาจจะนำไปสู่ความ
ผิดพลาดได้งา่ ย

7.2.1 การวเิ คราะห์การถดถอยเชงิ เสน้ (Linear Regression)

ภาพที่ 7.3 Linear Regression
(ที่มา https://bit.ly/2W6mVRu)
การวิเคราะห์การถดถอยเชงิ เส้น เป็นการคำนวณหาความสัมพันธร์ ะหว่างตวั แปร 2 ตัวแปร
คอื ตัวแปรทเี่ ราทราบคา่ (Predictor :x ) และตวั แปรทเ่ี ราไม่ทราบค่า (Response:y) ซง่ึ เป็น
ความสัมพันธแ์ บบเชิงเส้น (Linear) โดยการคำนวณจากค่า x และ y ที่มีความสัมพนั ธ์กันจะใชส้ มการ
ของ Linear Regression คือ
y = ax + b
อาจจะเรยี กตัวแปร x , y ว่า

หลักสตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐ์เพื่อการวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ พิ ิทยามงคล

P a g e | 67

x = ตัวแปรอิสระ
y = ตวั แปรตาม
รปู แบบความชันและระยะตัดแกน
a = ความชันของเส้นตรง
b = ระยะตดั แกน y
หรือ
x = ตัวแปรที่ทราบค่า หรือ ตวั ประมาณการ (Predictor)
y = ตวั แปรทีเ่ ราไม่ทราบค่า หรอื ตัวตอบสนอง (Response)
การวิเคราะห์การถดถอยเชิงเสน้ ต้องมีการเก็บจำนวน Sample space จำนวนมากพอ หรือ
เขยี นโปรแกรมกำหนดค่าให้ไดก้ ล่มุ ตวั อยา่ งของข้อมูลให้ได้เยอะทส่ี ุดนัน้ คือ มี x และ y ที่มี
ความสมั พันธก์ นั หลายๆ คร้งั เพอ่ื นำมาหาสมการความสมั พันธ์ ประเภทของความสัมพนั ธ์แบ่งได้ดังน้ี

ภาพท่ี 7.4 ตัวอยา่ งแผนภาพการกระจาย (Scatter Plot) ความสัมพนั ธ์เสน้ ตรงทางบวก
(ที่มา https://bit.ly/2W6mVRu )

ภาพดา้ นบนเปน็ แผนภาพการกระจาย (Scatter Plot) ความสัมพันธเ์ ส้นตรงทางบวก หมายถึงคา่ ของ
ตวั แปร x , y มที ศิ ทางเดียวกันส่งผลให้เม่อื คา่ x เพิ่มขน้ึ ค่า y ก็เพิ่มตามไปดว้ ยหรือเรยี กวา่ การแปรผันตรง

หลกั สตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ทิ ยามงคล

P a g e | 68

ภาพท่ี 7.5 ตัวอยา่ งแผนภาพการกระจาย (Scatter Plot) ความสัมพนั ธเ์ ส้นตรงทางลบ
(ทีม่ า https://bit.ly/2W6mVRu )

ภาพดา้ นบนเปน็ แผนภาพการกระจาย (Scatter Plot) ความสมั พนั ธเ์ สน้ ตรงทางลบ หมายถึงค่าของ
ตวั แปร x , y มที ศิ ทางตรงขา้ มกันสง่ ผลให้เมื่อคา่ x ลดลง คา่ y เพ่ิมขึน้ หรือคา่ x เพ่ิมขึ้นแต่คา่ y ลดลงเรยี กวา่
การแปรผกผนั

ภาพที่ 7.6 ตัวอยา่ งแผนภาพการกระจาย (Scatter Plot) ไม่มีความสัมพันธ์ของข้อมลู
(ทม่ี า https://bit.ly/2W6mVRu )

จากภาพดา้ นบนเป็นแผนภาพการกระจาย (Scatter Plot) ไมม่ ีความสัมพันธ์ของข้อมูลค่า
ความสัมพนั ธ์

- Coefficient คา่ สัมประสทิ ธิแ์ สดงการตัดสนิ ใจ คือ ตัวเลขทบี่ อกความสัมพันธข์ องสองตวั แปร หรือ
คา่ ทแี่ สดงว่าตวั แปร x มีอิทธิพลตอ่ ตวั แปร y มากน้อยเพียงใดโดยมี ขอบเขตในช่วง -1 ถงึ 1

หลกั สตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒิพิทยามงคล

P a g e | 69

- intercept คือ คา่ ท่ีบ่งบอกจุดตดั แกน
- R-Square คือ ค่าความผันแปรของตัวแปร y มีค่าอย่รู ะหว่าง 0% — 100%
- 0% หมายถึง ผลลัพธ์ทีไ่ ดม้ านน้ั ไมส่ ามารถอธิบายความผันแปรของคา่ ตัวแปร y ตา่ งที่กระจายรอบ

ค่าเฉล่ียได้เลย
- 100% แสดงให้เห็นวา่ ผลลพั ธท์ ่ีได้มานัน้ สามารถอธิบายความผันแปรของคา่ ตวั แปร y ตา่ งที่กระจาย

รอบค่าเฉล่ียได้เปน็ อย่างดี

การวดั ประสิทธภิ าพ
- y_pred คอื ผลการทำนายผลลพั ธ์จากโมเดล
- y_test คือ ข้อมูลจริงท่ใี ชท้ ดสอบการทำนายผลโมเดล
- Loss Function คือ การคำนวน Error วา่ y_pred ท่โี มเดลทำนายออกมา ตา่ งจาก y_test อยเู่ ทา่ ไร

แล้วหาค่าเฉลีย่ เพื่อท่ีจะนำมาหา Gradient ของ Loss แลว้ ใชอ้ ลั กอริทึม Gradient Descent
เพอ่ื ให้ Loss นอ้ ยลงในการเทรนรอบถัดไป (Loss ยิ่งคา่ น้อยย่ิงดี) Loss Function ท่ีนยิ มใช้ในงาน
Regression ในปัจจุบัน มหี ลายตวั เชน่ Mean Absolute Error (MAE) หรอื L1 Loss , Mean
Squared Error (MSE) หรือ L2 Loss , Root Mean Squared Error (RMSE)

7.2.2 การถดถอยเชิงเสน้ อย่างงา่ ย (Simple Linear Regression Model)

ภาพท่ี 7.7 Simple Linear Regression Model
(ทม่ี า: Business Intelligence By Caraline)

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 70

การวเิ คราะห์การถดถอยเชงิ เสน้ เชงิ เดย่ี วเป็นการศึกษาความสมั พันธร์ ะหวา่ งตวั แปร อิสระ 1
ตวั กบั ตัวแปรตาม 1 ตัว คลา้ ยกับการวิเคราะห์สหสัมพันธ์ แตกต่างกันท่ีการวิเคราะห์ สหสัมพนั ธ์
ไม่ได้ระบวุ า่ ตวั แปรใดเปน็ ตวั แปรต้น ตัวแปรใดเป็นตวั แปรตาม สว่ นการวิเคราะห์การถดถอยเชิงเสน้
เชงิ เดยี่ วเปน็ การศกึ ษาความสัมพันธร์ ะหว่างตัวแปรที่เป็นต้นเหตุ (ตวั แปรอิสระ) กับตัวแปรท่ีเปน็ ผล
(ตวั แปรตาม) ซง่ึ นอกจากจะทราบความสมั พนั ธร์ ะหวา่ งตัวแปรทง้ั สองแลว้ ยงั สามารถนำคา่ ของตัว
แปรตน้ เหตุไปทำนายหรือพยากรณต์ วั แปรท่เี ป็นผลได้ พร้อมบอกขนาดของความสามารถในการ
ทำนาย หรอื ความสามารถในการอธบิ ายตัวแปรผล วา่ มมี ากนอ้ ยเพยี งใด

โดยเขียนความสมั พนั ธใ์ นรูปแบบของสมการไดด้ งั น้ี

สมการในรูปของประชากร y =  + X + 

สมการในรูปของตัวอยา่ ง y = a + bx + e

สมการทำนายผล(สมการพยากรณ์) ŷ = a + bx

สญั ลักษณ์ที่ใช้มคี วามหมายดังนี้

y คอื ค่าของตวั แปรตาม (จะใชส้ ัญลักษณ์ y สำหรับคา่ ท่ีได้จากตวั อยา่ ง และใชค้ า่ y hat
สำหรบั ค่าประมาณหรอื ตวั ทำนาย)

x คือ ค่าของตวั แปรอิสระ (จะใชส้ ัญลกั ษณ์ x สำหรับค่าท่ไี ดจ้ ากตวั อย่าง และ สำหรบั
ค่าประมาณหรือตัวทำนาย)

 คอื ค่าคงท่ี (Constant) ของสมการถดถอย (จะใช้สัญลักษณ์ a สำหรับค่าท่ีได้จาก ตวั อยา่ ง
และ สำหรับค่าประมาณหรือตวั ทำนาย) โดยท่ี  หรือ a จะเปน็ จดุ ตัด (Intercept) แกน y ของ
สมการ

 คือ ค่าสัมประสิทธิ์การถดถอย (Regression Coefficient) ของตวั แปรอสิ ระ X (จะ ใช้
สญั ลกั ษณ์ b สำหรับคา่ ท่ีได้จากตวั อย่าง และ สำหรบั ค่าประมาณหรือตัวทำนาย) โดยท่ีค่า  หรอื b
จะแสดงอตั ราการเปลย่ี นแปลงของคา่ x ต่อคา่ y ดังน้ี คือ ถ้าคา่ x เปล่ียนไป 1 หน่วย จะทำให้คา่ y
เปล่ียนไป b หนว่ ย

 คอื คา่ ความคลาดเคลื่อน (Error or Residual) ระหว่างคา่ Y และค่า y hat (จะใช้
สัญลักษณ์ e สำหรบั คา่ ท่ีไดจ้ ากตัวอยา่ ง

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐเ์ พ่ือการวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพิทยามงคล

P a g e | 71

7.2.3การวเิ คราะหก์ ารถดถอยพหุคูณ (Multiple Linear Regression)

ภาพที่ 7.8 Multiple Linear Regression
(ท่มี า Multiple linear regression ด้วย TensorFlow 2.0 และ Keras | Medium )

การวิเคราะห์การถดถอยเป็นวธิ กี ารทางสถิตทิ ใี่ ช้ศกึ ษาความสัมพันธร์ ะหว่างตวั แปรอสิ ระ
(Independent Variable) กับตัวแปรตาม (Dependent Variable) จะเป็นการศกึ ษาความสมั พนั ธ์
เชงิ เส้นตรง (Linearity) ถา้ ศึกษาความสมั พนั ธร์ ะหวา่ งตัวแปรอสิ ระหนง่ึ ตวั กบั ตัวแปรตามหนงึ่ ตวั
เรียกวา่ การวิเคราะห์ถดถอยเชิงเสน้ เชงิ เดี่ยวหรือการวเิ คราะหถ์ ดถอยเชงิ เสน้ อยา่ งงา่ ย (Simple
Linear Regression Analysis) ถ้าตวั แปรอิสระมีมากกว่าหน่ึงตัวกับตัวแปรตามหนง่ึ ตวั เรียกการ
วิเคราะห์การถดถอยเชิงเส้นพหคุ ณู (Multiple Linear Regression)
7.3 ข้ันตอนการเรยี นร้ขู องการวเิ คราะห์การถดถอย (Regression Model)
7.3.1 การวเิ คราะหก์ ารถดถอยเชงิ เสน้ (Linear Regression)

มหี ลายวิธีในการคำนวณหาสมการ การถดถอยเชิงเสน้ (linear regression) โดยวิธีที่ใชท้ ั่วไป
นน้ั คือวิธีการท่เี รียกว่า least squares method

หลักสตู รการอบรมพฒั นาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐ์เพอื่ การวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ทิ ยามงคล

P a g e | 72

ภาพท่ี 7.9 Scatter plot ระหว่าง Sales กับ Total budget
(ทม่ี า http://bigdataexperience.org/choosing-an-effective-visual/ )
จะเหน็ ว่าข้อมลู ในชวี ิตจริงนัน้ มคี วามกระจดั กระจาย (variance) อยู่มาก ทำให้เวลาสรา้ งเสน้
regression นน้ั สามารถสร้างออกมาไดห้ ลายเส้น

ภาพที่ 7.10 เส้น regression ในหลาย ๆ รูปแบบ
( ท่มี า http://bigdataexperience.org/choosing-an-effective-visual/ )
หากสังเกตจากรูปด้านบนแล้ว จะเห็นว่าแมว้ ่าทงั้ สามเส้นจะบง่ บอกถึงลักษณะของข้อมูลไดเ้ หมือนกัน
แตว่ า่ ความ fit ระหว่างเสน้ regression กบั ขอ้ มลู น้ันไม่เท่ากัน โดยเส้นทีด่ ที ส่ี ดุ คือเสน้ ที่สามารถใช้
ในการคาดการณ์ยอดขายได้ดีในทุกช่วงของ total budget ทงั้ น้ีทำการวดั จากคา่ residual ซึง่ ก็คอื

หลักสตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐเ์ พื่อการวเิ คราะหท์ างการเกษตร อ.ดร.ภัทรมน วฒุ พิ ทิ ยามงคล

P a g e | 73

ค่าความคลาดเคล่อื น (error) ระหวา่ ง response y ของชดุ ข้อมลู (จดุ ) กับ response ŷ ที่ประมาณ
มาจากเส้น regression ตามสมการ

= − ̂

ภาพท่ี 7.11 แสดงถงึ residual ของเส้น regression ในทกุ ๆ จุดโดยเสน้ สีดำทีล่ ากจากจุดใด ๆ
มาถงึ เสน้ regression สีน้ำเงินเรียกว่า residual น้นั เอง

(ทม่ี า http://bigdataexperience.org/choosing-an-effective-visual/)

หลกั การของ least squares คอื การค้นหาค่า coefficient และ parameter ไปเร่ือย ๆ ดว้ ยวธิ ีการ
calculus จนกว่าจะไดค้ ่าท่ีทำให้คา่ error น้อยทสี่ ุด คำถามตอ่ มาคือ คำนวณค่าของ error ทกุ ๆ จุด
ได้อยา่ งไร วิธีการคำนวณ error ของทุก ๆ ทนี่ ยิ มใช้กนั คือ residual sum of squares (RSS)

= 12 + 22 + 32 + ⋯ + 2

การคำนวณ residual sum of squares
โดย n คอื จำนวนของขอ้ มูลท้ังหมดและ คือ error ของขอ้ มลู ท่ี i นน้ั เอง
สาเหตทุ ใี่ ช้เปน็ กำลงั สอง เน่ืองจากวา่ เราตอ้ งการคา่ error ทีเ่ ป็นบวก สงั เกตวา่ จดุ ที่อยเู่ หนอื สมการ
เส้นตรงนน้ั จะมีค่า error ติดลบ สว่ นทไี่ มใ่ ช้ absolute นน้ั เนือ่ งจากการใช้ absolute น้ัน ทำให้
สมการไม่สามารถทำ derivative ได้เนื่องจาก derivative ของ absolute นน้ั ได้ผลลพั ธ์เปน็ ตัวมัน
เอง อีกทง้ั การใช้กำลังสอง จะทำให้ผลจากตวั ที่มีค่า error มาก ๆ สำคัญมากกว่าตวั ที่ error นอ้ ย ๆ
อกี ดว้ ย ซง่ึ ทำให้สมการเส้นตรง fit งา่ ยขึน้ ท้งั นี้ ไมว่ า่ ชุดข้อมูลไหน ๆ ก็ตาม จะมีเส้น regression

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 74

อยา่ งน้อย 1 เส้นที่ให้ค่า RSS ต่ำทีส่ ุดเสมอ ซ่ึงเส้น regression ท่เี กดิ จาก least squares method
จะเรียกวา่ เสน้ least squares
7.3.2 การถดถอยเชิงเสน้ อย่างงา่ ย (Simple Linear Regression Model)

เป็นวธิ ีการวเิ คราะหก์ ารถดถอย (Simple Linear Regression) ทีค่ วามสมั พนั ธ์ของตัวแปร
เป็นเชิงเส้นตรง และมตี ัวแปรประมาณการ (X) หนง่ึ ตัวและตวั แปรตอบสนอง (Y) หนึ่งตวั ซ่งึ ความสมั พันธ์แทน
ด้วยสมการทางคณิตศาสตร์

y = β0 + β1x

โดยที่ y แทนขอ้ มูลผลลพั ธท์ ไ่ี ด้ (output)
β0 แทนคา่ คงที่ของสมการถดถอย ซ่งึ เปน็ คา่ จุดตัด (Intercept) แกน y ของสมการ
1 คา่ สัมประสิทธ์กิ ารถดถอย (Regression Coefficient) ของตัวตอบสนอง x
ตัวอย่างการวเิ คราะห์การถดถอยอย่างงา่ ย (Simple Linear Regression) เช่น ขอ้ มลู ใน

ตารางที่ 7.1 เปน็ ข้อมลู ท่ีได้จากการ สำรวจของโรงแรมแห่งหน่ึงในประเทศไทยเกยี่ วกบั รายได้ต่อเดือน
และราคาห้องพักทน่ี ักท่องเท่ียวเขา้ พกั จำนวน 10 คน
ตารางที่ 7.1 ข้อมลู แสดงรายไดต้ อ่ เดอื นและราคาหอ้ งพักของนกั ท่องเทยี่ วท่ีไดจ้ ากการสำรวจ
นักทอ่ งเทีย่ ว 1 2 3 4 5 6 7 8 9 10
รายได้ / เดือน 3000 3560 4120 4300 4870 5230 5400 5750 5980 6350
(USD)
ราคาห้องพัก 225 200 459 445 439 577 722 903 1350 1360
(USD)

จากข้อมูลท่เี ราสามารถนำข้อมลู รายได้ต่อเดอื นของนักท่องเทย่ี วและราคาห้องท่ีเข้าพักมา
ศึกษาความสมั พนั ธ์ด้วยวิธีการวิเคราะหก์ ารถดถอยเชิงเส้นอย่างง่าย (Simple Linear Regression)
ไดต้ ามขน้ั ตอนท่กี ลา่ วไปแลว้ ข้างต้น ในท่ีน้ีกำหนดตัวแปลต้น x ไดแ้ ก่ รายไดต้ ่อเดือน และตัวแปลตาม
(y) ไดแ้ ก่ ราคาห้องพกั ตัวอย่างผลลัพธจ์ ากการทำ Regression แสดงบนภาพท่ี 7.12

หลกั สตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐ์เพอื่ การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพิทยามงคล

P a g e | 75

ภาพที่ 7.12 ตวั อย่างการสรา้ ง Scatter plot จากขอ้ มูล
(ที่มา https://csit.nu.ac.th/kraisak/ds/ds/chapter04/ )

ภาพที่ 7.13 ผลลัพธ์ของวธิ ี Simple Linear Regression จากโปรแกรม Excel
(ทมี่ า https://csit.nu.ac.th/kraisak/ds/ds/chapter04/ )

การประเมนิ และสรปุ ผลจำลองสามารถสรปุ ได้โดยพจิ ารณาจากคา่ การทดสอบทางสถิติต่างๆ
ที่ไดใ้ นรปู ท่ี 7.13 แบบจำลองข้อมลู ทไี่ ด้ มีความเหมาะสมหรือไม่พจิ ารณาจากค่า R-square และ R-
adjusted ทไี่ ด้ และในส่วนของความสัมพนั ธ์ระหว่าง XY แสดงได้โดยการนำค่าจดุ ตัด (Intercept)

หลักสตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพทิ ยามงคล

P a g e | 76

แกน y และคา่ สัมประสิทธก์ิ ารถดถอย Regression (Coefficient) ของตวั แปรตาม มาสร้างอยู่ในรูป
ของสมการคณติ ศาสตร์ ดังนี้

y = - 1014.43 + 0.346 (x)

หรอื เขียนเป็นสมการความสัมพนั ธต์ ามขอ้ มูลในตารางที่ 7.1 ไดด้ ังนี้
ราคาหอ้ งพกั (โดยประมาณ) = - 1014.43 + 0.346 (รายไดต้ ่อเดอื น)

7.3.3 การถดถอยเชิงพหุคณู (Multiple Linear Regression)
การถดถอยเชงิ พหุคณู เป็นการศึกษาความสัมพนั ธ์ระหวา่ งตวั แปรต้น (X) และตวั แปรตาม (Y)

ทมี่ ลี กั ษณะเหมือนกนั กับวธิ ี Simple Linear Regression คอื ความสมั พันธ์ระหวา่ งตัวแปรตน้ และตวั
แปรตามเปน็ แบบเชิงเส้นตรง แตท่ ่ี แตกตา่ ง คอื การถดถอยเชิงพหุคณู (Multiple Linear
Regression) จะเปน็ การศกึ ษาความสัมพนั ธ์ท่ีมตี วั แปรตน้ มากกวา่ 1 ตัว โดยมี สมาการตามสมการ
ดา้ นลา่ ง

εy = β0 + β1x1 + β2x2 + ⋯ + βkxk +

โดยที่ y แทนข้อมูลผลลัพธ์ทีไ่ ด้ (output)
β0 แทนคา่ คงท่ขี องสมการถดถอย ซึ่งเปน็ คา่ จุดตดั (Intercept) แกน y ของสมการ
β1, β2. . . βk คอื ค่าสัมประสิทธก์ิ ารถดถอย (Regression Coefficient) ของตัวแปรต้น

x1, x2. . . xk

ε คอื ค่าความคลาดเคลื่อน (Error or Residual)
หลักการตา่ ง ๆ ของ simple linear regression กับ multiple linear regression นั้นยงั คง
เหมอื นกนั เพยี งแคก่ ารคำนวณมีความซับซ้อนข้นึ เนอื่ งจากมีตวั แปรทม่ี ากข้ึนตาม
จากความซบั ซอ้ นท่เี พ่ิมข้ึนจงึ ตอ้ งมีวิธกี ารคัดเลือกตวั แปรเพื่อให้ไดส้ มการท่ีเหมาะสม ดังน้ี

1.) Enter Method เป็นวธิ กี ารเอาตัวแปรอสิ ระทุกตัวทงั้ ตัวแปรอสิ ระท่ีมคี วามสัมพนั ธ์ กับ
ตัวแปรตามอยา่ งมีนัยสำคัญทางสถิตแิ ละไม่มีนัยสำคญั ทางสถติ ิเขา้ ไปวิเคราะห์ในสมการถดถอย

หลักสตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐเ์ พอ่ื การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วฒุ ิพทิ ยามงคล

P a g e | 77

2.) Stepwise Method เปน็ วิธกี ารคดั เลอื กตวั แปรอิสระเข้าสู่สมการโดยจะนำตัวแปร อิสระ
ทมี่ ีความสมั พนั ธ์กบั ตัวแปรตามมากทสี่ ดุ เขา้ เปน็ สมการแรกและทดสอบความมีนยั สำคัญทางสถติ ิ ถา้
พบว่าไม่มนี ยั สำคญั ทางสถติ ิก็จะถือวา่ สน้ิ สุดการคดั เลือก

3.) Backward Method เป็นวิธกี ารคัดเลอื กตวั แปรอสิ ระออกจากสมการทลี ะตัวแปร โดย
เร่ิม จากการสร้างสมการถดถอยทร่ี วมเอาตวั แปรอิสระทุกตัวเขา้ สสู่ มการแรกก่อนแล้วจงึ คดั เลือกตัว
แปรอิสระออกทีละตวั โดยพิจารณาตัวแปรอสิ ระทม่ี ีความสัมพนั ธก์ ับตัวแปรตามน้อยที่สุดถกู คัดออก

4.) Forward Method เป็นวธิ กี ารคัดเลือกตวั แปรอสิ ระเข้าสูส่ มการทีละตวั ตามลำดับ
ความสมั พันธก์ ับตัวแปรตาม โดยตัวแปรอสิ ระที่มคี วามสัมพันธ์กับตวั แปรตามมากท่สี ดุ จะถกู คัดเลือก
เข้าก่อน จากนัน้ จะทำการคัดเลอื กตัวแปรอิสระท่ีมคี วามสัมพันธ์กบั ตวั แปรตาม อนั ดบั ถัดมาเขา้
สมการ

5.) Remove Method เปน็ วิธีทกี่ ำหนดให้นำตวั แปรอิสระท่ีถูกคดั ออกจากการ วเิ คราะห์
ของสมการพยากรณ์ หลงั จากวิเคราะห์โดยวิธี Enter แล้ว

7.3.4 การวัดความพอดี (Fit) ของเส้น Regression

Metric สำหรบั วดั ผลความพอดี (Fit) ของเส้น regression นน้ั สว่ นใหญ่จะใชท้ ั้งหมด 2 metrics
ได้แก่ Residual Standard Error และ R-squared statistic

1. Residual Standard Error
Residual standard error เปน็ การวัดทางสถติ ิของความเบีย่ งเบนของข้อมูลจากความเหมาะสม
ของเสน้ ความถดถอย สมการการคาํ นวณคอื

∕ = √∑( − ̂ )2
−2

เมอ่ื คือคา่ ที่วดั ได้ของ y สำหรับคา่ ที่ให้ของ

̂ คือคา่ ของ y ทีค่ ํานวณโดยสมการของเส้นการสอบเทยี บค่าทีใ่ หข้ อง

n คือจำนวนจุดของการสอบเทียบ

2. R-squared statistic

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐ์เพ่อื การวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 78

R-squared statistic บอกถงึ ความขาดความพอดี (Lack of fit) เหมือนกนั โดยในขณะท่ี RSE
บอกถึงความขาดความพอดี (Lack of fit) ในหนว่ ยของ y เชน่ y ในตวั อยา่ งมีหนว่ ยเปน็ 1,000 unit
หมายความวา่ เราไมร่ วู้ ่าเส้น least squared ของเรานน้ั ดหี รอื ไมด่ อี ย่างไร ถ้าหากไม่ไดส้ ร้างหลาย ๆ
เส้น least squared เพ่อื เปรยี บเทยี บ ทั้งน้ี R-squared เป็นคา่ ทางสถติ ิที่คำนวณในรปู แบบของ
สดั สว่ น ซึง่ มีค่าอย่รู ะหว่าง 0 (ไม่ fit) ถงึ 1 (fit มาก) สมการการคํานวณคอื

2 = 1 − ,

= ∑ ( − ̅ )

=1

TSS คอื ค่า total sum of squares โดยเป็นผลรวมของค่า error กบั คา่ เฉลย่ี ของ y โดยมี

ความหมายวา่ ถา้ เราไมม่ ีเสน้ regression แลว้ คา่ ความแปรปรวนที่เกิดขึ้นจะเปน็ เทา่ ไหร่ โดยคิดจาก

เส้นเฉลีย่ ของคา่ y

ภาพที่ 7.13 แสดงถงึ error ของเสน้ ค่าเฉลี่ยของ response ในทุก ๆ จุดโดยเส้นสดี ำทล่ี ากจากจดุ
ใด ๆ มาถงึ เสน้ คา่ เฉล่ยี สเี ทา

(ที่มา http://bigdataexperience.org/choosing-an-effective-visual/)

RSS หรอื คา่ residual sum of squares บอกถงึ ว่าเมื่อมีเสน้ regression แล้ว ค่าความ
แปรปรวนเป็นเท่าไหร่ หรือเมื่อใช้เส้น regression แล้วยงั เหลือความแปรปรวนอยู่เท่าไหร่
(unexplained variation) ดังนน้ั R-squared บอกถึงสดั ส่วนของความแปรปรวนของ response y ที่
predictor x สามารถลดลงไปได้โดย 0 หมายถึงวา่ predictor x ทีเ่ รานำมาสร้างเส้น regression ไม่
สามารถลดความแปรปรวนของ response y ได้เลยเม่ือเทียบกบั การใช้เสน้ เฉล่ยี ซึง่ อาจจะหมายถึงว่า

หลกั สตู รการอบรมพฒั นาเกษตรกรร่นุ ใหม่: ปญั ญาประดษิ ฐเ์ พอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วฒุ พิ ิทยามงคล

P a g e | 79

เสน้ โมเดลของเราผดิ และ R-squared เท่ากับ 1 หมายถงึ predictor x สามารถลดความแปรปรวน
ของค่า response y ได้ดกี วา่ การใช้เสน้ เฉลย่ี

คา่ multiple R-squared กับ adjust R-squared โดยสองคา่ น้ีตา่ งกนั ตอนทเี่ ราสรา้ ง
multiple linear regression หรอื เส้น regression ทใ่ี ช้ตวั แปร (x) มากกว่า 1 ตวั ข้นึ ไป โดย
multiple R-squared จะเป็นการคำนวณตามท่ีอธบิ ายด้านบน ซงึ่ ปญั หาของ R-squared นัน้ คือถา้
หากเพ่ิมตัวแปรเขา้ ไป R-squared กจ็ ะเพ่ิมข้นึ ไปดว้ ย โดยท่ีการเพิ่มขึ้นนัน้ อาจเปน็ เพราะการเพิม่ ตัว
แปรทำให้เสน้ โมเดลนน้ั ดขี ึน้ จริงๆ หรอื เป็นเพราะสามารถเพม่ิ ตวั แปรเข้าไปก็ได้ ซ่ึงการเพมิ่ ขนึ้ แบบนี้
ทำใหไ้ มส่ ามารถรูว้ า่ โมเดลของเราดขี ้ึนจรงิ หรอื ไม่

ส่วน Adjust R-squared จะชว่ ยลด noise ในเร่ืองของการเพ่ิมตัวแปรเข้าไป ทำใหเ้ มื่อเทียบ
คา่ Adjust R-squared กับ multiple R-squared แล้วจะรู้ไดว้ า่ ตัวแปรใหม่ที่เพิ่มเข้าไปน้ัน ทำให้
linear model ดขี ้ึนจรงิ หรอื ไม่ โดยท่วั ไปแล้ว เม่อื สรา้ ง multiple linear regression นน้ั จะดแู ค่
adjust R-squared เป็นหลัก

หลกั สตู รการอบรมพฒั นาเกษตรกรร่นุ ใหม่: ปญั ญาประดิษฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล

P a g e | 80
หลักสตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพิทยามงคล

P a g e | 81

บทท่ี 8

การสรา้ งโมเดลวิเคราะห์การถดถอยเชิงเสน้ กบั ข้อมูลทางการเกษตร
วตั ถปุ ระสงค์

1. เพ่อื ให้ผู้เรียนไดส้ ามารถสรา้ งโมเดลวิเคราะหก์ ารถดถอยเชิงเส้นด้วยโปรแกรม Microsoft Excel
สำหรับวเิ คราะห์ข้อมูลจรงิ ได้

2. เพ่ือให้ผเู้ รยี นสามารถใช้โมเดลวเิ คราะห์การถดถอยเชงิ เพื่อแก้ปญั หาทางการเกษตรได้
8.1 การสรา้ งโมเดลวิเคราะหก์ ารถดถอยเชิงเส้นอย่างงา่ ยใน Microsoft Excel

ในส่วนนีจ้ ะกลา่ วถึงขั้นตอนการสร้างโมเดลวิเคราะหก์ ารถดถอยเชงิ เสน้ อย่างงา่ ยในโปรแกรม Microsoft
Excel โดยละเอยี ดและการแปลผลจากโมเดล เราจะใช้ตัวอยา่ งข้อมลู การขายผลไม้แปรรูปชนดิ หนึง่ ผา่ น
ช่องทางออนไลน์ ซ่ึงประกอบด้วยราคาขายต่อกิโลกรมั ค่าใชจ้ ่ายในการโฆษณาสนิ ค้า และปรมิ าณทขี่ ายได้
ทงั้ หมด เพ่ือหาความสัมพนั ธ์ของราคาขายและค่าใชจ้ า่ ยในการโฆษณาสินคา้ ต่อปรมิ าณทีข่ ายสินคา้ ได้
1) การเตรียมข้อมูล

ผเู้ รยี นจะตอ้ งเตรยี มข้อมลู ท่ีเปน็ ตวั เลขและจดั ให้อยู่ในรปู ตามดา้ นลา่ ง โดยให้คา่ ตวั แปรแสดงตามแถว
แนวต้ัง แต่ละข้อมลู แตล่ ะข้อมูลจะแสดงตามแถวในแนวนอน

2) ในแถบ “Home” เลือก “Analyze Data”

หลักสตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่อื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒพิ ิทยามงคล

P a g e | 82

3) เราสามารถเลอื กโมเดลวเิ คราะหก์ ารถดถอยเชงิ เสน้ อยา่ งงา่ ยท่ี Excel สร้างขนึ้ โดยอตั โนมัตมิ าใช้ได้เลย

จะเห็นว่าโมเดลความสัมพันธข์ องราคาขายกับจำนวนกิโลกรัมท่ขี ายได้ (กราฟลา่ ง) มลี กั ษณะเป็นเสน้ ตรง
ค่อนข้างชัดเจน เราจะเลือกใช้โมเดลนโี้ ดยคลิก “Insert Chart”

หลกั สตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดษิ ฐ์เพอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วุฒิพทิ ยามงคล

P a g e | 83

หากเราตอ้ งการทราบสมการความสมั พันธ์ของตัวแปรท้ังสองเพ่ือใชใ้ นการทำนายข้อมลู ใหม่ ใหค้ ลิกขวาท่ี
เสน้ ตรงประของโมเดล และเลอื ก “Format Trendline…”

จากน้ันเลือก “Display Equation on chart” เพอ่ื แสดงสมการเชิงเสน้ อยา่ งง่ายของโมเดล โดยเรา
สามารถนำสมการนีไ้ ปแทนค่าราคาขาย (x) เพอ่ื ทำนายปริมาณขาย (y) ได้

หลกั สตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดิษฐ์เพอ่ื การวิเคราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ทิ ยามงคล

P a g e | 84
หลักสตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐ์เพ่ือการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพิทยามงคล

P a g e | 85

8.2 การสร้างโมเดลวเิ คราะหก์ ารถดถอยเชิงเสน้ พหุคณู
จากข้อมูลตัวอย่างข้างต้น เราจะแสดงการสร้างโมเดลวเิ คราะห์การถดถอยเชงิ เสน้ พหุคูณท่จี ะใชท้ ง้ั สอง

ตัวแปรคอื ราคาขายและค่าใชจ้ ่ายในการโฆษณาสินคา้ เป็นตวั แปรตาม โดยมขี ัน้ ตอนดังต่อไปน้ี
1) ในแถบ “Data” เลือก “Data Analysis”

หากไม่มตี ัวเลอื กดังกลาวแสดง ใหท้ ำตามข้ันตอนใน https://www.excel-easy.com/data-
analysis/analysis-toolpak.html เพอื่ เพิ่มเครื่องมือ
2) เลอื ก “Regression” และคลิก “OK”

3) ในชอ่ ง Input Y Range เป็นคา่ ทเ่ี ราต้องการทำนาย ในตัวอย่างนี้ คือ ปริมาณทขี่ ายสนิ ค้าได้ ในช่อง
C1:C8 ส่วนในช่อง Input Y Range จะใส่ค่าของตวั แปรที่คาดว่าจะมีอทิ ธิพลตอ่ ค่าท่ีต้องการทำนาย ใน
ทีน่ ี้ คือ ราคาขายและคา่ ใช้จ่ายในการโฆษณาสินค้า ในตารางท่ี A1:B8 โดยช่องของตัวแปรทุกตัวจะต้อง
อยูต่ ดิ กนั เลือก “Labels” และ “Residuals” และคลิก “OK”

หลกั สตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดิษฐ์เพ่อื การวิเคราะหท์ างการเกษตร อ.ดร.ภัทรมน วฒุ ิพทิ ยามงคล

P a g e | 86

4) ผลท่ไี ด้จะแสดงดังนี้

5) การแปลผล
คา่ R-square เท่ากับ 0.962 แปลวา่ คา่ ความแปรปรวน 96.2% ของปริมาณการขายสามารถอธิบายด้วย
ตัวแปรทง้ั สองได้ แสดงใหเ้ ห็นว่าโมเดลวิเคราะหก์ ารถดถอยเชิงเสน้ นม้ี คี วามเหมาะสมกบั ข้อมูล

หลกั สตู รการอบรมพฒั นาเกษตรกรรนุ่ ใหม่: ปญั ญาประดษิ ฐเ์ พ่อื การวเิ คราะหท์ างการเกษตร อ.ดร.ภัทรมน วฒุ พิ ิทยามงคล

P a g e | 87

ค่า Significance F บอกถึงความเชือ่ มนั่ ในโมเดล หากน้อยกวา่ 0.05 หมายถงึ ผลลพั ธ์ของโมเดลน้มี ี
นัยสำคญั ซ่ึงในตัวอย่างนี้ เราไดค้ า่ Significance F = 0.0015 แสดงวา่ ความสัมพนั ธเ์ ชิงเสน้ ของตวั แปร
และคา่ ทท่ี ำนายมนี ยั สำคัญ

คา่ P-value ของแตล่ ะตวั แปรบง่ บอกถงึ อทิ ธิพลความสมั พันธเ์ ชงิ เส้นของตวั แปรนั้นๆกับตัวแปรที่
ต้องการทำนาย (ตวั แปรตาม) ว่าว่ามีนัยสำคญั หรือไม่ หากมีค่าน้อยกว่า 0.05 แปลว่ามีนัยสำคัญ จาก
ผลลัพธ์ที่เราได้ จะเหน็ ไดว้ า่ ค่า P-value ของตวั แปรทั้งสองน้อยกวา่ 0.05 แสดงว่าทัง้ สองตวั แปรมีผลต่อ
การเปลี่ยนแปลงของปรมิ าณการขายในเชงิ เสน้ อย่างมนี ยั สำคัญ

คา่ Coefficients แสดงถึงน้ำหนักของอิทธพิ ลของตัวแปรอิสระตอ่ ตัวแปรตาม จากผลลพั ธจ์ ะเขยี น
สมการของโมเดลการถดถอยเชงิ เสน้ ได้ดงั น้ี

ปรมิ าณการขาย = 85.36 − 0.167 ∗ ราคาขาย + 0.592 ∗ ค่าโฆษณา

แปลได้ว่า หากราคาขายเพมิ่ 1 บาท ปรมิ าณการขายจะลดลง 0.167 หนว่ ย และหากเพ่ิมคา่ ใชจ้ า่ ยใน
การโฆษณา 1 บาท ปรมิ าณการขายจะเพ่ิมข้ึน 0.592 หนว่ ย

หลักสตู รการอบรมพัฒนาเกษตรกรร่นุ ใหม่: ปญั ญาประดษิ ฐเ์ พอื่ การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วุฒพิ ทิ ยามงคล

P a g e | 88

ค่า Residuals แสดงถงึ คา่ ความผดิ พลาดของโมเดลจากคา่ ที่ทำนายเทียบกบั ค่าจริง เช่น จากตวั อย่าง
ขอ้ มลู แรก ปริมาณท่ีขายได้จรงิ คอื 85 แตจ่ ากสมการของโมเดลขา้ งตน้ จะคำนวณคา่ ทำนายได้ 85.23
จะเหน็ ไดว้ ่าจะมีคา่ ความผิดพลาดหรือคา่ Residuals = 85 – 85.23 = -0.23

หลกั สตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดษิ ฐ์เพื่อการวเิ คราะหท์ างการเกษตร อ.ดร.ภัทรมน วุฒิพทิ ยามงคล

P a g e | 89

บทท่ี 9

ประโยชนแ์ ละปัญหาในการใช้ปัญญาประดิษฐเ์ พอื่ การเกษตร
วัตถุประสงค์

1. เพื่อให้ผู้เรียนได้ทราบถึงประโยชน์และปัญหาในการใชป้ ญั ญาประดิษฐ์เพือ่ การเกษตร
2. เพ่อื ใหผ้ ู้เรียนตระหนักถงึ ประโยชนแ์ ละปัญหาในการใชป้ ัญญาประดิษฐเ์ พ่อื การเกษตร
9.1 ประโยชน์ในการใชป้ ญั ญาประดษิ ฐเ์ พื่อการเกษตร
• การแชรข์ ้อมูลเพื่อวิเคราะห์ขอ้ มูลให้ปัญญาประดิษฐ์
แน่นอนว่าระบบปัญญาประดิษฐ์ไม่ได้เก่งจากผู้พัฒนาเท่านั้น ส่วนที่สำคัญคือข้อมูลที่ถูกผ่านการคิด
วิเคราะห์ให้ทำงานเก่งข้ึนต่างหาก ท่ีทำใหร้ ะบบมีความสามารถมากข้ึน วนิ ิจฉยั ขอ้ มูลได้เร็วข้ึน และได้ผลลัพธ์
ที่เร็วขึ้น ดังนั้นการแชร์ข้อมูลกัน เป็นวิธีการช่วยกันวิเคราะห์ข้อมูลและพัฒนาระบบด้วยตัวเองให้มีฉลาดขึ้น
อย่างที่กระทรวงเกษตรได้มีการพูดถึง การพัฒนาระบบฐานข้อมูลขนาดใหญ่ (Big Data Platform) เพื่อ
สนับสนุนระบบเกษตรอัจฉริยะ โดยขับเคลื่อนการใช้ข้อมูลต่างๆ ที่ได้จากประยุกต์ใช้เทคโนโลยีอัจฉริยะใน
กระบวนการผลติ เชือ่ มโยงเข้าส่กู ารจดั ทำ Big Data ทางการเกษตร และประมวลผล ณ ศูนย์ปฏบิ ัติการข้อมูล
เกษตร (War room) ของกระทรวงเกษตรและสหกรณ์ สำหรับใช้เป็นเครื่องมือประกอบการตัดสินใจและ
กำหนดแนวทางการเกษตรอัจฉริยะต่อไปในอนาคต และประสานความร่วมมือจากนักวิชาการด้านต่าง ๆ
ตลอดจนนกั คอมพิวเตอร์ เพื่อออกแบบและการจดั เก็บข้อมลู ด้านการเกษตรที่เกี่ยวข้องภายในแปลงเรยี นรู้จาก
ระบบเทคโนโลยี IoT และ AI ที่ติดตั้งอยู่ในระบบเทคโนโลยีเกษตรอัจฉริยะ และการบันทึกข้อมูลโดยนักวิจัย
ให้เชื่อมโยงเข้าสูก่ ารจดั ทำ Big Data ทางการเกษตร เพอ่ื จดั ทำ index library สำหรบั เป็นดชั นฐี านขอ้ มูลด้าน
การเกษตรเพอ่ื การพัฒนาเกษตรอจั ฉริยะต่อไป

ภาพท่ี 9.1 การทำงานท่รี วมกันออกมาเพื่อเป็นข้อมลู ไปวิเคราะห์ระบบ

หลกั สตู รการอบรมพัฒนาเกษตรกรร่นุ ใหม่: ปญั ญาประดษิ ฐเ์ พอ่ื การวิเคราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล

P a g e | 90

(ทม่ี า : https://www.arrow.com/en/research-and-events/articles/smart-agriculture-gets-a-
boost-from-big-data-and-ai)

• การแสดงผลข้อมูลแบบ Realtime
เราสามารถตรวจสอบข้อมูล การทำงานของแต่ละรายวัน รายเดือน และรายปี ผ่านกราฟข้อมูลท่ี

วิเคราะหอ์ อกมาให้กบั เกษตรกรหรือบริษทั สามารถรบั รู้ขอ้ มูลไดแ้ บบ Realtime เชน่ การคน้ หาและตรวจสอบ
ปศุสัตวท์ ีม่ ีคณุ ค่าโดยเฉพาะในพื้นทีด่ อนและทุ่งเลีย้ งสัตว์เป็นสิ่งสำคัญสำหรบั เกษตรกร หากสุขภาพของวัวใน
การบริโภคอาหารและความอดุ มสมบรู ณ์สามารถสื่อสารกลับไปยังเกษตรกรได้พวกเขากส็ ามารถวิเคราะห์และ
ตัดสนิ ใจได้ การนำเทคโนโลยี 5G เปิดใช้งานการเช่ือมต่อและบริการระบุตำแหน่งทางภูมิศาสตร์ซึ่งสามารถลด
ต้นทุนและเพิ่มประสิทธิภาพของโซลูชันการตรวจสอบปศุสัตว์ซึ่งปัจจุบันขึ้นอยู่กับโซลูชันที่ใช้งาน จอร์แดน
กล่าววา่ อย่างไรกต็ ามส่ิงน้ีจะข้ึนอยู่กับการครอบคลุมของเทคโนโลยี 5G ทีพ่ ร้อมใชง้ าน ทาง รายงานว่า 91%
ของที่ดินในสหราชอาณาจักรมีพื้นที่ครอบคลุม 4G ที่ดี ดังนั้นจึงมีเหตุผลที่เชื่อว่าโซลูชันเทคโนโลยี 5G มาใช้
อาจสง่ ผลกระทบตอ่ การทำฟารม์ ได้

ภาพที่ 9.2 วัวทส่ี วมปลอกคอทีม่ เี ซนเซอรก์ ารตรวจสอบตา่ งๆ
(ทมี่ า : https://www.ttp.com/work/cases/working-with-ofcom-to-understand-resilience-of-

wireless-receivers-to-interference)

• การตดิ ตามขอ้ มูลเพือ่ การสง่ั การท่ีง่ายขึน้
ถา้ เราได้มีระบบทจ่ี ัดการอนั ชาญฉลาดและอุปกรณท์ ่ีมากเพยี งพอ เราจะสามารถติดตามขอ้ มลู พื้นฐาน

ของแปลงปลูกได้ทุกอย่าง เช่น ค่าความชื้นในดิน สภาพภูมิอากาศ เป็นต้น ซึ่งจะสามารถตรวจวัดได้ถึง 6
ปัจจัยที่ส่งผลกระทบต่อการปลูกพืช ได้แก่ อุณหภูมิ ความชื้น ความร้อน แสงแดด โดยใช้พลังงานจากแผง
โซลารเ์ ซลล์ การตรวจวัดปรมิ าณแมลง ในการวิเคราะห์การเกิดและการแพรระบาด นำมาสู่การแจง้ เตือน เพ่ือ
การสั่งการโดรนที่จะช่วยพ่นสารกำจัดได้อย่างทันท่วงที และสามารถทดแทนแรงงานของเกษตรกรได้
ตลอดจนเรื่องของการเก็บเกี่ยว การขนส่ง โดยเชื่อว่า เมื่อมีต้นแบบที่จะทำให้พวกเขาสามารถมาศึกษา ทำ
ความเข้าใจได้แล้ว เขาก็จะสามารถนำองค์ความรู้ที่ได้ไปพัฒนาการเพาะปลูกของตัวเองได้อยา่ งเหมาะสม และ

หลกั สตู รการอบรมพฒั นาเกษตรกรรุน่ ใหม่: ปญั ญาประดษิ ฐเ์ พือ่ การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒพิ ทิ ยามงคล

P a g e | 91

ที่มากไปกว่านัน้ คือ การพยากรณ์โดยรวมล่วงหน้าได้ว่าจะมมี ากหรอื น้อย มีเกิน หรือมีขาด ซึ่งเมื่อรู้ล่วงหนา้ ก็
จะทำให้กำหนดทิศทางของการเพาะปลูกได้ และสามารถเตรียมตวั ลว่ งหนา้ ได้ วิธกี ารแบบนี้ คอื การยกระดับ
เกษตรกรอย่างแท้จริง

ภาพที่ 9.3 ข้อมูลท่ีแสดงการทำงานภายในไร่
(ทม่ี า : https://www.skillrary.com/blogs/read/use-of-artificial-intelligence-in-agriculture)

• ประหยัดทรัพยากรและต้นทุน
ส่วนหน่ึงที่ระบบเทคโนโลยีเข้ามามีส่วนในการบริหารจัดการน้ำ เพราะโลกต้องให้ความสำคญั กับการ

ใช้น้ำ โดยเฉพาะกับภาคการเกษตรที่ถูกประเมินว่าใช้น้ำไปถึง 70% ของการใช้น้ำทั่วโลก แต่สิ่งที่ทำให้เป็น
เช่นนั้นก็เพราะความต้องการอาหารของมนุษย์โลกเพิ่มมากขึ้นอยู่ตลอดเวลา เพื่อตอบสนองความต้องการนั้น
นำ้ จึงตอ้ งสำคัญอย่างทีส่ ดุ สำหรับการเกษตรเพื่อป้อนอาหารให้กับโลก

ข้อมูลจาก World Economic Forum (WEF) ระบุข้อมูลที่น่าสนใจเกี่ยวกับการใช้ AI เข้ามาบริหาร
จัดการน้ำ โดยระบวุ ่าปจั จบุ ันมีเอกชนท่ีพบการแก้ไขปัญหาด้วยการทำการเกษตรที่แม่นยำ ผ่านการจัดการน้ำ
อย่างถูกตอ้ ง ผลลพั ธ์ทไ่ี ด้กลบั มาคือประสทิ ธภิ าพการใชน้ ้ำที่คุ้มคา่ ได้ผลิตผลท่ีมีประสิทธภิ าพ และยังเป็นมิตร
กับสิ่งแวดล้อมด้วยการปล่อยก๊าซเรอื นกระจกน้อยลง เทคโนโลยีอุปกรณ์และแพลตฟอร์มที่เกิดขึ้นใหม่ช่วยให้
เรารวบรวมและใช้ประโยชน์จากข้อมูลจำนวนมากอย่างไม่เคยปรากฏมาก่อน ไม่ว่าจะเป็นรูปแบบปริมาณ
น้ำฝนในอดีต ภาพถ่ายทางอากาศบันทึกผลตอบแทนเซ็นเซอร์บนสนามแม่เหล็กเพื่อพยากรณ์น้ำในทาง
กลับกันข้อมูลที่รวบรวมไว้นั้น สามารถประมวลผลและรวมเข้าด้วยกันได้พรอ้ มกับเรียกดไู ด้อย่างงา่ ยดาย เพ่ือ
ชว่ ยให้เราตัดสนิ ใจได้อย่าง “ชาญฉลาด” โดยอาศัยการคาดการณ์ทีแ่ มน่ ยำทสี่ ุดอยา่ งทภี่ าคเกษตรไมเ่ คยเข้าถึง
มาก่อน เพราะการประเมินเรื่องน้ำถือเป็นกุญแจสำคัญสำหรับการทำเกษตร เพราะบางพื้นที่บางพืชผล
ต้องการน้ำที่แตกต่างกัน และหากมีข้อมูลของน้ำที่แม่นยำผ่านการประมวลผลด้วยระบบปัญญาประดิษฐ์ก็จะ

หลักสตู รการอบรมพัฒนาเกษตรกรรุน่ ใหม่: ปญั ญาประดษิ ฐ์เพอ่ื การวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วฒุ พิ ทิ ยามงคล

P a g e | 92

ช่วยให้วางแผนจัดการน้ำได้อย่างเป็นระบบ ยกตัวอย่างเช่นการทำชลประทานเพื่อการเกษตรจากข้อมูลของ
WEF เมื่อมีการใช้ AI ที่มีประสิทธิภาพสามารถประมวลผล และวิเคราะห์ชุดข้อมูลจากภาพถ่ายดาวเทียม
เครื่องบิน หรือโดรน ประมวลข้อมูลเชิงลึกสามารถช่วยให้เกษตรกรวางแผนพื้นที่การทำชลประทาน หาก
ภาพรวมกับเซ็นเซอร์จากดนิ และพืชข้อมูลจะช่วยให้เราอ่านค่าความตอ้ งการการชลประทานแบบเรยี ลไทม์ได้
อย่างแมน่ ยำ

ท้ังหมดเป็นข้อมูลท่ี World Economic Forum (WEF) ทำใหเ้ ห็นทิศทางการพฒั นาภาคการเกษตรท่ี
ทว่ั โลกจะตอ้ งเดินไปพร้อมกบั เทคโนโลยีทีเ่ ข้ามาช่วยเหลือในปัจจบุ นั และอนาคต แมว้ า่ ปจั จบุ ัน AI จะมีระบบ
ทำงานที่วิเคราะห์ข้อมูลเพื่อให้เกษตรกรเป็นผู้ตัดสินใจได้เอง แต่สำหรับอนาคตก็ไม่แน่ว่า AI อาจจะมีระบบ
อัตโนมัตทิ ่ีทำการเกษตรแทนมนษุ ยไ์ ด้ด้วย

ภาพที่ 9.4 การช่วยประหยัดน้ำผ่านสายดว้ ยการควบคมุ ผ่าน AI
(ทม่ี า : https://www.verdict.co.uk/smart-irrigation-agriculture/)
9.2 ปญั หาในการใช้ปญั ญาประดิษฐเ์ พ่ือการเกษตร
• การกำหนดคำนยิ ามของคำว่า “เกษตรอจั ฉรยิ ะ (Smart Farming)” ยงั ไม่ชดั เจน
โดยแต่ละหน่วยงานได้ให้คำจำกัดความหรือนิยามที่แตกตา่ งกันไป เช่น บางหนว่ ยงานนิยามวา่ เกษตร
อจั ฉรยิ ะหมายถึงเฉพาะการใช้เทคโนโลยีในการเพาะปลูก หรอื นิยามไปท่ีตวั เกษตรกรทมี่ ีความรู้ความสามารถ
ในการสร้างนวตั กรรมทางการเกษตรเท่าน้ัน ดงั น้นั สศช. จงึ ไดศ้ ึกษาวิเคราะห์และประมวลไดว้ ่า “เกษตร
อจั ฉริยะ (Smart Farming)” จะหมายถึงวธิ ที างการเกษตรทม่ี ีการวเิ คราะห์พืน้ ที่ มงุ่ เนน้ การเพ่ิมประสิทธิภาพ
โดยการเพม่ิ ผลผลติ ต่อพ้นื ท่ี และสรา้ งมูลคา่ เพมิ่ ให้กบั ผลผลติ ใชห้ ลกั การทำนอ้ ยได้มาก ใช้เทคโนโลยแี ละ

หลักสตู รการอบรมพัฒนาเกษตรกรรนุ่ ใหม่: ปญั ญาประดิษฐเ์ พอ่ื การวเิ คราะหท์ างการเกษตร อ.ดร.ภทั รมน วฒุ ิพิทยามงคล

P a g e | 93

เคร่อื งจักรกลเกษตรอัจฉรยิ ะ ควบคุมกระบวนการผลิต ตงั้ แตก่ ารปลูก ดแู ลรักษา เกบ็ เก่ียว ขนสง่ ตลอดจนการ
แปรรปู รวมถงึ การเกบ็ ข้อมูลเพอ่ื ใช้ประโยชนใ์ นอนาคต

ตัวอย่างเช่น การใช้ Agri-Map เพือ่ ตรวจสอบสภาพดินและการเลือกเมล็ดพันธ์ุ การควบคุมปริมาณ
แสง ความชืน้ และอณุ หภูมิ การกำหนดปริมาณสารอาหารและน้ำท่ีเหมาะสม การใชร้ ะบบเซนเซอรเ์ พื่อการ
บรหิ ารจดั การแปลงและโรงเรอื น การกำจัดศัตรพู ืช รวมถึงการสงั่ การระยะไกล โดยนำระบบปัญญาประดษิ ฐ์
หรอื AI มาช่วยสนบั สนนุ รวมท้ังการวางแผนและตัดสินใจทำการเกษตรบนฐานข้อมูลสารสนเทศท่ีถูกต้อง โดย
การพัฒนา Big Data Platform ด้านเกษตรอจั ฉรยิ ะเพ่ือให้เกิดความแม่นยำในการผลติ ท้ังนี้ การพัฒนาเกษตร
อัจฉริยะใหบ้ รรลเุ ป้าหมาย จะต้องขับเคลื่อนองค์ประกอบสำคญั ใน 5 ดา้ นไปพร้อมกัน ได้แก่ ตัวเกษตรกร
เทคโนโลยี กระบวนการผลติ และเก็บเกยี่ ว ตลาด และเงินทนุ

ภาพท่ี 9.5 ภาพตัวอยา่ งการใช้งาน Argi-Map
(ท่ีมา : https://www.verdict.co.uk/smart-irrigation-agriculture/)

• การลงทนุ ในนวัตกรรมทำให้เขา้ ถึงปลายทางไดย้ าก
หลายครั้งทเี่ ราเข้าใจไปว่านวัตกรรมจะทำให้คุณภาพชีวติ ดีขึ้น ซงึ่ นน่ั เป็นแคก่ ารมองไปถึงปลายทาง

ของการใช้นวัตกรรม แต่หากมองกันอย่างละเอยี ด การทคี่ นท่ัวไปจะสามารถใช้นวตั กรรมได้ จำเปน็ ทีจ่ ะต้องมี
การลงทุนในกระบวนการสร้างสภาพแวดลอ้ มให้ใช้นวตั กรรมได้อยา่ งมปี ระสทิ ธิภาพ เชน่ หากเราตอ้ งการทำ
ระบบใหน้ ้ำอตั โนมัติ เพ่ือควบคมุ การใหน้ ำ้ ในฟาร์มผา่ นสมาร์ทโฟนได้ ปญั หาท่ีจะเกดิ ขึน้ คือ ฟาร์มส่วนใหญข่ อง
เกษตรกรไทยจะใช้ระบบไฟบ้าน ซึง่ ไม่สามารถตอบสนองกับปริมาณการใชไ้ ฟฟ้าของระบบได้อยา่ งเพยี งพอ
จำเป็นตอ้ งมีการจา้ งวศิ วกรเพ่ือออกแบบระบบไฟใหมใ่ ห้เป็นระบบอุตสาหกรรม เสยี ทง้ั เวลาและเงนิ ทอง

หลกั สตู รการอบรมพฒั นาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐ์เพื่อการวเิ คราะห์ทางการเกษตร อ.ดร.ภัทรมน วุฒิพิทยามงคล

P a g e | 94

จำนวนมาก กวา่ ที่ระบบการให้น้ำจะสามารถใชง้ านได้จริง และยงั ตอ้ งมีอกี หลายอย่างทจ่ี ำเป็นต้องวางแผน
เช่น ระบบชลประทาน การวางผังไร่ การวางระบบท่อน้ำ ฯลฯ ซึง่ จำเป็นตอ้ งใชค้ วามร้หู ลากหลายในการ
ออกแบบและสรา้ งระบบเหล่านี้

• นวัตกรรมราคาสงู ไมค่ มุ้ คา่ การลงทุน
ส่วนใหญ่แล้วเกษตรกรรายย่อยหรือเกษตรกรรายบุคคลที่ทำเกษตรกรรมเป็นอาชีพหลักในการเลี้ยง

ชีพจะมีต้นทุนหรือภาระบางอย่างที่ต้องใช้จ่ายในการดำรงชีวิต เช่น ค่าเช่าที่ดิน หรือ ค่าใช้จ่ายการศึกษาลูก
เป็นตน้ การซือ้ เทคโนโลยมี าใช้งานสร้างต้นทุนเพม่ิ เติมให้พวกเขา มากไปกวา่ น้นั ก็ยังมคี ่าใชจ้ ่ายอื่นๆซ่อนเล้น
หรือต้นทุนแฝง (hidden cost) อีกหลายอย่าง เช่น การลงทุนสร้างโครงสรา้ งพื้นฐาน การจัดซื้ออุปกรณ์ และ
ค่าบำรุงรักษาในระยะยาว เป็นต้น ผู้สร้างนวัตกรรมมักจะคำนึงถึงแค่ใช้จ่ายที่เกิดขึ้นจากการใช้บริการ
นวัตกรรมในส่วนที่ตนเองสร้าง แต่ลืมคิดถึงข้อเท็จจริงเหล่านี้ คงเป็นการดีที่มีนวัตกรรมที่ง่าย ราคาที่คนใน
ชุมชนเอื้อมถึง และ ไม่สร้างต้นทุนแฝงในระยะยาว และส่วนใหญ่จะมีในสถาบันหรือบริษัทการเกษตร
ระดับกลางถงึ ระดบั ใหญ่ เท่านั้นที่ได้นำเทคโนโลยไี ปใชเ้ ท่าน้ัน

ภาพท่ี 9.6 การสญู เสียเงนิ ไปกับ AI ท่รี าคาสูง
(ทม่ี า : https://www.verdict.co.uk/smart-irrigation-agriculture/)

• สว่ นตอ่ ประสาน-ประสบการณ์ของผูใ้ ช้ (UX - UI) กับความไมส่ อดคล้องความเคยชินเดิม
เรามักได้ยินคนพูดถึง smart farm หรือ การเกษตรอัจฉริยะ อยู่บ่อยๆ แล้วก็จินตนาการไปถึง

เทคโนโลยีชั้นสูง แต่เราลืมคิดไปหรือเปล่าว่าอะไรที่สูงเกินไปก็อาจจะเกินเอื้อมสำหรับคนธรรมดา smart-
farm ควรง่ายเพียงพอที่ทำให้เกษตรกรระดับชุมชนเข้าถึง เข้าใจ และใช้งานได้ เพราะถ้ามันยากไป มันก็จะ
กลายเป็นการสร้าง การเกษตรซับซ้อน (complicated farm) แทน แอพพลิเคชัน นวัตกรรมดิจิทัล หรือ
โซลูชั่นส่วนใหญ่ที่สร้างขึ้นเพื่อการเกษตรอัจฉริยะออกแบบมาสำหรับอุตสาหกรรมเกษตรขนาดกลางถึงใหญ่
ไม่ได้คำนึงถึงการใช้งานระดับชุมชนซึ่งฐานผู้ใช้กลุ่มใหญ่ คนกลุ่มนี้เคยชินกับพฤติกรรมการทำงานแบบเดิมๆ

หลักสตู รการอบรมพัฒนาเกษตรกรรุ่นใหม่: ปญั ญาประดษิ ฐ์เพ่ือการวิเคราะห์ทางการเกษตร อ.ดร.ภทั รมน วฒุ ิพทิ ยามงคล