การพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออก จังหวัดตาก พ.ศ. 2566

Main Article Content

วัชราภรณ์ ฉุนแสนดี
วัฒนา ชยธวัช
ปริญ ใจหนุน

บทคัดย่อ

ในปี พ.ศ. 2565 จังหวัดตากมีผู้ป่วยโรคไข้เลือดออกสูงเป็นอันดับ 5 ของประเทศไทย วิธีการเชิงปริมาณเป็นเครื่องมือสำคัญในการวางแผนเฝ้าระวังเพื่อการกำหนดมาตรการที่เหมาะสม การศึกษานี้ทำการพยากรณ์จำนวนผู้ป่วยไข้เลือดออกรายเดือนปี พ.ศ. 2566 ของจังหวัดตากด้วยตัวแบบ SARIMA หรือ ARIMA(p, d, q)(P, D, Q)12 เปรียบเทียบกับตัวแบบตามทฤษฎีระบบเกรย์ทำการพยากรณ์ผู้ป่วยโรคไข้เลือดออกรวมปี พ.ศ. 2566 แล้วแจกแจงจำนวนผู้ป่วยรายเดือนด้วยดัชนีฤดูกาลตามรูปแบบของข้อมูลที่ปรากฏ ผลการศึกษาพบว่า จำนวนผู้ป่วยรายปีและรายเดือนมีแนวโน้มลดลง ดัชนีฤดูกาลแสดงจำนวนผู้ป่วยรายเดือนจะเพิ่มสูงในเดือนพฤษภาคมและสูงสุดในเดือนกรกฎาคม แล้วลดลงจนถึงเดือนมีนาคม เมษายน การพยากรณ์เกรย์ผสมดัชนีฤดูกาลเป็นการพยากรณ์รายปีด้วยตัวแบบระบบเกรย์ ซึ่งตัวแบบ GM(1, 1) EPC มีค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ (MAPE) ต่ำสุด 2.51 แล้วแจกแจงด้วยดัชนีฤดูกาล ส่วนตัวแบบ ARIMA(2, 1, 2)(0, 1, 0)12 มีค่า MAPE 13.25 เมื่อทำการตรวจสอบกับจำนวนผู้ป่วยมกราคม-ตุลาคม 2566 ตามระบบรายงานการเฝ้าระวังโรค 506 แล้วพบว่าการพยากรณ์เกรย์ผสมดัชนีฤดูกาล และ ตัวแบบARIMA(2, 1, 2)(0, 1, 0)12  มีค่า MAPE ร้อยละ 66.11 และ 124.05 ตามลำดับ ซึ่งใช้พยากรณ์ได้ไม่ดีนัก อย่างไรก็ตามการพยากรณ์เชิงปริมาณดัชนีฤดูกาลได้แสดงถึงช่วงเวลาที่มีความรุนแรงของโรค

Article Details

รูปแบบการอ้างอิง
ฉุนแสนดี ว., ชยธวัช . ว., & ใจหนุน ป. (2026). การพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออก จังหวัดตาก พ.ศ. 2566. สักทอง : วารสารวิทยาศาสตร์และเทคโนโลยี (สทวท.), 11(1), 1–17. สืบค้น จาก https://li02.tci-thaijo.org/index.php/gts/article/view/1970
ประเภทบทความ
บทความวิจัย

เอกสารอ้างอิง

กรมควบคุมโรค. (2562). รายงานพยากรณ์โรคไข้เลือดออก ปี 2562. [Online]. Available : https://ddc.moph.go.th/uploads/publish/ 1026720200625043825.pdf [2566, ตุลาคม 10].

กรมอุตุนิยมวิทยา. (2566). การเฝ้าระวังปรากฏการณ์เอลนีโญ/ลานีญา. [Online]. Available : https://www.tmd.go.th/media/climate/climate-events/เอลนโญ_ตุลาคม2566.pdf [2566, ตุลาคม 10].

ปรีชา เครือโสม, เฉลิมชัย ภูริพัฒน์, พิณรัตน์ นุชโพธิ์ และพรวิมล คล่องสั่งสอน. (2566). ตัวแบบระบบเกรย์สำหรับการพยากรณ์การแพร่ระบาดของโรคไข้เลือดออก : กรณีศึกษากรุงเทพมหานคร. วารสารควบคุมโรค, 49(2) 253-363.

วณิกเกียรติ์ ยิ่งพันธ์, บัววรุณ ศรีชัยกุล, จตุพร เหลืองอุบล และพุทธิไกร ประมวล. (2563). ตัวแบบทำนายอุบัติการณ์การเกิดโรคไข้เลือดออกของประชาชน จังหวัดอุบลราชธานี. วารสารวิจัยสาธารณสุขศาสตร์ มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(2) 174-184.

วัฒนา ชยธวัช, เบญจรัตน์ พัฒนวิบูลย์ และรุ่งตะวัน เมืองมูล. ประมาณการจำนวนผู้ติดเชื้อโรคไข้เลือดออกจากสภาพอากาศ: กรณีศึกษาจังหวัดตาก. ใน การประชุมวิชาการและนำเสนอผลงานวิจัยระดับชาติและนานาชาติ ครั้งที่ 7 ประจำปี 2563 วันที่ 16 กุมภาพันธ์ 2563(หน้า 131-138). ปทุมธานี : อาคารหอประชุม มหาวิทยาลัยปทุมธานี.

สำนักข่าวกรมประชาสัมพันธ์. (2563). พยากรณ์โรคไข้เลือดออกในปี 2563. [Online]. Available : https://thainews.prd.go.th/th/news/detail/ TCATG200323123910879 [2563, มีนาคม 23].

สำนักระบาดวิทยา กรมควบคุมโรค. (2566). ระบบรายงานการเฝ้าระวังโรค 506>Dengue fever>ข้อมูลย้อนหลัง>สรุปสถานการณ์ประจำปี>ตารางข้อมูล>จำนวนและอัตราป่วย-ตายต่อแสนประชากร แยกรายจังหวัด. [Online]. Available : http://doe.moph.go.th/surdata/ disease.php? dcontent=old&ds=66 [2566, ตุลาคม 10].

Andrés, D. (2023). Machine Learning Pills : Error Metrics for Time Series Forecasting. [Online]. Available : https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/ [2023, October 20].

Bevans, R. (2020). Akaike Information Criterion | When & How to Use It (Example). [Online]. Scribbr. Available : https://www.scribbr.com/statistics/akaike-information-criterion/ [2023, March 26].

Chan, B. (2015). Classical Multiplicative Decomposition-YouTube. [Online]. Available : https://www.youtube.com/watch?v=S31b-vh0Ce0 [2023, March 20].

CRAN. (2023). Package forecast forecast: Forecasting Functions for Time Series and Linear Models. [Online]. Available : https://cran.r-project.org/web/packages/forecast/index.html[2023, October 20].

Hales, S, Weinstein P, Woodward A. (1996). Dengue fever epidemics in the South Pacific : driven by El Niño Southern Oscillation?. [Online]. Available : https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(05)65737-6/ppt. [2023, October 20].

Hii, Y.L., Zhu, H., Ng, N., Ng, L.C. & Rocklöv, J. (2012). Forecast of dengue incidence using temperature and rainfall. National Library of Medicine, 6(11), e1908.

Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: principles and practice. (3 rd ed.). Melbourne : OTexts.

Hyndman, R.J. & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1-22.

Leung, X.Y., Islam, R.M., Adhami, M., Ilic, D., McDonald, L., Palawaththa, S., Diug, B., Munshi, S.U. & Karim, M.N. (2023). A systematic review of dengue outbreak prediction models: Current scenario and future directions. National Library of Medicine, 17(2), e0010631.

Lewis, C.D. (1982). Industrial and business forecasting methods. London : Butterworths.

Liu, S. & Lin, Y. (2010). Grey systems theory and application. Verlag : Springer.

Santa, R. (2023). Introduction to SARIMA Model. [Online]. Available : https://medium.com/@ritusantra/introduction-to-sarima-model-cbb885ceabe8 [2023, November 1].

Shukla, G.K. & Trivedi, M. (2017). UNIT 14 SEASONAL COMPONENT ANALYSIS. [Online]. Available : https://www.egyankosh.ac.in/bitstream/ 123456789/20805/1/Unit-14.pdf [2023, November 1].

Strathmore University Business School. (2021). Analysis of Time Series. [Online]. Available : https://sbselearning.strathmore.edu/ pluginfile.php/177213/ mod_resource/content/1/Topic-4-Analysis-of-Time-Series.pdf [2023, November 1].

The R Foundation. (2023). The R Project for Statistical Computing. [Online]. Available : https://www.r-project.org/ [2023, November 1].

Wischke, A.F. (2018). Forecasting with R : Auto-ARIMA Step by Step. [Online]. Available : https://www.linkedin.com/pulse/forecasting-r-auto-arima-step-anton-figuerola-wischke [2023, November 1].