หลักสูตร/ปี พ.ศ. วิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ ปี พ.ศ. 2565
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคต้น ปีการศึกษา 2564
ประเภทโครงงาน
การศึกษาค้นคว้าอิสระ
ชื่อโครงงานภาษาไทย
แบบจำลองการทำนายภาษีมูลค่าเพิ่มโดยวิธีการเรียนรู้ด้วยเครื่องและขั้นตอนวิธีเชิงวิวัฒนาการ
ชื่อโครงงานภาษาอังกฤษ
VAT Prediction Model using Machine Learning and Evolutionary Algorithms
ผู้พัฒนา
6114552474 นางสาวปิยกานต์ แก้ววังปลา
อาจารย์ที่ปรึกษาหลัก
สุภาพร เอื้อจงมานี
อาจารย์ที่ปรึกษาร่วม
หัชทัย ชาญเลขา
บทคัดย่อ
ภาษีมูลค่าเพิ่มในประเทศไทยเป็นภาษีที่มีการจัดเก็บสูงสุดและเป็นรายได้หลักของรัฐบาล งานวิจัยนี้นำเสนอการปรับปรุงแบบจำลองทำนายภาษีมูลค่าเพิ่ม โดยใช้วิธีการเรียนรู้ด้วยเครื่อง 4 วิธี และนำขั้นตอนวิธีเชิงวิวัฒนาการคือ Genetic Algorithm และ Differential Evolution มาประยุกต์ใช้กับวิธี Neural Network นอกจากนี้ปรับดัชนีนำเข้าแบบจำลองให้ใกล้เคียงกับสภาวะเศรษฐกิจของประเทศไทยมากขึ้น โดยพบว่าการใช้ขั้นตอนวิธีเชิงวิวัฒนาการส่งผลให้แบบจำลองทำนายได้ดีกว่าการใช้เพียง Neural Network และแบบจำลองผสมของวิธี Neural Network และ Differential Evolution ให้ผลลัพธ์ดีที่สุด เมื่อใช้แบบจำลองผสมนี้กับข้อมูลเฉลี่ยสะสมในอดีตระหว่าง 30 – 60 เดือน และให้ผลดีกว่าการใช้ข้อมูลเดือนเดียวกันทำนาย ผลลัพธ์การปรับปรุงแบบจำลองการทำนายภาษีมูลค่าเพิ่มของงานวิจัยนี้ช่วยเพิ่มประสิทธิภาพในการประมาณภาษีมูลค่าเพิ่มของประเทศไทยให้ดียิ่งขึ้น
Abstract
Value Added Tax (VAT) is the highest collective tax in Thailand and considers as the government’s main revenue. This paper proposes the improvement of VAT prediction model, by using four machine learning methods. Additionally, two hybrid learning models that are the combination of neural network and two evolutionary algorithms, genetic algorithm and differential evolution, are used. Furthermore, the input indices of the prediction model are updated to accommodate Thailand’s economics better. With the added evolutionary algorithms, the hybrid models perform better than the only neural network model. It is found that the hybrid model with neural network and differential evolution performs the best. In addition, applying the hybrid models with cumulative historical mean data between 30–60 months outperform the hybrid models with one month data. The findings of this paper can be used to help forecast VAT in Thailand more effectively.
คำสำคัญ (Keywords)
Machine Learning, Prediction, VAT
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
นางสาวปิยกานต์
แก้ววังปลา
(g6114552474)
แก้ไขครั้งสุดท้าย
เมื่อ Aug. 23, 2022, 9:05 a.m. โดย
นางสาวปิยกานต์
แก้ววังปลา
(g6114552474)
สถานะการอนุมัติ
รออนุมัติ