Trend analizi ve yapay sinir ağları: Tarımda bir uygulaması
Özet Görüntüleme: 207
/ 
PDF İndirme: 185
DOI:
https://doi.org/10.26809/joa.7.1.03Anahtar Kelimeler:
Yapay Sinir Ağı- Trend Analizi- Üretim- KorungaÖzet
Bu çalışmanın amacı Türkiye'de yıllara göre korunga üretim miktarının modelinin kurulması ve öngörü yapılmasında yapay sinir ağları (YSA) ve trend analizi kullanılarak üretim planı yapılabileceğini göstermektir.
Çalışma, 1990-2020 dönemine ait verileri kapsamaktadır. YSA ve trend analizi geliştirilmesinde girdi parametresi olarak yıllar parametresi, çıkış parametresi olarak üretim miktarı kullanılmıştır. Trend analizinde doğrusal, karesel ve kübik modeller kullanılmıştır. YSA yönteminde aktivasyon fonksiyonu olarak Hiperbolik Tanjant Fonksiyonu kullanılmıştır.
Geliştirilen modelin etkinliği Hata Kareler Ortalaması (MSE) ve determinasyon katsayısı (R2) gibi istatistiksel parametreler kullanılarak belirlenmiştir. Trend analizi ve YSA karşılaştırıldığında, en küçük hata kareler ortalaması (HKO) değerini veren YSA yöntemi daha iyi sonuçlar vermiştir. YSA’na göre öngörü yapılmıştır. Sonuçlar korunga üretiminin 2025 yılında 2020 yılına oranla bir düşüşte olacağını öngörmektedir. 2020 yılında 1 934 697 ton olan korunga üretiminin 2025 yılında %3.83’lük bir düşüşle 1 860 691 ton olacağı beklenmektedir.
YSA, değişkenlerde meydana gelebilecek herhangi bir değişim karşısında ortaya çıkabilecek sonuçların tespitinin sağlanmasında ve bu yolla süreçlerin iyileştirilmesinde faydalı bir araçtır. YSA modellerinin üretim modellemesinde trend analizinden daha iyi sonuçlar verdiği görülmüştür.
İndirmeler
Referanslar
AKKAYA, Ş. (1990). Ekonometri I. Anadolu Matbaacılık, İzmir.
ALP, S., & ÖZ, E. (2019). Makine Öğrenmesinde Sınıflandırma Yöntemleri ve R Uygulamaları. Nobel Akademik Yayıncılık, Ankara.
ATASEVEN, B. (2013). Yapay Sinir Ağları ile Öngörü Modellemesi. Öneri, 10(39):101-115.
BENLİ, Y. 2002. Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB’de Bir Uygulama. Muhasebe Bilim Dünyası Dergisi, 4(4): 17-30.
ÇELİK, Ş. (2020). Estimation Modelling of The Amount of Fodder Beet Production in Turkey Comparative Analysis of Artificial Neural Networks and Trend Analysis Methods. Journal of Multidisciplinary Engineering Science Studies (JMESS), 6(7): 3372–3375.
ÇUHADAR, M., GÜNGÖR, İ., & GÖKSU, A. (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi. İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1): 99-114
ERTUĞRUL, İ., & BEKİN, A. (2016). Türkiye’de bazı temel gıda fiyatları için Yapay Sinir Ağlar ve Zaman Serisi tahmin modellerinin karşılaştırmalı analizi. Kafkas Üniversitesi İktisadi ve İdari Bilimler Dergisi, 7(13): 253-280.
GAMGAM, H., & ALTUNKAYNAK, B. (2015). SPSS Uygulamalı Regresyon Analizi. Seçkin Yayıncılık, Ankara.
GUJARATİ, D. N. (2003). Basic Econometrics. McGraw-Hill, North America.
KADILAR, C. (2009). SPSS Uygulamalı Zaman Serileri Analizine Giriş. Bizim Büro Yayınevi, Ankara.
KARAALİ, F. Ç., & ÜLENGİN, F. (2008). Yapay Sinir Ağları ve bilişsel haritalar kullanılarak işsizlik oranı öngörü çalışması. İTÜ Dergisi/Seri D Mühendislik, 7(3): 15- 26.
KAYNAR, O., & TAŞTAN, S. (2009). Zaman serisi analizinde MLP Yapay Sinir Ağları ve ARIMA modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33: 161-172.
KURT, R., KARAYILMAZLAR, S., İMREN, E., & ÇABUK, Y. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kâğıt-Karton Sanayi Örneği. Bartın Orman Fakültesi Dergisi, 19(2): 99-106.
MONTGOMERY, D. C., PECK, E. A., & VİNİNG, G. G. (2012). Introduction to Linear Regression Analysis. John Wiley and Sons, Inc., USA.
ÖZTEMEL, E. (2012). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
SERPER, Ö. (2004). Uygulamalı İstatistik 2. Ezgi Kitabevi, Bursa.
SİNGH, K. P., BASANT, A., MALİK, A., & JAİN, G. (2009). Artificial neural network modeling of the river water quality-A case study. Ecological Modelling, 220(6): 888-895.
WANG, S., DONG, X., & RENJIN SUN, R. (2010). Predicting saturates of sour vacuum gas oil using artificial neural networks and genetic algorithms. Expert Systems with Applications, 37: 4768-4771.
YALÇINÖZ, T., HERDEM, S., & EMİNOĞLU, U. (2002). Yapay Sinir Ağları ile Niğde Bölgesinin elektrik yük tahmini. ELECO’2002 Elektrik, Elektronik ve Bilgisayar Mühendisliği Sempozyumu ve Fuarı, sayfa 25-29, Bursa, 18-22 Aralık 2002.
YILDIRAN, A. (2019). Nehir akışının Yapay Zeka ve Trend Analizi metotları ile tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü Yüksek lisans tezi, Bilecik.
YILDIZ, B. (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama. İMKB Dergisi, 17: 51-67.
YİĞİTER, Ş. Y., & SARI, S. S. (2017). Hisse senedi kapanış fiyatlarının Yapay Sinir Ağları ve Bulanık Mantık çıkarım sistemleri ile tahmin edilmesi. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(1): 1-22.
ZHANG, G., PATUWO, B. E., & HU, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14: 35–62
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2022 Holistence Publications
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
Yazarlar, makale Journal of Awareness’de yayınlanmak üzere kabul edildiğinde.makalenin içeriğindeki tüm telif haklarını, Rating Academy Ar-Ge Yazılım Yayıncılık Eğitim Danışmanlık ve Organizasyon Ticaret Ltd. Şti’ne devrederler. Yazarlar, patent hakları gibi telif hakkı dışındaki tüm mülkiyet haklarını saklı tutar.
Bu makalede yazar olarak listelenen herkes çalışmaya önemli, doğrudan, entelektüel katkılar yapmış olmalı ve bunun için kamu sorumluluğu almalıdır.
Bu makale daha once yayınlanmamış ve başka dergilerde yayınlanmak üzere gönderilmemiştir.
