TÜRKİYE’DE ENDÜSTRİYEL SÜT ÜRETİMİNİN YAPAY SİNİR AĞLARI İLE TAHMİNİ

Year 2026, Issue: 52 , 616 - 650 , 23.04.2026

Nalan Gülten Akın

https://doi.org/10.14520/adyusbd.1542249

https://izlik.org/JA27HL92LF

Abstract

Süt hem çocukların hem de yetişkinlerin beslenmesinde başlı başına önemli bir gıda maddesi olmanın yanı sıra endüstriyel olarak üretilen içme sütü, peynir, yoğurt, tereyağı, kaymak, süt tozu, krema, ayran, dondurma, sütlü tatlılar gibi pek çok gıda maddesinin de hammaddesi durumundadır. Çalışmanın uygulama kısmında istatistiksel talep tahmin tekniklerinden yapay sinir ağı (YSA) modeli kullanılarak, endüstriyel süt üretimine ait talep tahmini uygulaması yapılmıştır. Çalışmada kullanılan veriler Ulusal Süt Konseyi ve Türkiye İstatistik Kurumu (TÜİK) web sitelerinden alınmıştır. Uygulama sonrası yapılan hata testlerinden ulaşılan sonuçlara göre yapay sinir ağı modeli ile yapılan tahmin değerlerinin güvenilir ve tutarlı olduğu tespit edilmiştir.

Keywords

Endüstriyel süt üretimi , yapay sinir ağları , talep tahmini

FORECASTING OF INDUSTRIAL MILK PRODUCTION IN TURKEY WITH ARTIFICIAL NEURAL NETWORKS

https://izlik.org/JA27HL92LF

Abstract

Milk is a staple food item in the nutrition of both children and adults as well as, milk is also the raw material of many industrially produced foods such as drinking milk, cheese, yoghurt, butter, cream, milk powder, milk cream, buttermilk, ice cream and milk desserts. In the application part of the study, demand forecasting for industrial milk production was applied using the artificial neural network (ANN) model, one of the statistical demand forecasting techniques. The data used in the study were taken from the National Milk Council and Turkish Statistical Institute (TUIK) websites. According to the results obtained from the error tests performed after the application, it was observed that the predictions made with the artificial neural network model were reliable and consistent.

Keywords

Industrial milk production , artificial neural networks , demand forecasting

References

• Abraham, E.R., Mendes dos Reis, J.G., Vendrametto, O., Neto, P.L.O.C., Toloi, R.C., Eduardo de Souza, A., & Morais, M.O. (2020). Time series prediction with artificial neural networks: An analysis using Brazilian soybean production. Agriculture, 10(10), 475, 113-130.
• Achaglinkame, M.A, Dari, L., & Mörlein, D. (2023). A review of dairy production and utilization in Ghana and Benin. Discover Food, 3(13), 1-20.
• Adnan, J., Daud, N.G.N., Ishak, M.T., Rizman, Z.I., & Rahman, M.I.A. (2018). Tansig activation function (of MLP network) for cardiac abnormality detection, International Conference on Engineering and Technology (IntCET 2017), AIP Publishing, 1930(1).
• Adya, M., & Collopy, F. (1998). How effective are neural networks at forecasting and prediction? A review and evaluation. Journal of Forecasting, 17, 481-495.
• Ağyar, Z. (2015). Yapay sinir ağlarının kullanım alanları ve bir uygulama. Mühendis ve Makine, 56(662), 22-23.
• Akın, A.C., Tekindal, M.A., Arıkan, M.S., & Çevrimli, M.B. (2020). Modelling of the milk supplied to the industry in Turkey through Box-Jenkins and Winters' Exponential Smoothing methods. Veteriner Hekimler Derneği Dergisi, 91 (1), 49-60. Ar, H., & Şahinli, M.A. (2022). Süt sığırcılığı işletmelerinde yapay sinir ağlarının kullanılabilirliği üzerine bir inceleme. Tarsus Üniversitesi Uygulamalı Bilimler Fakültesi Dergisi, 2(1), 1-11.
• Ballı, M.T. (2014). Yapay sinir ağları ile talep tahmini ve gıda sektöründe uygulanması (Master's thesis, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü).
• Bayyurt, D., & Deveci Kocakoç, İ. (2023). Yapay sinir ağları NARX ile Türkiye fındık üretim miktarı tahmini. Giresun Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 15-35.
• Çoban, F., & Demir, L. (2020). Yapay sinir ağları ve destek vektör regresyonu ile talep tahmini: Gıda işletmesinde bir uygulama. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 327-338.
• Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting for short shelf- life food products based on artificial neural networks and evolutionary computing. Journal of Food Engineering, 75, 196-204.
• Doğar, D., Çiçek, A., & Ayyıldız, M. (2024). Türkiye'de süt ve süt ürünleri üretiminin mevsimsel ARIMA modeli ile tahmini. Türk Tarım ve Doğa Bilimleri Dergisi 11(3), 642-653.
• Fausett, L. V. (1993). Fundamentals of neural networks: Architectures, algorithms and applications. Pearson Education.
• Goel, A., Goel, A.K., & Kumar, A. (2022). The role of artificial neural network and machine learning in utilizing spatial information. Spatial Information Research, 31, 275-285.
• Hamzaçebi, C. (2011). Yapay sinir ağları – Tahmin amaçlı kullanımı MATLAB ve NEUROSOLUTIONS uygulamalı. Ekin Basım, Yayım, Dağıtım.
• Keskenler, M. F., & Keskenler, E. F. (2017). Geçmişten günümüze yapay sinir ağları ve tarihçesi. Takvim-i Vekayi, 5(2), 8-18.
• Kobu, B. (1999). Üretim yönetimi. 10. Baskı, İstanbul: Avcıol Basım – Yayın.
• Kufel, J., Bargiel-Laczek, K., Kocot, S., Kozlik, M., Bartnikowska, W., Janik, M., Czogalik, L., Dudek, P., Magiera, M., Lis, A., Paszkiewicz, I., Nawrat, Z., Cebula, M., & Gruszczynska, K. (2023). What is machine learning, artificial neural networks and deeplearning?—examples of practical applications in medicine. Diagnostics, 13(2582), 1-22.
• Lutoslawski, K., Hernes, M., Radomska, J., Hajdas, M., Walaszczyk, E., & Kozina, A. (2021). Food demand prediction using the nonlinear autoregressive exogenous neural network. IEEE ACCESS, 9.
• Mainer, H.R., & Dandy, G.C. (2000). Neural networks for the prediction and forecasting of water resources variables: A review of modelling issues and applications. Environmental Modelling & Software, 15, 101–124.
• Öztemel, E. (2006). Yapay sinir ağları. 2. Basım, İstanbul: Papatya Yayıncılık.
• Öztemel, E. (2012). Yapay sinir ağları. 3. Basım, İstanbul: Papatya Yayıncılık.
• Serttaş, Z.S. (2011). Türkiye'de perakende sektöründe talebi etkileyen etmenler ve yapay sinir ağlarıyla talep tahmini uygulaması (Master's thesis, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü).
• Sönmez, O. & Zengin, K. (2019). Yiyecek ve içecek işletmelerinde talep tahmini: Yapay sinir ağları ve regresyon yöntemleriyle bir karşılaştırma. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 302-308.
• Tanyaş, M., & Baskak, M. (2015). Üretim planlama ve kontrol. Yönetim Bilimleri Dizisi:7, 6. Baskı, İstanbul: İrfan Yayıncılık.
• Terin, M., (2014). Dünya süt ve süt ürünleri üretim, tüketim, fiyat ve ticaretindeki gelişmeler. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 4(3), 53-63.
• Turan, Z., Şanver, D., & Öztürk, K. (2017). Türkiye’de hayvancılık sektöründen süt inekçiliğinin önemi ve yurt içi hasılaya katkısı ve de dış ülkelerle karşılaştırılması. Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 10(3), 60-74.
• Türk Dil Kurumu Sözlüğü.
• Türkiye İstatistik Kurumu (TÜİK), (2023). Hayvancılık İstatistikleri.
• Ulusal Süt Konseyi, (2023). Üretim İstatistikleri.
• United Nations Department of Economic and Social Affairs (UN-DESA).
• United Nations Population Fund (UNFPA).
• Wikipedia, (2023).
• Yadav, A.K., & Chandel, S.S. (2014). Solar radiation prediction using artificial neural network techniques: A review. Renewable and Sustainable Energy Reviews, 33, 772- 781.
• Yıldırım, A. (2019). Talep tahmin yöntemlerinin karşılaştırmalı analizi: Gıda sektöründe bir uygulama. (Master's thesis, İstanbul Kültür Üniversitesi Lisansüstü Eğitim Enstitüsü).
• Yıldırım, H., & Karaatlı, M. (2022). Yapay sinir ağları NARX modeli ile elma üretim miktarının öngörülmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 1(42), 1-29.
• Yörük, A., Çelik, Ş., & Topuz, D. (2023). Yapay sinir ağları ile Türkiye, Çin ve İran’da bal üretimi modellemesi. Journal of Original Studies, 4(1), 35-46.