KEÇİÖREN/ANKARA ÖZELİNDE KONUT RAYİÇ DEĞERLERİNİN YAPAY SİNİR AĞLARI METODU KULLANILARAK TAHMİNİ

Year 2022, Issue: 35, 113 - 128, 30.04.2022

Orhan Dogan , Nassirou Bande , , Yunus Genç , Fatih Cagatay Akyon

https://doi.org/10.18092/ulikidince.941952

Cited By: 8

Abstract

Barınmanın yanı sıra bir yatırım aracı olan konutların mutlak bir değerinin olmaması ve tamamen izafi olması bakımından pazarlama ve satış aşamalarında birçok faktöre bağlı olan piyasa rayici üzerinden değerlendirilmesi gerekmektedir. Bu çalışma ile konutların rayiç değerlerinin tespitinin hızlı ve doğru şekilde yapılabilmesi için yapay zekâ yöntemlerinden olan bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. Bu amaçla, Ankara'nın Keçiören ilçesine bağlı farklı mahallelerde yer alan, Türkiye’de gayrimenkul satışlarının yapıldığı bir e-ticaret sitesinde ilan edilmiş toplam 149 adet satılık konut, YSA modellerini oluşturmak için dikkate alınmıştır. Bir konutun rayiç değerinin belirlenmesinde etkili olan 11 adet parametre sayısallaştırılarak, yapay sinir ağı modelleri kurulmuştur. Gizli katmanı, nöron sayısı ve aktivasyon fonksiyonu değiştirilerek 20 adet model kurulmuş ve en uygun gizli katman, nöron sayısı ve aktivasyon fonksiyonu belirlenmiştir. Konut rayiç fiyatlarının belirlenmesinde, ortalama hatanın karesi (MSE) 0.000197, regresyon (R) %94.31 ve doğruluk oranı %91.59 ile seçilen bu YSA mimarisinin başarılı sonuçlar verdiği görülmüştür.

Keywords

Yapay Sinir Ağları, YSA, Konut, Rayiç Değer, Gayrimenkul Değerleme.

ESTIMATION OF HOUSING FAIR VALUES USING ARTIFICIAL NEURAL NETWORKS METHOD IN KECIOREN/ANKARA

Abstract

In addition to accommodation, housing, which is an investment tool, has to be evaluated over the market value, which depends on many factors in the marketing and sales stages, since it does not have an absolute value and is completely relative. With this study, an Artificial Neural Network (ANN) model, which is one of the artificial intelligence methods, has been developed in order to determine the current values of the houses quickly and accurately. For this purpose, a total of 149 houses for sale, which were announced on an e-commerce site in Turkey, located in different parts of Ankara's Kecioren district, were taken into consideration to create NNS models. Artificial neural network models were created by digitizing 11 parameters that are effective in determining the current value of a house. By changing the hidden layer, number of neurons and activation function, 20 models were established and the most suitable hidden layer, number of neurons and activation function were determined. It has been seen that with the mean square error (MSE) 0.000197, the regression (R) %94,31 and the accuracy rate %91,59, this chosen ANN architecture gave successful results in determining the fair values of the houses.

Keywords

Artificial Neural Networks, ANN, House, Fair Value, Real Estate Valuation.

References

• Abidoye, R. B. and Chan, A. P. C. (2017). Modeling Property Values in Nigeria Using Artificial Neural Network. Journal of Property Research. 1-18.
• Açlar, A. (1989). Taşınmaz Değerlemesi Ders Notları.
• Alşahin, S. (2015). Yapay Sinir Ağları İle Kiriş Tipi Yapılarda Hasar Tanımlama. (Yayınlanmış Yüksek Lisans Tezi). Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri.
• Aydemir, E., Aktürk, C. ve Yalçınkaya, M. A. (2020) Yapay zekâ ile konut fiyatlarının tahmin edilmesi. Turkish Studies - Applied Sciences. 15(2), 183-194.
• Ecer, F. (2014). Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi ile Yapay Sinir Ağlarının Karşılaştırılması. International Conference On Eurasian Economies, Skopje, Macedonia.
• Elmas, Ç. (2007). Yapay Zeka Uygulamaları. Ankara: Seçkin Yayıncılık.
• Mora-Esperanza, J. G. (2004). Artificial Intelligence Applied to Real Estate Valuation; An Example for the Appraisal of Madrid, Catastro, 255-265.
• Garcίa, N., Gámez, M. ve Alfaro, E. (2008). ANN+GIS: An Automated System for Property Valuation. Neurocomputing. 71(4), 733-742.
• Google Earth Pro. (2020). Erişim Adresi: https://www.google.com.tr/intl/tr/earth/
• Güngör, E. (1999). Gayrimenkul Değerlemesi ve Türkiye’de Sermaye Piyasalarında Gayrimenkul Ekspertiz Şirketlerine Yönelik Düzenlemeler Yapılmasına İlişkin Öneriler, T.C. Başbakanlık Sermaye Piyasası Kurulu Kurumsal Yatırımcılar Dairesi, Yeterlik Etüdü, Ankara.
• Jayalakshmi, T. ve Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification. International Journal of Computer Theory and Engineering. 3(1), 89-93.
• Keçiören Belediyesi. (2019). Erişim Adresi: http://kentbs.kecioren.bel.tr/
• Koçer, M. (2016). Fretli Kolonların Kesme, Eğilme ve Süneklik Kapasitelerinin Yapay Sinir Ağları ile Belirlenmesi. (Yayınlanmış Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.
• Özkan, G., Yalpır, Ş. ve Uygunol, O. (2007). An Investigation on the Price Estimation of Residable Real Estates by Using Artificial Neural Network and Regression Methods. The 12th Applied Stochastic Models and Data Analysis International Conference (ASMDA), Chania, Crete, Greece.
• Öztemel, E. (2003). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
• Rossini, P. A. (1997). Artificial Neural Networks Versus Multiple Regression in the Valuation of Residential Property. Australian Land Economics Review, 3(1), 1-12.
• Sahibinden.com. (2020). Erişim Adresi: https://www.sahibinden.com/
• Saraç, E. (2012). Yapay Sinir Ağları Metodu İle Gayrimenkul Değerleme. (Yayınlanmış Yüksek Lisans Tezi) İstanbul Kültür Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Selim, H. (2009). Determinants of House Prices in Turkey: Hedonic Regression Versus Artificial Neural Network. Expert Systems with Applications. 36(2), 2843–2852.
• Tabanoğlu, M. (2019). Konut Yapılarının Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmin Edilmesi: Düzce İli Örneği. (Yayınlanmış Yüksek Lisans Tezi). Düzce Üniversitesi Fen Bilimleri Enstitüsü, Düzce.
• Tabar, M. E., Başara, A. C. ve Şişman, Y. (2021). Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması. Türkiye Arazi Yönetimi Dergisi. 3(1), 01-07.
• TÜİK. Türkiye İstatistik Kurumu. (2021). Erişim Adresi: http://www.tuik.gov.tr/
• Ulvi, C. ve Özkan, G. (2019). Taşınmaz Değerlemede Yapay Zekâ Tekniklerinin Kullanılabilirliği ve Yöntemlerin Karşılaştırılması. Geomatik Dergisi. 4(2), 134-140.
• Wilkowski, W. ve Budzyński, T. (2006). Application of Artificial Neural Networks for Real Estate Valuation, Shaping the Change XXIII FIG Congress, Munich, Germany.
• Worzala, E., Lenk, M. ve Silva, A., (1995). An Exploration of Neural Networks and Its Application to Real Estate Valuation. Journal of Real Estate Research, 10(2), 185-201.
• Yalpır, Ş. (2007). Bulanık Mantık Metodolojisi ile Taşınmaz Değerlenme Modelinin Geliştirilmesi ve Uygulaması: Konya Örneği. (Yayınlanmış Doktora Tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Yılmazel, Ö., Afşar, A. ve Yılmazel, S. (2018). Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi. (20), 285-300.
• Zurada, J. M., Levitan, A. S., ve Guan, J. (2001). Non-Conventional Approaches to Property Value Assessment. Journal of Applied Business Research. 22(3), 1-14.