Storage Requirement Estimation For Electronic Document Management System With Artificial Neural Networks

Year 2020, Volume: 12 Issue: 3, 65 - 72, 31.12.2020

Zeynep Çetinkaya Erdal Erdal Atilla Ergüzen

https://doi.org/10.29137/umagd.827683

Abstract

Electronic document management systems are defined as the protection and management of the contents, formats and relational features of all kinds of documents created by an institution in the process of carrying out its activities. Storage areas are one of the important elements for electronic document management systems. With every transaction and activity transferred to electronic environment in institutions, the infrastructure and investments that should be allocated for Electronic document management systems storage areas increase and the forecast of this increase becomes more important over time. Artificial neural networks (ANN) approach has been used in many areas in recent years. Estimation studies in different fields have been made with ANN and it has been observed that successful results have been obtained. In this study, an ANN model is proposed to be used in estimating the storage area required for electronic document management systems. In this study using Kırıkkale University Electronic document management systems data, different ANN models were created, the most suitable models were determined, and the required storage area was estimated for the future periods.

Keywords

Artificial Neural Networks, Demand Forecast, Algorithm

Yapay Sinir Ağları ile Elektronik Belge Yönetim Sistemi için Depolama Gereksinimi Tahmini

Abstract

Elektronik belge yönetim sistemleri, bir kurumun faaliyetlerini yürütme sürecinde oluşturduğu her türlü belgenin içerik, format ve ilişkisel özelliklerinin korunması ve yönetilmesi olarak tanımlanmaktadır. Depolama alanları, elektronik belge yönetim sistemleri için önemli unsurlardan biridir. Kurumlarda elektronik ortama aktarılan her işlem ve faaliyetle birlikte Elektronik belge yönetim sistemleri depolama alanlarına tahsis edilmesi gereken altyapı ve yatırımlar artmakta ve bu artışın tahmini zamanla daha da önem kazanmaktadır. Yapay sinir ağları (YSA) yaklaşımı son yıllarda pek çok alanda kullanılmaktadır. YSA ile farklı alanlarda tahmin çalışmaları yapılmış ve başarılı sonuçlar elde edildiği görülmüştür. Bu çalışmada, elektronik belge yönetim sistemleri için gerekli depolama alanının tahmin edilmesinde kullanılmak üzere yapay bir sinir ağı modeli önerilmiştir. Kırıkkale Üniversitesi Elektronik belge yönetim sistemleri verilerinin kullanıldığı bu çalışmada, farklı YSA modelleri oluşturulmuş, en uygun modeller belirlenmiş ve gelecek dönemler için gerekli depolama alanı tahmin edilmiştir.

Keywords

Yapay Sinir Ağları, Talep Tahmini, Algoritma

References

• Al-Saba, T. and El-Amin, I. (1999). Artificial neural networks as applied to long-term demand forecasting, Artificial Intelligence in Engineering 13 189–197.
• Asilkan, Ö., Irmak S.(2009). Forecasting The Future Prices Of The Second-Hand Automobiles Using Artificial Neural Networks, Suleyman Demirel University The Journal of Faculty of Economics and Administrative Sciences, Vol.14, No.2 pp.375-391.
• Basheer, I.A. and Hajmeer, M. (2000). Artificial neural networks: fundamentals, computing, design, and application, Journal of Microbiological Methods, 43 3–31
• Çetinkaya Z. and Erdal E. (2019). Daily Demand Forecast With Artificial Neural Networks: Kırıkkale University Case, Institute of Electrical and Electronics Engineers, IEEE Xplore, 4th International Conference on Computer Science and Engineering, 19171793.
• Çiçek, N. (2009). Modern Belgelerin Diplomatiği. İstanbul: Derlem Yayınları.
• Delmar, F. and Davidsson, P. and Gartner, W. (2003). Arriving at the high growth firm. Journal of Business Venturing 18(2):pp. 189-216.
• Dollar, C.M.(2002). Authentic electronic records: Strategies for long term access. Chicago: Cohasset Association.
• Fausett, L. (1994), Fundamentals of Neural Networks: Architectures, Algorithms and Applications, Prentice Hall.
• Jayalakshmi, T. and Santhakumaran, A. (2011). Statistical Nor-malization and Back Propagation for Classification, International Journal of Computer Theory and Engineering 3(1), pp. 1793-8201.
• Külcü, Ö. (2007), Değişen Koşullarda Belge Yönetimi Çalışmaları ve Uluslararası Uygulamalar, XII. Türkiye’de İnternet Konferansı 8-10 Kasım, Ankara, s.57-81.
• Kırıkkale Üniversitesi Elektronik Belge Yönetim Sistemi, http://bilgi.ebys.kku.edu.tr/
• Lewis, C. D. (1982). Industrial and Business Forecasting Methods, Butterworths Publishing: London, s. 40
• Liu, J., Savenije, H.H.G. and Xu, J. (2003). Forecast of water demand in Weinan City in China using WDF-ANN model, Physics and Chemistry of the Earth 28, 219–224
• Moses, R. P. (2005). A Glossary of Archival and Records Terminology. Chicago: The Society of American Archivists.
• Odabaş, H. (2008). Elektronik Belge Düzenleme Yaklaşımları ve Türkiye’de e-Devlet Uygulamalarında Elektronik Belge Yönetimi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12(2), 121– 142.
• Önaçan M.B.K., Medeni, T.D.,Özkanlı, Ö. (2012), Elektronik Belge Yönetim Sisteminin Faydaları ve Kurum Bünyesinde EBYS Yapılandırmaya Yönelik Bir Yol Haritası, Sayıştay Dergı̇sı̇ ,Sayı:85.
• Öztemel, E. (2006). Yapay Sinir Ağları, Papatya Bilim Üniversite Yayıncılığı, İstanbul.
• Shalabi, L.A. and Shaaban, Z. (2006). Normalization as a Preprocessing Engine for Data Mining and the Approach of Preference Matrix, In: Proceedings of the International Conference on Dependability of Computer Systems, p. 207-214.
• Shepherd, E. ve Geoffrey Y. (2003). Managing records a handbook of principles and practices. London: Facet Publishing.
• Sola, J. and Sevilla, J. (1997). Importance of input data normalization for the application of neural networks to complex industrial problems, IEEE Transactions on Nuclear Science, v. 44, n. 3, p. 1464-1468.
• Zhang, G., Patuwo, B. E. and Hu M. Y. (1998). Forecasting with Artifıcial Neural Networks: The State of The Art, International Journal of Forecasting, Vol.14, No-1, 35-62.