VERİ MADENCİLİĞİ ARAÇLARI KULLANILARAK TÜRKİYE’NİN TURİZM GELİRLERİNİN AYLARA GÖRE YAPAY SİNİR AĞLARI İLE TAHMİNLENMESİ

Yıl 2019, 3. ULUSLARARASI BATI ASYA TURİZM ARAŞTIRMALARI KONGRESİ ÖZEL SAYISI, 241 - 255, 30.12.2019

Serpil Sevimli Deniz

Öz

Verilerden faydalı bilgilere erişme ve bilgileri inceleme süreci veri madenciliğidir. Yapay sinir ağları, veri madenciliği çalışmalarında kullanılan yöntemlerden biridir. Yapay sinir ağları ile nöron şekilsel ve işlevsel olarak taklit edilerek programlar oluşturulur. Matematiksel yöntemlere dayanan yapay sinir ağları tahminleme amaçlı kullanılabilir. Sebep ve sonuç ilişkisine dayanan bir tahmin probleminde, yapay sinir ağının girdileri bağımsız değişken, çıktısı ise bağımlı değişkendir. Doğrusal olmayan bir regresyon modeli olarak düşünülebilir.
Bu çalışmada, turizm sektöründe bir tahmin probleminin çözümü amacıyla yapay sinir ağı kullanılarak veri madenciliği aracı WEKA ile modelleme ve çözümleme yapılmıştır. Türkiye İstatistik Kurumu tarafından yayınlanan, 1969-2017 yılları arası aylık turizm gelirleri verilerinden yararlanılmıştır. Bu veriler yapay sinir ağları ile modellenerek, 2018 verileri tahminlenmiştir. Gerçek veriler kullanıldığı için modelden elde edilen hata miktarları için 2019 da aylık elde edilebilecek turizm gelirleri tahminlenebilir. Turizm sektöründe değişime uyum sağlayıp, rekabeti yönetebilmek adına uygun tahminlemeler yapabilmek önemlidir. Merkezi ve yerel kamu yönetimlerinin hazırlayacakları turistik gelişme planları için yapılacak tahminler zemin oluşturulabilir. Türkiye’de turizmliteratürünekatkı sağlanabilir. Bu tahmin çalışmaları, ileriye dönük karar verme ve planlamada turizm yöneticilerine ve yerel yönetimlere rehberlik edecektir.

Anahtar Kelimeler

yapay sinir ağı, tahmin, turizm gelirleri

Kaynakça

• Akpınar, H. (2014). Data. İstanbul: Papatya Yayıncılık.
• Aktaş, A. (2002). Turizm İşletmeciliği ve Yönetimi. Ankara: Detay Yayıncılık.
• Bahadır, E. ve Özdemir, A.Ş. (1996). Akademik Başarı Tahmininde Yapay Sinir Ağları. İstanbul: Burç Yayınevi.
• Balkin, S. D. (1997). Using Recurrent Neural Networks For Time Series Forecasting. Working Department of Management Science and Information Systems Pennsylvania State University, 97-111.
• Can, M., Çamur, B., Koru, E., Özkan, Ö. ve Rzayeva, Z. (2012). Veri Kümelerinden Bilgi Keşfi: Veri Madenciliği, XIV. Öğrenci Sempozyumu Çalışma Grubu Sunumları içinde, Başkent Üniversitesi, Tıp Fakültesi, (ss. 1-14).
• Çuhadar, M. (2006). Turizm Sektöründe Talep Tahmini İçin Yapay Sinir Ağları Kullanımı ve Diğer Yöntemlerle Karşılaştırmalı Analizi. (Yayımlanmamış Doktora Tezi). Süleyman Demirel Üniversitesi, Isparta.
• Çuhadar, M., Güngör, İ. ve Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 99-114.
• Elmas, Ç. (2010). Yapay Zeka Uygulamaları. İstanbul: Seçkin Yayıncılık.
• Güvenç, U., Biroğul, S., Sönmez, Y. (2007). Yapay Sinir Ağları Eğitim Seti. 7. Uluslararası Eğitim Teknolojileri Konferansı Bildirileri (ss. 1 – 6).
• Hamzaçelebi, C., Kutay, F.(2004). Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Üretiminin 2010 Yılına Kadar Tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19, 227- 233.
• Haykin, S. (1999). Neural Networks. A Comprehensive Coundation. New Jersey, U.S.A: Prentice Hall.
• Kabalcı, E. (2019). Yapay Sinir Ağları. https://ekblc.files.wordpress.com/2013/09/ysa.pdf. Erişim Tarihi: 17.09.2019.
• Kandır, S., Karadeniz, Y., Özmen, E., Önal, M. ve Beyazıt, Y. (2008). Türk Turizm Sektöründe Büyüme Göstergelerinin Turizm İşletmelerinin Finansal Performansına Etkisinin İncelenmesi. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10 1/2.
• Odabaş, Ö. (2017). Veri Madenciliği Teknikleri ile Telekom Sektöründe Ayrılan Müşteri Analizi. (Yayımlanmamış Yüksek Lisans Tezi). İstanbul Ticaret Üniversitesi/Fen Bilimleri Enstitüsü, İstanbul.
• Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık Eğitim.
• Savaş, S. (2012). Veri Madenciliği ve Türkiye’deki Uygulama Örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi. 21, 1-23.
• Şaylan, Ç. A. (2013). Böbrek Nakli Geçirmiş Hastalarda Akıllı Yöntem TabanlıYeni Öznitelik Seçme Algoritması Geliştirilmesi. Kadir Has Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
• Şeker, Ş. E. (2019). http://bilgisayarkavramlari.sadievrenseker.com/2008/12/15/k-ortalama-algoritmasi-k-means-algorithm. Erişim Tarihi: 18.09.2109.
• Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi İle Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği. (Uzmanlık Tezi). Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü.
• Zhang, G., Patuwo, G. E., Hu, M.Y. (1998). Forecasting with Artificial NeuralNetworks: The State of The Arts. International Journal of Forecasting. Volume:4, No: 1, 1998, s. 35-62.
• Zhao, Y. (2013). R and Data Mining: Examples and Case Studies. Burlington: Academic Press, 225.
• http://www.tuik.gov.tr Erişim Tarihi: 25.09.2019.
• https://machinelearningmastery.com/when-to-use-mlp-cnn-and-rnn-neural-networks Erişim Tarihi: 21.07.2019.