Tarımsal Üretim Verilerinde Uç Değer Analizi Yaklaşımı: Manda ve Sığır Et Üretimi Örneği

Öz

Tarımsal araştırmalarda her bir faktöre (yıl, il, bölge vb.) ait tek adet veriden oluşan veri setlerinde verileri kendi aralarında sayısal üstünlük veya düşüklüklerine göre sıralamada istatistikî yöntem olarak outlier analizinden yararlanma imkânları çalışmanın ana fikrini oluşturmaktadır. Bu amaçla TUİK bünyesinden 2001-2024 yılları için elde edilen manda ve sığır et (karkas) üretimleri ile ilgili veriler kullanılmıştır. 2020-2024 yılları arasındaki yıllara ait manda et üretim değerlerinin uç veri olarak diğer verilerden ayrıldığı belirlenmiştir. Söz konusu yıllara ait veriler uç değer verileri olduğundan diğer yıllara (2001-2019) ait üretim değerlerine göre istatistiksel olarak daha yüksek üretim değerleri olarak değerlendirilebilir. Uç veri olarak en yüksek manda et üretimi 2023 yılında 15386 ton olarak gerçekleşmiştir. Sığır et üretimlerinde adı geçen yıllar arasında uç veri saptanamadığından yıllara ait et üretim miktarları arasında istatistikî derecelendirmeler yapılamamıştır. Outlier analizinin, uç veri barındıran veri setlerinde verilerin kendi aralarında istatistikî olarak derecelendirilmesinde büyük katkılar sunduğu araştırma sonuçlarından anlaşılmaktadır. Yapılan çalışma, normal dağılımı sağlama amacıyla uç veri ayıklamada kullanılan outlier analizinin, veri setlerinde veriler arasında istatistikî olarak derecelendirilmelerinde de kullanılabileceğini göstermesi açısından önemlidir. Bu, sıralamaların yalnızca sayısal üstünlüğe değil, istatistiksel öneme dayalı olarak yapılmasını sağlar; çünkü sayısal üstünlük her zaman anlamlı olmayabilir.

Anahtar Kelimeler

• Tarım
• mühendislik
• veri
• analiz
• uç veri
• manda
• sığır
• et
• karkas

Outlier Analysis Approach in Agricultural Production Data: The Case of Buffalo Meat and Beef Production

Abstract

The main idea of this study was to utilize outlier analysis as a statistical method in ranking data sets consisting of a single piece of data for each factor (year, province, region, etc.) in agricultural research based on their numerical superiority or inferiority. For this purpose, data on buffalo and cattle meat (carcass) production obtained from TUIK for the years 2001-2024 were used. It was found that buffalo meat production values for the years 2020-2024 were distinguished from other data as outliers. Since the data for these years are outlier data, they can be considered as statistically higher production values than the production for other years (2001-2019). The highest buffalo meat production, as an outlier, was realized in 2023 at 15386 tons. Since no outliers were detected in cattle meat production between the mentioned years, statistical rankings could not be made between the meat production amounts of the years. Research results demonstrated that outlier analysis significantly contributed to the statistical ranking of data within data sets containing outliers. This study is significant because it demonstrated that outlier analysis, used to extract outlier data to ensure normal distribution, can also be used to statistically rank data within data sets. This enables rankings to be made based on statistical relevance rather than merely numerical dominance, which may not be meaningful.

Keywords

• Agriculture
• engineering
• data
• analysis
• outlier
• buffalo
• cattle
• meat
• carcass

Kaynakça

1. Aggarwal, C. C. 2017. Outlier Analysis. Second Edition. Pp.466. Springer international publishing. ISBN: 978-3-319-47577-6. https://doi.org/10.1007/978-3-319-47578-3
2. Atasever, S., ve H. Erdem. 2008. Manda yetiştiriciliği ve Türkiye’deki geleceği. OMÜ Ziraat Fakültesi Dergisi 23 (1) : 59-64
3. Bastem, M., ve M.Yanar. 2024. The Effects of Cattle Enterprise Sizes on the Structural Characteristics of Barns in the Northeast Anatolian Region: The Case of Horasan County of Erzurum Province.Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi 34 (2) : 176-187. https://doi.org/10.18615/anadolu.1529204
4. Batagelj, V., H. H. Bockand, and A. Ferligoj. 2006. Data Science and Classification (Studies in Classification, Data Analysis, and Knowledge Organization) 2006th Edition. Pp. 370. Kindle Ed. Springer. ISBN-13:978-3540344162
5. Baykalır, Y., B. Akyüz, ve Z. Erişir. 2020. İzmir ili Kiraz ilçesinde süt sığırcılığı yapan işletmelerin yapısal özelliklerinin belirlenmesi. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi 30 (2): 266-275. https://doi.org/10.18615/ anadolu.835031
6. Bonnet, C., Z. Bouamra-Mechemache, V. Réquillart, and N. Treich. 2020. Viewpoint: Regulating meat consumption to improve health, the environment and animal welfare. Food Policy, 97: 101–108.
7. Chakraborty, S.,and P. Mishra. 2022. Outlier Analysis. A Study of DifferentTechniques. Grin VerlagPublication. Pp. 34. ISBN-10:3346702464.
8. Chauhan, P. and M. Shukla, 2015. A review on outlier detection techniques on data stream by using different approaches of K-meansalgorithm. In: Computer Engineering and Applications, International Conference on Advances, 19: 580–585.

9. Çimen, M. 2015. Fen ve Sağlık Bilimleri Alanlarında Spss Uygulamalı Veri Analizi (1.Baskı), Palme Yayıncılık, Yayın No: 905, ISBN: 978-605-355-366-3.Sıhhıye, Ankara.314 s.
10. Çimen, M. 2016. Mühendislik verilerinde tek örnek için parametrik ve parametrik olmayan testler. İstanbul Aydın Üniversitesi Dergisi 29: 67-77.
11. Çimen, M. 2025. Tek Örnek Wilcoxon İşaretli Rank Testinin Fen Bilimleri alanında uygulanabilme olanağı üzerine bir araştırma: Küçükbaş hayvan yetiştiriciliği örneği. Mustafa Kemal Üniversitesi Tarım Bilimleri Dergisi 30 (1) : 167-178. https://doi.org/10.37908/mkutbd.1589114
12. Çimen, M.,and A. Güven. 2025. Examination of numerical changes in goat and buffalo population in TRB1 Region with cluster analysis. Journal of the Institute of Science and Technology 15 (1): 364-371. DOI: 10.21597/jist.1525746
13. Das, C., Dubey, A. ve Rasool, A. 2022. Outlier detection techniques: A comparative study. In: Patgiri, R., Bandyopadhyay, S., Borah, M. D. ve Balas, V. E. (Ed.), Edge analytics. Lecture Notes in Electrical Engineering, 869: 551–566. https://doi.org/10.1007/978-981-19-0019-8_42
14. Dongre, P. K., V.Patel, U.Bhoi, N.andN. Maltare. 2025. n outlier detection frame work for Air Quality Index prediction using linear and ensemble models. Decision Analytics Journal, 14: 1–13. https://doi.org/10.1016/j.dajour.2025.100546
15. Dawson, R. 2023. Fundamentals of data analytics: Learn essential skills, embrace the future, and catapult your career in the data-driven world – a comprehensive guide for beginners (Fundamentals Series). Kindle ed., 168 s. ASIN: B0CP3198QX.
16. Flora, D. B. 2018. Statistical methods for the social and behavioral sciences: A model-based approach. 472 s. Sage Publications. ISBN: 1446269833.
17. Gupta, M., J. Gao, C. Aggarwal, and J. Han. 2014. OutlierDetectionforTemporal Data. First Edition. Pp. 110. SpringerCham. ISBN: 978-3-031-01905-0.
18. Güven, A. and M.Çimen. 2025. Milk production curves obtained from cows raised in Türkiye according to years and determination of production differences with the help of cluster analysis and Friedman test. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8(3): 1169–1186. https://doi.org/10.47495/okufbed.1568444
19. IBM SPSS. 2011. Statistics for Windows, 2011Version 20.0.Armonk, NY: IBM Corporation
20. Krishnamoorthy, K. 2016. Handbook of Statistical Distributions with Applications, 2nd Edition. Pp 383. CRC Press. Taylor&Franchis Group. ISBN-13: 978-1-4987-4150-7.
21. Konca, Y.,andA.YılmazAdkinson. 2021. Manda eti üretimi ve kalite özellikleri. European Journal of Scienc eand Technology31 : 420-428.
22. Kontaki, M., A. Gounaris, A. N. Papadopoulos, K. Tsichlas, and Y. Manolopoulos. 2011. Continuous monitoring of distance-based outliers over data streams. In: The 27th International Conference on Data Engineering (ICDE), pp. 135–146
23. Lipi, A., K. Kumar, and S. Chakraborty. 2020. Outliers: Detectionand Analysis. Pp.146. Nova Science PubInc. ISBN-10:1685075541
24. Monjas, A. M.,D. R. Ruiz,D. P. Rey, andM. Palchuk. 2023. Automatic outlier detection in laboratory result distributions within a real-world data network. Studies in Health Technology and Informatics, 302: 88–92. https://doi.org/10.3233/SHTI230070
25. Patel, J. K.,ve B. R Cambpell. 1996. Handbook of the Normal Distribution, (Statistics: A Series of Text boks and Monographs) 2nd Ed. Pp 456. CRC Press. ISBN-13:978-0824793425
26. Sadik, S.,ve L. Gruenwald. 2014. Research issues in outlier detection for data streams. ACM SIGKDD ExplorationsNewsletter15 (1): 33-40.
27. Sheskin, D.J. 2011. Handbook of Parametric and Non-Parametric Statistical Procedures, Fifth Edition. Taylor and Francis Group. 6000 Broken South Parkway NW Suite 300 Boca Raton. FI. 33487-2742. ISBN: 978-1-4398-5801-1.
28. Singh, J.P. 2022. Statistical Methods in PublicHealth, InGupta S.D. (eds) Health Care System Managements. Pp. 85-127. Springer. ISBN: 978-981-19-3076-8
29. Suri, N. N. R., M. M. Narasimha, and G. Athithan. 2019. Outlier detection: Techniques and applications – a data mining perspective. 1. bs., 214 s. Springer International Publishing. ISBN: 978-3-030-05127-3.
30. Thomopoulos, N.T. 2018. Probability Distributions: With Truncated, Log and Bivariate Extensions 1st Ed. pp. 163. Springerv Cham. ISBN978-3-319-76041-4.
31. TUİK. 2025. Türkiye İstatistik Kurumu. Büyükbaş hayvan et (karkas) üretim verileri. Ankara. https://data.tuik.gov.tr/Kategori/GetKategori?p=tarim-111&dil=1 DateAccessed 20.06. 2025.
32. Tüney Bebek, D., ve M. Keskin. 2018. Mersin ilinde koyun yetiştiriciliğinin mevcut durumu bazı verim ve yapısal özellikleri. Mustafa Kemal Üniversitesi Ziraat Fakültesi Dergisi 23 (2) :315-323. ISSN:1300-9362. https://dergipark.org.tr/tr/ download/article-file/606248
33. Tüney Bebek, D.,and M. Keskin. 2021a. Some reproductive, fattening and milk yield traits of South Karaman sheep. Mustafa Kemal Üniversitesi Tarım Bilimleri Dergisi 26 (1) : 1-7. ISSN:1300-9362. https://doi.org/10.37908/ mkutbd.729230
34. Tüney Bebek, D., ve M. Keskin. 2021b. Some morphological and physiological characteristics of South Karaman sheep I- morphological features, body measurements and liveweights. Lalahan Hayvancılık Araştırma Enstitüsü Dergisi 60 (2):62-67. https://doi.org/10.46897/livestockstudies.712627
35. Vieira, E. T. 2017. Introduction to Real World Statistics: With Step-By-Step SPSS Instructions. Routledge Pub. 1st Edition. Pp. 628. Kindle Ed. ISBN-13: 978-1351869812
36. Wang Y.,Z. Chen, J. Liu, and H. Wang. 2025. Outlier identification method based on multi-model weighted consensus in conjunction with Monte Carlo cross-validation. Journal of AOAC International, 23: 61–77. https://doi.org/10.1093/jaoacint/qsaf061
37. Williamson, D. 2024. Mastering Outliers in Data Analysis: A Practical Guide Using Excel and R. Pp. 156. Kindle Ed. First Edition. ASIN:B0DB4N7LV7
38. Ye, H., H. Kitagawa,ve J. Xia. 2015. Continuous angle-based outlier detection on high-dimensional datas treams. In: 19th International Database Engineering and Applications Symposium, 162–167.
39. Yılmaz, A., ve M. A. Kara. 2019. Dünyada ve Türkiye’de manda yetiştiriciliğinin durumu ve geleceği. Türkiye Tarımsal Araştırmalar Dergisi 6 (3): 356-363. doi: 10.19159/tutad. 598629