Prediction for Türkiye’s Tea Product With Machine Learning Algorithms

Abstract

This study predicts tea production in Turkey using machine learning algorithms. The analysis utilized data from 2001 to 2022, including tea production quantity, fresh tea prices, tea production area, temperature, and humidity. The study was conducted using the MATLAB 2023b Regression Learner toolbox. Initially, the obtained data were normalized, and then prediction performances were evaluated using various machine learning algorithms. The metrics used in the study included R², MAE, RMSE, and MSE. As a result, the Gaussian Process Regression algorithm emerged as the best-performing machine learning method

Keywords

• Machine Learning
• Tea
• Agriculture
• ANNs
• Prediction

References

1. [1] Bayyurt, D., & Deveci Kocakoç, İ. (2023). Yapay sinir ağlari narx ile Türkiye findik üretim miktari tahmini. Giresun Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 9(1), 15-35. https://doi.org/10.46849/guiibd.1271782
2. [2] Can, Ş. & Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi vey apay sinir ağır teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi Dergisi, 25(3), 1071-1031. https:/doi.org/10.18657/yonveek.457761
3. [3] ÇAYKUR (2023). Çay İşletmeleri Genel Müdürlüğü, 2022 Yılı Çay Sektörü Raporu, Mayıs 2023. Erişim tarihi. 16.01.2023.
4. [4] Cifuentes, J., Geovanny M., Antonio B., and Javier R. ( 2020). Air Temperature Forecasting Using Machine Learning Techniques: A Review, Energies, 13(16), 4215. https://doi.org/10.3390/en13164215
5. [5] Dietterich, T.G. (2000). An experimental comparison of three methods for constructing ensembles of decision tress: Bagging, boosting, and randomization. Machine Learning, 40, 139-157.
6. [6] Eğrioğlu, E., Yolcu, U. & Baş, E. (2019). Yapay sinir ağları. Nobel Yayınları.
7. [7] Engin, E. & İlter Fakhouri, D. (2024). Comparison of machine learning algorithms for predicting financial risk in cash flow statements. Turkish Journal of Forecasting, 08(1), 1-12. https://doi.org/10.34110/forecasting.1403565.
8. [8] Granata, F., Papirio, S., Esposito, G., Gargano, R., & De Marinis, G. (2017). Machine learning algorithms for the forecasting of wastewater quality indicators. Water, 9(2), 105.

9. [9] Gür, Y. E., & Eşidir, K. A. (2024). Türkiye hurda demir çelik ithalatının gelecek değerlerinin derin öğrenme, makine öğrenmesi ve topluluk öğrenme yöntemleri ile öngörülmesi. Alanya Akademik Bakış, 8(3), 885-908. https://doi.org/10.29023/alanyaakademik.1497646.
10. [10] İslamoğlu, E. (2020). Modern zaman serileri ve yöntemleri. Nobel Yayıncılık.
11. [11] Kara, M.A. & Genç, K.Y. (2022). Kooperatiflerde kurumsal yönetişim. Eğiten Kitap.
12. [12] Karahan, M. (2015). Yapay sinir ağları metodu ile ihracat miktarlarının tahmini: ARIMA ve YSA metodunun karşılaştırmalı analizi. Ege Akademik Bakış, 15(2), 165-172.
13. [13] Khamis, A., & Abdullah, S. N. S. B. (2014). Forecasting wheat price using back propagation and NARX neural network. The International Journal of Engineering and Science, 3(11), 19-26.
14. [14] Loh, W.Y. (2011). Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1(1), 14-23.
15. [15] Makridakis S, Spiliotis E, Assimakopoulos V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889. https://doi.org/10.1371/journal.pone.0194889
16. [16] Pisner, D.A. & Schnyer, D.M. (2020). Support vector machine. In Machine Learning (pp. 101-121). Academic Press.
17. [17] Şahin Yıldırım, E. (2020). Doğu Karadeniz’de Bir Kolektif Dayanışma: Hopa Çay Kooperatifi. Journal of Sociological Research. 23 (2), 357-391.
18. [18] Sivaranjani, T., & Vimal, S. P. (2023, January). Application of NARX Neural Network for Predicting Suitable crop for Cultivation-An Comparative analysis. In 2023 5th International Conference on Smart Systems and Inventive Technology (ICSSIT) (pp. 1333-1336). IEEE.
19. [19] Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (2023). Ürün Raporu Çay 2023. Erişim Tarihi: 16.01.2024.
20. [20] Tosunoğlu, N. (2021). Zaman serilerinin öngörüsünde yapay sinir ağları. Detay Yayıncılık.
21. [21] Williams, C., & Rasmussen, C. (1995). Gaussian process for regression. Advances in Neural Information Processing Systems, 8.
22. [22] Yavuz, S., & Deveci, M. (2012). İstatiksel normalizasyon tekniklerinin yapay sinir ağin performansina etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (40), 167-187.
23. [23] Yildirim, H., & Karaatli, M. (2022). Yapay sinir ağlari narx modeli ile elma üretim miktarinin öngörülmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi (42), 1-29.
24. [24] Yu, C. & Yao, W. (2017). Robust linear regression: A review and comparison. Communications in Statistics-Simulation and Computation, 46(8), 6261-6282.