Talaşlı İmalat Sektöründe Zaman Serileri Kullanarak Üretim Etkililiğinin Tahmini

Yıl 2018, Cilt: 11 Sayı: 4, 407 - 416, 30.10.2018

Bahadır Aktaş Can Aydın

https://doi.org/10.17671/gazibtd.383339

Cited By: 1

Öz

Günümüzde imalat sektöründe bulunan şirketlerin,
üretim performansını, miktarını ve diğer değişkenleri tahmin edebilmesi
rekabet ortamında rakiplerine ciddi bir avantaj sağlamalarına sebep olmaktadır.
Üretim miktarlarının tahmin edilmesi tesisin gelecekteki giderlerini, üretim
tezgâhlarındaki hata oranlarını ve karşılaşılacak krizlerin önceden tespit
edilmesini sağlayarak verimlilik (etkililik) artışı sağlanmasına olanak
tanımaktadır. Bu kapsamda talaşlı imalat sektöründe üretim performansının zaman
serisi analizi kullanılarak yüksek doğrulukla ve hızlı bir şekilde tahmin
edilmesi amaçlanmaktadır. Bunun için AR ve ARIMA metotları karşılaştırılarak
uygun model seçimi gerçekleştirilmiştir. Seçilen model kullanılarak gerçeğe
yakın tahmin değerlerine ulaşılmıştır. Modellenmiş üretim performansı değerinin
üretim miktarı, üretim tonajı, üretilen parça başı ağırlık, kalıp revizyon
süresi ve bakım arıza süresi değerlerinin her biri ile polinom regresyon
yöntemi ile analizi yapılıp model oluşturulmuş ve performans tahmin değerinden
yola çıkarak bu değerlerin her birisi için ileriye dönük tahmin edilmiştir.
Elde edilen tahmini performans değerinden belirli ortalama hata payları ile
tezgâhlarda üretilen adet sayısı (%16), tonaj miktarı (%9), bakım-arıza süresi,
kalıp revizyon süresi (%51), adet başı tonaj oranı (%18) gibi diğer verilerle ile ilgili tahminlerin yapılması sağlanmıştır. 

Anahtar Kelimeler

Zaman Serisi Tahminlemesi, ARIMA, Karar Destek Sistemleri, Endüstri 4.0

Kaynakça

• [1] G. Schuh, T. Potente, C. Potente-Wesch, A. Weber, P. Prote, “Collaboration Mechanisms to Increase Productivity in the Context of Industrie 4.0”, Procedia CIRP, 19, 51-56, 2014.
• [2] B. H. Kang, T. H. Kim, G.Y. Kong, “A novel method for long-term time series analysis of significant wave height”, 16th Techno-Ocean Conference (Techno-Ocean), Kobe, Japonya, 6-8 Ekim 2016.
• [3] L. Luo, L. Luo, X.L. Zhang, “Hospital daily outpatient visits forecasting using a combinatorial model based on ARIMA and SES models”, Bmc Health Servıces Research, 17(469), 2017.
• [4] K. G. Boroojeni, M. H. Amini, S. Bahrami, S. S. Iyengar, Al. Sarwat, O. Karabasoglu, “A novel multi-time-scale modeling for electric power demand forecasting: From short-term to medium-term horizon”, Electric Power Systems Research, (142), 58-73, 2017.
• [5] H. Hassani, A. Webster, E. S. Silva, S. Heravi, “Forecasting US Tourist arrivals using optimal Singular Spectrum Analysis”, Tourism Management, 46, 322-335, 2015.
• [6] O. Kaynar, S. Taştan, “Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin Karşılaştırılması”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172, 2009.
• [7] G. Atsalakis, K.P. Valavanis, “Surveying Stock Market Forecasting Techniques – Part – I: Conventional Methods”, Computation Optimization in Economics and Finance Research Compendium, New York, ABD, 49-104, 2010.
• [8] H. Yeşilyayla, X-12 ARIMA metoduyla sosyo-ekonomik verilerin analizi, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 2013.
• [9] H. Kaur, S. Ahuja, “Time Series Analysis and Prediction of Electricity Consumption of Health Care Institution Using ARIMA Model”, Proceedings of Sixth International Conference on Soft Computing for Problem Solving. Advances in Intelligent Systems and Computing, (547) Springer, Singapore, 2017.
• [10] A. O. Solak, “Türkiye'nin Toplam Petrol Talebi ve Ulaştırma Sektörü Petrol Talebinin ARIMA Modeli ile Tahmin Edilmesi”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 2013.
• [11] O. Meçik, M. Karabacak, “ARIMA Modelleri İle Enflasyon Tahminlemesi: Türkiye Uygulaması”, SÜ İİBF Sosyal ve Ekonomik Araştırmalar Dergisi. 16(11), 2013.
• [12] A. Tortum, O. Gözcü, M. Y. Çodur, “Türkiye’de Hava Ulaşım Talebinin Arima Modelleri ile Tahmin Edilmesi”, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54, 2014.
• [13] G. Altınay, “Aylık elektrik talebinin mevsimsel model ile orta dönem öngörüsü”, Enerji, Piyasa ve Düzenleme. 1(1), 1-23, 2010.
• [14] A. Z. Gürler, B. Ayyıldız, E. Gürel, H. G. Doğan, “Ekolojik Ekonomi Perspektifinden Sürdürülebilirliğin ARIMA Yaklaşımı ile Projeksiyonu ‘Bric Ülkeleri Ve Türkiye’”, 12. Tarım Ekonomisi Kongresi, Isparta, Türkiye, 25-27 Mayıs 2016.
• [15] J. Sen, T. D. Chaudhuri, “A Predictive Analysis of the Indian FMCG Sector Using Time Series Decomposition-Based Approach”, Journal of Economics Library, 4(2), 2017.
• [16] O. Olominu, A. Sulaimon, “Application of Time Series Analysis to Predict Reservoir Production Performance”, Society of Petroleum Engineers Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, 5-7 August 2014.
• [17] L. Sanchez, G. Cabanas, Y. Abad, V. Torres, “Use Of ARIMA Models For Predicting Milk Production. Case Study in Ubpc ¨Maniabo¨”, Las Tunas”, Cuban Journal of Agricultural Science, 48(3), 2014.
• [18] M. Z. Babai, A. A. Syntetos, “Forecasting and inventory performance in a two-stage supply chain with ARIMA(0,1,1) demand: Theory and empirical analysis”, International Journal of Production Economics, 143(2), 463-471, 2013.
• [19] E. Cadenas, W. Rivera, R. Campos-Amezcua, C. Heard, “Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model”, Energies, 9(2), 2016.
• [20] C. N. Babu, B. E. Reddy, “A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data”, Applied Soft Computing, 23, 27-38, 2014.
• [21] M. A Awal, M. A. B. Siddique, “Rice Production In Bangladesh Employing By Arima Model”, Bangladesh Journal of Agricultural Research, 36(1), 51-62, 2011.
• [22] S. Asadi, A. Tavakoli, S.R. Hejazi, “A new hybrid for improvement of auto-regressive integrated moving average models applying particle swarm optimization”, Expert Systems with Applications, 39(5), 5332-5337, 2012.
• [23] D. Tomić, S. Stjepanović, “Forecasting Capacity of ARIMA Models; A Study on Croatian Industrial Production and its Sub-sectors”, Zagreb International Review of Economics & Business, 20(1), 2017.
• [24] V. E. Tsitsika, C. D. Maravelias, J. Haralabous, “Modelling and forecasting pelgic fish production using unvariate and multivariate ARIMA models”, Fisheries Science, 73, 979-988, 2007.
• [25] T. C. Horngren, G. Foster, M. S. Datar, Cost Accounting A Managerial Emphasis, Tenth Edition, Prentice Hall International Inc., Londra, İngiltere, 2000.
• [26] S. Yükçü, G. Atağan, “Etkı̇nlı̇k, Etkı̇lı̇lı̇k Ve Verı̇mlı̇lı̇k Kavramlarının Yarattığı Karışıklık”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(4), 2009.
• [27] G. E. P. Box, D. A. Pierce, “Distribution of Residual Autocorrelations in Autoregressive-Integrated Moving Average Time Series Models”, Journal of the American Statistical Association, 65(332), 1509-1526, 1970.
• [28] G. M. Ljung, G. E. P. Box, “On a measure of Lack of Fit in Time Series Models”, Biometrika, 65(2), 297-303, 1978.
• [29] M. H. Calp, “İşletmeler için Personel Yemek Talep Miktarının Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi”, Politeknik Dergisi, 2019. DOI: 10.2339/politeknik.444380. (Basımda)
• [30] A. H. Gandomi, D. A. Roke, “Assessment of Artificial Neural Network and Genetic Programming as Predictive Tools”, Advances in Engineering Software, 88, 63-72, 2015.
• [31] A. Myttenaere, B. Golden, B. L. Grand, F. Rossi, “Mean Absolute Percentage Error for Regression Models”, Neurocomputing, 192, 38-48, 2016.