Trend analysis and artificial neural networks: An application in agriculture

Abstract

The aim of this study is to show that production planning may be performed using artificial neural networks (ANN) and trend analysis in the establishment of sainfoin production amount model and in forecasting in Turkey by years. The study covers data for the period 1990-2020. In the development of ANN and trend analysis, parameter of years was used as an input parameter and production amount was used as an output parameter. Linear, quadratic and cubic models are used in trend analysis. In the ANN method, the Hyperbolic Tangent Function is used as the activation function. The efficiency of the model developed was determined using statistical parameters such as Mean Squared Error (MSE) and determination coefficient (R2). Comparing trend analysis and ANN, ANN method with lower mean square error (MSE) value gave better results. Prediction has been made according to ANN. The results foresee that sainfoin production will be in a decline in 2025 over the year 2020. The sainfoin production, which was 1 934 697 tons in 2020, is expected to be 1 860 691 tons with a decrease of 3.83% in 2025. ANN is a useful tool in terms of determining the results found in case of any changes that may occur in variables and in terms of improving the processes accordingly. It has been noted that ANN models yield better results than trend analysis in production modelling.

Keywords

• Artificial Neural Network
• Trend Analysis
• Production
• Sainfoin

Trend analizi ve yapay sinir ağları: Tarımda bir uygulaması

Öz

Bu çalışmanın amacı Türkiye'de yıllara göre korunga üretim miktarının modelinin kurulması ve öngörü yapılmasında yapay sinir ağları (YSA) ve trend analizi kullanılarak üretim planı yapılabileceğini göstermektir. Çalışma, 1990-2020 dönemine ait verileri kapsamaktadır. YSA ve trend analizi geliştirilmesinde girdi parametresi olarak yıllar parametresi, çıkış parametresi olarak üretim miktarı kullanılmıştır. Trend analizinde doğrusal, karesel ve kübik modeller kullanılmıştır. YSA yönteminde aktivasyon fonksiyonu olarak Hiperbolik Tanjant Fonksiyonu kullanılmıştır. Geliştirilen modelin etkinliği Hata Kareler Ortalaması (MSE) ve determinasyon katsayısı (R2) gibi istatistiksel parametreler kullanılarak belirlenmiştir. Trend analizi ve YSA karşılaştırıldığında, en küçük hata kareler ortalaması (HKO) değerini veren YSA yöntemi daha iyi sonuçlar vermiştir. YSA’na göre öngörü yapılmıştır. Sonuçlar korunga üretiminin 2025 yılında 2020 yılına oranla bir düşüşte olacağını öngörmektedir. 2020 yılında 1 934 697 ton olan korunga üretiminin 2025 yılında %3.83’lük bir düşüşle 1 860 691 ton olacağı beklenmektedir. YSA, değişkenlerde meydana gelebilecek herhangi bir değişim karşısında ortaya çıkabilecek sonuçların tespitinin sağlanmasında ve bu yolla süreçlerin iyileştirilmesinde faydalı bir araçtır. YSA modellerinin üretim modellemesinde trend analizinden daha iyi sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

• Yapay Sinir Ağı
• Trende Analizi
• Üretim
• Korunga

Kaynakça

1. AKKAYA, Ş. (1990). Ekonometri I. Anadolu Matbaacılık, İzmir.
2. ALP, S., & ÖZ, E. (2019). Makine Öğrenmesinde Sınıflandırma Yöntemleri ve R Uygulamaları. Nobel Akademik Yayıncılık, Ankara.
3. ATASEVEN, B. (2013). Yapay Sinir Ağları ile Öngörü Modellemesi. Öneri, 10(39):101-115.
4. BENLİ, Y. 2002. Finansal Başarısızlığın Tahmininde Yapay Sinir Ağı Kullanımı ve İMKB’de Bir Uygulama. Muhasebe Bilim Dünyası Dergisi, 4(4): 17-30.
5. ÇELİK, Ş. (2020). Estimation Modelling of The Amount of Fodder Beet Production in Turkey Comparative Analysis of Artificial Neural Networks and Trend Analysis Methods. Journal of Multidisciplinary Engineering Science Studies (JMESS), 6(7): 3372–3375.
6. ÇUHADAR, M., GÜNGÖR, İ., & GÖKSU, A. (2009). Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama. Süleyman Demirel Üniversitesi. İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1): 99-114
7. ERTUĞRUL, İ., & BEKİN, A. (2016). Türkiye’de bazı temel gıda fiyatları için Yapay Sinir Ağlar ve Zaman Serisi tahmin modellerinin karşılaştırmalı analizi. Kafkas Üniversitesi İktisadi ve İdari Bilimler Dergisi, 7(13): 253-280.
8. GAMGAM, H., & ALTUNKAYNAK, B. (2015). SPSS Uygulamalı Regresyon Analizi. Seçkin Yayıncılık, Ankara.

9. GUJARATİ, D. N. (2003). Basic Econometrics. McGraw-Hill, North America.
10. KADILAR, C. (2009). SPSS Uygulamalı Zaman Serileri Analizine Giriş. Bizim Büro Yayınevi, Ankara.
11. KARAALİ, F. Ç., & ÜLENGİN, F. (2008). Yapay Sinir Ağları ve bilişsel haritalar kullanılarak işsizlik oranı öngörü çalışması. İTÜ Dergisi/Seri D Mühendislik, 7(3): 15- 26.
12. KAYNAR, O., & TAŞTAN, S. (2009). Zaman serisi analizinde MLP Yapay Sinir Ağları ve ARIMA modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33: 161-172.
13. KURT, R., KARAYILMAZLAR, S., İMREN, E., & ÇABUK, Y. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kâğıt-Karton Sanayi Örneği. Bartın Orman Fakültesi Dergisi, 19(2): 99-106.
14. MONTGOMERY, D. C., PECK, E. A., & VİNİNG, G. G. (2012). Introduction to Linear Regression Analysis. John Wiley and Sons, Inc., USA.
15. ÖZTEMEL, E. (2012). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
16. SERPER, Ö. (2004). Uygulamalı İstatistik 2. Ezgi Kitabevi, Bursa.
17. SİNGH, K. P., BASANT, A., MALİK, A., & JAİN, G. (2009). Artificial neural network modeling of the river water quality-A case study. Ecological Modelling, 220(6): 888-895.
18. WANG, S., DONG, X., & RENJIN SUN, R. (2010). Predicting saturates of sour vacuum gas oil using artificial neural networks and genetic algorithms. Expert Systems with Applications, 37: 4768-4771.
19. YALÇINÖZ, T., HERDEM, S., & EMİNOĞLU, U. (2002). Yapay Sinir Ağları ile Niğde Bölgesinin elektrik yük tahmini. ELECO’2002 Elektrik, Elektronik ve Bilgisayar Mühendisliği Sempozyumu ve Fuarı, sayfa 25-29, Bursa, 18-22 Aralık 2002.
20. YILDIRAN, A. (2019). Nehir akışının Yapay Zeka ve Trend Analizi metotları ile tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü Yüksek lisans tezi, Bilecik.
21. YILDIZ, B. (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama. İMKB Dergisi, 17: 51-67.
22. YİĞİTER, Ş. Y., & SARI, S. S. (2017). Hisse senedi kapanış fiyatlarının Yapay Sinir Ağları ve Bulanık Mantık çıkarım sistemleri ile tahmin edilmesi. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(1): 1-22.
23. ZHANG, G., PATUWO, B. E., & HU, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14: 35–62