Türkiye'de Buğday Üretim Miktarının Geleceğini Tahmin Etmede Veri Madenciliği Yöntemlerinin Etkinliğinin Karşılaştırılması

Yıl 2024, Cilt: 13 Sayı: 1, 1 - 11, 11.11.2024

Fatma Çiftci

Öz

Temel gıda ürünlerinde olan ekmek ve makarnanın hammeddesini oluşturan buğdayın üretim miktarı gıda güvenliğini doğrudan ilgilendiren konuların başında gelmektedir. Artan nüfus, ekonomik krizler, iklim değişikliği, savaşlar ve salgın hastalıklar gıda güvenliğinin önemini ortaya koymaktadır. Özellikle iklimin etkisinin son derece önemli olduğu tarımsal ürünlerin üretim miktarlarının önceden tahmin edilebilmesine yönelik çalışmalar son zamanlarda önem kazanmıştır. Nitekim veri madenciliği ile bilgiye ulaşım ve yapılan tahminlemeler ile devlet politikalarının yanı sıra şirketler de pazarlama stratejilerini belirlemektedir. Bu çalışma ile Türkiye’ nin 1961-2022 yılları arası buğday üretim miktarı verilerinden yararlanılarak önümüzdeki 12 yıllık üretim tahminlemesi Lineer Regresyon tekniği ve Yapar Sinir Ağı (YSA) tekniği kullanılarak yapılmıştır. Yapılan tahminler, Hata Kareler Ortalamasının Karekökü (Root Mean Square Error - RMSE), Ortalama Mutlak Hata (Mean Absolute Error - MAE), Korelasyon Katsayısının Karesi (R2 ) ve Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error -MAPE) değerleri kullanılarak karşılaştırılmış ve bu sayede hangi tekniğin daha başarılı tahmin performansı gösterdiğine karar verilmiştir. Tüm bu sonuçlar doğrultusunda, yapay sinir ağı tekniğinin daha başarılı sonuçlar sağladığı açıkça ortaya konmuştur. YSA tekniği tahminleme sonucu Türkiye’nin buğdayın üretim miktarı 20 463 810 ton olarak belirlenmiştir.

Anahtar Kelimeler

buğday, Lineer Regresyon, Veri Madenciliği, Yapay Sinir Ağı, Yönetim Bilişim Sistemleri

Kaynakça

• Akel, V., Karacameydan, F. (2012). “Yatırım Fonları Net Varlık Değerlerinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi”, Anadolu Üniversitesi Sosyal Bilimler Dergisi, Cilt/Vol.: 12 - Sayı/No: 2 (87-106).
• Alan, M. (2004). Sivas Erzincan Kalkınma Projesi (SEKP) verilerinin veri madenciliği ile sınıflandırılması ve kümelenmesi. Manas Sosyal Araştırmalar Dergisi, 3(2), 129-144.
• Asilkan, Ö., Irmak, S. (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağları İle Tahmin Edilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 375-391.
• Budak, H., Erpolat, S. (2012), “Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması”, Ajıt‐E: Online Academic Journal of Information Technology, 3(9). 23-30.
• Can, Ş., Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi ve yapay sinir ağı teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi Dergisi, 25(3), 1017-1031.
• Chandio. A. A., Gökmenoğlu. K. K. & Ahmad. F. (2021). Addressing the long and short-runeffects of climate change on major food crops production in Turkey. Environmental Science and Pollution Research, 28(37). 51657-51673.
• Çınaroğlu, E., & Avcı, T. (2020). THY hisse senedi değerinin yapay sinir ağları ile tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 34(1), 1-19.
• Çelik, Ş., Köleoğlu, N. (2022). Trend analizi ve yapay sinir ağları: Tarımda bir uygulaması. Journal of Awareness, 7(1), 39-46.
• Delen, D., Walker, G., Kadam, A. (2004). Predicting Breast Cancer Survivability: A Comparison Of Three Data Mining Methods. Artificial Intelligence in Medicine, 35, 113-127.
• Ekinci, Y., Temur, G. T., Çelebi, D., Bayraktar, D. (2008). “Ekonomik Kriz Döneminde Firma Başarısı Tahmini: Yapay Sinir Ağları Tabanlı Bir Yaklaşım”, Endüstri Mühendisliği Dergisi, Cilt: 21 Sayı: 1 (17-29).
• Eğrioğlu, E., Yolcu, U. ve Baş, E. (2019). Yapay sinir ağları öngörü ve tahmin uygulamaları. Ankara: Nobel.
• FAO, 2022, http://www.fao.org/faostat/en/#data /Erişim Tarihi: 13 Mayıs 2024.
• Gujarati, D. N. (2003). Basic Econometrics. Mc-Graw-Hill, North America.
• Gümüştekin, G. E. (2004). İşletmelerde Yönetim Bilişim Sistemleri. Yönetim ve Ekonomi Dergisi, 11(1), 125-142.
• Şimşek, O., Mermer, A., Yıldız, H., Aytaç Özaydın, K., Çakmak, B. (2007). AgroMetShell modeli kullanılarak Türkiye’de buğdayın verim tahmini. Journal of Agricultural Sciences, 13(03), 299-308.
• Ibrahim, M. H. (2019). Ayrıklaştırma ve optimizasyon yaklaşımları ile sınıflandırma algoritmalarının performansının iyileştirilmesi (Improving the performance of classification algorithms with discretization and optimization approaches) (Doktora tezi) Selçuk Üniversitesi, Türkiye.
• Ibrahim, Z., Rusli, D. (2007). Predicting Students’ Academic Performance: Comparing Artifıcial Neural Network, Decision Tree And Linear Regression, 21st Annual SAS Malaysia Forum, 5th September 2007.
• Kadılar, C. (2009). SPSS Uygulamalı Zaman Serileri Analizine Giriş. Bizim Büro Yayınevi, Ankara.
• Kara, M. A. (2024). Fındık Fiyatlarının Yapay Sinir Ağları ile Tahminlenmesi: Türkiye Örneği. Batman Üniversitesi Yaşam Bilimleri Dergisi, 14(1), 31-42.
• Kayakuş, M. (2021). Yazılım çaba tahmininde yapay sinir ağları için optimum yapının belirlenmesi. Avrupa Bilim ve Teknoloji Dergisi, (22), 43-48.
• Kaynar, O., Taştan, S. (2009). Zaman Serisi Analizinde Mlp Yapay Sinir Ağları Ve Arıma Modelinin Karşılaştırılması, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161-172.
• Kobu, B. (2017). Talep Tahminlerinde Duyarlılık, Üretim Yönetimi, 18.baskı, Beta Basım Yayım Dağıtım, İstanbul, Türkiye, 120-125.
• Kurt, R., Karayılmazlar, 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.
• Özdemir, M. O., Çılgın, C., (2022). Buğday fiyatının öngörümlenmesinde makine öğrenmesi ve zaman serisi tahmin modellerinin performanslarının karşılaştırılması. 21. Yüzyılda iktisadı anlamak (pp.203-218), ankara: gazi kitabevi.
• Saigal, S., Mehrotra, D. (2012). Performance Comparison Of Time Series Data Using Predictive Data Mining Techniques. Advances in Information Mining, 4(1).
• Yao, X., (1999). Evolving artificial neural networks, Proceedings of the IEEE, 87 (9), 1423-1447.
• Yıldız, B. (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirketlerde Ampirik Bir Uygulama. İMKB Dergisi, 17: 51-67.
• Yıldız, İ. (2022). Veri Madenciliği: Makine Öğrenme Algoritmaları ile Türkiye’nin İşsizlik Oranı Tahminini Etkileyen Faktörlerin Tespit Edilmesi. Uluslararası Yönetim Bilişim Sistemleri ve Bilgisayar Bilimleri Dergisi, 6(2), 78-91.
• Wang, S., Dong, X., & Sun, R. (2010). Predicting saturates of sour vacuum gas oil using artificial neural networks and genetic algorithms. Expert Systems with Applications, 37(7), 4768-4771.