SavedAdd your journal

Journals / Ege Akademik Bakış / 2015 / Cilt: 15 - Sayı: 2

Forecasting amount of export demand with artifcial neural networks method: Acomparative analysis of arıma and ann

Yapay sinir ağları metodu ile ihracat miktarlarının tahmini: Arıma ve ysa metodunun karşılaştırmalı analizi

Mehmet KARAHAN
Pages
165–172
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

According to the results of the error test, the model isreliable and consistent.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Decision-making is the requirement of all businesses in thefuture to maintain and improve the existing situation to predictfuture events and are required to produce appropriate solutionswithin the framework of a good plan.
📊
Key Findings & Data:The purpose of the forecast,businesses may face situations in the future to predict before,using diferent data and techniques to enable measures to betaken before.
💡
Conclusion & Impact:According to the results of the error test, the model isreliable and consistent.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

Decision-making is the requirement of all businesses in thefuture to maintain and improve the existing situation to predictfuture events and are required to produce appropriate solutionswithin the framework of a good plan. The purpose of the forecast,businesses may face situations in the future to predict before,using diferent data and techniques to enable measures to betaken before. In this study, using artificial neural network modelfrom statistical techniques to forecast demand, product of driedapricots belong to Malatya exports was applied to forecastdemand. According to the results of the error test, the model isreliable and consistent.

Özet

Karar verme zorunluluğunda olan tüm işletmeler, gelecektemevcut durumlarını muhafaza etmek ve geliştirebilmekiçin gelecekteki olayları tahmin etmek ve iyi bir plan çerçevesinde uygun çözümler üretmek zorundadırlar. Tahmininamacı işletmelerin gelecekte karşılaşabilecekleri durumlarıönceden öngörmek, çeşitli veri ve teknikleri kullanarak önceden önlemler alınmasını sağlamaktır. Bu bağlamda yapılançalışmada, istatistiksel talep tahmin tekniklerinden yapay sinir ağı modeli kullanılarak, Malatya ili kuru kayısı ürününe ait ihracat miktarlarının tahmini uygulaması yapılmıştır. Uygulamasonrası yapılan hata testi sonuçları, modelin yaptığı tahminlerin güvenilir ve tutarlı olduğunu göstermiştir.

🔖

Cite This Article

KARAHAN, M. (2022). Forecasting amount of export demand with artifcial neural networks method: Acomparative analysis of arıma and ann. Ege Akademik Bakış, Cilt: 15 - Sayı: 2, 165–172. https://ajindex.com/articles/495283

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Akgül, Işıl (2003). Zaman Serilerinin Analizi ve ARIMA Modelleri, Der Yayınları, İstanbul s. 138. Aksoy, Hafzullah ve Dahamsheh, Ahmad (2009). Artifcial neural network models for forecasting month- ly precipitation in Jordan, Stock Environ Res Risk Assess (2009) 23: 917–931. Asilkan, Özcan ve Irmak, Sezgin (2009). İkinci El Otomobillerin Gelecekteki Fiyatlarının Yapay Sinir Ağ- ları ile Tahmin Edilmesi, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2) 2009: 375-391.
  2. Avcı, Emin (2009). Yapay Sinir Ağları Modelleri İle Hisse Senedi Getiri Tahminleri, Marmara Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(1) 2009: 443-461.
  3. Bağırkan, Ş. (1982)
  4. İstatistiksel Analiz, Önsöz Basım ve Yayıncılık, İstanbul Bayır, F. (2006) “Yapay Sinir Ağları ve Tahmin Mo- dellemesi Üzerine Bir Uygulama” Yayınlanmamış Yüksek Lisans Tezi, İstanbul, İstanbul Üniversitesi Sosyal Bilimler Enstitüsü. Benli, Yasemin Keskin (2005). Bankalarda Mali Başa- rısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması, Gazi Üniversitesi Endüstriyel Sanat- lar Eğitim Fakültesi Dergisi Sayı: 16, ss. 31-46.
  5. Bolt, G.J. (1981)
  6. Market and Sales Forecasting, A Total Approach, Second Edition,
  7. London, Kogan Page Limited. Çağlar, T. (2007) “Talep Tahmininde Kullanılan Yöntemler ve Fens Teli Üretimi Yapan Bir İşletmede Uy- gulanması” Yayınlanmamış Yüksek Lisans Tezi, Kırıkkale, Kırıkkale Üniversitesi,
  8. Fen Bilimleri Enstitüsü. Çelik, B. (2008) “YSA Metodolojisi ile Zaman Serisi Analizi: Teori ve Uygulama” Yayınlanmamış Yüksek Lisans Tezi, İstanbul, Marmara Üniversitesi Sosyal Bilimler Enstitüsü. Çuhadar, Murat, Güngör, İbrahim ve Göksu, Ali (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) 2009: 99-114.
  9. Çuhadar, Murat; Güngör, İbrahim; Göksu, Ali (2009).Turizm Talebinin Yapay Sinir Ağları İle Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi iktisadi ve idari Bilimler Fakültesi Dergisi, 14(1): 99-114.
  10. Efendigil, T. (2008) “Müşteri Odaklı Sistemler için YSA ve Bulanık Çıkarım Tabanlı Karar Destek Sistemi Yaklaşımı” Yayınlanmamış Doktora Tezi, İstanbul, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü. Efendigil, T., Önüt, S., ve Kahraman, C. (2009) “A decision support system for demand