KaydedilenlerDerginizi ekleyin

Dergiler / Ekonomi İşletme ve Maliye Araştırmaları Dergisi / 2026 / Cilt: 8 Sayı: 2

Sanayi Üretim Endeksinin Kural Tabanlı Sınıflandırma Algoritmaları ile Analizi

Analysis of Industrial Production Index with Rule-Based Classification Algorithms

Enes Filiz(BALIKESİR ÜNİVERSİTESİ)0000-0002-8006-9467
Sayfa
162–178
Yayın Tarihi
2026-08-28
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Araştırma sonucunda elde edilen bulgular, kural tabanlı algoritmaların Türkiye’nin sanayi üretim endeksindeki karmaşık ve doğrusal olmayan ilişkiler için sınıflandırmada oldukça başarılı olduğunu ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sanayi üretim endeksi, bir ülkenin ekonomik büyümesi ve kalkınma dinamikleri hakkında stratejik bilgiler sunan en temel makroekonomik göstergelerden biridir.
📊
Temel Bulgular & Veri:Bu çalışmanın temel amacı, Türkiye’de Temmuz 2013 ile Ocak 2026 dönemini kapsayan sanayi üretim endeksindeki değişimi, kural tabanlı öğrenme algoritmaları kullanarak başarılı bir şekilde sınıflandırmaktır.
💡
Sonuç & Katkı:Araştırma sonucunda elde edilen bulgular, kural tabanlı algoritmaların Türkiye’nin sanayi üretim endeksindeki karmaşık ve doğrusal olmayan ilişkiler için sınıflandırmada oldukça başarılı olduğunu ortaya koymuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2013 Verileri
⚙️Değişkenler:Sanayi Üretim Endeksi · Kural Tabanlı Öğrenme · MOEFC

Özet

Sanayi üretim endeksi, bir ülkenin ekonomik büyümesi ve kalkınma dinamikleri hakkında stratejik bilgiler sunan en temel makroekonomik göstergelerden biridir. Bu çalışmanın temel amacı, Türkiye’de Temmuz 2013 ile Ocak 2026 dönemini kapsayan sanayi üretim endeksindeki değişimi, kural tabanlı öğrenme algoritmaları kullanarak başarılı bir şekilde sınıflandırmaktır. Analiz sürecinde 41 farklı ekonomik değişken kullanılmış; RIPPER, MOEFC ve NNge algoritmaları yardımıyla farklı Hold-Out oranları (%50, %66, %70, %80) ile analizler yapılmıştır. Araştırma sonucunda elde edilen bulgular, kural tabanlı algoritmaların Türkiye’nin sanayi üretim endeksindeki karmaşık ve doğrusal olmayan ilişkiler için sınıflandırmada oldukça başarılı olduğunu ortaya koymuştur. Özellikle MOEFC algoritması, tüm test senaryolarında en istikrarlı performansı sergileyerek %96,0’lık bir doğru sınıflandırma oranına ve 0,9610 ROC eğrisi değerine ulaşmıştır. Elde edilen sonuçlar, kural tabanlı yaklaşımların sanayi üretimi gibi dinamik süreçlerin sınıflandırılmasında politika yapıcılar ve araştırmacılar için güvenilir, yorumlanabilir ve güçlü bir alternatif sunduğunu ortaya koymaktadır.

Abstract

The industrial production index is one of the most fundamental macroeconomic indicators, offering strategic insights into a country's economic growth and development dynamics. The primary objective of this study is to successfully classify the changes in Türkiye's industrial production index covering the period from July 2013 to January 2026, using rule-based learning algorithms. During the analysis process, 41 different economic variables were utilized, and evaluations were conducted using RIPPER, MOEFC, and NNge algorithms across various Hold-Out ratios (50%, 66%, 70%, and 80%). The findings reveal that rule-based algorithms are highly effective in classifying the complex and non-linear relationships inherent in Turkey's industrial production index. Notably, the MOEFC algorithm exhibited the most stable performance across all test scenarios, achieving an impressive classification accuracy of 96.0% and a ROC curve value of 0.9610. These results demonstrate that rule-based approaches provide a reliable, interpretable, and robust alternative for policymakers and researchers in classifying dynamic processes such as industrial production.

🔖

Bu Makaleye Atıf Yap

Filiz, E. (2026). Sanayi Üretim Endeksinin Kural Tabanlı Sınıflandırma Algoritmaları ile Analizi. Ekonomi İşletme ve Maliye Araştırmaları Dergisi, Cilt: 8 Sayı: 2, 162–178. https://doi.org/10.38009/ekimad.1938662

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (31)

  1. Ahmed, H. J. A., Bashar, O. H., & Wadud, I. M. (2012). The transitory and permanent volatility of oil prices: What implications are there for the US industrial production?. Applied Energy, 92, s. 447-455.
  2. Bernard, J. A. (2002). Use of a rule-based system for process control. IEEE Control Systems Magazine, 8(5), s. 3-13.
  3. Bingöl, U., Ertuğrul, H. M., & Koçak, N. A. (2025). Forecasting the Turkish Manufacturing Industrial Production Index: An Empirical Comparison of Time Series and Machine Learning Models. İstanbul İktisat Dergisi, 75(1), s. 1-16.
  4. Bodo, G., Golinelli, R., & Parigi, G. (2000). Forecasting industrial production in the Euro area. Empirical economics, 25(4), s. 541-561.
  5. Bougatef, K., Nakhli, M. S., & Mnari, O. (2020). The nexus between Islamic banking and industrial production: Empirical evidence from Malaysia. ISRA International Journal of Islamic Finance, 12(1), s. 103-114.
  6. Cohen, W. W. (1995). Fast effective rule induction. In Machine learning proceedings 1995 (s. 115-123). Morgan Kaufmann.
  7. Crafts, N. F., Leybourne, S. J., & Mills, T. C. (1989). Trends and cycles in British industrial production, 1700–1913. Journal of the Royal Statistical Society Series A: Statistics in Society, 152(1), s. 43-60.
  8. Davis, J. H. (2004). An annual index of US industrial production, 1790–1915. The Quarterly Journal of Economics, 119(4), s. 1177-1215.
  9. De Gasperis, G., & Facchini, S. D. (2025). A comparative study of rule-based and data-driven approaches in industrial monitoring. arXiv preprint arXiv:2509.15848.
  10. Ejaz, M., & Iqbal, J. (2021). Estimation and Forecasting of Industrial Production Index. Lahore Journal of Economics, 26(1), s. 1-30.
  11. Filiz, E. (2023). Kripto para ve döviz türlerinin BİST-100 endeksi üzerine etkilerinin incelenmesi. GÜNCEL EKONOMİK SORUNLAR. s. 21-34. İksad publishing house, Ankara, Türkiye.
  12. Furukawa, K., Hisano, R., Minoura, Y., & Yagi, T. (2024). A nowcasting model of industrial production using alternative data and machine learning approaches. Japan and the World Economy, 71, 101271.
  13. Fürnkranz, J., & Kliegr, T. (2015, July). A brief overview of rule learning. In International symposium on rules and rule markup languages for the semantic web (s. 54-69). Cham: Springer International Publishing.
  14. Hassani, I. E., Mazgualdi, C. E., & Masrour, T. (2019). Artificial intelligence and machine learning to predict and improve efficiency in manufacturing industry. arXiv preprint arXiv:1901.02256.
  15. Herrera, A. M., Lagalo, L. G., & Wada, T. (2011). Oil price shocks and industrial production: Is the relationship linear?. Macroeconomic dynamics, 15(S3), s. 472-497.
  16. Işık, C., Ongan, S., Ozdemir, D., Jabeen, G., Sharif, A., Alvarado, R.,. & Rehman, A. (2024). Renewable energy, climate policy uncertainty, industrial production, domestic exports/re-exports, and CO2 emissions in the USA: a SVAR approach. Gondwana Research, 127, s. 156-164.
  17. Janamrung, B., & Issarawornrawanich, P. (2015). The association between corporate social responsibility index and performance of firms in industrial products and resources industries: empirical evidence from Thailand. Social Responsibility Journal, 11(4), s. 893-903.
  18. Jiménez, F., Sánchez, G., & Juárez, J. M. (2014). Multi-objective evolutionary algorithms for fuzzy classification in survival prediction. Artificial intelligence in medicine, 60(3), s. 197-219.
  19. Martin, B. (1995). Instance-based learning: nearest neighbor with generalization. Hamilton, New Zealand.
  20. Patil, P., Jyothirani, S. A., & Haragopal, V. V. (2022). Impact of Lockdown on India's Index of Industrial Production–Traditional and Deep Learning Statistical Approach. European Journal of Mathematics and Statistics, 3(4), s. 62-70.
  21. Potdar, K., & Kinnerkar, R. (2017, July). A non-linear autoregressive neural network model for forecasting indian index of industrial production. In 2017 IEEE region 10 symposium (TENSYMP) (s. 1-5). IEEE.
  22. Roy, S. (2002). Nearest neighbor with generalization. Christchurch, New Zealand.
  23. Sólnes, J. (2003). Environmental quality indexing of large industrial development alternatives using AHP. Environmental impact assessment review, 23(3), s. 283-303.
  24. Tao, S., Wu, X., Fang, K., & Lin, D. (2024). Identifying drivers of county-level industrial carbon intensity by a generic machine learning framework. Journal of Cleaner Production, 454, 142276.
  25. Tiryaki, A., Ceylan, R., & Erdoğan, L. (2019). Asymmetric effects of industrial production, money supply and exchange rate changes on stock returns in Turkey. Applied Economics, 51(20), s. 2143-2154.
  26. TCMB web sayfası (2026), Sanayi Üretim Endeksi, https://evds3.tcmb.gov.tr/tumSeriler/5003/bie_tsanaymt2021, Erişim Tarihi: 15.02.2026.
  27. TÜİK web sayfası (2026), Sanayi Üretim Endeksi, https://veriportali.tuik.gov.tr/tr, Erişim Tarihi: 15.02.2026.
  28. Usuga Cadavid, J. P., Lamouri, S., Grabot, B., Pellerin, R., & Fortin, A. (2020). Machine learning applied in production planning and control: a state-of-the-art in the era of industry 4.0. Journal of Intelligent Manufacturing, 31(6), s. 1531-1558.
  29. Xu, R. (2026). The Searching for Analyzing the Nation’s Economy Strength GDP & Top Nations’ Industrial Production Comparison & China cities index of development etc. Sustainably through Observing Historical Statistic Value. MSI Journal of Multidisciplinary Research, 3, s. 1-11.
  30. Zhu, L., Yu, Z., & Zhan, H. (2020). Impact of industrial agglomeration on regional economy in a simulated intelligent environment based on machine learning. Ieee Access, 9, s. 20695-20702.
  31. Işık, C., Ongan, S., Ozdemir, D., Jabeen, G., Sharif, A., Alvarado, R.,. & Rehman, A. (2024). Renewable energy, climate policy uncertainty, industrial production, domestic exports/re-exports, and CO2 emissions in the USA: a SVAR approach. Gondwana Research, 127, s. 156-164.