KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 2

Üyelik Fonksiyonları Sayısının ve Türünün Tahminler Üzerindeki Etkisinin Araştırılması: Elektrik Üretim Endeksi Tahmini Örneği

Investigating the Impact of the Number and Type of Membership Functions on Forecasting: A Case Study of Electricity Generation Index Prediction

Abdurrahman Özcan(KAHRAMANMARAŞ SÜTÇÜ İMAM ÜNİVERSİTESİ)0009-0005-6145-182X
Halil Nusret Buluş(NAMIK KEMAL ÜNİVERSİTESİ)0000-0003-1844-6484
Sayfa
341–353
Yayın Tarihi
2025-04-11
🏛️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)

Sanayi üretim endeksi, bir ülkedeki sanayi sektörünün durumunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sanayi üretim endeksi, bir ülkedeki sanayi sektörünün durumunu göstermektedir.
📊
Temel Bulgular & Veri:Sanayi üretimi ülke temelinde ekonomiyi doğrudan etkilemektedir.
💡
Sonuç & Katkı:ANFIS modelleri incelendiğinde zaman, maden ve imalat üretim endeksleri girdilerinden oluşan sistemin sadece zaman veya sadece imalat-maden üretim endekslerine dayalı tahmin yapan sistemden daha iyi sonuç verdiği de görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Tahmin · Üyelik fonksiyonları · Bulanık mantık

Özet

Sanayi üretim endeksi, bir ülkedeki sanayi sektörünün durumunu göstermektedir. Sanayi sektörü gayrisafi yurt içi hasılanın belirlenmesinde önemli bir öncüldür. Sanayi üretimi ülke temelinde ekonomiyi doğrudan etkilemektedir. Sanayi üretim endeksinin gelecekteki hareketlerini önceden tahmin edebilmek, büyüme göstergelerinden biri olduğundan dolayı önem arz etmektedir. Yapılmış olan bu çalışmada sanayi üretim endeksi bileşenlerinden olan elektrik üretim endeksinin tahmin edilmesi için önceki yıllardaki veriler kullanılarak bulanık mantık yöntemleri arasında yer alan Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) modelleri üretilmiştir. ANFIS modelleri için çeşitlendirme üyelik fonksiyonu ve üyelik fonksiyon sayısını değiştirerek elde edilmiştir. ANFIS’de yapılan tahminler bu modeller üzerinde gerçekleştirilmiştir. ANFIS modelleri incelendiğinde zaman, maden ve imalat üretim endeksleri girdilerinden oluşan sistemin sadece zaman veya sadece imalat-maden üretim endekslerine dayalı tahmin yapan sistemden daha iyi sonuç verdiği de görülmüştür.

Abstract

The industrial production index reflects the state of the industrial sector in a country. The industrial sector is a significant precursor in determining the gross domestic product. Industrial production directly affects the economy on a national level. Predicting the future movements of the industrial production index is crucial as it is one of the growth indicators. In this study, Adaptive Network-Based Fuzzy Inference System (ANFIS) models, which are among the fuzzy logic methods, were developed to forecast the electricity production index, a component of the industrial production index, using data from previous years. The ANFIS models were obtained by varying the membership function types and the number of membership functions. Predictions in ANFIS were made based on these models. Upon examining the ANFIS models, it was found that the system consisting of inputs such as time, mining, and manufacturing production indices provided better results than the system that relied solely on time or only on manufacturing and mining production indices.

🔖

Bu Makaleye Atıf Yap

Özcan, A., Buluş, H. N. (2025). Üyelik Fonksiyonları Sayısının ve Türünün Tahminler Üzerindeki Etkisinin Araştırılması: Elektrik Üretim Endeksi Tahmini Örneği. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 2, 341–353. https://doi.org/10.35414/akufemubid.1543995

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Acedański, J., 2013. Forecasting Industrial Production in Poland – a Comparison of Different Methods. Ekonometria Econometrics, 1(39), 40–51.
  2. Beşirik, B. A., 2016. Bulanık Mantık ve Bulanık Yapay Sinir Ağı Teknikleri Kullanılarak Kripto Para Piyasasında Alım Satım Kararlarının Önceden Tahminlenmesi Üzerine Çalışma, Yüksek Lisans, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir, 118 s.
  3. Bilgin, A., 2023. Türkiye’deki İş Kazası Verilerinin Yapay Sinir Ağları İle Modellenmesi, Yüksek Lisans, İstanbul Medeniyet Üniversitesi Lisansüstü Eğitim Enstitüsü, İstanbul, 104 s.
  4. Bodo, G., Roberto, G.i, Giuseppe, P., 2000. Forecasting industrial production in the Euro area. Empirical Economics, 25(4), 541–61. https://doi.org/10.1007/s001810000032
  5. Demirci, E., 2020. Anfis İle Doğalgaz Talep Tahmini; Türki̇ye Örneği̇. International Journal of Social Sciences Academy, (3), 495-511.
  6. Ghimire, S., Deo, R.C., Casillas-Pérez, D., Salcedo-Sanz, S., 2023. Efficient daily electricity demand prediction with hybrid deep-learning multi-algorithm approach. Energy Conversion and Management, 297, 117707. https://doi.org/10.1016/j.enconman.2023.117707
  7. Günay, M., 2018. Forecasting industrial production and inflation in Turkey with factor models. Central Bank Review, 18(4), 149–61. https://doi.org/10.1016/j.cbrev.2018.11.003
  8. Karabulut, M., 2024. Tedarik Zincirlerindeki Kırılma Risklerinin Yapay Zeka Yöntemleriyle Tahminlemesine Yönelik Kızılay İşletmelerinde Bir Uygulama, Doktora, İnönü Üniversitesi Sosyal Bilimler Enstitüsü, Malatya, 262 s.
  9. Kaynar, O., Zontul, M., Demirkoparan, F., 2010. Ham petrol fiyatlarının ANFIS ile tahmini. Anadolu Bil Meslek Yüksekokulu Dergisi, 17, 3–14.
  10. Koç, E., Kaya, K., Şenel, M.C., 2016. Türkiye’de sanayi sektörü ve temel sanayi göstergeleri – sanayi üretim endeksi. Mühendis ve Makine, 57(682), 42-53.
  11. Levent, M., 2022. Bulanık Mantık ve Yapay Sinir Ağı Yöntemleri ile Kurutma Sürecinin Modellenmesi, Yüksek Lisans, Tekirdağ Namık Kemal Üniversitesi Fen Bilimleri Enstitüsü, Tekirdağ, 46 s.
  12. Mehrabadi, A. K., Omran, V. T., Khatir, M. V., Rasekhi, S., 2020. Forecasting Industrial Production in Iran: A Comparative Study of Artificial Neural Networks and Adaptive Nero-Fuzzy Inference System. Iranian Journal of Economic Studies, 8(1), 53–68. https://doi.org/10.22099/ijes.2018.28706.1438
  13. Oğuz Erenler, G., 2023. Rüzgar Gücünün Bulanık Mantık ve Yapay Sinir Ağları ile Tahmin Edilmesi, Yüksek Lisans, Tekirdağ Namık Kemal Üniversitesi Fen Bilimleri Enstitüsü, Tekirdağ, 96 s.
  14. Öncel Çekim, H., 2018. Examination of industry production index in Turkey with time series method. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 20(1), 547–54. https://doi.org/10.25092/baunfbed.423143
  15. Pekçağlayan, B., 2021. Türkiye’de Sanayi Üretim Endeksinin Belirleyenleri: ARDL Modeli. İstanbul Journal of Economics, 71(2), 435–56. https://doi.org/10.26650/ISTJECON2021-972114
  16. Potdar, K., Kinnerkar, R., 2017. A non-linear autoregressive neural network model for forecasting Indian index of industrial production. TENSYMP 2017 - IEEE International Symposium on Technologies for Smart Cities. Kochi, Kerala, India. https://doi.org/10.1109/TENCONSpring.2017.8069973.
  17. Reddy, G., Aitha, L., Poojitha, C.H., Shreya, A., Reddy, D., Meghana, G., 2023. Electricity Consumption Prediction Using Machine Learning. E3S Web of Conferences. 391, 01048. https://doi.org/10.1051/e3sconf/202339101048.
  18. Sönmez Çakır, F., 2018. Model Melezleme ile Finansal Zaman Serisi Analizi, Doktora, Gebze Teknik Üniversitesi Sosyal Bilimler Enstitüsü, Gebze, 90 s.
  19. Şencan, D., Şencan Şahin, A., 2022. Anfis Yöntemi Kullanılarak Türkiye’de Gsyih Tahmini. Kafkas Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 13(26), 953–71. https://doi.org/10.36543/kauiibfd.2022.039.
  20. Turan, T., Turan, G., Köse, U. 2022. Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi ve Yapay Sinir Ağları ile Türkiye’deki COVID-19 Vefat Sayısının Tahmin Edilmesi. Bilişim Teknolojileri Dergisi, 15(2), 97–105. https://doi.org/10.17671/gazibtd.910806.
  21. Uzun Özşahin, D., Uzun, B., Özşhin, İ., Mubarak, T. M., Musa, S. M., 2020. Fuzzy logic in medicine. Biomedical Signal Processing and Artificial Intelligence in Healthcare, Walid Zgallai, 153-182. https://doi.org/10.1016/B978-0-12-818946-7.00006-8.
  22. Warnakula, W. P. J. M., Samarasinghe, D. G. S. P., Hewaarachchi, A. P., 2024. Forecasting the Index of Industrial Production of Sri Lanka. 23rd International Symposium INFOTEH-JAHORINA, INFOTEH 2024 – Proceedings, East Sarajevo, Bosnia and Herzegovina 1–4. https://doi.org/10.1109/INFOTEH60418.2024.10495928.
  23. Wen, L., Yuan, X., 2020. RETRACTED ARTICLE: Forecasting the annual household electricity consumption of Chinese residents using the DPSO-BP prediction model. Environ Sci Pollut Res 27, 22014–22032. https://doi.org/10.1007/s11356-020-08418-8
  24. Zadeh, L. A., 1965, Fuzzy Sets, Information and Control, 8, 338-353. Zhu, X., Song, Z., Sen, G., Tian, M., Zheng, Y., Zhu, B., 2022. Prediction study of electric energy production in important power production base, China. Sci Rep 12, 21472. https://doi.org/10.1038/s41598-022-25885-w
  25. Mehrabadi, A. K., Omran, V. T., Khatir, M. V., Rasekhi, S., 2020. Forecasting Industrial Production in Iran: A Comparative Study of Artificial Neural Networks and Adaptive Nero-Fuzzy Inference System. Iranian Journal of Economic Studies, 8(1), 53–68. https://doi.org/10.22099/ijes.2018.28706.1438
  26. Turan, T., Turan, G., Köse, U. 2022. Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi ve Yapay Sinir Ağları ile Türkiye’deki COVID-19 Vefat Sayısının Tahmin Edilmesi. Bilişim Teknolojileri Dergisi, 15(2), 97–105. https://doi.org/10.17671/gazibtd.910806.