İletişimISSN:e-ISSN: 3023-5693
Yazar GirişiHakem GirişiYeni Üyelik
TürkçeEnglish
AnasayfaAmaç ve KapsamHakkındaYazarlar için RehberMakale GönderSon SayıArşivİletişim

Makine Öğrenmesi Algoritmalarını Kullanarak 1990-2023 Yılları Arası Veriler ile Türkiye'de Et Tüketim Talebinin Tahmini Üzerine Kapsamlı Bir Çalışma

Hasan Ali AKYÜREK,Hasan İbrahim KOZAN

  • Hasan Ali AKYÜREK: NECMETTİN ERBAKAN ÜNİVERSİTESİ
  • Hasan İbrahim KOZAN: NECMETTİN ERBAKAN ÜNİVERSİTESİ
  •  Yıl : 2024
  •  Cilt : 3
  •  Sayı : 2
  •  Sayfa : 93-111
Çok eski zamanlardan beri et, insan diyetinin temel bir parçası olmuştur ve birçok medeniyette temel kaynaklar arasında halen yer almaktadır. Farklı ülkeler ve kültürler arasında tüketilen et miktarı ve kaynağı farklılık gösterse de et çoğu batı diyetinde birincil bileşen olarak kalmakta ve genellikle sebze garnitürleri ile birlikte sunulmaktadır. Ayrıca et, Türkiye'de gastronomik geleneklerin, kutlamaların veya etkinliklerin bir parçası olarak önemli bir faktör olarak değerlendirilmektedir. Etin biyolojik değerlerinin yanında duyusal bileşenleri de oldukça fazla miktarda bulundurması tüketicilerin tercih sebepleri arasında yer almaktadır Et, tüm gerekli amino asitleri ve birçok vitamin (B vitaminleri, özellikle B12) ve mineral (çinko, demir gibi) sağlayan beslenme açısından mükemmel bir gıdadır. Vücutta kas sentezi ve bakımı için destek sağlar, bu da hem fiziksel işlev hem de metabolik sağlık için önemlidir. Et ayrıca taurin, kreatin, hidroksiprolin, karnosin ve anserin gibi önemli biyolojik aktif bileşenleri de içermektedir. Et tüketimini etkileyen faktörlerin karmaşık etkileşimi göz önüne alındığında, bu çalışma, Türkiye'de et tüketimini makine öğrenimi algoritmaları kullanarak tahmin etmeyi amaçlamaktadır. 1990-2023 yılları arasındaki Gayrisafi Yurt İçi Hasıla (GSYİH), et üretimi, et fiyatları, yem fiyatları, tarımsal GSYİH, nüfus, ithalat ve ihracat verileri, Random Forest, Gradient Boosting, Support Vector Machine, AdaBoost, Neural Network ve Linear Regression modelleri kullanılarak analiz edilmiştir. Sonuçlar, Gradient Boosting ve AdaBoost algoritmalarının en doğru tahminleri sağladığını ve tarımsal GSYİH, et üretimi ve nüfus verilerinin, et tüketimini tahmin etmede önemli olduğunu göstermektedir.
Atıf yapmak için : Bu makaleye atıfta bulunmak için: Akyürek, H. A., & Kozan, H. İ. (2024). Makine öğrenmesi algoritmalarını kullanarak 1990-2023 yılları arası veriler ile Türkiye’de et tüketim talebinin tahmini üzerine kapsamlı bir çalışma. NEUGastro, 3(2), 93-111. https://doi.org/10.54497/neugastro.2024.7

Çıkar İlişkisi : Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Bu makale CC BY-NC 4.0 lisansı ile yayımlanmıştır.
NeuGastro
2024, Cilt3, Sayı2
E-ISSN: 3023-5693
Geliş Tarihi : , Kabul Tarihi : , Yayın Tarihi :

Kaynakça

  1. Bennett, K. P., & Campbell, C. (2000). Support vector machines. ACM SIGKDD explorations newsletter, 2(2), 1-13. https://doi.org/10.1145/380995.380999
  2. Biltoft-Jensen, A. P., Kørup, K., Christensen, T., Eriksen, K., Ygil, K. H., & Fagt, S. (2016). Køds rolle i kosten. DTU Fødevareinstituttet.
  3. Bozkir, A. S., & Sezer, E. A. (2011). Predicting food demand in food courts by decision tree approaches. Procedia Computer Science, 3, 759-763. https://doi.org/10.1016/j.procs.2010.12.125
  4. Braga-Neto, U. (2020). Fundamentals of pattern recognition and machine learning. Springer. https://doi.org/10.1007/978-3-030-27656-0
  5. Breda, L. S., de Melo Nascimento, J. E., Alves, V., de Toledo, V. d. A. A., de Lima, V. A., & Felsner, M. L. (2024). Green and fast prediction of crude protein contents in bee pollen based on digital images combined with Random Forest algorithm. Food Research International, 179, 113958. https://doi.org/10.1016/j.foodres.2024.113958
  6. Chae, B., Sheu, C., & Park, E. O. (2024). The value of data, machine learning, and deep learning in restaurant demand forecasting: Insights and lessons learned from a large restaurant chain. Decision Support Systems, 114291. https://doi.org/10.1016/j.dss.2024.114291
  7. Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining,
  8. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20, 273-297. https://doi.org/10.1007/BF00994018
  9. Czerwonka, M., & Tokarz, A. (2017). Iron in red meat–friend or foe. Meat Science, 123, 157-165. https://doi.org/10.1016/j.meatsci.2016.09.012
  10. Ding, Y., Zhu, H., Chen, R., & Li, R. (2022). An efficient AdaBoost algorithm with the multiple thresholds classification. Applied sciences, 12(12), 5872. https://doi.org/10.3390/app12125872
  11. Draper, N. R., & Smith, H. (1998). Applied regression analysis (3rd ed.). John Wiley & Sons.
  12. Fieguth, P. (2022). An introduction to pattern recognition and machine learning. Springer. https://doi.org/10.1007/978-3-030-95995-1
  13. Fisher, J., Allen, S., Yetman, G., & Pistolesi, L. (2024). Assessing the influence of landscape conservation and protected areas on social wellbeing using random forest machine learning. Scientific Reports, 14(1), 11357. https://doi.org/10.1038/s41598-024-61924-4
  14. Fitri, E. (2023). Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah. Journal of Applied Computer Science and Technology, 4(1), 58-64. https://doi.org/10.52158/jacost.v4i1.491
  15. Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139. https://doi.org/10.1006/jcss.1997.1504
  16. Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
  17. Gürer, B. (2021). Türkiye’de nüfusun yeterli ve dengeli beslenmesi açısından hayvansal gıda arz ve talebinin değerlendirilmesi. Gıda, 46(6), 1450-1466. https://doi.org/10.15237/gida.GD21083
  18. Herrero, M., Thornton, P. K., Gerber, P., & Reid, R. S. (2009). Livestock, livelihoods and the environment: understanding the trade-offs. Current Opinion in Environmental Sustainability, 1(2), 111-120. https://doi.org/10.1016/j.cosust.2009.10.003
  19. Huang, F., Xiong, H., Chen, S., Lv, Z., Huang, J., Chang, Z., & Catani, F. (2023). Slope stability prediction based on a long short-term memory neural network: Comparisons with convolutional neural networks, support vector machines and random forest models. International Journal of Coal Science & Technology, 10(1), 18. https://doi.org/10.1007/s40789-023-00579-4
  20. Kalpalathika, P. M., Clark, E. M., & Mahoney, A. W. (1991). Heme iron content in selected ready-to-serve beef products. Journal of Agricultural and Food Chemistry, 39(6), 1091-1093. https://doi.org/10.1021/jf00006a017
  21. Knudsen, V., Fagt, S., Trolle, E., Matthiessen, J., Groth, M., Biltoft-Jensen, A., Sørensen, M., & Pedersen, A. (2012). Evaluation of dietary intake in Danish adults by means of an index based on food-based dietary guidelines. Food & nutrition research, 56(1), 17129. https://doi.org/10.3402/fnr.v56i0.17129
  22. Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Ijcai,
  23. Kushniruk, H., & Rutynskyi, M. (2022). Development of the infrastructure of Turkish restaurants in the tourist center of Eastern Europe: the case of Kyiv. GastroMedia Journal, 1(1), 1-18. https://doi.org/10.54497/Gastromedia.2022.1
  24. Mehrabi, Z., Gill, M., Wijk, M. v., Herrero, M., & Ramankutty, N. (2020). Livestock policy for sustainable development. Nature Food, 1(3), 160-165. https://doi.org/10.1038/s43016-020-0042-9
  25. Munir, M. D. (2023). Prediction of Heteroscedastic Data Using Linear Regression and Various Machine Learning Models. Int. J. Sci. Res. in Mathematical and Statistical Sciences Vol, 10(1).
  26. Nadkarni, S. B., Vijay, G., & Kamath, R. C. (2023). Comparative Study of random forest and gradient boosting algorithms to predict airfoil self-noise. Engineering Proceedings, 59(1), 24. https://doi.org/10.3390/engproc2023059024
  27. Oyan, O., Şenyüz, H., & Arköse, C. (2024). Comparison of carcass weight and carcass characteristics in some cattle breeds. Research and Practice in Veterinary and Animal Science (REPVAS), 1(1), 1-8. https://doi.org/10.69990/repvas.2024.1.1.1
  28. Özel, M. A., Gül, M. Y., & Güneş, E. (2023). YOLO Algoritması ile Gastronomide Yemek İçeriklerini Tespit Etmede Bir Makine Öğrenimi Yaklaşımı. Necmettin Erbakan Üniversitesi GastroMedia Dergisi (NEU GastroMedia), 2(1), 59. https://doi.org/10.54497/Gastromedia.2023.7
  29. Pedersen, A. N., Christensen, T., Matthiessen, J., Knudsen, V. K., Sørensen, M. R., Biltoft-Jensen, A. P., Hinsch, H.-J., Ygil, K. H., Kørup, K., & Saxholt, E. (2015). Danskernes kostvaner 2011-2013. DTU Fødevareinstituttet.
  30. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., & Dubourg, V. (2011). Scikit-learn: Machine learning in python. Journal of machine learning research, 12, 2825-2830. https://doi.org/https://dl.acm.org/doi/10.5555/1953048.2078195
  31. Sandoval-Insausti, H., Pérez-Tasigchana, R. F., López-García, E., García-Esquinas, E., Rodríguez-Artalejo, F., & Guallar-Castillón, P. (2016). Macronutrients intake and incident frailty in older adults: a prospective cohort study. Journals of Gerontology Series A: Biomedical Sciences and Medical Sciences, 71(10), 1329-1334. https://doi.org/10.1093/gerona/glw033
  32. Seçim, Y., & Akyol, N. (2022). Konya Mutfak Kültürü (A. Cihan, Ed.). Akademik Kitaplar.
  33. Sevinç, E. (2022). An empowered AdaBoost algorithm implementation: A COVID-19 dataset study. Computers & Industrial Engineering, 165, 107912. https://doi.org/10.1016/j.cie.2021.107912
  34. Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2019). Demand forecasting in restaurants using machine learning and statistical analysis. Procedia CIRP, 79, 679-683. https://doi.org/10.1016/j.procir.2019.02.042
  35. Tanizaki, T., Hoshino, T., Shimmura, T., & Takenaka, T. (2020). Restaurants store management based on demand forecasting. Procedia CIRP, 88, 580-583. https://doi.org/10.1016/j.procir.2020.05.101
  36. Tanveer, H., Adam, M. A., Khan, M. A., Ali, M. A., & Shakoor, A. (2023). Analyzing the Performance and Efficiency of Machine Learning Algorithms, such as Deep Learning, Decision Trees, or Support Vector Machines, on Various Datasets and Applications. The Asian Bulletin of Big Data Management, 3(2), 126-136. https://doi.org/10.62019/abbdm.v3i2.83
  37. Tieland, M., Borgonjen-Van den Berg, K. J., van Loon, L. J., & de Groot, L. C. (2012). Dietary protein intake in community-dwelling, frail, and institutionalized elderly people: scope for improvement. European journal of nutrition, 51, 173-179. https://doi.org/10.1007/s00394-011-0203-6
  38. Tosun, D., & Demirbaş, N. (2012). Türkiye'de kırmızı et ve et ürünleri sanayiinde gıda güvenliği sorunları ve öneriler. Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 26(1), 93-102.
  39. Valenzuela, P. L., Mata, F., Morales, J. S., Castillo-García, A., & Lucia, A. (2019). Does beef protein supplementation improve body composition and exercise performance? A systematic review and meta-analysis of randomized controlled trials. Nutrients, 11(6), 1429. https://doi.org/10.3390/nu11061429
  40. Wang, W., & Sun, D. (2021). The improved AdaBoost algorithms for imbalanced data classification. Information Sciences, 563, 358-374. https://doi.org/10.1016/j.ins.2021.03.042
  41. Wu, G. (2020). Important roles of dietary taurine, creatine, carnosine, anserine and 4-hydroxyproline in human nutrition and health. Amino acids, 52(3), 329-360. https://doi.org/10.1007/s00726-020-02823-6
  42. Wyness, L., Weichselbaum, E., O'connor, A., Williams, E., Benelam, B., Riley, H., & Stanner, S. (2011). Red meat in the diet: an update. Nutrition Bulletin, 36(1), 34-77. https://doi.org/10.1111/j.1467-3010.2010.01871.x
  43. Yang, X., Hua, Z., Li, L., Huo, X., & Zhao, Z. (2024). Multi-source information fusion-driven corn yield prediction using the Random Forest from the perspective of Agricultural and Forestry Economic Management. Scientific Reports, 14(1), 4052. https://doi.org/10.1038/s41598-024-54354-9