Uğur ERCAN

Ev Dışı Gıda Tüketim Sınıflarının Yapay Sinir Ağları İle Tahmin Edilmesi

Amaç – Gerçekleştirilen araştırmanın amacı, Türkiye hanehalkı ev dışı gıda tüketim sınıflarının tahmin edilmesidir. Yöntem - Çalışmada kullanılan veriler Türkiye İstatistik Kurumu tarafından derlenen Hanehalkı Bütçe Anketine aittir. 2019 yılına ait toplam 11.521 hanehalkından elde edilen veriler çalışmanın analizinde kullanılmıştır. Ev dışı gıda tüketim sınıfının belirlenmesinde Yapay Sinir Ağları yöntemi kullanılmıştır. Bulgular - Yapay Sinir Ağları yönteminde, hanelerin %70’i kullanılarak modelin eğitimi gerçekleştirilmiş, kalan %30’u ise test aşaması için ayrılmıştır. İkili sınıflandırma problemlerinin değerlendirilmesinde kullanılan karşıtlık matrisi ile bu matristen elde edilen metrikler ile kurulan modelin performansı ölçülmüştür. Model eğitim aşamasında %73.12, test aşamasında ise %73.39 doğruluk oranına sahiptir. Modelin duyarlığı eğitim aşamasında %77.28, test aşamasında ise %80.39’dir. Modelin kesinliği test aşamasında %71.22, test aşamasında ise %69.73’dür. Metrikler ve metriklere ait yorumlar bulgular kısmında detaylı bir şekilde açıklanmıştır. Kurulan modelin eğitim ve test aşaması sonuçlarından hesaplanan metrikler incelendiğinde sistemin doğru ve tutarlı sonuçlar elde ettiği görülmüştür. Tartışma – Literatürde incelenen çalışmalardan elde edilen değişkenlerin haricinde modele eklenen değişkenlerin, kurulan Yapay Sinir Ağları modelinin sınıflandırma doğruluğunu arttırdığı görülmüştür. Türkiye hanehalkı ev dışı gıda tüketimi ile yapılan çalışmaların tamamına yakını ekonometrik modeller kullanılarak gerçekleştirilmiştir. Eklenen yeni değişkenler ile kurulacak ekonometrik modellerin, daha önce elde edilen modellerin sonuçlarını değiştireceği düşünülmektedir. Yapay Sinir Ağları yöntemi kullanılarak Türkiye hanehalkı ev dışı gıda tüketim sınıfının tahmin edilmesine yönelik literatürde bir çalışmaya rastlanılmamış olması nedeniyle gerçekleştirilen çalışmanın literatüre katkı sağlayabileceği düşünülmektedir.

Estimating Out-Of-Home Food Consumption Classes Using Artificial Neural Networks

Purpose - The purpose of the research carried out is to estimate out-of-home food consumption classes of Turkish households. Design/methodology/approach – The data used in this study were derived from the Household Budget Survey gathered by the TURKSTAT. The data obtained from a total of 11,521 households in 2019 were used in the analysis. Artificial Neural Networks (ANN) technique were used to determine out-of-home food consumption classes. Results - In the ANN method, 70% of the households were used to be trained for the model, and the remaining 30% were allocated for the test phase. The evaluation of binary classification problems and the performance of the model established were evaluated with the confusion matrix and the metrics obtained from this matrix. The model has an accuracy rate of 73.12% in the training phase and 73.39% in the testing phase. The sensitivity of the model is 77.28% in the training phase and 80.39% in the testing phase. The precision of the model is 71.22% in the testing phase and 69.73% in the testing phase. The metrics and comments on the metrics are explained in detail in the findings section. When the metrics calculated from the training and testing phase results of the established model were examined, it was seen that the system obtained correct and consistent results. Discussion - Apart from the variables obtained from the studies examined in the literature, it has been seen that the variables added to the model increase the classification accuracy of the established Artificial Neural Networks model. Almost all of the studies conducted in household out-of-food consumption in Turkey was carried out using econometric models. It is thought that the econometric models to be established with the new variables added will change the results of the previously obtained models. There’s no study that could be found in the literature that carried out to estimate household out-of-home food consumption classes using ANN method in Turkey. For this reason, this study makes an original contribution to the literature.

PDF

___

Açıkkar, M. ve Sivrikaya, O. (2020). Yıkanmış Türk Linyit Kömürlerinin Üst Isıl Değerinin Destek Vektör Regresyonu ile Tahmini. Avrupa Bilim ve Teknoloji Dergisi, 18, 16-24.
Adams, J., Goffe, L., Brown, T., Lake, A. A., Summerbell, C., White, M., Wrieden, W. and Adamson, A. J. (2015). Frequency and Socio-Demographic Correlates of Eating Meals Out And Take-Away Meals at Home: Cross-Sectional Analysis of The UK National Diet and Nutrition Survey, Waves 1–4 (2008–12). International Journal of Behavioral Nutrition and Physical Activity, 12(1), 1-9.
Akbay, C. ve Boz, İ. (2005). Kahramanmaraş’ta Ailelerin Ev ve Ev Dışı Gıda Tüketim Talebi ve Tüketici Davranışlarının Ekonomik Analizi. KSÜ Fen ve Mühendislik Dergisi, 8(1), 122-131.
Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği. İÜ İşletme Fakültesi Dergisi, 29(1), 1-22.
Alan, A. ve Karabatak, M. (2020). Veri Seti-Sınıflandırma İlişkisinde Performansa Etki Eden Faktörlerin Değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 531-540.
Andrade, G. C., da Costa Louzada, M. L., Azeredo, C. M., Ricardo, C. Z., Martins, A. P. B. and Levy, R. B. (2018), Out-of-Home Food Consumers in Brazil: What Do They Eat?. Nutrients, 10, 218, 1-12.
Ayık, Y. Z., Özdemir, A., & Yavuz, U. (2007). Lise Türü Ve Lise Mezuniyet Başarısının, Kazanılan Fakülte İle İlişkisinin Veri Madenciliği Tekniği İle Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 441-454.
Bamiro, O. M. (2012). Determinants of Consumption of Food Away From Home in Lagos Metropolis, Nigeria. Research Journal of Social Sciences and Management, 2(5), 15-23.
Berry, M. J. A. and Linoff, G. S. (2004). Data Mining Techniques For Marketing, Sales, and Customer Relationship Management (Second Edition). Indianapolis, Indiana: Wiley Publishing Inc.
Chapi, K., Singh, V. P., Shirzadi, A., Shahabi, H., Bui, D. T., Pham, B. T. and Khosravi, K. (2017). A Novel Hybrid Artificial Intelligence Approach For Flood Susceptibility Assessment. Environmental Modelling & Software, 95, 229-245.
Chen, W., Li, Y., Xue, W., Shahabi, H., Li, S., Hong, H., Wang, X., Bian, H., Zhang, S., Pradhan, B. and Ahmad, B. B. (2020). Modeling Flood Susceptibility Using Data-Driven Approaches of Naïve Bayes Tree, Alternating Decision Tree, and Random Forest Methods. Science of The Total Environment, 701, 1-11.
Çalmaşur, G. ve Daştan, H. (2020). Erzurum İlinde Hanehalklarının Ev Dışı Gıda Tüketimini Etkileyen Faktörler. Uluslararası İktisadi ve İdari Bilimler Dergisi, 6(1), 97-111.
Demirel, O., ve Hatırlı, S. A. (2020). Türkiye’de Ev-Dışı Yemek Yeme Alışkanlığının Analizi. Uluslararası Yönetim İktisat ve İşletme Dergisi, 16(4), 976-988.
Dong, D., Byrne, P. J., Saha, A. and Capps Jr., O. (2000). Determinants of Food-Away-From-Home (FAFH) Visit Frequency: A Count-Data Approach. Journal of Restaurant & Foodservice Marketing, 4(1), 31-46.
Drescher, L. S. and Roosen, J. (2013). A Cohort Analysis of Food-at-Home and Food-Away-From-Home Expenditures in Germany. German Journal of Agricultural Economics, 62(1), 39-51.
Ercan, U., Irmak, S., Çevik, K. K. ve Canbazoğlu, E. (2020). Yapay Sinir Ağları Kullanılarak Konutlarda Elektrik Tüketimi Düzeylerinin Tahmin Edilmesi. Sosyoekonomi, 28(46), 173-186.
Fabiosa J. F. (2008). The Food Away From Home Consumption Expenditure Pattern in Egypt. CARD Working Papers, 503, Working Paper 08-WP 474. http://lib.dr.iastate.edu/card_workingpapers/503.
Fanning, J., Marsh, T. and Stiegert, K. (2010). Determinants of US Fast Food Consumption 1994‐1998. British Food Journal, 112(1), 5-20.
Farfán, G., Genoni, M. E. and Vakis, R. (2017). You Are What (and Where) You Eat: Capturing Food Away From Home in Welfare Measures. Food Policy, 72: 146-156.
Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Englewood Cliffs, NJ: Prentice-Hall.
Giudici, P. (2003). Applied Data Mining Statistical Methods for Business and Industry. West Sussex, England: John Wiley & Sons.
Gönül, S. ve Karlı, B. (2020). Antalya İlinde Hanehalklarının Ev Dışı Gıda Tüketimi ve Tüketici Eğilimleri. Mustafa Kemal Üniversitesi Tarım Bilimleri Dergisi, 25(1), 10-19.
Gül, A., Akbay, C., Özcicek, C., Özel, R. and Akbay, A. O. (2007). Expenditure Pattern For Food Away From Home Consumption in Turkey. Journal of International Food & Agribusiness Marketing, 19(4), 31-43.
Han, J., Kamber, M. and Pei, J. (2011). Data Mining Concepts and Techniques Third Edition. The Morgan Kaufmann Series In Data Management Systems. USA, Waltham: Elsevier.
Haykin, S. (2008). Neural Networks and Learning Machines Third Edition. New Jersey: Pearson, Prentice Hall.
Irmak, S. (2009). Veri Madenciliği Yöntemleri İle Sağlık Sektörü Veritabanlarında Bilgi Keşfi: Tanımlayıcı ve Kestirimci Model Uygulamaları. (Yayımlanmamış Doktora Tezi). Akdeniz Üniversitesi Sosyal Bilimler Enstitüsü, Antalya.
Jain, A., Nandakumar, K. and Ross, A. (2005). Score Normalization in Multimodal Biometric Systems. Pattern Recognition, 38, 2270-2285.
Janssen, H. G., Davies, I. G., Richardson, L. D. and Stevenson, L. (2018). Determinants of Takeaway and Fast Food Consumption: A Narrative Review. Nutrition Research Reviews, 31, 16-34.
Japkowicz, N. and Shah, M. (2011). Evaluating Learning Algorithms A Classification Perspective. USA, New York: Cambridge University Press.
Kahramanli, H. and Allahverdi, N. (2008). Design of a Hybrid System for The Diabetes and Heart Diseases. Expert Systems with Applications, 35, 82-89.
Kant, A. K., Whitley, M. I. and Graubard, B. I. (2015). Away From Home Meals: Associations With Biomarkers of Chronic Disease and Dietary Intake in American Adults, NHANES 2005–2010. International Journal of Obesity, 39, 820-827.
Kantardzic, M. (2019). Data Mining Concepts, Models, Methods, and Algorithms Third Edition. New Jersey: John Wiley & Sons, Inc.
Kaya, D. (2019). Alt Uzay k-NN ile Eritmato-Skuamöz Hastalık Türlerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 583-587.
Kutluay Tutar, F. ve Yazırlı, N. (2016). Hanehalkı Ev Dışı Gıda Tüketimini Etkileyen Faktörler: Nazilli Örneği. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 7(1), 367-392.
Larose, D. T. (2005). Discovering Knowledge in Data an Introduction to Data Mining, New Jersey: John Wiley & Sons, Inc.
Lavrač, N. and Zupan, B. (2010). Data Mining in Medicine. Maimon, O. and Rokach, L. (Ed.), Data Mining and Knowledge Discovery Handbook Second Edition, New York: Springer, 1111-1136.
Liu, H., Wahl, T. I., Seale Jr, J. L. and Bai, J. (2015). Household Composition, Income, and Food-Away-FromHome Expenditure in Urban China. Food Policy, 51, 97-103.
Luque, A., Carrasco, A., Martín, A. and de las Heras, A. (2019). The Impact of Class Imbalance in Classification Performance Metrics Based on The Binary Confusion Matrix. Pattern Recognition, 91, 216-231.
Ma, H., Huang, J., Fuller, F. and Rozelle, S. (2006). Getting Rich and Eating Out: Consumption of Food Away From Home in Urban China. Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie, 54, 101-119.
Mottaleb, K. A., Rahut, D. B. and Mishra, A. K. (2017). Consumption of Food Away From Home in Bangladesh: Do Rich Households Spend More?. Appetite, 119, 54-63.
Saksena, M. J., Okrent, A. M., Anekwe, T. D., Cho, C., Dicken, C., Effland, A., Elitzak, H., Guthrie, J., Hamrick, K. S., Hyman, J., Jo, Y., Lin, B. H., Mancino, L., McLaughlin, P. W., Rahkovsky, I., Ralston, K., Smith, T. A., Stewart, H., Todd, J. and Tuttle, C. (2018). America’s Eating Habits: Food Away From Home (No. 281119). United States Department of Agriculture, Economic Research Service, Economic Information Bulletin Number 196.
Skias, S. T. (2006). Background of the Verification And Validation of Neural Networks. Taylor, B. J. (Ed.), Methods and Procedures for the Verification and Validation of Artificial Neural Networks, USA, New York: Springer, 1-12.
Smith, L.C., Dupriez, O. and Troubat, N. (2014). Assessment of the Reliability and Relevance of the Food Data Collected in National Household Consumption and Expenditure Surveys. International Household Survey Network. IHSN Working Paper Number 8.
TÜİK (2019). Türkiye İstatistik Kurumu, Hanehalkı Bütçe Anketi 2019, Ankara.
Yakut, E., Gündüz, M. ve Demirci, A. (2015). İnsani Kalkınmışlık Düzeyinin Sınıflandırma Başarılarının Karşılaştırılmasında Sıralı Lojistik Regresyon Analizi ve Yapay Sinir Ağları Yöntemlerinin Kullanılması. İşletme Araştırmaları Dergisi, 7(4), 172-199.
Yücesan, M. (2018). YSA, ARIMA ve ARIMAX Yöntemleriyle Satış Tahmini: Beyaz Eşya Sektöründe bir Uygulama. İşletme Araştırmaları Dergisi, 10(1), 689-706.
Zang, J., Luo, B., Wang, Y., Zhu, Z., Wang, Z., He, X., Wang, W., Guo, Y., Chen, X., Wang, C., Guo, C., Zou, S., Jia, X. and Wu, F. (2018). Eating Out-of-Home in Adult Residents in Shanghai and the Nutritional Differences Among Dining Places. Nutrients, 10, 951, 1-13.
Zeng, G. (2020). On The Confusion Matrix in Credit Scoring and Its Analytical Properties. Communications in Statistics-Theory and Methods, 49(9), 2080-2093.
Zhang, G. P. (2010). Neural Networks for Data Mining. Maimon, O. and Rokach, L. (Ed.), Data Mining and Knowledge Discovery Handbook Second Edition, New York: Springer, 419-444.
Zhao, Y. and Hasan, Y. A. (2013). Machine Learning Algorithms for Predicting Roadside Fine Particulate Matter Concentration Level in Hong Kong Central. Computational Ecology and Software, 3(3), 61-73.