Akademik Veri Yönetim Sistemi
İzmir Yönetim Dergisi, cilt.6, sa.1, ss.68-75, 2025 (Hakemli Dergi)
Bu çalışma, Türkiye'nin sanayi üretim endeksine yönelik zaman serisi tahmininde makine öğrenmesi ve geleneksel istatistiksel yöntemlerinin göreli başarılarını karşılaştırmayı amaçlamaktadır. Analizde, karar ağaçlarına dayalı güçlü bir topluluk öğrenme algoritması olan XGBoost ve geleneksel zaman serisi analizinin başlıca yöntemlerinden ARIMA modeli ele alınmıştır. 1986-2025 dönemine ait toplam 469 aylık veri kullanılmış ve modellerin eğitim ve test performansları ortalama karesel hatanın karekökü (“root mean squared error”, RMSE), ortalama mutlak hata (“mean absolute error”, MAE) ile belirlilik katsayısı (R²) metrikleri üzerinden değerlendirilmiştir. Araştırmanın bulguları, XGBoost ve ARIMA modellerinin sanayi üretim endeksi tahmininde benzer performans sergilediğini, ancak XGBoost'un hiperparametre optimizasyonu ve hesaplama maliyeti açısından daha karmaşık bir süreç gerektirdiğini göstermektedir. Öte yandan, her iki yöntemin de mevsimsellik ve dışsal makroekonomik göstergeleri doğrudan modele dahil etmemesi nedeniyle tahmin doğruluklarının sınırlı kaldığı anlaşılmaktadır. Bu bağlamda çalışma, sanayi üretimi gibi karmaşık ekonomik göstergelerin tahmininde makine öğrenmesi ve geleneksel yöntemlerin birbirini tamamlayan niteliklerini ortaya koyarak, gelecek araştırmalara hibrit modeller ve genişletilmiş değişken setleriyle daha kapsayıcı analizler yapılması yönünde öneriler sunmaktadır.
This study aims to compare the relative performance of machine learning and traditional statistical methods in time series
forecasting of Turkey’s industrial production index. The analysis focuses on XGBoost, a powerful ensemble learning
algorithm based on decision trees, and ARIMA, one of the main methods of traditional time series analysis. A total of 469
monthly data points covering the period 1986–2025 were used, and the models’ training and test performances were
evaluated based on root mean squared error (RMSE), mean absolute error (MAE), and the coefficient of determination (R²).
The findings indicate that both XGBoost and ARIMA models produce similar forecasting performance for the industrial
production index, although XGBoost requires a more complex process in terms of hyperparameter optimization and
computational cost. On the other hand, it is observed that the predictive accuracy of both models remains limited, as neither
directly incorporates seasonality or external macroeconomic indicators into the model. In this context, the study highlights
the complementary strengths of machine learning and traditional methods in forecasting complex economic indicators
such as industrial production and suggests that future research should explore hybrid models and expanded variable sets
for more comprehensive analyses.