İŞSİZLİK ORANI ÖNGÖRÜLERİNDE MAKİNE ÖĞRENİMİ YAKLŞIMLARI: TÜRKİYE ÜZERİNE BİR UYGULAMA

Abstract

İşsizlik, sadece kapsamlı bir ekonomik sorun değil, aynı zamanda tüm ulusların odak noktası haline gelen karmaşık bir sosyal sorundur. İşsizlik sorununun doğru bir şekilde ele alınması, ülkenin kalkınmasıyla doğrudan ilişkilidir. Bu yönde oluşturulan politikaların başarası, işsizlik oranının doğru bir şekilde tahmin edilmesine dayanır. Bu bağlamda, makalemiz işsizlik oranı tahmininin yapılmasında yapay zekâ, makine öğrenimi ve klasik yöntemlerin kıyaslamasını amaçlamaktadır. Bu amaçla, Türkiye İstatistik Kurumu'ndan (TÜİK) Ocak 2005 verileriyle Aralık 2023 dönemini kapsayan işsizlik oranı verileri elde edilmiştir. Araştırmada Ölçüt modeli olarak ARIMA, SARIMA makine öğrenimi modeli olarak Rassal Orman, XGBoost, LSTM ve GRU modelleri uygulanmıştır. Elde edilen sonuçlar, SARIMA'nın tahmin grafiğinin ve performans göstergelerinin ARİMA modeli performans değerlerinden daha iyi olduğunu göstermektedir. MAPE hariç diğer tüm hata ölçütleri, SARIMA modelinin hata ölçütlerinden büyük olmasına rağmen, tüm Makine Öğrenimi modellerinin R karesi ARIMA ve SARIMA modellerinin R karesinden büyüktür. Ayrıca, sonuçlar en uygun metrik göstergeleri sergileyen makine öğrenimi yönteminin GRU modeli olduğunu ortaya koymuştur. Bu modelin MAE ve RMSE değerleri en düşükken, R karesi ise en yüksektir. Buna en yakın göstergeleri Rassal Orman modeli sergilemektedir.