İşsizlik Oranı Öngörülerinde Makine Öğrenimi Yaklaşımları: Türkiye Üzerine Bir 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 makale, 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 modelleri, makine öğrenimi modelleri olarak Rassal Orman, XGBoost, LSTM ve GRU modelleri uygulanmıştır. Elde edilen sonuçlar, SARIMA'nın tahmin grafiğinin ve performans göstergelerinin ARIMA modeli performans değerlerinden daha iyi olduğunu göstermektedir. Makine öğrenimi modellerinde, MAPE dışındaki tüm hata ölçütleri SARIMA modelinin hata ölçütlerinden daha yüksektir. Ayrıca, bu modellerin belirleme katsayısı (R2) da SARIMA modelinin belirleme katsayısından (R2) daha büyüktür. Elde edilen sonuçlar en uygun metrik göstergeleri sergileyen makine öğrenimi yönteminin GRU modeli olduğunu ortaya koymuştur. Bu modelin MAE (Hataların Mutlak Değerlerinin Ortalaması) ve RMSE (Hata Kareler Ortalamasının Karekökü) değerleri en düşükken, R2 ise en yüksektir. Buna en yakın göstergeleri Rassal Orman modeli sergilemektedir.