Examining the Efficiency of Learning-Based Algorithms in the Process of Declaring Customs

Year 2022, Volume: 6 Issue: 2, 175 - 188, 31.12.2022

Mustafa Günerkan , Ender Şahinaslan , Önder Şahinaslan

https://doi.org/10.26650/acin.1057060

Abstract

Having the declarations used in customs procedures be submitted without errors is critical. In the face of the
diversity, dynamism, and complexity of the methods used in creating this declaration, human-induced declaration
files are produced erroneously. These cause many problems such as loss of labor, customers, and money, as well
as legal problems such as contract and legal compliance. Intelligent structures supported by current information
technologies are needed to solve these problems. For this purpose, being able to use learning algorithms over big
data is important in the field of customs declaration creation in the logistics industry. This study evaluates the
efficiency performances of learning-based algorithms regarding the customs declaration process over 4,005,343
pieces of declaration data. According to the performance measurement results, the maximum result was achieved
in the Decision Tree (75.69%) and Bagging (75.70%) algorithms with respect to the Train-test split method at a test
rate of 25%. Regarding the K-Fold method, which assumes K to be equal to 10, similar success rates were obtained
for the Decision Tree (75.84%) and Bagging (75.83%) algorithms. These results reveal the use of machine learning
algorithms to be an effective method for detecting notification errors. This can be a resource for improving
customs declaration processes and developing smart control structures, as well as for new studies to be carried out
in the field.

Keywords

Customs Declaration, Learning Algorithms, Logistics, Big Data

Gümrük Beyannamesi Sürecinde Öğrenmeye Dayalı Algoritmaların Etkinliğinin İncelenmesi

Abstract

Gümrük işlemlerinde kullanılan beyannamelerin hatasız sunulması kritik önem taşır. Bu beyannamenin
oluşturulmasında kullanılan yöntemlerin çeşitliliği, dinamizmi ve karmaşıklığı karşısında insan kaynaklı hatalı
beyanname dosyaları üretilmektedir. Bunlar, iş gücü, müşteri ve para kaybı gibi birçok sorunun yanında sözleşme
ve yasal uyum gibi hukuki sorunlara da neden olmaktadır. Bu sorunların çözümü için güncel bilgi teknolojileriyle
desteklenen akıllı yapılara ihtiyaç duyulmaktadır. Bu amaçla lojistik sektöründe gümrük beyannamesi oluşturma
alanında büyük veri üzerinden öğrenme algoritmalarının kullanılabilirliği önemlidir. Bu çalışmada, 4.005.343
beyanname verisi üzerinden gümrük beyannamesi sürecinde öğrenmeye dayalı algoritmaların etkinlik
performansları değerlendirilmiştir. Performans ölçüm sonuçlarına göre %25 test oranı ile Train-test split
yönteminde Karar Ağacı (%75.69) ve Torbalama (%75.70) algoritmalarında maksimum sonuç ulaşıldı. K
değerinin 10 alındığı K-Fold yönteminde ise Karar Ağacı (%75.84) ve Torbalama (%75.83) benzer başarım
oranları elde edildi. Bu sonuçlar, makine öğrenmesi algoritmalarının kullanımının bildirim hatalarını tespit
etmek için etkili bir yöntem olduğunu ortaya koymuştur. Gümrük beyannamesi süreçlerinin iyileştirilmesine,
akıllı kontrol yapılarının geliştirilmesine ve sahada yapılacak yeni çalışmalara kaynak teşkil edecektir.

Keywords

Gümrük Beyannamesi, Öğrenme Algoritmaları, Lojistik, Büyük Veri

References

• Abdulkareem, N. M., & Abdulazeez, A. M. (2021). Machine Learning Classification Based on Radom Forest Algorithm: A Review. International Journal of Science and Business, IJSAB International, 5(2), 128-142. https://ideas.repec.org/a/aif/journl/v5y2021i2p128-142.html adresinden alındı google scholar
• Aka, A., & Ürünal, A. A. (2018). Türkiye’de Dış Ticaret Uygulamaları: 4458 Sayılı Gümrük Kanunu Özelinde. Balkan Sosyal Bilimler Dergisi, 7(13), 154-170. https://dergipark.org.tr/en/pub/bsbd/issue/34559/336447 adresinden alındı google scholar
• Akgül, G., Çelik, A. A., Aydın, Z. E., & Öztürk, Z. K. (2020). Hipotiroidi Hastalığı Teşhisinde Sınıflandırma Algoritmalarının Kullanımı. Bilişim Teknolojileri Dergisi, 13 (3), 255-268. doi:10.17671/gazibtd.710728 google scholar
• Alasadi, S. A., & Bhaya, W. S. (2017). Review of Data Preprocessing Techniques in Data Mining. Journal of Engineering and Applied Sciences, 12(16), 4102-4107 ISBN: 1816-949X. https://d1wqtxts1xzle7.cloudfront.net/54509277/4102-4107-with-cover-page-v2.pdf Expires adresinden alındı google scholar
• Alexandropoulos, S.-A. N., Kotsiantis, S. B., & Vrahatis, M. N. (2019). Data preprocessing in predictive data mining. The Knowledge Engineering Review, 34, 1-33. doi:10.1017/s026988891800036x google scholar
• Ameyaw, E. E., Hu, Y., Shan, M., Shan, S. P., & Le, Y. (2016). Application Of Delphi Method In Construction Engineering And Management Research: A Quantitative Perspective. Journal Of Civil Engineering And Management, 22(8), 991-1000. doi:10.3846/13923730.2014.945953 google scholar
• Aydın Atasoy, N. & Demiröz, A. (2021). Makine öğrenmesi algoritmaları kullanılarak prostat kanseri tümör oluşumunun incelenmesi. Avrupa Bilim ve Teknoloji Dergisi , Ejosat Özel Sayı 2021 (ISMSIT) , 87-92 . DOI: 10.31590/ejosat.1018897 google scholar
• Barchard, K. A., & Pace, L. A. (2011). Preventing human error: The impact of data entry methods on data accuracy and statistical results. Computers in Human Behavior, 27(5), 1834-1839. doi:10.1016/j.chb.2011.04.004 google scholar
• Barua, L., Zou, B., & Zhou, Y. (2020). Machine learning for international freight transportation management: A comprehensive review. Research in Transportation Business & Management, 100453. doi:10.1016/j.rtbm.2020.100453 google scholar
• Başer, B. Ö., Yangın, M., & Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25 (1), 112-120. doi:10.19113/sdufenbed.842460 google scholar
• Boz, M. , Canbazoğlu, E. , Özen, Z. & Gülseçen, S. (2018). Otel rezervasyon iptallerinin makine öğrenmesi yöntemleri ile tahmin edilmesi. Veri Bilimi , 1 (1) , 7-14 . Retrieved from https://dergipark.org.tr/tr/pub/veri/issue/41532/490816 google scholar
• Brei, V. A. (2020). Machine Learning in Marketing: Overview, Learning Strategies, Applications, and Future Developments. Foundations and Trends® in Marketing, 14(3), 173-236. doi:10.1561/1700000065 google scholar
• Büyükgüral, A., & Türkoğlu, Y. (2015). Gümrük Kanunu’na Göre Tatbik Edilen Para Cezalarında Zamanaşımı Sorunu. Gümrük ve Ticaret Dergisi, (6), 74-85. https://dergipark.org.tr/tr/pub/gumrukticaretdergisi/issue/53324/708737 adresinden alındı google scholar
• Canrakerta, &. H. (2020). Application of Business Intelligence for Customs Declaration: A Case Study in Indonesia. Journal of Physics. https://www. researchgate.net/publication/339011997_Application_of_Business_Intelligence_for_Customs_Declaration_A_Case_Study_in_Indonesia adresinden alındı google scholar Chandrasekar, P., Qian, K., Shahriar, H., & Bhattacharya, P. (2017). Improving the Prediction Accuracy of Decision Tree Mining with Data Preprocessing. 2017 IEEE 41st Annual Computer Software and Applications Conference (COMPSAC). doi:10.1109/compsac.2017.146 google scholar
• Chen, K., Chen, H., Conway, N., Hellerstein, J. M., & Parikh, T. S. (2011). Usher: Improving Data Quality with Dynamic Forms. IEEE Transactions on Knowledge and Data Engineering, 23(8), 1138-1153. doi:doi:10.1109/tkde.2011.31 google scholar
• Chen, S., Webb, G. I., L. L., & Ma, X. (2019). A novel selective naıve Bayes algorithm. Knowledge-BasedSystems, 105361. doi:10.1016/j.knosys.2019.105361 google scholar
• Coşar, M., & Deniz, E. (2021). Makine Öğrenimi Algoritmaları Kullanarak Kalp Hastalıklarının Tespit Edilmesi. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2021 (ICAENS), 1112-1116. doi:10.31590/ejosat.1012986 google scholar
• Cui, D., & Curry, D. (2005). Prediction in Marketing Using the Support Vector Machine. Marketing Science, 24(4), 595-615. doi:10.1287/mksc.1050.0123 google scholar
• Cui, G., Wong, M. L., & Lui, H.-K. (2006). Machine Learning for Direct Marketing Response Models: Bayesian Networks with Evolutionary Programming. Management Science, 52(4), 597-612. doi:10.1287/mnsc.1060.0514 google scholar
• Dahouda, M. K., & Joe, I. (2021). A Deep-Learned Embedding Technique for Categorical Features Encoding. IEEE Access, 9, 114381-114391. doi:10.1109/ access.2021.3104357 google scholar
• Dash, M., & Liu, H. (1997). Feature selection for classification. Intelligent Data Analysis, 1(1-4), 131-156. doi:10.1016/s1088-467x(97)00008-5 google scholar
• Dobriban, E., & Wager, S. (2018). High-dimensional asymptotics of prediction: Ridge regression and classification. The Annals of Statistics, 46(1), 247-279. doi:10.1214/17-aos1549 google scholar
• Erdi, B. , Şahin, E. A. , Toydemir, M. S. & Dökeroğlu, T. (2021). Makine öğrenmesi algoritmaları ile trol hesapların tespiti. Düzce Üniversitesi Bilim ve Teknoloji Dergisi , 9 (1) , 430-442 . DOI: 10.29130/dubited.748366 google scholar
• Ereken, Ö. & Tarhan, Ç. (2021). İş başvurularının makine öğrenmesi yöntemleriyle değerlendirilmesi. Yönetim Bilişim Sistemleri Dergisi , 7 (2) , 65-85. Retrieved from https://dergipark.org.tr/tr/pub/ybs/issue/67451/991689 google scholar
• Garda, I. G., & Caballero, A. M. (2021). A Multi-Objective Bayesian Approach with Dynamic Optimization. A Hybrid of Decision Theory and Machine Learning Applied to Customs Fraud Control in Spain. Mathematics, 9(13), 1529. doi:10.3390/math9131529 google scholar
• Gavcar, E. & Metin, H. M. (2021). Hisse Senedi Değerlerinin Makine Öğrenimi (Derin Öğrenme) ile Tahmini . Ekonomi ve Yönetim Araştırmaları Dergisi , 10 (2) , 1-11 . Retrieved from https://dergipark.org.tr/tr/pub/eyad/issue/68049/1056795 google scholar
• Gulia, A., Vohra, R., & Rani, P. (2014). Liver Patient Classification Using Intelligent Techniques. International Journal of Computer Science and Information Technologies, 5 (4), 5110-5115 . https://www.semanticscholar.org/paper/Liver-Patient-Classification-Using-Intelligent-Gulia-Vohra/79 8856e3c30ed88661d0aa596cc23e12410181f5#references adresinden alındı google scholar
• Gümrük Rehberi. (2021). 2021 tarihinde T.C. Ticaret Bakanlığı: https://gumrukrehberi.gov.tr/sayfa/g%C3%BCmr%C3%BCk-beyannamesinde-hangi-bilgiler-yer-al%C4%B1r adresinden alındı google scholar
• Huang, J.-C., Ko, K.-M., Shu, M.-H., & Hsu, B.-M. (2019). Application and comparison of several machine learning algorithms and their integration models in regression problems. Neural Computing and Applications. doi:10.1007/s00521-019-04644-5 google scholar
• İhracatta Kullanılan Uluslararası Dökümanlar. (2021). 2021 tarihinde Mevzuat.Net: https://www.mevzuat.net/fayda/dokumanlar.aspx adresinden alındı google scholar
• İlgün, M. F. (2020). Vergi Denetim Sürecinde Büyük Veri Analitiği. Siyaset, Ekonomi ve Yönetim Araştırmaları Dergisi, 8 / 1, 1-24. https://dergipark. org.tr/en/pub/seyad/issue/55429/698700 adresinden alındı google scholar
• Jackson, E., & Agrawal, R. (2019). Performance Evaluation of Different Feature Encoding Schemes on Cybersecurity Logs. 2019 SoutheastCon. doi:10.1109/ southeastcon42311.2019.9020560 google scholar
• Karadağ, K. (2021). Kan vermeye elverişli donörlerin makine öğrenme yöntemleri ile tespiti . Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi , 8 (15) , 508-514 . DOI: 10.54365/adyumbd.993772 google scholar
• Kaya, M., & Doğan, A. (2020). Dış Ticarete Konu Eşyanın Vergilendirilmesinde Gümrük Kıymetinin Rolü, Beyanı ve Kontrolü. Gümrük ve Ticaret Dergisi, 7 (19), 10-24. https://dergipark.org.tr/tr/pub/gumrukticaretdergisi/issue/53766/695384 adresinden alındı google scholar
• Koh, L. D. (2020). Blockchain in transport and logistics - paradigms and transitions. International Journal of Production Research, 58:7, 2054-2062,. d oi:10.1080/00207543.2020.1736428 google scholar
• Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160(1), 3-24. google scholar
• Li, G., & Li, N. (2019). Customs classification for cross-border e-commerce based on text-image adaptive convolutional neural network. Electronic Commerce Research. doi:doi:10.1007/s10660-019-09334-x google scholar
• Lund, B. D. (2020). Review of the Delphi method in library and information science research. Journal of Documentation, 76(4), 929-960. doi:10.1108/ jd-09-2019-0178 google scholar
• Ma, L., & Sun, B. (2020). Machine learning and AI in marketing - Connecting computing power to human insights. International Journal of Research in Marketing. doi:10.1016/j.ijresmar.2020.04.005 google scholar
• Mammadov, F. (2020). Customs system and using advanced technologies in customs [Master Thesis, Technische Universitat Wien]. reposiTUm. https:// resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-138802 adresinden alındı google scholar
• Maruev, S., Stefanovskiy, D., Frolov, A., Troussov, A., & Curry, J. (2014). Deep Mining of Custom Declarations for Commercial Goods. Procedia Economics andFinance, 12, 397-402. doi:10.1016/S2212-5671(14)00360-8 google scholar
• Mevzuat Bilgi Sistemi. (2021). 12 22, 2021 tarihinde Mevzuat Bilgi Sistemi: https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=4458&MevzuatTur=1&MevzuatTertip=5 adresinden alındı google scholar
• Mullooly, J. P. (1990). The effects of data entry error: An analysis of partial verification. Computers and Biomedical Research, 23(3), 259-267. doi:https:// doi.org/10.1016/0010-4809(90)90020-D google scholar
• Nacar, E. N. & Erdebilli (b.d.rouyendegh), B. (2021). Makine öğrenmesi algoritmaları ile satış tahmini . Endüstri Mühendisliği , 32 (2) , 307-320 . DOI:10.46465/endustrimuhendisligi.811183 google scholar
• Okur, C. & Dener, M. (2021). Makine öğrenme metotları kullanılarak ksa ddos saldırıları tespiti . El-Cezeri , 8 (3) , 1550-1564 . DOI: 10.31202/ecjse.971592 google scholar
• Özer, A. C. (2020). Türkiye’nin Gümrük Prosedür Uygulamaları ve Etkinliği Üzerine Bir Değerlendirme. Bitlis Eren Üniversitesi Sosyal Bilimler Dergisi, 9 (2), 341-345. doi:10.47130/bitlissos.842154 google scholar
• Pamuk, Z., & Kaya, C. (2021). Classification of Type 2 Diabetes Using Machine Learning Techniques. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2021 (ICAENS), 1265-1268. doi:10.31590/ejosat.1014878 google scholar
• Paper, D. (2020). Hands-on Scikit-Learn for Machine Learning Applications. doi:10.1007/978-1-4842-5373-1 google scholar
• Paula, E. L., Ladeira, M., Carvalho, R. N., & Marzagao, T. (2016). Deep Learning Anomaly Detection as Support Fraud Investigation in Brazilian Exports and Anti-Money Laundering. 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). doi:10.1109/icmla.2016.0172 google scholar
• Refaeilzadeh, P., Tang, L., & Liu, H. (2016). Cross-Validation. Encyclopedia of Database Systems, 1-7. doi:10.1007/978-1-4899-7993-3_565-2 google scholar
• Roshan, S. E., & Asadi, S. (2020). Improvement of Bagging performance for classification of imbalanced datasets using evolutionary multi-objective optimization. Engineering Applications of Artificial Intelligence, 87, 103319. doi:10.1016/j.engappai.2019.103319 google scholar
• Ryzhova, A., & Sochenkov, I. (2019). Deep Learning for Customs Classification of Goods Based on Their Textual Descriptions Analysis. 2019 Ivannikov Ispras Open Conference, 2019, s. pp. 55-59. doi:10.1109/ispras47671.2019.00014 google scholar
• Saçık, S. (2009). Dış Ticaret Politikası ve Ekonomik Büyüme İlişkisi. Karamanoğlu Mehmetbey Üniversitesi Sosyal ve Ekonomik Araştırmalar Dergisi, 2009(1), 162-171. https://dergipark.org.tr/tr/pub/kmusekad/issue/10220/125634 adresinden alındı google scholar
• Sahinaslan, O., & Sahinaslan, E. (2019). “Cross-object information security: A study on new generation encryption”. AIP Conference Proceedings( 2086, 030034 (2019)). doi:https://doi.org/10.1063/1.5095119. google scholar
• Salve, S., Bhutkar, G., & Yammiyavar, P. (2021). Can Dynamic Widgets Improve Data Entry Efficiency? In: Muzammil M., Khan A.A., Hasan F. (eds) Ergonomics for Improved Productivity. Design Science and Innovation. Springer, Singapore. doi:https://doi.org/10.1007/978-981-15-9054-2_90 google scholar
• Saygın, E., & Baykara, M. (2021). Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33 (2), 367-377. doi:10.35234/fumbd.832264 google scholar
• Schapire, R. E. (1999). Theoretical Views of Boosting and Applications. Algorithmic Learning Theory, 13-25. doi:10.1007/3-540-46769-6_2 google scholar
• Shao, H. &.-R. (2002). Applying data mining to detect fraud behavior in customs declaration. https://www.researchgate.net/publication/3995840_ Applying_data_mining_to_detect_fraud_behavior_in_customs_declaration adresinden alındı google scholar
• Siau, K. L., & Yang, Y. (2017). Impact of Artificial Intelligence, Robotics, and Machine Learning on Sales and Marketing. MWAIS 2017 Proceedings, 48. http://aisel.aisnet.org/mwais2017/48 adresinden alındı google scholar
• Sourani, A., & Sohail, M. (2014). The Delphi Method: Review and Use in Construction Management Research. International Journal of Construction Education and Research, 11(1), 54-76. doi:10.1080/15578771.2014.917132 google scholar
• Sperandei, S. (2014). Understanding logistic regression analysis. Biochemia Medica, 12-14. doi:10.11613/bm.2014.003 google scholar
• Sundsoy, P., Bjelland, J., Iqbal, A. M., “Sandy” Pentland, A., & de Montjoye, Y.-A. (2014). Big Data-Driven Marketing: How Machine Learning Outperforms Marketers’ Gut-Feeling. Lecture Notes in Computer Science, 367-374. doi:10.1007/978-3-319-05579-4_45 google scholar
• Şahinaslan, E. (2020). Endüstri 4.0 Dönüşümünde Öne Çıkan Teknolojiler,. A. &. Hayaloğlu içinde, Mühendislik Alanında Akademik Çalışmalar (s. 235 252) . Ankara: Gece Kitaplığı. google scholar
• Şahinaslan, Ö. , Dalyan, H. & Şahinaslan, E. (2022). Naive bayes sınıflandırıcısı kullanılarak youtube verileri üzerinden çok dilli duygu analizi .Bilişim Teknolojileri Dergisi , 15 (2) , 221-229 . DOI: 10.17671/gazibtd.999960 google scholar
• Şahinaslan, Ö. (2020). “Yeni Nesil Teknolojiler”. G. &. Telli içinde, Digital Dönüşüm (s. 48-49). İstanbul: Maltepe University Books. google scholar
• T.C. Ticaret Bakanlığı. (2021, Aralık). 2021 tarihinde Yıllara Göre Beyanname Sayıları: https://ticaret.gov.tr/data/5d63d89d13b8762f7c43a738/20-Yillara%20Gore%20Beyanname%20Sayilari.pdf adresinden alındı google scholar
• Takcı, H. (2016). Centroid sınıflayıcılar yardımıyla meme kanseri teşhisi . Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi , 31 (2) , 0-0 . DOI: 10.17341/gummfd.50403 google scholar
• Tang, J., Deng, C., & Huang, G.-B. (2016). Extreme Learning Machine for Multilayer Perceptron. IEEE Transactions on Neural Networks and Learning Systems, 27(4), 809-821. doi:10.1109/tnnls.2015.2424995 google scholar
• Uçan, O., & Koçak, E. (2014). Türkiye’de dış ticaret ve ekonomik büyüme arasındaki ilişki. Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(2), 51. https://dergipark.org.tr/tr/pub/niguiibfd/issue/19755/211482 adresinden alındı google scholar
• Wang, M. L., & Choi, C. H. (2018). How information and communication technology affect international trade: a comparative analysis of BRICS countries. Information Technology for Development, 1-20. doi:10.1080/02681102.2018.1493675 google scholar
• Yavuzarslan, M. & Erol, Ç. (2022). Öğrenme yönetim sistemi log kayıtlarının akademik başarı tahmininde kullanılması . Bilişim Teknolojileri Dergisi, 15 (2) , 199-207 . DOI: 10.17671/gazibtd.837884 google scholar
• Zartha Sossa, J. W., Halal, W., & Zarta, R. H. (2019). Delphi method: analysis of rounds, stakeholder and statistical indicators. Foresight, 21(5), 525-544. doi:10.1108/fs-11-2018-0095 google scholar
• Zhang, S., Li, X., Zong, M., Zhu, X., & Wang, R. (2018). Efficient kNN Classification With Different Numbers of Nearest Neighbors. IEEE Transactions on Neural Networks andLearning Systems, 29(5), 1774-1785. doi:10.1109/tnnls.2017.2673241 google scholar
• Zhang, Y., Ni, M., Zhang, C., Liang, S., Fang, S., Li, R., & Tan, Z. (2019). Research and Application of AdaBoost Algorithm Based on SVM. 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC). doi:10.1109/itaic.2019.8785556 google scholar
• Zien, A., Kramer, N., Sonnenburg, S., & Ratsch, G. (2009). The Feature Importance Ranking Measure. Lecture Notes in Computer Science, 694-709. doi:10.1007/978-3-642-04174-7_45 google scholar