Yapay Sinir Ağları Metodu ile Konut Özellikleri Yeniden Sayısallaştırılarak Rayiç Değerinin Tahmin Edilmesi: Keçiören/Ankara Örneği

Yıl 2023, Cilt: 5 Sayı: 1, 9 - 19, 30.06.2023

Orhan Doğan , Nassirou Bande , , Yunus Genç , Furkan Koç

https://doi.org/10.51765/tayod.1219413

Cited By: 2

Öz

Bir yatırım aracı olan konutların satışında, değerlemenin yüzlerce parametreye bağlı olması ve fiyatının belirlenmesinde kesin bir formülünün bulunmaması nedeniyle objektif bir değerleme yapılamamaktadır. Konutlara ait çok fazla parametreyi dikkate alarak tahmini rayiç fiyatın belirlenmesinde, teknolojinin gelişmesiyle birlikte yapay zekâ yöntemlerinden biri olan yapay sinir ağlarının (YSA) kullanımı cazip bir öneri olarak gözükmektedir. Bu çalışma ile Ankara'nın Keçiören ilçesinin farklı mahallelerinde, bir e-ticaret sitesinde ilan edilmiş toplam 149 adet satılık konutun rayiç değerinin belirlenmesinde etkili olan 11 adet parametre ile YSA modelleri oluşturularak yapılmış olan mevcut bir çalışmadaki sayısallaştırma değerleri yeniden düzenlenmiş, farklı YSA modelleri oluşturulmuştur. Sonuç olarak, konut rayiç fiyatlarının belirlenmesinde, ortalama hatanın karesi (MSE) 0.000432, regresyon (R) %95.10 ve doğruluk oranı %93.02 ile seçilen bu YSA mimarisinin başarılı sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Yapay Sinir Ağları (YSA), Konut Değerleme, Rayiç Değer, Sayısallaştırma

Estimation of Fair Value by Re-digitizing Housing Properties with Artificial Neural Networks Method: The Case of Kecioren/Ankara

Öz

In the sale of houses, which is an investment instrument, an objective valuation cannot be made due to the fact that the valuation depends on hundreds of parameters and there is no exact formula for determining the price. The use of artificial neural networks (ANN), which is one of the artificial intelligence methods with the development of technology, seems to be an attractive suggestion in determining the estimated fair price by considering too many parameters of the houses. In this study, the quantification values in an existing study were rearranged and different ANN models were created by creating ANN models with 11 parameters that are effective in determining the fair value of a total of 149 houses for sale advertised on an e-commerce website in different neighborhoods of Keçiören district of Ankara. As a result, it has been seen that with the mean square error (MSE) 0.000432, the regression (R) %95.10 and the accuracy rate %93.02, this chosen ANN architecture gave successful results in determining the fair values of the houses.

Anahtar Kelimeler

Artificial Neural Networks (ANN), Housing Valuation, Fair Value, Digitization

Kaynakça

• Abidoye, R.B. & Chan, A.P.C. (2017). Modeling Property Values in Nigeria Using Artificial Neural Network. Journal of Property Research, 1-18.
• Alşahin, S. (2015). Yapay Sinir Ağları İle Kiriş Tipi Yapılarda Hasar Tanımlama, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, Kayseri.
• Aydemir, E., Aktürk, C. & Yalçınkaya, M.A. (2020) Yapay Zekâ İle Konut Fiyatlarının Tahmin Edilmesi. Turkish Studies Applied Sciences, 15(2), 183-194.
• Bande, N., Doğan, O., Genç, Y. & Akyön, F.Ç. (2022). Yenimahalle/Ankara Özelinde Konut Fiyatlarının Yapay Sinir Ağları Metodu İle Belirlenmesi. 7. Uluslararası Erciyes Bilimsel Araştırmalar Kongresi, 9-10 Mart 2022, Kayseri.
• Doğan, O., Bande, N., Genç, Y. & Akyön, F.Ç. (2022). Keçiören/Ankara Özelinde Konut Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmini. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (35), 113-128.
• Ecer, F. (2014). Türkiye’deki Konut Fiyatlarının Tahmininde Hedonik Regresyon Yöntemi ile Yapay Sinir Ağlarının Karşılaştırılması. International Conference On Eurasian Economies, Skopje, Macedonia.
• Elmas, Ç. (2007). Yapay Zekâ Uygulamaları. Ankara: Seçkin Yayıncılık.
• Erdoğdu, S. (2012). Gayrimenkul Değerlemesi, Yüksek Lisans Tezi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, İzmir.
• Google Earth Pro, (2020). [Erişim Tarihi: 15.01.2020], https://www.google.com.tr/intl/tr/earth/:
• Güngör, E. (1999). Gayrimenkul Değerlemesi ve Türkiye’de Sermaye Piyasalarında Gayrimenkul Ekspertiz Şirketlerine Yönelik Düzenlemeler Yapılmasına İlişkin Öneriler, Yeterlik Etüdü, T.C. Başbakanlık Sermaye Piyasası Kurulu, Kurumsal Yatırımcılar Dairesi, Ankara.
• Jayalakshmi, T. & Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification. International Journal of Computer Theory and Engineering, 3(1), 89-93.
• Keçiören Belediyesi, (2019). [Erişim Tarihi: 20.12.2019], http://kentbs.kecioren.bel.tr/:
• Koçer, M. (2016). Fretli Kolonların Kesme, Eğilme ve Süneklik Kapasitelerinin Yapay Sinir Ağları ile Belirlenmesi, Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, Konya.
• Mora-Esperanza, J.G. (2004). Artificial Intelligence Applied to Real Estate Valuation; An Example for the Appraisal of Madrid. Catastro, 255-265.
• Nas, B. (2011). YSA ve DVM Yöntemleri İle Taşınmaz Değerlemesi İçin Bir Yaklaşım Geliştirme, Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik ve Bilgisayar Sistemleri Eğitimi ABD, Konya.
• Özkan, G., Yalpır, Ş. & Uygunol, O. (2007). An Investigation on the Price Estimation of Residable Real Estates by Using Artificial Neural Network and Regression Methods. The 12th Applied Stochastic Models and Data Analysis International Conference (ASMDA), Chania, Crete, Greece.
• Öztemel, E. (2003). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
• Rossini, P.A. (1997). Artificial Neural Networks Versus Multiple Regression in the Valuation of Residential Property. Australian Land Economics Review, 3(1), 1-12.
• Sahibinden.com, (2019). [Erişim Tarihi: 15.12.2019], https://www.sahibinden.com/ :
• Saraç, E. (2012). Yapay Sinir Ağları Metodu İle Gayrimenkul Değerleme, Yüksek Lisans Tezi, İstanbul Kültür Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, İstanbul.
• Selim, H. (2009). Determinants of House Prices in Turkey: Hedonic Regression Versus Artificial Neural Network. Expert Systems with Applications, 36(2), 2843–2852.
• SPK, Sermaye Piyasası Kurulu, (2006). Uluslararası Değerleme Standartları. Sermaye Piyasasında Uluslararası Değerleme Standartları Hakkında Tebliğ, Seri: 8, No:45.
• Tabanoğlu, M. (2019). Konut Yapılarının Rayiç Değerlerinin Yapay Sinir Ağları Metodu Kullanılarak Tahmin Edilmesi: Düzce İli Örneği, Yüksek Lisans Tezi, Düzce Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği ABD, Düzce.
• Tabar, M.E., Başara, A.C. & Şişman, Y. (2021). Çoklu Regresyon ve Yapay Sinir Ağları ile Tokat İlinde Konut Değerleme Çalışması. Türkiye Arazi Yönetimi Dergisi, 3(1), 01-07.
• TÜİK, Türkiye İstatistik Kurumu. (2022). [Erişim Tarihi: 02.12.2022], http://www.tuik.gov.tr/:
• Ulvi, C. & Özkan, G. (2019). Taşınmaz Değerlemede Yapay Zekâ Tekniklerinin Kullanılabilirliği ve Yöntemlerin Karşılaştırılması. Geomatik Dergisi, 4(2), 134-140.
• Wilkowski, W. & Budzyński, T. (2006). Application of Artificial Neural Networks for Real Estate Valuation. Shaping the Change XXIII FIG Congress, Munich, Germany.
• Worzala, E., Lenk, M. & Silva, A. (1995). An Exploration of Neural Networks and Its Application to Real Estate Valuation. Journal of Real Estate Research, 10(2), 185-201.
• Yalpır, Ş. (2007). Bulanık Mantık Metodolojisi ile Taşınmaz Değerlenme Modelinin Geliştirilmesi ve Uygulaması: Konya Örneği, Doktora Tezi, Selçuk Üniversitesi, Jeodezi ve Fotogrametri ABD, Fen Bilimleri Enstitüsü, Konya.
• Yavuz, B. & Polat T.K. (2020). Yapay Sinir Ağları İle Kalite Kontrol: Örnek Olay Çalışması. Ankara: İksad Yayınevi.
• Yılmazel, Ö., Afşar, A. & Yılmazel, S. (2018). Konut Fiyat Tahmininde Yapay Sinir Ağları Yönteminin Kullanılması. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (20), 285-300.
• Yüksek, Ö., Babacan, H.T. & Saka, F. (2018). Yağış-Akış Modellemesinde Optimum Yapay Sinir Ağı Yapısının Araştırılması. Türk Hidrolik Dergisi, 2(1), 31-37.
• Zurada, J.M., Levitan, A.S. & Guan, J. (2006). Non-Conventional Approaches to Property Value Assessment. Journal of Applied Business Research, 22(3), 1-14.