Akademik Veri Yönetim Sistemi
ICHEAS 10TH INTERNATIONAL CONFERENCE ON HEALTH, ENGINEERING AND APPLIED SCIENCES, Dubai, Birleşik Arap Emirlikleri, 1 - 03 Kasım 2025, ss.97-102, (Tam Metin Bildiri)
Bu çalışmada, Giresun iline ait elektrik tüketim değerlerinin tahmin edilmesinde lineer regresyon modeli kullanılmıştır. Elektrik tüketimi, ekonomik büyüme ve sürdürülebilirlik açısından önemli bir gösterge olduğundan, gelecekteki enerji taleplerini tahmin etmek stratejik bir öneme sahiptir. Çalışmada kullanılan veri seti, Giresun ilinin elektrik tüketim dinamiklerini analiz etmek amacıyla geçmiş tüketim verilerinden oluşmaktadır. Modelde 5 önceki değer kullanılarak bir sonraki tüketim değeri tahmin edilmiştir. Modelin performansı, RMSE, R ve R² gibi hata ölçütleri kullanılarak değerlendirilmiştir. Elde edilen düşük hata oranları (eğitim seti için RMSE: 0.0614, test seti için RMSE: 0.0657), yüksek korelasyon katsayıları (eğitim seti için R: 0.8269, test seti için R: 0.8303) ve R² değerleri (eğitim setinde 0.78, test setinde 0.69), modelin elektrik tüketimi tahmininde güvenilir sonuçlar sunabileceğini göstermektedir. Bu bulguların, enerji verimliliği stratejilerinin geliştirilmesine ve bölgesel enerji yönetimi süreçlerine katkı sağlama potansiyeli bulunmaktadır.
In this study, a linear regression model was utilized to forecast electricity consumption values for the province of Giresun. Since electricity consumption is an important indicator of economic growth and sustainability, predicting future energy demand holds strategic significance. The dataset used in the study consists of historical consumption records that represent the electricity consumption dynamics of Giresun. In the model, the next consumption value was estimated using the previous five observations. The model’s performance was evaluated using error metrics such as RMSE, R, and R². The obtained low error rates (RMSE: 0.0614 for training and 0.0657 for testing), high correlation coefficients (R: 0.8269 for training and 0.8303 for testing), and R² values (0.78 for training and 0.69 for testing) demonstrate that the model can provide reliable predictions for electricity consumption. These findings have the potential to contribute to the development of energy efficiency strategies and regional energy management processes.