| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Fen Bilimleri Enstitüsü |
| Anabilim Dalı | Bahçe Bitkileri Ana Bilim Dalı |
| Tez Onay Yılı | 2024 |
| Öğrenci Adı ve Soyadı | Osman Nuri ÖCALAN |
| Tez Danışmanı | PROF. DR. ONUR SARAÇOĞLU |
| Türkçe Özet | Meyvelerde toplam monomerik antosiyanin içeriğinin belirlenmesinde yaygın olarak pH diferansiyel metodu kullanılmaktadır. Bu metot yoğun iş gücü ve zamanın yanı sıra pahalı kimyasallar gerektirmektedir. Bu tez çalışmasının amacı, karadut meyvesinin antosiyanin içeriğinin belirlenmesinde, mevcut yönteme alternatif olacak daha basit ve hızlı bir model geliştirmektir. Tez kapsamında Tokat Gaziosmanpaşa Üniversitesi Tarımsal Uygulama ve Araştırma Merkezi'nde bulunan karadut (Morus nigra) K60 genotipinden yararlanılmıştır. Meyveler, 2022 ve 2023 yıllarının temmuz ayında çok farklı olgunluk aşamalarında hasat edilmiştir. İlk başta dış renk (L*, a*, b*) ölçümleri yapılan meyvelerin daha sonra pH, suda çözünür kuru madde (SÇKM) ve antosiyanin analizleri yapılmıştır. Elde edilen veriler bağımsız (L*, a*, b*, pH, SÇKM) ve bağımlı (antosiyanin) değişkenler olarak iki gruba ayrılmıştır. Antosiyanin tahmini için dört farklı makine öğrenimi algoritmalarından faydalanılmıştır. Bunlar; MultilayerPerceptron, SVM, KNN ve RandomForest'dir. Oluşturulan modellerin performans değerlendirme ölçütleri olarak; korelasyon katsayısı (r), ortalama mutlak hata (Mean absolute error-MAE), hata kareler ortalamasının karakökü (Root Mean Square Error-RMSE), bağıl mutlak hata (Relative Absolute Error-RAE) ve bağıl hata kareleri karakökü (Root relative squared error-RRSE) kullanılmıştır. Çalışmanın sonucunda, kullanılan makine öğrenimi algoritmaları arasında antosiyanin değerlerinin tahmininde en başarılı sonucu RandomForest algoritması sağlamıştır. RandomForest algoritmasını sırasıyla KNN, SVM ve MultilayerPerceptron algoritmaları takip etmiştir. RandomForest algoritmasının performans değerleri; korelasyon katsayısı (r) 0.8498, MAE 52.779, RMSE 79.0309, RAE %43.3826 ve RRSE %52.7319 olarak tespit edilmiştir. |
| İlgilizce Özet | The pH differential method is commonly used to determine the total monomeric anthocyanin content of fruits. This method requires intensive labour and time as well as expensive chemicals. The aim of this thesis is to develop a simpler and faster model for the determination of anthocyanin content of black mulberry fruit, which will be an alternative to the existing method. Within the scope of the thesis, a black mulberry (Morus nigra) K60 genotype in Tokat Gaziosmanpaşa University Agricultural Application and Research Centre was used. The fruits were harvested at different stages of ripeness in July 2022 and 2023. Firstly, external colour (L*, a*, b*) measurements were made and then pH, soluble solid content (SSC) and anthocyanin analyses were performed. The data obtained were divided into two groups as independent (L*, a*, b*, pH, SÇKM) and dependent (anthocyanin) variables. Four different machine learning algorithms were utilised for anthocyanin prediction. These are Multilayer Perceptron, SVM, KNN and RandomForest. Correlation coefficient (r), Mean absolute error (MAE), Root Mean Square Error (RMSE), Relative Absolute Error (RAE) and Root relative squared error (RRSE) were used as performance evaluation criteria of the models. As a result of the study, among the machine learning algorithms used, the RandomForest algorithm achieved the most successful results in predicting anthocyanin values. RandomForest was followed by the KNN, SVM, and MultilayerPerceptron algorithms, respectively. The performance metrics for the RandomForest algorithm were determined as follows: correlation coefficient (r) 0.8498, MAE 52.779, RMSE 79.0309, RAE 43.3826 %, and RRSE 52.7319 %. |