Suç verilerinin ikili kümeleme yöntemleri ile analizi
Analysis of crime data using biclustering methods
- Tez No: 960069
- Danışmanlar: PROF. DR. HACI HASAN ÖRKCÜ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Suç analizi, suçların öngörülebilirliği ve önleyici tedbirlerin alınması açısından güvenlik birimleri için kritik bir öneme sahiptir. Suç oranlarındaki artışla birlikte suç verileri, büyük ve karmaşık veri setleri haline gelmiş, bu verilerin verimli bir şekilde analiz edilmesi için veri madenciliği teknikleri ön plana çıkmıştır. Veri madenciliği, büyük veri kümelerinden gizli kalmış anlamlı desenleri ve ilişkileri keşfetmeye yardımcı olan bir yöntem olup suç verileri üzerinde de etkili bir şekilde kullanılmaktadır. Suç ve suçu meydana getiren faktörler bir arada incelenip, aralarındaki ilişkiyi tespit etmek ve çıkarımda bulunmak için pek çok amaçla suç analizi ile ilgili çalışma yapılmıştır. Bu analizler sayesinde, suç türleri doğru şekilde sınıflandırılabilir, suç eğilimleri belirlenebilir ve güvenlik önlemleri daha etkili bir şekilde planlanabilir. Özellikle suç bölgelerinin belirlenmesi gibi problemler için veri madenciliği algoritmaları suç türleri ve bu suçların işlendiği bölgeler arasındaki ilişkileri anlamada büyük bir rol oynamaktadır. Klasik kümeleme yöntemlerinde yalnızca satır veya sütun incelenip, aralarındaki ilişkiyi tespit etmek ve çıkarımda bulunmak için pek çok amaçla suç analizi ile ilgili çalışmalar yapılmıştır. Bu çalışmada, suç verilerinin analizinde ikili kümeleme yöntemleriyle suç bölgelerinin belirlenmesi amaçlanmıştır. Adalet Bakanlığı Adli Sicil ve İstatistik Genel Müdürlüğü'nden temin edilen veri seti üzerinde; R Project yazılımı kullanılarak CC, xMotif ve Bimax algoritmaları ile analizler gerçekleştirilmiştir. Algoritmaların ürettiği sonuçlar görsel açıdan karşılaştırılmıştır. Elde edilen sonuçlar, suç verilerinin analizinde ikili kümeleme yöntemlerinin etkin kullanımını ve suç türleri ile suçların işlendiği bölgelerin eşzamanlı analizinin önemini vurgulamaktadır. Bu bulgular, suç önleme stratejilerinin geliştirilmesi ve güvenlik önlemlerinin etkin şekilde planlanmasına katkılar sağlayacaktır.
Özet (Çeviri)
Crime analysis is critically important for security agencies in terms of crime predictability and taking preventive measures. With the increase in crime rates, crime data has become large and for complex datasets, making data mining techniques prominent for efficient analysis. Data mining is a method that helps discover hidden meaningful patterns and relationships from large datasets and is effectively used in crime data analysis. Many studies have been conducted on crime analysis to examine crime and the factors that cause crime together, identify their relationships, and make inferences. Through these analyses, crime types can be accurately classified, crime trends can be identified, and security measures can be planned more effectively. In particular, data mining algorithms play a significant role in understanding the relationships between crime types and the regions where these crimes are committed, especially for problems such as determining crime zones. Traditional clustering methods group data only based on rows or columns, whereas biclustering methods simultaneously group both rows and columns, allowing for more comprehensive analyses. This method is particularly effective for high-dimensional datasets. So far, many studies have been conducted in this field to examine crime and the factors that cause crime together, identify their relationships, and make inferences. In this study, the aim is to determine crime zones using biclustering methods in crime data analysis. The analysis was conducted using the CC, xMotif and Bimax algorithms on a dataset obtained from the Ministry of Justice's General Directorate of Criminal Records and Statistics, utilizing the R Project software. The obtained results highlight the effective use of biclustering methods in crime data analysis and emphasize the importance of simultaneous analysis of crime types and the regions where crimes are committed. These findings will significantly contribute to the development of crime prevention strategies and the effective planning of security measures.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Determination of river pollution sources using source apportionment method: Ergene river
Kaynak belirleme metodu kullanılarak nehir kirlilik kaynaklarının belirlenmesi: Ergene nehri
FULYA ÇİNGİROĞLU
Yüksek Lisans
İngilizce
2018
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURÇAK KAYNAK TEZEL
- Suç verilerinin analizinde ikili kümeleme yöntemi: Kaçakçılık verileri üzerine bir uygulama
Biclustering method in the analysis of criminal data: An application on smuggling data
RAMAZAN ARSLAN
- Nitelikli personel eksikliği ile iş yükü stresi arasındaki ilişkide okullardaki şiddetin aracılık rolü
The mediation role of school delinquency and violence in the relationship between shortage of qualified teachers and administrators' workload stress
KÜBRA ASAL AKAY
Yüksek Lisans
Türkçe
2022
Eğitim ve ÖğretimAğrı İbrahim Çeçen ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ŞATA
- Central bank digital currencies (CBDCs): A countermeasure to anti-money laundering (AML) challenges posed by cryptocurrencies?
Merkez bankası dijital para birimleri (CBDC'ler): Kripto para birimlerinin neden olduğu karapara aklama (AML) zorluklarına karşı bir önlem mi?
ALBINA GAISINA
Doktora
İngilizce
2026
Ekonomiİstanbul Teknik Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. MATTHIAS PETER FINGER