Eğitim sektörünün giderek büyüyen yapısında, yükseköğretim kurumları, öğrenci performansının akademik olarak iyileştirilmesi ve öğrencilerin okulu bırakmalarını önlemek için veri madenciliği araçlarını ve tekniklerini kullanmaktadır. Veriler sosyo-ekonomik, demografik ve çevresel yirmi dört özellik taşıyan üç yüz öğrencinin akademik bilgisinden oluşmaktadır. J48, Decision Stump,RepTree, Random Forest ve Random Tree karar ağacı sınıflandırma yöntemleri kullanılmıştır. Veri madenciliği aracı olarak 3.8.3 sürümlü WEKA seçilmşiştir. Rasgele orman algoritmasının doğruluk ve sınıflandırıcı hatalarına dayanarak diğer sınıflandırıcılardan daha iyi performans gösterdiği gözlemlenmiştir.

Keywords - karar ağaçları, veri madenciliği, öğrenci performans analizi, eğitimde veri madenciliği

1. Hijazi, S.T. and S.M.M.R. Naqvi, Factors Affecting Students’ Performance, A Case Of Private Colleges. Bangladesh e-Journal of Sociology, 2006. 3(1): p. 10. Bodur,Ş., Soysal,Ş., Otizmin Erken Tanısı ve Önemi, 2004. cilt 13 ,sayı 10, 394-398

2. Bhardwaj, B.K. and S. Pal, Data Mining: A prediction for performance improvement using classification. International Journal of Computer Science and Information Security, 2011. 9(4): p. 5.

3. Strecht, P., et al., A Comparative Study of Classification and Regression Algorithms for Modelling Students' Academic Performance. Proceedings of the 8th International Conference on Educational Data Mining, 2015: p. 3.

4. Kabakchieva, D., Predicting Student Performance by Using Data Mining Methods for Classification. Cybernatics and Information Technologies, 2013. 13(1): p. 12.

5. Sumitha, R. and E.S. Vinothkumar, Prediction of Students Outcome Using Data Mining Techniques. International Journal of Scientific Engineering and Applied Science (IJSEAS), 2016. 2(6): p. 8.

6. Baradwaj, B.K. and Pal, S., 2011. Mining Educational Data to Analyze Students’ Performance. (IJACSA) International Journal of Advanced Computer Science and
Applications, Vol. 2, No. 6, 2011.

7. Ahmed, A.B.E.D. and Elaraby, I.S., 2014. Data Mining: A prediction for Student's Performance Using Classification Method. World Journal of Computer Application and Technology, 2(2), pp.43-47.

8. Ahmad, F., N.H. Ismail, and A. Abdulaziz, The Prediction of Students’ Academic Performance Using Classification Data Mining Techniques. Applied Mathematical
Sciences, 2015. 9(129): p. 12.

9. Khasanah, A.U. and Harwati, A Comparative Study to Predict Student’s Performance Using Educational Data Mining Techniques. IOP Conf. Series: Materials Science and Engineering, 2017. 215(012036): p. 7.

10. Nichat, A.A. and D.A.B. Raut, Analysis of Student Performance Using Data Mining Technique. International Journal of Innovative Research in Computer and Communication Engineering, 2017. 2007(An ISO 3297): p. 5.

11. Almarabeh, H., Analysis of Students’ Performance by Using Different Data Mining Classifiers. I.J. Modern Education and Computer Science, 2017. 9(8): p. 9-15.

12. Safavian S.R., Landgrebe D., 1991, “A survey of decision tree classifier methodology”, IEEE Transactions on Systems Man and Cybernetics, 21, 660-674.

13. Göral,MA., “Kredi Kartı Başvuru Aşamasında Sahtecilik Tespiti İçin Bir Veri Madenciliği Modeli – Yük. Lisans Tezi İ.T.Ü. Fen Bilimleri Ens.. Ocak 2007-AKPINAR, 2000, s. 17.

14. Geetha, A. ve Nasira, G.M. (2014) “Data Mining for Meteorological Applications: Decision Trees for Modeling Rainfall Prediction” IEEE International Conference on Computational Intelligence and Computing Research.

15. Quinlan J.R., 1993, “C4.5: Programs for Machine Learning”, Morgan Kaufmann, San Mateo, CA,302 s

16. Breiman L., Friedman J.H., Olshen R.A. and Stone C.J., 1984, “Classification and Regression Trees”Monterey, CA: Wadsworth, 358 s

17. Mingers J., 1989, “An empirical comparison of pruning methods for decision tree induction”,Machine Learning, 4, 227–243

18. Yücebaş,S.,2018.Karmaşık Hastalıkların Teşhisinde Veri Madenciliği Yöntemlerinin Başarım Karşılaştırması, Çanakkale Onsekiz Mart University, Journal of Graduate School of Natural and Applied Sciences, 2018:4,1, 14-27//// Quinlan J.R., 1986. Induction of Decision Trees. Machine Learning. 1(1):81-106

19. Kavzoğlu, T., Çölkesen, İ., ”Karar Ağaçları İle Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği” Harita Teknolojileri Elektronik Dergisi 2010, 2(1) 36-45

20. Bounsaythip, C. ve Esa, R. R. (2001). “Overview of Data Mining For Customer Behavior Modeling”, VTT Information Technology Research Report, Version:1, s.1-53

21. Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning. Springer: 2001, pp. 269-272

22. Breiman L., Friedman J.H., Olshen R.A. and Stone C.J., 1984, “Classification and Regression Trees” Monterey, CA: Wadsworth, 358 s