Presented at the 3rd International Symposium on Innovative Approaches in Scientific Studies (Engineering and Natural Sciences) (ISAS2019-ENS), Ankara, Turkey, Apr 19, 2019

SETSCI Conference Proceedings, 2019, 4, Page (s): 130-133 , https://doi.org/

Published Date: 01 June 2019    | 749     9

Correct orientation of students during education is very crucial for preventing future failures. Students who cannot graduate at the time may cause negative impacts on the family and the country's economy as well as the decrease of the young labor force. This situation requires the studies to be held concerning the students who cannot graduate in time. Analyzing the educational data related to the students is included in this study. Considering the accumulation of large number of educational data in higher education institutions, it becomes more important to analyze these data with various methods. In data mining, which is one of the methods used to analyze the data, estimation, classification and clustering methods are benefited. In this study, inferences were tried to be made about whether the students who enrolled to Amasya University Distance Education Child Development, Medical Documentation and Secretariat Associated Degree Programs in 2016-2017 will be able to graduate on time or not. Algorithms such as Decision Tree, Naïve Bayes, Support Vector Machines and Random Forest have been used for estimation. The best estimation success was reached with the decision tree algorithm. The comparative study of the estimation classification of algorithms is included in the study

Keywords - Data Mining, Decision Trees, Distance Education Application and Research Center Educational Data Mining

[1] G. Silahtaroğlu, Veri Madenciliği Kavram ve Algoritmaları, İstanbul: Papatya Yayıncılık 22, 2016.

[2] H. Akpınar, “Veri tabanlarında bilgi keşfi ve veri madenciliği,” İÜ İşletme Fakültesi Dergisi, 29(1), 1-22, 2000

[3] J. Luan, “Data mining, knowledge management in higher education, potential applications,”, 42nd Associate of Institutional Research International Conference, Toronto, Canada, 2002. Device Lett., vol. 20, pp. 569–571, Nov. 1999.

[4] Y. Z. Ayık, A. Özdemir, and U. Yavuz, “Lise türü ve lise mezuniyet başarısının, kazanılan fakülte ile ilişkisinin veri madenciliği tekniği ile analizi,”. Atatürk Üniversitesi Sosyal Bilimler Dergisi, 10 (2), 441-454, 2007.

[5] V. P. Bresfelean, M. Bresfelean, N. Ghisoiu, and C. A. Comes, “Determining students’ academic failure profile founded on data mining methods,” In Information Technology Interfaces, International Conference, Dubrovnik, 23- 26 Haziran, 317-322, 2008.

[6] Ş. Can, “Veri madenciliği ve eğitim sektöründe bir uygulama,” (Yüksek Lisans Tezi). Manisa: Celal Bayar Üniversitesi Sosyal Bilimler Enstitüsü, 2017.

[7] D. Şengür, and A. Tekin, “Öğrencilerin mezuniyet notlarının veri madenciliği metotları ile tahmini,” Internatıonal Journal Of Informatıcs Technologıes, 6(3): 7-16, 2013.

[8] M. Karabatak, “Özellik seçimi, sınıflama ve öngörü uygulamalarına yönelik birliktelik kuralı çıkarımı ve yazılım geliştirilmesi,” F.Ü. Fen Bilimleri Enstitüsü, Doktora Tezi, Elazığ, 116s., 2008.

[9] C. Hark, “Öğrencilerin akıllı tahtaya ilişkin tutumlarının incelenmesine yönelik bir veri madenciliği uygulaması,” (Yüksek Lisans tezi). Fırat Üniversitesi Eğitim Bilimleri Enstitüsü Bilgisayar ve Öğretim Teknolojileri Eğitimi, Elazığ, 2013.

[10] G. Bilekdemir, “Veri madenciliği tekniklerini kullanarak üretim süresi tahmini ve bir uygulama,” (Yüksek Lisans Tezi). Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı Üretim Yönetimi Ve Endüstri İşletmeleri Yüksek Lisans Tezi, İzmir, 2010.

[11] M. Taşdemir, “Veri madenciliği: öğrenci başarısına etki eden faktörlerin regresyon analizi ile tespiti,” (Yüksek Lisans Tezi), 2012.

[12] S. Haykin. “Neural Networks: A Comprehensive Foundation,” [Elektronik Sürüm], Prentice Hall Inc, New Jersey, 1999.

[13] O. Song, W. Hu, and W. Xie, “Robust support vector machine with bullet hole image classification,” [Kurşun deliklerini destek vektör makineleri ile siniflandirma], IEEE Transactions on Systems, Man and Cybernetics – Part C: Applications and Rewiews, 32(4): 440, 2002

[14] E. Yakut, B. Elmas, and S. Yavuz, “Yapay sinir ağları ve destek vektör makineleri yöntemleriyle borsa endeksi tahmini,” Süleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 19(1), 2014

[15] M. Akman, Y. Genç, and H. Ankarali, “Random forests yöntemi ve sağlık alanında bir uygulama,” Türkiye Klinikleri Journal of Biostatistics, 3(1), 36-48, 2011

[16] Y. İşler, A. Narin, "WEKA Yazılımında k-Ortalama algoritması kullanılarak konjestif kalp yetmezliği hastalarının teşhisi," SDÜ Teknik Bilimler Dergisi, c. 2, s. 4, ss. 21-29, 2012.