Yurtta Barınan Öğrencilerin Ayrılma Sebeplerinin Veri Madenciliği Yöntemleriyle Analiz Edilmesi

Ülkemizde Üniversite öğrencilerinin büyük bir bölümü öğrenim hayatlarının bir döneminde devlet yurtlarında kalmaktadır. Bu çalışmanın amacı, Kredi ve Yurtlar Genel Müdürlüğü (KYGM)’nde barınan öğrencilerin; yurttan ayrılma sebeplerinin veri madenciliği yöntemleriyle analiz edilmesidir. Yapılan analizler sonucunda yurt şartlarının iyileştirilmesi veya sosyal ortamın düzenlenmesi için öneriler sunulması, ayrılma nedenleri ve barınan öğrencilerin çeşitli özellikleri analiz edilerek; ayrılması baştan öngörülen öğrencilerin yurt başvuru ve yerleştirme kriterlerinin yeniden gözden geçirilmesinin sağlanmasıdır. İlk olarak veri ön işleme ve öznitelik analizi gerçekleştirilmiştir. Öznitelik seçimi, bilgi kazancı ve korelasyon öznitelik sıralama filtresi kullanılarak yapılmıştır. Modellerin aşırı uyumunu önlemek için eğitim seti üzerinde k-katlı çapraz doğrulama kullanılarak, veri setine popüler tahmin modelleri olan; lojistik regresyon, naive bayes, destek vektör makinesi, karar ağaçları, KNN, ANN vb. uygulanmıştır. Önerilen kayıp tahmin modeli; doğruluk, kesinlik, hatırlama, f-ölçüsü ve karar verici etkinliği (ROC) alanı gibi metrikler kullanılarak değerlendirilmiştir. En başarılı sonuçları; Karar Tablosu (DecisionTable) algoritması %86,95 doğruluk ve %89 ROC alanı, Adaboost algoritması  %86,93 doğruluk ve %89 ROC alanı ve Karar Kütüğü (Decision Stump) algoritmasın %86,93 doğruluk ve %85 ROC alanı ile göstermiştir.

In our country, a large number of university students stay in state dormitories for a period of their education. The aim of this study is to analyze the reasons for students leaving the dormitories of the General Directorate of Student Loans and Dormitories (KYGM) using data mining methods. The results of the analyses aim to provide suggestions for improving dormitory conditions or organizing the social environment, and to ensure a revision of dormitory application and placement criteria for students whose departure is predicted from the outset, by analyzing the reasons for departure and various characteristics of the students residing there. First, data preprocessing and feature analysis were performed. Feature selection was done using information gain and correlation feature ranking filters. To prevent overfitting of the models, k-fold cross-validation was used on the training set, and popular prediction models such as logistic regression, naive Bayes, support vector machine, decision trees, KNN, ANN, etc., were applied to the dataset. The proposed loss prediction model; The algorithms were evaluated using metrics such as accuracy, precision, recall, f-measure, and decision-maker efficiency (ROC). The most successful results were shown by the DecisionTable algorithm with 86.95% accuracy and 89% ROC, the Adaboost algorithm with 86.93% accuracy and 89% ROC, and the Decision Stump algorithm with 86.93% accuracy and 85% ROC.