Türkiye’deki üniversitelerin sürdürülebilirlik açısından bulanık c-ortalamalar yöntemi ile kümelenmesi

Abstract

Üniversiteler sürdürülebilirlik kavramının tüm toplum tarafından anlaşılması ve gelişmesi açısından oldukça önemli bir yere sahiptir. Bu çalışmanın amacı GreenMetric 2021 dünya sürdürülebilir üniversite sıralama raporu kullanılarak Türkiye’deki 71 üniversiteyi sürdürülebilirlik açısından bulanık c-ortalamalar (BCO) kümeleme yöntemi ile değerlendirmektir. Kümeleme, birçok farklı alanda uygulama imkanı sunması sayesinde önemli bir araştırma alanı olmuştur. Katı kümeleme, nesnelerin sadece bir kümeye ait olmasına izin verirken bulanık kümeleme nesnelerin kümelere ilişkin üyeliklerinin değerlendirilmesine imkân sağlamaktadır. Bu yönü ile bulanık kümeleme, kümeler arasında keskin ayrımların olmadığı veriler için daha uygundur. Bu nedenle çalışmada bulanık kümeleme algoritmalarından biri olan bulanık c-ortalamalar (BCO) kullanılmaktadır. BCO algoritması analiz sonuçlarına göre iki küme elde edilmiş olup, 1. Küme 6 sürdürülebilirlik boyutu kapsamında daha yüksek ortalamalara sahiptir. Ayrıca, 5 üniversitenin her iki kümeye ait olma derecelerinin oldukça yakın olduğu ortaya çıkmıştır. Çalışma sonucunda Türkiye’de yer alan üniversitelerin sürdürülebilirlik konusundaki konumlarının görülmesi sağlanmaktadır. Ayrıca üniversitelere sürdürülebilirliğin geliştirilmesine yönelik öneriler sunulmaktadır.

Keywords

• Bulanık c-ortalamalar (BCO)
• Sürdürülebilirlik
• Üniversiteler

Clustering of universities in Türkiye with fuzzy c-means method in terms of sustainability

Abstract

Universities have a very important place in terms of the understanding and development of the concept of sustainability by the whole society. The aim of this study is to evaluate 71 universities in Turkey in terms of sustainability with the Fuzzy c-means (FCM) clustering method using the GreenMetric 2021 world sustainable university ranking report. Clustering has become an important research area as it offers application opportunities in many different fields. While hard clustering allows objects to belong to only one cluster, fuzzy clustering allows the evaluation of the membership of objects in clusters. With this aspect, fuzzy clustering is more suitable for data where there are no sharp distinctions between clusters. For this reason, fuzzy c-means (FCM), which is one of the fuzzy clustering algorithms, is used in this study. According to the results of the FCM algorithm analysis, two clusters were obtained, and Cluster 1 has higher averages within the scope of the 6-sustainability dimensions. It has been found that the degrees of belonging to both clusters of 5 universities are quite close. As a result of the study, it is provided to see the current positions of the universities in Turkey on sustainability. In addition, suggestions are offered to universities for the development of sustainability.

Keywords

• Fuzzy c-means (FCM)
• Sustainability
• Universities

References

1. Abacıoğlu, S., Ayan, B., & Pamucar, D. (2024). The Race to Sustainability: Decoding Green University Rankings Through a Comparative Analysis (2018–2022). Innovative Higher Education, 1-35. doi: https://doi.org/10.1007/s10755-024-09734-4
2. Alptekin, N. ve Yeşilaydın, G. (2015). OECD Ülkelerinin Sağlık Göstergelerine Göre Bulanık Kümeleme Analizi ile Sınıflandırılması. İşletme Araştırmaları Dergisi, 7(4), 137-155. doi: https://doi.org/10.21441/sosyalguvence. 1050881
3. Askari, S. (2021). Fuzzy C-Means clustering algorithm for data with unequal cluster sizes and contaminated with noise and outliers: Review and development. Expert Systems with Applications, 165, 113856. doi: https://doi.org/10.1016/j.eswa.2020.113856
4. Aydın, N. ve Kayhan, G. (2021). Jensen Shannon Mesafesi Temelli Uyarlanmış Bulanık C Ortalamalar Kümeleme Yöntemi. Avrupa Bilim ve Teknoloji Dergisi, 29, 58-64. doi: https://doi.org/10.31590/ejosat.1021473
5. Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 10(2-3), 191-203. doi: https://doi.org/10.1016/0098-3004(84)90020-7
6. Bezdek, J.C., (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York. 10.1007/978-1-4757-0450-1. doi: https://doi.org/ 10.1007/978-1-4757-0450-1
7. Bezdek, J.C., (1974). Cluster Validity With Fuzzy Sets. J. Cybernet. 3 Ž.3, 58–72. doi: https://doi.org/10.1080/01969727308546047
8. Bezdek, J.C., (1975). Mathematical models for systematics and taxonomy in Proc. 8th International Conference in Numerical Taxonomy,143–166 (Freeman: San Francisco, 1975).

9. Cantuarias-Villessuzanne, C., Weigel, R., & Blain, J. (2021). Clustering of European smart cities to understand the cities’ sustainability strategies. Sustainability, 13(2), 513. doi: https://doi.org/10.3390/su13020513
10. Cebeci, Z., & Yıldız, F. (2015). Comparison of k-means and fuzzy c-means algorithms on different cluster structures. Journal of Agricultural Informatics, 6(3), 13–23. doi : https://doi.org/10.17700/jai.2015.6.3.196
11. Cuesta‐Claros, A., Malekpour, S., Raven, R., & Kestin, T. (2022). Understanding the roles of universities for sustainable development transformations: A framing analysis of university models. Sustainable Development, 30(4), 525-538. doi: https://doi.org/10.1002/sd.2247
12. Çağlar, M., & Gürler, C. (2022). Sustainable Development Goals: A cluster analysis of worldwide countries. Environment, Development and Sustainability, 24(6), 8593-8624. doi: https://doi.org/10.1007/s10668- 021-01801-6
13. Çalışkan, A., Koçak, D., & Ertürk, Y. (2021). Ülkelerin Yükseköğretim Performanslarının Bulanık C-Ortalamalar Kümeleme Algoritması ile Değerlendirilmesi. Üniversite Araştırmaları Dergisi, 4(1), 1-7. doi: https://doi.org/10.32329/uad.898187.
14. Dagiliūtė, R., Liobikienė, G., & Minelgaitė, A. (2018). Sustainability at universities: Students’ perceptions from Green and Non-Green universities. Journal of Cleaner Production, 181, 473-482. doi: https://doi.org/10.1016/j.jclepro.2018.01.213
15. Dunn, J.C. (1973). A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters, Journal of Cybernetics, 3:3, 32-57. doi: https://doi.org/10.1080/01969727308546046
16. Eker, A. F., Çil, A. Y. ve Çil, İ. (2022). Bulanık C-Ortalama Algoritması ile Başlangıç Çözümü İyileştirilmiş Tavlama Benzetimi Algoritması ile Kapasiteli Araç Rotalama Problemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(2), 783-798. doi: https://doi.org/10.17341/gazimmfd.784653
17. Gorgulu, Y., Ozceylan, E., & Ozkan, B. (2021). UI GreenMetric ranking of Turkish universities using entropy weight and COPRAS methods. In Proceedings of the International Conference on Industrial Engineering and Operations Management Bangalore, India, 16-18. doi: https://doi.org/10.46254/IN01.20210051.
18. Gosain, A., & Dahiya, S. (2016). Performance analysis of various fuzzy clustering algorithms: a review. Procedia Computer Science, 79, 100-111. doi: https://doi.org/10.1016/j.procs.2016.03.014 https://greenmetric.ui.ac.id/ (Erişim Tarihi: 27.12.2022). https://istatistik.yok.gov.tr/ (Erişim Tarihi: 27.12.2022).
19. Hüllermeier, E. (2015). Does machine learning need fuzzy logic? Fuzzy Sets and Systems, 281, 292-299. doi: https://doi.org/10.1016/j.fss.2015.09.001
20. Izakian, H., & Abraham, A. (2011). Fuzzy c-means and fuzzy swarm for fuzzy clustering problem. Expert Systems with Applications, 38(3), 1835-1838. doi: https://doi.org/10.1016/j.eswa.2010.07.112.
21. Kıyak, E. ve Kahvecioğlu, A. (2003). Bulanık Mantık ve Uçuş Kontrol Problemine Uygulanması. Havacılık ve Uzay Teknolojileri Dergisi, 1(2), 63-72. doi: https://jast.hho.msu.edu.tr/index.php/JAST/article/view/85
22. Kundakcı, N. (2022). A Hybrid Fuzzy MCDM Approach for ESCO Selection. In: Terzioğlu, M.K. (eds) Advances in Econometrics, Operational Research, Data Science and Actuarial Studies. Contributions to Economics. Springer, Cham., 389-404. doi: https://doi.org/10.1007/978-3-030-85254-2_24
23. Lukman, R., & Glavič, P. (2007). What are the key elements of a sustainable university? Clean Technologies and Environmental Policy, 9(2), 103-114. doi: https://doi.org/10.1007/s10098-006-0070-7 Nayak, J., Naik, B., & Behera, H. (2015). Fuzzy C-means (FCM) clustering algorithm: a decade review from 2000 to 2014. Computational Intelligence in Data Mining, 2, 133-149. doi: https://doi.org/10.1007/978-81-322-2208- 8_14
24. Nilashi, M., Rupani, P.F., Rupani, M.M., Kamyab, H., Shao, W., Ahmadi, H., Rashid, T.A., & Aljojo, N. (2019). Measuring sustainability through ecological sustainability and human sustainability: a machine learning approach. Journal of Cleaner Production, 240,118162. doi: https://doi.org/10.1016/j.jclepro.2019.118162
25. Ok, Y. (2022). Bulanık C - Ortalamalar İle Ülkelerin İşsizlik Göstergeleri Temelinde Kümelenmesi. Avrupa Bilim ve Teknoloji Dergisi, 34, 507-512. doi: https://doi.org/10.31590/ejosat.1083246.
26. Ok, Y. (2022). Bulanık C-Ortalamalar İle Ülkelerin İşsizlik Göstergeleri Temelinde Kümelenmesi. Avrupa Bilim ve Teknoloji Dergisi, (34), 507-512.doi: https://doi.org/10.31590/ejosat.1083246
27. Ozdemır, O., & Karakutuk, A. K. (2024). Comparison of Fuzzy Clustering Algorithms on UI GreenMetric University Rankings. International Journal of Applied Mathematics, Computational Science and Systems Engineering, 6, 230-237. doi: https://doi.org/10.37394/232026.2024.6.19
28. Öztaş, T., Aytaç Adalı, E., Tuş, A., & Öztaş, G. Z. (2023). Ranking Green Universities from MCDM Perspective: MABAC with Gini Coefficient-based Weighting Method. Process Integration and Optimization for Sustainability, 7, 163-175. doi: https://doi.org/10.1007/s41660-022-00281-z
29. Paulvannan Kanmani, A., Obringer, R., Rachunok, B., & Nateghi, R. (2020). Assessing global environmental sustainability via an unsupervised clustering framework. Sustainability, 12(2), 563. doi: https://doi.org/ 10.3390/su12020563
30. Perchinunno, P., & Cazzolle, M. (2020). A clustering approach for classifying universities in a world sustainability ranking. Environmental Impact Assessment Review, 85, 106471. doi: https://doi.org/10.1016/j.eiar.2020.106471
31. Prasad, B. N., Rathore, M., Gupta, G., & Singh, T. (2016). Performance measure of hard c-means, fuzzy c-means and alternative c-means algorithms. International Journal of Computer Science and Information Technologies, 7(2), 878-883. https://www.ijcsit.com/docs/Volume%207/vol7issue2/ijcsit2016070297.pdf
32. Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. doi: https://doi.org/10.1016/0377-0427(87)90125-7
33. Safouan, S., El Moutaouakil, K., & Patriciu, A. M. (2024). Fractional Derivative to Symmetrically Extend the Memory of Fuzzy C-Means. Symmetry, 16(10), 1353. doi: https://doi.org/10.3390/sym16101353
34. Sel, A. (2021). Avrupa Bölgesi Ülkelerinin Enerji Kullanımları Açısından Bulanık Kümeleme Yöntemleri İle Analizi. Sosyal Bilimler Araştırmaları Dergisi, 16(1), 121-135. doi: https://doi.org/10.48145/gopsbad.796137
35. Singh, N., Mohapatra, A. G., & Kanungo, G. (2011). Breast cancer mass detection in mammograms using Kmeans and fuzzy C-means clustering. International Journal of Computer Applications, 22(2), 15-21. doi: https://doi.org/10.5120/2557-3507
36. Subbalakshmi, C., Krishna, G. R., Rao, S. K. M., & Rao, P. V. (2015). A method to find optimum number of clusters based on fuzzy silhouette on dynamic data set. Procedia Computer Science, 46, 346-353. doi: https://doi.org/10.1016/j.procs.2015.02.030
37. Şişeci, M., & Çetişli, B. (2014). Traverten plaka taşlarda sınıfların K-ortalamalar ve bulanık C-ortalamalar kümeleme yöntemleri ile belirlenmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 16(3), 238-247. doi: https://doi.org/10.19113/sdufbed.44402
38. Tokat, S., Karagul, K., Sahin, Y., & Aydemir, E. (2022). Fuzzy c-means clustering-based key performance indicator design for warehouse loading operations. Journal of King Saud University-Computer and Information Sciences, 34(8), 6377-6384. doi: https://doi.org/10.1016/j.jksuci.2021.08.003
39. Torra, V. (2005, May). Fuzzy c-means for fuzzy hierarchical clustering. In The 14th IEEE International Conference on Fuzzy Systems, 2005. FUZZ'05. (pp. 646-651). IEEE. doi: https://doi.org/10.1109/FUZZY.2005.1452470
40. Ünsal, M. G., & Kasap, R. (2020). Investigating Covid 19 data for G20, EU and OECD countries via using time series analysis & cluster analysis. Journal of Turkish Operations Management, 4(2), 424-432. https://dergipark.org.tr/tr/pub/jtom/issue/59336/851834
41. Verma, R. K., Tiwari, R., & Thakur, P. S. (2023). Partition coefficient and partition entropy in fuzzy c means clustering. J. Sci. Res. Rep, 29(12), 1-6. doi: https://doi.org/10.9734/JSRR/2023/v29i121812
42. Wulandari, L., & Yogantara, B. O. (2022). Algorithm analysis of K-means and fuzzy C-means for clustering countries based on economy and health. Faktor Exacta, 15(2), 109-116. doi: https://doi.org/10.30998/faktorexacta.v15i2.12106
43. Xie, X. L., & Beni, G. (1991). A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis & Machine Intelligence, 13(08), 841-847. doi: https://doi.org/10.1109/34.85677
44. Yeh, J. H. (2021). Assigning Unskilled Workers on the Production Line According to the Fuzzy C-Means Clustering Method. Science and technology reports of Kansai University= 関西大学理工学研究報告, 63, 53-66. doi: https://doi.org/10.32286/00022962
45. Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8, p.338-353. https://doi.org/10.1016/S0019- 9958(65)90241-X
46. Zeybekoğlu, U. (2021). Bulanık c ortalamalar yöntemi ile Karadeniz bölgesi standart süreli yağış şiddetlerinin kümelenmesi. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 8(1), 147-154. doi: https://doi.org/10.17714/gumusfenbil.864904 Zorlutuna, Ş. ve Erilli, N. A. (2018). Sosyo-Ekonomik Verilere göre İllerin Bulanık C-Ortalamalar Yöntemi ile Sınıflandırılması: 2002-2008-2013 Dönemleri Karşılaştırması. İktisadi Yenilik Dergisi, 5(2), 13-31. doi: https://dergipark.org.tr/tr/pub/iy/issue/38106/439719