TÜRKİYE’DEKİ SEÇMEN EĞİLİMLERİNİN C4.5 KARAR AĞACI ALGORİTMASI İLE BELİRLENMESİ

Abstract

Seçimler siyasi eğilimlerin ortaya konulduğu, seçmenin nihai kararının sonuçlandığı ve yönetenlerin oylanarak belirlendiği sistemdir. Bu sistemler bireylerin algıları ve tercihleri doğrultusunda çıktılar üretmektedir. Bu çıktılar veri madenciliği yöntem ve teknikleri sayesinde gerçek sonuca belirli değerlerle yakınsayacak şekilde önceden tahmin edilebilmektedirler. Bu çalışmanın amacı; verilerin fazla olduğu alanlardan biri olan siyasi seçimlerdeki seçmen eğilimlerinin veri madenciliği yöntem ve teknikleri kullanılarak tespit edilmesi ve bilgi keşfi sürecini açığa çıkarmaktır. Çalışmanın uygulama kısmında 2011 yılı Türkiye milletvekili genel seçimlerinden önce KONDA Araştırma ve Danışmanlık Firması tarafından hazırlanan seçim sonuçlarının tahminine yönelik anket ve kamuoyu araştırma sonuçları veri seti olarak kullanılmıştır. Sınıflandırmaya dayalı veri madenciliği teknikleri ile bu veri seti analiz edilmiş ve böylece seçmenlerin oy verecekleri partileri seçmelerini etkileyen kuralların neler olduğu ortaya çıkarılmıştır. Veri seti niteliklerinin kategorik yapıda olması nedeniyle karar ağacı algoritmalarından, C4.5 sınıflandırma algoritması kullanılarak model oluşturulmuştur. Algoritma uygulamalarında yazılım platformlarından R programlama dili ve Rstudio ortamından faydalanılmıştır. Kurgulanan modelin performans değerlendirme karşılaştırmaları yapılmıştır. Sonuç olarak karar ağacı algoritmasının siyasi eğilimleri belirlemede önemli bir yardımcı araç olduğu, partilerin bu aracı kullanarak seçim propagandalarını yurtdışı örneklerinde olduğu gibi yönlendirebilecekleri görüşüne varılmıştır.

Anahtar Kelimeler: Veri Madenciliği, C4.5. Karar Ağacı Algoritmaları, Siyasi Seçim, Seçmen Eğilimi.

References

1. Cziko, G.A. (1989) Unpredictability and Indeterminism in Human Behavior: Arguments and Implications for Educational Research, Educational researcher,18(3), 17-25.
2. Dasu, T., Johnson, T.(2003) Exploratory Data Mining and Data Cleaning, John Wiley &Sons Publication, New Jersey, Inc., ISBN:0-471-26851-8.
3. Dijcks, J.P. (2013) Oracle:Big Data for the Enterprise, http://www.oracle.com/us/products/database/big-data-for-enterprise-519135.pdf, [Ziyaret Tarihi: 29 Mayıs 2015].
4. Doğan, A. ve Göker, G.(2010) Yerel Seçimlerde Seçmen Tercihi: 29 Mart Yerel Seçimleri Elazığ Seçmeni Örneği, Eskişehir Osman Gazi Üniversitesi İİBF Dergisi, 2, 159-187.
5. Gantz, J. ve Reinsel, D. (2012) The Digital Universe in 2020: Big Data, Bigger Digital Shadows, Biggest Growth in the Far East, http://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf,[Ziyaret Tarihi: 5 Haziran 2015].
6. Hegland, M.(2003) Data Mining–Challenges, Models, Methods And Algorithms, http://datamining.anu.edu.au/publications/2003/dm_script_hegland.pdf, [Ziyaret Tarihi: 10 Haziran 2015].
7. Hilbert, M., ve Lopez, P. (2011) The World’s Technological Capacity to Store, Communicate, and Compute Information, Science, 332, 60-65.
8. Hssina, B., Merbouha, A., Ezzikouri, H. ve Erritali, M. (2014) A comparative study of decision tree ID3 and C4.5, International Journal of Advanced Computer Science and Applications, 4(2), 13–19.

9. Kantardzic, M. (2011) Data Mining: Concepts, Models, Methods, and Algorithms, John Wiley & Sons Publication, New Jersey, ISBN:978-1-118-02912-1.
10. Larose, D.T. ve Larose, C.D. (2015) Data Mining and Predictive Analytics, John Wiley & Sons Publication, New Jersey, ISBN: 978-1-118-11619-7.
11. Little, R. J.A. ve Rubin, D.B. (1987) Statistical Analysis with Missing Data, Second ed., John Wiley &Sons Publication, New York, Inc.,ISBN:0-471-18386-5.
12. Mitchell, T. (1997) Machine Learning, McGraw-Hill, Maidenhead, U.K., ISBN: 0070428077.
13. Oğuzlar, A. (2003) Veri Ön İşleme, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21, 67–76.
14. Özekes, S.( 2003) Veri Madenciliği Modelleri ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 3, 64-82.
15. Shi, Y., Zhang, L., Tian, Y. ve Li, X. (2015) Intelligent Knowledge: A Study beyond Data Mining, Springer, London, ISBN: 978-3-662-46193-8.