TY  - JOUR
T1  - Türkiye’de Covid-19 günlük vaka sayısının makine öğrenmesi algoritmaları ile tahmin edilmesi
TT  - Prediction Covid-19 cases per day with machine learning algorithms in Turkey
AU  - Sütcü, Ertürk
AU  - Shams, Parvaneh
PY  - 2021
DA  - September
JF  - Anadolu Bil Meslek Yüksekokulu Dergisi
JO  - ABMYO Dergisi
PB  - İstanbul Aydın Üniversitesi
WT  - DergiPark
SN  - 1306-3375
SP  - 197
EP  - 213
VL  - 16
IS  - 63
LA  - tr
AB  - COVID-19 enfeksiyonu 2019 yılının Aralık ayında ortaya çıkmış olup, Dünya Sağlık Örgütütarafından 11 Mart 2020’de pandemi olarak tanımlanmıştır. Pandemi sürecinde vaka sayılarınınkontrol altına alınması için sosyal alanlarda kısıtlama ve sokağa çıkma yasağı gibi önlemleralınmıştır. Pandemi sürecinde vaka sayılarına yönelik tahminlerin yapılması önemlidir. Vaka sayısıtahmininin yapılmasında kullanılan zaman serisi analizi, bölmeli model ve makine öğrenmesi gibikullanılan tahminleme yöntemleri bulunmaktadır. Bu araştırmada COVID-19 vaka sayısının tahminedilmesinde Destek Vektör Makinesi Algoritması (SVM), Karar Ağacı Algoritması (DT), Naif BayesAlgoritması (NB), K-En Yakın Komşu Algoritması (KNN) ve Rastgele Orman Algoritması (RF) olarak5 makine öğrenme algoritması üzerinde çalışılmıştır. Algoritmaların tahmin performansı doğruluk,duyarlılık ve kesinlik değerleri ile belirlenmiştir. PCA yöntemi kullanıldığında doğruluk değeri enyüksek RF algoritmasında, duyarlılık ve kesinlik değeri en yüksek SMV algoritmasında saptanmıştır.Bu yöntemin kullanılması sonucunda en düşük doğruluk NB algoritmasında, duyarlılık ve kesinlikdeğerleri en düşük NB ve DT algoritmalarında elde edilmiştir. PCA yöntemi kullanıldığında tümalgoritmalarda doğruluk, duyarlılık ve kesinlik değerleri AVM’ler Açık/Kapalı veri setinde en yüksekdüzeyde bulunmuştur. Okullar Açık/Kapalı, Restaurantlar Açık/Kapalı ve AVM’ler Açık/Kapalı verisetinde RF algoritması ile tahminde sırasıyla %95, %88 ve %90 başarı oranı bulunmuş iken; SokağaÇıkmak Yasak verisi için DT Algoritması ile tahminde %85 başarı oranı elde edilmiştir.
KW  - Makine öğrenmesi
KW  - Covid-19 vaka sayısı
KW  - Sınıflandırma algoritması
KW  - Rastgele orman algoritması
N2  - COVID-19 infection emerged in December 2019 and was defined as a pandemic by the World HealthOrganization on March 11, 2020. During the pandemic process, measures such as restrictions insocial areas and curfews have been taken. It is important to make estimates for the number of casesduring the pandemic process. There are estimation methods used in estimating the number of cases,such as time series analysis, divisional model and machine learning. In this research, 5 machines asSupport Vector Machine Algorithm (SVM), Decision Tree Algorithm (DT), Naive Bayes Algorithm(NB), K-Nearest Neighbor Algorithm (KNN) and Random Forest Algorithm (RF) were used toestimate the number of COVID-19 cases. The prediction performance of the algorithms wasdetermined by the accuracy, sensitivity and precision values. When the PCA method is used, the RFalgorithm has the highest accuracy and the SMV algorithm has the highest sensitivity and precision.As a result of using this method, the lowest accuracy was obtained in the NB algorithm, and the lowestsensitivity and precision values were obtained in the NB and DT algorithms. When the PCA methodwas used, the accuracy, sensitivity and precision values in all algorithms were found at the highestlevel in the AVMs On/Off dataset. In the Schools On/Off, Restaurants On/Off and Shopping MallsOn/Off data set success rates were found respectively 95%, 88% and 90% in estimating with the RFalgorithm. In the Curfew data, 85% success rate was achieved in the estimation with the DTAlgorithm.
CR  - Awan, T. M., Aslam, F. (2020). Prediction of daily COVID-19 cases in European countriesus ingautomatic
ARIMA model. Journal of Public Health Research, 9(3).
CR  - Gorbalenya, A.E., Baker, S.C., Baric, R.S. (2020). Covid-19&Ct. Published online.
Jin, X., Bie, R., (2006). Random Forest and PCA for Self-Organizing Maps based Automatic Music Genre
Discrimination. In DMIN, 414-417.
CR  - McCoy, T. H., Pellegrini, A. M., Perlis, R. H., (2018). Assessment of time-series machine learning methods
for forecasting hospital discharge volume. JAMA network open, 1(7), 87
CR  - Nash, C. M., (2020). Harvard Professor Sounds Alarm on ‘Likely’Coronavirus Pandemic: 40% to 70% of
World Could Be Infected This Year, JAMA, 1(5).
CR  - Özen, N. S., Saraç, S., Koyuncu, M. (2021). COVID-19 Vakalarının Makine Öğrenmesi Algoritmaları ile
Tahmini: Amerika Birleşik Devletleri Örneği. Avrupa Bilim ve Teknoloji Dergisi, (22), 134-139.
CR  - Papacharalampous, G. A., Tyralis, H., (2018). Evaluation of random forests and Prophet for Daily stream flow
forecasting. Advances in Geosciences, 45, 201-208.
CR  - Rustam, F., Reshi, A. A., Mehmood, A., Ullah, S., On, B. W., Aslam, W., Choi, G. S. (2020). COVID-19
future forecasting using supervised machine learning models. IEEE access, 8, 101489-101499.
CR  - Sahai, A. K., Rath, N., Sood, V., Singh, M. P. (2020). ARIMA modelling & forecasting of COVID-19 in top
five affected countries. Diabetes&Metabolic Syndrome: Clinical Research & Reviews, 14(5), 1419-1427.
CR  - Salehi, S., Abedi, A., Balakrishnan, S., Gholamrezanezhad, A. (2020). Coronavirus disease 2019 (COVID19): a systematic review of imaging findings in 919 patients. American Journal of Roentgenology, 215(1), 87-93.
CR  - Sevli, O., Gülsoy, V. G. B., (2020). Covid-19 Salgınına Yönelik Zaman Serisi Verileri ile Prophet Model
Kullanarak Makine Öğrenmesi Temelli Vaka Tahminlemesi. Avrupa Bilim ve Teknoloji Dergisi, (19), 827-835.
CR  - World Health Organization. Coronavirus Disease (COVID-2019) (2021). Situation Reports, World Health
Organization, 2021.
CR  - Zhou, F., Yu, T., Du, R., Fan, G., Liu, Y., Liu, Z., Cao, B., (2020). Clinical course and risk factors for mortality
of adult in Patients with COVID-19 in Wuhan, China: a retrospective cohort study. The lancet, 395(10229),
1054-1062.
UR  - https://dergipark.org.tr/tr/pub/abmyoder/issue//1031070
L1  - https://dergipark.org.tr/tr/download/article-file/2109812
ER  -