İdeal Hayvan Yetiştiriciliği İçin Veri Madenciliğine Dayalı Bir KDS Çalışması

Yıl 2017, Cilt: 6 Sayı: Özel Sayı (ISMSIT2017), 133 - 141, 29.12.2017

Ukbe Usame Uçar , Figen Balo , Gülsüm Eraslan , Büşra Çetin

Öz

Hayvancılık
dünya üzerindeki birçok ülke ve insanın temel geçim kaynaklarından birini
oluşturmaktadır. Hayvanlardan elde edilen ürünler gıda ve ilaç sektörü başta
olmak üzere birçok faaliyet alanının temel hammaddesini oluşturmaktadır.
Ülkeler hayvancılık faaliyetlerinden büyük ticari gelirler elde etmekte ve
ciddi yatırım politikaları oluşturmaktadır. Gerek mikro boyutta gerekse makro
boyutta yapılacak hayvan yetiştiriciliğinde uygun yatırım politikalarının
belirlenmesi büyük bir önem arz etmektedir. Yanlış yapılan yatırım politikaları
ise maddi ve zamansal açıdan ciddi kayıplara neden olmaktadır. Bu çalışmada,
herhangi bir coğrafyanın iklimsel ve coğrafik özellikleri dikkate alınarak
yetiştirebilecek en uygun hayvan türünün belirlenmesini sağlayan bir karar
destek sistemi geliştirilmeye çalışılmıştır. Çalışmada, çözüm metodolojisi
olarak veri madenciliği metotlarından biri olan sınıflandırma işlevine ait
karar ağacı yöntemi kullanılmıştır. Belirtilen yöntemin veriler üzerinde
uygulanmasında ise SPSS Clementine 12.0 programından yararlanılmıştır. Sonuç
olarak, geliştirilen sistem sayesinde hayvan yetiştirilmesi planlanan bölge
için uygun ve verimli hayvan türlerinin kullanıcıya sunulduğu tespit edilmiştir. 

Anahtar Kelimeler

Veri Madenciliği, Karar Ağacı, Hayvan Yetiştiriciliği

Kaynakça

• [1]https://www.google.com.tr/search?q=hayvanc%C4%B1l%C4%B1k&rlz=1C1NDCM_trTR717TR717&source=lnms&tbm=isch&sa=X&ved=0ahUKEwikq5Cziu3WAhWMiRoKHVCDAAgQ_AUICigB&biw=1366&bih=662#imgrc=ee81OwTbV9oe1M:
• [2]https://www.google.com.tr/search?q=co%C4%9Frafik+%C3%B6zellikler&rlz=1C1NDCM_trTR717TR717&source=lnms&tbm=isch&sa=X&ved=0ahUKEwjVhJiSle3WAhWMPhQKHd-pCf8Q_AUICigB&biw=1366&bih=662#imgdii=-3p6jcN43eqeZM:&imgrc=JhBrYuq18I9WSM:
• Albayrak, A. S., & Yilmaz, S. K. (2009). Veri Madenciliği: Karar Ağacı Algoritmaları ve İmkb Verileri Üzerine Bir Uygulama. Suleyman Demirel University Journal of Faculty of Economics & Administrative Sciences, 14(1).
• Çalış, A., Kayapınar, S., & Çetinyokuş, T. (2014). Veri Madenciliğinde Karar Ağacı Algoritmaları İle Bilgisayar Ve İnternet Güvenliği Üzerine Bir Uygulama. Journal Of Industrial Engineering (Turkish Chamber Of Mechanical Engineers), 25
• Daş, B., & Türkoğlu, İ. (2014). DNA Dizilimlerinin Sınıflandırılmasında Karar Ağacı Algoritmalarının Karşılaştırılması. Elektrik–elektronik–bilgisayar Ve Biyomedikal Mühendisliği Sempozyumu (ELECO 2014), 381-383.
• Gokgoz, E., & Subasi, A. (2015). Comparison of decision tree algorithms for EMG signal classification using DWT. Biomedical Signal Processing and Control, 18, 138-144.
• Koyuncugil, A. S., & Özgülbaş, N. (2013). İmkb’de İşlem Gören Kobi’lerin Güçlü Ve Zayıf Yönleri: Chaıd Karar Ağacı Uygulaması. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(1).
• Lakshmi, T. M., Martin, A., Begum, R. M., & Venkatesan, V. P. (2013). An analysis on performance of decision tree algorithms using student's qualitative data. International Journal of Modern Education and Computer Science, 5(5), 18.
• Lavanya, D., & Rani, K. U. (2012). Ensemble decision tree classifier for breast cancer data. International Journal of Information Technology Convergence and Services, 2(1), 17.
• Özekes, S. (2003). Veri madenciliği modelleri ve uygulama alanları.
• Priyama, A., Abhijeeta, R. G., Ratheeb, A., & Srivastavab, S. (2013). Comparative analysis of decision tree classification algorithms. International Journal of Current Engineering and Technology, 3(2), 334-337.
• Rutkowski, L., Jaworski, M., Pietruczuk, L., & Duda, P. (2014). The CART decision tree for mining data streams. Information Sciences, 266, 1-15.
• Sheu, J. J., Chen, Y. K., Chu, K. T., Tang, J. H., & Yang, W. P. (2016). An intelligent three‐phase spam filtering method based on decision tree data mining. Security and Communication Networks, 9(17), 4013-4026.
• Yoo, K., Shukla, S. K., Ahn, J. J., Oh, K., & Park, J. (2016). Decision tree-based data mining and rule induction for identifying hydrogeological parameters that influence groundwater pollution sensitivity. Journal of Cleaner Production, 122, 277-286.