Türkiye’deki Suç Türlerinin İllere Göre İkili Kümeleme Yöntemiyle İncelenmesi

Yıl 2025, Cilt: 6 Sayı: 2, 244 - 255, 29.11.2025

Demet Albasar , Ahmet Kocatürk , Hacı Hasan Örkcü

https://doi.org/10.63716/guffd.1748380

Öz

Bu çalışma, Türkiye’de 2023 yılına ait 81 ili ve 58 farklı suç türünü kapsayan adli veriler kullanılarak, suçların mekânsal ve tematik düzeydeki örüntülerini belirlemeyi amaçlamaktadır. Geleneksel analiz yöntemlerinin sınırlı kaldığı durumlarda, özellikle yüksek boyutlu ve çok değişkenli veri yapılarında, ikili kümeleme tekniklerinin sunduğu analitik güç ön plana çıkmaktadır. Bu bağlamda, çalışmada Cheng & Church (CC) algoritmasına dayalı ikili kümeleme yöntemi kullanılarak iller ve suç türleri eşzamanlı olarak analiz edilmiştir. Uygulanan yöntem sayesinde benzer suç profiline sahip iller ile bu illerde yoğunlaşan suç türleri aynı kümelerde tanımlanabilmiştir. Toplam yedi bicluster elde edilmiş, bunlardan beş tanesi içerdiği örüntü gücü nedeniyle harita üzerinde detaylı biçimde görselleştirilmiştir. Bulgular, suç türlerinin yalnızca bireysel değil aynı zamanda yapısal ve bölgesel örüntülerle şekillendiğini ve suçla mücadele stratejilerinin yerel düzeyde yapılandırılması gerektiğini ortaya koymaktadır. Ayrıca çalışma, veri madenciliği tekniklerinin suç analitiğinde kullanılabilirliğini ortaya koyarak hem akademik alana katkı sunmakta hem de kamu güvenliği ve stratejik planlama açısından pratik öneriler geliştirmektedir.

Anahtar Kelimeler

Suç Analizi , Suç Örüntüleri , İkili Kümeleme , Cheng & Church Algoritması

Kaynakça

• Brown, D. E. (1998). The Regional Crime Analysis Program (RECAP): A framework for mining data to catch criminals. IEEE International Conference on Systems. Man and Cybernetics, 2848–2853.
• Orakcı, M., Ciylan, B., Kök, İ., & Sevri, M. (2016). Suç analizinde veri madenciliği teknikleri ve makine öğrenmesi algoritmalarının kullanılması. 18. Akademik Bilişim Konferansı, Adnan Menderes Üniversitesi, Aydın.
• Adderley, R., & Musgrove, P. B. (2001). Police crime recording and investigation systems: A user's view. Policing: An International Journal of Police Strategies and Management, 24(1), 100–114.
• Nath, S. V. (2006). Crime pattern detection using data mining. IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology – Workshops, 41–44.
• Cheng, Y., & Church, G. M. (2000). Biclustering of expression data. Bildiri, International Conference on Intelligent Systems for Molecular Biology, UC San Diego, California, USA.
• Madeira, S. C., & Oliveira, A. L. (2004). Biclustering algorithms for biological data analysis: A survey. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 1(1), 24–45.
• Marin, J., Guerreros, L., & Calderon, D. (2024). Crime trend analysis using big data and clustering methods. International Journal of Data Science and Analytics, 12(1), 33–47.
• Arslan, R., Örkcü, H. H., & Altunkaynak, B. (2018). Clustering of criminals according to the types of material caught in smuggling: Biclustering method. International Journal of Economics and Administrative Studies, 883–896.
• Adalet Bakanlığı Adli Sicil ve İstatistik Genel Müdürlüğü. (2023). Adli İstatistikler 2023. Adalet Bakanlığı Yayınları.
• Çil, İ., Çakar, S. G., Sarı, N., & Eydemir, O. (2019). Detection of crime regions with biclustering approach and comparison of methods. Sakarya University Journal of Computer and Information Sciences, 2(3), 144–157.
• Chen, H., Chung, W., Qin, Y., Chau, M., Xu, J. J., Wang, G., Zheng, R., & Atabakhsh, H. (2003). Crime data mining: An overview and case studies. ACM International Conference Proceeding Series, 130, 1–9.
• Nath, S. V. (2006). Crime pattern detection using data mining. IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology – Workshops, 41–44.
• Bruin, J. S., Cocx, T. K., Kosters, W. A., Laros, J., & Kok, J. N. (2006). Data mining approaches to criminal career analysis. Proceedings of the Sixth International Conference on Data Mining (ICDM’06), 171–177.
• Oğuzlar, A. (2005). Kümeleme analizinde yeni bir yaklaşım: Kendini düzenleyen haritalar (Kohonen ağları). Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(2), 1–12.
• Sevüktekin, M., Oğuzlar, A., Aydın, B., & Nargeleçekenler, M. (2007). Karar ağacı yardımıyla suçluların özelliklerinin belirlenmesi. Öneri Dergisi, 7(27), 291–298.
• Prelić, A., Bleuler, S., Zimmermann, P., Wille, A., Bühlmann, P., Gruissem, W., Henning, L., Thiele, L., & Zitzler, E. (2006). A systematic comparison and evaluation of biclustering methods for gene expression data. Bioinformatics, 22(9), 1122–1129.
• Pontes, B., Giráldez, R., & Aguilar-Ruiz, J. S. (2015). Quality measures for gene expression biclusters. Plos One, 10(3), e0115497.
• Emniyet Genel Müdürlüğü Narkotik Suçlarla Mücadele Daire Başkanlığı. (2023). 2023 Türkiye Uyuşturucu Raporu. https://www.narkotik.pol.tr/kurumlar/narkotik.pol.tr/TUB%C4%B0M/Ulusal%20Yay%C4%B1nlar/NARKOLOG-2023-PROFIL-ANALIZI.pdf