CLASSIFICATION OF CONSUMERS' ONLINE FOOD ORDERING SATISFACTION WITH DATA MINING ALGORITHMS AND COMPARISON OF THEIR PERFORMANCE

Öz

Classification algorithms, one of the data mining techniques, are used in many fields such as health, finance, telecommunications, insurance, marketing and education. In this study, naive bayes, one of the classification algorithms, and multilayer perceptron algorithms, one of the artificial neural network algorithms, were used for classification. In the literature review, it was observed that classification algorithms are generally compared in terms of their performance. Online food ordering dataset was used for classification. The dataset consisted of 388 data with 9 demographic attributes. According to the results of demographic classification with naive bayes, it was seen that the prediction rates of positive feedback for online food ordering are higher for individuals who are female, single, student, do not have any regular income and whose order is delivered on time. When the algorithm classification performances were analyzed, it was seen that the Naive Bayes algorithm correctly classified 323 out of 388 data (83.24%), while the Multilayer Perceptron algorithm correctly classified 329 out of 388 data (84.79%). The error rates of the algorithms also showed that the multilayer perceptron algorithm had lower error rates. The findings obtained indicate that artificial neural network based algorithms also provide successful results in classification applications.

Anahtar Kelimeler

• data mining
• classification
• naive bayes
• multilayer perceptron

TÜKETİCİLERİN ÇEVRİM İÇİ YEMEK SİPARİŞİ MEMNUNİYETİNİN VERİ MADENCİLİĞİ ALGORİTMALARIYLA SINIFLANDIRILMASI VE PERFORMANSLARININ KARŞILAŞTIRILMASI

Öz

Veri madenciliği tekniklerinden olan sınıflandırma algoritmaları sağlık, finans, telekomünikasyon, sigorta, pazarlama ve eğitim gibi pek çok alanda kullanılmaktadır. Bu çalışma ile sınıflandırma algoritmalarından naive bayes ile yapay sinir ağı algoritmalarından multilayer perceptron algoritmaları kullanılarak sınıflandırma yapılmıştır. Yapılan literatür incelemesinde genellikle sınıflandırma algoritmalarının kendi içlerinde performans kıyaslaması yapıldığı görülmüştür. Sınıflandırma için online yemek siparişi veri seti kullanılmıştır. Veri seti 9 demografik nitelik içeren 388 adet veriden oluşmaktadır. Naive bayes ile yapılan demografik sınıflandırma sonuçlarına göre online yemek siparişi olumlu geribildirim tahmin oranlarının kadın, bekar, öğrenci, herhangi bir düzenli geliri olmayan ve siparişi zamanında teslim edilen özelliğe sahip bireylerde daha yüksek olduğu görülmüştür. Algoritma sınıflandırma performansları incelendiğinde Naive Bayes algoritması 388 verinin 323’ünü (%83,24) doğru sınıflandırırken, Multilayer Perceptron algoritması ise 388 verinin 329’unu (%84,79) doğru sınıflandırdığı görülmüştür. Algoritmaların hata oranlarında da multilayer perceptron algoritmasının daha düşük hata oranlarına sahip olduğu görülmüştür. Elde edilen bulgular sınıflandırma uygulamalarında yapay sinir ağı temelli algoritmaların da başarılı sonuçlar verdiği yönündedir.

Anahtar Kelimeler

• veri madenciliği
• sınıflandırma
• naive bayes
• multilayer perceptron

Kaynakça

1. Albayrak, A. S., ve Yilmaz, S. K. (2009). Veri Madenciliği: Karar Ağacı Algoritmaları Ve İmkb Verileri Üzerine Bir Uygulama. Suleyman Demirel UniversityJournal of Faculty of Economics&AdministrativeSciences, 14(1): 31-52.
2. Anamisa, D. R., Jauhari, A., &Mufarroha, F. A. (2024). PerformanceTest Of Naive BayesAndSVM Methods On Classification Of MalnutritionStatus İn Children. Commun. Math. Biol. Neurosci., 2024(2024): 25. https://doi.org/10.28919/cmbn/8429.
3. Arı, E., ve Yılmaz, V. (2015). Üniversite Öğrencilerinin Online Yemek Siparişi Davranışlarının Teknoloji Kabul Modeliyle Araştırılması. Uluslararası Alanya İşletme Fakültesi Dergisi, 7(2): 65-84.
4. Arpacı, S. A., ve Kalıpsız, O. (2018). Yazılım Hata Sınıflandırmasında Farklı Naive Bayes Tekniklerin Kıyaslanması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 7(1): 1-13.doi: 10.28948/ngumuh.383709
5. Arslan Tuncer, S., Çiçek, Y., ve Tuncer, T. (2024). Performance Comparison of Standard Polysomnographic Parameters Used in the Diagnosis of Sleep Apnea. Turkish Journal of Science and Technology, 19(1): 257-263. https://doi.org/10.55525/tjst.1419740
6. Arslan, H. & Aygün, B. (2021). Performance Analysis of Machine Learning Algorithms in Detection of Covid-19 From Common Symptoms. In 2021 29th Signal Processing and Communications Applications Conference: 1-4.
7. Ashari, A., Paryudi, I. & Tjoa, A.M. (2013). Performance Comparison Between Naïve Bayes, Decision Tree And K-Nearest Neighbor In Searching Alternative Design In An Energy Simulation Tool. International Journal of Advanced Computer Science and Applications (IJACSA), 4(11): 33-39.
8. Bozuyla, M. (2021). Ada Boost Ensemble Learning on top of Naive Bayes Algorithm to Discriminate Fake and Genuine News From Social Media. Avrupa Bilim Ve Teknoloji Dergisi, (28): 459-462. https://doi.org/10.31590/ejosat.1005577

9. Bramer, M. (2007). Principles Of Data Mining. Springer.
10. Budiman, D., Zayyan, Z., Mardiana, A. & Mahrani, A. A. (2024). Email Spam Detection: A Comparison Of Svm And Naive Bayes Using Bayesian Optimization And Grid Search Parameters. Journal of Student Research Exploration, 2(1), 53-64. https://doi.org/10.52465/josre.v2i1.260
11. Cahyono, H. D., Mahadewa, A., Wijayanto, A., Wardani, D. W. & Setiadi, H. (2024). Fast Naïve Bayes Classifiers for COVID-19 news in social networks. Indonesian Journal of Electrical Engineering and Computer Science, 34(2), 1033-1041. DOI: 10.11591/ijeecs.v34.i2.pp1033-1041
12. Cihan, M. & Ceylan, M. (2021). Comparison Of Linear Discriminant Analysis, Support Vector Machines And Naive Bayes Methods In The Classification Of Neonatal Hyper Spectral Signatures. In 2021 29th Signal Processing and Communications Applications Conference, pp. 1-4.
13. Coşkun, C. & Baykal, A. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim, 2011, 1-8.
14. Demir, K. & Yaman, O. (2024). A HOG Feature Extractor and KNN-Based Method for Underwater Image Classification. Firat University Journal of Experimental and Computational Engineering, 3(1), 1-10. https://doi.org/10.62520/fujece.1443818
15. Demir, S. & Şahin, E. K. (2022). Evaluation of Oversampling Methods (OVER, SMOTE, and ROSE) in Classifying Soil Liquefaction Dataset based on SVM, RF, and Naïve Bayes. Avrupa Bilim Ve Teknoloji Dergisi(34), 142-147. https://doi.org/10.31590/ejosat.1077867
16. Entranet (2021). https://www.entranet.com/en/blog/e-ticaret-10052/turkiye-de-e-ticaret-arastirmasi Son Erişim Tarihi: 01.04.2024
17. Eren, B. S. (2024). Emtia Piyasalarının Birlikte Hareketlerinin Veri Madenciliği ile İncelenmesi. Ekonomi Politika ve Finans Araştırmaları Dergisi, 9(1), 183-212.
18. Gunata, M., Arslan, A.K., Çolak, C. & Parlakpınar, H. (2022). Estimation of Risk Factors Related to Heart Diseases With Multilayer Perceptron Model. Med Records, 4(2), 171-178. doi:10.37990/medr.1031866
19. Güldal, H. & Çakıcı, Y. (2017). Ders Yönetim Sistemi Yazılımı Kullanıcı Etkileşimlerinin Sınıflandırma Algoritmaları İle Analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(4), 1355-1367.
20. Günay, M. & Ensari, T. (2018). EEG signal analysis of patients with epilepsy disorder using machine learning techniques. In 2018 Electric Electronics, Computer Science, Biomedical Engineerings' Meeting, pp. 1-4.
21. Harman, G. (2021). Destek Vektör Makineleri Ve Naive Bayes Sınıflandırma Algoritmalarını Kullanarak Diabetes Mellitus Tahmini. Avrupa Bilim ve Teknoloji Dergisi, (32), 7-13. https://doi.org/10.31590/ejosat.1041186
22. İnan, H. E. (2024). Comparison of Machine Learning Algorithms for Classification of Hotel Reviews: Sentiment Analysis of TripAdvisor Reviews. GSI Journals Serie A: Advancements in Tourism Recreation and Sports Sciences, 7(1): 111-122. https://doi.org/10.53353/atrss.1327615
23. Kaggle (2024). https://www.kaggle.com/datasets/sudarshan24byte/online-food-dataset Erişim Tarihi: 01.02.2024
24. Kesavaraj, G. & Sukumaran, S. (2013). A Study On Classification Techniques In Data Mining. In 2013 Fourth International Conference On Computing, Communications And Networking Technologies: 1-7. Doi: 10.1109/ICCCNT.2013.6726842
25. Kılıçalp M. & Özdoğan O. N. (2019). Paket Yemek Siparişlerinde Çevrimiçi Aracı Kullanan Tüketici Davranışlarının Genişletilmiş Teknoloji Kabul Modeliyle Araştırılması, International Journal of ContemporaryTourismResearch, 3(2): 148-163, doi:10.30625/ijctr.618952
26. Kimes, S.E. (2011). The Current State Of Online Food Ordering In The US Restaurant Industry. Cornell Hospitality Report, 11(7): 5-18.
27. Kocabaş Akay, M., Çiftçi, M.M. & Şahin Günkut, M. (2024). İnsanların Gelir Düzeyleri ile Enflasyon Artışından Kaynaklı Harcama Alışkanlıklarının Veri Madenciliği Algoritmaları ile Analizi. Dünya İnsan Bilimleri Dergisi. 2024 (1): 32-47. https://doi.org/10.55543/insan.1254378
28. Krishnaiah, V., Narsimha, G. & Chandra, N. S. (2014). Survey Of Classification Techniques In Data Mining. International Journal of Computer Sciences and Engineering, 2(9): 65-74.
29. Manap Davras, G. (2023). Covid-19 Korkusunun Beslenme Alışkanlıkları ve Online Yemek Sipariş Verme Niyeti Üzerindeki Etkisi. MANAS Sosyal Araştırmalar Dergisi, 12(2): 654-664. https://doi.org/10.33206/mjss.1066130
30. Nakhipova, V., Kerimbekov, Y., Umarova, Z., Suleimenova, L., Botayeva, S., Ibashova, A. & Zhumatayev, N. (2024). Use of the Naive Bayes Classifier Algorithm in Machine Learning for Student Performance Prediction. International Journal of Information and Education Technology, 14(1). doi: 10.18178/ijiet.2024.14.1.2028
31. Rachmawati, A. K. & Miasary, S. D. (2024). Performance Analysis of C5. 0 and Naïve Bayes Classification Algorithm for Pattern Recognition of Student Graduates. In AIP Conference Proceedings 3046(1). AIP Publishing.
32. Rasjid, Z. E. & Setiawan, R. (2017). Performance Comparison And Optimization Of Text Document Classification Using K-NN And Naïve Bayes Classification Techniques. Procedia Computer Science, 116: 107-112. https://doi.org/10.1016/j.procs.2017.10.017
33. Savaş, S., Topaloğlu, N. & Yılmaz, M. (2012). Veri madenciliği ve Türkiye’deki uygulama örnekleri. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11(21): 1-23.
34. Singhal, S., & Jena, M. (2013). A Study On WEKA Tool For Data Preprocessing, Classification And Clustering. International Journal of Innovative Technology And Exploring Engineering (IJItee), 2(6): 250-253.
35. Tomaş, M. (2014). Paket Servis Müşterilerinin Sipariş Vermede E-Aracı Kullanma Nedenleri Üzerine Keşifsel Bir Araştırma: yemeksepeti. com örneği. Journal of Internet Applications and Management, 5(2): 29-41. https://doi.org/10.5505/iuyd.2014.27247
36. TUİK (2023). https://data.tuik.gov.tr/Bulten/Index?p=Hanehalki-Bilisim-Teknolojileri-(BT)-Kullanim-Arastirmasi-2023-49407 Son Erişim Tarihi: 01.03.2024
37. Yılmaz, A.R. Yavuz, O. & Erkmen, B. (2013). Training Multilayer Perceptron using differential evolution algorithm for signaturere cognition application," 2013 21st Signal Processing and Communications Applications Conference (SIU), Haspolat, Turkey, 2013: 1-4.doi: 10.1109/SIU.2013.6531570.
38. Zulkarnain, Z., Mutia, R., Ariani, J. A., Barik, Z. A. & Azmi, H. (2024). Performance Comparison K-Nearest Neighbor, Naive Bayes, and Decision Tree Algorithms for Netflix Rating Classification. IJATIS: Indonesian Journal of Applied Technology and Innovation Science, 1(1): 16-22. https://doi.org/10.57152/ijatis.v1i1.1104