2021 Yılı Ortaöğretim Kurumları Merkezi Yerleştirme Sınavında Öğrenci Başarılarının Veri Madenciliği Yöntemleriyle İncelenmesi

Öz

Yapılan bu çalışma ile ortaokul 8. sınıf öğrencilerinin Ortaöğretim Kurumları Merkezi Yerleştirme Sınavındaki (LGS) başarı durumları veri madenciliği yöntemleriyle incelenmiştir. Çalışmada kullanılan veriler Antalya ili Aksu ilçesinde öğrenim gören öğrencilere ait farklı özniteliklerden oluşan resmi verilerdir. Uygulamada veri madenciliğinin tanımlayıcı tekniklerinden birisi olan kümeleme (clustering) yönteminin farklı iki algoritması kullanılmıştır. Veri seti üzerinde İki adımlı kümeleme (two step clustering) ve K-ortalama (K-means) metotları kullanılmak suretiyle veri analizi yapılmıştır. Yapılan iki adımlı kümeleme işlemi sonucunda öğrencilerin %62’sinin 200-250 puan bandında yer aldığı tespit edilirken, k-ortalama ile yapılan kümeleme işleminde öğrenciler başarı durumlarına göre dört farklı kümeye ayrılmış ve her kümenin merkez puan değerleri ve tüm öğrencilerin bu merkezlere olan uzaklıklarına göre bir gruplandırma işlemi yapılmıştır. Yapılan analiz sonucunda ise öğrenci başarısında okul türü, cinsiyet ve okulun bulunduğu çevrenin başat faktörler olduğu görülmüştür.

Anahtar Kelimeler

• Eğitimde Veri Madenciliği
• Öğrenci Başarı Analizi
• İki Adımlı Kümeleme
• K-Ortalama

The Research of Student Achievements in Secondary Education Institutions Central Placement Exam in 2021 by using Data Mining Methods

Öz

The conducted study the success levels of the 8th-grade students in the Secondary Education Institutions Central Placement Exam (LGS) was examined by data mining methods. The data used in the study are official data consisting of different attributes belonging to the students studying in the Aksu district of Antalya province. In the study, two different clustering method algorithms, one of the descriptive techniques of data mining, were used. Data analysis was performed on the dataset by using two-step clustering and K-means methods. As a result of the two-step clustering process, while 62% of the students were found to be in the 200-250 score band, students were divided into four clusters according to their success levels in the clustering process with k-means and the center score values of each cluster and a grouping process according to all students’ distance to these centers has been made. As a result of the analysis, it was seen that the school type, gender and the environment where the school is located were the dominant factors in student success.

Anahtar Kelimeler

• Data Mining in Education
• Student Succcess Analysis
• Two Step Clustering
• K-Means

Kaynakça

1. Abad, F., & López, A. (2017). Data-mining techniques in detecting factors linked to academic achievement. School Effectiveness and School Improvement, 28(1), 39-55. doi:https://doi.org/10.1080/09243453.2016.1235591
2. Bacher, J., Wenzig, K., & Vogler, M. (2004). SPSS twostep cluster-a first evaluation. Lehrstuhl für Soziologie - Arbeits- und Diskussionspapiere.
3. Bozkurt, Ö., Kalkan, A., Pençe, İ., & Çeşmeli, M. (2015). Yönetim bilişim sistemleri öğrencilerinin yönetim ve bilişim derslerindeki başarılarının veri madenciliği yöntemleri ile incelenmesi. Yönetim Bilişim Sistemleri Dergisi, 2, 36-47.
4. Ceylan, Z., Gürsev, S., & Bulkan, S. (2017). İki aşamalı kümeleme analizi ile bireysel emeklilik sektöründe müşteri profilinin değerlendirilmesi. Bilişim Teknolojileri Dergisi, 10(4), 475-485.
5. Çeşmeli M., Bozkurt Ö., & Pençe İ. (2020). Yönetim bilişim sistemleri. Ankara: Nobel.
6. Dhote, R. A., & Deshpande, S. P. (2016). Data mining with cloud computing: An overview. International Journal of Advanced Research in Computer Engineering & Technology, 5(1).
7. Fortunato, S. (2010). Community detection in graphs. Physics reports, 486(3-5), 75-174.
8. İlkin, S., Aytar, O., Gençtürk, T. H., & Şahin, S. (2020). Dermoskopik görüntülerde lezyon bölütleme işlemlerinde k-ortalama kümeleme algoritmasının kullanımı. Gazi University Journal of Science Part C: Design and Technology, 8(1), 182-191.

9. Kaura, P., Singhb, M., & Josanc, G. S. (2015). Classification and prediction based data mining algorithms to predict slow learners in education sector. Science Direct, 57, 500-508.
10. Martín, L., Baena, L., Garach, L., López, G., & De Oña, J. (2014). Using data mining techniques to road safety improvement in Spanish roads. Procedia-social and Behavioral Sciences, 160, 607-614.
11. Pham, D. T., Dimov, S. S., & Nguyen, C. D. (2005). Selection of K in K-means clustering. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219(1), 103-119.
12. Rundle-Thiele, S., Kubacki, K., Tkaczynski, A., & Parkinson, J. (2015). Using two-step cluster analysis to identify homogeneous physical activity groups. Marketing Intelligence & Planning, 33(4), 522-537.
13. Shingari, I., Kumar, D., & Khetan, M. (2017). A review of applications of data mining techniquesfor prediction of students’ performance in higher education. Journal of Statistics and Management Systems, 20, 713-722. doi:https://doi.org/10.1080/09720510.2017.1395191
14. Şeker, S. E. (2015). Sosyal ağlarda veri madenciliği (data mining on social networks). YBS Ansiklopedi, 2(2), 30-39.
15. Şen, B., Ucar, E., & Delen, D., (2012). Predicting and analyzing secondary education placement-test scores: A data mining approach. Expert Systems with Applications, 39(10), 9468-9476.
16. Tkaczynski, A. (2017). Segmentation using two-step cluster analysis. Segmentation in Social Marketing: Process, Methods and Application, 109-125.
17. Üçgün, K. (2009). Ortaöğretim okulları için öğrenci otomasyonu tasarımı ve öğrenci verileri üzerine veri madenciliği uygulamaları (Basılmamış yüksek lisans tezi). Marmara Üniversitesi, İstanbul.