Türkiye’de Uyruklara Göre Suç Türlerinin Bimax İkili Kümeleme Analizi

Öz

Bu çalışma, Türkiye’de uyruklar ile suç türleri arasındaki yapısal ilişkileri Bimax ikili kümeleme algoritmasıyla incelemektedir. Resmî 2019–2023 adli kayıtları (yıllara göre değişen uyruk ve suç türü yapıları) ikili forma dönüştürülerek R ortamında analiz edilmiştir. Bimax, uyruklar arasında yıllar boyunca yinelenen birlikte-görülme örüntülerini açığa çıkaran kompakt ikili kümeler belirlemiş; örneğin kasten yaralama, nitelikli hırsızlık ve uyuşturucu bağlantılı suçların birlikte ortaya çıkması gibi yapıları görünür kılmıştır. İş akışı; ikili dönüşüm, satır/sütun alt sınırlarıyla kümeleme ve üyeliklerin ısı haritalarıyla yorumlanması adımlarından oluşur. Yöntemsel olarak çalışma, seyrek ve yüksek boyutlu idari veriler için Bimax’ın açıklanabilir gücünü göstermekte; il düzeyli analizlere alternatif bir çerçeve sunmaktadır. Bulgular, yabancı uyrukluların suç profillerinin göçle ilişkili ve sosyo-ekonomik etmenlerce şekillendiğine işaret ederek, hedefe yönelik önleme ve uyum politikaları için veri temelli ipuçları sağlar. Yaklaşım, farklı eşik değerleri ve algoritma ayarları altında tutarlı sonuçlar üretebilmesi nedeniyle, benzer idari veri setlerine ve farklı bağlamsal analizlere kolaylıkla uyarlanabilir.

Anahtar Kelimeler

• Bimax
• İkili Kümeleme
• Suç Analizi
• Uyruk
• Göç

A Bimax Biclustering Analysis of Crime Types by Nationality in Türkiye

Öz

This study examines structural relations between nationalities and crime types in Türkiye using the Bimax biclustering algorithm. Official judicial records from 2019–2023 (with varying nationality and crime type structures by year) were converted to binary format and analyzed in the R environment. Bimax identified compact biclusters that uncover recurring co-occurrence patterns across nationalities over the years—for example, the joint appearance of assault, qualified theft, and drug-related offenses—and highlight overlaps between groups rather than single-variable frequencies. The workflow comprises data binarization, biclustering with minimum row/column constraints, and heat-map visualization to interpret membership. Methodologically, the paper demonstrates the utility of Bimax for sparse, high-dimensional administrative data, offering an interpretable alternative to province-level analyses. Substantively, the findings provide policy-relevant signals for targeted prevention and integration strategies, indicating that crime profiles among foreign nationals are shaped by migration-related and socio-economic factors. Because the approach can produce consistent results under different threshold values and algorithm settings, it can be easily adapted to similar administrative datasets and different contextual analyses.

Anahtar Kelimeler

• Bimax
• Biclustering
• Crime Analysis
• Nationality
• Migration

Kaynakça

1. [1] Chen H., Chung W., Qin Y., Chau M., Xu J. J., Wang G., Zheng R. and Atabakhsh H., “Crime data mining: An overview and case studies”. ACM International Conference Proceeding Series, 130: 1–9, (2003).
2. [2] Cheng Y. and Church G. M., “Biclustering of expression data”. Proceedings of the International Conference on Intelligent Systems for Molecular Biology (ISMB), UC San Diego, 93–103, (2000).
3. [3] Madeira S. C. and Oliveira A. L., “Biclustering algorithms for biological data analysis: A survey”. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 1(1): 24–45, (2004).
4. [4] Prelić A., Bleuler S., Zimmermann P., Wille A., Bühlmann P., Gruissem W., et al., “A systematic comparison and evaluation of biclustering methods for gene expression data”. Bioinformatics, 22(9): 1122–1129, (2006).
5. [5] Pontes B., Giráldez R. and Aguilar-Ruiz J. S., “Quality measures for gene expression biclusters”. PLOS ONE, 10(3): e0115497, (2015).
6. [6] Brown D. E., “The Regional Crime Analysis Program (RECAP): A framework for mining data to catch criminals”. IEEE International Conference on Systems, Man, and Cybernetics, 2848–2853, (1998).
7. [7] Nath S. V., “Crime pattern detection using data mining”. IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology – Workshops, 41–44, (2006).
8. [8] Bruin J. S., Cocx T. K., Kosters W. A., Laros J. and Kok J. N., “Data mining approaches to criminal career analysis”. Proceedings of the Sixth International Conference on Data Mining (ICDM’06), 171–177, (2006).

9. [9] Çil İ., Çakar S. G., Sarı N. and Eydemir O., “Detection of crime regions with biclustering approach and comparison of methods”. Sakarya University Journal of Computer and Information Sciences, 2(3): 144–157, (2019).
10. [10] Arslan R., Örkcü H. H. and Altunkaynak B., “Clustering of criminals according to the types of material caught in smuggling: Biclustering method”. International Journal of Economics and Administrative Studies, 883–896, (2018).
11. [11] Demiray A., Ateş F., Aydoğan S. and Akay D., “İkili Kümeleme ile İş Birlikçi Planlama”. Politeknik Dergisi, 28(1): 177-186, (2025).
12. [12] Ministry of Justice (Türkiye), General Directorate of Criminal Records and Statistics, “The Judicial Statistics Yearbook 2023”. Ministry of Justice Publications, Ankara, (2023).
13. [13] Utku A. and Akcayol M. A., “Derin öğrenme tabanlı model ile bir olayın sonraki olma zamanının tahmini”. Politeknik Dergisi, 24(1): 1-15, (2021).
14. [14] Tekerek A., and Dörterler M., “The adaptation of gray wolf optimizer to data clustering”. Politeknik Dergisi, 25(4): 1761-1767, (2022).
15. [15] Lan C., Tang X. and Liu C., “A survey of biclustering and clustering methods in clustering different types of single-cell RNA sequencing data”. Briefings in Functional Genomics, 24: elaf010, (2025).
16. [16] José-García A., Jacques J., Sobanski V., and Dhaenens C., “Metaheuristic biclustering algorithms: from state-of-the-art to future opportunities”. ACM Computing Surveys, 56(3): 1-38, (2023).
17. [17] Chu H. M., Liu J. X., Zhang K., Zheng C. H., Wang J. and Kong X. Z., “A binary biclustering algorithm based on the adjacency difference matrix for gene expression data analysis”. BMC bioinformatics, 23(1): 381, (2022).
18. [18] Republic of Türkiye, “Law No. 6136 (Firearms, Knives and Other Tools)”. Official Gazette, No. 8458, Ankara, (1953).
19. [19] Republic of Türkiye, “Law No. 5237 (Turkish Penal Code)”. Official Gazette, No. 25611, Ankara, (2004).
20. [20] Republic of Türkiye, “Law No. 5607 (Anti-Smuggling Law)”. Official Gazette, No. 26479, Ankara, (2007).
21. [21] Istanbul Provincial Directorate of Migration Management, “İstanbul İlinde Bulunan Yabancılar Hakkında Basın Açıklaması (01.01.2023)”. Istanbul Provincial Directorate of Migration Management, Istanbul, (2023).
22. [22] U.S. Bureau of Justice Statistics, “Criminal Victimization, 2023”. U.S. Department of Justice, Office of Justice Programs, Washington, DC, (2025).
23. [23] Kaiser S., Santamaria R., “biclust: Biclustering Algorithms for R - Reference Manual (Bimax module)”. Comprehensive R Archive Network (CRAN), Vienna, (2025).
24. [24] Mahimkar E. S., “Predicting crime locations using big data analytics and Map-Reduce techniques”. The International Journal of Engineering Research, 8(4): 11–21, (2021).
25. [25] United Nations High Commissioner for Refugees (UNHCR), “Türkiye - Annual Results Report 2023”. UNHCR Publications, Geneva, (2024).
26. [26] Türkiye İstatistik Kurumu (2024). Yabancı nüfus büyüklüğü. Nüfus İstatistikleri Portalı (NİP). https://nip.tuik.gov.tr/?value=YabanciNufusBuyuklugu (Erişim Tarihi: 27 Şubat 2025).