Makine Öğrenmesi Algoritmaları Kullanılarak Türkiye’de Bölgesel Salgın Risk Analizi ve Haritalandırılması
- 1 December 2025
- journal article
- Published by Igdir University in Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi
- Vol. 15 (4) , 1178-1192
Abstract
Bölgesel salgın risklerinin belirlenmesi, halk sağlığını koruma, sağlık hizmetlerini planlama ve kaynak tahsisinin etkin yönetimi açısından büyük önem taşımaktadır. Salgın hastalıklar, hızlı yayılma potansiyelleri nedeniyle özellikle nüfus yoğunluğu yüksek bölgelerde ciddi sağlık ve ekonomik riskler oluşturmaktadır. Bu çalışmada, Türkiye’nin il bazlı salgın risk analizini gerçekleştirmek ve risk seviyelerini haritalandırmak amacıyla makine öğrenimi teknikleri kullanılmıştır. Çalışmada kullanılan veri seti, Türkiye İstatistik Kurumu (TÜİK), Google Cloud Console ve Wikipedia’dan elde edilen demografik, coğrafi, sağlık altyapısı ve ulaşım verilerinin entegrasyonu ile oluşturulmuştur. Veri hazırlık sürecinde eksik veri tamamlama, ölçeklendirme ve kategorik değişkenlerin sayısal hale getirilmesi işlemleri uygulanmıştır. Öznitelik önem sıralaması, Rastgele Orman algoritması kullanılarak belirlenmiş ve en etkili değişkenler seçilerek analiz süreci optimize edilmiştir. Salgın risk tahmini için Lojistik Regresyon (LR), Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Naive Bayes (NB) ve XGBoost (XGB) algoritmaları kullanılmıştır. Algoritmaların performansı doğruluk oranı, ROC eğrisi, AUC skoru ve karışıklık matrisi analiz edilerek karşılaştırılmıştır. Elde edilen sonuçlara göre, XGB algoritması %98 doğruluk oranı ile en iyi performansı sergilemiştir. RO ve DVM %96 doğruluk oranı ile başarılı sonuçlar elde etmiştir. NB algoritması %92 doğruluk oranına sahip olup hızlı tahminleme avantajı sağlamıştır. En düşük doğruluk oranına sahip algoritmalar ise %88 doğruluk ile LR olmuştur. Risk seviyelerinin coğrafi dağılımı görselleştirilmiştir ve Türkiye'nin il bazında salgın risk haritası oluşturulmuştur. Ayrıca, salgın yayılımı simülasyonlarla modellenmiştir. Bu çalışma, sağlık risk seviyelerinin tahmini ve haritalandırılması açısından karar alıcılara veri odaklı bir yaklaşım sunmayı amaçlamaktadır. Gelecekte, gerçek zamanlı veri entegrasyonu, ileri seviye simülasyon modelleri ve derin öğrenme teknikleri üzerine yoğunlaşılabilir.Keywords
This publication has 17 references indexed in Scilit:
- Logistic regression analysis and machine learning for predicting post-stroke gait independence: a retrospective studyScientific Reports, 2024
- An improved random forest based on the classification accuracy and correlation measurement of decision treesExpert Systems with Applications, 2023
- A new YOLO-based method for social distancing from real-time videosNeural Computing and Applications, 2023
- A new YOLO-based method for real-time crowd detection from video and performance analysis of YOLO modelsJournal of Real-Time Image Processing, 2023
- Time series forecasting of Covid-19 using deep learning models: India-USA comparative case studyChaos, Solitons & Fractals, 2020
- Classification assessment methodsApplied Computing and Informatics, 2020
- A hybrid decision-making approach based on FCM and MOORA for occupational health and safety risk analysisJournal of Safety Research, 2019
- XGBoost2016
- Classification evaluationNature Methods, 2016
- Using Geographic Information Systems (GIS) to Examine Barriers to Healthcare Access for Hispanic and Latino Immigrants in the U.S. SouthJournal of Racial and Ethnic Health Disparities, 2016