SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2011 / Cilt: 26 Sayı: 4

VERİ MADENCİLİĞİ YÖNTEMİ İLE GSM ŞEBEKELERİNİN PERFORMANS ANALİZİ

Serkan Savaş
Nurettin Topaloğlu
Pages
—
Publication Date
2013-02-20
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışmanınsonunda; A, B ve C şebekelerinin performansları belirlenmiş olup, sinyal gücü temel alındığında A şebekesininen yüksek çekim gücüne ve istikrarlı çekim düzeyine, sinyal gücü aralıkları sınıflandırıldığında ise B şebekesininen yüksek iyi sinyal oranına sahip olduğu gözlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, farklı GSM şebekelerinin çekim gücü verilerini cep telefonlarından alarak veri tabanı oluşturan birprogram geliştirilmiştir.
📊
Key Findings & Data:Programın rastgele seçilen bir güzergâh olan Kızılcahamam ilçesi ile Gazi ÜniversitesiMerkez Kampüsü arasında çalıştırılmasıyla elde edilen verilerden bir veri bankası oluşturulmuştur.
💡
Conclusion & Impact:Bu çalışmanınsonunda; A, B ve C şebekelerinin performansları belirlenmiş olup, sinyal gücü temel alındığında A şebekesininen yüksek çekim gücüne ve istikrarlı çekim düzeyine, sinyal gücü aralıkları sınıflandırıldığında ise B şebekesininen yüksek iyi sinyal oranına sahip olduğu gözlenmiştir.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:GSM şebekeleri · veri madenciliği · iki aşamalı kümeleme

Özet

Bu çalışmada, farklı GSM şebekelerinin çekim gücü verilerini cep telefonlarından alarak veri tabanı oluşturan birprogram geliştirilmiştir. Programın rastgele seçilen bir güzergâh olan Kızılcahamam ilçesi ile Gazi ÜniversitesiMerkez Kampüsü arasında çalıştırılmasıyla elde edilen verilerden bir veri bankası oluşturulmuştur. Bu veriler,veri madenciliği yöntemlerinden iki aşamalı kümeleme tekniği kullanılarak analiz edilmiştir. Bu çalışmanınsonunda; A, B ve C şebekelerinin performansları belirlenmiş olup, sinyal gücü temel alındığında A şebekesininen yüksek çekim gücüne ve istikrarlı çekim düzeyine, sinyal gücü aralıkları sınıflandırıldığında ise B şebekesininen yüksek iyi sinyal oranına sahip olduğu gözlenmiştir.

🔖

Cite This Article

Savaş, S., Topaloğlu, N. (2013). VERİ MADENCİLİĞİ YÖNTEMİ İLE GSM ŞEBEKELERİNİN PERFORMANS ANALİZİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 4. https://ajindex.com/articles/1078476

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (108)

  1. Kalıkov, A., Data Mining and an e-Commerce
  2. Application, M.Sc. Thesis, Gazi University,
  3. Institute of Science and Technology, 2006.
  4. İnan, O., Data Mining, M.Sc. Thesis, Selçuk
  5. University, Institute of Science and Technology,
  6. Thuarisingham, B.M., Web Data Mining and
  7. Applications in Business Intelligence and
  8. Counter Terrorism, CRC Press LLC, 35, Boca
  9. Raton FL, USA, 2003.
  10. Savaş, S., Analysis of GSM Networks’
  11. Performance With Data Mining, M.Sc. Thesis,
  12. Gazi University, Institute of Informatics, 2011.
  13. Kayaalp, K., Fault Detection in Induction
  14. Motors Using Data Mining, M.Sc. Thesis,
  15. Süleyman Demirel University, Graduate School
  16. of Applied and Natural Sciences, 2007.
  17. Duru, N. ve Canbay, M., “Analysis of
  18. Earthquake Data With Data Mining”,
  19. International Earthquake Symposium,
  20. Kocaeli, 556-560, 22-26 Ekim 2007.
  21. Tsao, W.K., Lee, A.J.T., Liu Y.H., Chang, T.W.,
  22. Lin, H.H., “A Data Mining Approach to Face
  23. Detection”, Pattern Recognition, PR, Cilt 43,
  24. N0 3, 1039-1049, 2010.
  25. Holden, N., Frietas, A.A., “A Hybrid PSO/ACO
  26. Algorith for Classification”, Journal of
  27. Artificial Evolution and Applications, 2745-, 2007.
  28. Chen, Y., Sprague, A., “Exploration on the
  29. Commonality of Hierarchical Clustering
  30. Algorithms”, ACM-SE 42 Proceedings of the
  31. nd Annual Southeast Regional Conference,
  32. The University of Alabama in Huntsville,
  33. Huntsville, AL, 2004.
  34. Çiftci, S., Analysing Student Learning
  35. Behaviour from Log Data in Distance
  36. Education, M.Sc. Thesis, Gazi University,
  37. Faculty of Education, 2006.
  38. Ayık, Y.Z., Özdemir, A. ve Yavuz, U.,
  39. “Analysis relationship of Type of School and
  40. High School Graduation with Acquired Faculty
  41. with Data Mining Techniques”, Journal of
  42. Graduate School of Social Sciences, Cilt 10,
  43. , 441-454, 2007.
  44. Bozkir, A.S., Sezer, E. ve Gök, B.,
  45. “Determination Of The Factors Influencing
  46. Student’s Success In Student Selection
  47. Examination (OSS) Via Data Mining
  48. Techniques”, 5. International Advenced
  49. Technologies Semposium (IATS’09), Karabük
  50. University, Karabük, 37-43, 13-15 Mayıs 2009.
  51. Akbulut, S., Churn Analysis and Customer
  52. Segmentation of a Cosmetics Brand Using
  53. Data Mining Techniques, M.Sc. Thesis, Gazi
  54. Özçakır, F.C. ve Çamurcu, A. Y., “A Data
  55. Mining Software Design and Application for
  56. Association Rule”, Journal of Science and
  57. Technology of Istanbul Commerce University,
  58. Cilt 6, No 12, 21-37, 2007.
  59. Gürbüz, F., Özbakır, L. ve Yapıcı, H., “Data
  60. Mining Application on Component Reports of
  61. an Airline Company in Turkey”, Journal of the
  62. Faculty of Engineering and Architecture of
  63. Gazi University, Cilt 24, No 1, 73-78, 2009.
  64. Hoontrakul, P., Sahadev, S., “Application of
  65. data mining techniques in the on-line travel
  66. industry: A case study from Thailand”,
  67. Marketing Intelligence & Planning, Cilt 26,
  68. , 60-76, 2008.
  69. Liou, J.J.H., “A Novel Decision Rules Approach
  70. For Customer Relationship Management ff The
  71. Airline Market”, Expert Systems with
  72. Applications, Cilt 36, No 3, 4374-4381, 2009.
  73. Yavaş, G., Using a Data Mining Approach for
  74. The Prediction of User Movements in Mobile
  75. Environments, M.Sc. Thesis, Bilkent
  76. University, Institute of Engineering and Science,
  77. Albayrak, A.S. ve Yılmaz, Ş.K., “Data Mining:
  78. Decision Tree Algorithms and an Application on
  79. ISE Data”, Suleyman Demirel University The
  80. Journal of Faculty of Economics and
  81. Administrative Sciences, Cilt 14, No 1, 31-52,
  82. Ata, A.H. ve Seyrek, İ.H., “The Use of Data
  83. Mining Techniques in Detecting Fraudulent
  84. Financial Statements: an Application on
  85. Manufacturing Firms”, Suleyman Demirel
  86. University The Journal of Faculty of
  87. Economics and Administrative Sciences, Cilt, No 2, 157-170, 2009.
  88. Albayrak, A.S., “Classification of Domestic and
  89. Foreign Commercial Banks in Turkey Based on
  90. Financial Efficiency: a Comparison of Decision
  91. Tree, Logistic Regression and Discriminant
  92. Analysis Models”, Suleyman Demirel, No 2, 113-139, 2009.
  93. Türk Dil Kurumu, Büyük Türkçe Sözlük
  94. “Mobilite”, http://tdkterim.gov.tr/bts/, Mart
  95. Sectoral Research and Strategies Department,
  96. “Three-month Market Data Report”,
  97. Information and Communication Authority,
  98. Yılı 4. Çeyrek, S 12, 36-59, 2011.
  99. GSM / GPRS modems, Telemetry and data
  100. accessories “AT+CSQ in dbm”,
  101. http://www.gprsmodems.co.uk/images/csq1.pdf,
  102. Mart 2011.
  103. Taşkın, Ç. ve Emel, G.G., “Clustering
  104. Approaches in Data Mining and an Application
  105. with Kohonen Networks in Retailing Sector”,
  106. Suleyman Demirel University The Journal of
  107. Faculty of Economics and Administrative
  108. Sciences, Cilt 15, No 3, 395-409, 2010.