AI Summary & Key Takeaways
AI InsightWith the results of this analysis; for organizations which are responsible for maintaining the peace and social order, such as security forces and law enforcement agencies; it is possible to follow useful information such as which crimes are committed more frequently and in which time period of day the criminals are more active.
📌 3 Key Takeaways
Abstract
Along with the positive developments of the globalizing world, new types of crime such as social media fraud, drug trafficking and vehicle robbery, which have disrupted community welfare and order, have also emerged. With developments in information technology, it is possible to record real-time various data related to subject of crimes, location and time information, type of crime. By analyzing these recorded raw data using various data mining methods, it is possible to extract information that can be used to identify the data or for prediction purposes. In this study, an analysis of the association rules on the NIBRS Crime dataset which includes real crime cases from July 2016 to April 2018 in the state of Maryland in USA was carried out using R program with Apriori algorithm and RapidMiner with FP-Growth algorithm. With these association rules created, the time intervals, the districts, the types of crimes and the frequency of the occurrences are analyzed and the results of the algorithms are presented. With the results of this analysis; for organizations which are responsible for maintaining the peace and social order, such as security forces and law enforcement agencies; it is possible to follow useful information such as which crimes are committed more frequently and in which time period of day the criminals are more active.
Özet
Küreselleşen Dünya’nın hayatımıza kattığı olumlu gelişmeler ile birlikte, toplum refahını ve düzenini bozan sosyal medya dolandırıcılığı, uyuşturucu ticareti, araç hırsızlığı vb. gibi yeni suç türleri de ortaya çıkmıştır. Bilişim teknolojisindeki gelişmeler sayesinde bu suçların konusu, konum ve zaman bilgileri, suç türü gibi olaya ilişkin çeşitli verilerin gerçek zamanlı kayıt altına alınabilmesi mümkün olmaktadır. Kayıt altına alınan bu ham verilerin çeşitli veri madenciliği yöntemleri kullanılarak analiz edilmesi ile veriyi tanımlayan veya öngörü amaçlı kullanılabilecek bilgilerin ortaya çıkartılması mümkündür. Bu çalışmada, veri madenciliği uygulamalarından R programı ile Apriori algoritması ve Rapidminer programı ile FP-Growth algoritması kullanılarak, ABD’nin Maryland eyaletinde 2016 yılının Temmuz ayından 2018 Nisan ayına kadar meydana gelen suç verilerinden oluşan NIBRS Crime veriseti üzerinde birliktelik kuralları analizi uygulaması gerçekleştirilmiştir. Oluşturulan bu birliktelik kuralları ile hangi saat aralıklarında, hangi semtte, ne tür suçların, ne sıklıkla gerçekleştirildiği analiz edilmiş ve algoritmaların sonuçları sunulmuştur. Bu analiz sonucunda çıkan sonuçlar ile güvenlik güçleri ve kolluk kuvvetleri gibi toplumun huzurunu ve düzenini korumakla görevli olan kuruluşların; hangi semtte, hangi suçların daha sık işlendiği veya suçluların hangi saat aralığında daha aktif olduğu gibi faydalı bilgileri takip etmesi mümkün olmaktadır.