Makine öğrenmesi yöntemleri ile tahminleme – demir çelik sektöründe bir uygulama
| dc.contributor.advisor | Kurt, Atıl | |
| dc.contributor.author | Süllü, Nurselin | |
| dc.date.accessioned | 2025-09-19T08:30:26Z | |
| dc.date.available | 2025-09-19T08:30:26Z | |
| dc.date.issued | 2025 | |
| dc.department | ALKÜ, Enstitüler, Lisansüstü Eğitim Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı | |
| dc.description.abstract | Firmalar, mevcut personeli elde tutmanın maliyetinin yeni bir personelin işe alınmasının maliyetinden daha düşük olduğundan, iş gören devir oranının düşük olmasını hedeflemektedir. Demir çelik sektörünün zorlu çalışma koşullarına sahip olmasından ötürü işten ayrılışların fazla olduğu göz önünde bulundurularak makine öğrenmesi algoritmaları kullanılmış ve işten ayrılma olasılığı bulunan personellerin tahminlenmesi amaçlanmıştır. Çalışmada, makine öğrenmesi algoritmaları, Knime ve Python programlama dili üzerinden uygulanmıştır. Veri seti, yaklaşık 16 yıllık süreçte, 2318 kişiye ait veriden ve 14 farklı nitelikten oluşmaktadır. Nitelikler, personellerin istifa etmesinde etkisi olduğu düşünülen özelliklerden seçilmiştir. Beş farklı makine öğrenmesi algoritması uygulanmış ve Knime uygulamasında %78,40 ve Python programlama dilinde %76,88 doğruluk oranı ile en başarılı tahminleme yapan, Rastgele Orman Algoritması olduğu gözlemlenmiştir. Rastgele Orman Algoritmasına göre işten ayrılmadaki en önemli nitelik sıralaması yapılarak, en önemli kriterlerin yaş ve kıdem olduğu görülmüştür. Rastgele Orman Algoritması ile Karar Ağacı üzerinden örnek elde edebilmek için varsayım yapılarak niteliklere değer verilmiş ve işten ayrılma potansiyelinin olup olmadığı değerlendirilmiştir. Bu çalışma sonucunda mevcut personelin işten ayrılma potansiyelinin olup olmadığı, işe alımda hangi kriterlere öncelik verilmesi gerektiği ve personelin işe devamlılığın sağlanması için alınması gereken aksiyon kararlarının verilmesi sağlanacaktır. | |
| dc.description.abstract | Firms aim to have a low turnover rate since the cost of retaining existing staff is lower than the cost of hiring a new employee. Considering that the iron and steel industry has a high turnover rate due to the tough working conditions. In this study, machine learning algorithms were used and it was aimed to predict the personnel who are likely to leave the job. Moreover, machine learning algorithms were implemented using Knime and Python programming language. The dataset consists of 2318 rows, each corresponding to one employee, and 14 different attributes over a period of approximately 16 years. The attributes were selected from the attributes that are thought to have an impact on the resignation of employees. Five different machine learning algorithms were applied, and it was observed that the Random Forest Algorithm provide most successful results with an accuracy rate of 78.40% in Knime and 76.88% in Python programming language. According to the Random Forest Algorithm, age and seniority are the most important criteria by ranking the most important qualifications for leaving a job. With the Random Forest Algorithm, the attributes were valued by making assumptions and it was evaluated whether the considered personnel had the potential to leave the job. As a result of this study, it was determined whether the existing staff has the potential to leave the job, which criteria should be prioritized in recruitment, and which measures should be taken to ensure the continuity of the staff. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12868/2647 | |
| dc.identifier.yoktezid | 920977 | |
| dc.language.iso | tr | |
| dc.publisher | Alanya Alaaddin Keykubat Üniversitesi, Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Yapay Zeka | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | İnsan Kaynakları | |
| dc.subject | Personel Tutundurma | |
| dc.subject | İşten Ayrılma Tahminlenmesi | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Machine Learning | |
| dc.subject | Human Resources | |
| dc.subject | Employee Retention | |
| dc.subject | Turnover Prediction | |
| dc.title | Makine öğrenmesi yöntemleri ile tahminleme – demir çelik sektöründe bir uygulama | |
| dc.title.alternative | Prediction with Machine Learning Methods - An Application in the Iron and Steel Industry | |
| dc.type | Master Thesis |
Dosyalar
Lisans paketi
1 - 1 / 1
[ X ]
- İsim:
- license.txt
- Boyut:
- 1.17 KB
- Biçim:
- Item-specific license agreed upon to submission
- Açıklama:
