Veri madenciliği ile çalışanların yıpranma durumu tahmini ve kapsamlı performans analizi
| dc.authorid | 0000-0002-8949-921X | |
| dc.contributor.advisor | Tekin, İlknur Çevik | |
| dc.contributor.author | Yürekli, Özlem | |
| dc.date.accessioned | 2025-01-08T11:00:06Z | |
| dc.date.available | 2025-01-08T11:00:06Z | |
| dc.date.issued | 2024 | |
| dc.department | Enstitüler, Sosyal Bilimler Enstitüsü, Yönetim Bilişim Sistemleri Ana Bilim Dalı | |
| dc.description.abstract | Günümüz şirketlerinde, çalışanların yıpranma durumu önemli bir sorun haline gelmiştir. Zira bu durum; iş sürecinde bilgi, zaman, para ve emek kaybına neden olabilir. Bu araştırma, veri madenciliği ve yapay zeka gibi teknolojilerin kullanımını ele alarak, çalışanların yıpranma durumlarını erken tahmin etmeye odaklanmakta ve bu konuda veri madenciliğinde kullanılan makine öğrenim programlarının ne ölçüde yardımcı olabileceğine vurgu yapmaktadır. Özellikle, WEKA programı kullanılarak makine öğrenimi algoritmalarının başarı oranlarının değerlendirilmesi üzerinde odaklanmıştır. Yapılan bu araştırmada, gönüllü işten ayrılma nedenlerini analiz ederek çalışanların yıpranma oranlarını incelemiştir. Bunula birlikte, bu çalışma çalışanların yıpranmasına neden olan faktörleri analiz etmek ve bu faktörlerin yıpranma üzerindeki etkisini anlamak amacıyla da gerçekleştirilmiştir. Bu bağlamda, mevcut literatürdeki araştırmaların sentezi yapılarak, en etkili tekniklerin bir araya getirilmesi ve yeni veri analizi tekniklerinin uygulanmasıyla kapsamlı bir model geliştirilmiştir. Özellikle, öznitelik seçimi ve test seçimi yöntemleriyle modelin iyileştirilmesine odaklanılmıştır. Çalışmanın temel amacı, çalışanların yıpranma durumunu daha doğru ve etkin bir şekilde tahmin edebilmek için çeşitli özellik seçim stratejileri ve makine öğrenimi algoritmalarının performanslarını karşılaştırarak kapsamlı bir model oluşturmaktır. Elde edilen bulgular, SVM algoritmasının en başarılı olduğunu göstermiş ve veri seti temizliği ile öznitelik seçiminin model performansını artırdığını ortaya koymuştur. Bu tez çalışması, çalışanların yıpranma durumlarını önceden tahmin etme konusunda veri madenciliği ve makine öğrenimi tekniklerini etkin bir şekilde kullanılabileceğini göstermektedir. Bununla birlikte bu çalışma, çalışanların işten yıpranma durumunu öngörmek amacıyla yapılan araştırmaların önemini vurgulamaktadır. Ayrıca bu çalışma yapılan diğer çalışmaların kapsamı niteliğindedir fakat diğer çalışmalardan farklı olarak çeşitli özellik seçim stratejileri ve makine öğrenimi algoritmalarının performansını karşılaştırarak, en etkili kombinasyonları belirlenmeye odaklanmakta ve bu alanda yeni standartlar oluşturmayı amaçlamaktadır. Elde edilen sonuçlar, işletmelere personel yönetimi ve iş gücü planlamasında daha etkili kararlar alabilmelerine yardımcı olacak önemli bir yol haritası sunmaktadır. | |
| dc.description.abstract | In today's companies, employee attrition has become a significant problem. Because this situation; It may cause loss of information, time, money and effort in the business pROCess. This research focuses on early prediction of employee attrition by addressing the use of technologies such as Data Mining and Artificial Intelligence, and emphasizes to what extent machine learning programs used in data mining can help in this regard. In particular, it focuses on evaluating the success rates of machine learning algorithms using the WEKA program. This research examined employee attrition rates by analyzing the reasons for voluntary turnover. However, this study was also conducted to analyze the factors that cause employee attrition and to understand the impact of these factors on attrition. In this context, a comprehensive model was developed by synthesizing the research in the existing literature, bringing together the most effective techniques and applying new data analysis techniques. In particular, the focus was on improving the model through feature selection and test selection methods. The main aim of the study is to create a comprehensive model by comparing the performances of various feature selection strategies and machine learning algorithms in order to more accurately and effectively predict employee attrition. The findings showed that the SVM algorithm was the most successful and revealed that data set cleaning and feature selection increased model performance. This thesis study shows that data mining and machine learning techniques can be used effectively to predict employee attrition. However, this study emphasizes the importance of research conducted to predict employee attrition. In addition, this study is a scope of other studies, but unlike other studies, it focuses on determining the most effective combinations by comparing the performance of various feature selection strategies and machine learning algorithms and aims to create new standards in this field. The results obtained provide an important road map that will help businesses make more effective decisions in personnel management and workforce planning. | |
| dc.identifier.citation | Yürekli, Ö. (2024). Veri madenciliği ile çalışanların yıpranma durumu tahmini ve kapsamlı performans analizi. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/53697 | |
| dc.identifier.yoktezid | 880304 | |
| dc.language.iso | tr | |
| dc.publisher | Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Makine Öğrenme | |
| dc.subject | Çalışanların Yıpranma Durumu | |
| dc.subject | Veri Madenciliği Uygulaması | |
| dc.subject | Decision Tree J48 Algoritması | |
| dc.subject | Naive Bayes Algoritması | |
| dc.subject | Data Mining Application | |
| dc.subject | Decision Tree J48 Algorithm | |
| dc.subject | Naive Bayes Algorithm | |
| dc.subject | Machine Learning | |
| dc.subject | Employee Burnout Status | |
| dc.subject | Yapay Sinir Ağları | |
| dc.subject | Lojistik Regresyon | |
| dc.subject | Adaboost Modeli | |
| dc.subject | Destek Vektör Makinesi | |
| dc.subject | Random Forest Algoritması | |
| dc.subject | Random Forest Algorithm | |
| dc.subject | Adaboost Model | |
| dc.subject | Support Vector Machine | |
| dc.subject | Artificial Neural Networks | |
| dc.subject | Logistic Regression | |
| dc.title | Veri madenciliği ile çalışanların yıpranma durumu tahmini ve kapsamlı performans analizi | |
| dc.title.alternative | Employee attrition prediction and comprehensive performance analysis with data mining | |
| dc.type | Master Thesis |
