Toplam Ekipman Etkinliğine Etki Eden Faktörlerin Makine Öğrenim Yöntemleri ile Analizi

Authors : Özgül Vupa Çilengiroğlu, İlke Genç

Pages : 171-184

Doi:10.51551/verimlilik.1266852

View : 309 | Download : 250

Publication Date : 2024-04-30

Article Type : Research Paper

Abstract :Amaç: Üretim sektöründeki bir firmanın 2018-2019 yılı orjinal verilerinden türetilmiş sıralı ölçekteki Toplam Ekipman Etkinliği (TEE) puanı üzerinde etkili olan değişkenlerin makine öğrenim algoritmaları ile modellenmesi, yorumlanması ve model performanslarının karşılaştırılması çalışmanın temel amacıdır. Yöntem: TEE puanının modellemesinde karar ağaçları (CART, CHAID), lojistik regresyon (LogR) ve yapay sinir ağları (YSA) kullanılmıştır. Kurulan modellerin performans değerleri “duyarlılık”, “seçicilik”, “kesinlik” ve “doğruluk” kriterlerine göre hesaplanmıştır. Modelleri yorumlarken karar ağaçları ve YSA sonuçları için yüzdelerden, LogR için odds oranından yararlanılmıştır. Bulgular: Modellerde TEE puanı üzerinde “saat”, “üretim”, “tecrübe” ve “kayıp metre” değişkenleri incelenmiştir. Performans karşılaştırmasında en iyi sonuç veren algoritmanın sıralı LogR olduğu ve bu modele göre üretimin düşük ve çalışanlarının daha az tecrübeli olduğu firmalarda daha “düşük” TEE puanı elde edilirken, kayıp metresi daha az olan firmalarda daha “yüksek” TEE” puanı alma şanslarının olduğu saptanmıştır. Özgünlük: Literatürde sürekli olarak modellenen TEE puanının kategorik hale getirilerek sınıflar arasındaki farklılığın belirlenmesiyle firmaların kendi konumlarını belirlemesi sağlanmıştır. Böylece firmalar kategorisini belirleyip seçilen modeldeki önemlilik sırasındaki faktörlerini değiştirerek bir üst kategoriye daha hızlı çıkabilecektir. Literatürde kategorik olanTEE puanını makine öğrenim algoritmaları ile çözümleyen modellerin olmaması bu çalışmanın özgünlüğü olarak belirlenmiştir.
Keywords : Toplam Ekipman Etkinliği, Karar Ağaçları, Sıralı Lojistik Regresyon, Yapay Sinir Ağları