Otomotiv sektöründe kalite kotrol sürecinde veri madenciliği yöntemleri ile karar destek sistemi uygulaması
Loading...
Files
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Düzce Üniversitesi
Access Rights
info:eu-repo/semantics/openAccess
Abstract
Günümüzde otomotiv sektörü, gelişmiş ve hatta gelişmekte olan ülkeler için "anahtar" sektör rolündedir. Güçlü bir otomotiv sektörü, sanayileşmiş ülkelerin ortak özelliklerinden biri olarak gözümüze çarpmaktadır. Bu sektörde üretim birçok süreçten oluşmaktadır. Bu süreçlerin en önemli olanlarından biri de kalite kontroldür. Bu alanda ölçüm verileri çok fazladır ve verilerin hacmi arttıkça insanların anladığı oran azalmaktadır. Varyasyonlar kalitenin düşmanıdır ve her şeyde varyasyon bulunmaktadır. Bu tez çalışmasında veri madenciliği yöntemlerinden olan sınıflandırma algoritmaları ile kalite kontrol sürecinde bir karar destek sistemi uygulaması yapılmıştır. Bu çalışma hazırlanırken veri madenciliği için Çapraz Endüstri Standart İşlem Modeli (CRISP) kullanılmıştır. Çalışmada sınıflandırma algoritmaları sonuçların performansları Çapraz Geçerleme ve Hold-Out yöntemleri ile karşılaştırılmıştır. Çapraz geçerleme katı olarak 5 kat ve 10 kat çapraz geçerleme katı kullanılmıştır. Hold-Out yöntemi ile de %40-%60, %25-75, %20-%80 ayrım oranlarına sahip sırasıyla test ve eğitim veri setine ayrılmıştır. Karşılaştırma sonucunda karar ağacı ile kurulan modeller diğer modellerden daha iyi sonuç vermiştir. En iyi performansı gösteren C4.5 karar ağacı algoritmasının doğruluk oranı yaklaşık 0.87'dir. Yine başka bir karar ağacı olan Random Forest algoritması da yüksek bir doğruluk oranına ulaşsa da zaman performansı olarak geride kalmıştır. Bu iki algoritmayı performans olarak NaiveBayes ve SMO algoritmaları izlemektedir. Bu çalışmada ek olarak veri madenciliği yöntemlerinden biri olan veri görselleştirme teknikleri kullanılarak kalite analizi için bir uygulamaya da yer verilmiştir.
Today, the automotive sector is the "key" sector for developed and even developing countries. A strong automotive sector is striking as one of the common features of industrialized countries. Production in this sector consists of many processes. One of the most important of these processes is quality control. The measurement data in this area is very large and as the volume of data increases, the rate that people understand is reduced. Variations are the enemy of quality and there is variation in everything. In this thesis study, a decision support system is applied in the quality control process with classification algorithms which are data mining methods. While this work was underway, the Cross Industry Standardized Processing Model (CRISP) was used for data mining. The performance of the results of the classification algorithms in the study was compared with the Cross Validation and Hold-Out methods. With the Hold-Out method, the test and training data set is divided into 40% -60%, 25-75%, 20% -80% discrimination ratios respectively. As a result of the comparison, the models established with the decision tree gave better results than the other models. The best performing C4.5 decision tree algorithm has an accuracy rate of about 0.87. Yet another decision tree, the Random Forest algorithm, has reached a high accuracy rate, but is still out of time performance. These two algorithms are followed by NaiveBayes and SMO algorithms in performance. In this study, an application for quality analysis using data visualization techniques, which is one of the data mining methods, is also included.
Today, the automotive sector is the "key" sector for developed and even developing countries. A strong automotive sector is striking as one of the common features of industrialized countries. Production in this sector consists of many processes. One of the most important of these processes is quality control. The measurement data in this area is very large and as the volume of data increases, the rate that people understand is reduced. Variations are the enemy of quality and there is variation in everything. In this thesis study, a decision support system is applied in the quality control process with classification algorithms which are data mining methods. While this work was underway, the Cross Industry Standardized Processing Model (CRISP) was used for data mining. The performance of the results of the classification algorithms in the study was compared with the Cross Validation and Hold-Out methods. With the Hold-Out method, the test and training data set is divided into 40% -60%, 25-75%, 20% -80% discrimination ratios respectively. As a result of the comparison, the models established with the decision tree gave better results than the other models. The best performing C4.5 decision tree algorithm has an accuracy rate of about 0.87. Yet another decision tree, the Random Forest algorithm, has reached a high accuracy rate, but is still out of time performance. These two algorithms are followed by NaiveBayes and SMO algorithms in performance. In this study, an application for quality analysis using data visualization techniques, which is one of the data mining methods, is also included.
Description
YÖK Tez No: 488033
Keywords
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
