Kütüphane ortamlarının verimlilik analizi:IOt sensörleri ve makine öğrenimi ile optimum çalışma koşullarının belirlenmesi
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma, üniversite kütüphanelerindeki çevresel koşulların izlenmesi ve analizine yönelik olarak Nesnelerin İnterneti (IoT) tabanlı bir sistemin geliştirilmesini amaçlamaktadır. Sistemde; ses düzeyi, ışık şiddeti, sıcaklık, nem, hava kalitesi ve kişi yoğunluğu gibi çevresel faktörler sensör ve mikrodenetleyiciler aracılığıyla toplanmış, kişi yoğunluğu ise kamera tabanlı görüntü işleme teknikleri ile ölçülmüştür. Kullanıcı deneyimleri anket yöntemiyle elde edilen geri bildirimlerle değerlendirilmiştir. Elde edilen veriler, K-En Yakın Komşu (K-Nearest Neighbors, KNN), Lojistik Regresyon (Logistic Regression), Karar Ağacı (Decision Tree), Rastgele Orman (Random Forest), Destek Vektör Makineleri (Support Vector Machines, SVM), Aşırı Gradyan Artırma (Extreme Gradient Boosting, XGBoost) ve Naive Bayes algoritmalarıyla analiz edilmiştir. Her bir çevresel faktör için ayrı ayrı ve tüm veriler bütünleştirilerek modelleme yapılmıştır. Analiz sonuçlarına göre; ses düzeyinde KNN %96.14, ışık verilerinde Random Forest %74.70, hava kalitesi analizinde Random Forest %90.14, sıcaklık verilerinde KNN %98.13, kalabalık analizinde Random Forest %40.46 ve genel değerlendirmede KNN %99.04 F1 skoru ile en yüksek başarıyı göstermiştir. Geliştirilen kullanıcı arayüzü, eğitilmiş modellerin ağırlık dosyalarını kullanarak her kullanıcı için ortam analizleri sunmakta; iç ortam hava kalitesi, ses düzeyi, sıcaklık ve ışık düzeyi gibi parametreleri değerlendirerek ortam kalitesini düşüren ana faktörleri kullanıcıya sunmaktadır. Kullanıcı geri bildirimlerinin çevresel verilerle entegre edilmesiyle oluşturulan model, ortamın genel uygunluk seviyesini belirlemekte ve çalışma ortamının verimliliği hakkında bütüncül analiz sağlamaktadır. Sonuçlar, çevresel faktörlerin bütüncül izlenmesinin ve kullanıcı geri bildirimlerinin kütüphane çalışma ortamlarını iyileştirmede kritik bir rol oynadığını ortaya koymuş, özellikle KNN algoritması %99.04 F1 skoru ile en yüksek başarıyı elde ederek veri bütünlüğü ve kullanıcı geri bildirimlerinin entegrasyonunun modelin doğruluğunu artırdığını göstermiştir. Bu tez, çevresel izleme sistemlerini klasik kontrol mekanizmalarının ötesine taşıyarak, kullanıcı odaklı geri bildirimlerle entegre edilmiş, esnek, ölçeklenebilir ve sahada uygulanabilir bir karar destek sistemine dönüştürmektedir. Ortaya konulan yaklaşım; yalnızca kütüphane ortamlarının değil, tüm ortak kullanım alanlarının çevresel konforunu artırmaya yönelik sürdürülebilir dijital dönüşüm politikaları için güçlü, bilimsel temelli ve uygulanabilir bir yol haritası sunmaktadır.
This study aims to develop an Internet of Things (IoT)-based system for monitoring and analyzing environmental conditions in university libraries. In the system, environmental factors such as sound levels, light intensity, temperature, humidity, air quality, and crowd density are collected through sensors and microcontrollers, with crowd density measured using camera-based image processing techniques. User experiences are evaluated through feedback obtained via surveys. The collected data have been analyzed using algorithms including K-Nearest Neighbors (KNN), Logistic Regression, Decision Tree, Random Forest, Support Vector Machines (SVM), Extreme Gradient Boosting (XGBoost), and Naive Bayes. Modeling has been performed for each environmental factor separately, and all data have been integrated for a comprehensive analysis. According to the analysis results, KNN showed the highest performance with an F1 score of 96.14% for sound levels, Random Forest achieved 74.70% for light data, 90.14% for air quality analysis, KNN showed 98.13% for temperature data, Random Forest performed with 40.46% for crowd density analysis, and KNN reached the highest performance with an F1 score of 99.04% for overall evaluation. The developed user interface provides real-time environmental analyses for each user by utilizing the weight files of the trained models, evaluating parameters such as indoor air quality, sound levels, temperature, and light intensity, and presenting the main factors that degrade environmental quality to the user. By integrating user feedback with environmental data, the model determines the overall suitability of the environment and provides a holistic analysis of the efficiency of the work environment. The results show that the comprehensive monitoring of environmental factors and the integration of user feedback play a critical role in improving library work environments. Particularly, the KNN algorithm, with its F1 score of 99.04%, demonstrated that the integration of data integrity and user feedback significantly improves the model's accuracy. This thesis transforms environmental monitoring systems beyond classical control mechanisms into a flexible, scalable, and field-applicable decision support system integrated with user-centered feedback. The proposed approach offers a robust, scientifically-based, and applicable roadmap for sustainable digital transformation policies aimed at improving the environmental comfort not only of library settings but also of all shared spaces.
This study aims to develop an Internet of Things (IoT)-based system for monitoring and analyzing environmental conditions in university libraries. In the system, environmental factors such as sound levels, light intensity, temperature, humidity, air quality, and crowd density are collected through sensors and microcontrollers, with crowd density measured using camera-based image processing techniques. User experiences are evaluated through feedback obtained via surveys. The collected data have been analyzed using algorithms including K-Nearest Neighbors (KNN), Logistic Regression, Decision Tree, Random Forest, Support Vector Machines (SVM), Extreme Gradient Boosting (XGBoost), and Naive Bayes. Modeling has been performed for each environmental factor separately, and all data have been integrated for a comprehensive analysis. According to the analysis results, KNN showed the highest performance with an F1 score of 96.14% for sound levels, Random Forest achieved 74.70% for light data, 90.14% for air quality analysis, KNN showed 98.13% for temperature data, Random Forest performed with 40.46% for crowd density analysis, and KNN reached the highest performance with an F1 score of 99.04% for overall evaluation. The developed user interface provides real-time environmental analyses for each user by utilizing the weight files of the trained models, evaluating parameters such as indoor air quality, sound levels, temperature, and light intensity, and presenting the main factors that degrade environmental quality to the user. By integrating user feedback with environmental data, the model determines the overall suitability of the environment and provides a holistic analysis of the efficiency of the work environment. The results show that the comprehensive monitoring of environmental factors and the integration of user feedback play a critical role in improving library work environments. Particularly, the KNN algorithm, with its F1 score of 99.04%, demonstrated that the integration of data integrity and user feedback significantly improves the model's accuracy. This thesis transforms environmental monitoring systems beyond classical control mechanisms into a flexible, scalable, and field-applicable decision support system integrated with user-centered feedback. The proposed approach offers a robust, scientifically-based, and applicable roadmap for sustainable digital transformation policies aimed at improving the environmental comfort not only of library settings but also of all shared spaces.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
