Research Article
BibTex RIS Cite

An Application on Decision Tree Algorithms in Data Mining and Occupational Accidents in the Iron and Steel Industry

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 397 - 407, 30.11.2020
https://doi.org/10.31590/ejosat.843837

Abstract

Workers in the steel industry frequently face the risk of occupational accidents due to the structure of the facilities, production flow, excessive and repetitive work items, high temperature due to the nature of the production processes, and the noisy work environments. "Occupational accident" as a concept; covers unwanted, unexpected, negligence, fault, carelessness, willfulness, and unfortunate events encountered by the worker in the work environment. Occupational accidents are a very important problem for businesses and society due to their frequency and consequences. There is a widespread opinion that the main cause of occupational accidents is the unsafe movements of the personnel. However, many studies have shown that most accidents are related to employee's personality traits and unsuitable environmental conditions. In this study, it is aimed to define the relationships specific to certain subgroups regarding occupational accidents in an iron and steel factory, to categorize the cases as high, medium and low-risk groups, and to establish rules for predicting future events. For this purpose, data of 205 occupational accidents belonging to an iron and steel enterprise were investigated using data mining classification methods. In the models made; Information on the age, gender, marital status, educational status, work experience, employment as a permanent or subcontractor, field of work, severity of the accident (mild, moderate, high) of the accident were used. Chaid, C5.0, and CRT algorithms techniques were used for model analysis and model results were compared. Data analysis was carried out through the IBM SPSS Modeler package program and all stages of data mining are revealed. Among the data mining classification techniques, the highest accuracy rate was achieved with the CRT algorithm, one of the decision tree techniques. By using decision trees methods to predict the outcome of occupational accidents in the iron and steel industry, accident rates can be reduced by using predictions for preventive measures and training needs.

References

  • Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29 (1): 1-22.
  • Albayrak,A.,Yılmaz, Ş.(2009).Veri Madenciliği: Karar Ağaci Algoritmalari ve Imkb Verileri Üzerine Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , C.14, pp.31-52,
  • Altunkaynak, B. (2018). A statistical study of occupational accidents in the manufacturing industry in Turkey, · International Journal of Industrial Ergonomics 66, 0169-8141.
  • Berry, Michael J. (2004). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, John Wiley and Sons Incorporated, USA, 194.
  • Ayanoğlu C.,Kurt M. (2019). Metal Sektöründe Veri Madenciliği Yöntemleri ile Bir İş Kazası Tahmin Modeli Önerisi, Vol. 2, pp. 78–87.
  • Chi C., Chen C. (2003). Reanalyzing Occupational Fatality Injuries In Taiwan With A Model Free Approach, Safety Science, Volume 41, Issue 8, Pages 681-700.
  • Demir, A., & Öz, A. (2018). Teolojik Açıdan İş Kazalarının İncelenmesi. Avrupa Bilim ve Teknoloji Dergisi, Sayı 14, S.189-197.
  • Erdogan, H., Duzgun, H. , Kestel, S. (2019).Quantitative Hazard Assessment For Zonguldak Coal Basin Underground Mines. International Journal Of Mınıng Scıence And Technology, Vol.29, 453-467.
  • Ersöz F. (2015).“Veri Madenciliği Teknikleri ve Uygulamaları”, Dijital Basımevi, 72. Tasarım, Ankara.
  • Ersöz, T (2019). Demir-Çelik Sektöründe İş Kazalarının Analizi. Ekin Yayınevi, Bursa, Sayfa Sayısı 124.
  • Ersöz T., Merdin, D., Ersöz F. (2015). Veri Madenciliği Yöntemi ile Memnuniyet Algısının Araştırılması, ISITES2015 Valencia –Spain
  • Eser, A.(2015). Güncel İş Kazaları Verilerinin İstatistiki Analizi, Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 30, Sayı 2, Sayfalar 227 – 242.
  • Ghousi, R. (2015). Applying a decision support system for accident analysis by using datamining approach: A case study on one of the Iranian manufactures, Journal of Industrial and Systems Engineering, Vol. 8, No. 3, pp 59-76.
  • Hand, D. (2001). Manila, H. & Smyth, P., Principles of Data Mining. USA: MIT Press.
  • International Labour Organızation. (2005). Code of practice on safety and health in the iron and steel industry, Geneva, Sayfa Sayısı 5.
  • Mutlu, N. G., Alp, S.& Altuntaş, S. (2018).Tekstil Sektöründe Yaşanan İş Kazalarının Verimadenciliği Uygulaması ile Analizi. 3 Internatıonal Congress On Occupatıonal Safety And Securıty, İstanbul.
  • Mutlu, N. G., & Altuntaş, S. (2019).Assessment of Occupational Risks in Turkish Manufacturing Systems with Data-Driven Models. Journal Of Manufacturıng Systems, vol.53, 169-182.
  • Rivas, T., Paz, M., Martín J., Matías, J., García J. (2011). Explaining and predicting workplace accidents using data-mining techniques, Reliability Engineering & System Safety, 96- 7, Pages 739-747.
  • Sarkar S.,Patel A.,Madaan S.,Maiti, J.(2016). Prediction of Occupational Accidents Using Decision Tree Approach, Conference: INDICON-2016 (IEEE), Bangalore.
  • Sanmiquel, L., BascomptaM., Rossell J.,Anticoi, H. (2018). Analysis of Occupational Accidents in Underground and Surface Mining in Spain Using Data-Mining Techniques, International Journal of Environmental Research and Public Health, 15, 462.
  • Sarkar S., Pateshwari V., Maiti J., (2017). Predictive Model for Incident Occurrences in Steel Plant in India, 2017 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT).
  • Shirali, G., Noroozi, M., Malehi, A. (2018). Predicting the outcome of occupational accidents by CART and CHAID methods at a steel factory in Iran, J Public Health Res, 7(2): 1361.
  • Sun, Jie ve Hui Li, (2008). Data Mining Method for Listed Companies, Financial Distress Prediction, Knowledge-Based Systems, 21 (1): 2.
  • Verma A., Das Khan S., Maiti, J., (2014). Identifying Patterns of Safety Related İncidents in A Steel Plant Using Association Rule Mining of Incident İvestigation Reports, Safety Science, 70, pp. 89-98.
  • Yapıcı N., Çetinkaya C.(2018). Comparison of Fatal Occupational Accidents Statistics in Turkey with Some European Countries, International Journal of Scientific and Technological ResearchISSN 2422-8702 (Online) Vol 4, No.6.
  • World Steel Association, (2020). Safety And Health Principles And Definitions Guidance Book, Brüksel, S. 4-5.

Veri Madenciliğinde Karar Ağacı Algoritmaları İle Demir Çelik Endüstrisinde İş Kazaları Üzerine Bir Uygulama

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 397 - 407, 30.11.2020
https://doi.org/10.31590/ejosat.843837

Abstract

Çelik endüstrisinde çalışanlar tesislerin yapısı, üretim akışı, fazla ve tekrarlayan iş ögeleri, üretim proseslerinin doğası gereği yüksek sıcaklık ve gürültülü iş ortamları sebebiyle sık sık iş kazası risk ile karşıya kalmaktadırlar. “İş kazası” kavram olarak; çalışma ortamında çalışanın karşılaştığı istenmeyen, beklenmeyen, ihmalkârlık, kusur, dikkatsizlik, kasıt ve şanssızlık sonucu meydana gelen olayları kapsamaktadır. Yaşanan iş kazaları, hem sıklığı hem de sonuçları nedeniyle işletmeler ve toplum nazarında çok önemli bir sorundur. İş kazalarının başlıca nedeninin personelin güvenli olmayan hareketleri olduğu konusunda yaygın bir görüş vardır. Ancak birçok çalışma, kazaların çoğunun çalışanların kişilik özellikleri ve uygun olmayan ortam koşulları ile ilgili olduğunu göstermiştir. Bu çalışmada, bir demir çelik fabrikasında yaşanan iş kazalarına ilişkin, belirli alt gruplara özgü olan ilişkilerin tanımlanması, vakaların yüksek, orta, düşük risk grupları gibi kategorilendirmesi ve gelecekteki olayların tahmin edilebilmesi için kurallar oluşturulması amaçlanmaktadır. Bu amaçla, bir demir çelik işletmesine ait 205 iş kazası verisi, veri madenciliği sınıflayıcı yöntemler ile araştırılmıştır. Yapılan modellemelerde; kazalının yaşı, cinsiyeti, medeni durumu, eğitim durumu, iş tecrübesi, kadrolu veya taşeron olarak çalışması, çalıştığı alan, geçirdiği kazanın şiddeti (hafif, orta, yüksek) bilgileri kullanılmıştır. Model çözümlemesi için Chaid, C5.0 ve CRT algoritmaları tekniklerinden faydalanılmış ve model sonuçları karşılaştırılmıştır. Veri analizi IBM SPSS modeler paket programı aracılığı ile yapılmış ve veri madenciliği tüm aşamaları ortaya konulmuştur. Veri madenciliği sınıflayıcı teknikler arasında en yüksek doğruluk oranına karar ağacı tekniklerinden CRT algoritması ile ulaşılmıştır. Karar ağaçları yöntemleri, demir çelik endüstrisindeki iş kazalarının sonucunu tahmin etmek için kullanılmasıyla önleyici tedbirler ve eğitim ihtiyaçları konusunda için tahminler kullanılarak kazalanma oranları azaltılabilir.

References

  • Akpınar, H. (2000). Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 29 (1): 1-22.
  • Albayrak,A.,Yılmaz, Ş.(2009).Veri Madenciliği: Karar Ağaci Algoritmalari ve Imkb Verileri Üzerine Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , C.14, pp.31-52,
  • Altunkaynak, B. (2018). A statistical study of occupational accidents in the manufacturing industry in Turkey, · International Journal of Industrial Ergonomics 66, 0169-8141.
  • Berry, Michael J. (2004). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, John Wiley and Sons Incorporated, USA, 194.
  • Ayanoğlu C.,Kurt M. (2019). Metal Sektöründe Veri Madenciliği Yöntemleri ile Bir İş Kazası Tahmin Modeli Önerisi, Vol. 2, pp. 78–87.
  • Chi C., Chen C. (2003). Reanalyzing Occupational Fatality Injuries In Taiwan With A Model Free Approach, Safety Science, Volume 41, Issue 8, Pages 681-700.
  • Demir, A., & Öz, A. (2018). Teolojik Açıdan İş Kazalarının İncelenmesi. Avrupa Bilim ve Teknoloji Dergisi, Sayı 14, S.189-197.
  • Erdogan, H., Duzgun, H. , Kestel, S. (2019).Quantitative Hazard Assessment For Zonguldak Coal Basin Underground Mines. International Journal Of Mınıng Scıence And Technology, Vol.29, 453-467.
  • Ersöz F. (2015).“Veri Madenciliği Teknikleri ve Uygulamaları”, Dijital Basımevi, 72. Tasarım, Ankara.
  • Ersöz, T (2019). Demir-Çelik Sektöründe İş Kazalarının Analizi. Ekin Yayınevi, Bursa, Sayfa Sayısı 124.
  • Ersöz T., Merdin, D., Ersöz F. (2015). Veri Madenciliği Yöntemi ile Memnuniyet Algısının Araştırılması, ISITES2015 Valencia –Spain
  • Eser, A.(2015). Güncel İş Kazaları Verilerinin İstatistiki Analizi, Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 30, Sayı 2, Sayfalar 227 – 242.
  • Ghousi, R. (2015). Applying a decision support system for accident analysis by using datamining approach: A case study on one of the Iranian manufactures, Journal of Industrial and Systems Engineering, Vol. 8, No. 3, pp 59-76.
  • Hand, D. (2001). Manila, H. & Smyth, P., Principles of Data Mining. USA: MIT Press.
  • International Labour Organızation. (2005). Code of practice on safety and health in the iron and steel industry, Geneva, Sayfa Sayısı 5.
  • Mutlu, N. G., Alp, S.& Altuntaş, S. (2018).Tekstil Sektöründe Yaşanan İş Kazalarının Verimadenciliği Uygulaması ile Analizi. 3 Internatıonal Congress On Occupatıonal Safety And Securıty, İstanbul.
  • Mutlu, N. G., & Altuntaş, S. (2019).Assessment of Occupational Risks in Turkish Manufacturing Systems with Data-Driven Models. Journal Of Manufacturıng Systems, vol.53, 169-182.
  • Rivas, T., Paz, M., Martín J., Matías, J., García J. (2011). Explaining and predicting workplace accidents using data-mining techniques, Reliability Engineering & System Safety, 96- 7, Pages 739-747.
  • Sarkar S.,Patel A.,Madaan S.,Maiti, J.(2016). Prediction of Occupational Accidents Using Decision Tree Approach, Conference: INDICON-2016 (IEEE), Bangalore.
  • Sanmiquel, L., BascomptaM., Rossell J.,Anticoi, H. (2018). Analysis of Occupational Accidents in Underground and Surface Mining in Spain Using Data-Mining Techniques, International Journal of Environmental Research and Public Health, 15, 462.
  • Sarkar S., Pateshwari V., Maiti J., (2017). Predictive Model for Incident Occurrences in Steel Plant in India, 2017 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT).
  • Shirali, G., Noroozi, M., Malehi, A. (2018). Predicting the outcome of occupational accidents by CART and CHAID methods at a steel factory in Iran, J Public Health Res, 7(2): 1361.
  • Sun, Jie ve Hui Li, (2008). Data Mining Method for Listed Companies, Financial Distress Prediction, Knowledge-Based Systems, 21 (1): 2.
  • Verma A., Das Khan S., Maiti, J., (2014). Identifying Patterns of Safety Related İncidents in A Steel Plant Using Association Rule Mining of Incident İvestigation Reports, Safety Science, 70, pp. 89-98.
  • Yapıcı N., Çetinkaya C.(2018). Comparison of Fatal Occupational Accidents Statistics in Turkey with Some European Countries, International Journal of Scientific and Technological ResearchISSN 2422-8702 (Online) Vol 4, No.6.
  • World Steel Association, (2020). Safety And Health Principles And Definitions Guidance Book, Brüksel, S. 4-5.
There are 26 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Neslihan Köse 0000-0002-0503-0247

Filiz Ersöz This is me

Publication Date November 30, 2020
Published in Issue Year 2020 Ejosat Special Issue 2020 (ISMSIT)

Cite

APA Köse, N., & Ersöz, F. (2020). Veri Madenciliğinde Karar Ağacı Algoritmaları İle Demir Çelik Endüstrisinde İş Kazaları Üzerine Bir Uygulama. Avrupa Bilim Ve Teknoloji Dergisi397-407. https://doi.org/10.31590/ejosat.843837