An Application on Analysis of Mask Production Factors with Clustering Approach

Year 2023, Volume: 15 Issue: 2, 626 - 635, 14.07.2023

Semra TEBRİZCİK Süleyman ERSÖZ Adnan AKTEPE

https://doi.org/10.29137/umagd.1178275

Abstract

With the development of technology, large databases are becoming more accessible. Today, it is possible to use large databases in many fields. By using data kept in databases and data mining approaches, meaningful information and rules are discovered. Thus, information discoveries are made that will be useful for businesses. In this study, the production data of a factory producing surgical (medical) masks was used. Clustering analyzes of the variables that are effective in the production of faulty or error-free masks in the quality control stage were made with the Two Step method and the properties of the resulting clusters were compared. The most effective variables in cluster partitioning are; It has been observed that the amount of speed used in the creation of the mask body, the type of fabric of the middle layer of the mask body consisting of 3 layers, and the amount of ultrasonic heat used to create the pleats on the body. The information obtained to improve the performance of production activities will be used to improve the process.

Keywords

Cluster analysis, Two-step method, data mining, SPSS clementine

Kümeleme Yaklaşımı ile Maske Üretim Faktörlerinin Analiz Edilmesi Üzerine Bir Uygulama

Abstract

Teknolojinin gelişmesi ile birlikte büyük veri tabanları daha ulaşılabilir hale gelmektedir. Günümüzde de birçok alanda büyük veri tabanlarının kullanımına imkân verilmektedir. Veri tabanlarında tutulan veriler ile veri madenciliği yaklaşımlarından faydalanarak anlamlı bilgiler ve kurallar keşfedilmektedir. Böylelikle işletmeler için yararlı olacak bilgi keşifleri yapılmaktadır. Bu çalışmada cerrahi (tıbbi) maske üretimi yapmakta olan bir fabrikanın üretim verileri kullanılmıştır. Kalite kontrol aşamasında hatalı veya hatasız maskelerin üretilmesinde etkili olan değişkenlerin kümeleme analizleri Two Step yöntemi ile yapılarak ortaya çıkan kümelerin özellikleri karşılaştırılmıştır. Küme bölümlenmesinde en çok etkili olan değişkenlerin; maske gövdesinin oluşturulmasında kullanılan hız miktarı, 3 katmandan oluşan maske gövdesinin orta katmanına ait kumaşın türü ve gövde üzerinde bulunan pilelerin oluşturulması için kullanılan ultrasonik ısı miktarının olduğu gözlemlenmiştir. Üretim faaliyetlerinin performansını artırmak için elde edilen bilgiler süreci iyileştirmek için kullanılacaktır.

Keywords

Kümeleme analizi, Two-step yöntemi, veri madenciliği, SPSS clementine

References

• Referans1: Alsaedi, N., (2017). Event identification in social media using classification-clustering framework, Doktora Tezi, Cardiff University, 2017.
• Referans2: Atbaş, A., (2008). Kümeleme analizinde küme sayısının belirlenmesi üzerine bir çalışma, Yüksek Lisans Tezi. Ankara Üniversitesi, Ankara.
• Referans3: Ceylan, Z., Gürsev, S. & Bulkan S., (2017). İki Aşamalı Kümeleme Analizi ile Bireysel Emeklilik Sektöründe Müşteri Profilinin Değerlendirilmesi, Bilişim Teknolojileri Dergisi, 10(4), 475-485.
• Referans4: Ching W.K., & Ng, K. M., (2002). Advances in Data Mining and Modeling, World Scientific, 1st ed., Hong Kong, China.
• Referans5: Choi, Y., Lee, H., Yang, J., (2021). Development of a service parts recommendation system using clustering and classification of machine learning, Expert Systems With Applications, 188, 1-12.
• Referans6: Çakır, A., Çalıs H. & Küçüksille, Ecir U. (2019). Data mining approach for supply unbalance detection in induction motor, Expert Systems with Application, 36, 11808–11813.
• Referans7: Çalış A. & Baynal K., (2016). Kümeleme Analizi İle Bankacilik Sektöründe Satiş Stratejilerinin Belirlenmesi, Beykent Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 9(1), 13 – 41.
• Referans8: Çetin H., & Irmak, S., (2014). Elektronik Alışverişte Akademisyenlerin Güvenlik ve Risk Algılarının Belirlenmesi, Yönetim Bilimleri Dergisi, 12(24), 275-294.
• Referans9: Dogan, A. & Birant D., (2021). Machine learning and data mining in manufacturing, Expert Systems With Applications, 166, 114060.
• Referans10: Fayyad, U., Piatetsky Shapiro G. & Smyth, P., (1996). From data mining to knowledge discovery in database, AI Magazine, 17, 37-54.
• Referans11: Helgesen, O., Nesset, E. & T. Voldsund, (2009). Marketing perceptions and business performance: Implications for marketing education?, Marketing Intelligence Planning, 27, 25-47.
• Referans12: Norusis, M. J. (2007). SPSS 15.0 advanced statistical procedures companion, Chicago, IL: Prentice Hall.
• Referans13: Okazaki, S., (2007). Lessons learned from i-mode: What makes consumers click wireless banner ads?, Computers in Human Behavior, 23, 1692–1719.
• Referans14: Özdemir, A. & Orçanlı, K., (2012). İki Aşamalı Kümeleme Algoritması ile Pazar Bölümlemesi, Müşteri Profillerinin Belirlenmesi ve Niş Pazarların Tespiti, Uşak Üniversitesi Sosyal Bilimler Dergisi, 5(3), 1-27.
• Referans15: Özkan, E., Avcı, S. & Aladağ, Z., (2019). Büyükşehir Belediyesi Çağrı Merkezi Verilerinin Kümeleme Analizi ile İncelenmesi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 35(3), 78-91.
• Referans16: Packianather, S., Michael Alan, D., Harraden, S., Soman, S. & White, J. , (2017). Data Mining Techniques Applied to a Manufacturing, SME. Procedia CIRP, 62, 123–128.
• Referasns17: Rundle-Thiele, S., Kubacki, K., Tkaczynski A. & Parkinson, J. (2015). Using two-Step cluster analysis to identify homogeneous physical activity groups, Marketing Intelligence and Planning, 33, 522-537.
• Referans18: Savaş, S. Nesset, E. & Topaoğlu N., (2011). Veri Madenciliği Yöntemi İle GSM Şebekelerinin Performans Analizi, Gazi Üniversitesi Mühendislik Fakültesi Dergisi, 26(4), 741-751.
• Referans19: Sendín-Hernández, M. P., Ávila-Zarza, C., Sanz, C., MarcosVadillo, A., Muñoz-Bellido, E. & Dávila, F. J., (2018). Cluster analysis identifies 3 phenotypes within allergic asthma, The Journal of Allergy and Clinical Immunology: In Practice, (6) 955–961.
• Referans20: Zidek, K., Maxim, V., Pitel, J. & Hosovsky, A., (2016). Embedded vision equipment of industrial robot for inline detection of product errors by clustering-classification algorithms, Int. J. Adv. Robot. Syst., 13, 1-10.