AKARYAKIT SEKTÖRÜNDE İŞLEM ANORMALLİKLERİNİN VERİ MADENCİLİĞİ YÖNTEMLERİ İLE SINIFLANDIRILMASI

Abstract

Akaryakıt sektöründe veri madenciliği uygulamaları her geçen gün gelişmekte ve yaygınlaşmaktadır. Sektörde kullanılan yöntemler ve yapılan çeşitli analizler sayesinde, akaryakıt hırsızlığı, operasyonel anormallikler, dolum sırasında meydana gelen miktar aşımları ve aşırı dolum sonrası yaşanan taşma gibi kritik konular izlenerek gerekli aksiyonlar alınmaktadır. Bu çalışmada, bir petrol şirketinin verileri kullanılarak daha önceden belirlenmiş dört önemli kritik kategori için sınıflandırma çalışması gerçekleştirilmiştir. Veri setine ön işleme uygulanmış, analize katkısı olmayan değişkenler veri setinden çıkarılmış ve eksik veriler tamamlanarak analiz için uygun bir hale getirilmiştir. Uygulama aşamasında RAPIDMINER (v.9.10) yazılımından yararlanılmıştır. Veri madenciliği sınıflandırma yöntemlerinden ken yakın komşu algoritması, Rastgele Orman Algoritması, Gradient Boosted Algoritması, ADABOOST Algoritması ve Karar Ağacı (J48) Algoritması kullanılarak sınıflandırma işlemleri gerçekleştirilmiş ve modellerin başarısı çeşitli ölçütler kullanılarak değerlendirilmiştir.

Keywords

• Veri Madenciliği
• Sınıflandırma
• Akaryakıt Sekörü
• İşlem Anormallikleri

Classification of Process Abnormalities in the Fuel Industry by Data Mining

Abstract

Data mining applications in the fuel industry are advancing and becoming more widespread with day by day. Through the methods and various analyses used in the sector, critical issues such as fuel theft, leaks, quantity overruns during refueling, and overflow after overfilling are monitored, and necessary actions are taken. In this study, classification analysis was conducted for four predefined critical categories using the data of a petroleum company. Preprocessing was applied to the dataset, irrelevant variables that did not contribute to the analysis were excluded, and missing data were completed to make the dataset ready for analysis. The RAPIDMINER (v.9.10) software was utilized during the implementation phase. Classification methods in data mining, including the k-nearest neighbors algorithm, Random Forest Algorithm, Gradient Boosted Algorithm, ADABOOST Algorithm, and Decision Tree (J48) Algorithm, were employed to perform classification. The performance of the models was evaluated using various success metrics.

Keywords

• Data Mining
• Classification
• Fuel Industry
• Process Abnormalities

References

1. Agrawal, R., Imielinski, T. ve Swami, A. (1993) Database mining: A performance perspective. IEEE Transactions on Knowledge and Data Engineering. 5(6), 914-925. doi: 10.1109/69.250074
2. Aydın C. (2019) Makine öğrenmesi algoritmaları kullanılarak itfaiye istasyonu ihtiyacının sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, 14(1), 169-175 doi: https://doi.org/10.31590/ejosat.458613
3. Boland, J., Baumann, D. ve Dziegielewski, B. (1981) An assessment of municipal and industrial water use forecastingapproaches. Defence Technıcal Informatıon Center, Virginia.
4. Chen, M., Huang, C. ve Wu, P. (2005) Aggregation of orders in distribution centers using data mining. Expert Systems with Applications, 28(3), .453-460 doi:https://doi.org/10.1016/j.eswa.2004.12.006
5. Coşkun, C., Baykal, A. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması . XII. Akademik Bilişim Konferansı, 2-4 Şubat, Malatya.
6. Dalman, A, A.(2017). Wet-stock management and leak detecıtıon system for fuel tanks. Yüksek Lisans Tezi, Yeditepe Üniversitesi.
7. Dominic, D. ve Dagbui, A. (2014) Dealing with construction cost overruns using data mining. Construction Management and Economics, 32(7-8). 682-694 doi: 10.1080/01446193.2014.933854
8. Demirel, Ş. ve Yakut, G. (2019).Karar ağacı algoritmaları ve çocuk işçiliği üzerine bir uygulama. Sosyal Bilimler Araştırma Dergisi, 8(4). 52-65

9. Dudas, C., Ng, A., Pehrsson, L. ve Boström, H. (2013). Integration of data mining and multi-objective optimisation for decision support in production systems development. International Journal of Computer Integrated Manufacturing, vol.27(9). 824-839 doi: https://doi.org/10.1080/0951192X.2013.834481
10. Doğan, E. K. ve Şentürk, A.(2021). Veri madenciliği yöntemleri ile işveren sektörünün sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (32). 227-234 doi: https://doi.org/10.31590/ejosat.1039844
11. Dos santos, B. S., Steiner, M. T., Fenerich, A. T. ve Lima, R. H.(2019). Data mining and machine learning techniques applied to public health. Computers & Industrial Engineering, 13( 2), .doi: https://doi.org/10.1016/j.cie.2019.106120
12. Dönmez, Z. S. (2008).Bayi performans değerlendirilmesinde bir veri madenciliği uygulaması. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi.
13. Kuşaksızoğlu,B. (2006). Veri madenciliği yardımıyla mobil telekomünikasyon şebekelerinde sahtekarlık tespiti. Yüksek Lisans Tezi, Bahçeşehir Üniversitesi.
14. Özekes, S. (2003).Veri madenciliği modelleri ve uygulama alanları, İstanbul Ticaret Üniversitesi Dergisi, 2(3). 65-82
15. Schuh, G., Prote, J. P. ve Hunnekes, P. (2020).Data mining methods for macro level process planning. Procedia CIRP,(88), 48-53 doi: https://doi.org/10.1016/j.procir.2020.05.009
16. Sforna, M.(2000). Data mining in a power company customer database. Electric Power Systems Research, 55(3). 201-209 doi: https://doi.org/10.1016/S0378-7796(00)00086-9
17. Şimşek, F. (2019).Veri madenciliği sınıflandırma tekniklerini kullanarak üretim sistemlerinde hatalı ürünlerin tespit edilmesi. Yüksek lisans tezi, Kırıkkale Üniversitesi.
18. Vezhnevets, A. ve Vezhnevets, V.(2005). ‘Modest adaboost’ – teaching adaboost to generalize better. Graphicon, 12(5). 987-997