TY  - JOUR
T1  - Veri Madenciliği ile Üniversite Bilişim Teknik Servis Hizmetleri Analizi
TT  - Analysis of University Informatics Technical Services Datas With Data Mining
AU  - Kırışoğlu, Serdar
AU  - Yakupoğlu, Abdurrahman
PY  - 2020
DA  - January
DO  - 10.29130/dubited.593830
JF  - Duzce University Journal of Science and Technology
JO  - DÜBİTED
PB  - Düzce Üniversitesi
WT  - DergiPark
SN  - 2148-2446
SP  - 326
EP  - 333
VL  - 8
IS  - 1
LA  - tr
AB  - Bu çalışmada Düzce ÜniversitesiTeknik Servis Otomasyonu verileri üzerinde, birim personelinin performansınıdeğerlendirmek ve yöneticiye karar destek sürecinde yardımcı olması için VeriMadenciliği (VM) bilimi kullanılmıştır. VM büyük ölçekli verilerden, anlamlıbilgi çıkarma veya geleceğe yönelik tahminlerde bulunma işi olarakadlandırılabilir. Sınıflandırma ise mevcut veriden geleceğe yönelik tahminlerdebulunma tekniğidir. Kurumsalişletmelerde ve kamu kurumlarında personel performans analizi yapabilmek veileriye yönelik karar destek süreçlerinde kullanmak için çok sayıda veribulunmaktadır. Ancak yöneticilerin bu verileri ham hali ile, performanssüreçlerinde kullanmaları çok zordur. Bu çalışmada birim yöneticilerine, VM’ninsınıflandırma tekniği ile personelin performans değerlendirmesi ve karar desteksürecinde yardımcı olunması hedeflenmiştir. VM’nin sınıflandırma yöntemleri buveriler üzerinde uygulanmış ve Derin Öğrenme yönteminin başarısı ortayakonulmuştur.
KW  - Veri Madenciliği
KW  - Derin Öğrenme
KW  - Performans Analizi
N2  - In this study, Data Mining (DM) science was used toevaluate the performance of unit personnel and to assist the manager indecision support process on Düzce University Technical Service Automation data.The DM can be called the task of extracting meaningful information fromlarge-scale data or making predictions for the future. Classification is thetechnique of making predictions from the available data. There is a lot of dataavailable to perform personnel performance analysis in corporate enterprisesand public institutions and to use them in advanced decision support processes.However, it is very difficult for managers to use this data in its raw form inperformance processes. In this study, it is aimed to assist the unit managersin the performance evaluation and decision support process of the personnel byusing DM's classification technique. DM's classification methods were appliedon these data and the success of Deep Learning was demonstrated.
CR  - [1]	M. J. A. Berry ve G. S. Linoff, "Data mining techniques: For marketing, sales, and customer relationship management," 2. baskı, Indianapolis, USA: Wiley, ss. 1-19, 2004.
CR  - [2]	S. N. Sumathi, S., Sivanandam, Introduction to data mining and its application, Berlin, Germany: Springer, 2006. ss. 325-327.
CR  - [3]	Talep Bildirim Sistemi. (2013).  http://www.bidbtalep.duzce.edu.tr/.
CR  - [4]	X. Chen ve F. Wang, “Application of data mining on enterprise human resource performance management,” 3rd International Conference on Information Management, Innovation Management and Industrial Engineering, Kunming, China, 2010, ss. 151–153.
CR  - [5]	X. D. Hou, Y. F. Dong, H. P. Liu, ve J. H. Gu, “Application of fuzzy data mining in staff performance assessment,” Proc. Sixth Int. Conf. Mach. Learn. Cybern. ICMLC 2007, Hong Kong, China, 2007, ss. 835–838.
CR  - [6]	Y. Kurniawan ve E. Halim, “Use data warehouse and data mining to predict student academic performance in schools: A case study (perspective application and benefits),” IEEE International Conference on Teaching, Assessment and Learning for Engineering (TALE), Kuta, Indonesia, 2013, ss. 98–103.
CR  - [7]	M. Ağaoglu, “Predicting ınstructor performance using data mining techniques in higher education,” IEEE Access, c. 4, ss. 2379–2387, 2016.
CR  - [8]	K. Yaralıoğlu, “Performans değerlendirmede analitik hiyerarşi proses,” Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, c. 1, s. 16, ss. 129–142, 2001.
CR  - [9]	P. T. Costa, R. R. Mccrae, ve G. G. Kay, “Persons, places, and personality: career assessment using the revised NEO personality inventory,” Journal of  Career Assessment., c. 3, s. 2, ss. 123–139, 1995.
CR  - [10]	A. Yelboğa, “İnsan kaynakları yönetiminde performans değerlendirilmesi için geliştirilen bir ölçeğin psikometrik özelliklerinin incelenmesi,” Yüksek lisans tezi, Eğitim Bilimleri, Eğitim Bilimleri Enstitüsü, Ankara Üniversitesi, Ankara, Türkiye, 2003.
CR  - [11]	A. Yelboğa, “Kişilik özellikleri ve iş performansı arasındaki ilişkinin incelenmesi,” "İş,Güç” Endüstri İlişkileri ve İnsan Kaynakları Dergisi, c. 8, s. 2, ss. 196–217, 2006.
 
[12]	“Microsoft-Structured Query Language (2014). Microsoft.
CR  - [13]	Y. Özkan, Veri madenciliği yöntemleri, 2. Baskı. İstanbul, Türkiye: Papatya Yayıncılık Eğitim, 2013, ss. 37.
CR  - [14]	RapidMiner Studio 9.3. (2019). GmbH.
CR  - [15]	H. Küçük, C. Tepe, ve İ. Emiroğlu, “K-en yakın komşu algoritması ve destek vektör makinesi yöntemleri ile EMG işaretlerinin sınıflandırılması”, ss. 1–4, 2013.
CR  - [16]	P. Bermejo, J. A. Gámez, ve J. M. Puerta, “Improving the performance of Naive Bayes multinomial in e-mail foldering by introducing distribution-based balance of datasets,” Expert Syst. Appl., c. 38, s. 3, ss. 2072–2080, 2011.
CR  - [17]	L. Breiman, Random Forests,  Netherlands: Kluwer Akademic, 2001, ss. 5-32.
UR  - https://doi.org/10.29130/dubited.593830
L1  - https://dergipark.org.tr/tr/download/article-file/945432
ER  -