Veri Madenciliği ile Üniversite Bilişim Teknik Servis Hizmetleri Analizi

Abstract

Bu çalışmada Düzce Üniversitesi Teknik Servis Otomasyonu verileri üzerinde, birim personelinin performansını değerlendirmek ve yöneticiye karar destek sürecinde yardımcı olması için Veri Madenciliği (VM) bilimi kullanılmıştır. VM büyük ölçekli verilerden, anlamlı bilgi çıkarma veya geleceğe yönelik tahminlerde bulunma işi olarak adlandırılabilir. Sınıflandırma ise mevcut veriden geleceğe yönelik tahminlerde bulunma tekniğidir.  Kurumsal işletmelerde ve kamu kurumlarında personel performans analizi yapabilmek ve ileriye yönelik karar destek süreçlerinde kullanmak için çok sayıda veri bulunmaktadır. Ancak yöneticilerin bu verileri ham hali ile, performans süreçlerinde kullanmaları çok zordur. Bu çalışmada birim yöneticilerine, VM’nin sınıflandırma tekniği ile personelin performans değerlendirmesi ve karar destek sürecinde yardımcı olunması hedeflenmiştir. VM’nin sınıflandırma yöntemleri bu veriler üzerinde uygulanmış ve Derin Öğrenme yönteminin başarısı ortaya konulmuştur. 

Keywords

• Veri Madenciliği,Derin Öğrenme,Performans Analizi

Analysis of University Informatics Technical Services Datas With Data Mining

Abstract

In this study, Data Mining (DM) science was used to evaluate the performance of unit personnel and to assist the manager in decision support process on Düzce University Technical Service Automation data. The DM can be called the task of extracting meaningful information from large-scale data or making predictions for the future. Classification is the technique of making predictions from the available data. There is a lot of data available to perform personnel performance analysis in corporate enterprises and 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 in performance processes. In this study, it is aimed to assist the unit managers in the performance evaluation and decision support process of the personnel by using DM's classification technique. DM's classification methods were applied on these data and the success of Deep Learning was demonstrated.

Keywords

• Data Mining,Deep Learning

References

1. [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.
2. [2] S. N. Sumathi, S., Sivanandam, Introduction to data mining and its application, Berlin, Germany: Springer, 2006. ss. 325-327.
3. [3] Talep Bildirim Sistemi. (2013). http://www.bidbtalep.duzce.edu.tr/.
4. [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.
5. [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.
6. [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.
7. [7] M. Ağaoglu, “Predicting ınstructor performance using data mining techniques in higher education,” IEEE Access, c. 4, ss. 2379–2387, 2016.
8. [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.

9. [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.
10. [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.
11. [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.
12. [13] Y. Özkan, Veri madenciliği yöntemleri, 2. Baskı. İstanbul, Türkiye: Papatya Yayıncılık Eğitim, 2013, ss. 37.
13. [14] RapidMiner Studio 9.3. (2019). GmbH.
14. [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.
15. [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.
16. [17] L. Breiman, Random Forests, Netherlands: Kluwer Akademic, 2001, ss. 5-32.