BİR OLUKLU MUKAVVA İŞLETMESİNDE REGRESYON ANALİZİ İLE MAKİNE İŞLEM SÜRELERİNİN TAHMİN EDİLMESİ

Öz

Bu çalışma, Türkiye’de oluklu mukavva üretimi alanında faaliyet gösteren bir işletmenin makine işlem sürelerinin tahmin edilmesi üzerine odaklanmaktadır. İşletmede iki aşamalı üretim yapılmakta olup birinci aşamada oluklu makinesinden (hattından) çıkan yarı mamul levhalar ikinci aşamada konfeksiyon makinelerinde müşterinin istediği nihai ürün haline gelmektedir. Korelasyon analizleri yapılarak belirlenen girdi değişkenleri (bobin büyüklüğü, dalga cinsi, kâğıt türü, çalışılan metre) kullanılarak oluklu makinesi için çok değişkenli doğrusal regresyon analizi gerçekleştirilmiştir. Konfeksiyon bölümünde ise, bir bağımsız değişken (levha adedi) kullanılarak farklı özellikteki makineler için farklı analizler (kuşe durumuna, dalga cinsine göre) ile tek değişkenli doğrusal regresyon analizleri yapılmıştır. Tahminlerin gerçek verilerle karşılaştırılması için ortalama mutlak yüzde hata (MAPE) kriteri kullanılmıştır. İşletmede mevcut durumda kullanılan uzman tahminlerine göre kıyasla regresyon analizleri ile tahminler daha başarılı sonuçlar vermiştir. Mevcut veriler üzerinden yapılan kıyaslamada, oluklu makinesi için MAPE değeri %22,333’ten %3,530’a ve konfeksiyon bölümü için ortalama MAPE değeri %38,167’den %22,456’ya düşmüştür. Sonuç olarak, planlama ve çizelgeleme süreçlerinin etkinliğinin artacağı düşünülmektedir.

Anahtar Kelimeler

• Oluklu Mukavva
• Regresyon Analizi
• Makine İşlem Süresi
• Tahmin
• Üretim Planlama

ESTIMATION OF MACHINE PROCESSING TIMES USING REGRESSION ANALYSIS IN A CORRUGATED CARDBOARD COMPANY

Öz

This study focuses on estimating machine processing times of a company producing corrugated cardboard in Turkey. The production process consists of two stages. Semi-finished products (plates) are produced by a corrugating machine (line), and then the plates become final products according to the customers’ requests. Multi-variate linear regression (LR) analysis has been performed for the corrugating machine by using independent variables (i.e. coil size, wave type, paper type, worked meter) determining by correlation analyses. Secondly, uni-variate LR analyses for coated condition and wave type of final product have been performed with an independent variable (number of plates) for each machine with different characteristics. MAPE criterion has been selected to compare the estimated results with real values. The estimations of LR analyses are more successful compared to the estimations of experts currently used in the company. Using the existing dataset, MAPE has reduced from 22,333% to 3,530% for the corrugating machine and from 38,167% to 22,456% for average of machines in the second stage. The findings show that efficiency of production planning and scheduling activities will increase.

Anahtar Kelimeler

• Corrugated Cardboard
• Regression Analysis
• Machine Processing Time
• Estimation
• Production Planning

Kaynakça

1. Aktaş, B., Aydın, C., 2018. Talaşlı İmalat Sektöründe Zaman Serileri Kullanarak Üretim Etkililiğinin Tahmini. Bilişim Teknolojileri Dergisi, 11(4), 407-416.
2. Alenezi, A., Moses, S. A., Trafalis, T. B., 2008. Real-time prediction of order flowtimes using support vector regression. Computers & Operations Research, 35(11), 3489-3503.
3. Altın, S. Ş., 2011. Benzer Süreçlerde Üretilen Ürünler için Yapay Zeka ile Zaman Tahmini. Endüstri Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. Başkent Üniversitesi, Ankara.
4. Aydın, B., 2020. İktisadi Göstergelerin Beklenen Yaşam Süresi Üzerindeki Etkileri: Panel Veri Analizi. Istanbul Journal of Economics, 70(1), 163-181.
5. Bilekdemir, G., 2010. Veri Madenciliği Tekniklerini Kullanarak Üretim Süresi Tahmini ve Bir Uygulama. İşletme Anabilim Dalı. Yüksek Lisans Tezi. Dokuz Eylül Üniversitesi, İzmir.
6. Bilici, A. Y., 2010. Sanayi İşletmelerinde Üretim Planlaması ve Sezersan Matbaacılık ve Ambalaj San. Tic. A.Ş.’de Örnek Uygulama Endüstri Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. Selçuk Üniversitesi, Konya.
7. Can, S., 2020. Rüzgar Türbinleri Kullanılarak Üretilen Elektrik Enerjisi Miktarının Zaman Serileri ile Analizi ve Uygulaması. Elektrik-Elektronik Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. İskenderun Teknik Üniversitesi, İskenderun, Hatay.
8. Ceyhan, H., Kasapbaşı, M. C., 2022. Üretim Sistemlerinde Makine Öğrenmesi ile Kestirimci Bakım Uygulaması ve Modellemesi. Avrupa Bilim ve Teknoloji Dergisi,(33), 167-175.

9. Cihanlı, Ö., 2010. Hibrit Akış Tipi Atölyede Çizelgeleme. Endüstri Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. Uludağ Üniversitesi, Bursa.
10. Çuhadar, M., Kayacan, C., 2005. Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
11. Deniz, Ş. L., 2012. Çağımızın ambalajı oluklu mukavva. İstanbul: Oluklu Mukavva Sanayicileri Derneği Yayınları.
12. Gönültaş, H., Kızılaslan, H., Kızılaslan, N., 2020. Projections of Effects of Global Warming on Rainfall Regimein Some Provinces; Ankara, Rize, Aydın andHakkâri Provinces Example. Turkish Journal of Agriculture -Food Science and Technology, 8(10), 2156-2163.
13. Güler, E., Kandemir, S. Y., 2022. Lineer ve Kübik Regresyon Analizleri Kullanılarak OECD Ülkelerinin CO2 Emisyonlarının Tahminlemesi. Avrupa Bilim ve Teknoloji Dergisi,(Özel Sayı 34), 175-180.
14. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., 2013. Multivariate Data Analysis. Seventh. New Jersey: Pearson New International Edition.
15. Hamzaoğlu, S., 2013. Çoklu regresyon yöntemlerinde güç analizi. İstatistik Anabilim Dalı. Yüksek Lisans Tezi. Ondokuz Mayıs Üniversitesi, Samsun.
16. Işık, K., Kapan Ulusoy, S., 2021. Metal Sektöründe üretim sürelerine etki eden faktörlerin veri madenciliği yöntemleriyle tespit edilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(4), 1949-1962.
17. Karahan, M., 2015. Yapay Sinir Ağları Metodu İle İhracat Miktarlarının Tahmini: ARIMA ve YSA Metodunun Karşılaştırmalı Analiz. Ege Akademik Bakış, 15(2), 165-1172.
18. Kesriklioğlu, E., Oktay, E., 2022. Makine Öğrenmesi Yöntemleri Kullanılarak Hanehalkı Toplam Enerji Harcamaları Tahmini. Turkish Research Journal of Academic Social Science, 5(2), 110-118.
19. Kırış, Ş., 2008. Hizmet sektörü İçin bir tepkisel çizelgeleme sistem önerisi acil servis kontrol sistemi. Endüstri Mühendisliği Anabilim Dalı. Doktora tezi. Eskişehir Osmangazi Üniversitesi Eskişehir.
20. Kobu, B., 2017. Üretim Yönetimi. 18. İstanbul: Beta Yayınevi.
21. Kozaklı, Ö., Mert, M., Fırat, M. Z., 2021. Türkiye etlik piliç üretiminin zaman serisi yöntemi ile modellenmesi. Ege Üniversitesi Ziraat Fakültesi Dergisi, 58(4), 557-566.
22. Köprü, T., 2022. Kestirimci Bakım Zamanlarının Makina Öğrenmesi Yöntemleriyle Tahminlenmesi: Demir Çelik Sektöründe Bir Uygulama. Yüksek Lisans Tezi. Yüksek Lisans Tezi. Karabük Üniversitesi, Karabük.
23. Krajewski, L. J., Malhotra, M. K., Ritzman, L. P., 2015. Operations Management Processes and Supply Chains. 11th Edition. Cambridge: Pearson Education Limited.
24. Kurnaz, G., 2019. Kablo takımı üretim süresinin ve kusurlu ürün oluşumuna yönelik risk faktörlerinin makine öğrenmesi algoritmaları ile belirlenmesi. Akıllı Sistemler Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. Ondokus Mayıs Üniversitesi, Samsun.
25. Kutner, M. H., Nachtsheim, C. J., Neter, J., 2004. Applied Linear Regression Models. Fourth. New York: McGraw-Hill/Irwin.
26. Lim, C., McAleer, M., 2001. Forecasting tourist arrivals. Annals of Tourism Research, 28(4), 965-977.
27. Makridakis, S. G., Wheelwright, S. C., Hyndman, R. J., 1998. Forecasting: Methods and Applications. 3rd. New York: Wiley.
28. Mendeş, M., Subaşı, S., Başpınar, E., 2005. Bilimsel Çalışmalarda P-Değerinin Rapor Edilmesi (P<0.01?, P<0.05?, P>0.05?). Tarım Bilimleri Dergisi, 11(4), 359-363.
29. Mize, J. H., Charles, W. R., Brooks, G. H., 1984. Üretim planlama ve kontrol. İstanbul: İTÜ Yayınları.
30. Munguía, J., Ciurana, J., Riba, C., 2009. Neural-network-based model for build-time estimation in selective laser sintering. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 223(8), 995-1003.
31. Mutlu, Ö., Ordu, M., Polat, O., 2016. Düşük Riskli Yatırımcılar İçin Bireysel Emeklilik Sistemi İle Banka Vadeli Mevduat Sisteminin Karşılaştırılması. Alphanumeric Journal, 4(2), 95-114.
32. Nahmias, S., 2005. Production and Operations Analysis. 5th. New York: McGraw/Irwin.
33. Ordu, M., Demir, E., Davari, S., 2021. A hybrid analytical model for an entire hospital resource optimisation. Soft Computing, 25(17), 11673-11690.
34. Ordu, M., Zengin, Y., 2020. A Comparative Forecasting Approach to Forecast Animal Production: A Case of Turkey. Livestock Studies, 60(1), 24-31.
35. Özcan, B., 2007. Yapay Sinir Ağı Yaklaşımıyla, Peçete Makinesi İmalatı Yapan İşletmede Makine İşleme Sürelerinin Tahmin Edilmesi. Endüstri Mühendisliği Anabilim Dalı. Yüksek Lisans Tezi. Kocaeli Üniversitesi, Kocaeli.
36. Özdemir, E., Ballı, S., 2020. Türkiye Erkekler Basketbol Ligi Maç Sonuçlarının Makine Öğrenmesi Yöntemleri ile Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 8(3), 740-752.
37. Pinedo, M. L., 2016. Scheduling: Theory, Algorithms, and Systems. 5th. NY, USA: Springer Cham.
38. Rencher, A. C., Schaalje, G. B., 2008. Linear models in statistics. Second. New Jersey: John Wiley & Sons, Inc.
39. Sabuncuoglu, I., Bayız, M., 2000. Analysis of reactive scheduling problems in a job shop environment. European Journal of Operational Research, 126(3), 567-586.
40. Saplıoğlu, K., Çimen, M., 2010. Yapay Sinir Ağlarını Kullanarak Günlük Yağış Miktarının Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 14-21.
41. Sarı, T., Gül, B. S., 2022. Bütünleşik Zaman Serisi Analizi ile Talep Tahmini: İlaç Tedarik Zincirinde Bir Uygulama. Verimlilik Dergisi,(4), 597-610.
42. Sarıkaya, G., 2019. Yapay Sinir Ağları Ve Regresyon Modelleri ile Bist Ulusal -100 Endeksinin Tahmini. 21. Yüzyılda Eğitim ve Toplum, 8(23), 325-340.
43. Senocak, A. A., Guner Goren, H., 2022. Forecasting the biomass-based energy potential using artificial intelligence and geographic information systems: A case study. Engineering Science and Technology, an International Journal, 26 100992.
44. Sütçü, E., 2018. Kaynaklı İmalat Operasyon Sürelerinin Matlab Yapay Sinir Ağları ile Tahmin Edilmesi. Gazi Mühendislik Bilimleri Dergisi 4(1), 16-24.
45. Tanyaş, M., Baskak, M., 2008. Üretim Planlama ve Kontrol. Genişletilmiş 3. İstanbul: İrfan Yayımcılık.
46. Üçüncü, M., 2011. Gıda Ambalajlama Teknolojisi. İstanbul: Ambalaj Sanayicileri Derneği.
47. Vainio, F., Maier, M., Knuutila, T., Alhoniemi, E., Johnsson, M., Nevalainen, O. S., 2010. Estimating printed circuit board assembly times using neural networks. International Journal of Production Research, 48(8), 2201-2218.
48. Yaşarsoy, E., Oktay, K., 2020. Destinasyonda Markalaşma Yolunda Şanlıurfa İçin Bir Model Önerisi. Türk Turizm Araştırmaları Dergisi, 4(1), 234-258.
49. Yılmaz, N., 2020. 6360 Sayılı Yasa’nın Belediyelerin Mali Yapıları Üzerine Etkileri: Denizli ve Uşak İllerine Yönelik Bir Memnuniyet Araştırması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,(57), 89-114.
50. Yüce, T., Kabak, M., 2021. Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 37(1), 47-60.