Garment Time Prediction of Denim Products using Artificial Neural Networks and Ensemble Methods

Öz

Textile products are subject to frequent changes due to fashion trends, yet maintaining low production costs remains essential. Production time affects these costs significantly and numerous factors can affect production time, including the complexity of the design, the type of fabric, specific parts, and operational characteristics. This study aims to predict the garment time of denim products using information from sample items, rather than relying on traditional time measurement methods. To achieve this, a dataset of 79 attributes was created and later refined to 53 features through preprocessing. These selected features were then used to predict the standard garment time using artificial neural networks, extreme gradient boosting, and random forest algorithms. Based on these results, the study proposes an alternative approach for managers to predict production time using sample-based parameters, eliminating the need for time-consuming observational studies. The findings indicate that ensemble algorithms such as extreme gradient boosting, and random forest demonstrate a high degree of efficacy, exhibiting an absolute average error of approximately 10% in the test data.

Anahtar Kelimeler

• Time study
• Garment
• Standard time
• Denim products
• Machine learning

Yapay Sinir Ağları ve Topluluk Öğrenmesi Yöntemleri Kullanılarak Denim Ürünlerinin Üretim Sürelerinin Tahminlenmesi

Öz

Tekstil ürünleri moda trendleri nedeniyle sık sık değişime uğrar, ancak düşük üretim maliyetlerini korumak yine de çok önemlidir. Üretim süresi bu maliyetleri önemli ölçüde etkiler ve tasarımın karmaşıklığı, kumaş türü, belirli parçalar ve operasyonel özellikler dahil olmak üzere birçok faktör üretim süresini etkileyebilir. Bu çalışma, geleneksel zaman ölçüm yöntemlerine dayanmak yerine, örnek ürünlerden elde edilen bilgileri kullanarak denim ürünlerin giysi üretim süresini tahmin etmeyi amaçlamaktadır. Bunu başarmak için, 79 özellikten oluşan bir veri seti oluşturulmuş ve daha sonra ön işlemeyle 53 özelliğe indirgenmiştir. Seçilen bu özellikler daha sonra yapay sinir ağları, XGBOOST ve rastgele orman algoritmaları kullanılarak standart giysi üretim süresini tahmin etmek için kullanılmıştır. Bu sonuçlara dayanarak, çalışma yöneticilere örnek tabanlı parametreleri kullanarak üretim süresini tahmin etmeleri için alternatif bir yaklaşım önermekte ve zaman alıcı gözlemsel çalışmaların gerekliliğini ortadan kaldırmaktadır.

Anahtar Kelimeler

• Zaman etüdü
• Konfeksiyon
• Standart süre
• Denim ürünleri
• Makine öğrenmesi

Kaynakça

1. Adem A., Kaya, B. Y., Çakıt, E. and Dağdeviren, M. (2022), Üretim sistemlerindeki dijital dönüşümün iş etüdü teknikleri üzerindeki etkisi, Verimlilik Dergisi, 110-122.
2. Bentéjac, C., Csörgő, A. and Martínez-Muñoz, G. (2021), A comparative analysis of gradient boosting algorithms, Artificial Intelligence Review, 54, 1937-1967.
3. Biau, G. and Scornet, E. (2016), A random forest guided tour, Test, 25, 197-227.
4. Bilgiç, H., Kuvvetli, Y. and Duru Baykal, P. (2021), Determination of Difficulty Level for Garment Model with Fuzzy Logic Method, Tekstil ve Mühendis, 28(121), 39-47.
5. Breiman, L. (2001), Random forests, Machine learning, 45, 5-32.
6. Chen, T. and Guestrin, C. (2016), Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
7. Çeğindir, N. Y. (2008), Türkiye Denim Pantolon İhracatı, Vocational Education, 3(4), 644-654.
8. Dharwadkar, N. V., Pakhare, A. R., Veeramani, V., Yang, W. R. and Math, R. K. M. (2022), Textile Production Line Monitoring System Using Wavelet-Regression Neural Network, Journal of Cases on Information Technology (JCIT), 24(3), 1-26.

9. Dilber, İ. (2004), Tekstil ve konfeksiyon sanayinin rekabet gücü, Yönetim ve Ekonomi Dergisi, 11(2), 85-98.
10. Dong, X., Yu, Z., Cao, W., Shi, Y. and Ma, Q. (2020), A survey on ensemble learning, Frontiers of Computer Science, 14, 241-258.
11. Erdogan Erten, G., Bozkurt Keser, S. and Yavuz, M. (2021), Grid search optimised artificial neural network for open stope stability prediction, International Journal of Mining, Reclamation and Environment, 35(8), 600-617.
12. IHKIB (2023) Istanbul Apparel Exporters' Association, Export Report, https://www.ihkib.org.tr/tr/bilgi-bankasi/raporlar/ceyrek-donem-ihracat-performans-raporlari/k-298, Accessed on 09.02.2024.
13. Huang, J., Chang, Q. and Arinez, J. (2020), Product completion time prediction using a hybrid approach combining deep learning and system model, Journal of Manufacturing Systems, 57, 311-322.
14. Kanawaty, G. (Ed.). (1992), Introduction to work study, International Labour Organization.
15. Kingma, D. P. and Ba, J. (2014), Adam: A method for stochastic optimization, arXiv preprint arXiv:1412.6980.
16. Le, S. T. Q., Ho, J. and Bui, H. M. (2022), Forecasting the efficiency of weft knitting production: a decision tree method, Research Journal of Textile and Apparel, 27(2), 174-188.
17. Lingitz, L., Gallina, V., Ansari, F., Gyulai, D., Pfeiffer, A., Sihn, W. and Monostori, L. (2018), Lead time prediction using machine learning algorithms: A case study by a semiconductor manufacturer, Procedia Corp, 72, 1051-1056.
18. Masoumi, A. and Bond, B. H. (2025), Machine learning-based prediction of processing time in furniture manufacturing to estimate lead time and pricing, European Journal of Wood and Wood Products, 83(1), 35.
19. Meriç, Ö. and Özbayoğlu, A. M. (2021)Yapay Öğrenme ile Yazılım Test Eforu Tahmini, Veri Bilimi, 4(1), 38-44.
20. Mohsen, O., Mohamed, Y. and Al-Hussein, M. (2022), A machine learning approach to predict production time using real-time RFID data in industrialized building construction, Advanced Engineering Informatics, 52, 101631.
21. Özkan, İ., Kuvvetli, Y., Duru Baykal, P. and Erol, R. (2014), Comparison of the neural network model and linear regression model for predicting the intermingled yarn breaking strength and elongation, The Journal of The Textile Institute, 105(11), 1203-1211.
22. Özkaya, B. (2021), Atölye tipi üretim için makine öğrenmesi yöntemleri ile üretim saati tahmini: Havacılık ve savunma sanayii uygulaması, Hacettepe Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi, Ankara.
23. Ren, S., Chan, H. L. and Siqin, T. (2020), Demand forecasting in retail operations for fashionable products: methods, practices, and real case study, Annals of Operations Research, 291(1), 761-777.
24. Sousa A, Ferreira L, Ribeiro R, Xavier J, Pilastri A. and Cortez P. (2022), Production time prediction for contract manufacturing industries using automated machine learning, Proceedings of the 18th International Conference on Artificial Intelligence Applications and Innovations (AIAI), Hersonissos, GREECE, JUN 17-20, 2022.
25. Sütçü, E. (2018), Kaynaklı İmalat Operasyon Sürelerinin Matlab Yapay Sinir Ağları ile Tahmin Edilmesi, Gazi Mühendislik Bilimleri Dergisi , 4 (1) , 16-24 .
26. Üner Z.G., Kuvvetli Y., Çalışkan E. and Eştürk H., (2022), Yapay sinir ağları yaklaşımıyla zaman etüdü tahminlenmesi: denim konfeksiyonu yapan bir işletmede uygulama, 41. Operations research / industrial engineering congress, 26-28 October 2022, Denizli, Türkiye.
27. Yüce, T. and Kabak, M. (2021), Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 37 (1), 47-60.
28. Zamani, F., Ebrahimi, A., Soltani, R. and Farhang Moghaddam, B. (2025), Predicting the Lead time of auto parts orders in the supply chain using machine learning, Business Intelligence Management Studies, 13(52).
29. Zhang, R. and Hu, J. I. A. (2021), Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs, Petroleum Exploration and Development, 48(1), 201-211.
30. Zhao, L., Li, M. and Sun, P. (2024), Neo-fashion: A data-driven fashion trend forecasting system using catwalk analysis, Clothing and Textiles Research Journal, 42(1), 19-34.
31. Zhu, H. and Woo, J. H. (2021), Hybrid NHPSO-JTVAC-SVM Model to Predict Production Lead Time, Applied Sciences, 11(14), 6369.
32. Zou, J., Han, Y. and So, S. S. (2009), Overview of artificial neural networks. Artificial neural networks: Methods and applications, 14-22.