METAL SEKTÖRÜNDE VERİ MADENCİLİĞİ YÖNTEMLERİ İLE BİR İŞ KAZASI TAHMİN MODELİ ÖNERİSİ

Yıl 2019, Cilt: 2 Sayı: 2, 78 - 87, 01.08.2019

Cemal Can Ayanoğlu , Mustafa Kurt

https://doi.org/10.33439/ergonomi.481861

Cited By: 7

Öz

Ülkemizde meydana
gelen iş kazalarında en yüksek oran metal sektörü işyerlerine aittir. Bununla
birlikte metal sektöründe meydana gelen ölümlü iş kazası sayısı, inşaat gibi
çok tehlikeli sınıfta yer alan bir sektöre göre daha azdır. Ölümlü iş kazaları
sayısının daha az olması, metal sektöründe birçok tehlikenin göz ardı
edilmesine neden olmaktadır. Bunun doğal bir sonucu olarak, metal sektöründe
önemsenmeyen tehlikelerden kaynaklı ciddi kazalar görülebilmektedir. Bu nedenle
bir metal sektörü işyerinde mevcut olan tehlikeli durumlar değerlendirilerek,
olası kaza şiddetinin tahmin edilmesi, sektörde ortaya çıkabilecek ciddi iş
güvenliği risklerinin önlenmesi adına önemli bir kazanım olacaktır. Çalışma
kapsamında, metal sektöründe faaliyet gösteren işyerlerinde meydana gelen iş
kazaları irdelenerek bir kaza veri seti oluşturulmuştur. Veri setinde çok
değişkenli veri analizi yöntemleri kullanılarak, çeşitli çıkarımlar yapılmış,
veri kümesinde ise değişkenlerin indirgemesi yapılmıştır. Veri madenciliği
programı kullanılarak veri setinden en iyi tahmin modeli üreten algoritmanın
yapay sinir ağları olduğu belirlenmiştir. Son olarak, çift katmanlı ileri beslemeli bir yapay sinir ağı ile bir kaza tahmin modeli oluşturulmuş, örnek metal sektörü
işyeri verileri kaza tahmin modelinde denenerek, işyerlerindeki olası kaza
riskleri değerlendirilmiştir.

Anahtar Kelimeler

Çok Değişkenli Veri Analizi, Faktör Analizi, Kümeleme Analizi, Veri Madenciliği, Yapay Sinir Ağları

Kaynakça

• Akgüngör, A.P., Doğan, E., Farklı Yöntemler Kullanılarak Geliştirilen Trafik Kaza Tahmin Modelleri ve Analizi, International Journal of Engineering Research & Development, 2(1), 16-22.
• Ceylan H., Avan, M., (2012). Türkiyede’ki İş Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini, International Journal of Engineering Research and Development, 4(1), 46-54.
• Cornero, M.C., Pedregal, D.J., (2010). Modelling and forecasting occupational accidents of different severity levels in Spain. Reliability Engineering and System Safety, 95, 1134-1141.
• Daniel, L..G. (1989). Comparisons of exploratory and confirmatory factor analysis.. Annual meeting of the Southwest Educational Research Association, Little Rock, USA, Kasım 1989 (ERIC Document Reproduction Service No. ED 314 447).
• Dizdar, E.N., Koçar, O., (2018). İş Sağlığı Ve Güvenliği Yönetim Sistemlerinde Risklerin Yapay Sinir Ağlarıyla Değerlendirilmesi, Academic Platform Journal of Engineering and Science, 6-3, 73-83.
• Enez, K., Topbaş, M., Acar, H.H., (2014). An evaluation of the occupational accidents among logging workers within the boundaries of Trabzon Forestry Directorate, Turkey, International Journal of Industrial Ergonomics, 44, 621-628.
• Hand, D., Manilla, H., Smyth, P., (2001). Principles of Data Mining. The MIT Press, Cambridge.
• Hajakbari, M.S., Minaei-Bidgoli, B., (2014). A new scoring system for assessing the risk of occupational accidents: A case study using data mining techniques with Iran's Ministry of Labor data, Journal of Loss Prevention in the Process Industries, 32, 443-453.
• Huang, G-B., (2003). “Learning capability and storage capacity of two-hidden-layer feedforward networks”, IEEE Transactions on Neural Networks, 14(2): 274-281.ILO (2005). International Labour Organization Sectoral Activities Programme Code of Practice on Safety and Health in the Iron and Steel Industry.
• https://www.ilo.org/wcmsp5/groups/public/---ed_protect/---protrav/---safework/documents/ normativeinstrument/wcms_112443.pdf (Erişim Tarihi: 01.10.2018)
• İTKB (2011). İş Teftiş Kurulu Başkanlığı Metal Sektöründe Çalışan İşçilerin Çalışma Koşullarının İyileştirilmesi Programlı Teftişi Sonuç Raporu. https://www.csgb.gov.tr/media/6006/2011_49.pdf (Erişim Tarihi: 01.10.2018)
• Johnson, R.A., Wichern, D.W., (2007). Applied Multivariate Statistical Analysis 6th ed., Prentice Hall, New Jersey, USA.
• Kurt, U., (2014). Yapı Üretiminde Hayati Risklerin Analizi Ve Denetimine İlişkin Bir Araştırma. Doktora Tezi, Gazi Üniversitesi, 2014.
• Lavine, B.K., Blank, T.R., (2009). “Feed-Forward Neural Netwoks”, Comprehensive Chemometrics: Chemical and Biochemical Data Analysis, 3: 571-586.
• Marhavilas, P.K., Koulouriotis, D.E., (2012). Developing a new alternative risk assessment framework in the work sitesby including a stochastic and a deterministic process: A case study for the GreekPublic Electric Power Provider, Safety Science, 50, 448-462.
• Nenonen, N. (2013). Analysing factors related to slipping, strumbling, and falling accidents at work: Application of data mining methods to Finnish occupational accidents and diseases statistics database, Applied Ergonomics, 44, 215-224.
• Silva, J.F., Jacinto, C., (2011). Finding occupational accident patterns in the extractive industry using a systematic data mining approach, Reliability Engineering and System Safety, 108, 108-122.
• SGK (2016). Sosyal Güvenlik Kurumu 2016 Yılı İstatistik Yıllığı. http://www.sgk.gov.tr/wps /portal/sgk/tr/kurumsal/istatistik/sgk_istatistik_yilliklari (Erişim Tarihi: 01.10.2018)
• Witten, I.H., Frank, E., (2000). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations 1st ed., Morgan Kaufmann Publishers, San Francisco/California, USA.
• Zheng, X., Liu, M., (2009). An overview of accident forecasting methodologies, Journal of Loss Prevention in Process Industries, 22, 484-491.