Tekstil sektöründe iş kazalarına neden olan risk faktörlerinin veri madenciliği yöntemleriyle değerlendirilmesi

Abstract

Gelişen ve büyüyen iş yerlerinde iş kazaları gün geçtikçe daha kritik bir konu haline gelmektedir. Veri madenciliği, artan iş kazalarına neden olan faktörlerin belirlenmesi veanaliz edilmesinde kullanılabilecek etkili bir yöntemdir. Bu çalışmanın amacı, veri madenciliği yöntemleri kullanılarak tekstil sektöründe iş kazalarının kontrolüne yönelikrisk faktörlerinin araştırılması ve analiz edilmesidir. Bu çalışmada 2019-2021 yılları arasında tekstil sektöründe meydana gelen 89.963 iş kazası verisi incelenmiştir. Tahminsonucuna en çok etki eden özelliklerin sırasıyla kaza sebebi, kaza anında kullanılanaraç/metaryel, alt sektör bilgisi ve firma büyüklüğü olduğu görülmüştür. Kaza sonucu yaralanma türlerini tahmin etmek için SVM, Ekstra Ağaçlar, Rastgele Orman, GradyanArtırma ve XGBoost algoritmaları kullanılmıştır. Veri dengeleme ve parametre optimizasyonu yöntemleri ile algoritmaların tahmin performansı artış göstermiştir. MakroF-skor değeri %70 olarak hesaplanan XGBoost algoritması diğer algoritmalara göre dahaiyi performans göstermiştir. SVM algoritması (%69) ve Ekstra Ağaçlar (%68) algoritması, yüksek makro F-skor değerlerine ulaşarak veri setini doğru yorumlayan algoritmalar arasında yer almıştır. Sonuç olarak, veri madenciliği adımlarıyla oluşturulanbir kaza tahmin modelinin, tekstil sektöründe meydana gelebilecek önemli riskleri belirleme konusunda kullanılabileceği anlaşılmıştır.

In developing and growing workplaces, occupational accidents are increasingly becominga more critical issue with each passing day. Data mining is an effective method that canbe used to identify and analyze the factors that cause increased occupational accidents. This study aims to investigate and analyze the risk factors for the control of occupational accidents in the textile sector using data mining methods. In this study, 89.963 occupational accident data that occurred in the textile sector between the years 2019-2021 were examined. It has been seen that the features that have the most effect on the forecastresult are cause of accident, material agent, sub-sector, and company size, respectively. SVM, Extra Trees, Random Forest, Gradient Boosting, and XGBoost algorithms havebeen used for the prediction of accidental injury types. The estimation performance ofalgorithms has increased with data balancing and parameter optimization methods. The XGBoost algorithm, whose macro F-score value was calculated as 70%, performed betterthan other algorithms. The SVM algorithm (69%) and Extra Trees (68%) algorithm havebeen among the algorithms that correctly interpreted the data set by reaching high macroF-score values. As a result, it has been understood that an accident prediction modelcreated by data mining steps can be used to identify significant risks that may occur inthe textile industry.