İNŞAAT SEKTÖRÜNDE İŞ KAZALARI SONUCU OLUŞAN İŞ GÖREMEZLİK SINIFININ YAPAY ZEKA YÖNTEMLERİ İLE BULUNMASI

Abstract

İş kazaları, çalışanların hayatında ciddi kayıplara yol açmaktadır. İşverenler açısından ise finansal kayıplar, yasal sorunlar, itibar zedelenmesi ve iş gücü verimliliğinde düşüş gibi çeşitli sorunlara neden olmaktadır. Bu tez kapsamında, iş kazası sonucu oluşan iş göremezlik durumunu önceden tahmin etmek ve bu süreçte etkili olan faktörleri belirlemek amaçlanmıştır. Bu doğrultuda, yapay zeka yöntemlerinden Lojistik Regresyon ve Rastgele Orman modelleri kullanılarak analizler gerçekleştirilmiştir. Çalışmada, işyerine, çalışana ve kazaya ait bilgiler içeren veri seti kullanılmıştır. Belirlenen faktörler arasında iş göremezlik oranı üzerinde pozitif ve negatif etkisi olan değişkenler tespit edilmiştir. Bu faktörlerin süreç üzerindeki etkisini anlamlandırarak öngörülebilirliği artırmak, iş kazası sonrası oluşabilecek olumsuz durumları engellemek ve süreçlerin daha verimli yönetilmesine katkıda bulunmak hedeflenmiştir. Bu tezde, iş kazalarına yönelik tahminleme metodolojilerinin geliştirilmesine katkı sunmuş ve yapay zeka yöntemlerinin öngörülemeyen durumların yönetiminde önemli bir araç olabileceğini göstermiştir. Modellerin yüksek performansı, bu alanda yapılacak ileri çalışmalara temel oluşturarak, iş kazası ve sonrasındaki sürecin yönetiminde bilinmeyen ve öngörülemeyen durumların yarattığı zorluklara rağmen süreçlerin daha verimli ve etkili şekilde ele alınmasına katkı sunmaktadır.Occupational accidents cause significant losses in employees' lives and create various challenges for employers. This thesis aims to predict work disability resulting from workplace accidents in advance and to identify the factors influencing this process. In this regard, analyses were conducted using Artificial Intelligence methods, specifically Logistic Regression and Random Forest models. The study utilized a dataset containing information related to the workplace, employees, and accidents. Among the identified factors, variables with both positive and negative impacts on the disability rate were determined. By understanding the influence of these factors on the process, the goal is to enhance predictability, prevent adverse outcomes following workplace accidents, and contribute to more efficient management of processes. This study has contributed to the development of predictive methodologies for workplace accidents and demonstrated that Artificial Intelligence methods can serve as a crucial tool in managing unforeseen circumstances. The high performance of the models lays the foundation for future studies in this field, contributing to more efficient and effective handling of processes despite the challenges posed by unknown and unpredictable situations in workplace accident management.