Genetik Algoritma ile Öznitelik Seçimi Kullanılarak Yapım Yönetiminde Çalışan Liderlik Algısının Tahmini

Abstract

Hızla büyüyen ticari teknolojiler için bilimsel bir temel hazırlayan ve birçok uygulama alanına sahip olan yapay zekânın son zamanlarda inşaat projelerinde de kullanımı dikkat çekmeye başlamıştır. Bu çalışmada, inşaat projelerinin temelini oluşturan yapım yönetimi konusunda yapay zekâ sistemlerinin kullanım alanları incelenmiş olup, Türkiye özelinde literatür taraması gerçekleştirildikten sonra yapım yönetiminde önemli bir yeri olan çalışan liderlik algısının sınıflandırılmasında taranan bu literatürlerde yapay zeka yöntemlerinden başarılı olan genetik algoritma ile öznitelik seçiminin önemi araştırılmıştır. Çalışma sonucunda, çalışan liderlik algısının tahmin edilebilmesi amacıyla hazırlanmış olan veri setinde öznitelik seçimi yapıldıktan sonra Naive Bayes, Destek Vektör Makineleri (SMO), Çok Katmanlı Algılayıcı (MLP), Radyal Tabanlı Fonksiyon Ağları (RBF Network), Karar Tablosu (Decision Table) ve J48 sınıflayıcıları çalıştırılmış, J48 sınıflayıcısı ile doğruluk oranının ham veri setine göre artarak %78,43 olduğu gözlenmiştir.

Artificial intelligence, which is a scientific basis for rapidly growing commercial technologies and has many application areas, has recently begun to draw attention to its use in construction projects. In this study, the use of artificial intelligence systems in construction management, which is the basis of construction projects, was examined, and after the literature review was performed in Turkey in particular, the importance of feature selection with genetic algorithm that were successful in the artificial intelligence methods in these reviewed literatures was investigated in classification of employee leadership perception, which has an important place in construction management. As a result of the study, after the feature selection was done in the data set prepared to predict the employee leadership perception, Naive Bayes, SMO, MLP, RBF Network, Decision Table and J48 classifiers were run, and it was observed that the accuracy rate with J48 classifier was increased to 78.43% with respect to the raw data set.