Gemi İnşa Sektöründe İş Kazalarına Etki Eden Faktörlerin Belirlenmesinde Makine Öğrenimi ve Küresel Fuzzy-TOPSIS Yöntemlerinin Entegre Kullanımı: Analitik ve Pratik Bir Yaklaşım

Abstract

Bu tez, gemi inşa sektöründe faaliyet gösteren tersanelerde meydana gelen iş kazalarının nedenlerini veri temelli ve analitik bir yaklaşımla incelemeyi amaçlamaktadır. Araştırmada, Türkiye’deki tersanelerde on yıl boyunca gerçekleşmiş 2020 iş kazasına ait, 17 değişken içeren bir veri kümesi kullanılmıştır. Hedef değişken kazanın nedeni olarak belirlenmiş ve veri ön işleme, etiketleme, dengeleme ve ölçekleme işlemleri uygulanmıştır. Modelleme sürecinde Random Forest (RF), Extra Trees (ET), XGBoost, SVM, KNN, Naive Bayes, Lojistik Regresyon, Karar Ağacı ve AdaBoost algoritmaları kullanılarak performans karşılaştırmaları yapılmıştır. En yüksek doğruluk ve başarı RF ve ET modelleriyle elde edilmiştir. Bu iki modelden elde edilen değişken önemlilik skorlarıyla en etkili dört faktör belirlenmiştir: Kazazedenin görevi, olay ayı, yaranın vücuttaki yeri ve kazanın türü. Bu faktörler, insan yargısını da içeren SF-Fuzzy TOPSIS yöntemiyle ayrıca değerlendirilmiş ve karar vericiler temelli alternatif bir sıralama oluşturulmuştur. Ardından, RF, ET ve SF-Fuzzy TOPSIS yöntemlerinin bilgi katkısı entropi tabanlı ağırlıklandırmayla hesaplanarak (%88,95 SF-Fuzzy TOPSIS, %7,31 RF, %3,73 ET) uzlaştırılmış nihai sıralama elde edilmiştir. Farklı ağırlık senaryolarıyla yapılan hassasiyet analizleri yöntemin sağlamlığını göstermiştir. Tez, makine öğrenmesi ile çok kriterli karar verme yöntemlerini birleştirerek sektöre özgü güçlü, esnek ve proaktif bir karar destek yapısı sunmaktadır.

This thesis aims to investigate the causes of occupational accidents in shipyards operating in the shipbuilding sector using a data-driven and analytical approach. The main objective is to estimate accident-causing factors based on historical data and prioritize them using multi-criteria decision-making (MCDM) techniques. A dataset comprising 2020 accidents and 17 variables, collected over ten years from Turkish shipyards, was utilized. The target variable was the cause of the accident. Various preprocessing steps such as labeling, balancing, and scaling were applied. Machine learning algorithms including Random Forest (RF), Extra Trees (ET), XGBoost, SVM, KNN, Naive Bayes, Logistic Regression, Decision Tree, and AdaBoost were implemented and compared using performance metrics. RF and ET achieved the highest accuracy. Based on variable importance scores from these models, the four most influential factors were identified: casualty's duty, month of the incident, injury location on the body, and type of accident. These factors were also evaluated using the SF-Fuzzy TOPSIS method, which incorporates human judgment, to obtain an alternative ranking. To reconcile results from different methods, entropy-based weighting was used, assigning weights as follows: SFFuzzy TOPSIS (88.95%), RF (7.31%), and ET (3.73%). A final ranking was produced through compromise scoring based on these weights. Sensitivity analysis with different weight scenarios confirmed the robustness of the approach. The findings show that machine learning models effectively predict accidents, and integrating these models with decision-making techniques like SF-Fuzzy TOPSIS offers a robust and flexible structure for sectoral decision-making. The thesis presents a proactive decision support framework for the shipbuilding industry by combining data science and occupational safety.