Fen Bilimleri Enstitüsü / Science Institute

Permanent URI for this collectionhttps://hdl.handle.net/11727/1392

Browse

Filters

2020 - 20242

Settings

search.filters.applied.f.rights: search.filters.rights.info:eu-repo/semantics/openAccessSubject: search.filters.subject.CRITIC

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Hata içeren yazılım modüllerinin tespitinde kullanılan makine öğrenme algoritmalarının çok kriterli karar verme yöntemleriyle sıralanması
    (Başkent Üniversitesi Fen Bilimler Enstitüsü, 2024) Alper Işık, Merve; Mamak Ekinci, Elmas Burcu
    Yazılım projelerindeki en önemli sorunlardan biri hata içeren yazılım modülleri olmaktadır. Bu modüller için en önemli unsurlar, programda hatalara neden olabilen, performansı azaltabilen ve programın çökmesine yol açabilen kod parçaları olmaktadır. Bu modüllerin, yazılım döngüsünün başlarında fark edilmesi ve düzeltilmesi, yazılım projelerinin başarısı için çok büyük önem taşımaktadır. Hata içeren yazılım modüllerinin yazılım döngüsünün erken safhalarında fark edilmesi için istatistiksel analiz yöntemleri ve makine öğrenme algoritmaları gibi farklı yöntemler bulunmaktadır. Yapılan çalışmalara göre bu yöntemleri kullanarak, hata içeren yazılım modüllerinin erken tespit edilmesi ve düzeltilmesinin yazılım projelerinin başarı şansını artırdığını, daha az maliyetli olduğunu ve yazılım döngüsünün daha verimli yönetilebileceğini ortaya koymaktadır. Bu yöntemlerin kullanılması ve yazılım döngüsünün en başından itibaren uygulanması, yazılım projelerinin başarısını arttırabilmekte ve maliyetlerini düşürebilmektedir. Bu çalışmada hata içeren yazılım modüllerinin tespitinde kullanılan makine öğrenme algoritmalarının seçimi problemi ele alınmıştır. Bu kapsamda, C++ programlama dilinde kodlanan NASA’nın kamusal alan (public domain) olan KC1 hata veri kümesi kullanılarak Naive Bayes, Bagging, Stacking, IBk (Knn), Logistic Regression, Random Tree, Random Forest, SMO ve Neural Networks makine öğrenme algoritmalarının hata yönünden performansları WEKA uygulaması ile incelenmiştir. Analiz sonucunda, Kappa İstatistikleri (Kappa Statistics), Doğru Sınıflandırılmış Örnekler (Correctly Classified Instances), Ortalama Mutlak Hata (Mean Absolute Error), Hata Kareler Ortalamasının Karekökü (Root Mean Squared Error), Bağıl Mutlak Hata (Relative Absolute Error) ve Kök Bağıl Kare Hatası (Root Relative Squared Error) değerleri elde edilmiştir. Bu metrikler, belirlenen makine öğrenme algoritmalarının sıralanması probleminde kullanılan ÇKKV yöntemleri için kriterler olarak belirlenmiştir. Çalışmada ÇKKV yöntemlerinden CRITIC, ARAS ve TOPSİS yöntemleri kullanılmıştır. Yapılan sıralama sonucunda hata metriklerini minimize eden en iyi makine öğrenme algoritması k-En Yakın Komşu (kNN) olarak bulunmuştur. One of the most important problems in software projects is software modules containing errors. The most important elements for these modules are pieces of code that can cause errors in the program, reduces the performance of the program and cause the program to crash. Recognizing and fixing these modules early in the software cycle is of great importance for the success of software projects. There are different methods such as statistical analysis methods and machine learning algorithms to detect software modules containing errors in the early stages of the software cycle. Studies show that early detection and correction of software modules containing errors by using these methods increases the chance of success of software projects, software can be managed more efficiently and software projects can be less costly. Using these methods and applying them from the very beginning of the software cycle can increase the success of software projects and reduce their costs. In this study, the problem of selecting machine learning algorithms used in detecting software modules containing errors is discussed. In this context, Naive Bayes, Bagging, Stacking, IBk (Knn), Logistic Regression, Random Tree, Random Forest, SMO and Neural Networks machine learning algorithms were used by using NASA's public domain KC1 error dataset, coded in C++ programming language. Their performance in terms of errors was examined with the WEKA application. As a result of the analysis, Kappa Statistics, Correctly Classified Instances, Mean Absolute Error, Root Mean Squared Error, Relative Absolute Error and Root Relative Error. Root Relative Squared Error values were obtained. These metrics were determined as criteria for MCDM methods used in the problem of ranking specified machine learning algorithms. CRITIC, ARAS and TOPSIS methods, which are among the MCDM methods, were used in the study. As a result of the sorting, the best machine learning algorithm that minimizes error metrics was found to be k-Nearest Neighbor (kNN).
  • No Thumbnail Available
    Item
    Savunma ve Havacılık Sanayisi için çok kriteri i karar verme temelli yeni bir proses tipi hata türü ve etkileri analizi yaklaşımının geliştirilmesi
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Uslu, Tuğçe; Feryal Can, Gülin
    Savunma ve havacılık sanayisi, ülkelerin politik ve askeri gücünü belirleyen, ticari değeri yüksek bir sektördür. Türkiye’nin jeopolitik konumu; doğal kaynaklarının korunması ve terör faalyetlerinin önlenmesi ihtiyacım doğurmaktadır. Ayrıca sektörde imal edilen ürünler, yüksek teknoloji ve hassasiyette üretim gerektirmekte, bu gereklilik te ürünlerin ticari değerini arttırmaktadır. Bu sebepler nedeniyle, tez çalışmasında ülkemiz için yüksek önem arz eden savunma ve havacılık sanayisine yönelik bir çalışma gerçekl eştirilmiştir. Savunma ve havacılık sanayisinde mevcut ve potansiyel proses temelli hataların tespit edilmesi büyük önem taşımaktadır. Çünkü, bu sektörde üretilen ürünler genellikle ülkelerin savunma ve hava taşımacılığını gerçekleştirmek amacıyla kullanılmaktadır. Söz konusu ürünlerin odak noktası insan olduğu için, herhangi bir hatanın ortaya çıkması mümkün olduğunca erken bir aşamada engellenmelidir. Bunu gerçekleştirmek için sektöre özgü, etkin hata tanımlama ve önleme yaklaşımlarının geliştirilmesi gerekmektedir. Literatürde en çok kullanılan yöntemlerden biri olan Hata Türü ve Etkileri Analizi (HTEA), güçlü bir risk analizi yöntemidir ancak geliştirilmesi gereken yönleri de bulunmaktadır. Buna göre çalışmada, geleneksel HTEA’da dikkate alman kısıtlı sayıdaki risk kriterleri, savunma ve havacılık sektörü gereklilikleri kapsamında genişletilmiştir. Geliştirilen yaklaşım ile; risk kriterleri, birbirleri arasındaki ilişkiler dikkate alınarak ağırlıklandırılmış ve buna göre hata türleri de, birbirleri arasındaki ilişkiler göz önünde bulundurularak, Önlem önceliklerine göre sıralandırılmışlardır. Çözüm sürecine, birden fazla kriterin karar verme amacıyla dahil edilmesi nedeniyle, Çok Kriterli Karar Verme (ÇKKV) teknikleri kullanımının faydalı olacağı değerlendirilmiştir. Bu kapsamda önerilen yaklaşımın ilk aşaması olan kriterlerin ağırlıktandın İması aşamasında; Entropi, Tercih Seçim İndeksi (Preference Selection İndex-PSI) ve Kriterler arası Korelasyon Yoluyla Kriterlerin Önem Tespiti (Criteria Importance Through Intercriteria Correlation- CRITIC) yöntemleri kullanılmıştır. Söz konusu üç farklı kriter ağırlıklandımıa yönteminden elde edilen farklı kriter ağırlık sıralamaları önerilen geometrik ortalamaya dayalı birleştirme yaklaşımı ile tek bir kriter ağırlık sıralamasına dönüştürülmüştür. İkinci aşamada ise; Ortalama Çözüm Uzaklığına Göre Değerlendirme (Evaluation based on Distance from Average Solution-EDAS), Birleştirilebilir Uzaklık Tabanlı Değerlendirme (Combinative Distance-based Assessment-CODAS), Karmaşık Orantılı Değerlendirme (Complex Proportional Assessment-COPRAS) yöntemleri kullanılarak hata türleri önem önceliklerine göre sıralanmışlardır. Aynı şekilde, üç farklı alternatif sıralama yönteminden elde edilen farklı alternatif sıralamaları, Kesin Tercih Sıralama Tekniği (Technique of Precise Order-TPOP) yöntemi kullanılarak birleştirilmiştir. Önerilen bütünleşik yaklaşım, savunma ve havacılık sanayisinde talaşlı imalat gerçekleştiren bir Tınmada uygulanmış ve alternatif sıralamaları, Spearman Sıralama Korelasyon Katsayısı kullanılarak tartışılmıştır. The defense and aerospace industry is a sector which has high commercial value that determines the political and military power of countries. Turkey's geopolitical position; creates need of protection of natural resources and prevention of terrorist activities. In addition, products manufactured in this sector, require high technology and precision prodııction. This stituation increases the commercial value of the products. Because of these reasons, a study has been carried out for the defense and aviation industry which has high importance for our country. In the defense and aerospace industry, it is important to identify existing and potential process based failures. Because the products produced in this industry are generally used for the defense and air transportation of the countries. Since the focus of these products is human, any error should be prevented early as much as possible. To achieve this, sector- specifıc, effective failure identifıcation and prevention approaches are need to be developed. One of the most widely used methods in the literatüre; Failure Modes and Effects Analysis (FMEA) is a powerful risk analysis method, but there are also aspects that need to be developed. Accordingly, a limited number of risk criteria considered in the traditional FMEA have been extended to the requirements of the defense and aviation sector. With the developed approach; risk criteria were weighted by considering the relationships between each other and accordingly, the failures modes were ranked according to their priorities, considering the relationships between each other. Because of multiple criteria are considered in solution process for decision making, it was evaluated that implementing Multi-Criteria Decision Making (MCDM) techniques may be beneficial. Iıı the weighting phase of the criteria, which is the fîrst stage of the proposed method; Entropy, Preference Selection îndex (PSI) and Criteria Importance Through Intercriteria Correlation (CRITIC) methods were used. The different criteria weight rankings obtained from these three different criteria weighting methods were converted into a single weight rank with a proposed combining approach based on geometnc ıııean. In the second stage; by performing Evaluation based on Distance from Average Solutıon (EDAS), Combinative Distance-based Assessment (CODAS) and Complex Proportional Assessment (COPRAS) methods, failure modes were ranked according to their priority. Similarly, different altemative rankings obtained from three different altemative ranking methods were combined by using the Technique of Precise Order (TPOP) method. The proposed method has been applied at a company which carrying out machining in the defense and aerospace industry, altemative rankings have been discussed by using the Spearman Ranking Correlation Coefficient method.