Journals / Endüstri Mühendisliği / 2025 / Cilt: 36 Sayı: 3

İŞE BAĞLI DİNLENME SÜRELERİNİN MAKİNE ÖĞRENMESİ İLE TAHMİN EDİLMESİ

Melis Türksever(Coşkunöz Kalıp Makina A.Ş)0000-0001-9859-0173
Emin Kahya(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0000-0001-9763-2714
N. Fırat Özkan(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ, MÜHENDİSLİK-MİMARLIK FAKÜLTESİ)0000-0003-4464-7052
Pages
367–400
Publication Date
2025-12-25
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Mola süresinin hesaplanabilmesi için çalışanların dinlenme anında harcadıkları enerji (Kcal) ve KAF değerleri de ölçülerek kaydedilmiştir. 110 farklı iş ve çalışandan alınan veriler ışığında oluşturulan farklı makine öğrenmesi modellerine göre hafif – orta – ağır iş gruplarında yapılması gereken yeni mola süreleri sırasıyla; 21,42 dk, 21,52 dk ve 22,87 dk olarak tespit edilerek; mevcut 15 dakikalık mola süresinin çalışma sonuçlarına göre yeniden düzenlenmesi önerilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Çalışanların mola sürelerinin tahminlenmesi, iş gücü verimliliğinin arttırılması ve verimli personel yönetiminin gerçekleştirilebilmesi için önemli bir konudur.
📊
Key Findings & Data:Bu sürelerin değerlendirilmesi çalışma ortamındaki ve çalışandaki dinamiklere bağlı olarak değişkenlik göstermektedir.
💡
Conclusion & Impact:Mola süresinin hesaplanabilmesi için çalışanların dinlenme anında harcadıkları enerji (Kcal) ve KAF değerleri de ölçülerek kaydedilmiştir. 110 farklı iş ve çalışandan alınan veriler ışığında oluşturulan farklı makine öğrenmesi modellerine göre hafif – orta – ağır iş gruplarında yapılması gereken yeni mola süreleri sırasıyla; 21,42 dk, 21,52 dk ve 22,87 dk olarak tespit edilerek; mevcut 15 dakikalık mola süresinin çalışma sonuçlarına göre yeniden düzenlenmesi önerilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Mola Süresi · Fizyolojik Ölçüm Yöntemleri · Ergonomik Risk Değerlendirme

Özet

Çalışanların mola sürelerinin tahminlenmesi, iş gücü verimliliğinin arttırılması ve verimli personel yönetiminin gerçekleştirilebilmesi için önemli bir konudur. Bu sürelerin değerlendirilmesi çalışma ortamındaki ve çalışandaki dinamiklere bağlı olarak değişkenlik göstermektedir. Ancak genel olarak çalışanların günlük mola süreleri işveren ve iş kanununu belirlediği çerçeve içerisinde olmaktadır. Bu çalışmada, çalışanların fizyolojik ölçümleri, algıladıkları sübjektif efor ve ergonomik risk değerlendirme skorları dikkate alınarak, makine öğrenmesi modelleri aracılığıyla mevcut mola sürelerinin yeterliliğinin tespiti ve gerekli olan mola sürelerinin tahminlenmesi amaçlanmıştır. Bu kapsamda farklı zorluk düzeyine sahip üretim bölümlerindeki işleri gerçekleştiren 110 çalışandan; 30 dakikalık çalışma süresince akıllı saat ve akıllı saate ait uygulama kullanılarak, KAF (Kandaki Atış Frekansı) ve enerji tüketim (Kcal) değerleri ile pulsmetre aracılığı ile kandaki oksijen düzeyi (SpO₂) değerleri alınmıştır. Çalışanların, ergonomik açıdan karşılaştıkları fiziksel iş yüklerini tespit etmek amacıyla, ergonomik risk değerlendirme yöntemlerinden REBA yöntemi ile ölçümler gerçekleştirilmiştir. Çalışanların yaptıkları işte algıladıkları sübjektif eforu ölçmek için ise Revize Borg Skalası ile zorlanma düzeyleri alınmıştır. Çalışma anında alınan bu veriler, kişinin mesai içerisinde yaptığı iş süresince harcadığı eforu ve zorlanma derecesine dair bilgileri göstermektedir. Mola süresinin hesaplanabilmesi için çalışanların dinlenme anında harcadıkları enerji (Kcal) ve KAF değerleri de ölçülerek kaydedilmiştir. 110 farklı iş ve çalışandan alınan veriler ışığında oluşturulan farklı makine öğrenmesi modellerine göre hafif – orta – ağır iş gruplarında yapılması gereken yeni mola süreleri sırasıyla; 21,42 dk, 21,52 dk ve 22,87 dk olarak tespit edilerek; mevcut 15 dakikalık mola süresinin çalışma sonuçlarına göre yeniden düzenlenmesi önerilmiştir.

🔖

Cite This Article

Türksever, M., Kahya, E., Özkan, N. F. (2025). İŞE BAĞLI DİNLENME SÜRELERİNİN MAKİNE ÖĞRENMESİ İLE TAHMİN EDİLMESİ. Endüstri Mühendisliği, Cilt: 36 Sayı: 3, 367–400. https://doi.org/10.46465/endustrimuhendisligi.1733882

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (101)

  1. Adem, A. ve Dağdeviren, M. (2021). A personnel scheduling model containing thermal comfort and equivalent metabolic rate factors. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(1), 303-317. Erişim adresi: https://www.researchgate.net/profile/Metin-Dagdeviren-2/publication/346997976_ A_personnel_scheduling_model_containing_thermal_comfort_and_equivalent_metabolic_rate_factors/links/61eefef8c5e3103375ba052a/A-personnel-scheduling-model-containing-thermal-comfort-and-equivalent-metabolic-rate-factors.pdf
  2. Akgül, M. N., Baltacı, S., Yıldız, K. C., Özcan, N. ve Akgül, M. Ş. (2021). Covid-19 pandemisinde pilates egzersizi sırasında cerrahi yüz maskesi takmanın etkilerinin Borg skalası özelinde değerlendirilmesi. Akdeniz Spor Bilimleri Dergisi, 4(2). 221-228. Doi: https://doi.org/10.38021/asbid.941184
  3. Alpaydın E. (2017). Yapay Öğrenme. Boğaziçi Üniversitesi Yayınevi.
  4. Altun, M., (2022). Yapay Zeka ve Makine Öğrenmesi. Milli Eğitim Bakanlığı.
  5. Alvarez-Garcia, J.A., Cvetkovi, B. ve Lustrek M., (2020). A survey on energy expenditure estimation using wearable devices. ACM Computing Surveys, 53(5), 1-35. Doi: https://doi.org/10.1145/3404482
  6. Arslan, K. (2020). Eğitimde yapay zeka ve uygulamaları. Batı Anadolu Eğitim Bilimleri Dergisi, 11 (1). 71-88. Erişim adresi: https://dergipark.org.tr/en/download/article-file/1174773
  7. Bent, B., Goldstein, B. A., Kibbe, W. A. ve Dunn, J. P. (2020). Investigating sources of inaccuracy in wearable optical heart rate sensors. NPJ Digital Medicine. 3(1), 18. Erişim adresi: https://www.nature.com/articles/s41746-020-0226-6
  8. Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N. ve Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671). 195-202. Doi: https://doi.org/10.1038/nature23474
  9. Bridger, R. (2017). Introduction to Human Factors and Ergonomics. CRC Press.
  10. Budak, H. (2018). Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, 21-31. Erişim adresi: https://dergipark.org.tr/en/download/article-file/552933
  11. Burdon J.G, Juniper E.F, Killian K.J, Hargreave F.E ve Campbell E.J. (1982). The perception of breathlessness in asthma. The American Review of Respiratory Disease, 126 (5). 825-828. Erişim adresi: https://www.atsjournals.org/doi/abs/10.1164/arrd.1982.126.5.825
  12. Chen, L. ve Wang, S. (2019). Predicting human energy expenditure using wearable sensors and machine learning. Sensors, 19(8). 1785. Doi: https://doi.org/10.3390/s19081785.
  13. Chen, Y., Liu, S. ve Wang, Y. (2020). A review on energy consumption prediction in manufacturing ındustry using machine learning techniques. IEEE Access, 8, 182032-182048. Doi: https://doi.org/10.1109/ACCESS.2020.3028641
  14. Chinnamgari, S. K. (2019). R Machine Learning Projects: Implement supervised, unsupervised, and reinforcement learning techniques using R. Packt Publishing Ltd. Erişim adresi: https://books.google.com.tr/books?hl=trlr=id= 4dKDDwAAQBAJoi=fndpg=PP1dq=R+Machine+Learning+Projects:+Implement+supervised,+unsupervised,+and+reinforcement+learning+techniques+using+Rots=pygO5OfUrBsig=yufYSCHjJIW2-264AqFINKSj-aUredir_esc=y#v=onepageq=R%20Machine%20Learning%20Projects%3A%20Implement%20supervised%2C%20unsupervised%2C%20and%20reinforcement%20learning%20techniques%20using%20Rf=false
  15. Cord, M. ve Cunningham, P. (Eds.). (2008). Machine learning techniques for multimedia: case studies on organization and retrieval. Springer Science & Business Media.
  16. Chow, H. W. ve Yang, C. C. (2020). Accuracy of optical heart rate sensing technology in wearable fitness trackers for young and older adults: validation and comparison study. JMIR mHealth and uHealth, 8(4). e14707. Doi: https://doi.org/10.2196/14707
  17. Dolgui A. ve Proth J.M., (2010). Pricing strategies and models, Annual Reviews in Control. 34(1). 101-110. Doi: https://doi.org/10.1016/j.arcontrol.2010.02.005
  18. Dohyung, K. (2021). Comparison of OWAS, RULA and REBA for assessing potential work-related musculoskeletal disorders, International Journal of Industrial Ergonomics, 83,103140. Doi: https://doi.org/10.1016/j.ergon.2021.103140
  19. Frasie, A., Bertrand-Charette, M., Compagnat, M., Bouyer, L. J. ve Roy, J. S. (2024). Validation of the Borg CR10 Scale for the evaluation of shoulder perceived fatigue during work-related tasks. Applied Ergonomics, 116, 104200. Doi: https://doi.org/10.1016/j.apergo.2023.104200
  20. Friedl, M. A., Brodley, C. E. (1997). Decision tree classification of land cover from remotely sensed data. Remote Sensing Of Environment, 61(3). 399-409. Doi: https://doi.org/10.1016/S0034-4257(97)00049-7
  21. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M.,. Desai, M. Y. (2017). Variable accuracy of wearable heart rate monitors during aerobic exercise. Medicine Science in Sports Exercise, 49(8). 1697-1703. Doi: https://doi.org/10.1249/MSS.0000000000001284
  22. Gültepe, Y. (2019). Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16). 8-15. Doi: https://doi.org/10.31590/ejosat.530347
  23. Gürsakal, N. (2017). Makine Öğrenmesi ve Derin Öğrenme. Dora Basım.
  24. Hignett, S. ve McAtamney, L. (2000). Rapid Entire Body Assessment (REBA). Applied Ergonomics, 31(2). 201-205. Doi: https://doi.org/10.1016/S0003-6870(99)00039-3
  25. Jachymek, M., Jachymek, M. T., Kiedrowicz, R. M., Kajmierczak, J., Pjojska-Gozciniak, E. ve Peregud-Pogorzelska, M. (2021). Wristbands in home-based rehabilitation-Validation of heart rate measurement. Sensors, 22(1). 60. Doi: https://doi.org/10.3390/s22010060
  26. Janiesch, C., Zschech, P. ve Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3). 685-695. Doi: https://doi.org/10.1007/s12525-021-00475-2
  27. Jiao, Z., Huang, K., Wang, Q., Jia, G., Zhong, Z. ve Cai, Y. (2024). Improved REBA: Deep learning based rapid entire body risk assessment for prevention of musculoskeletal disorders. Ergonomics, 67(10), 1356–1370. Doi: https://doi.org/10.1080/00140139.2024.2306315
  28. Kahya, A., Recal, A., Sevincer, Y., Gündüz, T. ve Özmutlu, S. (2021). Evalution of Physical and Mental Fatique in an Assembly Line. Journal of Industrial Engineering, 32(3). 380-395. Erişim adresi: https://dergipark.org.tr/en/pub/endustrimuhendisligi/issue/66238/823892
  29. Kahya, E., Alpaslan, K. ve Şenyüz, G. (2023). Bir metal sanayi işletmesinde ergonomik risk değerlendirme yöntemleriyle bütünleşik iş yüklerinin analizi. Eskişehir Osmangazi Üniversitesi Mühendislik Ve Mimarlık Fakültesi Dergisi, 31(3), 848-861. Doi: https://doi.org/10.31796/ogummf.1316286
  30. Kahya, E., Özgen, C. ve Jorayeva, N. (2024). ergonomik risk değerlendirme yöntemleriyle tespit edilmiş fiziksel iş yükü ile enerji tüketiminin değerlendirilmesi. Eskişehir Osmangazi Üniversitesi Mühendislik Ve Mimarlık Fakültesi Dergisi, 32(2), 1315-1325. Doi: https://doi.org/10.31796/ogummf.1429508
  31. Kalaycı, T. E. (2018). Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5). 870-878. Erişim adresi: https://dergipark.org.tr/tr/pub/pajes/issue/39683/469468
  32. Kansu, S., Parlak, T. ve Güneri, A. F. (2021). Kaynak işlemlerinde çalışan personel için reba metodu ile ergonomik risk değerlendirmesi: Kriyojenik tank imalatı sektöründe bir uygulama. Mühendislik Bilimleri ve Tasarım Dergisi, 9(3). 952-968. Doi: https://doi.org/10.21923/jesd.872665
  33. Kara, D. ve Yıldız, H. (2013). Dispne semptomunun değerlendirilmesinde dispne ölçeklerinin etkinlikleri ve kullanım sıklıkları. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, 2(1). 137-149. Erişim adresi: https://dergipark.org.tr/en/pub/gumussagbil/issue/7505/98941
  34. Kim, C., Kim, S. H. ve Suh, M. R. (2022). Accuracy and validity of commercial smart bands for heart rate measurements during cardiopulmonary exercise test. Annals of Rehabilitation Medicine, 46(4). 209. Doi: https://doi.org/10.5535/arm.22050.e
  35. Kul, S., Atıcı Uslu, H. ve Gündüz, T., (2022). Bir tekstil işetmesinde proses kontrol personellerinin hata tespit davranışlarının bilişsel ve fiziksel iş yükü ile değerlendirilmesi. Journal of Industrial Engineering, 33(2). 309-322. Doi: https://doi.org/10.46465/endustrimuhendisligi.1311373
  36. Kumar, N., Venkatachalam, S., Subramaniam, S., Nithyaprakash, R., Elavarasan, A. J., Krishnashankar, E.,. Prakash, C. (2023). Ergonomic evaluation of different working posture and handle designs of mason trowel during wall plastering work based on shoulder and arm muscle activity. Journal of Scientific Industrial Research. 82(9). 938-946. Doi: https://doi.org/10.56042/jsir.v82i9.4009
  37. Li, Q., Wang, Y. ve Wang, Z., (2018). Predictive maintenance and energy efficiency in manufacturing: A review of machine learning applications. Journal of Manufacturing Systems, 48, 111-122. Doi: https://doi.org/10.1016/j.jmsy.2018.06.012
  38. Li, W. ve Zhang, Z. (2018). Energy expenditure prediction models in physical activity recognition systems: A systematic review. IEEE Transactions on Industrial Informatics, 14(5). 2206-2216. Doi: https://doi.org/10.1109/TII.2018.2800919
  39. Lindegård, A., Grimby-Ekman, A., Wahlström, J. ve Gustafsson, E. (2024). Can biofeedback training in combination with ergonomic information reduce pain among young adult computer users with neck and upper extremity symptoms?-A randomized controlled intervention study. Applied Ergonomics, 114, 104155, Doi: https://doi.org/10.1016/j.apergo.2023.104155
  40. Mert, U., İde, D. ve Gündüz, T. (2022). Otomotiv sektörü prograsif kalıp hattında ergonomik üretim tasarımı ile verimliliğin arttırılması. Endüstri Mühendisliği, 33(2). 289-308. Doi: https://doi.org/10.46465/endustrimuhendisligi.1037667
  41. Monkeylearn. (2021). An Introduction to Machine Learning. Erişim adresi: https://monkeylearn.com/machine-learning/.
  42. O'Driscoll, R., Turicchi, J., Hopkins, M., Duarte, C., Horgan, G. W., Finlayson, G. ve Stubbs, R. J. (2021). Comparison of the validity and generalizability of machine learning algorithms for the prediction of energy expenditure: validation study. JMIR mHealth and uHealth, 9(8). Doi: https://doi.org/10.2196/23938
  43. Pasadyn, S. R., Soudan, M., Gillinov, M., Houghtaling, P., Phelan, D., Gillinov, N. ve Desai, M. Y. (2019). Accuracy of commercially available heart rate monitors in athletes: a prospective study. Cardiovascular Diagnosis And Therapy, 9(4). 379. Doi: https://doi.org/10.21037/cdt.2019.06.05
  44. Perez, A.C., Roman, P.A.L., Jimenez, M.M., Zurita, M.L., Aguilera, J.A.L., Montilla, J.A.P. ve Lineras, J.C.C, (2022). Is the Xiaomi Mi Band 4 an accuracy tool for measuring health-related parameters in adults and older people an original validation study. Int. J. Environ. Res. Public Health, 19(3). 1593. Doi: https://doi.org/10.3390/ijerph19031593
  45. Ray, S. (2019). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon). IEEE, 35-39. Doi: https://doi.org/10.1109/COMITCon.2019.8862451
  46. Sağıroğlu, H., Coşkun, M.B. ve Erginel, N. (2015). REBA ile bir üretim hattındaki iş istasyonlarının ergonomik risk analizi. Mühendislik Bilimleri ve Tasarım Dergisi, 3(3). 339-345. Doi: https://doi.org/10.21923/MBTD.81484
  47. Simon, S., Dully, J., Dindorf, C., Bartaguiz, E., Becker, S. ve Fröhlich, M. (2024). Impact of fatigue on ergonomic risk scores and foot kinetics: a field study employing ınertial and ın-shoe plantar pressure measurement devices. Sensors, 24(4). 1175. Doi: https://doi.org/10.3390/s24041175
  48. Smith, J. ve Doe, R. (2020). A review on machine learning approaches for predicting human energy expenditure. Journal of Artificial Intelligence and Energy Systems, 12(3). 45-62. Doi: https://doi.org/10.1249/MSS.0b013e31825e825a
  49. Sorhun, E. (2021). Python ile Makine Öğrenmesi. Abaküs Kitap Yayın Eğitim.
  50. Şener, Y. (2020). Makine Öğrenmesinde Train, Validation ve Test Kavramları ile Python Uygulaması. Erişim adresi: https://yigitsener.medium.com/makine-%C3%B6%C4%9Frenmesinde-train-validation-ve-test-kavramlar%C4%B1-ile-python-uygulamas%C4%B1-a60214fb5448
  51. Türksever Dayal, M. (2024). Fiziksel iş yüküne bağlı olarak mola süresinin makine öğrenmesi ile tahmin edilmesi (Yüksek Lisans Tezi). Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
  52. Vafeiadis, T., Diamantaras, K. I., Sarigiannidis, G. ve Chatzisavvas, K. C. (2015). A comparison of machine learning techniques for customer churn prediction. Simulation Modelling Practice and Theory, 55, 1-9. Doi: http://dx.doi.org/10.1016/j.simpat.2015.03.003
  53. Wang, H., Lu, X. ve Zhao, S., (2021). Predictive analytics for energy consumption in manufacturing: a comprehensive review. Energy and AI, 6, 100047. Doi: https://doi.org/10.1016/j.egyai.2021.100047
  54. Yapıcı, F. ve Öztonga, E. (2025). A new scoring system for the Rapid Entıre Body Assessment (REBA) based on fuzzy logic: A case study. Endüstri Mühendisliği, 36(1), 86-101. Doi: https://doi.org/10.46465/endustrimuhendisligi.1673565
  55. Yıldız, B., Akın, N.M., Aydın, F., Gündüz, T. ve Özalp, B.T. (2022) Tekrarlı manual işlerde fizyolojik yükün metabolik hız modellemesi ile analizi. Journal of Industrial Engineering, 33(2). 309-322. Doi: https://doi.org/10.46465/endustrimuhendisligi.1054341
  56. Zhu, X. ve Goldberg, A. B. (2009). Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning. 3(1). 1-130. Erişim adresi: https://www.morganclaypoolpublishers.com/ catalog_Orig/samples/9781627056083_sample.pdf.
  57. Adem, A. ve Dağdeviren, M. (2021). A personnel scheduling model containing thermal comfort and equivalent metabolic rate factors. Journal of the Faculty of Engineering and Architecture of Gazi University, 36(1), 303-317. Erişim adresi: https://www.researchgate.net/profile/Metin-Dagdeviren-2/publication/346997976_ A_personnel_scheduling_model_containing_thermal_comfort_and_equivalent_metabolic_rate_factors/links/61eefef8c5e3103375ba052a/A-personnel-scheduling-model-containing-thermal-comfort-and-equivalent-metabolic-rate-factors.pdf
  58. Akgül, M. N., Baltacı, S., Yıldız, K. C., Özcan, N. ve Akgül, M. Ş. (2021). Covid-19 pandemisinde pilates egzersizi sırasında cerrahi yüz maskesi takmanın etkilerinin Borg skalası özelinde değerlendirilmesi. Akdeniz Spor Bilimleri Dergisi, 4(2). 221-228. Doi: https://doi.org/10.38021/asbid.941184
  59. Alvarez-Garcia, J.A., Cvetkovi, B. ve Lustrek M., (2020). A survey on energy expenditure estimation using wearable devices. ACM Computing Surveys, 53(5), 1-35. Doi: https://doi.org/10.1145/3404482
  60. Arslan, K. (2020). Eğitimde yapay zeka ve uygulamaları. Batı Anadolu Eğitim Bilimleri Dergisi, 11 (1). 71-88. Erişim adresi: https://dergipark.org.tr/en/download/article-file/1174773
  61. Bent, B., Goldstein, B. A., Kibbe, W. A. ve Dunn, J. P. (2020). Investigating sources of inaccuracy in wearable optical heart rate sensors. NPJ Digital Medicine. 3(1), 18. Erişim adresi: https://www.nature.com/articles/s41746-020-0226-6
  62. Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N. ve Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671). 195-202. Doi: https://doi.org/10.1038/nature23474
  63. Budak, H. (2018). Özellik seçim yöntemleri ve yeni bir yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22, 21-31. Erişim adresi: https://dergipark.org.tr/en/download/article-file/552933
  64. Chen, L. ve Wang, S. (2019). Predicting human energy expenditure using wearable sensors and machine learning. Sensors, 19(8). 1785. Doi: https://doi.org/10.3390/s19081785.
  65. Chen, Y., Liu, S. ve Wang, Y. (2020). A review on energy consumption prediction in manufacturing ındustry using machine learning techniques. IEEE Access, 8, 182032-182048. Doi: https://doi.org/10.1109/ACCESS.2020.3028641
  66. Chow, H. W. ve Yang, C. C. (2020). Accuracy of optical heart rate sensing technology in wearable fitness trackers for young and older adults: validation and comparison study. JMIR mHealth and uHealth, 8(4). e14707. Doi: https://doi.org/10.2196/14707
  67. Dolgui A. ve Proth J.M., (2010). Pricing strategies and models, Annual Reviews in Control. 34(1). 101-110. Doi: https://doi.org/10.1016/j.arcontrol.2010.02.005
  68. Dohyung, K. (2021). Comparison of OWAS, RULA and REBA for assessing potential work-related musculoskeletal disorders, International Journal of Industrial Ergonomics, 83,103140. Doi: https://doi.org/10.1016/j.ergon.2021.103140
  69. Frasie, A., Bertrand-Charette, M., Compagnat, M., Bouyer, L. J. ve Roy, J. S. (2024). Validation of the Borg CR10 Scale for the evaluation of shoulder perceived fatigue during work-related tasks. Applied Ergonomics, 116, 104200. Doi: https://doi.org/10.1016/j.apergo.2023.104200
  70. Friedl, M. A., Brodley, C. E. (1997). Decision tree classification of land cover from remotely sensed data. Remote Sensing Of Environment, 61(3). 399-409. Doi: https://doi.org/10.1016/S0034-4257(97)00049-7
  71. Gillinov, S., Etiwy, M., Wang, R., Blackburn, G., Phelan, D., Gillinov, A. M.,. Desai, M. Y. (2017). Variable accuracy of wearable heart rate monitors during aerobic exercise. Medicine Science in Sports Exercise, 49(8). 1697-1703. Doi: https://doi.org/10.1249/MSS.0000000000001284
  72. Gültepe, Y. (2019). Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16). 8-15. Doi: https://doi.org/10.31590/ejosat.530347
  73. Jachymek, M., Jachymek, M. T., Kiedrowicz, R. M., Kajmierczak, J., Pjojska-Gozciniak, E. ve Peregud-Pogorzelska, M. (2021). Wristbands in home-based rehabilitation-Validation of heart rate measurement. Sensors, 22(1). 60. Doi: https://doi.org/10.3390/s22010060
  74. Janiesch, C., Zschech, P. ve Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3). 685-695. Doi: https://doi.org/10.1007/s12525-021-00475-2
  75. Jiao, Z., Huang, K., Wang, Q., Jia, G., Zhong, Z. ve Cai, Y. (2024). Improved REBA: Deep learning based rapid entire body risk assessment for prevention of musculoskeletal disorders. Ergonomics, 67(10), 1356–1370. Doi: https://doi.org/10.1080/00140139.2024.2306315
  76. Kahya, A., Recal, A., Sevincer, Y., Gündüz, T. ve Özmutlu, S. (2021). Evalution of Physical and Mental Fatique in an Assembly Line. Journal of Industrial Engineering, 32(3). 380-395. Erişim adresi: https://dergipark.org.tr/en/pub/endustrimuhendisligi/issue/66238/823892
  77. Kahya, E., Alpaslan, K. ve Şenyüz, G. (2023). Bir metal sanayi işletmesinde ergonomik risk değerlendirme yöntemleriyle bütünleşik iş yüklerinin analizi. Eskişehir Osmangazi Üniversitesi Mühendislik Ve Mimarlık Fakültesi Dergisi, 31(3), 848-861. Doi: https://doi.org/10.31796/ogummf.1316286
  78. Kahya, E., Özgen, C. ve Jorayeva, N. (2024). ergonomik risk değerlendirme yöntemleriyle tespit edilmiş fiziksel iş yükü ile enerji tüketiminin değerlendirilmesi. Eskişehir Osmangazi Üniversitesi Mühendislik Ve Mimarlık Fakültesi Dergisi, 32(2), 1315-1325. Doi: https://doi.org/10.31796/ogummf.1429508
  79. Kalaycı, T. E. (2018). Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5). 870-878. Erişim adresi: https://dergipark.org.tr/tr/pub/pajes/issue/39683/469468
  80. Kansu, S., Parlak, T. ve Güneri, A. F. (2021). Kaynak işlemlerinde çalışan personel için reba metodu ile ergonomik risk değerlendirmesi: Kriyojenik tank imalatı sektöründe bir uygulama. Mühendislik Bilimleri ve Tasarım Dergisi, 9(3). 952-968. Doi: https://doi.org/10.21923/jesd.872665
  81. Kara, D. ve Yıldız, H. (2013). Dispne semptomunun değerlendirilmesinde dispne ölçeklerinin etkinlikleri ve kullanım sıklıkları. Gümüşhane Üniversitesi Sağlık Bilimleri Dergisi, 2(1). 137-149. Erişim adresi: https://dergipark.org.tr/en/pub/gumussagbil/issue/7505/98941
  82. Kim, C., Kim, S. H. ve Suh, M. R. (2022). Accuracy and validity of commercial smart bands for heart rate measurements during cardiopulmonary exercise test. Annals of Rehabilitation Medicine, 46(4). 209. Doi: https://doi.org/10.5535/arm.22050.e
  83. Kul, S., Atıcı Uslu, H. ve Gündüz, T., (2022). Bir tekstil işetmesinde proses kontrol personellerinin hata tespit davranışlarının bilişsel ve fiziksel iş yükü ile değerlendirilmesi. Journal of Industrial Engineering, 33(2). 309-322. Doi: https://doi.org/10.46465/endustrimuhendisligi.1311373
  84. Kumar, N., Venkatachalam, S., Subramaniam, S., Nithyaprakash, R., Elavarasan, A. J., Krishnashankar, E.,. Prakash, C. (2023). Ergonomic evaluation of different working posture and handle designs of mason trowel during wall plastering work based on shoulder and arm muscle activity. Journal of Scientific Industrial Research. 82(9). 938-946. Doi: https://doi.org/10.56042/jsir.v82i9.4009
  85. Li, Q., Wang, Y. ve Wang, Z., (2018). Predictive maintenance and energy efficiency in manufacturing: A review of machine learning applications. Journal of Manufacturing Systems, 48, 111-122. Doi: https://doi.org/10.1016/j.jmsy.2018.06.012
  86. Lindegård, A., Grimby-Ekman, A., Wahlström, J. ve Gustafsson, E. (2024). Can biofeedback training in combination with ergonomic information reduce pain among young adult computer users with neck and upper extremity symptoms?-A randomized controlled intervention study. Applied Ergonomics, 114, 104155, Doi: https://doi.org/10.1016/j.apergo.2023.104155
  87. Mert, U., İde, D. ve Gündüz, T. (2022). Otomotiv sektörü prograsif kalıp hattında ergonomik üretim tasarımı ile verimliliğin arttırılması. Endüstri Mühendisliği, 33(2). 289-308. Doi: https://doi.org/10.46465/endustrimuhendisligi.1037667
  88. Monkeylearn. (2021). An Introduction to Machine Learning. Erişim adresi: https://monkeylearn.com/machine-learning/.
  89. O'Driscoll, R., Turicchi, J., Hopkins, M., Duarte, C., Horgan, G. W., Finlayson, G. ve Stubbs, R. J. (2021). Comparison of the validity and generalizability of machine learning algorithms for the prediction of energy expenditure: validation study. JMIR mHealth and uHealth, 9(8). Doi: https://doi.org/10.2196/23938
  90. Pasadyn, S. R., Soudan, M., Gillinov, M., Houghtaling, P., Phelan, D., Gillinov, N. ve Desai, M. Y. (2019). Accuracy of commercially available heart rate monitors in athletes: a prospective study. Cardiovascular Diagnosis And Therapy, 9(4). 379. Doi: https://doi.org/10.21037/cdt.2019.06.05
  91. Perez, A.C., Roman, P.A.L., Jimenez, M.M., Zurita, M.L., Aguilera, J.A.L., Montilla, J.A.P. ve Lineras, J.C.C, (2022). Is the Xiaomi Mi Band 4 an accuracy tool for measuring health-related parameters in adults and older people an original validation study. Int. J. Environ. Res. Public Health, 19(3). 1593. Doi: https://doi.org/10.3390/ijerph19031593
  92. Ray, S. (2019). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon). IEEE, 35-39. Doi: https://doi.org/10.1109/COMITCon.2019.8862451
  93. Sağıroğlu, H., Coşkun, M.B. ve Erginel, N. (2015). REBA ile bir üretim hattındaki iş istasyonlarının ergonomik risk analizi. Mühendislik Bilimleri ve Tasarım Dergisi, 3(3). 339-345. Doi: https://doi.org/10.21923/MBTD.81484
  94. Simon, S., Dully, J., Dindorf, C., Bartaguiz, E., Becker, S. ve Fröhlich, M. (2024). Impact of fatigue on ergonomic risk scores and foot kinetics: a field study employing ınertial and ın-shoe plantar pressure measurement devices. Sensors, 24(4). 1175. Doi: https://doi.org/10.3390/s24041175
  95. Smith, J. ve Doe, R. (2020). A review on machine learning approaches for predicting human energy expenditure. Journal of Artificial Intelligence and Energy Systems, 12(3). 45-62. Doi: https://doi.org/10.1249/MSS.0b013e31825e825a
  96. Şener, Y. (2020). Makine Öğrenmesinde Train, Validation ve Test Kavramları ile Python Uygulaması. Erişim adresi: https://yigitsener.medium.com/makine-%C3%B6%C4%9Frenmesinde-train-validation-ve-test-kavramlar%C4%B1-ile-python-uygulamas%C4%B1-a60214fb5448
  97. Vafeiadis, T., Diamantaras, K. I., Sarigiannidis, G. ve Chatzisavvas, K. C. (2015). A comparison of machine learning techniques for customer churn prediction. Simulation Modelling Practice and Theory, 55, 1-9. Doi: http://dx.doi.org/10.1016/j.simpat.2015.03.003
  98. Wang, H., Lu, X. ve Zhao, S., (2021). Predictive analytics for energy consumption in manufacturing: a comprehensive review. Energy and AI, 6, 100047. Doi: https://doi.org/10.1016/j.egyai.2021.100047
  99. Yapıcı, F. ve Öztonga, E. (2025). A new scoring system for the Rapid Entıre Body Assessment (REBA) based on fuzzy logic: A case study. Endüstri Mühendisliği, 36(1), 86-101. Doi: https://doi.org/10.46465/endustrimuhendisligi.1673565
  100. Yıldız, B., Akın, N.M., Aydın, F., Gündüz, T. ve Özalp, B.T. (2022) Tekrarlı manual işlerde fizyolojik yükün metabolik hız modellemesi ile analizi. Journal of Industrial Engineering, 33(2). 309-322. Doi: https://doi.org/10.46465/endustrimuhendisligi.1054341
  101. Zhu, X. ve Goldberg, A. B. (2009). Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning. 3(1). 1-130. Erişim adresi: https://www.morganclaypoolpublishers.com/ catalog_Orig/samples/9781627056083_sample.pdf.