KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 2

İşgücü devir hızı ve kurumda kalan vade tahmini için makine öğrenmesi temelli karar destek sistemi

A machine learning based decision support system for predicting employee turnover and remaining life in organization

Banu Soylu(ERCİYES ÜNİVERSİTESİ)0009-0007-2784-6929
Sinem Evra Çelik0009-0004-8732-1567
Nur Ebrar Tüfekci0009-0009-7725-6171
Esra Sayın0000-0003-4164-7583
Sayfa
967–980
Yayın Tarihi
2026-07-20
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sistemden toplanan verileri girdi olarak alıp, istatistiksel analiz ve tahminleme yaparak, mevcut kritik personeller için uyarı verecek bir karar destek sistemi tasarlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde birçok işletme için işgücü sirkülasyonu önemli bir sorun haline gelmiş olup, insan kaynakları yönetimi ve üretimin sürdürülebilirliği için bir endişe sebebidir.
📊
Temel Bulgular & Veri:Vasıflı bir çalışanın işletmeden plansız şekilde ayrılmasının, operasyon verimliliğini, işyükü dengesini ve çalışanların motivasyonunu olumsuz olarak etkilediği literatürde bilinmektedir.
💡
Sonuç & Katkı:Sistemden toplanan verileri girdi olarak alıp, istatistiksel analiz ve tahminleme yaparak, mevcut kritik personeller için uyarı verecek bir karar destek sistemi tasarlanmıştır.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine öğrenme · Karar destek sistemi · İnsan kaynakları analitiği

Özet

Günümüzde birçok işletme için işgücü sirkülasyonu önemli bir sorun haline gelmiş olup, insan kaynakları yönetimi ve üretimin sürdürülebilirliği için bir endişe sebebidir. Vasıflı bir çalışanın işletmeden plansız şekilde ayrılmasının, operasyon verimliliğini, işyükü dengesini ve çalışanların motivasyonunu olumsuz olarak etkilediği literatürde bilinmektedir. Çalışanların işletmede ne kadar süre daha görevine devam edeceğinin (kalan verimli çalışma süresi/vadesi) tahmin edilmesi gereklidir. Bu tahmin, çalışana verilecek terfi ve teşvikler için yol gösterici olacaktır. Bu çalışmada amacımız, çalışan sirkülasyonunun sürdürülebilir bir şekilde yönetimini sağlayacak bir karar destek sistemini oluşturmaktır. Bu doğrultuda işletmeler/karar vericiler, karar destek sistemini kullanarak çalışanlarının sosyal, psikolojik, fizyolojik ve kültürel etkenlerinin işgücü sirkülasyonundaki etkilerini izleyebilir ve proaktif yaklaşım geliştirebilirler. Bu çalışmada, büyük ölçekli bir mobilya üreticisinin üretim departmanındaki son 10 yılda işten ayrılan mavi yaka çalışanları incelenmiştir. Çalışanların işten çıkış sebebine etki edebilecek faktörler havuzu oluşturulmuş ve işletme veri kaynaklarından elde edilebilecek öznitelikler seçilmiştir. Sistemden elde edilen verilerin istatistiksel analizi yapılmıştır. Makine öğrenme teknikleri kullanılarak çalışanın çıkış nedenini ve kurumda geçireceği günü tahmin eden modeller oluşturulmuştur. Sistemden toplanan verileri girdi olarak alıp, istatistiksel analiz ve tahminleme yaparak, mevcut kritik personeller için uyarı verecek bir karar destek sistemi tasarlanmıştır.

Abstract

Nowadays, employee turnover has become an important problem for many businesses and is a cause of concern for human resource management and the sustainability of production. It is known in the literature that the unplanned departure of a skilled employee negatively affects operational efficiency, workload balance, and employee motivation. It is necessary to estimate how long the employees will continue to work in the organization (remaining productive working time/life). This prediction will be a guide for promotions and incentives to be given to the employee. In this study, our aim is to create a decision support system that will enable the sustainable management of employee turnover. In this direction, businesses/decision makers can monitor the effects of social, psychological, physiological, and cultural factors of their employees on labor turnover and develop a proactive approach by using the decision support system. In this study, blue-collar employees who left their jobs in the last 10 years in the production department of a large-scale furniture manufacturer were analyzed. A pool of factors that may affect employee turnover was created, and attributes that can be obtained from business data sources were selected. The data obtained from the system were statistically analyzed. Using machine learning techniques, models were built to predict the reason for the employee's leave and the day he/she will spend in the organization. A decision support system has been designed to receive data from the system as input, perform statistical analysis and prediction, and provide warnings for existing critical personnel.

🔖

Bu Makaleye Atıf Yap

Soylu, B., Çelik, S. E., Tüfekci, N. E., Sayın, E. (2026). İşgücü devir hızı ve kurumda kalan vade tahmini için makine öğrenmesi temelli karar destek sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 2, 967–980. https://doi.org/10.17341/gazimmfd.1562904

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (56)

  1. Alao, D.A.B.A., Adeyemo, A.B., Analyzing employee attrition using decision tree algorithms, Computing, Information Systems, Development Informatics and Allied Research Journal, 4 (1), 17-28, 2013.
  2. Sexton, R. S., McMurtrey, S., Michalopoulos, J. O., Smith, A. M., Employee turnover: a neural network solution, Computers & Operations Research, 32 (10), 2635-2651, 2005.
  3. Fan, C. Y., Fan, P. S., Chan, T. Y., Chang, S. H., Using hybrid data mining and machine learning clustering analysis to predict the turnover rate for technology professionals, Expert Systems with Applications, 39 (10), 8844-8851, 2012.
  4. Pekel Özmen, E., Özcan, T., A novel deep learning model based on convolutional neural networks for employee churn prediction, Journal of Forecasting, 41 (3), 539-550, 2022.
  5. Lazzari, M., Alvarez, J. M., Ruggieri, S., Predicting and explaining employee turnover intention, International Journal of Data Science and Analytics, 14 (3), 279-292, 2022.
  6. Jain, N., Tomar, A., Jana, P. K., A novel scheme for employee churn problem using multi-attribute decision making approach and machine learning, Journal of Intelligent Information Systems, 56, 279-302, 2021.
  7. Alsheref, F. K., Fattoh, I. E., M. Ead, W., Automated prediction of employee attrition using ensemble model based on machine learning algorithms, Computational Intelligence and Neuroscience, 2022 (1), 7728668, 2022.
  8. Al Akasheh, M., Malik, E. F., Hujran, O., Zaki, N., A Decade of Research on Data Mining Techniques for Predicting Employee Turnover: A Systematic Literature Review, Expert Systems with Applications, 121794, 2023.
  9. Jain, P. K., Jain, M., Pamula, R., Explaining and predicting employees’ attrition: a machine learning approach, SN Applied Sciences, 2 (4), 757, 2020.
  10. Avrahami, D., Pessach, D., Singer, G., Chalutz Ben-Gal, H., A human resources analytics and machine-learning examination of turnover: implications for theory and practice, International Journal of Manpower, 43 (6), 1405-1424, 2022.
  11. Jiang, Y., Akdere, M., An operational conceptualization of human resource analytics: implications for in human resource development, Industrial and Commercial Training, 54 (1), 183-200, 2022. 12. Al-Suraihi, W. A., Samikon, S. A., Al-Suraihi, A. H. A., Ibrahim, I., Employee turnover: Causes, importance and retention strategies, European Journal of Business and Management Research, 6 (3), 1-10, 2021.
  12. Osborne, S., Hammoud, M.S., Effective employee engagement in the workplace, International Journal of Applied Management and Technology, 16 (1), 4, 2017.
  13. Yiğit, İ. O., Shourabizadeh, H., An approach for predicting employee churn by using data mining, In 2017 international artificial intelligence and data processing symposium (IDAP), 1-4, IEEE, September 2017.
  14. Gao, X., Wen, J., Zhang, C., An improved random forest algorithm for predicting employee turnover, Mathematical Problems in Engineering, 2019 (1), 4140707, 2019.
  15. Najafi-Zangeneh, S., Shams-Gharneh, N., Arjomandi-Nezhad, A., Hashemkhani Zolfani, S., An improved machine learning-based employees attrition prediction framework with emphasis on feature selection, Mathematics, 9 (11), 1226, 2021.
  16. Naz, K., Siddiqui, I. F., Koo, J., Khan, M. A., Qureshi, N. M. F., Predictive modeling of employee churn analysis for IoT-enabled software industry, Applied Sciences, 12 (20), 10495, 2022.
  17. Frierson, J., Si, D., Who’s next: Evaluating attrition with machine learning algorithms and survival analysis, In Big Data–BigData 2018: 7th International Congress, Held as Part of the Services Conference Federation, SCF 2018, Seattle, WA, USA, June 25–30, 2018, Proceedings, Springer International Publishing, 251-259, 2018.
  18. Meng, Q., Zhu, H., Xiao, K., Zhang, L., Xiong, H., A hierarchical career-path-aware neural network for job mobility prediction, In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining, 14-24, July 2019.
  19. Marín Díaz, G., Galán Hernández, J. J., & Galdón Salvador, J. L., Analyzing employee attrition using explainable AI for strategic HR decision-making. Mathematics, 11 (22), 4677, 2023.
  20. Mortezapour Shiri, F., Yamaguchi, S., & Ahmadon, M. A. B., A Deep Learning Model Based on Bidirectional Temporal Convolutional Network (Bi-TCN) for Predicting Employee Attrition. Applied Sciences, 15 (6), 2984, 2025.
  21. Fang, Y., & Zhang, Z., Employee Turnover Prediction Model Based on Feature Selection and Imbalanced Data Han-dling. IEEE Access, 2025.
  22. Baydili, İ. T., & Tasci, B., Predicting employee attrition: XAI-powered models for managerial decision-making. Systems, 13 (7), 583, 2025.
  23. Bao, L., Xing, Z., Xia, X., Lo, D., & Li, S., Who will leave the company?: a large-scale industry study of developer turnover by mining monthly work report, In 2017 IEEE/ACM 14th International Conference on Mining Software Repositories (MSR), IEEE, 170-181, May 2017.
  24. Sisodia, D. S., Vishwakarma, S., Pujahari, A., Evaluation of machine learning models for employee churn prediction, In 2017 international conference on inventive computing and informatics (icici), IEEE, 1016-1020, November 2017.
  25. Alamsyah, A., Salma, N, A comparative study of employee churn prediction model, In 2018 4th international conference on science and technology (ICST), IEEE, 1-4, August 2018.
  26. Rombaut, E., Guerry, M. A., Predicting voluntary turnover through human resources database analysis, Management Research Review, 41 (1), 96-112, 2018.
  27. Yadav, S., Jain, A., Singh, D., Early prediction of employee attrition using data mining techniques, In 2018 IEEE 8th international advance computing conference (IACC), 349-354, IEEE, December 2018.
  28. Alduayj, S. S., Rajpoot, K., Predicting employee attrition using machine learning, In 2018 international conference on innovations in information technology (iit), IEEE, 93-98, November 2018.
  29. Zhao, Y., Hryniewicki, M. K., Cheng, F., Fu, B., Zhu, X., Employee turnover prediction with machine learning: A reliable approach, In Intelligent Systems and Applications: Proceedings of the 2018 Intelligent Systems Conference (IntelliSys), Springer International Publishing, 2, 737-758, 2019.
  30. Cai, X., Shang, J., Jin, Z., Liu, F., Qiang, B., Xie, W., Zhao, L., DBGE: employee turnover prediction based on dynamic bipartite graph embedding, IEEE Access, 8, 10390-10402, 2020.
  31. El-Rayes, N., Fang, M., Smith, M., Taylor, S. M., Predicting employee attrition using tree-based models, International Journal of Organizational Analysis, 28 (6), 1273-1291, 2020.
  32. Fallucchi, F., Coladangelo, M., Giuliano, R., De Luca, E. W., Predicting employee attrition using machine learning techniques, Computers, 9 (4), 1–17, 2020.
  33. Al-Darraji, S., Honi, D. G., Fallucchi, F., Abdulsada, A. I., Giuliano, R., Abdulmalik, H. A., Employee attrition prediction using deep neural networks, Computers, 10 (11), 141, 2021.
  34. Kang, I. G., Croft, B., & Bichelmeyer, B. A., Predictors of turnover intention in US Federal Government Workforce: Machine learning evidence that perceived comprehensive HR practices predict turnover intention, Public Personnel Management, 50 (4), 538-558, 2021.
  35. Yahia, N. B., Hlel, J., Colomo-Palacios, R., From big data to deep data to support people analytics for employee attrition prediction, IEEE Access, 9, 60447-60458, 2021.
  36. Thompson, S. C., Holmgren, A. J., Ford, E. W., Information system use antecedents of nursing employee turnover in a hospital setting, Health Care Management Review, 47 (1), 78-85, 2022.
  37. Chung, D., Yun, J., Lee, J., Jeon, Y, Predictive model of employee attrition based on stacking ensemble learning, Expert Systems with Applications, 215, 119364, 2023.
  38. Mozaffari, F., Rahimi, M., Yazdani, H., Sohrabi, B., Employee attrition prediction in a pharmaceutical company using both machine learning approach and qualitative data, Benchmarking: An International Journal, 30 (10), 4140-4173, 2023.
  39. Yuan, S., Kroon, B., Kramer, A., Building prediction models with grouped data: A case study on the prediction of turnover intention, Human Resource Management Journal, 34 (1), 20-38, 2024.
  40. Nawaz, M. S., Nawaz, M. Z., Fournier-Viger, P., Luna, J. M., Analysis and classification of employee attrition and absenteeism in industry: A sequential pattern mining-based methodology, Computers in Industry, 159, 104106, 2024.
  41. Shafie, M. R., Khosravi, H., Farhadpour, S., Das, S., & Ahmed, I., A cluster-based human resources analytics for predicting employee turnover using optimized Artificial Neural Networks and data augmentation. Decision Analytics Journal, 11, 100461, 2024.
  42. Süllü, N., Kurt, A., İşten Ayrılma Durumunun Tahminlenmesinde Makine Öğrenmesi Algoritmaları Kullanımı–Demir Çelik Sektöründe Bir Uygulama. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8 (4), 1525-1543, 2025.
  43. Wang, X., Wang, H., Wang, H., Zhang, L., Cao, X., Constructing a decision support system for management of employee turnover risk, Information technology and management, 12, 187-196, 2011.
  44. Demirel, H., Ekmekci, Ö. T., Mavi Yakalı Çalışanların İşten Ayrılma Eğilimleri ve Psikolojik Sermaye İlişkisinde Çalışan İyi Olma Halinin Aracı Rolü: Mobilya Sektörü Üzerine Bir Alan Araştırması, Sosyoekonomi, 30 (54), 421-441, 2022.
  45. Çınar, C., Esatoğlu, A.E., Kamu Hastanelerinde Çalışan Hemşireleri İşte Tutmayı Etkileyen Faktörler: Sistematik Derleme, Artvin Çoruh Üniversitesi Uluslararası Sosyal Bilimler Dergisi, 9 (1), 72-90, 2023.
  46. Kapancı, A., Karatepe, S. G., Üretim İşletmelerinde Çalışan Mavi Yakalı İşçilerin Çalışma Koşullarının Deneme Süresindeki Personel Devir Oranlarına Etkilerinin İncelenmesi Üzerine Bir Araştırma, Premium e-Journal of Social Sciences (PEJOSS), 7 (37), 2033-2051, 2023.
  47. Breiman, L, Friedman, J., Stone, C.J., Olshen, R.A., Classification and Regression Trees, CRC Press, 1984.
  48. Webb, G.I., Sammut, C., Perlich, C., Horvath, T., Wrobel, S., Korb, K.B., Noble, W.S., Leslie, ´C., Lagoudakis, M.G., Quadrianto, N., Buntine, W.L., Quadrianto, N., Buntine, W.L., Getoor, L., Namata, G., Getoor, L., Xin Jin, J.H., Ting, J.A., Vijayakumar, S., Schaal, S., Raedt, L.D., Logistic regression, In Encyclopedia of Machine Learning, US: Springer, 631–631, 2011.
  49. Breiman, L., Random forests, Machine learning, 45, 5-32, 2001.
  50. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W.,., Liu, T. Y., Lightgbm: A highly efficient gradient boosting decision tree, Advances in neural information processing systems, 30, 2017.
  51. Langley, P., Iba, W., Thompson, K., 1992, An analysis of Bayesian classifiers, In Aaai, 90, 223-228, 2017.
  52. Cortes, C., Vapnik, V., Support-vector networks, Machine learning, 20, 273-297, 1995.
  53. Xu, L., Skoularidou, M., Cuesta-Infante, A., & Veeramachaneni, K., Modeling tabular data using conditional gan. Advances in neural information processing systems, 32, 20219.
  54. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S.,. & Bengio, Y., Generative adversarial networks. Communications of the ACM, 63 (11), 139-144, 2020.
  55. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W.,., Liu, T. Y., Lightgbm: A highly efficient gradient boosting decision tree, Advances in neural information processing systems, 30, 2017.
  56. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S.,. & Bengio, Y., Generative adversarial networks. Communications of the ACM, 63 (11), 139-144, 2020.