Proje takip yazılımında yapay zeka tabanlı duygu analizi
Artifical intelligence based sentiment analysis in project tracking software
- Tez No: 932238
- Danışmanlar: DOÇ. DR. MEHMET ZEKİ KONYAR
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında proje takip yazılımı olan Jira yorumları üzerinde duygu analizi yöntemi ile olumlu, olumsuz ve nötr ifadelerin tahminleme işlemi gerçekleştirilmiştir. Proje takip yazılımları projelerin planlanması, yürütülmesi ve işlerin izlemesini kolaylaştıran bir yazılımdır. Çalışmanın amacı, şirketlerin proje takip yazılımlarında duygu analizi yöntemi kullanarak hızlı ve daha az maliyetli bir şekilde müşteri memnuniyetini belirlemeleridir. Bu çalışmada Kaggle platformundan elde edilen Jira yorumlarının bulunduğu ve pozitif, negatif, nötr olarak etiketlenmiş 5869 satırlık veri seti kullanılmıştır. Veri ön işleme aşamaları yapıldıktan somra TF-IDF ve count vectorizer vektörizasyon teknikleri kullanılarak makine öğrenmesi algoritmaları olan Destek vektör makineleri (DVM), Karar ağacı (KA), Rastgele orman (RO), Ekstrem gradyan arttırma (XGBoost), K-en yakın komşu (EYK), Multinomial naive bayes (MNB) ve Gaussian naive bayes (GNB) ile modelleme işlemi yapılmıştır. Duygu analizinde en çok kullanılan yöntemlerden biri olan BERT modeli uygulanmış ve BERT modeli ile makine öğrenmesi yöntemlerinden DVM, GNB ve RO algoritmaları hibrit bir şekilde çalıştırılmıştır. K-En Yakın Komşular, XGBoost, RO ve DVM algoritmaları için Gridsearch ile hiperparametre optimizasyonu yapılmıştır. Doğruluk, kesinlik, duyarlılık, F1 puanı, hata matrisi, ROC analizi metrikleriyle modellerin performansları değerlendirilmiştir. Deneysel sonuçlara göre en yüksek sınıflandırma doğruluğu count vectorizer yönteminde XGBoost algoritması ile %86,4 olarak elde edilmiştir. Count vectorizer yöntemi algoritmalarının ortalama doğruluğu %76,2 TF-IDF yöntemi algoritmalarının ortalama doğruluğu %76,9 Gridsearch yöntemi algoritmalarının ortalama doğruluğu %77,7, BERT modeli ve BERT modeliyle hibrit çalışan DVM, GNB ve RO algoritmalarının ortalama doğruluk değeri ise %79,4 olarak tespit edilmiştir.
Özet (Çeviri)
This thesis study aims to predict positive, negative, and neutral expressions using sentiment analysis on comments from the project tracking software, Jira. Project tracking software facilitates project planning, execution, and monitoring of tasks. The objective of this study is to enable companies to determine customer satisfaction in project tracking software quickly and cost-effectively by using sentiment analysis techniques. In this study, a dataset containing Jira comments obtained from the Kaggle platform, labeled as positive, negative, or neutral, consisting of 5,869 rows, was used. After performing data preprocessing steps, vectorization techniques such as TF-IDF and Count Vectorizer were applied, and machine learning algorithms, including Support Vector Machines (SVM), Decision Tree (DT), Random Forest (RF), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), Multinomial Naive Bayes (MNB), and Gaussian Naive Bayes (GNB), were utilized for modeling. The BERT model, one of the most commonly used methods in sentiment analysis, was applied, and hybrid models combining BERT with SVM, GNB, and RF were implemented. Hyperparameter optimization was conducted using the GridSearch method for K-Nearest Neighbors, XGBoost, RF, and SVM algorithms. The performance of the models was evaluated using accuracy, precision, recall, F1-score, confusion matrix, and ROC analysis metrics. According to experimental results, the highest classification accuracy was achieved using the Count Vectorizer method with the XGBoost algorithm, reaching 86.4%. The average accuracy of algorithms using the Count Vectorizer method was found to be 76.2%, while the TF-IDF method yielded an average accuracy of 76.9%. The GridSearch method improved the average accuracy to 77.7%, and the BERT model, along with its hybrid combinations with SVM, GNB, and RF, achieved an average accuracy of 79.4%.
Benzer Tezler
- Konfeksiyon işletmelerinde performans ölçümleri ve işgücü planlanmasına katkıları
Başlık çevirisi yok
SEVİN BRAV
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. NAZMİ ERCAN
- Hidrolik sistemli bir lizimetrenin kurulması ve toprak su bütçesinin belirlenmesinde kullanılma olanaklarının araştırılması
Başlık çevirisi yok
BEYRAMALİ AZİZİ
- Öğretim dalı dersliği yönteminin ortaöğretim kuruluşlarında uygulanması ve sınıf dersliği yöntemi ile karşılaştırılması
Başlık çevirisi yok
MEHMET SOYLU
Yüksek Lisans
Türkçe
1986
Eğitim ve ÖğretimGazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. UMUR ERKMAN
- Mevcut kaplıca yerleşmelerinin iyileştirilmesini etkileyen faktörler ve Yeni Kaplıca örneği
Adjustment principles of spas in Turkey, Yeni Kaplıca being the sample
DOĞAN ÜMİT YÜCEL
- Etilalkol-su karışımının reftifikasyonu
Başlık çevirisi yok
MELSA YILDIZDOĞAN
Yüksek Lisans
Türkçe
1987
Kimya MühendisliğiEge ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDEN ALPAY
- Dört zamanlı türbaşarj direk püskürtmeli bir dizel motorunun bilgisayar ile sümülasyonu
Computer aided simulation of a fourstroke turbocharged direct-anjection diesel engine
MUSTAFA BALCI