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: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- 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: 85
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
- Bir iş yerinde analitik hiyerarşik proses kullanılarak iş atama ve takip sistemi oluşturulması
Making a task appointment and follow system in a workplace by using analytical hierarchy process
EBUBEKİR SIDDIK ATAR
Yüksek Lisans
Türkçe
2015
Bilim ve TeknolojiBahçeşehir ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. MEHMET ALPER TUNGA
- Delphi metodu ile coğrafi yazılım geliştirmedeki standart riskin ve azaltma stratejilerinin geliştirilmesi
Improving of standard risks and mitigation strategies in geographic software development with delphi method
MOHAMED S.M. HASNI
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURHAN KÖPRÜBAŞI
- Toplam verimli bakım için yazılım seçimi ve süreç iyileştirme
Software selection for total productive maintenance and process improvement
CEYHUN NEŞELİOĞLU
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri MühendisliğiÇukurova ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OYA H. YÜREĞİR
DR. ÖĞR. ÜYESİ MURAT OTURAKÇI
- Hata raportörünün itibarının hesaplanması ve itibarın hata çözüm süresine etkisi
Measuring bug reporter's reputation and its effect on bug resolution time
MUHAMMED KADİR YÜCEL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- Şeritsel toprak işlemeli ve hassas ilaçlama yapabilen tek dane ekim makinasının tasarımı ve geliştirilmesi
Design and development of precision planter equipped with strip till and selective herbicide sprayer
ZİYA ALTINÖZ
Doktora
Türkçe
2023
ZiraatEge ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ERDEM AYKAS