INTEGRATION OF CNN BASED DEEP LEARNING AND MACHINE LEARNING TECHNIQUES: A NOVEL METHODOLOGY IN JOB SEPARATION PREDICTIONS

Yunus Emre Gür; Cem Ayden

Makale detayları

INTEGRATION OF CNN BASED DEEP LEARNING AND MACHINE LEARNING TECHNIQUES: A NOVEL METHODOLOGY IN JOB SEPARATION PREDICTIONS

Yazarlar:

Yunus Emre Gür | Cem Ayden

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

İşletme | İş Sistemleri (Diğer)

Dergi:

Uluslararası Yönetim İktisat ve İşletme Dergisi Vol.21 Issue 1, pp.161-198

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343603

pISSN:

2147-9208

Anahtar kelimeler:

Özet:

 Labor turnover leads to significant cost and productivity losses for organizations. This paper presents an innovative approach that goes beyond traditional statistical models and integrates machine learning and deep learning techniques to improve turnover prediction. By transforming the variables in the dataset into 2D QR code images, the study enables CNN-based deep learning models to perform classification on these images. This innovative step demonstrates the potential of deep learning models to analyze more complex data structures using visual data processing capabilities. After evaluating various machine learning models, the researchers performed deep learning-based feature extraction using the ResNet-18 model. Then, based on the 10 most influential features selected using the RelieF algorithm, the optimized Light Gradient Boosting LightGBM  model achieved excellent performance metrics of 100 accuracy, 100 precision, and 100 F1-score. These results show that this model exhibits high efficiency in turnover prediction and can make significant contributions to human resource management.

 Labor turnover leads to significant cost and productivity losses for organizations. This paper presents an innovative approach that goes beyond traditional statistical models and integrates machine learning and deep learning techniques to improve turnover prediction. By transforming the variables in the dataset into 2D QR code images, the study enables CNN-based deep learning models to perform classification on these images. This innovative step demonstrates the potential of deep learning models to analyze more complex data structures using visual data processing capabilities. After evaluating various machine learning models, the researchers performed deep learning-based feature extraction using the ResNet-18 model. Then, based on the 10 most influential features selected using the RelieF algorithm, the optimized Light Gradient Boosting LightGBM  model achieved excellent performance metrics of 100 accuracy, 100 precision, and 100 F1-score. These results show that this model exhibits high efficiency in turnover prediction and can make significant contributions to human resource management.

 Labor turnover leads to significant cost and productivity losses for organizations. This paper presents an innovative approach that goes beyond traditional statistical models and integrates machine learning and deep learning techniques to improve turnover prediction. By transforming the variables in the dataset into 2D QR code images, the study enables CNN-based deep learning models to perform classification on these images. This innovative step demonstrates the potential of deep learning models to analyze more complex data structures using visual data processing capabilities. After evaluating various machine learning models, the researchers performed deep learning-based feature extraction using the ResNet-18 model. Then, based on the 10 most influential features selected using the RelieF algorithm, the optimized Light Gradient Boosting LightGBM  model achieved excellent performance metrics of 100 accuracy, 100 precision, and 100 F1-score. These results show that this model exhibits high efficiency in turnover prediction and can make significant contributions to human resource management.

 İşgücü devri, organizasyonlar için önemli maliyet ve verimlilik kayıplarına yol açmaktadır. Bu çalışma, işten ayrılma tahminlerini geliştirmek amacıyla, geleneksel istatistiksel modellerin ötesine geçerek makine öğrenimi ve derin öğrenme tekniklerini entegre eden yenilikçi bir yaklaşım sunmaktadır. Çalışma, veri setindeki değişkenleri 2B karekod görüntülerine dönüştürmek suretiyle, CNN tabanlı derin öğrenme modellerinin bu görüntüler üzerinde sınıflandırma yapabilmesini sağlamıştır. Bu yenilikçi adım, derin öğrenme modellerinin görsel veri işleme yeteneklerini kullanarak daha karmaşık veri yapılarını analiz etme potansiyelini ortaya koymaktadır. Araştırma, çeşitli makine öğrenmesi modellerini değerlendirdikten sonra ResNet-18 modeli kullanılarak derin öğrenme tabanlı özellik çıkarımı gerçekleştirilmiştir. Daha sonra, RelieF algoritması kullanılarak seçilen en etkili 10 özelliğe dayanarak optimize edilmiş Hafif Gradyan Artırma LighhtGBM modeli, 100 doğruluk, 100 hassasiyet ve 100 F1-skoru gibi mükemmel performans metrikleri elde etmiştir. Bu sonuçlar, bu modelin işten ayrılma tahminlerinde yüksek etkinlik sergilediğini ve insan kaynakları yönetimi pratiğine önemli katkılarda bulunabileceğini göstermektedir.

Makale detayları

INTEGRATION OF CNN BASED DEEP LEARNING AND MACHINE LEARNING TECHNIQUES: A NOVEL METHODOLOGY IN JOB SEPARATION PREDICTIONS

Yazarlar:

Yunus Emre Gür | Cem Ayden

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

İşletme | İş Sistemleri (Diğer)

Dergi:

Uluslararası Yönetim İktisat ve İşletme Dergisi Vol.21 Issue 1, pp.161-198

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343603

pISSN:

2147-9208

CNN-Based Deep Learning

Machine Learning

Job Separation Estimation

RelieF Feature Selection

2D QR TransformationCNN Tabanlı Derin Öğrenme

Makine Öğrenmesi

İşten Ayrılma Tahmini

RelieF Özellik Seçimi

2B Karekod Dönüşümü

Sayı

Makale detayları

Yazarlar: Yunus Emre Gür | Cem Ayden

Yayıncı: Zonguldak Bulent Ecevit University

Ana Başlıklar: İşletme | İş Sistemleri (Diğer)

Dergi: Uluslararası Yönetim İktisat ve İşletme Dergisi Vol.21 Issue 1, pp.161-198

Belge Tipi: Makale

Yayın Tarihi: 3/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001343603

pISSN: 2147-9208

Sayı

Yazarlar:

Yunus Emre Gür | Cem Ayden

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

İşletme | İş Sistemleri (Diğer)

Dergi:

Uluslararası Yönetim İktisat ve İşletme Dergisi Vol.21 Issue 1, pp.161-198

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001343603

pISSN:

2147-9208