=Paper=
{{Paper
|id=None
|storemode=property
|title=Risk Faktörleri ve Risk Değerlendirme Modellerinin Farklı Veri Setleri Üzerinde Gerçeklenmesi
|pdfUrl=https://ceur-ws.org/Vol-1072/submission26.pdf
|volume=Vol-1072
|dblpUrl=https://dblp.org/rec/conf/uyms/UnudulmazKC13
}}
==Risk Faktörleri ve Risk Değerlendirme Modellerinin Farklı Veri Setleri Üzerinde Gerçeklenmesi==
https://ceur-ws.org/Vol-1072/submission26.pdf
RİSK FAKTÖRLERİ ve RİSK DEĞERLENDİRME
MODELLERİNİN FARKLI VERİ SETLERİ
ÜZERİNDE GERÇEKLENMESİ
Ahmet Unudulmaz1, Oya Kalıpsız², ve M. Özgür Cingiz³
1,2,3
Bilgisayar Mühendisliği Bölümü, Yıldız Teknik Üniversitesi, İstanbul
¹ahmetunudulmaz@gmail.com
2,3
{kalipsiz,mozgur}@yildiz.edu.tr
Özet. Başarısız giden birçok proje, hatalı yönetilen süreçler, ürünlerin ve pro-
jelerin zamanında teslim edilememesi, maliyetlerde oluşan aşırı artışlar yazılım
mühendisliğinde risk yönetiminin önemini günden güne arttırmaktadır. Özel-
likle risklerin düzgün bir şekilde ele alınamaması, projeler arası risk türlerinin
ve gruplarının farklılaşması, şirket/kurum içi yapılan risk yönetimi ve risk ana-
lizi çalışmalarının ölçülememesi de bu durumu karmaşıklaştırmaktadır. Bu
çalışmada risk faktörleri, sınıflandırıcı yöntemleri ve model performans yapıları
incelenmekte, ayrıca 2 farklı şirketin veri setlerinin karşılaştırılmasına da yer
verilmektedir.Gerçekleştirilen uygulamada, farklı firmaların veri setleri
üzerinde faktör kararı verilerek gereksiz risk faktörlerinin projelerden çıkarıl-
ması sağlanmış, 32 risk faktörü kendi içinde sıralanarak hangi alt alanın en çok
risk taşıdığı ortaya konulmuştur. Veri setleri içindeki risk faktörlerinin etki
değerleri, risk faktörlerinin birbirleriyle kıyaslanmaları ve risk faktörü eleme
yöntemlerinden bahsedilmiş olup, bu faktörler yardımıyla veriler çok kritik,
kritik, koşullu hata, orta seviyeli ve ihmal edilebilir olarak sınıflandırılmıştır.
Sınıflandırma işleminde Destek Vektör Makineleri, Karar Ağaçları ve Naive
Bayes sınıflandırıcılarından faydalanılmıştır. Kullanılan yöntemlerin başarı
oranları ve başarı yüzdeleri de değerlendirilmiştir.
Anahtar Kelimeler. Yazılım Risk Faktörleri, Riks Modelleri, Risk Tahmini,
Risk Değerlendirme Modelleri
1 Giriş
Yazılım mühendisliğinde risk yönetiminin önemi son yıllarda daha çok ortaya
çıkmıştır. Başarısız giden birçok proje, hatalı yönetilen süreçler, ürünlerin ve pro-
jelerin zamanında teslim edilememesi, maliyetlerde oluşan aşırı artışlar risk yöne-
timinin önemini günden güne arttırmaktadır. Özellikle risklerin düzgün bir şekilde ele
alınamaması, projeler arası risk türlerinin ve gruplarının farklılaşması, şirket/kurum
içi yapılan risk yönetimi ve risk analizi çalışmalarının ölçülememesi de bu durumu
karmaşıklaştırmaktadır. Bildiri ise yukarıda belirtilen problemler üzerine yapılmıştır.
Risklerin her projede standartlaştırılması, risk faktörlerinin düzgün bir şekilde analiz
edilmesi ve uygulanan risk önleme ve risk analiz çalışmalarının başarı oranlarının
ölçülebilmesi hedeflenmiştir.
Yazılım risk yönetimi alanında yapılan bu çalışmada temel olarak risk faktörleri ve
risk değerlendirme modellerinin birbirleriyle karşılaştırılmasından bahsedilecektir.
İncelenen çalışmalar göz önünde bulundurulduğunda bu iki alanda şirketlerde yaşanan
problemler ve zaman kayıpları dikkate alınmıştır. Risk faktörlerinin analiz edilmeme-
si veya hatalı analiz edilerek gerkesiz bir faktör için önlem alınması zaman kaybına ve
maddi kayıplara yol açmaktadır. Bu nedenle faktörlerin doğru seçilmesi, kritik faktör-
lerin belirlenmesi ve etki değeri düşük faktörlerin elenmesi gerekmektedir. Bildiri
çalışması kapsamında risk faktörlerinin detaylı analizi amaçlanmıştır. Diğer bir amaç
ise yazılım mühendisliği yaklaşımlarını kullanarak indirgenmiş risk faktörleri ve veri
setlerini doğru sınıflandırabilecek modeller oluşturmaktır. Kullanılan yöntemlerin
başarı oranları ve başarı yüzdeleri de çalışma süresince incelenecektir.
Yapılacak çalışmada Turkcell Teknolojide gerçekleştirilen projelerdeki problem
etki veri setleri ile yazılım sektöründe faaliyet gösteren bir firmanın hata veri setleri
kullanılacaktır. Naive Bayes, destek vektör makineleri ve karar ağaçlarıyla oluştu-
rulan model benzer yazılım projelerinde ortaya çıkacak aynı tip problemlerin projeye
etkisine ait kestirim yapılmasını sağlamaktadır.
2 İlgili Çalışmalar
Yazılım mühendisliğinde risk yönetimi ile ilgili çalışmalara bakıldığında ise son
yıllarda artış gözlemlenmektedir. Bu alanda yapılan çalışmalar geçmiş yıllara göre
çeşitlilik göstermekte ve önem kazanmaktadır.Genel risk yönetimi, risk faktörleri, risk
önlemek için modellerin kullanılması ile ilgili çalışmaların yayınlandığı, bu konular
üzerinde daha detaylı durulduğu gözlemlenmiştir. Bu kısımda yazılım mühendisliğin-
deki risk yönetimi konusunda yapılan çalışmalar iki alt başlık altında toplanmıştır. İlk
başlıkta risk yönetimi ve analizi ile ilgili dergi ve makale çalışmaları incelenmiş ve
derlenmiştir. İkinci başlıkta ise risk faktörlerine yer verilmiş, faktörlerin birbirleriyle
kıyaslanması, eleminize edilmesi ve sıralanması ile ilgili yapılan çalışmalardan bah-
sedilmiştir. Ayrıca yazılım mühendisliği yaklaşımları kullanılarak oluştrulan modeller
ortaya konulmuş ve modellerinde birbirleriyle kıyaslanmasına yer verilmiştir.
2.1 Risk Yönetimi ve Analizi ile İlgili Yapılan Çalışmalar
Risk yönetimi ve analizi ile ilgili yapılan genel çalışmalar bu başlık altında top-
lanmıştır. Tahminler, belirsizlikler ve riskler ele alınmış ve bu belirsizliklerin/risklerin
sebepleri incelenmiştir. Ayrıca risk yönetim metodolojilerinden ve risk adımlarından
bahsedilmiş ve risklerin bağımlılıklarıda bu kısımda değinilmiştir. Risk analizi
alanında yapılan çalışmalardanda bahsedilerek risk yönetimi ve analizi ile ilgili
yapılan çalışmalar tamamlanmıştır.
Kitchenham ve Linkman bu çalışmasında tahminler, belirsizlik ve risk konularını
ele almışlardır. Tahmin etme modellerinini ise bu faktörleri göz önünde bulundurarak
oluşturulması gerektiğine vurgu yapılmış ve belirli olmayan risk faktörleri için var-
sayımlarda bulunması gerektiğini belirtmiştir. Hatalı varsayımların etki değerleri göz
önünde bulundurularakta değerlendirme modellerinin çıkarılabileceğinden bah-
sedilmiştir [1].
Kwan ve Leung çalışmasında ise risk yönetim metodolojisini ve proje risk
bağımlılıklarını ele almıştır. Konservatif metod, optimistik metod ve ağırlık metodları
kullanılarak risk bağımlılığı grafı oluşturulmuştur. Risk grafları oluşturulduktan sonra
ise risk yönetim paradigmaları risk bağımlılığı yönünden ele alınmıştır. Buna göre 3
farklı durum için kritklik seviyeleri belirlenmiştir. Bunlardan ilki iç ciddiyet seviye-
sidir. Risk yönetim paradigmalarında direkt olarak kullanılmaktadır. İkinci ise diğer
riskin oluşma durumuna için kullanılan ciddiyet seviysidir. Üçüncü olarak ise tepki
ciddiyet seviyesi kullanılmaktadır. Bu seviyelere göre farklı aksiyon planları alınmak-
tadır [2].
Ray ve Mohapatra ise risk analizi ile ilgili bir çalışma yayınlamışlardır. Yazılım
geliştirme yaşam döngüsü içinde analiz ve dizayn adımları için durum bazlı risk
önleme metodolojisi üzerine çalışmalar yapmışlardır. Risk tahmin metodu geliştirerek
komponentler arası karmaşıklığı indirgeyip her bir bileşeni graf yöntemleriyle
incelemişlerdir. Bunun yanında kritiklik analizide yaparak sistem seviylerindeki
başarısızlık senaryolarınında analizini yapmışlardır. Buna göre hata seviyelendirmeyi
felaket,major, marjinal ve minör olarak 4 seviyede toplamışlardır [3].
2.2 Risk Faktörleri ve Risk Modellerinin Kullanılması ile İlgili Çalışmalar
Risk faktörlerinin değerlendirilmesi, sınıflandırılması ve eleminize edilmesi ile ilgili
çalışmalarla risk modellerinin oluşturulması ve oluşturulan bu modellerin birbiriyle
kıyaslanması ile ilgili çalışmalar bu başlık altında toplanmıştır. İncelenen çalışmalar-
da yapay sinir ağları, destek vektör makineleri, NaiveBayes, kNN yöntemi, bulanık
mantık, çok katmanlı yapay sinir ağları kullanılmıştır. Bu sınıflandırma yöntemleri
sayesinde risk verileri ve risk faktörleri sınıflandırılabilimiş, bilgisayar mühendisliği
yaklaşımları kullanıldıktan sonra ise risk modelleri oluşturulmuştur. Yapılan çalışma-
lar aşağıda listelenmiştir.
Sun Yat Sen Üniversitesi’nden yayınlanan makalede yapay sinir ağları ve destek
vektör makineleri yöntemleri kullanılarak yazılım projelerinin risk yönetiminin mod-
ellenmesi sağlanmıştır. 300 farklı firmaya gönderilen 194 anket sorusuyla birlikte
kategoriler daha da netleştirilmiştir. Anket sonuçlarında 6 kategori bulunmuştur. Be-
lirlenen 64 farklı risk yukarıda yer alan 6 ana risk grubu içerisinde tanımlanmıştır.
Riskler standart yapay sinir ağlarıyla, genetik algoritma ile iyileştirilmiş yapay sinir
ağlarıyla ve SVM yaklaşımlarıyla tahminleri yapılmıştır. NN elde edilen sonuçlar
projelerin gerçek sonuçlarıyla kıyaslandığında %70 oranındabir doğruluk oranı elde
edilmektedir. SVM kullanarak elde edilen başarı oranı ise %80’nin üzerinde yer
almaktadır [4,5].
Windsor üniversitesinde yapılan çalışmada ise NaiveBayes sınıflandırıcısı ile K-en
yakın komşuluk sınıflandırıcısının performansları incelenmiştir. Veri setlerine uygu-
lanan bu iki yöntemin performansları belirtilmiştir. 671 veri 9 sınıfa ayrılmak
istenmiş. NaiveBayes sınıflandırıcısı %12,43 hatayla verileri doğru
sınıflandırabilmiştir. K en yakın komşuluk metodunda ise k değerine göre yüzdeler
değişkenlik göstermiştir. K değerinin 5 seçildiği durumlarda hata oranı en düşük
çıkmıştır. %9,45 hata oranıyla sınıflandırma yapabilen K en yakın komşuluk yöntemi
NaiveBayes yöntemine göre daha başarılı olmuştur [6].
Bulanık mantık alanında da risk değerlendirme alanında çalışmalar yapılmıştır.
Hunan üniversitesinde yapılan bir çalışmada risklerde oluşan kayıplar üzerine yoğun-
laşılmıştır. Risk faktörlerini belirlemişler ve risklerin önem sırasına göre risk analiz
ağı oluşturmuşlar(Semantik indirgemeler kullanılarak). Sonuç olarak yaptıkları
çalışmada yazılım projelerindeki risk faktörlerin kritiklik seviyesini analiz
etmişlerdir.Bulanık mantık alandaki bir diğer çalışmada ise yazılım projelerindeki
tasarım risk analizi incelenmiştir. Yazılım projelerindeki risklerin tanımı ve kritiklik
seviyelerinin farklılık göstermesinden dolayı böyle bir çalışma yayınlamışlardır. Proje
riskleri ve ayrı bileşenler arasında bulanık mantık yöntemi kullanılmıştır. Bunun so-
nucunda da düşük, orta ve yüksek seviyeli riskleri tespit edebilmişlerdir [7,8].
3 Metodoloji
Yapılan çalışmada risk faktörleri belirlenmiş, risk verileri toplanmış ve model oluştu-
rulmuştur. Yazılım sektöründe çalışan bir firmadan elde edilen, hataları seviye-
lendirmek için kullanılan alanlara göre faktörler belirlenecektir. Risk kestirimi
sektörden sektöre farklılaşabileceği gibi, aynı işi yapan firmalar arasında bile riskler
farklı olarak belirlenebilmektedir. Her yeni projeye göre önceki projeler için
tanımlanan riskler farklılaşabilmektedir. Bu farklılık projelerde oluşan problemlerde
dahi görülmektedir. Bu da risk yönetiminde standart oluşturmayı zorlaştırmaktadır.
Bu nedenle bir projeye başlamadan önce ele alınması gereken ilk kısım risk faktörle-
rinin analizi olmalıdır.
Turkcell ICT’den elde edilen etki analizi için kullanılan veriler ile yazılım
sektöründe faaliyet gösteren bir firmanın veri setlerine göre uygulama
gerçekleştirilecektir. Yapılacak projede Turkcell ICT için temel olarak 6 risk faktörü
ve problemin proje içindeki etkisini gösteren etki değeri belirlenmiştir. 384 problem
etki değer veri seti üzerinde bilgisayar mühendisliği yöntemleri kullanılacaktır.
Yazılım sektöründe faaliyet gösteren firmanın verileri ise 8 projeden ve 32 risk
faktöründen oluşmaktadır. Projeler yazılım alanında gerçeklenmiş olup veri setleri bu
yazılımlarda görülen hatalardan oluşmaktadır. Temel olarak 32 risk faktörü etki
değeri belirlenmiştir. Faktörlerden 19 tanesi tekil ve diğer projelerde ortak olmadığı
için elenmiştir. Kalan 13 faktör ve alt alanları detaylı şekilde aşağıdaki tabloda belir-
tilmiştir. 6382 hata veri setleri üzerinde bilgisayar mühendisliği yöntemleri
kullanılacaktır.
Her iki veri seti içinde etki değerlerine göre sınıflandırma algoritmaları
kullanılarak başarı oranları karşılaştırılacaktır. İlk olarak Turkcell ICT risk faktörleri
ve değerleri tablosu verilecek. Daha sonar ise yazılım firması risk faktötleri ve
değerleri tablosu veirlecektir.
Tablo 1. Turckell ICT Risk Faktörleri ve Değerleri
Faktörler Değerler
FİNANSAL ETKİ Gelir_Raporlamasina_etkisi_var,Yok,
BABT_1/2000_under_charge_1/50000_over_charge
ETKİ İÇ MÜŞTERİ Yok, 1-100, 101-1000, 1000_den_Fazla
ETKİ ABONE SAYISI 1-1000, 1001-10000, 10000_den_Fazla, Yok
REGULASYON ETKİSİ Var, Yok
SOX ETKİSİ Var, Yok
MARKA ETKİSİ Var, Yok
ETKİ HIGH, LOW, MEDIUM
Tablo 2. Yazılım Şirketi Risk Faktörleri ve Değerleri
Faktörler Alt Alan Değerler
Alt alanın öneri olup 2 alt alan “Öneridir”,”Öneri değildir”
olmama durumu
Proje içindeki durum 10 alt alan “Yeni”,“Çözülen”, ”Paydaşlara gönderilen”,
“Tekrarlanamayan”, ”Otomasyon” vs.
Görülme seviyesi 6 alt alan “Her zaman”, ”Bazen”,”Nadiren”, ”Sıksık”, ”Hiç-
bir zaman”, ”Otomotize edildiğinde”
Kişi-grup-şirket bazında Değişken Kişi-grup-şirket sayısına göre değişkenlik gösteri-
yor
Kişi-grup-şirket bazında Değişken Kişi-grup-şirket sayısına göre değişkenlik gösteri-
çözümleyen yor
Kişi-grup-şirket bazında Değişken Kişi-grup-şirket sayısına göre değişkenlik gösteri-
değiştiren yor
Sınıf bilgisi 30 alt alan “Fonksiyonel”,”Arayüz”,”Bağlantı”, ”Kullanılabi-
lirlik”, ”Otomasyon”, ”Faturalama”, ”Güvenlik”
vs.
Öncelik olma durumu 4 alt alan “Öncelikli”, ”Önceliklideğil”, ”Koşulluöncelik-
li”,”Koşullu öncelikli değil”
İşletim sistemi 2 alt alan “Windows”,”Linux”
Şirket bazlı mı? 3 alt alan “Şirket bazlı”,”Paydaşlar”,”Outsource”
Hangi grupta gösterilece- 10 alt alan Tür bilgisi ile paralellik gösteriyor
ği
Yazılımsal-tasarımsal 2 alt alan “Yazılımsal”,”Donanımsal”
olma durumu
Kişi-grup-şirket bazında Değişken Kişi-grup-şirket sayısına göre değişken
atanmış
Etki 6 alt alan Çok kritik, kritik, orta , koşullu, düşük, ihmal
edilebilir
Bilgi kazanımı bir özelliğin sınıf bilgisine ait belirsizliğinin, özellik bilgisi
kullanılarak azaltılması olarak da tanımlanabilir. Belirsizlik ölçütü olarak rastsal
değişkenlerde kullanılan entropi, bilgi kazanımı hesabında da kullanılmaktadır.
Kısaca, bilgi kazanımı özelliğin bir veya birden fazla sınıf için var olup olmamasına
göre entropideki azalımı ölçmektedir.
Tablo 3. Bilgi Kazanımı Özellik Seçimine Göre Turkcell ICT Etki Değerleri Sıralaması
Risk Faktörleri Etki Değerleri
Regulasyon Etkisi Yüksek
Finansal Etki Yüksek
Etki Abone Sayısı Orta
Sox Etkisi Orta
Etki İç Müşteri Düşük
Marka Etkisi Düşük
Tablo 4. Bilgi Kazanımı Özellik Seçimine Göre Yazılım Firması Etki Değerleri Sıralaması
Risk Faktörleri Etki Değerleri
Kişi grup şirket bazında atanan Yüksek
Kişi grup şirket bazında çözümleyen Yüksek
Proje içindeki durum bilgisi Yüksek
Kişi-grup-şirket bazında değiştiren Yüksek
Kişi-grup-şirket bazında yaratan Orta
Sınıf bilgisi Orta
Grüldüğü işletim sistemi Orta
Öncelik seviyesi Düşük
Grup bilgisi Düşük
Görülme sıklığı Düşük
Öneri olma duru Düşük
Yazılımsal-tasarımsal olma durumu Düşük
Şirket bazlı olma durumu Düşük
Bilgi kazanımı yüksek olan özellikler sınıflandırma için değerli özellikler olarak
alınır ve belirli bir eşik değerinin altında kalan özellikler elenerek özellik seçimi
gerçeklenmiş olur. Weka arayüzünde bilgi kazanımı kullanılarak bu faktör için
yapılan çalışma sonrasında yukarıdaki tablolar elde edilmiştir.
3.1 Destek Vektör Makineleri
Risk analizi için en çok kullanılan sınıflandırma yöntemlerinden biri destek vektör
makinesidir. Destek vektör makineleri metin sınıflandırma, yüz tanıma, el yazısı
tanıma ve buna benzer makine öğrenmesi algoritmalarının kullanıldığı alanlarda
başarılı sonuçlar vermesinden dolayı çalışmada tercih edilen sınıflandırma yöntem-
lerden biridir. Destek Vektör Makineleri karar düzlemlerinin ideal şekilde belirlen-
mesi prensibine dayanır. İdeal karar sınırı ayırdığı sınıflara ait verilere mümkün
olduğu kadar karar düzleminden uzak olmalıdır.
Weka arayüzünde sınıflandırıcı olarak destek vektör makinelerinin kullanımı sonu-
cunda Turkcell ICT için 384 problemin etki analiz verisinin 371 adedini doğru olarak
belirleyebilmiştir. Modelin doğruluk oranı ise %96,61’dir.
Yazılım sektöründeki firmanın veri setlerine bakıldığında 8135 hata veri setinin
6382 adedini doğru olarak sınıflandırmıştır. Modelin doğruluk oranı %78,45’dir. Test
sonuçlarının doğrulama yöntemi 10 kere çapraz doğrulama olarak uygu-
lanmıştı.Karışıklık matrisine bakılıdığında ise kritik, koşullu hata, hata değil, orta
derece hatalar genel olarak doğru olarak sınıflandırılmasına rağmen çok kritik ve
ihmal edilebilir hatalardaki sınıflandırma başarı yüzdelerinde düşüşler
gözlemlenmiştir.
3.2 Karar Ağaçları
Karar ağaçları örnek verileri bir ağaç yapısına benzemektedir. Ağacın kökünden
ağacın alt dallarına kadar sıralayarak verilerin sınıflandırılmasını sağlar. Ağaçtaki
düğümler özellik, dallar özellik değer bilgisini ve yaprak düğümler ise sınıf etiketini
belirtmektedir. Karar ağaçlarının yaygın kullanımının nedeni ağaç yapılarının ku-
rallarla ve sade bir şekilde tanımlanabilmesidir. Bu şekilde öğrenilen kurallar kolay
bir şekilde aktarılmış olur. Karar ağaçları kullandığı algoritma farklılıklarına göre en
çok kullanılanlar ID3,ASSISTANT ve J48’dir.
Karar ağacı sınıflandırıcısıyla veriler aç gözlü yaklaşım (greedy) olan belirli kriter-
leri en iyi özelliğe dayalı bölünürler. Düğümler bölünme şekline göre çoklu veya ikili
bölünmektedir. En iyi düğümler bölümlemesi için homojen sınıf dağılımına sahip
düğümler tercih edilir. Homojenliği belirlemek için düğümün saf olmama
değeri(impurity) hesaplanır. Saf olmama değerini ölçmek için gini indeksi, entropi
gibi değerler kullanılır. Tüm veriler karar ağacında doğru şekilde sınıflandırılana ka-
dar karar ağacı dallandırılır.
Weka arayüzünde sınıflandırma fonksiyonlarından Turkcell ICT veri setinde karar
ağacı yaklaşımı olarak J48 karar ağacı sınıflandırıcı kullanılmıştır. 384 problem etki
analiz verisinin 350 adedini doğru olarak belirleyebilmiştir. 34 tanesini ise farklı
etiketlemiştir. Modelin doğruluk oranı ise %91,14’dür. Yazılım firma veri setlerinde
ise Weka arayüzünde sınıflandırma fonksiyonlarından Karar ağacı yaklaşımı olarak
J48 karar ağacı sınıflandırıcı kullanılmıştır. 8135 hatanın 6231 adedini doğru olarak
belirleyebilmiştir. 1904 tanesini ise farklı etiketlemiştir. Modelin doğruluk oranı ise
%76,59’dur.Test sonuçlarının doğrulama yöntemi 10 kere çapraz doğrulama olarak
uygulanmıştır.Karışıklık matrisine bakıldığında ise kritik, koşullu hata, hata değil,
orta derece hatalar genel olarak doğru olarak sınıflandırılmasına rağmen çok kritik ve
ihmal edilebilir hatalardaki sınıflandırma başarı yüzdelerinde düşüşler
gözlemlenmiştir.
3.3 Naïve Bayes Yönetimi
Klasik Naive Bayes uzun yıllardır farklı sınıflandırma problemlerinde yaygın olarak
kullanılan makine öğrenmesi yaklaşımıdır. Klasik Naive Bayes bağımsızlık var-
sayımına dayanmaktadır. Klasik Naive Bayes’e göre özellikler sınıftan bağımsızdır.
Klasik Naive Bayes tüm verilere ait özelliklerden verinin sınıf bilgisi olarak var-
sayımda bulunduğu sınıfa ait olma olasılık değerini her sınıfı etiketi için hesaplar ve
en yüksek olasılık değerini veren sınıfa ait varsayımı, doğru olarak kabul ederek
sınıflandırma işlemini gerçekler.
Naive Bayes Yöntemi kullanılarak Weka arayüzünde sınıflandırma fonksiyon-
larından yararlanılarak Turkcell ICT veri setinde Naive Bayes risk modeli oluştu-
rulmuştur. 384 problem etki analiz verisinin 352 adedini doğru olarak modelleye-
bilmiştir. 32 tanesini ise farklı etiketlemiştir. Modelin doğruluk oranı ise %91,66 dır.
Yazılım firmasının veri setlerinde ise NaiveBayes yöntemi kullanıp Weka
arayüzünde sınıflandırma fonksiyonlarından yararlanılarak risk modeli oluştu-
rulmuştur. 8135 problem etki analiz verisinin 5914 adedini doğru olarak modelleye-
bilmiştir. 2221 tanesini ise farklı etiketlemiştir. Modelin doğruluk oranı ise
%72,69dur.Test sonuçlarının doğrulama yöntemi 10 kere çapraz doğrulama olarak
uygulanmıştır. . Karışıklık matrisine bakıldığında ise kritik, koşullu hata, hata değil,
orta derece hatalar genel olarak doğru olarak sınıflandırılmasına rağmen çok kritik ve
ihmal edilebilir hatalardaki sınıflandırma başarı yüzdelerinde düşüşler
gözlemlenmiştir.
4 Sonuçlar ve Öneriler
Yapılan çalışmada risk faktörleri belirlenerek Turkcell ICT için veri setinde yer alan
problemlerin projelerdeki etki değerlerine ve önemine bakılmıştır. Yazılım sektöründe
faaliyet gösteren firmanın veri setine bakıldığında ise veri setinde yer alan hata
değerlerin incelenmiştir. Veri setlerindeki bu değerlere göre risk modelleri oluştu-
rulmuş ve oluşturulan bu modeller yardımıyla gelecek problemlerin etki değerlerini
kestirilmiştir. Veri setleri üzerinde Naive-Bayes, destek vektör makineleri ve karar
ağaçları yöntemleri kullanılarak oluşturulan modeller incelenmiştir.
Turkcell Teknolojiden elde edilen veri kümesinde 6 risk faktörü ve problemin
etkisinden oluşan 7 özellikten oluşan 384 veri çalışmada kullanılmıştır. Yazılım fir-
masındaki veri setlerinde ise 13 risk faktörü ve hata bilgilerinden oluşan 14 özellikten
oluşan 8135 veri çalışmada kullanılmıştır.
Destek Vektör Makineleri(DVM), Karar Ağacı(j48) ve Naive-Bayes(NB) yak-
laşımlarıyla projede yer alan veriler eğitilerek 10 kere çapraz doğrulama yöntemiyle
test edilmiştir.
Yazılım sektöründeki firma verilerinin sonuçlarına bakıldığında bulunan sonuçlar-
da da görüldüğü üzere DVM ile sınıflandırılan verilerde doğru sınıflandırma oranı
karar ağaçlarından ve NaiveBayes sınıflandırıcılarından daha iyi sonuçlar verdiği
gözlemlenmiştir. DVM %78,45 oranında başarı gösterirken, KA %76,59, NB ise
%72,69 oranında başarılı sınıflandırma yapmıştır.
Turkcell ICT verilerinin sonuçlarına bakıldığında bulunan sonuçlarda da görüldüğü
üzere DVM ile sınıflandırılan verilerde doğru sınıflandırma oranı karar ağaçlarından
ve NaiveBayes sınıflandırıcılarından daha iyi sonuçlar verdiği gözlemlenmiştir. DVM
%91,66 oranında başarı gösterirken, KA %91,14, NB ise %91,66 oranında başarılı
sınıflandırma yapmıştır.
DVM her iki veri setinde en iyi sınıflandırma yöntemi olarak ortaya çıkmıştır. İlgili
çalışmalar kısmında incelenen makaleler ve projelerde elde edilen sonuçlara paralellik
göstermektedir [9,10]. Turkcell ICT’deki başarı yüzdeleri daha yüksek olmasına
rağmen daha az veri ve faktör kullanılmıştır. Yazılım sektöründeki firmanın veri
sayılar, faktör sayıları ve etki değerleri ise daha fazla olarak yer almaktadır.
Kaynaklar
1. Kitchenham,B. ve Linkman,S.,"Estimates,Uncertainty,andRisk",Software
IEEE,14(3):69-74 (1997)
2. Kwan,T.W. ve Leung,H.K.N.,"A Risk Management Methodologyfor Project Risk De-
pendencies",IEEE TRANSACTIONS ON SOFTWARE ENGINEERING,14(5) (2011)
3. Ray,M. ve Mohapatra,D.P.,"Risk analysis: a guidingforce in theimprovement of test-
ing",Software IET,7(1):29-46 (2013)
4. Hu,Y.,Huang,J.,Chen,J. ve Liu,M.,"Software Project Risk Management Modelingwith-
Neural Network andSupportVector Machine Approaches",Natural Computation,
2007.ICNC,Haikou (2007)
5. Hu,Y.,Zhang,X.,Sun,X. ve Liu,M.,"An Intelligent Model for Software Project Risk Predic-
tion",Information Management, Innovation Management andIndustrialEngineering, 2009
International Conference,Xi'an (2009)
6. Islam M.J.,Wu,Q.M.J. ve M.Ahmadi,"InvestigatingthePerformance of Naive- BayesClassi-
fiersand K- NearestNeighborClassifiers",Convergence Information Technology, 2007. In-
ternational Conference,Gyeongju (2007)
7. Tang,A. ve Wang,R.,"Software project risk assessment model based on fuzzytheo-
ry",ComputerandCommunication Technologies in AgricultureEngineering (CCTAE), 2010
International Conference,Chengdu (2010)
8. Bragina,T. ve Tabunshcyk,G.,"Fuzzy model forthe software projectsdesign risk analy-
sis",CAD Systems in Microelectronics (CADSM), 11th International Conference TheEx-
perience of DesigningandApplication,Polyana-Svalyava (2011)
9. Cingiz, M. Ö., Unudulmaz, A. ve Kalıpsız, O., “Farklı Kestirim Yaklaşımları Kullanılarak
Yazılım Projelerindeki Problem Etkilerinin Risk Yönetiminin Gerçeklemesi”, Ulusal
Yazılım Mühendisliği Sempozyumu (UYMS), Ankara, 2012
10. Cingiz, M. Ö., Unudulmaz, A. ve Kalipsiz, O., “Prediction of Project Problem Effects on
Software Risk Factors”, The 12th IEEE International Conference on Intelligent Software
Methodologies tools and Techniques, Hungary, 2013