@PHDTHESIS{ 2019:568292375,
 	title = {Inteligência computacional na previsão do absenteísmo e identificação de tendências absenteístas},
 	year = {2019},
 	url = "http://bibliotecatede.uninove.br/handle/tede/2579",
 	abstract = "O absenteísmo é um fenômeno definido como o não comparecimento do empregado ao trabalho, de forma habitual e com frequência regular, e, por conseguinte, como o não cumprimento das obrigações trabalhistas, conforme o programado. Entender e tratar as causas do absenteísmo têm sido um desafio para muitos gestores, dada a dimensão desse fenômeno, que engloba causas de fundo psicológico, físico e ambiental. A previsão do absenteísmo e a identificação de tendências absenteístas são importantes para reduzir as perdas da empresa e, ao mesmo tempo, para melhorar a qualidade de vida do empregado. Para isso, faz-se necessária uma análise das bases de dados, que armazenam informações sobre os empregados de uma empresa, por vários anos, o que abre espaço para a aplicação de técnicas de inteligência computacional, como as redes neurais artificiais. Diante disso, este estudo teve como objetivo aplicar técnicas da inteligência computacional na previsão do absenteísmo e na identificação de tendências absenteístas. A base de dados utilizada possui 50 atributos, com 2.403 registros de licenças médicas de 39 empregados, coletados durante o período de janeiro de 2008 a dezembro de 2017. Os experimentos computacionais foram realizados em duas fases: a fase 1, denominada Previsão do Absenteísmo, foi dividida em duas etapas; na etapa 1, aplicou-se a rede neural artificial do tipo Multilayer Perceptron (MLP), e na etapa 2, aplicou-se a Teoria dos Rough Sets para redução de atributos com o uso de dois métodos, o Algoritmo Genético e o Algoritmo de Johnson. Em seguida, aplicou-se a Multilayer Perceptron. Na fase 2, denominada Identificação de Tendências Absenteístas (etapa 3), foi utilizada a rede neural artificial do tipo Self-Organizing Map (SOM). Mediante uma comparação entre os resultados obtidos nas etapas 1 e 2, constatou-se que a MLP apresentou o erro experimental ligeiramente melhor do que as MLPs aplicadas na base de dados reduzida com a Teoria dos Rough Sets. No entanto, houve uma considerável redução do tempo de processamento dos experimentos computacionais na etapa 2. Vale ressaltar que os resultados das duas etapas apontaram positivamente para a previsão do absenteísmo. Na fase 2, etapa 3, os resultados gerados também apontaram positivamente para a identificação de tendências absenteístas por meio da avaliação de agrupamentos. Concluiu-se, então, que as técnicas de inteligência computacional, aplicadas para a previsão do absenteísmo e identificação de tendências absenteístas, permitiram atingir o objetivo aqui proposto, e mostraram-se como importantes técnicas para solucionar problemas complexos de absenteísmo, que afligem tanto as organizações quanto os empregados.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}