@PHDTHESIS{ 2020:91609119,
 	title = {Previsão do comportamento dos empregados no trabalho: mineração de dados aplicada em base de dados antropométricos, ergonômicos, absenteístas e presenteístas},
 	year = {2020},
 	url = "http://bibliotecatede.uninove.br/handle/tede/2798",
 	abstract = "O absenteísmo é um fenômeno definido como o não comparecimento do empregado ao local de trabalho de forma habitual e com frequência regular; por conseguinte, é o não cumprimento das obrigações, conforme o programado. O presenteísmo, por outro lado, é o fenômeno que indica a presença do empregado, ainda que doente, no local de trabalho, porém, a realização de suas atividades e de suas funções pode ocorrer de modo improdutivo. Neste sentido, dados antropométricos e ergonômicos, que são medidas corporais, mostram-se importantes quando relacionados ao absenteísmo e ao presenteísmo, principalmente em atividades classificadas como trabalho pesado e com um alto índice de atividades repetitivas. A previsão do comportamento de empregados é importante para reduzir perdas para a empresa e melhorar a qualidade de vida no trabalho. Diante deste cenário, técnicas de Mineração de Dados e algumas áreas da Inteligência Artificial podem ser aplicadas na previsão do comportamento do empregado no trabalho. Assim, o objetivo deste estudo foi investigar a aplicação da mineração de dados, em base de dados antropométricos, ergonômicos, absenteístas e presenteístas, para auxiliar a previsão dos comportamentos presenteísta, normal e absenteísta dos empregados no ambiente de trabalho. Os experimentos computacionais foram desenvolvidos em três etapas a fim de prever o comportamento dos empregados – comportamento este que pode ser classificado como presenteísta, normal e absenteísta. Para realização dos experimentos, duas arquiteturas diferentes de redes neurais artificiais foram aplicadas: a Multilayer Perceptron (MLP) e a Radial Basis Function (RBF). Ademais, utilizaram-se também a Random Forest (RF) e o Algoritmo de Otimização por Colônia de Formigas, Ant Colony Optimization (ACO). Para enriquecer o experimento, três bases de dados foram utilizadas. Os dados de absenteísmo e presenteísmo são comuns às três bases de dados e são compostas com 2.403 registros de licenças médicas de 39 empregados coletados durante o período de janeiro de 2008 a dezembro de 2017. Foram considerados 10 atributos na primeira base, 11, na segunda, e 25, na terceira base. Com exceção da primeira base, a segunda e a terceira foram enriquecidas com dados antropométricos e ergonômicos. Os resultados mostraram melhor desempenho após o enriquecimento das bases de dados por meio da MLP e da rede SOM. Em relação aos resultados dos experimentos computacionais na Etapa 1, a MLP obteve a taxa de acerto de 99,91%, a RBF, de 97,08%, a RF, de 99,91%, e o ACO, de 80,65%. Na Etapa 2, a MLP obteve a taxa de acerto de 99,91%, a RBF, de 97,25%, a RF, de 99,91%, e o ACO, de 84,44%. Na Etapa 3, a MLP obteve a taxa de acerto de 99,96%, a RBF, de 96,25%, a RF, de 99,91%, e o ACO, de 91,80%. Em relação ao tempo de processamento e ao desempenho, a RF se destacou como sendo a técnica mais recomendada para auxiliar na previsão dos comportamentos presenteísta, normal e absenteísta, no ambiente de trabalho.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}