[논문]데이터 마이닝 기법을 활용한 스마트팩토리 도입 기업의 특성 분석

오정윤; 최상현

doi:10.15207/jkcs.2018.9.5.179

데이터 마이닝 기법을 활용한 스마트팩토리 도입 기업의 특성 분석
An Analysis of the Characteristics of Companies introducing Smart Factory System Using Data Mining Technique 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.5, 2018년, pp.179 - 189

초록
AI-Helper

현재 스마트팩토리에 관한 연구는 구축 방안이나 설립 시 고려사항 등에 대해 꾸준히 진행되고 있다. 그러나 스마트 팩토리를 도입한 기업에 대해서는 다양한 연구가 이루어지지 않고 있다. 이 연구에서는 스마트팩토리의 기초단계를 적용한 중소기업을 대상으로 설문조사를 실시하였다. 만족도의 특성을 확인하기 위해 군집분석을 하였고, 만족도에 따라 어떠한 특성을 가지는지 확인하기 위해 의사결정나무와 나이브베이즈 분석을 하였다. 군집분석 결과 만족도가 높은 그룹과 낮은 그룹으로 나뉘는 것을 확인하였으며, 의사결정나무와 나이브베이즈 분석을 실시한 결과 만족도가 높을수록 생산성 개선 정도가 높은 것을 확인하였다.

Abstract ▼ AI-Helper

Currently, research on smart factories is steadily being carried out in terms of implementation strategies and considerations in construction. Various studies have not been conducted on companies that introduced smart factories. This study conducted a questionnaire survey for SMEs applying the basic stage of smart factory. And the cluster analysis was conducted to examine the characteristics of the company. In addition, we conducted Decision Tree and Naive Bay to examine how the characteristics of a company are derived and compare the results. As a result of the cluster analysis, it was confirmed that the group was divided into the high satisfaction group and the low satisfaction group. The decision tree and the Naive Bay analysis showed that the higher satisfaction group has high productivity.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

4점이기 때문에 3점은 만족도가 낮은 것으로 분류하였으며, 만족도가 4-5점인 기업과 만족도가 1-3인 기업으로 나누어 각각 군집분석을 실시하여 특성을 알아보고자 한다. 또한, 만족도가 높은 기업을 중점으로 의사결정나무와 나이브베이즈를 실시하여 어떠한 특성으로 만족도가 도출될지 예측해보고자 하며, 두 예측 방법 중 어떠한 분석방법이 더 정확한지 확인해보고자 한다.
이에 본 연구에서는 스마트팩토리의 기초단계를 적용한 중소·중견기업을 대상으로 설문조사를 하여 스마트팩토리 도입 기업의 현황에 대해 파악하고, 군집분석을 사용하여 특성을 확인하고자 한다. 또한, 특성이 어떠한 형태로 도출이 되는지 알아보기 위해 의사결정나무와 나이브베이즈 분석을 실시해보고자 한다.
이 과정에 예측의 정확성과 의미 해석의 다양성은 서로 상관성이 없는 것을 확인하였으며, 의사결정나무보다 나이브베이즈의 정확성이 다소 낮더라도 다양한 의미 해석이 가능하다는 것을 볼 수있었다. 본 연구는 스마트팩토리 도입 예정인 기업에게 어떠한 요소에 중점을 두고 구축을 해야 하는지 참고자료로 사용될 수 있도록 실제 기업 데이터를 바탕으로 만족도별 특징을 제시한다는 점에서 의의가 있다. 또한, 현재 증가하는 스마트팩토리에 관한 연구에 참고할 수 있도록 데이터마이닝 기법을 적용하여 기업별 특성을 확인하였다는 데에 의의가 있다.
본 연구에서는 군집분석을 통해 만족도별 기업의 특성을 확인한 후, 두 가지 예측 분석 방법인 의사결정나무와 나이브베이즈를 비교하여 만족도가 어떠한 특성으로 도출되는지 확인해보았다. 이 과정에 예측의 정확성과 의미 해석의 다양성은 서로 상관성이 없는 것을 확인하였으며, 의사결정나무보다 나이브베이즈의 정확성이 다소 낮더라도 다양한 의미 해석이 가능하다는 것을 볼 수있었다.
본 연구에서는 스마트팩토리의 기초단계에 있는 중소·중견기업을 대상으로 설문조사를 실시하여 스마트팩토리 도입 기업의 현황에 대해 파악하고, 군집분석을 사용하여 특성을 확인하였다.
스마트팩토리의 궁극적인 목적은 생산 시스템을 지능화·유연화·최적화·효율화하여 생산성 향상 및 생산비용 절감을 달성하고 빠르게 변하는 외부적 환경과 고객 요구에능동적으로 대응할 수 있도록 제조 기업을 구현하는 것이다[11].
이에 본 연구에서는 스마트팩토리의 기초단계를 적용한 중소·중견기업을 대상으로 설문조사를 하여 스마트팩토리 도입 기업의 현황에 대해 파악하고, 군집분석을 사용하여 특성을 확인하고자 한다.

가설 설정

나이브베이즈는 사용되는 데이터의 모든 특성 값이 서로 독립임을 가정하며,분류를 위해 베이즈 정리(Bayes’s Theorem)를 기본으로 사용한다[24].

제안 방법

가운데 범주인 3번 범주를 기준치로 하여 기준치 미만과 기준치 이상인 두 가지 범주로 나누었다. 그러나 0의 개념인 계획 없음, 없음, 전혀 안 됨, 해당 없음, 적용 안 함이 포함된 변수의 범주는 계획 없음, 없음, 전혀 안 됨, 해당 없음, 적용 안 함을 포함하여 3개의 범주로 분류하였다.
만족도가 1점, 2점, 5점인 기업의 수가 적고 만족도가3점, 4점인 기업의 수가 많기 때문에 만족도가 낮은 군집과 만족도가 높은 그룹의 만족도 차이는 크지 않다. 그러나 평균 만족도를 기준으로 만족도가 낮은 그룹과 만족도가 높은 그룹으로 나누었을 때 군집분석 결과 차이가분명하기에 만족도가 낮은 그룹과 만족도가 높은 그룹기준으로 나누어 분석을 하였다. 평균 만족도 3.
세 개 이상의 범주로 구성된 범주형 예측변수를 사용할 때는 변수를 조정하여 의사결정나무의 분류를 실시해야 한다. 따라서 현재 5개의 범주로 구성된 예측변수의수를 조정하여 의사결정나무를 실시하였다. 가운데 범주인 3번 범주를 기준치로 하여 기준치 미만과 기준치 이상인 두 가지 범주로 나누었다.
본 연구에서는 스마트팩토리의 기초단계에 있는 중소·중견기업을 대상으로 설문조사를 실시하여 스마트팩토리 도입 기업의 현황에 대해 파악하고, 군집분석을 사용하여 특성을 확인하였다. 또한, 특성이 어떠한 형태로 도출이 되는지 알아보기 위해 의사결정나무와 나이브베이즈 분석을 실시하였다.
마찬가지로 나이브베이즈 분석을 실시할 때 해석 결과를 용이하게 하기 위해 범주를 조정한 데이터를 사용하여 분석을 실시하였으며, 업종과 지역 변수는 제외한 후 분석했다. 만족도를 목표변수로 하여 나이브베이즈를 실시한 결과 66%의 예측 정확성을 보였다.
만족도별 군집분석을 통해 각각의 특징을 확인한 후, 의사결정나무와 나이브베이즈를 실시하기 위해 데이터를 다시 통합하였으며, 결과 해석을 용이하게 하기 위해변수의 응답 범주를 조정하였다. 기존 5개의 응답 범주를2개 혹은 3개로 축소하여 해석하기 편하게 변경하였다.
먼저, 전체 데이터의 특성을 확인하기 위해 전체 기업을 대상으로 군집분석을 실시하여 특징을 살펴보았다.
만족도에 따라 1-3점을 만족도가 낮은 집단,4-5점을 만족도가 높은 집단으로 분류하였고, 그 결과 만족도가 낮은 집단은 60개, 만족도가 높은 집단은 65개로 분류되었다. 분류 후, 데이터 마이닝 툴인 WEKA 3.6을사용하여 만족도가 높은 집단과 만족도가 낮은 집단에 대하여 각각 군집 분석을 실시하였다. 사용된 변수는 ‘만족도’ 변수를 제외한 24개 변수이다.
이 결과를 바탕으로 본 논문은 만족도의 평균이 3.4점이기 때문에 3점은 만족도가 낮은 것으로 분류하였으며, 만족도가 4-5점인 기업과 만족도가 1-3인 기업으로 나누어 각각 군집분석을 실시하여 특성을 알아보고자 한다. 또한, 만족도가 높은 기업을 중점으로 의사결정나무와 나이브베이즈를 실시하여 어떠한 특성으로 만족도가 도출될지 예측해보고자 하며, 두 예측 방법 중 어떠한 분석방법이 더 정확한지 확인해보고자 한다.
전체 데이터 대상의 군집분석을 실시한 후, 만족도가 높은 그룹과 만족도가 낮은 그룹의 개별 특징을 확인하기 위해 데이터를 만족도별로 나누어 군집분석을 실시하였다.
설문지는 스마트팩토리 추진위원단의 전문가 의견을 토대로 작성하였으며, 조사 기간은 2017년 1월 2일부터 2017년 1월 26일까지 실시하였다. 조사 방법으로는 스마트팩토리 담당자의 의견을 구글 설문지를 통해 설문 응답을 받았다. 25개의변수에 대해 응답을 받아 총 140건의 설문지를 회수하였고, 이 중 응답 상태가 불량한 15건을 제외한 125건을 분석에 사용하였다.

대상 데이터

6을 사용하여 군집분석을 실시하였다. 125개의 데이터에 대해 군집분석을 실시하였으며, 사용된 변수는 25개이다.
조사 방법으로는 스마트팩토리 담당자의 의견을 구글 설문지를 통해 설문 응답을 받았다. 25개의변수에 대해 응답을 받아 총 140건의 설문지를 회수하였고, 이 중 응답 상태가 불량한 15건을 제외한 125건을 분석에 사용하였다.
본 연구는 스마트팩토리 기초단계를 적용한 기업을 대상으로 연구를 실시하였다. 민관합동 스마트팩토리 추진단에서는 ICT 미적용 기업을 대상으로 스마트팩토리 도입을 지원하고 있으므로 지원을 통해 기초단계를 적용한 기업이 설문 대상으로 선정되었다. 설문지는 스마트팩토리 추진위원단의 전문가 의견을 토대로 작성하였으며, 조사 기간은 2017년 1월 2일부터 2017년 1월 26일까지 실시하였다.
본 연구는 스마트팩토리 기초단계를 적용한 기업을 대상으로 연구를 실시하였다. 민관합동 스마트팩토리 추진단에서는 ICT 미적용 기업을 대상으로 스마트팩토리 도입을 지원하고 있으므로 지원을 통해 기초단계를 적용한 기업이 설문 대상으로 선정되었다.
사용된 변수는 ‘만족도’ 변수를 제외한 24개 변수이다.
민관합동 스마트팩토리 추진단에서는 ICT 미적용 기업을 대상으로 스마트팩토리 도입을 지원하고 있으므로 지원을 통해 기초단계를 적용한 기업이 설문 대상으로 선정되었다. 설문지는 스마트팩토리 추진위원단의 전문가 의견을 토대로 작성하였으며, 조사 기간은 2017년 1월 2일부터 2017년 1월 26일까지 실시하였다. 조사 방법으로는 스마트팩토리 담당자의 의견을 구글 설문지를 통해 설문 응답을 받았다.

데이터처리

데이터마이닝 분석 결과를 통합하여 의미를 해석하였다. 생산성 개선, 불량률 개선, 측정설비연계, 생산설비연계, 매년 투자액, 스마트팩토리 추진속도 등이 만족도에 영향을 주는 요인인 것으로 확인할 수 있었다.
먼저, 수집한 설문데이터의 특성을 파악하기 위해 데이터 마이닝 툴인 WEKA 3.6을 사용하여 군집분석을 실시하였다. 125개의 데이터에 대해 군집분석을 실시하였으며, 사용된 변수는 25개이다.

성능/효과

‘생산성 개선 정도’가 높으면 만족도가 높고, ‘생산성 개선 정도’가낮고 ‘동종 기업 대비 스마트팩토리 추진 속도’가 빠르다고 생각하면 만족도가 높았다.
그 중 4개의 군집으로 분류를 하였을 때 다소 유의미한 특징이 도출되었다.4개의 군집 분류 결과, 만족도 변수를 기준으로 만족도가 낮은 두 군집과 만족도가 높은 두 군집으로 분류되었다.
만족도가 높은 집단에 대해 군집분석을 실시한 결과 3개의 군집으로 구분이 되었으며 Cluster 0은 11개,Cluster 1은 23개, Cluster 2는 31개로 분류되었다.cluster0은 생산성 개선, 매출증가와 불량률 개선이 가장 낮은 군집(생산성 개선:12%, 매출 증가:7%, 불량률 개선:10%)이었으며, cluster2는 생산성 개선, 매출증가와 불량률 개선이 가장 높은 군집(생산성 개선:26%, 매출 증가:18%, 불량률 개선:22%)이었다. cluster0의 생산성 개선, 매출증가와 불량률 개선은 만족도가 높은 기업의 군집 중 가장 낮지만, 만족도가 낮은 군집의 두 군집보다는 높은 것을 볼 수 있었다.
결과를 해석하여보면 ‘3년 후 적정수준’은 만족도가 낮은 그룹보다 만족도가 높은 그룹에서 더 높은 단계를 희망하는 것을 볼 수 있었다.
바. 기초단계체류 이유는 만족도에 관계없이 투자비용이었지만, 그 다음으로는 만족도가 높은 그룹은 체류를 원하지 않음(15건)이고, 만족도가 낮은 그룹은 전문가부족(14건)으로 나타남.
나이브베이즈 분석 결과, 66%의 정확성을 보였다. 결과를 해석하여보면 ‘3년 후 적정수준’은 만족도가 낮은 그룹보다 만족도가 높은 그룹에서 더 높은 단계를 희망하는 것을 볼 수 있었다.
44점)를 기준으로 두개씩 나뉘는 것을 볼 수 있었다. 만족도가 낮은 군집은 만족도가 높은 그룹에 비해 매출 증가율과 불량률 개선이 낮으며 비교적 일정 기간 내의 도달하고자 하는 목표가 낮은 것을 확인할 수 있었다.
만족도가 낮은 그룹인 Cluster0, Cluster2와 만족도가 높은 그룹인 Cluster1, Cluster3을 비교하여보면, 만족도가 낮은 그룹은 만족도가 높은 그룹에 비해 매출 증가율과 불량률 개선이 낮으며 비교적 일정 기간 내의 도달하고자 하는 목표가 낮은 것을 확인할 수 있다.
만족도가 낮은 집단에 대해 군집분석을 실시한 결과 2개의 군집으로 구분이 되었으며 Cluster 0은 26개,Cluster 1은 34개로 분류되었다.
만족도가 낮은 그룹은 불량률 개선을 희망하는 군집(MES를 적용하고 불량률 개선이 8%로 낮은 군집)과 품질 개선을 희망하는 군집(ERP를 적용하고 품질향상에 대한 기대가 큰 군집)으로, 총 2개의 군집으로 나뉘었다. 만족도가 높은 그룹은 추진의지가 높은 군집(기초단계에 체류를 원하지 않고 2차 정부 지원이 없더라도 관계없이 추진하는 군집), 정부지원을 기대하는 군집(MES를 적용하고 중간 1 추진시 정부 지원이 가장 중요하며 기초단계체류 이유가 투자비용인 군집), 그리고 높은 성과를 이룬 군집(생산, 측정 설비 연계 비율 가장 높으며 생산성 개선, 매출 증가, 불량률 개선이 가장 높은 군집)으로, 총 3개의 군집으로 나뉘었다.
만족도가 높은 집단에 대해 군집분석을 실시한 결과 3개의 군집으로 구분이 되었으며 Cluster 0은 11개,Cluster 1은 23개, Cluster 2는 31개로 분류되었다.cluster0은 생산성 개선, 매출증가와 불량률 개선이 가장 낮은 군집(생산성 개선:12%, 매출 증가:7%, 불량률 개선:10%)이었으며, cluster2는 생산성 개선, 매출증가와 불량률 개선이 가장 높은 군집(생산성 개선:26%, 매출 증가:18%, 불량률 개선:22%)이었다.
마찬가지로 나이브베이즈 분석을 실시할 때 해석 결과를 용이하게 하기 위해 범주를 조정한 데이터를 사용하여 분석을 실시하였으며, 업종과 지역 변수는 제외한 후 분석했다. 만족도를 목표변수로 하여 나이브베이즈를 실시한 결과 66%의 예측 정확성을 보였다. 전체 데이터에서 만족도가 낮은 기업이 48%, 만족도가 높은 기업이 52%를 차지하며, 구체적인 해석은 다음과 같다.
업종과 지역은 해당 기업의 현황을 파악하는 자료로 사용되었고 범주를 조정하지 않았기 때문에 분석에 사용하지 않았다. 만족도를 목표변수로 하여 의사결정나무 분석을 실시한 결과 72%의 예측정확성을 보였다.
44점)를 기준으로 만족도가 낮은 집단과 만족도가 높은 집단으로 나누었다. 만족도에 따라 1-3점을 만족도가 낮은 집단,4-5점을 만족도가 높은 집단으로 분류하였고, 그 결과 만족도가 낮은 집단은 60개, 만족도가 높은 집단은 65개로 분류되었다. 분류 후, 데이터 마이닝 툴인 WEKA 3.
분석 결과, 네 개의 군집으로 분류하였을 때, 유의미한 결과를 볼 수 있었으며 평균 만족도(3.44점)를 기준으로 두개씩 나뉘는 것을 볼 수 있었다. 만족도가 낮은 군집은 만족도가 높은 그룹에 비해 매출 증가율과 불량률 개선이 낮으며 비교적 일정 기간 내의 도달하고자 하는 목표가 낮은 것을 확인할 수 있었다.
그러나 의사결정나무의 결과는 나이브베이즈와 비교하여 보았을 때 도출할 수 있는 의미 정보가 적은 것으로 확인되었다. 분석의 정확도는 낮지만 다양한 결과를 얻기 위해선 나이브베이즈를 활용하는 것이 나은 것으로 확인되었다.
데이터마이닝 분석 결과를 통합하여 의미를 해석하였다. 생산성 개선, 불량률 개선, 측정설비연계, 생산설비연계, 매년 투자액, 스마트팩토리 추진속도 등이 만족도에 영향을 주는 요인인 것으로 확인할 수 있었다.
예측 방법인 의사결정나무와 나이브베이즈 분석을 실시한 결과, 정확성은 의사결정나무가 72%로 나이브베이즈(66%)보다 높은 것을 볼 수 있었다. 그러나 의사결정나무의 결과는 나이브베이즈와 비교하여 보았을 때 도출할 수 있는 의미 정보가 적은 것으로 확인되었다.
의사결정나무 분석 결과, 72%의 정확성을 보였고 ‘생산성 개선 정도’를 기준으로 가지가 나뉘었다.
본 연구에서는 군집분석을 통해 만족도별 기업의 특성을 확인한 후, 두 가지 예측 분석 방법인 의사결정나무와 나이브베이즈를 비교하여 만족도가 어떠한 특성으로 도출되는지 확인해보았다. 이 과정에 예측의 정확성과 의미 해석의 다양성은 서로 상관성이 없는 것을 확인하였으며, 의사결정나무보다 나이브베이즈의 정확성이 다소 낮더라도 다양한 의미 해석이 가능하다는 것을 볼 수있었다. 본 연구는 스마트팩토리 도입 예정인 기업에게 어떠한 요소에 중점을 두고 구축을 해야 하는지 참고자료로 사용될 수 있도록 실제 기업 데이터를 바탕으로 만족도별 특징을 제시한다는 점에서 의의가 있다.
전체 대상의 군집분석 결과, 평균 만족도(3.44점)를 기준으로 만족도가 낮은 집단과 만족도가 높은 집단으로 나누었다. 만족도에 따라 1-3점을 만족도가 낮은 집단,4-5점을 만족도가 높은 집단으로 분류하였고, 그 결과 만족도가 낮은 집단은 60개, 만족도가 높은 집단은 65개로 분류되었다.
포브스(Forbes)에서 연구한 결과, 47%의 제조회사들이 빅데이터가 회사 성과에 영향을 미친다고 대답하였으며[12], SCM World 조사에서는 미래 제조 환경의 운영과 관리 방법을 바꾸는 데 가장 큰 영향을 미칠 요소에 68%로 빅데이터 분석을 꼽았다. 특히 빅데이터 기술 중 실시간 분석이 가장 큰 영향을 미칠 것으로 보았다. 응답 순위로 확인해보면 1위인 ‘실시간 공장 가동 효율성관리 분야’가 57%, 2위인 ‘실시간 공급망 관리’가 42%로 실시간 관리가 제조업 핵심 활용 분야라 답했다[13].

후속연구

먼저 데이터의 수가125개로 매우 적으며 이는 과적합되어 다소 부정확한 결과를 도출할 수 있다. 데이터 수를 늘린다면 의사결정나무에서도 다양한 결과를 도출할 수 있을 것이며, 나이브베이즈의 정확성을 높일 수 있을 것이다. 또한, 스마트팩토리 기초단계를 도입한 기업 대상으로 설문이 실시되었기 때문에, 기초단계가 아닌 중간 1, 중간 2, 고도화 단계에서는 새로운 연구가 이루어져야 할 것이다.
데이터 수를 늘린다면 의사결정나무에서도 다양한 결과를 도출할 수 있을 것이며, 나이브베이즈의 정확성을 높일 수 있을 것이다. 또한, 스마트팩토리 기초단계를 도입한 기업 대상으로 설문이 실시되었기 때문에, 기초단계가 아닌 중간 1, 중간 2, 고도화 단계에서는 새로운 연구가 이루어져야 할 것이다. 마지막으로, 설문 답변 범주를 홀수가 아닌 짝수로 변경한 후 ‘보통’이나 ‘중간’에 대한 답변을 제외하여 설문을 한다면 좀더 정확한 결과를 도출할 수 있을 것이다.
또한, 스마트팩토리 기초단계를 도입한 기업 대상으로 설문이 실시되었기 때문에, 기초단계가 아닌 중간 1, 중간 2, 고도화 단계에서는 새로운 연구가 이루어져야 할 것이다. 마지막으로, 설문 답변 범주를 홀수가 아닌 짝수로 변경한 후 ‘보통’이나 ‘중간’에 대한 답변을 제외하여 설문을 한다면 좀더 정확한 결과를 도출할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트팩토리란?	스마트팩토리(Smart Factory)란 설비와 물류 자동화를 기반으로 한 공정자동화, 공장자동화, 제품개발, 공급사슬관리, 그리고 기업자원관리 등이 ICT를 사용하여 구현되는 공장을 의미한다. 스마트공장에 대한 다양한 정의가 존재하지만 독일의 인더스트리 4.
	우리나라의 근대화를 이끌었던 제조업이 위기를 겪고 있는 이유는 무엇때문인가?	우리나라의 근대화를 이끌었던 제조업은 효율성 저하, 인구의 감소 및 노령화, 무역규모 감소, 공장의 해외 이전 등으로 위기를 겪고 있다. 주력 상품들이 성숙기에 접어들면서 후발 국가들과의 차이가 좁혀졌고, 제조업 발전으로 안정기에 접어든 중국의 압박을 받게 되면서 ‘제조업 위기설’이 나오고 있다.
	본 논문에서 스마트 팩토리를 도입한 기업을 대상으로 설문조사를 실시할때 어떤 분석 방법을 사용하였는가?	이 연구에서는 스마트팩토리의 기초단계를 적용한 중소기업을 대상으로 설문조사를 실시하였다. 만족도의 특성을 확인하기 위해 군집분석을 하였고, 만족도에 따라 어떠한 특성을 가지는지 확인하기 위해 의사결정나무와 나이브베이즈 분석을 하였다. 군집분석 결과 만족도가 높은 그룹과 낮은 그룹으로 나뉘는 것을 확인하였으며, 의사결정나무와 나이브베이즈 분석을 실시한 결과 만족도가 높을수록 생산성 개선 정도가 높은 것을 확인하였다.

참고문헌 (25)

Deloitte. (2015). The US recovers the top position in the global manufacturing competitiveness in 2020 ,Deloitte Korea. https://www2.deloitte.com/kr/ko/footerlinks/pressrelease spage/2015/press-release-20151211.html
Y. J. JO. (2015). Possibility of smart factory as a plan for advanced domestic manufacturing. KDB Bank.2015.8.21 https://rd.kdb.co.kr/er/wcms.do?actionIdADERERERWCE03&contentPage/er/er/er/ERER27I00012_01RS.jsp& menuIdERERER0013&cid19772
C. W. Lee & Y. B. Jang. (2017). Leading the Fourth Industrial Revolution by Building 30,000 Smart Factories by 2025. KOSF(Korea Smart Factory Foundation). https://www.smart-factory.kr/datum/popup/datumDetail .do?dboardNo121
M. K. Jung. (2016). Smart factory, check performance and revisit the past two years. KOSF(Korea Smart Factory Foundation). http://www.smart-factory.kr/Service/Notice/appl/Report View.asp
H. S. Lee. (2017). 4th Industrial Revolution Leading Smart Factory, 5,000 Spreads by Year. KOSF(Korea Smart Factory Foundation). http://www.smart-factory.kr/ServiceNotice/appl/ReportView.asp
J. S. Park & K. S. Kang. (2017). Strategies of smart factory building and Application of small & medium-sized manufacturing enterprises. Korea Safety Management & Science, 19(1), 227-236.

원문보기 상세보기
J. P. Park (2017). Analysis on Success Cases of Smart Factory in Korea: Leveraging from Large, Medium, and Small Size Enterprises, The Korea Society of Digital Policy and Management, 15(5), 107-115.
M. S. Lim (2016). (The)Convergence between Manufacturing and ICT : The Exploring Strategies for Manufacturing version 3.0 in Korea, The Korea Society of Digital Policy and Management, 14(3), 219-226.
T. S. Jeong. (2016). The Suggestion for Successful Factory Converging Automation by Reviewing Smart Factories in German, Journal of the Korea Convergence Society, 7(1), 189-196.
J. Hoh & C. Y. Jung (2017). Convergence-based Smart Factory Security Threats and Response Trends, Journal of the Korea Convergence Society, 8(11), 29-35.
C. S. Seo (2016). Study on Small Business Increased Productivity via Smart Factory. Master dissertation. Busan National University, Busan.
C. Louis. (2015). Data Analytics, Mobile Technologies And Robotics Defining The Future Of Digital Factories, Forbes. https://www.forbes.com/sites/louiscolumbus/2015/02/15/big-data-analytics-mobile-technologies-and-robotics-defining-the-future-of-digital-factories/#137e08fe7e9d
S. R. Jo. (2015). SmartFactory. June, Industry Soulution http://www.google.co.kr/url?sat&rctj&q&esrcs&so urceweb&cd2&ved0ahUKEwjz3eit1sjZAhVHlZQKHa pKBOoQFggsMAE&urlhttp%3A%2F%2Fcfile10.uf.tisto ry.com%2Fattach%2F27488035557A86CB2C79A7&usg AOvVaw3vNkBlgv3Mff51GivZs_4K
Shmueli, G., R. P. Nitin & C. B. Peter. (2012). Data Mining for Business Intelligence. Seoul : E&B Plus.
J. G. Jo & S. H. Choi (2016). Firm's Market Value Trends after Information Security Management System(ISMS) Certification acquisition, Journal of the Korea Convergence Society, 7(6), 237-247.
He, Q. (1999). A Review of Clustering Algorithms as Applied in IR. Technical Report UIUCLIS-1999/6+IRG, University of Illinois at Urbana-Champaing.
J. S. Bae. (2014). A Study on Priority of Determinants of Career Decision Level in High School Students Based on Decision Tree Analysis. The Korean Society for the Study fo Career Education, 28(4), 79-105.
Nguyen, T. D., T. B. Ho & H. Shimodaira. (2001). A Scalable Algorithm for Rule Post- pruning of Large Decision Trees. 5th Pacific-Asia Conference on Knowledge Discovery and Data Mining, 467-476.
N. Y. Park, J. I. Kim & Y. G. Jung. (2013). Breast Cancer Diagnosis using Naive Bayes Analysis Techniques. The society of Service Science, 3(1), 87-93.
Kass, G. (1980). An exploratory technique for investigation large quantities of categorical data. Applied Statistics, 29, 119-129.

상세보기
Breiman, L., J. H. Friedman, R. A. Olshen, & C. J. Stone. (1984). Classification and regression tress, Wadsworth.
Loh, W. & Y. Shih.(1997). Split selection methods for classification trees. Statistica Sinica, 7, 815-840.

상세보기
Quinlan, J. R.(1993). C4.5 Programs for machine learning, Morgan Kaufmann, San Mateo.
H. R. Jeong, H. H. Kim, S. M. Park, K. H. Kim & I. S. Yun. (2017) Prediction of Severities of Rental Car Traffic Accidents using Naive Bayes Big Data Classifier. Korea Inst. Intelligenct Transportation System, 2017(4), 411-414.
K. Larsen. (2005). Generalized Naive Bayes Classifiers. SIGKDD Explorations, 7(1), 76-81.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증