Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. Pamukkale University Journal of Engineering Sciences

Transkript

1 Paukkale Üniversitesi Mühendislik Bilileri Dergisi Paukkale University Journal of Engineering Sciences ÇOK KRİTERLİ ABC ANALİZİ PROBLEMİNE FARKLI BİR BAKIŞ AÇISI: BULANIK ANALİTİK HİYERARŞİ PROSESİ - İDEAL ÇÖZÜME YAKINLIĞA GÖRE TERCİH SIRALAMA TEKNİĞİ A VARIANT PERSPECTIVE TO MULTI CRITERIA ABC ANALYSIS PROBLEM: FUZZY ANALYTIC HIERARCHY PROCESS - TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION Aslı KILIÇ 1, Süeyye AYGÜN 1, Gülşen AYDIN KESKİN 1*, Kası BAYNAL 1 1Endüstri Mühendisliği Bölüü, Mühendislik Fakültesi, Kocaeli Üniversitesi, 41380, Kocaeli. asli_kilic_2506@hotail.co, sueyyeaygun90@gail.co, gaydin@kocaeli.edu.tr, kbaynal@kocaeli.edu.tr Geliş Tarihi/Received: , Kabul Tarihi/Accepted: *Yazışılan yazar/corresponding author doi: /paes Özet İşleteler, olağanüstü rekabetin yaşandığı günüüz piyasa şartlarında, aliyetleri iniize, kârı aksiize edecek etkin stok politikalarını geliştirek ve uygulaak zorundadır. Stoklar, üreti işletelerinin topla varlıklarının içinde öneli bir yere sahiptir. Bu öneli kale için etkin stok kontrol ve yöneti politikalarının uygulanası, işletenin geleceği için büyük öne taşıaktadır. Bu çalışa kapsaında, büyük bir holdingin kiyasallar grubunda faaliyet gösteren bir işletesinde öncelikle stok kontrol yöntelerinden ABC analizi uygulanıştır. İkinci olarak stokların çok kriterli olarak sınıflandırılası için öncelikle Bulanık Analitik Hiyerarşi Prosesi (BAHP) yöntei ile kriter ağırlıkları belirleniş ve İdeal Çözüe Yakınlığa Göre Tercih Sıralaa Tekniği (TOPSIS) yöntei kullanılarak stok kaleleri öne derecelerine göre sıralanıştır. Çalışanın sonunda stokların sınıflandırılasında klasik ABC analizi ve BAHP-TOPSIS yöntelerinin sonuçları arasındaki farklılıklar ortaya konuştur. Anahtar kelieler: Çok kriterli karar vere, ABC analizi, Bulanık AHP, TOPSIS. 1 Giriş İşleteler üretie ilişkin faaliyetlerini, pek çok kısıt altında gerçekleştirektedirler. Bu kısıtlar içinde fiyat, kalite veya zaan gibi ürünün niteliğinden kaynaklanan ve işletenin kontrolü altındaki faktörler olabileceği gibi, piyasa ve üşteri talebindeki belirsizlikler gibi işletenin kontrolü dışında gerçekleşen dışsal faktörler de olabilir. Bu bağlada, öngörülebilen veya öngörüleeyen kısıtlar altında, evcut kaynakları etkin bir biçide kullanarak en uygun kararların alınası süreci, işlete yönetiinin teel işlevleri arasındadır [1]. İşletelerin başarısını ve kârlılığını etkileyen öneli faktörlerden biri, hiç şüphesiz işlete stoklarının en uygun düzeyde bulundurulasıdır. Stok bulunduranın en uygun değerinin ne olacağı konusu işletelerin dikkat etesi gereken en öneli hususlardan birisidir. Az sayıda stok bulundura üretii aksatabileceği gibi, çok fazla sayıda stok bulundurak da depolaa, bozula, deode ola, üreti giderlerini karşılayaaa gibi duruları yaratabilektedir. Yöneticiler günlük hayatlarında birçok gerçek karar vere probleiyle karşılaşırlar. Günüüz piyasasındaki hızlı değişikliklere ayak uydurabilek ve rekabet edebilek için Abstract In today s copetitive arket conditions, organizations have to develop and ipleent effective inventory policies to iniize their costs, and axiize profit. Inventories have an iportant place in the total assets of production enterprises. Applying efficient inventory control and anageent policies for this significant ite is very iportant for the future of the organizations. In this paper, initially an ABC analysis ethod had been applied to a fir operating at the cheical group of a congloerate. Then, to classify the inventory as ulti criteria; priarily criteria weights are deterined by the fuzzy analytic hierarchy process (FAHP) and then stock keeping units are ranked according to their significances with Technique for Order Preference by Siilarity to Ideal Solution (TOPSIS) ethod. Finally, the differences are presented between classical ABC analysis and FAHP-TOPSIS results for classifying the inventories. Keywords: Multi-criteria decision aking, ABC analysis, Fuzzy AHP, TOPSIS. yöneticiler karşılarına çıkan seçenekleri, birçok seçi kriterine göre karşılaştıralı ve en uygun olanları seçelidirler. Sadece, çok basit durularda, ta bir tatinin tek bir seçi kriteri ile sağlanabileceği söylenebilirse de; bir seçile elde edilek istenen özellikler genellikle çok çeşitlidir ve bu çeşitlilik farklı kriterlerin değerlendireye sokulasını gerektirektedir [2]. Bu nedenle çalışada çok kriterli ABC analizine başvuruluştur. Çok kriterli ABC analizi ile ilgili yapılış çalışalar incelendiğinde, Bulanık Analitik Hiyerarşi Prosesi (BAHP) ve İdeal Çözüe Yakınlığa Göre Tercih Sıralaa Tekniği (TOPSIS) yöntelerinin birlikte kullanıına rastlanaıştır. Bu çalışada aaçlanan, klasik ABC Analizi ile çok kriterli stok sınıflandırılasında kullanılan BAHP ve TOPSIS yöntelerinin sonuçları arasındaki farklılıkları ortaya koyaktır. Çalışa altı bölüden oluşaktadır. Giriş kısı ile başlayan çalışa, ikinci bölüde ABC analizi ile deva etektedir. Çalışanın üçüncü bölüünü kriter ağırlıklarının belirlendiği Bulanık AHP oluşturaktadır. Dördüncü bölüde TOPSIS yönteine yer verilektedir. Beşinci bölü gerçek bir sanayi uygulaasını içerektedir. Son olarak altıncı bölü uygulaanın sonuçları ve tartışa kısıdır. 179

2 2 ABC Yöntei Son yıllarda oldukça geçerli olan ve 1950 lerde General Elektik Şirketi nce geliştirilen ABC sınıflandıra yöntei, farklı seçenekler arasında karar vere duruunda olan işletelerin stok yönetiinde de yardıcı olaktadır. Bu yönte, yakın kontrol gerektiren stokları kontrol gerektireyen stoklardan ayıraya yarayan basit bir kontrol sisteidir [3]. Stokta bulundurulan çeşitli alların her birinin işlete için taşıdıkları öne farklıdır. Stoktaki alları taşıdıkları önee göre sınıflandırak yöneti açısından bazı kolaylıklar sağlaaktadır. Önein ölçüsü olarak da genellikle, alların satış değeri kullanılaktadır. Bu ölçüye göre, çok öneli, orta öneli ve önesiz olarak sınıflandırılan alların, Pareto prensibine uygun olarak, çok öneli olanlarının iktar olarak az bir yer tuttuğu, buna karşın önesiz olanların iktar olarak büyük bir yer tuttuğu görülektedir [4] yılında Vilfredo Pareto tarafından bulunan Pareto Diyagraı, Kuralı olarak da adlandırılaktadır. Bu prensibe uygun olarak, stokta tutulan çeşitli allar A, B ve C grupları olak üzere üç sınıfa ayrılaktadır: "A" grubu allar iktar olarak, toplaın ancak %20'sini oluştururken, satış değeri olarak %80'ine sahiptir. Diğer uçta bulunan "C" grubu allar ise, iktar olarak toplaın %50 ile %60'ını oluştururken satış değeri olarak sadece %5 ile %10 gibi küçük bir değerine sahiptir. Ortada bulunan "B" grubu allar ise, topla iktarın %20 ile %30'una, satış değeri olarak da %15 ile %20'lik payına sahiptir [4]. Tek kriterli analizlerde en öneli varsayı, olaydaki diğer kriterlerin etkilerinin sabit kabul edilesi ve her defasında sadece bir kriterin incelee konusu yapılasıdır. Hâlbuki evrendeki olaylar ve obeler sadece tek bir kriterin etkisi ile değil, çok sayıda iç ve dış kriterlerin ortak etkisi ile oluşakta ve karaşık bir yapı gösterektedir. Bu nedenle, olaylar ve obeler sadece bir değişkene göre değil, çok sayıda değişkene ve bunların ortaklaşa etkilerine göre tanılanalıdır. Bu gerekçeden dolayı çok kriterli karar vere etotlarına heen her alanda başvurulaktadır [5]. Birden fazla kriterin birlikte değerlendirildiği ABC analizine "Çok Kriterli ABC Analizi" denilektedir. Kullanı değeri, kullanı iktarı, örü, tedarik süresi, biri fiyatı, kritikliği, ikae edilebilirliği, boyutu gibi kriterler dikkate alınabilektedir [6]. Klasik yönteden farklı olarak bu çalışa iki aşaadan oluşaktadır. Çalışanın birinci aşaasında stokları sınıflandırak için belirleniş olan kriterler, çok kriterli karar vere yöntelerinden biri olan BAHP ile ağırlıklandırılaktadır. Çalışanın ikinci aşaasında ise stokta tutulan ürünler, ağırlıklandırılış kriterler yardıı ile TOPSIS yöntei kullanılarak sıralanaktadır. 2.1 Literatür Araştırası Son yıllarda, envanter sınıflandıra için birçok yeni çok kriterli yaklaşı getiriliştir. Fakat hepsinin bazı dezavantaları vardır. İki kriterli klasik ABC yaklaşıı, çok kriterli ABC sınıflandırasında ileri bir adıdır. Bununla birlikte, daha fazla kriterin göz önünde bulundurulası gerektiğinde yöntein kullanılası nispeten zorlaşaktadır. İkiden fazla kriter için yöntei genişletenin belirgin bir yolu yoktur [7]. ABC analizi ile ilgili ilk akale 1986 da Flores ve Whybark tarafından sunuluştur [8]. Bu çalışadan etkilenen Chen vd. (2008), tedarik süresi ve stokta bulundurulan ürünlerin kritikliği gibi ilave kriterler ekleyerek uygulaa tabanlı çok kriterli ABC analizi yapışlardır [9] yılında Ernst ve Cohen tarafından istatistiksel küeleeye dayanan bir yönte sunuluştur. Fakat bu yaklaşı faktör analizi kullanıı ve küelee işleini gerektirektedir. İlave olarak, küeler kendilerini yeni stok kalelerini sınıflandırak aacı ile yeniden değerlendirilelidir. Bu nedenle önceden sınıflandırılış stoğa yeni stok kaleleri eklendiğinde sınıfların farklı şekilde belirlenebile olasılığı ortaya çıkakta ve bu duruda stok kontrol sistei düzeninin bozulabile ihtiali ortaya çıkaktadır. Özetle, odel bir orta kadee yöneticisi için çok karaşık olabilektedir [10]. AHP süreci de ABC analizi için birçok yazar tarafından öneriliştir [11]. Cakir ve Canbolat (2008), çok kriterli envanter sınıflandıra probleini çözüleek için bulanık tekniğe entegre olan AHP önerişlerdir [12]. AHP nin avantaı birçok kriteri birleştirebilesi ve büyük hesaplaalarda ve ölçü sisteinde kullanı kolaylığının olasıdır. Yöntein öneli dezavantalarından biri kriterlerin ikili karşılaştırılasında, derecelendirilelerinde ve ilgili ağırlıklandırılalarında öneli iktarda sübektiflik içeresidir [7, 10]. Yapay zeka, çok kriterli envanter sınıflandırası için başka bir yöntedir. Güvenir ve Erel (1998), çok kriterli sınıflandıra için AHP tekniği ve genetik algoritayı birlikte kullanarak yeni bir yaklaşı sunuştur [13]. Yapay sinir ağları, sınıflandıra işlei için uygulanabilir bir diğer tekniktir. Partovi ve Anandaraan (2002), stok kalelerinin ABC yöntei ile sınıflandırılası için iki öğrene etodu olan geriye yayılı ve genetik algoritadan yararlanan bir yapay sinir ağı öneriştir [10]. Raanathan (2006), çok kriterli envanter sınıflandıra problei için veri zarflaa analizine benzeyen, basit ağırlıklı bir doğrusal optiizasyon odeli öneriştir [14]. Zhou ve Fan (2007), çok kriterli ABC stok sınıflandırası için bazı dengelee özelliklerini de dahil ederek Raanathan ın odelinin genişletiliş bir versiyonunu sunuş ve elde ettikleri sınıflandıra sonuçlarını Bayes ve diğer bulanık sınıflandırıcıların sonuçları ile karşılaştırışlardır. Sonuç olarak da önerdikleri yöntein diğerlerinden üstün olduğunu gösterişlerdir [15]. Bhattacharya ve diğ. (2007), ABC analizi için TOPSIS yönteini kullanışlar, ANOVA ile de elde ettikleri sonuçların analizini gerçekleştirişlerdir [16]. Chu vd. (2008), ABC analizi ve bulanık sınıflandırayı entegre ederek yeni bir stok kontrol yaklaşıı önerişlerdir [7]. Aydın Keskin ve Özkan (2013), çok kriterli ABC sınıflaası için bir küelee yöntei olan Fuzzy C-Means algoritasını kullanıştır [17]. Bu çalışada stok kalelerinin çok kriterli olarak sınıflandırılası aacıyla BAHP ve TOPSIS yönteleri birlikte kullanılıştır. BAHP yöntei, seçi aacına yönelik tercihlerin belirlenesinde yöneticilere yol gösteren bir yönte olasının yanında tercihleri kantitatif olarak ölçerek farklı kriterler karşısında birleştiren sağla (robust) bir yöntedir. Bunun yanında he uygulaası he de anlaşılası oldukça kolaydır. AHP ayrıştıra teellerini, ikili karşılaştıraları, öncelik vektör oluşuunu ve sentezini içeren bir yöntedir. AHP nin aacı uzanların bilgisini elde etek olasına karşın, geleneksel AHP karar vericinin belirsiz tercihlerini yansıtaaaktadır. Bu nedenle; BAHP, AHP etodunun belirsizliklerini gidererek hiyerarşik bulanık probleleri çözek için geliştiriliştir [12, 18, 19]. Çok kriterli ABC analizi ile ilgili yapılış çalışalar incelendiğinde, BAHP ve TOPSIS yöntelerinin birlikte kullanıına rastlanaıştır. Çalışanın literatüre katkısı bu noktada ortaya çıkaktadır. BAHP kriter ağırlıklarının 180

3 belirlenesi aacıyla kullanılırken, stok kalelerinin sıralanası TOPSIS yöntei ile gerçekleştiriliştir. 3 Bulanık Analitik Hiyerarşi Prosesi AHP 1970 li yılların ortasında Pensilvanya Üniversitesinden Thoas L. Saaty tarafından geliştirilen ölçe ve karar vere için kullanılan bir ateatiksel teoridir. Literatürde yaygın olarak çalışılan AHP son yiri yılda çok kriterli karar vere ile ilgili neredeyse tü uygulaalarda kullanılıştır. Bunun nedeni, yöntein karar vericiler tarafından kolay anlaşılabilir olasıdır [20]. AHP, öğeleri arasında karaşık ilişkiler bulunan sistelere ait karar problelerinde; sistei alt sisteleriyle ilişkili hiyerarşik bir yapıda oldukça basit halde ifade edip, sezgisel ve antıksal düşünceyle irdeleyebilen bir yaklaşıdır [21]. Çok ölçütlü karar vere odellerinin gerçek uygulaalarında, karar vericilerin yargılarını sözel olarak ifade ettikleri veya obektif yargılarda bulunadıkları sıkça gözlenektedir. Bunun yanı sıra, elde edilen değerlendireler her zaan kesin ve ta bilgi içereyebilektedir. Bu tür karar odellerinde analizler bulanık antık yaklaşıı ile yapılabilektedir. Bulanık antığın karar vere sürecindeki uygulaaları genellikle klasik karar teorilerinin bulanıklaştırılası ile gerçekleştirilektedir. Bulanık antıkla tanılanan karar problelerinde, klasik problelerde olduğu gibi bulanık olayan en iyi karara ulaşak aaçlanaktadır. Ancak, bulanık teori sonucunda elde edilen karar optial karar iddiasında olaktan çok, her alternatifin hangi olabilirlikte optial olabileceğini belirteyi aaçlaaktadır. Problelerde kesin belirlilikler bulunadığında; paraetrelerin veya değişkenlerin kesin olarak bilinediği durularda ve değerlendirelerin sözel olduğu durularda bulanık teori ile geliştirilen yöntelerin uygulanası önerilektedir [22]. 3.1 Bulanık Küe ve Bulanık Sayılar Bulanık küe kavraı, ilk kez Lotfi A. Zadeh tarafından 1965 yılında "Bulanık Küeler" adlı akalenin yayınlanası ile ortaya atılıştır. Bulanık küe, devalı üyelik derecesine sahip nesneler küesidir ve her nesneyi 0-1 arasında değişen üyelik derecesine sahip üyelik fonksiyonu ile nitelendirektedir. Bulanık sayılar ise dışbükey, noralleştiriliş, sınırlı sürekli üyelik fonksiyonu olan ve gerçel sayılarda tanılanış bir bulanık küe olarak ifade edilir. Üçgensel bir bulanık sayı Şekil 1 de gösterilektedir. Bu sayı üç tane gerçek sayı ile tanılanış bulanık sayıların özel bir çeşidi olup l,, u şeklinde ifade edilektedir [23]. Bu ifadeler sırasıyla bulanık bir olayda en düşük olasılığı, net değeri ve en yüksek olasılığı ifade eder [24]. Şekil 1: Üçgensel bulanık sayı M [18]. Bulanık bir sayı her zaan her bir üyelik derecesinin karşılık geldiği sağ ve sol gösterilerle verilebilir. Eşitlik (1) de gösterilen l(y) ve r(y) sırası ile bulanık bir sayının sol ve sağ tarafını ifade etektedir [25]. M = ( M l(y), M r(y) ) = (l + ( l)y, u + ( u)y) (1) Bir M bulanık küesi, [0,1] kapalı aralığında tanılanan karakteristik bir fonksiyon ile ifade edilektedir. Söz konusu fonksiyona, üyelik fonksiyonu adı verilektedir. M bulanık küesi için tanılanacak olan bir üyelik fonksiyonu, eşitlik (2) de gösterilektedir [26]. μ_m : E [0,1] (2) M bulanık küesinin eleanı olan x' in üyeliğinin derecesi μ_m (x), x eleanının M bulanık küesine hangi derecede üye olduğunun göstergesidir. Bir üçgensel bulanık sayının sağ ve sol üyelik derecesi değerlerine göre lineer gösterii eşitlik (3) teki gibidir [24]. 0, x 1, ( x l) /( l), 1 x, ( x / M ) (3) ( u x) /( u ), x u 0, x u M 1 = (l 1, 1, u 1 ) ve M 2 = (l 2, 2, u 2 ) iki üçgensel bulanık sayıyı gösterek üzere, üçgen bulanık sayılar arasında yapılacak olan aritetik işleler eşitlik (4)'te özetlenektedir [26]. M 1(+)M 2 = (l 1, 1, u 1 )(+)(l 2, 2, u 2 ) = (l 1 + l 2, 1 + 2, u 1 + u 2 ) M 1( )M 2 = (l 1, 1, u 1 )( )(l 2, 2, u 2 ) = (l 1 l 2, 1 2, u 1 u 2 ) M 1( )M 2 = (l 1, 1, u 1 )( )(l 2, 2, u 2 ) = (l 1 l 2, 1 2, u 1 u 2 ) M 1(/)M 2 = (l 1, 1, u 1 )(/)(l 2, 2, u 2 ) = (l 1 /u 2, 1 / 2, u 1 /l 2 ) M 1 1 = (l 1, 1, u 1 ) 1 = (1/u 1, 1/ 1, 1/l 1 ) 3.2 Bulanık Analitik Hiyerarşi Prosesi Algoritası (4) Bu çalışada, bulanık yapay değerlerin hesaplanasında Chang in (1996) genişletiliş analiz yöntei kullanılıştır. X = {x 1, x 2,, x n } bir nesneler küesi ve U = {u 1, u 2,, u n } de bir aaçlar küesi olsun. Genişletiliş analiz yönteine göre, her bir nesne bir aacı gerçekleştirek üzere ele alınır. Genişletiliş ifadesi ile bu nesnenin aacı ne kadar gerçekleştirdiği ifade edilektedir. Böylece, tane genişletiliş analiz değeri elde ediliş olup eşitlik (5) teki gibi gösterilektedir. M 1 gi, M 2 gi,..., M gi i = 1, 2,..., n (5) Buradaki tü M gi ( = 1, 2,..., ) değerleri, üçgensel bulanık sayılardır. Chang'in genişletiliş analizinin adıları aşağıdaki gibi özetlenebilir [27]: 1. Adı: i. nesne için bulanık büyüklük değeri eşitlik (6) daki gibi tanılanır. S i = M gi n [ M gi ] i=1 1 (6) Burada S i, i. aacın sentez değerini, M gi her bir aaca yönelik genişletiliş değeri ifade etektedir. Eşitlik (6)'daki işle, bulanık sayılarda yapılan bir çeşit noralizasyon işlei olarak da algılanabilir. M gi değerini elde etek için, adet genişletiliş analiz değeri bulanık toplaa işlei yardııyla bulunarak bir atris elde edilir. Bu atrisin elaanları eşitlik (7) yardııyla hesaplanır. 181

4 M gi = ( l,, u ) (7) n [ i=1 M gi ] 1 'i elde etek için, M gi ( = 1, 2,..., ) değerlerinin bulanık toplaa işlei eşitlik (8) deki gibi uygulanır. n [ M gi ] i=1 1 1 = ( n i=1 u i 1, n i=1 i 1, n i=1 l i ) (8) 2. Adı: Chang'in önerdiği yönte, elde edilen sentez değerlerinin karşılaştırılası ve bu karşılaştıra değerlerinden ağırlık değerlerinin elde edilesi esasına dayanaktadır. İki bulanık sayının karşılaştırılası şu şekilde yapılaktadır: M 1 = (l 1, 1, u 1 ) ve M 2 = ( l 2, 2, u 2 ) iki üçgensel bulanık sayı iken M 2 M 1 eşitliğinin olabilirlik derecesi eşitlik (9) daki gibi tanılanır. V(M 2 M 1) = sup [in(μ M 1(x), μ M 2(y))] y x (9) Bu eşitlik, y x eşitsizliğinin genişlee prensibine göre ifade ediliş şeklidir. Eşitlik y x ve μ M 1(x) = μ M 2(y) gibi ilişki bulunan (x,y) sayı çiftinin aralarındaki büyüklük ilişkisini yani M 1 nin M 2 den büyük ola olabilirliğini gösteren değerin V(M 2 M 1) = 1 olduğunu belirtektedir. Bu eşitlikte M 2'nin orta değerinin M 1'den büyük olabilirliği 1 değerini alaktadır. Aksi takdirde, olabilirlik hesabı eşitlik (10) kullanılarak yapılabilir. Ancak sadece, V(M 2 M 1) değerini bilek yeterli değildir. Ayrıca V(M 1 M 2) değerinin de hesaplanası gereklidir. Şekil 2'de görüldüğü gibi M 1 ve M 2 gibi iki bulanık sayıdan M 2'nin M 1'den büyük olabilirliği bu iki sayının kesişi noktasındaki üyelik fonksiyonunun değerine eşittir. M 1 = (l 1, 1, u 1 ) ve M 2 = ( l 2, 2, u 2 ) bulanık sayılar iken, dır. V(M 1 M 2) = yükseklik (M 1 M 2) = μ M 2(d) 1, eğer 2 1 0, eğer l 1 u 2 = l 1 u 2, aksi halde {( 2 u 2 ) ( 1 l 1 ) (10) Şekil 2: M 1 ve M 2 sayılarının büyüklüklerinin karşılaştırılası [25]. 3. Adı: Konveks bir bulanık sayının k adet bulanık sayıdan, M i (i = 1, 2,..., k) daha büyük olabilirlik derecesi eşitlik (11) de olduğu gibi tanılanır. V(M M 1, M 2,, M k ) = V[(M M 1 ) ve (M M 2 ) ve (M M k )] = in V(M M i ), i = 1, 2,..., k O takdirde S 'ler için şu varsayılar yapılıştır: (11) k = 1, 2,..., n; k için d (A i ) = in V (S i S k ) (12) Daha sonra ağırlık vektörü A i (i = 1, 2,..., n)'nin n eleandan oluştuğu eşitlik (13) ile ifade edilir. W = (d (A 1 ), d (A 2 ),..., d (A n )) T (13) 4. Adı: Noralizasyon ile noralize ediliş ağırlık vektörü W eşitlik (14) kullanılarak elde edilir ve burada W bir bulanık sayı değildir. W = (d(a 1 ), d(a 2 ),, d(a n )) T (14) İkili karşılaştıralarda kullanılan bulanık öne dereceleri Tablo 1 de gösteriliştir: Tablo 1: Bulanık öne dereceleri [24]. Sözel Öne Bulanık Ölçek Karşılık Ölçek Eşit öne (1,1,1) (1/1,1/1,1/1) (1,2,3) (1/3,1/2,1) Biraz daha fazla öneli (2,3,4) (1/4,1/3,1/2) (3,4,5) (1/5,1/4,1/3) Kuvvetli derecede öneli (4,5,6) (1/6,1/5,1/4) (5,6,7) (1/7,1/6,1/5) Çok kuvvetli derecede öneli (6,7,8) (1/8,1/7,1/6) (7,8,9) (1/9,1/8,1/7) Taaıyla öneli (8,9,9) (1/9,1/9,1/8) 4 İdeal Çözüe Yakınlığa Göre Tercih Sıralaa Tekniği Yöntei Chen ve Hwang, (1992) tarafından Hwang ve Yoon un (1981) çalışaları referans gösterilerek ortaya konulan TOPSIS yöntei çok kriterli karar vere yöntelerinden birisidir [28]. Yönte ideal çözü için gerekli olan yakınlığı bulurken, he pozitif-ideal çözüe uzaklığı he de negatif-ideal çözüe uzaklığı dikkate alaktadır. Bulunan uzaklıkların birbiri ile karşılaştırılası ile tercih sıralaası yapılaktadır. İdeal çözü, tü kriterler sağlandıktan sonra tercih edilen alternatiflerin bu kriterleri olası gereken yani ideal seviyelerde yerine getiresidir. Eğer ideal çözü uygulanaaz veya ulaşılaaz olursa, o zaan ideal çözüe en yakın noktanın seçilesi gerekektedir. Pozitif-ideal, çözüe en yakın çözü olurken, negatif-ideal, çözüe en uzak çözü olaktadır [29; 30]. TOPSIS yöntei, pozitif-ideal çözüe benzerlik indeksi olarak tanılanaktadır. Buna göre pozitif-ideal çözüe en yakın nokta veya negatif-ideal çözüe en uzak noktanın kobinasyonudur. Daha sonra da ideale en benzer alternatif seçilektedir [29]. TOPSIS yönteinin adıları aşağıda tanılanıştır [31]: 1.Adı: Karar atrisi (D) oluşturulur. Karar atrisinin satırlarında i (i = 1, 2,..., ) alternatifler, sütunlarında ise ( = 1, 2,..., n) ölçütler yer alaktadır. D atrisi karar verici tarafından oluşturulan veri atrisidir. Karar atrisi eşitlik (15)'deki gibi gösterilir. x 11 x 1n D i = [ ] (15) x 1 x n 2. Adı: Noralize ediliş karar atrisi (R) oluşturulur. Noralizasyon işleinin gerçekleştirilesinde farklı yönteler vardır. En sık kullanılanlar vektör noralizasyonu, doğrusal noralizasyon ve onoton olayan noralizasyondur. Doğrusal noralizasyon için de farklı yaklaşılar bulunaktadır. Noralize ediliş karar atrisi için vektör noralizasyonu sıklıkla kullanılan bir yönte 182

5 olarak ortaya çıkaktadır. Burada noralize ediliş karar atrisi için vektör noralizasyonu eşitlik (16)'da belirtiliştir. r i = x i 2 i=1 x i i = 1, 2,..., ; = 1, 2,..., n (16) R atrisi eşitlik (17)'deki gibi elde edilir. r 11 r 1n R i = [ ] (17) r 1 r n 3. Adı: Ağırlıklı noralize ediliş karar atrisi (Y) oluşturulur. Öncelikle değerlendire faktörlerine ilişkin ağırlık değerleri (w i ) belirlenir ( n i=1 w i = 1). Daha sonra atrisinin her bir sütunundaki eleanlar ilgili w i değeri ile çarpılarak Y atrisi oluşturulur. Y atrisi eşitlik (18)'de gösteriliştir. w 1 r 11 w n r 1n Y i = [ ] (18) w 1 r 1 w n r n 4. Adı: Pozitif-ideal (A * ) ve negatif-ideal (A - ) çözüler oluşturulur. İdeal çözü setinin oluşturulabilesi için Y atrisindeki ağırlıklandırılış ölçütlerin yani sütun değerlerinin en büyükleri (ilgili ölçüt iniizasyon yönlü ise en küçüğü) seçilir. Pozitif-ideal çözü setinin bulunası eşitlik (19)'da gösteriliştir. A = {(ax i y i J), (in i y i J )} (19) (19) nuaralı denkle yardııyla hesaplanacak olan set denkle (20)'de gösterildiği gibi oluşturulur. A = {y 1, y 2,..., y n } (20) Negatif-ideal çözü seti ise, Y atrisindeki ağırlıklandırılış ölçütlerin, bir başka deyişle, sütun değerlerinin en küçükleri (ilgili değerlendire faktörü aksiizasyon yönlü ise en büyüğü) seçilerek oluşturulur. Negatif-ideal çözü setinin bulunası eşitlik (21) ile sağlanaktadır. A = {(in i y i J), (ax i y i J )} (21) Denkle (21) yardııyla hesaplanacak olan set eşitlik (22) ile gösteriliştir. A = {y 1, y 2,..., y n } (22) Her iki forülde de J fayda (aksiizasyon), J ise kayıp (iniizasyon) değerini gösterektedir. Gerek pozitif-ideal gerekse negatif-ideal çözü seti, ölçüt sayısı yani eleandan oluşaktadır. 5. Adı: Her alternatifin pozitif-ideal çözü ve negatif-ideal çözüe uzaklıkları hesaplanır. TOPSIS yönteinde her bir alternatife ilişkin ölçüt değerinin pozitif-ideal ve negatif-ideal çözü setinden uzaklıklarının belirlenesinde Euclidian Uzaklık Yaklaşıından yararlanılaktadır. Buradan elde edilen alternatiflere ilişkin uzaklık değerleri ise pozitif-ideal çözüe uzaklık (S i ) ve negatif-ideal çözüe uzaklık (S i ) olarak adlandırılaktadır. Pozitif-ideal çözüe uzaklık (S i ) değeri eşitlik (23), negatif-ideal çözüe (S i ) uzaklık ise eşitlik (24) ile hesaplanaktadır. (S n i ) = (y i y ) 2 (S n i ) = (y i y ) 2 (23) (24) Burada hesaplanacak S i ve S i sayısı, karşılaştırılan alternatif sayısı kadardır. 6. Adı: İdeal çözüe göreceli yakınlık değerleri hesaplanır. Her bir alternatifin ideal çözüe göreceli yakınlığının (C i ) hesaplanasında pozitif-idealden ve negatif-idealden uzaklık ölçüleri kullanılaktadır. Burada kullanılan ölçüt, negatif-ideal çözüe uzaklık değerinin pozitif-ideal çözüe uzaklık değeri ile negatif-ideal çözüe uzaklık değerinin toplaına oranıdır. İdeal çözüe göreceli yakınlık değerinin hesaplanası eşitlik (25)'te gösterilektedir. s i C i = s i + s (25) i Burada, C i değeri 0 C i 1 aralığında değer alır ve C i = 1 ilgili alternatifin pozitif-ideal çözü noktasında bulunduğunu, C i = 0 ilgili alternatifin negatif-ideal çözü noktasında bulunduğunu gösterir. 7. Adı: Alternatifler C i 'ye göre azalan sırada sıraya dizilerek tercih sırası belirlenir. Maksiu C i 'ye sahip, diğer bir deyişle ideale en benzer alternatif seçilir. Çalışanın bundan sonraki bölüünde öncelikle, tek kriterli ABC analizi yapılarak stok kaleleri sınıflandırılaktadır. Stok kaleleri tek bir kritere göre sınıflandırılış olacağından, ilgili stok kaleleri bir kez de çok kriterli ABC analizine göre sıralanıştır. Bu analizde karar verici tarafından belirlenen kriterlerin ağırlıkları BAHP ile hesaplanış ve daha sonra TOPSIS yöntei ile tü kriterler göz önünde bulundurularak stok kalelerinin öne sırası belirleniştir. 5 Uygulaa Ele alınan uygulaa örneği Türkiye nin önde gelen bir holdingine bağlı bir işletede yapılıştır. Fabrikada sürekli üreti yapılaktadır. Stok alanında yapılış olan gözleler sonucunda depolarda bitiş ürünlerin fazla olduğu ve bu nedenle de daha fazla stok alanına ihtiyaç olduğu tespit ediliştir. Stokların etkin bir şekilde yönetii için ürünlerin öne düzeylerinin belirlenesi gerektiği ortaya çıkıştır. Bunun için de ABC analizinden yararlanılıştır. Öncelikle yıllık satış değeri kriteri göz önüne alınarak klasik ABC analizi çalışası yapılıştır. Daha sonra tesli zaanı, biri fiyat, talep, ikae edilebilirlik ve biri aliyet kriterleri göz önünde bulundurularak çok kriterli bir ABC analizi gerçekleştiriliştir. 5.1 Klasik ABC Yöntei ile Çözü İşletenin ürettiği ürünlerden 55 adet stok kalei üzerinden ABC analizi yapılarak stok kalelerinin yıllık satış değerleri bulunuştur. Bir stok kaleinin biri değerinin yıllık talep ile çarpılasıyla yıllık satış değeri elde ediliştir. Bu değerler Tablo 2 de veriliştir. Stok kaleleri Tablo 3 te yıllık satış değerlerine göre büyükten küçüğe doğru sıralanıştır. Her bir stok kaleinin topla satış değeri içerisindeki yüzdeleri bulunuş ve bu yüzdeler küülatif olarak sıralanıştır. Son olarak da ABC sınıflandırılası yapılıştır. Tablo 3 te 19 stok kaleinin A, 20 stok kaleinin B ve 16 stok kaleinin de C grubunda olduğu bulunuştur. A sınıfında yer alan kalelere daha fazla öne verilerek denetilerinin sık yapılası, ayrıntılı stok kayıtlarının tutulası önerilektedir. A sınıfı stoklar satış değeri olarak toplaın %80 ine sahiptir. B sınıfı stokları da satış değeri toplaının %15 ine sahiptir. Bu stokların denetii noral 183

6 zaanlarda yapılabilir. C sınıfı ise satış değeri toplaının %5 ine sahiptir. Bu stoklar için basit stok kayıtları tutulabilir. Tablo 2: Klasik ABC analizi verileri. Ürün Kodu Yıllık Talep (kg) Biri Fiyat (euro/kg) Satış Değeri (euro) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,00 Tablo 3: Ürün stoklarının ABC analizi sonuçları. Satış Değeri Küülatif Sınıflandıra Sıralaası Yüzde ,32 0, A ,44 0, A ,85 0, A ,25 0, A ,20 0, A ,40 0, A ,80 0, A ,10 0, A ,40 0, A ,04 0, A ,04 0, C ,00 0, C ,65 0, C ,70 0, C ,52 0, C ,50 0, C ,70 0, C ,00 0, C ,78 0, C ,20 1 C 5.2 Çok Kriterli Karar Vere Yönteleri ile Çözü Klasik ABC yönteinde olduğu gibi bu analiz de 55 adet stok kalei üzerinden ele alınıştır. Çok kriterli karar verede karar hiyerarşisi aşağıda Şekil 3 te görülektedir. Uygulaanın gerçekleştiği işletedeki ilgili kişilerden oluşturulan bir ekibin çalışası sonucunda tesli zaanı, fiyat, talep, ikae edilebilirlik ve üreti aliyeti kriterleri seçiliştir. Bu kriterlerin ağırlıkları BAHP yöntei ile belirleniştir. Kriterlerin ağırlıklarına göre ürünlerin öne sırası ise TOPSIS yöntei ile elde ediliştir. Şekil 3. Çok kriterli karar verede karar hiyerarşisi. BAHP yöntei için kriterler belirlendikten sonra ikili karşılaştıralarda kullanılan bulanık öne dereceleri Tablo 1 de verilişti. Bu bulanık derecelere göre, uzan kişiler tarafından oluşturulan ikili karşılaştıra atrisi Tablo 4 te veriliştir. Kriterlerin l,, u değerleri o satırdaki l, ve u değerlerinin toplaından elde edilir. Topla l,, u değerleri de bütün satır ve sütundaki l, ve u değerlerinin toplaıdır. Kriterler için bulanık değerler şu şekilde bulunur: St.z = (2,57, 3,7, 4,92) (1/58,3,1/48,3,1/38,8)=(0,044,0,077, 0,127) Sf = (13,16,19) (1/58,3,1/48,3,1/38,8)=(0,223, 0,331, 0,490) St = (7,4, 9,5, 11,67) (1/58,3,1/48,3,1/38,8)=(0,127,0,197, 0,301) Si = (1,82,2,08,2,73) (1/58,3,1/48,3,1/38,8)=(0,031,0,043, 0,070) S = (14,17,20) (1/58,3,1/48,3,1/38,8)=(0,240, 0,352, 0,515) Bulanık büyüklük değerlerine göre olabilirlik dereceleri hesaplanış ve ağırlık vektörü bulunuştur W 1 0,37 0, ,92 0,92 1 0,28 0, Ağırlık vektörü kullanılarak noralize ediliş ağırlık vektörü aşağıdaki şekilde hesaplanıştır. 0 / 2,2 0 0,92 / 2,2 0,42 W 0,28 / 2,2 0,13 0 / 2,2 0 1/ 2,2 0,45 Yukarıdaki eşitlikten elde edilen kriterlerin ağırlıkları Tablo 5 te veriliştir. St.z = (2,57, 3,7, 4,92) (1/58,3,1/48,3,1/38,8)=(0,044,0,077, 0,127) Sf = (13,16,19) (1/58,3,1/48,3,1/38,8)=(0,223, 0,331, 0,490) St = (7,4, 9,5, 11,67) (1/58,3,1/48,3,1/38,8)=(0,127,0,197, 0,301) Si = (1,82,2,08,2,73) (1/58,3,1/48,3,1/38,8)=(0,031,0,043, 0,070) S = (14,17,20) (1/58,3,1/48,3,1/38,8)=(0,240, 0,352, 0,515) Bulanık büyüklük değerlerine göre olabilirlik dereceleri hesaplanış ve ağırlık vektörü bulunuştur W 1 0,37 0, ,92 0,92 1 0,28 0, Ağırlık vektörü kullanılarak noralize ediliş ağırlık vektörü aşağıdaki şekilde hesaplanıştır. 0 / 2,2 0 0,92 / 2,2 0,42 W 0,28 / 2,2 0,13 0 / 2,2 0 1/ 2,2 0,45 184

7 Tablo 4. Kriterlerin bulanık ikili karşılaştıra atrisi. Kriter Tesli Zaanı Fiyat Talep İkae ed. Maliyet Tesli zaanı (1,1,1) (1/5,1/4,1/3) (1/5,1/4,1/3) (1,2,3) (1/6,1/5,1/4) Fiyat (3,4,5) (1,1,1) (3,4,5) (5,6,7) (1,1,1) Talep (3,4,5) (1/5,1/4,1/3) (1,1,1) (3,4,5) (1/5,1/4,1/3) İkae ed. (1/3,1/2,1) (1/7,1/6,1/5) (1/5,1/4,1/3) (1,1,1) (1/7,1/6,1/5) Maliyet (4,5,6) (1,1,1) (3,4,5) (5,6,7) (1,1,1) Yukarıdaki eşitlikten elde edilen kriterlerin ağırlıkları Tablo 5 te veriliştir. Tablo 5: Kriterlerin ağırlıkları. Kriterler Ağırlıklar Tesli Zaanı 0,00 Fiyat 0,42 Talep 0,13 İkae Edilebilirlik 0,00 Maliyet 0,45 Karar verici tarafından belirleniş olan ve ikili karşılaştıraları yapılan kriterlerle gerçekleştirilen işleler sonucu tesli zaanı ve ikae edilebilirlik kriterlerinin diğer kriterler arasında ağırlığı 0 (sıfır) olarak belirleniştir. Bu yüzden TOPSIS yöntei ile yapılacak olan sıralaa işlelerine diğer 3 kriterle deva edilecektir. Bu kısıda satırda ürünler sütunda kriterler yer alacak şekilde karar atrisi (D) oluşturulur. D atrisi karar verici tarafından oluşturulan veri atrisidir. Karar atrisini oluşturabilek için kriterler sırasıyla Tablo 6, 7 ve 8 de ölçeklendiriliştir. Tablo 6: Ürünün fiyat değerlerinin ölçek değerleri. Ölçek Karar vericiden alınan bilgi 1 Ürün fiyatı, 0,1 f<0,40 aralığında çok düşük fiyatlıdır. 2 Ürün fiyatı, 0,40 f<0,80 aralığında düşük fiyatlıdır. 3 Ürün fiyatı, 0,80 f<1,20 aralığında orta fiyatlıdır. 4 Ürün fiyatı, 1,20 f<1,60 aralığında yüksek fiyatlıdır. 5 Ürün fiyatı, 1,60 f aralığında çok yüksek fiyatlıdır. Tablo 7: Ürünün talep iktarının ölçek değerleri (ton). Ölçek Karar vericiden alınan bilgi 1 Ürünün talebi, 100 t<1000 aralığında çok düşüktür. 2 Ürünün talebi, 1000 t<2000 aralığında düşüktür. 3 Ürünün talebi, 2000 t<3000 aralığında noraldir. 4 Ürünün talebi, 3000 t<4000 aralığında yüksektir. 5 Ürünün talebi, 4000 t aralığında çok yüksektir. Tablo 8. Ürünün aliyet ölçek değerleri. Ölçek Karar vericiden alınan bilgi 1 Ürünün aliyeti, 0,1 <0,60 aralığında çok düşüktür. 2 Ürünün aliyeti, 0,60 <0,80 aralığında düşüktür. 3 Ürünün aliyeti, 0,80 < 1 aralığında noraldir. 4 Ürünün aliyeti, 1 <1,20 aralığında yüksektir. 5 Ürünün aliyeti, 1,20 aralığında çok yüksektir. Ölçek tabloları kullanılarak Tablo 9 daki karar atrisi oluşturulur. Karar atrisinin verilerine göre noralize ediliş karar atrisi (R) oluşturuluştur. Noralizasyon işleinin gerçekleştirilesinde farklı yönteler evcuttur. Ancak bu çalışada vektör noralizasyon yaklaşıı kullanılıştır. Noralize ediliş karar değerleri, bir ürünün bir kriterdeki ölçek değerinin, bütün ürünlerin o kriterdeki ölçek değerlerinin karelerinin toplaının kareköküne bölünesi ile bulunuş ve Tablo 10 da gösterilen R atrisi oluşturuluştur. Tablo 9: Karar atrisi (D). Ürün Kodu Fiyat Talep Maliyet Tablo 10: Noralize ediliş karar atrisi (R). Ürün Kodu Fiyat Talep Maliyet , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Ağırlıklı noralize ediliş karar atrisi (Y) Tablo 11 de yer aldığı gibi oluşturuluştur. R atrisinin her bir sütunundaki 185

8 ölçek değerleri daha önceden BAHP ile belirlenen ilgili ağırlık değerleri ile çarpılarak elde ediliştir. Tablo 11. Ağırlıklı noralize ediliş karar atrisi (Y). Ürün Kodu Fiyat Talep Maliyet , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Pozitif-ideal (A*) ve negatif-ideal (A - ) çözüleri oluşturulur. Pozitif-ideal çözü setinin oluşturulabilesi için Y atrisindeki ağırlıklandırılış ölçütlerin yani sütun değerlerinin en büyükleri (ilgili ölçüt iniizasyon yönlü ise en küçüğü) seçilir. Negatif-ideal çözü seti ise, Y atrisindeki ağırlıklandırılış ölçütlerin, bir başka deyişle, sütun değerlerinin en küçükleri (ilgili değerlendire faktörü iniizasyon yönlü ise en büyüğü) seçilerek oluşturulur. Tablo 12 de pozitif-ideal ve negatif-ideal çözüleri gösterilektedir. Her ürünün pozitif-ideal çözü ve negatifideal çözüe uzaklıkları hesaplandıktan sonra ideal çözüe göreceli yakınlık değerleri hesaplanır. Tablo 13 te de pozitifve negatif-ideal çözüe uzaklık ve ideal çözüe göreceli yakınlık değerleri veriliştir. Tablo 12: Pozitif- ve negatif-ideal çözü setleri. Pozitif-ideal çözü seti Negatif-ideal çözü seti Fiyat Talep Maliyet 0, , , , , , Son olarak, C i değerleri büyükten küçüğe doğru sıralanarak ürünler öne sırasına göre sıralanış ve bu sıralaa Tablo 14 te veriliştir. Tablo 15 te klasik ABC analizi sonucu ve BAHP-TOPSIS yönteinin sonucu birbiri ile karşılaştırılıştır. İki yönte karşılaştırılarak hangi yöntede hangi ürün öneli iken diğerinde öneinin azaldığı kontrol ediliştir. Öneinde değişiklik olan ürünler Tablo 16 da ortaya konuştur. Tablo 16 yı özetleek gerekirse, klasik ABC yönteinde B ve C gruplarında olan bazı ürünler BAHP-TOPSIS yönteinde daha öneli hale geliştir. Klasik ABC yönteinde öneli olan A grubu ürünlerin bazılarının BAHP-TOPSIS yönteinde önelerinin azaldığı görülektedir. Klasik ABC yönteinde tek kriter olarak satış değeri dikkate alındığından satış rakaları yüksek olan ürünler öneli sayılıştır. BAHP- TOPSIS yönteinde aliyet, fiyat ve talep kriterlerinin de değerlendireye dahil edilesiyle ürünlerin öne dereceleri değişiştir. Tablo 13: Pozitif- ve negatif-ideal çözüe uzaklık ve ideal çözüe göreceli yakınlık. Ürün Kod Pozitif-İdeal Çözüe Uzaklık (S i ) Negatif-İdeal Çözüe Uzaklık (S i ) İdeal Çözüe Göreceli Yakınlık (C i ) , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Etkin stok yönetii politikalarının kullanıına göre firadaki karar vericilerin değerlendiresi ile stoğa çalışıldığı takdirde BAHP-TOPSIS yönteinin kullanılası daha doğru olacaktır. Klasik ABC yönteinde öneli sayılan A grubu stoklar yıllık satış değerleri açısından %80 lik ancak iktar olarak %20 lik bir paya sahip olduğu için satışa yönelik ürünlerdir. Bu yüzden BAHP-TOPSIS yönteinde aliyet ve diğer kriterler açısından değerlendirildiğinde stokta çok bekleeyen ürünler olduğu için stokta bulundurulaları önesiz hale geliştir. Aynı şekilde Klasik ABC yönteinde B ve C grubu ürünler yıllık satış değeri bakıından topla olarak %20 lik bir paya, iktar bakıından ise toplada %80 lik bir paya sahiptir. Bu yüzden BAHP-TOPSIS yönteinde bu grup ürünler stokta kala olasılığı yüksek ürünler olduğu için aliyet ve diğer kriterler açısından daha öneli oluştur. Böylece firanın politikası doğrultusunda çok kriterli karar vere yönteleri kullanılarak etkin bir stok kontrolünün yapılası sağlanıştır. Tablo 14. İdeal çözüe göreceli yakınlık değerlerinin sıralanası. C i Büyüklük Sırası , , , , , , , , , , ,

9 3356 0, , , , , , , , ,39939 Tablo 15: Klasik ABC analizi ve BAHP-TOPSIS yönteinin Karşılaştırılası. Klasik ABC Analizi BAHP-TOPSIS Yöntei 8724 A , A , A , A , A , A , A , A , A , A , C , C , C , C , C , C , C , C , C , C ,39939 Tablo 16: Klasik ABC ve BAHP-TOPSIS yöntelerinin ürün bazında değerlendirilesi. Klasik ABC de önei az iken BAHP-TOPSIS yönteinde öneli ürünler BAHP-TOPSIS de önei az iken Klasik ABC yönteinde öneli ürünler Sonuçlar 1006 Yapılan uygulaada bitiş ürün stokları için satış değeri kriteri kullanılarak klasik ABC yöntei uygulanıştır. Her bir ürünün topla satış değeri içindeki yüzdesi bulunarak yüzdeler küülatif olarak sıralanıştır. Bu sıraya göre ABC sınıflandırılası yapılıştır. Daha sonra tesli zaanı, fiyat, talep, ikae edilebilirlik ve aliyet kriterleri kullanılarak çok kriterli ABC analizi yapılıştır. Bulanık AHP yönteinde bulanık öne dereceleri kullanılarak kriterler ikili karşılaştırılarak bir atris elde ediliştir. Her kriter için bulanık değerler hesaplanarak bu değerlere göre olabilirlik dereceleri bulunuş ve ağırlık vektörü elde ediliştir. Bu vektör noralize edilerek her bir kriterin bulanık olayan ağırlığı bulunuştur. Karar verici tarafından kriter olarak değerlendirilen ancak bu işleler sonucu birbiri içinde öneli oladığı ve ağırlığının sıfır bulunduğu iki kriter (ikae edilebilirlik, tesli zaanı) bundan sonraki işleler için göz önünde bulundurulaıştır. Çalışaya kalan üç kriterle deva ediliştir. Ürünlerin sıralanası için TOPSIS yöntei kullanılıştır. TOPSIS yönteinde öncelikle karar verici tarafından belirlenen ölçeklerle karar atrisi oluşturuluştur. Vektör noralizasyonu yaklaşıı ile noralize ediliş karar atrisi oluşturuluş ve kriter ağırlıklarıyla ilişkilendirilerek ağırlıklı noralize ediliş karar atrisi hesaplanıştır. Pozitif-ideal ve negatif-ideal çözüleri bulunarak her ürünün pozitif-ideal çözü ve negatif-ideal çözüe uzaklıkları hesaplanıştır. Daha sonra ideal çözüe göreceli yakınlık değerleri hesaplanarak büyüklük sıralaası yapılış ve ürünlerin öne sırası belirleniştir. Çalışanın sonunda iki yöntein sonuçları karşılaştırılarak karar vericiler ile bir değerlendire yapılıştır. Değerlendireler sonucu BAHP- TOPSIS yönteinin daha etkin sonuçlar verdiği ortaya konuştur. 7 Kaynaklar [1] Sulak, H., Stok Kontrolü ve Ekonoik Sipariş Miktarı Modellerinde Yeni Açılılar: Ödeelerde Gecikeye İzin Verilesi Duruu ve Bir Model Önerisi, Süleyan Deirel Üniversitesi, Sosyal Bililer Enstitüsü, Doktora Tezi, 160 Sayfa, Nisan [2] Çınar, Y., Çok Nitelikli Karar Vere ve 'Bankaların Mali Perforanslarının Değerlendirilesi Örneği, Ankara Üniversitesi, Sosyal Bililer Enstitüsü, Yüksek lisans Tezi, 204 sayfa, [3] Ertuğrul, İ. ve Tanrıverdi, Y., "Stok Kontrolde ABC Yöntei ve AHP Analizlerinin İplik İşletesine Uygulanası", Uluslararası Alanya İşlete Fakültesi Dergisi, Cilt: 5, Sayı: 1, s , [4] Top, A., Üreti Sisteleri: Analiz ve Planlaası, 3.b., İstanbul: Alfa Bası Yayı, [5] Daşdeir, İ. ve Güngör, E., Çok Boyutlu Karar Vere Metodları ve Orancılıkta Uygulaa Alanları, ZKÜ Bartın Oran Fakültesi Dergisi, Cilt: 4, Sayı: 4, s. 1-19, [6] Tanyaş, M. ve Baskak, M., Üreti Planlaa ve Kontrol, 2.b, İstanbul: İrfan Yayıcılık, [7] Chu, C.-W., Liang, G.-S., Liao, C.-T., Controlling inventory by cobining ABC analysis and fuzzy classification, Coputers & Industrial Engineering, Vol. 55, pp , [8] Flores, B.E., Whybark, D.C., Ipleenting ultiple criteria ABC analysis, Journal of Operations Manageent, Vol. 7 (1-2), pp , [9] Chen, Y., Li K.W., Kilgour, D.M., Hipel, K.W., A case-based distance odel for ultiple criteria ABC analysis, Coputers & Operations Research, Vol. 35, pp , [10] Partovi, F.Y., Anandaraan, M., Classifying inventory using an artificial neural network approach, Coputers& Industrial Engineering, Vol. 41, pp , [11] Flores, B.E., Olson, D.L., Dorai, V.K., Manegeent of ulticriteria inventory classification, Matheatical and Coputer Modelling, Vol. 16 (12) pp , [12] Cakir O., Canbolat M.S., A web-based decision support syste for ulti-criteria inventory classification using fuzzy AHP ethodology, Expert Systes with Applications, Vol. 35, pp , [13] Guvenir, H.A. and Erel, E., Multicriteria inventory classification using a genetic algorith. European Journal of Operational Research, Vol. 105 (1), pp ,

10 [14] Raanathan, R., ABC inventory classification with ultiple-criteria using weighted linear optiization, Coputers & Operations Research, Vol. 33, pp , [15] Zhou, P., Fan, L., A note on ulti-criteria ABC inventory classification using weighted linear optiization, European Journal of Operational Research, Vol. 182, pp , [16] Bhattacharya, A., Sarkar, B., Mukheree S.K., Distancebased consensus ethod for ABC analysis, International Journal of Production Research, Vol. 45, No. 15, , [17] Aydın Keskin G., Özkan C., Multiple Criteria ABC Analysis with FCM Clustering, Journal of Industrial Engineering, Vol. 2013, pp. 1-7, [18] Hadi-Vencheh, A., Mohaadghasei, A., A fuzzy AHP-DEA approach for ultiple criteria ABC inventory classification, Expert Systes with Applications, Vol. 38, pp , [19] Torfi, F., Zanirani Farahani, R., Rezapour, S., Fuzzy AHP to deterine the relative weights of evaluation criteria and Fuzzy TOPSIS to rank the alternatives, Applied Soft Coputing, Vol. 10, , [20] Supçiller, A.A. ve Çapraz, O., "AHP-TOPSİS Yönteine Dayalı Tedarikçi SEçii Uygulaası", İstanbul Üniversitesi İktisat Fakültesi Ekonoetri ve İstatistik Dergisi, Sayı:13, s. 1-22, [21] Toksarı, M. ve Toksarı, M.D., "Bulanık Analitik Prosesi (AHP) Yaklaşıı Kullanılarak Hedef Pazarın Belirlenesi", ODTÜ Gelişe Dergisi, Sayı: 38, s , [22] Aydın, Ö., "Bulanık AHP ile Ankara için Hastane Yer Seçii", Dokuz Eylül Üniversitesi İktisadi ve İdari Bililer Dergisi, Cilt: 24, Sayı: 2, s , [23] Ertuğrul, İ. ve Karakaşoğlu, N., "Electre ve Bulanık AHP Yönteleri ile Bir İşlete için Bilgisayar Seçii", Dokuz 1 Eylül Üniversitesi İktisadi ve İdari Bililer Dergisi, Cilt:25, Sayı: 2, s , [24] Akan, G. ve Alkan, A., "Tedarik Zinciri Yönetiinde Bulanık AHP Yöntei Kullanılarak Tedarikçilerin Perforansının Ölçülesi: Otootiv Yan Sanayiinde Bir Uygulaa", İstanbul Ticaret Üniversitesi Fen Bilileri Dergisi, Sayı:9, s , [25] Yalçın Seçe, N. ve Özdeir, A.İ., "Bulanık Analitik Hiyerarşi Yöntei ile Çok Kriterli Strateik Tedarikçi Seçii: Türkiye Örneği", İktisadi ve İdari Bililer Dergisi, Cilt:22, Sayı:2, s , [26] Avcı Öztürk, B. ve Başkaya, Z., "Bulanık Analitik Hiyerarşi Süreci ile Bir Ekek Fabrikasında Un Tedarikçisinin Seçii", Business and Econoics Research Journal, Cilt: 3, Sayı:1, s , [27] Öztürk A., Ertuğrul, İ. ve Karakaşoğlu, N., "Nakliye Firası Seçiinde Bulanık AHP ve Bulanık TOPSIS Yöntelerinin Karşılaştırılası", Marara Üniversitesi İktisadi ve İdari Bililer Dergisi, Cilt: 25, Sayı: 2, s , [28] Deireli, E., "TOPSIS Çok Kriterli Karar Vere Sistei: Türkiye'deki Kau Bankaları Üzerine Bir Uygulaa", Girişicilik ve Kalkına Dergisi, Cilt: 5, Sayı:1, s , [29] Özgüven, N., "Kriz Döneinde Küresel Perakendeci Aktörlerin Perforanslarının TOPSIS Yöntei ile Değerlendirilesi", Atatürk Üniversitesi İktisadi ve İdari Bililer Dergisi, Cilt: 25, Sayı: 2, s , [30] Özdeir, A.İ. ve Yalçın Seçe, N., İki Aşaalı Strateik Tedarikçi Seçiinin Bulanık Topsıs Yöntei İle Analizi, Afyon Kocatepe Üniversitesi İ.İ.B.F. Dergisi, Cilt: 11, Sayı: 2, s , [31] Özdağoğlu, A., "Üreti Yapan İşleteler için Hidrolik Giyotin Alternatiflerinin TOPSIS Yöntei ile İncelenesi", Ege Akadeik Bakış Dergisi, Cilt: 12, Sayı: 4, s ,