TEDARİKÇİ SEÇİMİ İÇİN BİR KARAR DESTEK SİSTEMİ A DECISION SUPPORT SYSTEMS FOR SUPPLIER SELECTION

Transkript

1 Süleyma Demrel Üverstes Mühedslk Blmler ve Tasarım Dergs 3(2), 9-04, 205 ISSN: Araştırma Makales Suleyma Demrel Uversty Joural of Egeerg Sceces ad Desg 3(2), 9-04, 205 ISSN: Research Artcle TEDARİKÇİ SEÇİMİ İÇİN BİR KARAR DESTEK SİSTEMİ Yusuf ŞAHİN *, A. Ayça SUPÇİLLER 2 Mehmet Akf Ersoy Üverstes, İktsad ve İdar Blmler Fakültes, İşletme Bölümü, Burdur, Türkye 2 Pamukkale Üverstes, Mühedslk Fakültes, Edüstr Mühedslğ Bölümü, Dezl, Türkye Aahtar Kelmeler AHP, TOPSIS, K-Ortalamalar, Tedarkç Kümeleme Özet Tedarkç seçm, satı alma foksyou çersde oldukça öeml br faalyettr. Tedarkç seçm başlıca amacı, frmaı sürekllk ve fyat etklğ htyaçlarıı karşılaya yüksek potasyell tedarkçler belrlemesdr. Tedarkçler kousuda yapılacak doğru terchler satı alma malyetler azaltırke, müşter memuyet ve rekabet yeteeğ artırır. Bu çalışmada, tedarkç seçm ve değerledrme problem çözümü ç Aaltk Hyerarş Proses (AHP), TOPSIS ve K-ortalamalar yötemler kullaıldığı br karar destek sstem öerlmştr. Değerledrme krterler ağırlıkları AHP le belrlemş ve bu ağırlıklar TOPSIS yötem grds olarak kullaılmıştır. TOPSIS le ağırlıklı pualarıa göre sıralaa tedarkçler K-ortalamalar yötem le alt kümelere ayrılmıştır. E y tedarkçy seçmek yere, K-ortalamalar yötem AHP ve TOPSIS yötemler le brlkte kullaımıyla bezer özellkler ola tedarkçler kümeledrerek etk tedark plalarıı hazırlaması hedeflemştr. A DECISION SUPPORT SYSTEMS FOR SUPPLIER SELECTION Keywords AHP, TOPSIS, K-Meas, Suppler Clusterg Abstract Suppler selecto s a mportat actvty wth the purchasg fucto. The ma objectve of suppler selecto s to detfy hgh-potetal supplers who meet the frm s cotuty ad prce effectveess eeds. The rght choces about supplers mprove the customer satsfacto ad compettveess whle reducg costs. I ths study, Aalytc Herarchy Process (AHP), TOPSIS ad K-meas methods are used to solve suppler selecto ad evaluato problem. The crtera are weghted usg AHP ad the these weghts are used as put of TOPSIS method. The supplers raked accordg to weghted scores usg TOPSIS are dvded to subsets wth K-meas method. Istead of selectg the best suppler, t s amed to geerate the frastructure to prepare effectve procuremet pla clusterg the supplers who have smlar characterstcs by usg K- meas method wth AHP ad TOPSIS methods.. Grş İşletmeler, sahp olduğu kayakları e uygu şeklde dağıtmak ve vermllğ artırmak ç hızlı ve doğru kararlar almak zorudadır. Bu kararlar çersde tedarkç seçm kararı orgazasyolar ç verlmes gereke e öeml kararları başıda gelr. Frmaları tedarkç değerledrme ve seçm yapmalarıı başlıca amacı, kedler ç yüksek katma değer yaratablecek, şletme çalışma sstem le uyumlu tedarkçler belrlemektr. Tedarkçler geellkle kalte, sürekllk, fyat etklğ ve htyaçları karşılaması gb ölçütlere göre değerledrmeye tab tutulur. İşletmeler pyasada koumlarıı koruyablmeler amacıyla daha kısa teslm süreler, düşük malyetler ve daha yüksek kalte düzey sağlamak ç belrl stratejler takp etmeler gerekr. Bu oktada, mevcut İlgl yazar: ysah@mehmetakf.edu.tr rekabet şartları çersde müşter htyaçlarıa ve bekletlere hızlı br şeklde cevap vereblmek hayat öem taşır. Özellkle şletme fyatlarıı tedarkçler kadar hızlı yükseltemedkler durumlarda, şletme çok sayıda tedarkçye sahp olması tedarkç üzerde fyat, kalte ve teslmat plaı kotrolüe olaak sağlar (Laudo ve Laudo, 20: 96). Tedark stratejs olarak hammadde ve yarı mamul tem edle çok sayıda tedarkç olması şletme farklı tedark plaları oluşturablmes açısıda doğru br poltkadır. Dğer tarafta, tedark ağıı yerel, ulusal ve uluslarası tedarkçler eklemes yoluyla geşletlmes de frmaı pazardak rekabet gücüü arttırmasıa yardımcı olur. Tedarkçler şletmeler tedark zcr e öeml parçasıdır. Doğruda şletmeye bağlı olmamaları, sadece şletme tedark zcr br parçası olmaları sebebyle tedarkçlerle ola lşkler 9

2 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem yöetm özel çaba gerektre br koudur. Tedarkçler özele seçlmes ve uygu tedarkçler le çalışılması şletme çıktı kaltes ve tbarıı doğruda etkler. Tedarkçler şletme performasıı olumlu ya da olumsuz etkledğ ç etk tedark zcr yöetm le doğru tedarkçler seçm bağlatılı koulardır. Tüm bular dkkate alıdığıda tedarkç seçm problem, şletme üretm faalyetler ç gerekl ola hammadde, yarı mamul, ürü veya hzmetler hag tedarkçde sağlaacağı le lgl karar problem olarak taımlaablr. Bu çalışmada tedarkç seçm problem so seçm safhası ele alımıştır. Öcek çalışmalarda farklı olarak tek br tedarkç seçmek yere etk satı alma plalarıı hazırlaablmes ç tedarkçler kümeledrlmes le lgl bütüleşk br karar destek sstem öerlmştr. İlk aşamada, belrlee değerledrme ölçütler Aaltk Hyerarş Proses (AHP) kullaılarak ağırlıkladırılmış ve bu ölçüt ağırlıkları kullaılarak TOPSIS yötem ağırlıkladırılmış karar matrs elde edlmştr. K- ortalamalar yötem le kümeledrme çalışması SPSS 2 paket programı yardımıyla yapılmış ve tedarkçler dört kümeye ayrılmıştır. Takp ede bölümler orgazasyou şu şekldedr: kc bölümüde tedarkç seçm ve değerledrme problemler ele alımıştır. Üçücü bölümde AHP, TOPSIS ve K- ortalamalar yötem le lgl açıklamalar yapılmıştır. Dördücü bölümde hpotetk verler kullaılarak öerle sstem le lgl br uygulama yapılmıştır. Beşc bölümde se elde edle souçlar değerledrlmş ve gelecekle yapılablecek çalışmalar le lgl öerler suulmuştur. yapablmek ç çok da kullaışlı olmazke, gerekl ola blg elde edlmes ve kabul edleblr br süre çersde aalzde güçlükler yaşaablmektedr. Değerledrme ölçütler tam olarak belrlemede grşlecek blg toplama faalyetler gereksz çabalara yol açacağı y blmeldr. Tedarkç seçm, şrket yapısı çde farklı şlevlere htap etmekle beraber hyerarşk br yapıda çok sayıda cel ve tel faktörü kapsaya çok amaçlı br karar problemdr. Bu problem ç kullaıla optmzasyo tekkler malyet foksyouu mmze edlmesde karar vercye yardımcı olurke, çok ölçütlü karar verme tekkler alteratfler sstematk olarak değerledrleblmes sağlar. So seçm safhası satı alma sürecdek e görüür safhadır. Lteratürdek modeller celedğde tedarkç seçm sürec so seçm safhasıa yoğulaşıldığı görülmektedr. So seçm aşamasıda öcek problem taımlaması, ölçütler formülasyou ve uygu tedarkçler belrlemes safhalarıa satı alma ve tedark yötem kousuda araştırma yapaları daha az lg gösterdğ görülmektedr. Acak; bu safhaı kaltes büyük br orada buda öcek adımları kaltese bağlı olduğu uutulmamalıdır (De Boer vd., 200: 79). Tedarkç seçmde karar metotlarıı koumladırılması Şekl 'de gösterlmektedr. 2. Blmsel Yazı Taraması 2.. Tedarkç Seçm Problem Tedarkç seçm problem, brde çok değerledrme ölçütüü dkkate alıdığı çok ölçütlü br karar problemdr. Satı alma malyetler toplam malyet çersdek oraıı %70 lere kadar çıktığı (Ghodsypour ve O Bre, 998:99; Güer ve Mutlu, 2005:473) düşüülecek olursa, tedarkç seçm şletme başarısıa ola daha etks et br şeklde alaşılablr. Tedarkç seçm ç Stamm ve Golhar (993), Ellram (990) ve Roa ve Kser (980) sırasıyla 3, 8 ve 60 adet krter belrlemştr (Ghodsypour ve O Bre, 998: 99). Tedarkç seçm çalışmalarıda kullaılacak ola ölçütler değerledrmeye alıacak bütü tedarkçlere uygulaablr özellkte ve şrket htyaç ve tedark stratejse uyumlu olması gerekr. Doğru ve objektf değerledrmeler, bütü tedarkçlere uygulaablecek ortak ölçütler sağlıklı br şeklde belrlemes le mümkü olmaktadır. Bu oktada, belrlee ölçütlerde bazıları değerledrme Sah Y., Supcller A. A., 205. SDU-JESD Şekl. Karar Metotlarıı Koumladırması (Kayak: De Boer vd., 200:79) De Boer vd., (200), tedarkç seçm sürecde kullaıla karar modeller potasyel tedarkçler ö değerledrmes ç kullaıla karar modeller ve fal karar aşaması ç kullaıla karar modeller olarak kye ayırmıştır. Ö değerledrme çalışmalarıda kullaıla yötemlere, kategork yötemler (Zez, 98; Tmmerma, 986), ver zarflama aalz (Weber ve Ellram, 992; Weber ve Desa, 996; Weber vd., 998; Papagapou vd., 996; Lu vd., 2000), küme aalz (Hkle vd., 969, Holt, 998) ve yapay zeka yaklaşımıa dayalı ola olay bazlı edeleme (Ng vd., 995) örek olarak verleblr. So seçm aşamasıda kullaıla yötemler se tek tp ve çok tp ürü ç olmak üzere Leer Ağırlıkladırma Model (Zez, 98; Tmmerma, 986; De Boer vd., 92

3 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem 998; Grado ve Saes, 996; Gregory, 986; Soukoup, 987), Toplam Sahp Olma Modeller (Moczka ve Trecha, 988; Smytka ve Clemes, 993), Matematksel Programlama modelerdr (Turer, 988; Pa, 989; Chaudhry vd., 993; Weber ve Curret, 993; Das ve Tyag, 994; ; Sadra ve Yoo, 994; Beto, 99; Karpak vd., 999; Dağdevre ve Ere, 200). Leer Ağırlıkladırma Modeller çersde yer ala AHP (Saaty, 977) tedarkç seçmde sıkça kullaıla br karar verme yötemdr. AHP yötem üretm, pazarlama, toplam kalte yötem, kıyaslama ve bezer koulardak çok ölçütlü karar problemler çözümüde sıkça kullaıla br yötemdr. AHP tek başıa kullaıldığı çalışmalar olduğu gb başka yötemler le bütüleştrlerek kullaıldığı çalışmalar da lteratürde mevcuttur. AHP yötem tedarkç seçm ve değerledrmes (Ghodsypour ve O Bre, 998; Tam ve Tummala, 200; Dağdevre, vd., 200; Koçak, 2003; Wag vd., 200; Murat ve Çelk, 2007; Özdemr, 200; Tahrr vd., 2008, Chamodrakas vd., 200; Özka vd., 20; Supçler ve Çapraz, 20), araç seçm (Gügör ve İşler, 2005; Şah ve Akyer, 20), ders seçm (Düdar, 2008), hastae yer seçm (Akçalı, 2009), proje portföy seçm (Le ve Nguye, 2007) ve malyet dağıtım aahtarı seçm (Esmeray ve Taç, 2009) gb koularda uygulamaları mevcuttur. Buları yaı sıra yötem, performas değerledrme (Yaralıoğlu, 200; Albayrak ve Erkut, 2005; Erasla ve Algü, 2005; Grger ve Kaygısız, 2009; Çet ve Bıtırak, 200) kred değerledrme (İç ve Yurdakul, 2000), yatırım değerledrme (Kegpol, 2004), performas gösterges oluşturma (Lee vd., 20) çalışmaları gb farklı alalardak çok ölçütlü karar problemlere uyguladığı görülmektedr. Çok ölçütlü karar problemlerde sıkça kullaıla dğer br yötem TOPSIS yötemdr. TOPSIS yötem de ye sa kayağı seçm (Ecer, 2006), mermer kesm yötem seçm (Elere ve Ersoy, 2007), ERP yazılımı seçm (Özgül ve Yazga, 2006), degelemş skor kartıdak stratejler seçm ve sıralaması (Dodageh vd., 20), robot seçm (Chu ve L, 2003), araç seçm (Şah ve Akyer, 20), tedarkç seçm (Che vd., 2006; Shemshad vd., 20; Supçler ve Çapraz, 20) gb seçm çalışmalarıda sık kullaıla br yötem olarak karşımıza çıkmaktadır. Buu yaı sıra, performas değerledrme (Yurdakul ve İç, 2005; Demrel 200; Akkaya, 2004; Bülbül ve Köse, 2009), hzmet kaltes değerledrlmes (Pal ve Choudhury, 2009; Betez, 2007), CNC makeler özellkler değerledrlmes (Athawale ve Chakraborty, 200), e-ktap okuyucu seçm (Orçalı ve Öze, 203), futbolcu performaslarıı değerledrlmes (Karaatlı vd., 204) TOPSIS yötem kullaıldığı dğer çalışmalardır. Sah Y., Supcller A. A., 205. SDU-JESD Tedarkç Kümeledrlme Tedarkçler etkl br şeklde seçm ve değerledrmes şletmeler açısıda öeml br karar kousudur. Tedarkçler seçm ve değerledrmeye tab tutulması, şletme hedef ve poltkaları uyumlu olamayacak tedarkçler elme ederke, şletme uzu soluklu ş lşks kurableceğ tedarkçler belrlemesde büyük öem taşır. Bütü sektörlerde malyetler etk kotrolü ve tedarkçler koordasyou şletmey dğerlerde ayıra e öeml faktör olarak karşımıza çıkmaktadır. Acak şletmeler üretmlerde brçok hammadde ve yarı mamul ç olarca farklı tedarkç le çalışma zorululuğu problem boyutuu ve karmaşıklığıı arttırır. Tedarkçler kedlere has üretm sstemler seçm ve değerledrme le lgl sstemler kurulmasıı zorlaştıra br etmedr. Souç olarak etk br yöetm ç tedarkçler belrl br ayrıma tab tutulması htyacı orta çıkmaktadır (Che ve Wag, 200: 746). Ha ve Krsha (2008), AHP, Ver Zarflama Aalz ve Özörgütlemel Harta (Self-Orgazg Map) Ağları yötemler kullaarak 26 adet tedarkçy 6 homoje altkümeye ayırmıştır. Botta ve Rzz (2008) tedarkçler ve satı alıa ürüler kümeledrlmes ç kümeleme aalz ve AHP yötemlerm kullamıştır. Che vd. (2006), tedarkç seçm ç bulaık küme teors ve TOPSIS yötemler kullamıştır. Mehdzadeh (2009), tedarkçler kümelere ayırmak ç parçacık sürüsü algortması bulaık br kümeleme yötem öermştr. Che ve Wag (200), tedarkçler kümeledrlmes ç K-ortalamalar, tavlama bezetm, parçacık sürü optmzasyo algortması ve TAGUCHI yötemler kullaıldığı KSACPSO adıı verdkler hbrd br yötem kullamıştır. Lu ve Jag (200), çok sayıda tedarkçy bezer özellkte tedarkçler yer aldığı alt gruplara ayırmak ç bulaık C-ortalamalar yötem ve karıca kolos algortmalarıı brlkte kullaıldığı br yötem öermştr. Azada vd. (20), tedarkçler kümeleme ç bulaık C-ortalamalar, seçm ç ELECTRE yötem kullaıldığı br çalışma yapmıştır. İbrahm vd, (20), müşterler elektrok tcaret stelere güve duyması ç gerekl ola faktörler kümeledrlmes ç K-ortalamalar yötem ve bu faktörler ağırlıkladırılması ç AHP yötem kullamıştır. Lopez-Ortega ve Rosales (20), çok krterl karar problemler ç bulaık kümeleme ve AHP' kullaıldığı br yötem öermştr. Wag ve Zhu (202), üçücü part terse lojstk frması seçm ç bulaık kümeleme aalz yötem gelştrmştr. Che (202), K-ortalamalar ve tavlama bezetm le kümeledkler tedarkçler AHP le karşılaştırdıkları k aşamalı br yötem gelştrmştr. 93

4 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Raz (204), öcede belrlemş dekslere göre kümeledrle tedarkçler gr lşkler aalz le değerledrmeye tab tutmuş ve tedarkç kombasyolarıı optmal sıralarıı ve malyetler yapay arı kolos algortması le belrlemştr. Lteratür celedğde, AHP, TOPSIS ve K- ortalamalar yötemler farklı seçm ve kümeleme problemler ç değşk şekllerde kulladığı görülmektedr. Bu çalışmada, AHP yötem le belrlee ağırlıklar, TOPSIS yötemde ağırlıklı ormalleştrlmş karar matrs oluşturulmasıda kullaılmıştır. Ardıda deal çözüme görel yakılıkları belrlee alteratf tedarkçler K- ortalamalar yötem le A, B, C ve D olmak üzere 4 sııfa ayrılmıştır. A (Yüksek Performaslı ve Yeterl) sııfı tedarkçler e y performası göstere ve frmaı uzu soluklu lşk kurması gereke tedarkçler yer aldığı sııfı fade etmektedr. B (Yüksek Performaslı ve Gelştrlmel) sııfı tedarkçler eksk yöler olmakla brlkte A sııfı tedarkç olma potasyel yüksek frmalarda oluşur. C (Düşük Performaslı acak Yatırım Yapılablr) sııfı mevcut durumda potasyel az ama uygulaacak çeştl programlar le A sııfı tedarkç özellğ kazadırılablecek potasyele sahb frmalarda oluşurke, D (Düşük Performaslı ve Yetersz) sııfı se göz ardı edlmes gereke frmaları kümes fade etmek ç kullaılmıştır. 3. Materyal ve Yötem 3.. Aaltk Hyerarş Proses Aaltk Hyerarş Proses Saaty (977) tarafıda öerle ve karmaşık karar problemler çözümüde kullaılable br karar destek aracıdır. Yötem, matematksel özellkler ve verler kolay elde edleblmes gb özellkler edeyle araştırmacıları yoğu lgs çekmştr. Bu yötemde, ölçütler, alt ölçütler ve alteratflerde oluşa çok kademel br yapı kullaılır. İlgl verler br dz kl karşılaştırma etcesde elde edlr. Karar ölçütler öem ağırlıklarıı belrlemek ç kullaıla bu karşılaştırmalar, her br alteratf ç görel performas ölçümler belrlemes ç kullaılır (Trataphyllou ve Ma, 995: 35). Ölçütler görecel ağırlıklarıı belrlemesde kullaıla ölçek Saaty ölçeğdr. Saaty ölçeğ Tablo de, kl karşılaştırma matrs Tablo 2'de gösterlmştr. w 2/w oraı 2 umaralı ölçütü br umaralı ölçüte göre e derece terch edldğ gösterr. Öreğ bu değer 9 olması durumuda, 2 umaralı ölçüt umaralı ölçüte göre çok güçlü öeme sahptr der. Ya karşılaştırma ç kullaıla ölçüt kaıtlamış br terch edleblrlğe ve e yüksek sıraya sahptr. İkl karşılaştırma matrsler oluşturulmasıda sora Sah Y., Supcller A. A., 205. SDU-JESD matrste yer ala her br elema buluduğu sütuu toplamıa bölüerek ormalleştrme şlem gerçekleştrlr. Eğer br özellğe at değer (öreğ fyat) küçük olması steyorsa lgl değer ters alıdıkta sora ormalleştrme şlem uygulaır ve her br satırda yer ala değerler toplaarak ölçütler ağırlıkları belrler. (Şah ve Akyer, 20: 75). Öem Dereces Eşt Öem 3 Tablo. Saaty Ölçeğ Taımı Dğere göre zayıf öem 5 Güçlü öem 7 Daha güçlü öem 9 Çok güçlü öem 2, 4, 6, 8 Değerler Tersler Açıklama İk alteratf amaca eşt katkıda buluur. Tecrübe ve yargılar br dğere az terch edleblrlğ gösterr. Tecrübe ve yargılar br dğere terch edleblrlğ gösterr. Br aktvte güçlü şeklde terch edleblr ve uygulamada baskıdır. Br aktvte kaıtlamış br terch edleblrlğe vere yüksek sıraya sahptr. İk yargı arasıdak Uzlaşma gerektğde. ara öem dereceler aktvtes j aktvtesyle kıyasladığıda yukarıdak değerlerde bre sahpse, j aktvtes aktvtesyle karşılaştırıldığıda bu değer terse sahp olur Kayak: (Saaty, 2008: 86) Tablo 2. İkl karşılaştırma matrs Ölçüt Ölçüt 2 Ölçüt 3 Ölçüt w /w 2 w /w 3 Ölçüt 2 w 2/w w 2/w 3 Ölçüt 3 w 3/w w 3/w 2 Ölçütlere verle ağırlıkları tutarlı olup olmadığıa tutarlılık oraıa bakarak karar verlr. Tutarlılık oraıı belrleeblmes ç öcelkle C " le fade edle tutarlılık ölçütüü Deklem () kullaılarak hesaplaması gerekr. Bu ölçütü kullaılması AHP e kuvvetl yölerde brdr.. alteratf ç tutarlılık ölçütü Deklem () le elde edlr. Tutarlılık ölçütüü belrlemes ardıda Deklem (2) ve Deklem (3) kullaılarak tutarlılık oraı belrler. (Uluca, 2004: ). C " = CI = T "% : ve j ölçütler (ya da % T "% p % alteratfler) kl karşılaştırma p " değer p % : j ölçütüü (ya da alteratf) puaı () ( ) " /( ) (2) * CR = CI RI 0,0 (3) Yukarıdak formülde yer ala RI değer rastsal deks fade etmektedr. Adıda da alaşılacağı üzere rastsal üretle matrslerde elde edlmştr. RI değer değerledrmede kullaılacak ola ölçüt sayısıa göre 94

5 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Tablo 3 tek değerler arasıda seçlr. Yapıla değerledrme souda tutarlılık oraı ç %0 u altıda br değer buluması ölçüt ağırlıklarıı yaklaşık olarak doğru hesapladığıı gösterr. Tablo 3 te farklı ölçüt sayılarıa göre rastsal deks değerler gösterlmektedr. Tablo 3. Rastsal deks tablosu RI RI RI RI RI 0 4* 0,9 7,32 0,49 3, ,2 8,4,5 4,57 3 0,58 6,24 9,45 2,48 5,59 Kayak: Saaty ve Tra, (2007), s TOPSIS Yötem TOPSIS yötem, boyutlu (ölçütlü) alada m oktalı (alteratf) geometrk br sstem olarak m alteratfl çok ölçütüü br karar verme yötemdr. Yötem Hwag ve Yoo (98) referas alıarak Che ve Hwag (992) tarafıda gelştrlmştr. TOPSIS yötem temel matığı seçle alteratf poztf deal çözüme olabldğce yakı ve egatf deal çözüme de uzak olmasıdır. Taımlamada da alaşılacağı üzere yötem deal çözüme maksmum bezerlkte br alteratf seçer. TOPSIS yötem hesaplama adımları aşağıdak sırasıyla verlmektedr (Şah ve Akyer, 20: 76). TOPSIS yötem hesaplama adımları aşağıdak sırasıyla verlmektedr.. Adım: Karar matrs (P) oluşturulur. Ölçüt sayısı ve alteratf sayısı m olmak üzere karar matrs şu şeklde gösterlr (Laudaskee ve dğerler, 2009: 35); x x2... x x2 x22... x2. P =.. xm x... m xm 2. Adım: Normalleştrlmş karar matrs (R) oluşturulur. Bu matrs aşağıdak Deklem (4) yardımıyla hesaplaır (Oprcovc ve Tzeg, 2004: 449). r j = x m j = (4) 2 x j (r j; :,2,.; ölçüt sayısı j:,2,.m; alteratf sayısı 3. Adım: İlk olarak değerledrme faktörlere lşk ağırlık değerler ( w ) belrler. Ağırlıklar toplamı w = olmalıdır( ). Daha sora bu ağırlıklar = kullaılarak ağırlıklı ormalleştrlmş karar matrs Sah Y., Supcller A. A., 205. SDU-JESD (V) elde edlr. W j=ölçütü ağırlığı ve r j ormalleştrlmş karar matrsdek lgl değer olmak üzere, ağırlıkladırılmış karar matrs değer Deklem (5) yardımıyla hesaplaır. v j = w. rj (5) 4. Adım: İdeal (A 6 ) ve egatf deal ( A ) çözümler oluşturulur (Jahashahloo ve dğerler, 2006: 548 ) { } ' A = v =,... v (max vj I),( m vj I (6) A = { v v } ',... = (m vj I),( max vj I (7) 5. Adım: Ayırım ölçüler hesaplaır. alteratf deal çözümde uzaklığı deal ayırım ( d ) ve egatf deal çözümde uzaklığı egatf deal ayırım ( d ), Deklem (8) ve (9) da yararlaarak hesaplaır (Jahashahloo ve dğerler, 2006: 548). d d + = = j= j= ( v v * ) 2 (8) j j 2 ( v v ) (9) j j 6. Adım: Deklem 0 kullaılarak deal çözüme görel yakılık ( c ) hesaplaır. c d * = d + * Burada d * * 0 c * (0) c değer alteratf öcelk değer gösterr ve deal çözüme daha yakı ola çözümler daha y seçeeklere karşılık gelr. 7. Adım: So olarak da alteratfler deal çözüme görel yakılık ( c ) değere göre sıralaır K-Ortalamalar Yötem * K-ortalamalar yötem, kümeleme problem çözümüde kullaıla ve temel matığı adet ver esesde oluşa br ver kümes (X), grş parametres olarak verle k (k ) adet kümeye bölmek ola br kümeledrme yötemdr. (Çalışka ve Soğukpıar, 2008: 20). Çok değşkel statstksel br tekk ola ve verler bezerlklere göre sııfladırılması ve homoje alt gruplara ayrılması ç kullaıla K-ortalamalar yötem, e çok ble kümeleme yötemlerde br olup hyerarşk olmaya br yapıya sahptr (Fırat vd., 202: 6039). Bu yötemde, yüzlerce very şleyeble br algortma kullaılarak, belrl karakterstk özellklere göre brbryle lşkl ola görecel homoje gruplar oluşturulur. Elmzde hçbr sııf blgs olmada sayıdak very k adet kümeye ayırmak ç kullaılablecek bu yötem özü, kümelere ataa oktaları küme merkeze ola uzaklığıı kareler toplamıı mmze edlmesdr. Bu sayede brbre + 95

6 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem bezer özellkler taşıya verler ayı kümeye ataırke, mmum bezerlkte ola verler farklı kümelere atamaktadır. Yötem kümeleme açısıda zayıf yöü uygu küme sayısıı yapılacak deemelerle buluablmesdr. K-ortalamalar yötem kümeleme ç kullaıla br dğer yötem ola Hyerarşk Küme Aalze göre avatajı çok hızlı olmasıdır. Bu özellğ edeyle çalışma kapsamıda kümeleme yötem olarak K-ortalamalar yötem terch edlmş ve SPSS 2 paket programı yardımıyla uygulamıştır. K- ortalamalar kümeledrme yötemde hızlı kümeledrme algortması adı verle br algortma kullaılmaktadır. Bu algortmaı kullaılablmes kümeledrme yapacağımız grup sayısıı öcede blmes gerektrr. Hızlı Kümeledrme (Quck Cluster) algortmasıda şu otasyolar kullaılmaktadır (SPSS Yardım Meüsü); NC İstee Küme Sayısı (Number of cluster requested) M. Küme Ortalaması (Meas of th cluster) x k observato) d ( x, x j ) x ve mesafe (Eucldea k. ıcı gözlem vektörü (Vector of kth x j vektörler arasıdak ökldye dstace betwee vectors x ad x j ) d m m, j d ( M, M j ) Yakısama Ölçütü (Covergece Crtera) ε Hızlı Kümeleme Algortması İlk terasyo 3 adımda oluşur (SPSS Yardım Meüsü); Adım : Başlagıç küme merkezler seç (a) Eğer m d( xk, M ) > d ve m d ( xk, M m ) > d( xk, M ) se x k M yer alır. Eğer, m d ( xk, M ) > d ve m d ( xk, M m ) < d( xk, M ) se x k M yer alır. m Buu alamı şudur M ve m M de hags x ya k daha yakısa x ou yer alır. k (b) Eğer brc durumda x k herhag br yer alamadıysa, kc br test uygulaır: M q, x ya e yakı grubu ortalaması olsu, k M q İse x k ya e yakı kc grubu ortalaması olsu, Eğer, d ( xk, M p ) > m d( M q, M ) se M = q x k dır. Adım 2: Başlagıç küme merkezler gücelleştrlmes İlk durumda başlayarak, bütü küme merkezler kede e yakı küme merkez le brleştrlerek, ye küme merkez gücelleştrlr. Küme merkezler Sah Y., Supcller A. A., 205. SDU-JESD gücelleştrlmes, küme merkezler sııfladırılması soucuu ortaya çıkaracaktır. Adım 3: Durumları E yakı Kümeye Ataması Elde edle so küme merkezlere göre, durumları küme merkeze e yakı olduğu kümeye atama şlem yapılır. Çalışmamızda yapacağımız şlem lk olarak küme merkezler tespt olacaktır. Küme merkezler tespt ardıda vermş olduğumuz ağırlıkladırılmış pualara göre her br çalışmayı uygu br kümeye atamak suretyle, çalışmaları dereceledrlmes şlem so bulmuş olacaktır. 4. Araştırma Bulguları Çalışmaı bu kısmıda, daha öcek bölümlerde açıklaa yötemler tedarkç seçm ve değerledrmes probleme uygulaışı hpotetk verler kullaılarak açıklamıştır. Belrlee krterler ve yapıla pualama gerçek br şletmeye at değldr. Krterler AHP yötem le ağırlıkladırılmış ve sorasıda TOPSIS yötem adımları le devam edlmştr. Pua ve sıralamaları belrlee tedarkçler K-ortalamalar yötem le dört alt kümeye ayrılmıştır. 4.. Seçm Ölçütler Belrlemes Tedarkç seçm malyet, kalte, performas, tekoloj gb brçok ölçütü çere öeml br problemdr. Sadece malzeme malyet değl ayı zamada şletme malyetler, bakım, gelştrme ve destekleme malyetler de bu seçmde göz öüde buludurulması gereke usurlardır. Buda dolayı ekoomklk ve performas le lgl ölçütler arasıda sstematk br satıcı seçm sürec elde etmede kullaılmak üzere krterler değerledrlp öcelk sırasıa koulmasıa htyaç duyulmaktadır. Bu süreç ayı zamada hem seçm sürec kısaltacak hem de karar vermede başarıyı arttıracaktır (Tam ve Tummala, 200: 7-72). Tedarkç değerledrmede öeml br yere sahp ola ölçütler tespt edlmes ç bugüe kadar çeştl çalışmalar (Dckso, 966; Weber, 99) yapılmıştır. Yapıla bu çalışmalarda fyat, kalte, teslmat ve servs gb değerledrme ölçütler ö plaa çıkmaktadır. Bu edele çalışma kapsamıda kalte, fyat, teslmat, servs değerledrme ölçütü olarak belrlemştr. Kalte, br tedarkç seçmde kullaıla ölçütler e başıda gelr. Tedarkç frmaı süreçler kalte stadartlarıı karşılama kousudak yeterllğ doğruda frma tarafıda üretle ürüü kaltes ve dolayısıyla müşter memuyet düzey etkler. Kalte kousuda yaşaablecek herhag br olumsuzluğu bedel tedarkçde çok asıl üretc koumuda ola frma öder. Bugüe kadar tedarkç seçm le lgl olarak yapıla çalışmaları eredeyse tamamıda kalte br seçm ölçütü olarak kullaılmıştır. 96

7 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Fyat, tedarkç seçm ve değerledrme çalışmalarıda sık kullaıla br dğer ölçüttür. Hammadde, yarı mamul veya ürü alımlarıda fyat tek başıa br ölçüt olarak kullaılmaz. Fyat açısıda karşılaştırma yapılırke tedarkç ayı kalte özellkler sağlayıp sağlamayacağıa da özellkle dkkat edlmeldr. Tedark edlecek ürü le lgl pyasadak ortalama fyat değerledrme açısıda faydalı br blgdr. Teslmat performası seçm çalışmalarıda kullaıla br dğer ölçüttür. Tedarkç daha öcede vermş olduğu terme tam alamıyla uymaması üretmde ve hzmet oktalarıda öeml sıkıtılara yol açar. İşletmeye ola yakılık, tedarkç üretm ortamıda kestler yaşamaması gb durumlar se teslmat performasıa arttırıcı özellklerdr. Bu gb özellkler kalte ve fyat deges sağlayable yakı tedarkçler daha çok terch edlmese ede olur. Tedarkç şletmeye, şletme tedarkçye kolay ulaşımı aklye masraflarıı azaltmaı yaıda haberleşme açısıda öeml avatajları da beraberde getrr. Satış sorası hzmetler değerledrmek ç kullaıla ölçüt servs ölçütüdür TOPSIS İç Stadart Karar Matrs Yrm adet tedarkç belrlee dört ölçüte göre değerledrmes yapılmış ve bu ölçüte -5 arasıda (odalık da olablr) pualar verlerek TOPSIS ç karar matrs oluşturulmuştur. Oluşturula stadart karar metrs Tablo 4'te gösterlmektedr. Tablo 4. TOPSIS Stadart Karar Matrs Ted_No Fyat Kalte Teslmat Servs S 3,67 4,25 4,09 4,50 S2 3,92 3,25 5,00 3,00 S3 4,03 3,50 4,99 2,00 S4 3,56 3,00 5,00 3,00 S5 4,8 4,00 4,46 4,00 S6 3,00 2,25 5,00 3,50 S7 2,85 2,50 4,84 3,50 S8 3,38 2,75 4,99 3,00 S9 3,0 2,75 5,00 2,00 S0 4,40 3,50 4,23 2,50 S 2,76 2,75 5,00 2,50 S2 4,64 4,25 5,00 4,00 S3 3,5 2,50 5,00 2,00 S4 3,20 3,75 5,00 4,00 S5 4,64 4,50 5,00 4,50 S6 4,5 3,25 5,00 2,50 S7 2,63 2,50,00 3,00 S8 4,3 4,50 5,00 4,00 S9 3,99 3,00 5,00 3,50 S20 3,38 3,00 3,74 3, Normalleştrlmş Karar Matrs Oluşturulması Karar matrs oluşturulmasıı ardıda, karşılaştırılablr br ölçek oluşturmak ç Deklem (4) kullaılarak ormalleştrlmş karar matrs oluşturulur. Çalışma kapsamıda kullaıla bütü Sah Y., Supcller A. A., 205. SDU-JESD krterler ç -5 skalası kullaılarak pualama yapıldığı ç TOPSIS yötem 2. Adımı atlamış ve başlagıç karar matrs ormalleştrlmş karar matrs olarak kullaılmamıştır. AHP le belrlee ağırlıklar (bkz. Tablo 7.3) le Tablo 4 te verle stadart karar matrs değerler le çarpılarak Tablo 5 te yer ala ağırlıkladırılmış karar matrs elde edlmştr AHP İle Krter Ağırlıklarıı Belrlemes AHP yötem kullaılarak yapıla ağırlıkladırma çalışmasıda lk olarak belrlee dört ölçüt ç kl karşılaştırma matrs oluşturulmuştur. İkl karşılaştırma matrs oluşturmak ç Tablo de verle Saaty Skalası kullaılmıştır. Oluşturula İkl karşılaştırma matrs Tablo 5 te gösterlmektedr. Bu karşılaştırma matrse göre, fyat ölçütü kalte ölçütüe göre /2, teslmat ölçütüe göre 3 ve servs ölçütüe göre 4 kat öemldr. Tablo 5. AHP İkl Karşılaştırma Matrs Fyat Kalte Teslmat Servs Fyat /2 3 4 Kalte Teslmat /3 /3 2 Servs /4 /5 Sütu Toplamı 3,58 2,03 7,50 2,00 İkl karşılaştırma matrs oluşturulmasıı ardıda tutarlılık oraı hesaplaması ç yapılması gereke lk şlem kl karşılaştırma matrsde verle oraları ormalleştrlmesdr. İşlem kalabalığıı ortada kaldırmak ç sütu toplamları (br) olacak şeklde, her br ora sütu toplamıa bölüerek ormalleştrme şlem uygulaır. Deklem () kullaılarak tutarlık ölçütü belrledkte sora (2) ve (3) olu deklemler kullaılarak tutarlılık oraı hesaplaır. Yapıla hesaplamalar etcesde tutarlılık oraı 0,02 olarak bulumuştur. Bu değer 0,0 değerde küçük olması, ölçütler ç belrlee oraları yaklaşık olarak doğru olduğuu göstermektedr. Tutarlık oraıı hesabı Tablo 6 da gösterlmektedr. Tablo 6. Tutarlılık Oraıı Hesaplaması Fyat Kalte Teslmat AHP yötem kullaılarak krterler ağırlıklarıı belrlemes ardıda, bu ağırlıklar kullaılarak ağırlıkladırılmış karar matrs oluşturulmuştur. Ağırlıkladırılmış karar matrs, ayrım ölçütler ve deal 97 Servs Ölçüt Ağırlığı Tutarlılık Ölçütü Fyat 0,28 0,25 0,40 0,33 0,3 4,08 Kalte 0,56 0,49 0,40 0,42 0,47 4,0 Teslmat 0,09 0,6 0,3 0,7 0,4 4,0 Servs 0,07 0,0 0,07 0,08 0,08 4,04 Tut. Oraı 0, Ağırlıkladırılmış Karar Matrs Oluşturulması

8 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem çözüme görel yakılık değerler Tablo 7'de gösterlmektedr. S umaralı tedarkç ç d " 6, d " 8 ve c değerler hesaplaması aşağıda gösterlmştr. d " 6 =,5,5 : +,98 2,0 : + 0,57 0,70 : + (0,36 0,36) : = 0,40 d " 8 =,5 0,83 : +,98,05 : + 0,57 0,4 : + (0,36 0,6) : =,0,0 c " =,0 + 0,40 = 0,73 Tablo 7. TOPSIS Tablosu 4.6. Tedarkçler Kümeledrlmes AHP le krter ağırlıkları belrledkte sora TOPSIS yötemde kullaılmak üzere ağırlıkladırılmış karar matrs oluşturulmuş ve bu matrste yer ala değerler SPSS programıa grlmştr. SPSS programı le aalz çalışması ver grş le başlar. SPSS ver edtörü sayfasıa tedarkçlere verle ölçüt puaları le ağırlıkladırılmış pualar Şekl 2 (a) da gösterldğ gb grlmeldr. Ver grş ardıda değşke taımlama sekmesde ver türü, sütu geşlğ, desmal değer, etket, kayıp ver olup olmadığı, sütu geşlğ, hzalama ve ölçüt gb özellkler taımlaır. Ver özellkler taımladığı kısım Şekl 2 (b) de gösterlmştr. Ağırlıkladırılmış Karar Matrs Ayrım Ölçüler İdeal Çöz. Görel Yak. Ted. No Fyat Kalte Teslmat Servs d 6 d 8 c S,5,98 0,57 0,36 0,40,0 0,73 S2,23,52 0,70 0,24 0,66 0,83 0,56 S3,27,63 0,69 0,6 0,56 0,92 0,62 S4,2,40 0,70 0,24 0,8 0,72 0,47 S5,5,87 0,62 0,32 0,25,8 0,83 S6 0,94,05 0,70 0,28,20 0,58 0,33 S7 0,90,7 0,67 0,28,2 0,56 0,33 S8,06,28 0,70 0,24 0,94 0,65 0,4 S9 0,95,28 0,70 0,6,0 0,62 0,38 S0,38,63 0,59 0,20 0,52 0,92 0,64 S 0,87,28 0,70 0,20,05 0,6 0,37 S2,46,98 0,70 0,32 0,3,27 0,90 (a) Ver grş ekraı (b) Değşke taımlama ekraı Şekl 2. SPSS Ver Edtörüe Ver Grş Ver grş şlem tamamladıkta sora Aalyze > Classfy > K-Meas Cluster seçeeğ le kümeledrme yötem seçm yapılır. Seçm le lgl ekra görütüsü Şekl 3 te gösterlmektedr. S3,0,7 0,70 0,6,04 0,63 0,38 S4,0,75 0,70 0,32 0,62 0,93 0,60 S5,46 2,0 0,70 0,36 0,05,36 0,96 S6,3,52 0,70 0,20 0,64 0,87 0,58 S7 0,83,7 0,4 0,24,29 0,4 0,0 S8,36 2,0 0,70 0,32 0,6,3 0,89 S9,25,40 0,70 0,28 0,75 0,79 0,5 S20,06,40 0,52 0,28 0,85 0,58 0,4 A +,5 2,0 0,70 0,36 A - 0,83,05 0,4 0,6 Şekl 3. Aalz Meüsü K- Meas Cluster seçeeğ seçtkte sora karşımıza Şekl 4 te gösterle tablo çıkacaktır. Sah Y., Supcller A. A., 205. SDU-JESD

9 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem AHP le elde edle krter ağırlıkları TOPSIS ç grd olarak kullaılmış ve ağırlıkladırılmış TOPSIS karar matrs oluşturulmuştur. Ağırlıkladırılmış karar matrsde yer ala değerler SPSS programıda K- ortalamalar yötem le kümeledrme şleme tab tutulmuştur. Souç olarak tedarkçler dört farklı sııfa ayrılma şlem tamamlamıştır. Bua göre elde edle ha küme merkezler Tablo 9 da gösterlmektedr. Tablo 9. Nha Küme Merkezler Kümeler Küme Merkezler,7,08,94,4 Şekl 4. Aalz İle İlgl Blgler Programa Taıtılması Bu kısımda, kaç küme oluşturacağımızı Küme Sayısı (Number of Cluster) bölümüe yazılır. Bu çalışmada tedarkçler A, B, C ve D sııfı olmak üzere dört kategorye ayrılmak stemektedr. Bu edele küme sayısı olarak 4 değer grlmştr. İterasyo (Iterate) kısmıa maksmum terasyo sayısıı ve yakısaklık değerler yazılır. Çalışmada maksmum terasyo sayısı 0 olarak alımıştır. İterasyo sayısı le lgl blgler grldkte sora aalz blgler grldğ lk sayfada yer ala seçeekler (optos) sekmes seçlr. Bu kısımda yer ala blglerde, Başlagıç Küme Merkez (Ital Cluster Ceter) ve Her Durum İç Küme Blgs (Cluster Iformato for Each Case) sekmes seçlr. Bu şlem de yaptıkta sora, başlagıç aalz sayfasıda OK seçeeğ tıklaarak, programı ver edtörüde yer ala blgler aalz etmes ster. Aalz etcesde SPSS souç ekraıda, başlagıç küme merkezler, terasyo geçmş, küme üyelkler lstes, fal küme merkezler ve her br kümeye ataa ver sayısı gb blgler elde edleblr. Souç ekraıdak küme merkezlere uzaklıkları lstes Tablo 8 de gösterlmektedr. Tablo 8. Küme Üyelkler Tedarkç_No Küme Uzaklık S 0,000 S2 4,50 S3,0 S4 4,060 S5,00 S6 4,080 S7 4,080 S8 4 0,000 S9 4,030 S0,090 S 4,040 S2 3,060 S3 4,030 S4,30 S5 3 0,000 S6,50 S7 2 0,000 S8 3,070 S9 4,00 S20 4 0,000 Sah Y., Supcller A. A., 205. SDU-JESD Tabloda yer ala üç umaraya ataalar A sııfı, br umaralı kümeye ataalar B sııfı, dört umaralı kümeye ataalar C sııfı ve k umaralı kümeye ataa tedarkçler D sııfı tedarkç olarak değerledrlr. Bua göre 3 adet A sııfı, 6 adet B sııfı, 0 adet C sııfı ve adet D sııfı tedarkç vardır. Tedarkçler sııfladırması le lgl blgler sırasıyla Tablo 0 ve Tablo de ve sııflara göre tedarkçler dağılımı se Şekl 5 te gösterlmektedr. TEDARİKÇİ SINIFI Tablo 0. Tedarkçler sııfladırılması TEDARİKÇİLER ÜYE SAYISI A 2, 5, 8 3 B, 3, 5, 0, 4, 6 6 C 2, 4, 6, 7, 8, 9,, 3, 9, 20 D 7 0 Tablo. Tedarkçler Kümeledrlmes Tedarkç No Küme Tedarkç Küme Mer. Uzaklık S2 3,060 A S5 3 0,000 A S8 3,070 A S 0,000 B S3,0 B S5,00 B S0,090 B S4,30 B S6,50 B S2 4,50 C S4 4,060 C S6 4,080 C S7 4,080 C S8 4 0,000 C S9 4,030 C S 4,040 C S3 4,030 C S9 4,00 C S20 4 0,000 C S7 2 0,000 D 99

10 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem A B C D Üye Sayısı Şekl 5. Kümeler üye sayıları kullaılablecek yapıdadır. Bu sayede, e y tedarkçy seçmek yere sııfladırılmış tedarkç blgler kullaılarak farklı alteratfler olduğu çok daha sağlıklı satı alma plaları hazırlaableceğ düşüülmektedr. Teşekkür Yapıcı eleştrler ve değerl katkılarıda dolayı hakemlere teşekkür ederz. 6. Coflct of Iterest / Çıkar Çatışması Yazarlar tarafıda herhag br çıkar çatışması beya edlmemştr. 5. Souç ve Tartışma Hammadde tedark edlerek şletmeye getrlmes, burada ha ürüe döüştürülerek müşterye ulaştırılması sürec e krtk oktası tedarkç seçmdr. Müşter htyaçlarıı doğru ve zamaıda teslm edle ürüler le karşılayarak pazar payıı ve şletme karıı arttırılmasıı yolu doğru tedarkçler le çalışmakta geçer. Gerçek hayatta frmalar satı alma faalyetler yürütürke her br hammaddey tek br tedarkçde sağlamazlar. İhtyaç duydukları ürüler tedark edeblecekler olarca hatta yüzlerce tedarkçler vardır. Bazı ürüler brde fazla tedarkçde tem edleblr. Bugüe kadar yapıla çalışmalar celedğde, çalışmaları brçoğuda belrl alteratfler arasıda e yüksek puaa sahp ola tedarkç seçlmes ç farklı uygulamalar ortaya koulduğu görülmektedr. Bu çalışmada, e y tedarkçy seçmekte zyade bezer özellklere sahp tedarkçler belrl krterlere göre kümeledrlmes kousu ele alımıştır. Lteratürde lk defa, etegre AHP-TOPSIS yötem le sıralaa tedarkçler K-ortalamalar yötem le kümeledrldğ br sstem öerlmştr. Öcelkle tedarkç lstes ve değerledrme krterler belrlemş ve belrlee krterler AHP yötem le ağırlıkladırılmıştır. Hpotetk verler le yapıla bu çalışmada AHP hesaplamaları etcesde krter ağırlıkları, Fyat: 0,3, Kalte: 0,47, Teslmat: 0,4 ve Servs: 0,08 olarak belrlemştr. Belrlee bu ağırlıklar le ağırlıkladırılmış TOPSIS karar matrs oluşturulmuştur. İdeal çözüme görel yakılıkları belrlee alteratfler K-ortalamalar yötem le A, B, C ve D sııfı olmak üzere 4 kümeye ayrılmıştır. Souç olarak adet tedarkç; üç taes A sııfı, altı taes B sııfı, o taes C sııfı ve br taes D sııfı olmak üzere alt kümelere ayrılmıştır. Tedarkçler atadıkları sııflar Tablo 0 ve Tablo de ayrıtılı olarak gösterlmektedr. Gelştrle bu sstem gerçek şletme verleryle yapılacak herhag br tedarkç seçm çalışmasıda alteratfler kümelere ayrılması ç rahatlıkla Sah Y., Supcller A. A., 205. SDU-JESD No coflct of terest was declared by the authors. 7. Kayaklar Akçalı, E., Akara İç Optmal Hastae Yer Seçm Aaltk Hyerarş Sürec İle Modellemes. Süleyma Demrel Üverstes İktsad ve İdar Blmler Fakültes Dergs, 4 (2), Albayrak, Y. E. ve Erkut, H., Baka Performas Değerledrmede Aaltk Hyerarş Süreç Yaklaşımı. İTÜ Mühedslk Dergs, 4 (6), Aıssaouı, N., Haouarı, M., Hassıı, E., Suppler selecto ad order lot szg modelg: A revew. Computers & Operatos Research, 34, Athawale, V. M., Chakraborty, S., 200. A TOPSIS Method-based Approach to Mache Tool Selecto. Proceedgs of the 200 Iteratoal Coferece o Idustral Egeerg ad Operatos Maagemet, Dhaka, Bagladesh, Jauary 9-0. Azada, A.H., Ghadm, P., Sama, M.Z.M., Wog, K.Y., Sharf, S., 20. Suppler Selecto: A Hybrd Approach Usg ELECTRE ad Fuzzy Clusterg. Iformatcs Egeerg ad Iformato Scece Commucatos Computer ad Iformato Scece, 252, Beto, W.C., 99. Quatty dscout decsos uder codtos of multple tems, multple supplers ad resource lmtatos. Iteratoal Joural of Producto Research, 29, 0, Beıtez, J.M., Martı, J.C., Roma,C Usg Fuzzy Number For measurg Qualty Of Servce I The Hotel Idustry. Toursm Maagemet, 28, 2, Botta, E., Rzz, A., A adapted mult-crtera approach to supplers ad products selecto A applcato oreted to lead-tme reducto. Iteratoal Joural of Producto Ecoomcs,,

11 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Bülbül, S., Köse, A., Türk Gıda şrketler Fasal Performasıı Çok Amaçlı Karar Verme Yötemleryle Değerledrlmes. 0. Ekoometr ve İstatstk Sempozyumu, Atatürk Üverstes, Erzurum, -23. Chamodrakas, I., Batıs, D., Martakos, D., 200. Suppler selecto electroc marketplaces usg satsfcg ad fuzzy AHP. Expert Systems wth Applcatos, 37,, Chaudhry, S.S., Forst, F.G., Zydak, J.L., 993. Vedor selecto wth prce breaks. Europea Joural of Operatoal Research, 70, Che, Z.H., Wag, H.S., (200). A hybrd approach for suppler cluster aalyss, Computers & Mathematcs wth Applcatos, 59, 2, Che, Z.H., 202. Clusterg ad selectg supplers based o smulated aealg algorthms. Joural Computers & Mathematcs wth Applcatos archve, 63,, Che, S.J., Hwag, C.L., (992), Fuzzy Multple Attrbute Decso Makg: Methods ad Applcatos, Sprger-Verlag, Berl. Che, C. T., L, C. T., & Huag, S. F. (2006). A fuzzy approach for suppler evaluato ad selecto supply cha maagemet, Iteratoal Joural of Producto Ecoomcs, 02, 2, Che, C. T., L, C. T., Huag, S. F A fuzzy approach for suppler evaluato ad selecto supply cha maagemet. Iteratoal Joural of Producto Ecoomcs, 02, Chu, T.C., L, Y.C., A Fuzzy Topss Method for Robot Selecto. The Iteratoal Joural of Advaced Maufacturg Techology, 2, Çalşka, S.K. Ve Soğukpar, İ., KxKNN: K-Meas ve K E Yakı Komşu Yötemler le Ağlarda Nüfuz Tespt. 2. Ağ ve Blg Güvelğ Sempozyumu, 6-8 Mayıs, Gre, Çet A.,C., Btrak, İ. A., (200), Baka Karlılık Performasıı Aaltk Hyerarş Sürec İle Değerledrlmes: Tcar Bakalar İle Katılım Bakalarıda Br Uygulama. Alaya İşletme Fakültes Dergs, 2, 2, Dağdevre, M., Ere, T., 200. Tedarkç frma seçmde aaltk hyerarş proses ve 0- hedef programlama yötemler kullaılması. Gaz Üverstes Mühedslk Fakültes Dergs, 6, 2, Das, C., Tyag, R., 994. Wholesaler: a decso support system for wholesale procuremet ad dstrbuto. Iteratoal Joural of Physcal Dstrbuto ad Logstcs Maagemet, 24, 0, 4-2. Sah Y., Supcller A. A., 205. SDU-JESD De Boer, L., Labro, E., Morlacch, P., 200. A revew of methods supportg suppler selecto. Europea Joural of Purchasg & Supply Maagemet, 7, De Boer, L., Va Der Wege, L., Telge, J., 998. Outrakg methods support of suppler selecto. Europea Joural of Purchasg ad Supply Maagemet, 4, 2/3, Demrel, E., 200. TOPSIS Çok Ölçütlü Karar Verme Sstem: Türkye dek Kamu Bakaları Üzere Br Uygulama. Grşmclk ve Kalkıma Dergs, 5,, 0-2. Dckso, G., 966. A Aalyss of Vedor Selecto Systems ad Decsos. Joural of Purchasg, 2, 28 4 Dodageh, J., Yusuf, R. B. M., Jassb, J., 20. The best selecto of strategc plas balaced scorecard usg mult-objectve decso makg model. Afrca Joural of Busess Maagemet, 3, Düdar, S., Ders Seçmde Aaltk Hyerarş Proses Uygulaması. Süleyma Demrel Üverstes İktsad ve İdar Blmler Fakültes Dergs,3, 2, Ecer, F., Bulaık Ortamlarda Grup Kararı Vermeye Yardımcı Br Yötem: Fuzzy TOPSIS ve Br Uygulama. Dokuz Eylül Üverstes İsletme Fakültes Dergs, 7, 2, Elere, A., Ersoy, M., Mermer Blok Kesm Yötemler Bulaık TOPSIS Yötemyle Değerledrlmes. Madeclk, 46, 3, Ellram, L.M., (990). The suppler selecto decso strategc partershps. J. Purchasg Mater. Maagemet, 26, 4, 8-4. Erasla, E., Algü, O., İdeal Performas Değerledrme Formu Tasarımıda Aaltk Hyerarş Yötem Yaklaşımı. Gaz Üverstes Mühedslk Mmarlık Fakültes Dergs, 20,, Esmeray M., Taç, Ş. G., Çevresel Malyetler Mamullere Yüklemesde Kullaıla Dagıtım Aahtarlarıı Seçmde Aaltk Hyerars Yötem ve Br Uygulama. Süleyma Demrel Üverstes İktsad ve İdar Blmler Fakültes Dergs, 4, 2, Fırat, M., Dkbaş, F., Koç, A.C., Gügör, M., 202. K- ortalamalar Yötem le Yıllık Yağışları Sııfladırılması ve Homoje Bölgeler Belrlemes. İMO Tekk Derg, 202, Ghodsypour, S.H., O bre, C., 200. The total cost of logstcs Suppler selecto, uder codtos of multple sourcg, multple crtera ad capacty costrats. Iteratoal Joural of Producto Ecoomcs, 73,

12 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Ghodsypur, S.H., O bre, C., 998. A decso support system for suppler selecto usg a tegrated aalytc herarchy process ad lear programmg. Iteratoal Joural of Producto Ecoomcs, 56-57, Grger, N., Kaygısız Z., İstatstksel Yazılım Seçmde Aaltk Hyerarş Sürec ve 0 Hedef Programlama Yötemler Brlkte Kullaımı. Osmagaz Üverstes Sosyal Blmler Dergs, 0,, Grado, A., Saes, A., 996. Supply maagemet: a vedor ratg assessmet. CEMS Busess Revew,, Gregory, R.E., 986. Source selecto: a matrx approach. Joural of Purchasg ad Materals Maagemet, 22, 2, Güer, H., Mutlu, Ö., Bulak AHP İle Tedarkç Seçm Problem ve Br Uygulama. V. Ulusal Üretm Araştırmaları Sempozyumu, İstabul Tcaret Üverstes, Kasım Gügör, İ., İşler D.B., Aaltk Hyerarş Yaklaşımı le Otomobl Seçm. ZKÜ Sosyal Blmler Dergs,, 2, Hkle, C.L., Robso, P. J., Gree, P. E., 969. Vedor evaluato usg cluster aalyss. Joural of Purchasg, 5, 3, Ho, W., Itegrated aalytc herarchy process ad ts applcatos - A lterature revew. Europea Joural of Operatoal Research, 86, Holt, G.D., 998. Whch cotractor selecto methodology?. Iteratoal Joural of Project Maagemet, 6, 3, Hwag, C.L., Yoo, K., 98. Multple Attrbutes Decso Makg Methods ad Applcatos. Sprger, Berl Hedelberg. Ibrahm,O., Nlash, M., Bagherfard, K., Hashem, N., Jaahmad, N., Barsam, J., 20. Applcato of AHP ad K-Meas Clusterg for Rakg ad Classfyg Customer Trust M-commerce. Australa Joural of Basc ad Appled Sceces, 5 2, İç Y.T., Yurdakul, M., Aaltk Hyerarş Sürec (AHS) Yötem Kullaa Br Kred Değerledrme Sstem. Gaz Üverstes, Mühedslk Mmarlık Fakültes Dergs, 5,, - 4. Jahashahloo G.R., Hossezadeh L.F., Izadkhah, M., (2006). Exteso of the TOPSIS method for decso-makg problems wth fuzzy data. Appled Mathematcs ad Computato, 8,, Karaatlı, M., Ömürbek, N., Köse, G., 204. Aaltk Hyerarş Sürec Temell TOPSIS ve VIKOR Yötemler İle Futbolcu Performaslarıı Sah Y., Supcller A. A., 205. SDU-JESD Değerledrlmes. Dokuz Eylül Üverstes İktsad ve İdar Blmler Fakültes Dergs, 29,, Karpak, B., Kumcu, E., Kasugat, R., 999. A applcato of vsual teractve goal programmg: a case vedor selecto decsos. Joural of Mult-Crtera Decso Aalyss, 8, Kegpol A., Desg of a decso support system to evaluate the vestmet a ew dstrbuto cetre. Iteratoal Joural of Producto Ecoomcs, 90,, Koçak, A., Yazılım Seçmde Aaltk Hyerarş Yötem yaklaşımı ve Br Uygulama. Ege Akademk Bakış Dergs,, Laudo, K.C., Laudo, J.P., 20. Yöetm Blşm Sstemler Djtal İşletmey Yöetme (U. YOZGAT vd., Çev.), Akara: Nobel. Le, M.C., Nguye, V.T., Strategy for Project Portfolo Selecto Prvate Coraratos Vetam. Master Thess, Umea School Of Busess, Sweede. ( Lee, C.P., Lou, S.J., Shh, R.C., Tseg, K.H., 20. A AHP- Based Weghted Aalyss of Network Kowledge Maagemet Platforms for Elemetary School Studets. TOJET: The Turksh Ole Joural of Educatoal Techology, 0, 4, Laudaskee, R., Ustovcus, L., Bogdaovcus, A., Evaluato of Costructo Process Safety Solutos Usg the TOPSIS Method. Izere Ekoomka - Egeerg Ecoomcs, 4, Lu, J., Dg, F.Y., Lall, V., Usg Data Evelopmet Aalyss to compare supplers for suppler selecto ad performace mprovemet. Supply Cha Maagemet: A Iteratoal Joural, 5, 3, Lu, W., Jag, L., 200. A Clusterg Algorthm FCM- ACO for Suppler Base Maagemet, Advaced Data Mg ad Applcatos Lecture Notes Computer Scece, 6440, Lopez Ortega, O., Rosales, M.A., 20. A agetoreted decso support system combg fuzzy clusterg ad the AHP. Expert Systems wth Applcatos, 38, 7, Macquee, J. B., 967. Some Methods for classfcato ad Aalyss of Multvarate Observatos. Proceedgs of 5th Berkeley Symposum o Mathematcal Statstcs ad Probablty. Uversty of Calfora Press, Mehdzadeh, E., A fuzzy clusterg PSO algorthm for suppler base maagemet. Iteratoal Joural of Maagemet Scece ad Egeerg Maagemet, 4, 4,

13 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Moczka, R.M., Trecha, S.J., 988. Cost-based suppler performace evaluato. Joural of Purchasg ad Materals Maagemet, 24, 2, 2-7. Murat, G., Çelk, N., Aaltk Hyerarş Sürec Yötem le Otel İşletmelerde Hzmet Kaltes Değerledrme: Bartı Öreğ. ZKÜ Sosyal Blmler Dergs, 3, 6, -20. Ng, S.T., Sktmore, R.M., 995. CP-DSS: decso support system for cotractor prequalfcato. Cvl Egeerg Systems: Decso Makg Problem Solvg, 2, 2, Oprcovc, S., Tzeg, G.H., Compromse soluto by MCDM methods: A comparatve aalyss of VIKOR ad TOPSIS. Europea Joural of Operatoal Research, 56, Orçal, K., Öze, Ü., 203. Çok Krterl Karar Verme Yötemlerde Ahp Ve Topsıs' E-Ktap Okuyucu Seçmde Uygulaması. Uşak Üverstes Sosyal Blmler Dergs, 5, Özgül, Ö. Yazga, H.R., Br İşletme İç TOPSIS ve AHP Yötemler le ERP Yazılımıı Seçm. 26. Yöeylem Araştırması ve Edüstr Mühedslğ Koferası, 3-5 Temmuz, Kocael. Özka, B., Başlıgıl, H., Şahı, N., 20. Suppler Selecto Usg Aalytc Herarchy Process: A Applcato From Turkey. Proceedgs of the World Cogress o Egeerg 20, Vol II, WCE 20, July 6-8, 20, Lodo, U.K. Pal, M.N., Choudhury, K., Explorg The Dmesoalty Of Servce Qualty: A Applcato Of TOPSIS the Ida Bakg Idustry. Asa- Pacfc Joural of Operatoal Research (APJOR), 26,, Pa, A.C., 989. Allocato of order quattes amog supplers. Joural of Purchasg ad Materals Maagemet, 25, 2, Papagapou, A., Mgers, J., Thaassouls, E., 996. Would you buy a used car wth DEA?. OR Isght, 0,, 3-9. Raz, F., 204. A suppler selecto usg a hybrd grey based herarchcal clusterg ad artfcal bee coloy, Decso Scece Letters, 3, 3, Roa, C.P., Kser, G.E., 980. Educatoal buyers perceptos of vedor attrbutes. Joural of Purchasg Materal Maagemet, 6, Saaty, T.L., 977). A scalg method for prortes herarchcal structures. Scadava. Joural of Forest Research, 5, Saaty, T.L., Decso makg wth the aalytc herarchy process. Iteratoal Joural of Servces Sceces,,, Saaty T.L., Tra L.T., O The Ivaldty of FuzzfygNumercal Judgmets The Aalytc Sah Y., Supcller A. A., 205. SDU-JESD Herarchy Process. Mathematcal ad Computer Modellg, 46, Sadra, A.A., Yoo, Y.S., 994. A procuremet decso support system busess volume dscout evromets. Operatos Research, 42,, Shemshad, A., Toreh, M., Shraz, H., Tarokh, M.J., 20. Suppler selecto based o suppler rsk: A ANP ad fuzzy TOPSIS approach. The Joural of Mathematcs ad Computer Scece, 2,, -2. Smytka, D.L., Clemes, M.W., 993. Total cost suppler selecto model: a case study. Iteratoal Joural of Purchasg ad Materals Maagemet, 29,, Soukup, W.R., 987. Suppler selecto strateges. Joural of Purchasg ad Materals Maagemet, 23, 3, 7-2. SPSS Yardım Meüsü Stamm, C.L., Golhar, D.Y., 993. JIT purchasg: Attrbute classfcato ad lterature revew. Prod. Plag Cotrol 4, 3,, Ha S.H., Krshma, R., A hybrd approach to suppler selecto for the mateace of a compettve supply cha. Expert System wth Applcato, 34, Supçler, A.A., Çapraz, O., 20. AHP-TOPSIS Yöteme Dayal Tedarkç Seçm Uygulaması. Ekoometr ve İstatstk e-dergs, 3, -22. Şah, Y., Akyer, H., 20. Ülke Kayaklarıı Verml Kullaımı: 4x4 Arama ve Kurtarma Aracı Seçmde AHS ve TOPSIS Yötemler Uygulaması. SDÜ Vzyoer Dergs, 3, 5, Tahrr, F., Osma, M.R., Al, A., Yusuff, M., R., Esfadary, A., AHP approach for suppler evaluato ad selecto a steel maufacturg compay. Joural of Idustral Egeerg ad Maagemet,, 2, Tam, M.C.Y., Tummala, V.M.R., 200. A Applcato of the AHP vedor selecto of a telecommucatos system. Omega, 29, 2, Tmmerma, E., 986. A approach to vedor performace evaluato. Joural of Purchasg ad Supply Maagemet,, Trataphyllou, E., Mult-Crtera Decso Makg Methods: A Comparatve Study. Kluwer Academc Publshers, Netherlads. Turer, I., 988. A depedet system for the evaluato of cotract teders. Joural of the Operatoal Research Socety, 39, 6, Trataphyllou, E., Ma, S.H., 995). Usg The Aalytc Herarchy Process For Decso Makg I Egeerg Applcatos: Some Challeges. 03

14 Y. Şah, A. A. Supçller, Tedarkç Seçm İç Br Karar Destek Sstem Iteratoal Joural of Idustral Egeerg: Applcatos ad Practce, 2,, Uluca, A., Yöeylem Araştırması İşletmeclk Uygulamalı Blgsayar Destekl Modelleme. Syasal Ktabev,. Baskı, Akara. Wag G., Huag, S. H., Dsmukes, J. P., 200. Productdrve supply cha selecto usg tegrated mult-crtera decso-makg methodology. Iteratoal Joural of Producto Ecoomcs, 9,, -5. Wag, J., Zhu, Y., 202. Research o Thrd-party Reverse Logstcs Provder Selecto Based o Fuzzy Clusterg Perspectve of Low-carbo Ecoomy, Commucatos Iformato Scece ad Maagemet Egeerg, 2, 2, Weber, C.A., 99. A decso support system usg mult-crtera techques for vedor selecto. Uversty Mcro lms Iteratoal, A Arbor, MI. Weber, C.A., Curret, J.R., 993. A multobjectve approach to vedor selecto. Europea Joural of Operatoal Research, 68, Weber, C.A., Curret, J.R., Desa, A., 998. Nocooperatve egotato strateges for vedor selecto. Europea Joural of Operatoal Research, 08, Weber, C.A., Desa, A., 996. Determato of paths to vedor market effcecy usg parallel coordates represetato: a egotato tool for buyers. Europea Joural of Operatoal Research, 90, Weber, C.A., Ellram, L.M., 992. Suppler selecto usg mult-objectve programmg: a decso support system approach. Iteratoal Joural of Physcal Dstrbuto & Logstcs Maagemet, 23, 2, 3-4. Yag, C.C., Che, B.S., Suppler selecto usg combed aalytcal herarchy process ad grey relatoal aalyss. Joural of Maufacturg Techology Maagemet, 7, 7, Yaraloğlu, K., 200. Performas Değerledrmede Aaltk Hyerarş Proses. DEÜ İktsad ve İdar Blmler Fakültes Dergs, 6,, Yurdakul, M. İç, Y. T., Developmet of a performace measuremet model for maufacturg compaes usg the AHP ad Topss approaches. Iteratoal Joural of Producto Research, 43, 2, Zez, G., 98. Purchasg ad the Maagemet of Materals. Wley, New York. Sah Y., Supcller A. A., 205. SDU-JESD