Please use this identifier to cite or link to this item: https://hdl.handle.net/11499/38750
Title: Adaptif ağ tabanlı bulanık çıkarım sistemi (ANFIS) ile sürdürülebilir tedarikçi seçimi
Other Titles: Sustainable supplier selection with adaptive network-based fuzzy inference system (ANFIS)
Authors: Ahat, Ümmü
Advisors: Organ, Arzu
Keywords: Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi
Yapay Sinir Ağı
ANFIS Girdi Seçimi
Sürdürülebilir Tedarikçi Seçimi
ANFIS
YSA
Çoklu Regresyon Analizi
Sürdürülebilir Tedarikçi Performansı Tahmini
Publisher: Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü
Abstract: Sürdürülebilir tedarikçi seçimi, sürdürülebilir tedarik zinciri yönetiminin başarısını doğrudan etkileyen faktörlerden biridir. Etkin sürdürülebilirlik kriterlerinin belirlenmesi, etkin ve verimli bir sürdürülebilir tedarik zinciri meydana getirmek için oldukça önem arz etmektedir. Doğru sürdürülebilir tedarikçi seçimi, işletme açısından oldukça kritik bir karar problemidir. Yapılan son araştırmalar, sürdürülebilir tedarikçilerin performanslarının ölçülmesinde, yapay zekâ tekniklerinin daha iyi bir yöntem olduğunu göstermektedir. Dolayısıyla bu çalışmada, Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ve Yapay Sinir Ağı (YSA) yöntemlerinden yararlanılmıştır.Etkin ve verimli bir model geliştirmek ve işletme açısından en etkin sürdürülebilirlik kriterlerini belirlemek adına ANFIS yöntemi ile girdi seçimi yapılmıştır. ANFIS yöntemi ile belirlenen en etkin sürdürülebilirlik kriterleri; sosyal sorumluluk, maliyet, atık yönetimi ve teslim süresi olarak belirlenmiştir. ANFIS ve YSA yöntemleriyle sürdürülebilir tedarikçi performans tahmini hesaplamaları yapılmıştır. Geliştirilen ANFIS modeli ve YSA modeliyle gerçekleştirilen tahmin performanslarını karşılaştırmak amacıyla, çoklu regresyon analizi modeli geliştirilmiştir. Ortalama ve standart hata değerleri incelendikten sonra, belirlenen performans parametreleri olan ????, MSE, RMSE, MAE, MAPE regresyon indekslerinden WIA değerleri hesaplanarak; geliştirilen modeller karşılaştırılmıştır. Performans tahmininde en başarılı model ANFIS modeli olarak belirlenmiştir. Daha sonra, ANFIS modeline göre sürdürülebilir tedarikçi seçimi yapılmış ve firma için en uygun tedarikçi belirlenmiştir.
Sustainable supplier selection is one of the factors that directly affect the success of sustainable supply chain management. Determining effective sustainability criteria is very important to create an effective and efficient sustainable supply chain. Choosing the right sustainable supplier is a critical decision problem for the business. Recent studies show that artificial intelligence techniques are a better method in measuring the performance of sustainable suppliers. Therefore, in this study, Adaptive Network Based Fuzzy Inference System (ANFIS) and Artificial Neural Network (ANN) methods were used. Input selection was made with the ANFIS method in order to develop an effective and efficient model and to determine the most effective sustainability criteria for the business. The most effective sustainability criteria determined by the ANFIS method include social responsibility, cost, waste management and delivery time. Sustainable supplier performance estimation calculations were made with ANFIS and ANN methods. A multiple regression analysis model was developed in order to compare the predicted performances conducted with the developed ANFIS model and ANN model. After examining the mean and standard error values, WIA values were calculated from the regression indexes of the determined performance parameters called ????, MSE, RMSE, MAE, MAPE. And then the developed methods were compared. Sustainable supplier selection was conducted by the ANFIS model, which allows for the most successful performance estimation and also has the highest level of accuracy.
URI: https://hdl.handle.net/11499/38750
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File Description SizeFormat 
Ümmü Ahat.pdf2.01 MBAdobe PDFView/Open
Show full item record



CORE Recommender

Page view(s)

192
checked on Aug 24, 2024

Download(s)

284
checked on Aug 24, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.