Regional Directorate Election Suggestion for ÇAYKUR enterprises

Yıl 2021, Cilt: 6 Sayı: 3, 362 - 381, 22.09.2021

Yunus Can Çolak Muhlis Özdemir

https://doi.org/10.23834/isrjournal.963272

Öz

In this study; regional directorates of the General Directorate of Tea Enterprises (ÇAYKUR) which is one of our economic agencies are optimized. Cost minimization was carried out by optimization of distribution activities between ÇAYKUR authorized sale points and regional directorates. to optimize regional directorates of the General Directorate of Tea Enterprises(ÇAYKUR) K-means Clustering Analysis method, which is one of the machine learning technique and nonlinear programming method which is one of the operations research technique, were used. 125 authorized sale points were divided into 9 regions and the sale points that should be located in these territories were determined by k-means clustering analysis. The distance of regional directorates to the sale points in the region, obtained results from k-means clustering analysis and nonlinear programming method were compared. According to our findings, when coordinates obtained by two methods are used as hybrid, the route becomes much shorter.

Anahtar Kelimeler

ÇAYKUR, Machine Learning, Optimization, K-Means Clustering Analysis, Nonlinear Programming

ÇAYKUR İşletmeleri için Bölge Müdürlüğü Seçim Önerisi

Öz

Bu çalışmada; devlet iktisadi teşekküllerimizden, Çay İşletmeleri Genel Müdürlüğünün (ÇAYKUR) bölge müdürlüklerine ait koordinatlar optimize edilmiştir. ÇAYKUR yetkili satış noktaları ile bölge müdürlükleri arasındaki dağıtım faaliyetlerindeki optimizasyon ile, maliyet minimizasyonu gerçekleştirilmiştir. Çalışmanın analizinde; makine öğrenmesi tekniklerinden biri olan, k-ortalamalar kümeleme analizi ve yöneylem araştırmaları tekniklerinden biri olan, doğrusal olmayan programlama yöntemleri kullanılmıştır. K-ortalamalar kümeleme analizi ile 125 satış noktası, 9 bölgeye ayrılmış ve bu dokuz bölgede yer alması gereken satış noktaları belirlenmiştir. K-ortalamalar kümeleme analizi ile elde edilen sonuçlar ile doğrusal olmayan programlama yöntemi ile elde edilen sonuçlar, bölge müdürlükleri ile bölgede yer alan satış noktalarına olan uzaklıklar için karşılaştırılmıştır. Elde edilen sonuçlara göre iki yöntemle elde edilen sonuçlar hibrit olarak kullanıldığında rota daha da kısalmaktadır.

Anahtar Kelimeler

ÇAYKUR, Makine Öğrenmesi, Optimizasyon, K-Ortalamalar Kümeleme Analizi, Doğrusal Olmayan Programlama

Kaynakça

• Abacı, N. İ., Keskin, E. & Demiryürek, K. (2020). Innovation decision making process in organic tea agriculture: The case of Rize District, Turkey. Black Sea Journal of Public and Social Science, 5-6.
• Albayrak, S. (2019). Okul servisi araçlarını rotalama problemi için yenilikçi bir yaklaşım, yüksek lisans tezi. Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Ankara.
• Atalay, M., & Çelik, E. (2017). Artificial intelligence and machine learning applications in big data analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9.22: 155-172.
• Avriel, M. (2003). Nonlinear programming, analysis and methods, Courier Dover Publications: New Jersey; Prentice-Hall.
• Avşar, F. U. (2012). Belirlenen av sorumluluk sahasında hava savunma görevinin doğrusal olmayan programlama yöntemiyle modellenmesi ve eniyilenmesi, yüksek lisans tezi, Hava Harp Okulu Havacılık ve Uzay Teknolojileri Enstitüsü, İstanbul.
• Baynal, K. & Çalış, A. (2016). Veri madenciliğinde kümeleme analizi ile bankacılık sektöründe bir uygulama. Beykent Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 9(1).
• Bıyıklı, G. A. (2017). Pozitif psikolojik sermaye ile örgütsel güven arasındaki ilişkinin incelenmesine yönelik bir araştırma: Trabzon bölgesindeki ÇAYKUR işletmeleri, yüksek lisans tezi, Recep Tayyip Erdoğan Üniversitesi, Sosyal Bilimler Enstitüsü, Rize.
• Çakıroğlu, N. (2014). Ekip çalışmasının liderlikle olan ilişkisinin incelenmesi: Çay İşletmeleri Genel Müdürlüğünde bir uygulama, yüksek lisans tezi, Karadeniz Teknik Üniversitesi, Sosyal Bilimler Enstitüsü, Trabzon.
• Çakmak, M. K. (2019). Çay ve işleme ürünlerinin hasat dönemlerine ve yetiştirme tekniklerine bağlı olarak besin içeriğindeki değişimler, yüksek lisans tezi, Çanakkale Onsekiz Mart Üniversitesi, Çanakkale.
• Çancı, M., & Erdal, M. (2009). Lojistik yönetimi, Uluslararası Taşımacılık ve Lojistik Üretenleri Derneği Yayınları. İstanbul: Mataş Matbaacılık.
• Çiçekdağı, H. İ. & Kırış, Ş., (2012). Afet istasyonu ve toplanma merkezi için yer seçimi ve bir uygulama, Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, (028), 67-76.
• Çokgüngördü, A. (2017). Kümeleme yöntemi kullanarak baz istasyonları yardımlı yer seçme, yüksek lisans tezi, Haliç Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul.
• Dikmen, B. (2010). Yer seçimi problemine dışbükey programlama yaklaşımı: Sakarya kent merkezi örneği, yüksek lisans tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, İstanbul.
• Fırat, M., Dikbaş, F., Koç, A. C. & Güngör, M. (2012). K-ortalamalar yöntemi ile yıllık yağışların sınıflandırılması ve homojen bölgelerin belirlenmesi, Teknik Dergi, 23(113), 6037-6050.
• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning, 112, New York: Springer. 112, 3-7.
• Khanmohammadi, S., Adibeig, N., & Shanehbandy, S. (2017) An Improved Overlapping K-means Clustering Method for Medical Applications. Expert Systems with Applications, 67, 12-18.
• Kumar, S. & Toshniwal, D. (2016). A data mining approach to characterize road accident locations, Journal of Modern Transportation, 24(1), 62-72.
• Küçükaydın, H. (2011). Değişken özellikleri olan tesisler için en iyi yer seçimi, doktora tezi, Boğaziçi Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
• Liao, K. & Guo, D. (2008). A clustering‐based approach to the capacitated facility location problem 1, Transactions in GIS, 12(3), 323-339.
• Maltaş, A., Özen, H. & Saraçoğlu, A. (2019). Ağ tarama ve k-ortalama kümeleme yöntemleri ile kaza kara noktalarının belirlenmesi: İstanbul D100 karayolu örneği, Pamukkale University Journal of Engineering Sciences, 25(6).
• Mohamad, I. B. & Usman, D. (2013). Standardization and its effects on k-means clustering algorithm, Research Journal of Applied Sciences, Engineering and Technology, 6(17), 3299-3303.
• Napoleon, D. & Pavalakodi, S. (2011). A new method for dimensionality reduction using k-means clustering algorithm for high dimensional data set, International Journal of Computer Applications, 13(7), 41-46.
• Ofluoğlu, P. (2019). Türkiye’de farklı yörelerde yetiştirilen yaş çay yapraklarından çay üretimi ve kalite özelliklerinin belirlenmesi, yüksek lisans tezi, Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Adana.
• Özdemir, M. (2020). R ile programlama ve makine öğrenmesi, Ankara: Nobel Akademik Yayıncılık.
• Partanaz, N. R. (1997). Çay ekicileri kooperatiflerinin çay işleme sanayini de kapsayacak biçimde yeniden yapılanması üzerine bir araştırma, yüksek lisans tezi, Ankara üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
• R Core Team. (2018) R: A Language and Environment for Statistical Computing R Foundation for Statistical Computing. Vienna, Austria. available in https://www.R-project.org/. (10.07.2020)
• Razi, F. F. (2019). A hybrid DEA-based k-means and invasive weed optimization for facility location problem, Journal of Industrial Engineering International, 15(3), 499-511.
• Sidarto, K. A., & Kania, A. (2016). Solving mixed integer nonlinear programming problems using spiral dynamics optimization algorithm. In AIP conference proceedings. AIP Publishing LLC.1(1716), (20004).
• Suat, A. (2014). Doğrusal olmayan programlama, Anadolu Üniversitesi, Endüstri Mühendisliği. 8-16.
• Sutanto, G. R., Kim, S., Kim, D. & Sutanto, H. (2018). A heuristic approach to handle capacitated facility location problem evaluated using clustering internal evaluation. In IOP Conference Series: Materials Science and Engineering. IOP Publishing. 1(332), 012023.
• Tian, J., Zhu, L., Zhang, S., & Liu, L. (2005). Improvement and parallelism of k-means clustering algorithm, Tsinghua Science and Technology, 10(3), 277-281.
• Torun, E. (2004). Çay tarımında tarımsal yayım çalışmalarının değerlendirilmesi üzerine bir araştırma, doktora tezi, Anadolu Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
• Töre, N. (2015). Üretici ve müşteri kaynaklı ikame altında üretim ve stok yönetimi, doktora tezi, Ortadoğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
• Ulusoy, A. & Yılmaz, H. (2017). Özelleştirme, Türkiye’de çay sektörü ve ÇAYKUR üzerine bir değerlendirme, Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi.
• Wagstaff, K., Cardie, C., Rogers, S. & Schrodl, S. (2001). Constrained k-means clustering with background knowledge, In Icml (1), 577-584.
• Yılmaz, Z. & Uzgören, E. (2014). Türkiye’de illerin temel bankacılık faaliyetleri yönünden kümeleme analizi yöntemiyle sınıflandırılması, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi. 535-554.
• Ying, D., Tang, J., Xu, B. & Wang, D. (2005). An application of swarm optimization to nonlinear programming, Computers and Mathematics with Applications, 49(11-12), 1655-1668.