KARAR VERME

TEKNİKLERİ
DERS NOTLARI – VII
Normalizasyon Teknikleri
& TOPSIS

Dr. Öğr. Üyesi Sait GÜL

saitgul@beykent.edu.tr
 Normalizasyon
• Ölçütler arası karşılaştırmalar yapabilmek için karşılaştırılabilir
ölçekler oluşturmak hedeflenmektedir.
• Normalize performans değerleri boyutsuzdur (birimden
bağımsızdır).
• Normalize değer büyüdükçe, tercih özelliği artmaktadır.
• Temelde iki tip normalizasyon söz konusudur:
– Uzaklığa dayalı normalizasyon (Manhattan, Vektör, Doğrusal)
– Orana dayalı normalizasyon
• Manhattan ve vektör normalizasyonunda formüller fayda tipi
ölçütlere göre verilmektedir. Maliyet tipi bir ölçüt söz konusu ise,
performans puanlarının çarpmaya göre tersleri alınmalıdır.
• Doğrusal ve orana dayalı normalizasyonda fayda ve maliyet tipi
ölçütler için ayrı formüller söz konusudur.
 Normalizasyon
• Uzaklığa dayalı normalizasyon
𝑥𝑖𝑗
– Manhattan Normalizasyonu: 𝑟𝑖𝑗 = 𝑚 𝑥𝑘𝑗
(Fayda tipi ölçüt)
𝑘=1
𝑥𝑖𝑗
– Vektör Normalizasyonu: 𝑟𝑖𝑗 = 2
(Fayda tipi ölçüt)
𝑚
𝑘=1 𝑥𝑘𝑗
𝑥𝑖𝑗
– Doğrusal Normalizasyon: 𝑟𝑖𝑗 = max 𝑥𝑘𝑗
(Fayda tipi ölçüt)
𝑘

min 𝑥𝑘𝑗
𝑟𝑖𝑗 = 𝑘
𝑥𝑖𝑗 (Maliyet tipi ölçüt)

• Orana dayalı normalizasyon

𝑥𝑖𝑗 −min 𝑥𝑘𝑗
𝑘
– Fayda tipi ölçüt için, 𝑟𝑖𝑗 =
max 𝑥𝑘𝑗 −min 𝑥𝑘𝑗
𝑘 𝑘

max 𝑥𝑘𝑗 −𝑥𝑖𝑗

𝑘
– Maliyet tipi ölçüt için, 𝑟𝑖𝑗 =
max 𝑥𝑘𝑗 −min 𝑥𝑘𝑗
𝑘 𝑘
 Normalizasyon Örneği
Fiyat Yakıt Tüketimi Konfor 𝑥𝑖𝑗
(Min) (Min) (Mak) 𝑟𝑖𝑗 = 𝑚
𝑘=1 𝑥𝑘𝑗
A 80 10 5
B 60 9 4
0,0125/0,0435
C 70 8 4

• Manhattan Normalizasyonu
Fiyat Yakıt Tüketimi Konfor Fiyat Yakıt Konfor
(Min) (Min) (Mak) (Min) Tüketimi (Mak)
A 1/80 = 1/10 = 5 (Min)
0,0125 0,1000 A 0,2874 0,2975 0,3846
B 1/60 = 1/9 = 4 B 0,3839 0,3306 0,3077
0,0167 0,1111
C 0,3287 0,3719 0,3077
C 1/70= 1/8 = 4
0,0143 0,1250
4/13
∑ 0,0435 0,3361 13
 Normalizasyon Örneği
Fiyat Yakıt Tüketimi Konfor 𝑥𝑖𝑗
(Min) (Min) (Mak) 𝑟𝑖𝑗 =
𝑚 2
𝑘=1 𝑥𝑘𝑗
A 80 10 5
B 60 9 4
0,0125/√(0,0253)
C 70 8 4

• Vektör Normalizasyonu
Fiyat Yakıt Tüketimi Konfor Fiyat Yakıt Konfor
(Min) (Min) (Mak) (Min) Tüketimi (Mak)
A 1/80 = 1/10 = 5 (Min)
0,0125 0,1000 A 0,4941 0,5131 0,6623
B 1/60 = 1/9 = 4 B 0,6601 0,5700 0,5298
0,0167 0,1111
C 0,5652 0,6414 0,5298
C 1/70= 1/8 = 4
0,0143 0,1250
4/√(57)
∑x2 0,0253 0,1949 57
 Normalizasyon Örneği
Fiyat Yakıt Tüketimi Konfor 𝑥𝑖𝑗
𝑟𝑖𝑗 =
(Min) (Min) (Mak) max 𝑥𝑘𝑗
𝑘
A 80 10 5 min 𝑥𝑘𝑗
𝑟𝑖𝑗 = 𝑘
𝑥𝑖𝑗
B 60 9 4
C 70 8 4 60/80
• Doğrusal Normalizasyonu
Fiyat Yakıt Konfor
Fiyat Yakıt Tüketimi Konfor (Min) Tüketimi (Mak)
(Min) (Min) (Mak) (Min)
A 80 10 5 A 0,75 0,8 1
B 60 9 4 B 1 0,8889 0,8
C 70 8 4 C 0,8571 1 0,8
Min 60 8 5
ya
da 8/9
Mak 4/5
 Normalizasyon Örneği
Fiyat Yakıt Tüketimi Konfor 𝑥𝑖𝑗 − min 𝑥𝑘𝑗
𝑘
(Min) (Min) (Mak) 𝑟𝑖𝑗 =
max 𝑥𝑘𝑗 − min 𝑥𝑘𝑗
𝑘 𝑘
A 80 10 5
max 𝑥𝑘𝑗 − 𝑥𝑖𝑗
𝑘
B 60 9 4 𝑟𝑖𝑗 =
max 𝑥𝑘𝑗 − min 𝑥𝑘𝑗
C 70 8 4 𝑘 𝑘

• Oransal Normalizasyonu (80-60)/(80-60)

Fiyat Yakıt Tüketimi Konfor Fiyat Yakıt Konfor

(Min) (Min) (Mak) (Min) Tüketimi (Mak)
A 80 10 5 (Min)
B 60 9 4 A 0 0 1
C 70 8 4 B 1 0,5 0
Min 60 8 4 C 0,5 1 0
ve ve ve ve
Mak 80 10 5
(10-9)/(10*8) (4-4)/(5-4)
 TOPSIS
• TOPSIS (Technique for Order
Preference by Similarity to
Ideal Solution – İdeal Çözüme
Benzerliğe Göre Tercih
Sıralaması Tekniği), Hwang ve
Yoon tarafından 1981 yılında
ortaya atılmış bir Çok Ölçütlü
Karar Verme tekniğidir.
• Yöntem, n sayıda
değerlendirme faktörüne bağlı
olarak m sayıda karar seçeneği
içeren bir karar probleminin
geometrik düzlemdeki
yorumuna dayanır (Yoon ve
Hwang, 1995, s. 38).
 TOPSIS
• TOPSIS yöntemi, m adet karar seçeneği içerisindeki
pozitif ideal seçeneğe en yakın ve negatif ideal
seçeneğe ise en uzak seçeneğin, n adet karar faktörü
göz önüne alınarak belirlenmesini amaçlamaktadır.

• TOPSIS, pozitif ideale benzerlik (ya da bağıl yakınlık)

bulmaya çalışır. Bunu yaparken pozitif ideale yakınlık ile
negatif idealden uzaklık değerlerini bütünleştirmektedir.
 TOPSIS
1. KV tarafından ‘mxn’ boyutlu karar matrisi oluşturulur.
Satırlarda seçenekler, sütunlarda ise kriterler yer almaktadır.
𝑎11 𝑎1𝑛
𝑎21 ⋯ 𝑎
2𝑛
𝐴𝑖𝑗 = ⋮ ⋱ ⋮
𝑎𝑚1 ⋯ 𝑎𝑚𝑛

2. Birimsizleştirme amacıyla vektör tipi normalizasyon işlemi

gerçekleştirilir ve böylece, normalize matris elde edilir.
𝑠11 𝑠1𝑛
𝑎𝑖𝑗 ⋯
𝑠𝑖𝑗 = 𝑠21 𝑠2𝑛
𝑚 2
𝑁= ⋮ ⋱ ⋮
𝑖=1 𝑎𝑖𝑗
𝑠𝑚1 ⋯ 𝑠𝑚𝑛
 TOPSIS
3. Normalize matris, kriterlere ilişkin öznel ağırlıklar kullanılarak
ağırlıklandırılır. Burada çoğunlukla AHS ile belirlenen kriter
ağırlıkları kullanılmaktadır.
𝑤1 𝑠11 𝑤𝑛 𝑠1𝑛 𝑣11 𝑣1𝑛
𝑤1 𝑠21 ⋯ 𝑤𝑛 𝑠2𝑛 𝑣21 ⋯ 𝑣2𝑛
𝑉= ⋮ ⋱ ⋮ = ⋮ ⋱ ⋮
𝑤1 𝑠𝑚1 ⋯ 𝑤𝑛 𝑠𝑚𝑛 𝑣𝑚1 ⋯ 𝑣𝑚𝑛

4. Her bir kriter için ideal ve negatif ideal değerler belirlenir.

J1 kümesi, kazanç
(fayda) nitelikli faktörleri
belirtirken; J2 kümesi,
maliyet nitelikli faktörleri
belirtmektedir.
 TOPSIS
5. İdeal ve negatif ideal noktalara olan uzaklıklar hesaplanır.
Buradaki uzaklık, Öklidyen tiptedir.

𝑛 𝑛
2 2
𝑆𝑖∗ = 𝑣𝑖𝑗 − 𝑣𝑗∗ 𝑆𝑖− = 𝑣𝑖𝑗 − 𝑣𝑗−
𝑗=1 𝑗=1

6. Her seçeneğin ideal çözüme göreli yakınlığı hesaplanır.

Daha sonra bu yakınlık değerlerine göre alternatifler
sıralanmaktadır.

𝑆𝑖−
𝐶𝑖∗ = −
𝑆𝑖 + 𝑆𝑖∗
 Örnek Soru
• Bir departmana personel alımı yapılacaktır. Açılan
pozisyona başvuran adaylar ve kriterlere ilişkin bilgiler
tablodaki gibidir. Dış görünüş puanı ve eğitim kriterleri
fayda, yaş kriteri maliyet tipindedir. Buna göre, kimin işe
alınması gerektiğini TOPSIS yöntemi ile belirleyiniz.

Dış Görünüş Yaş Eğitim

w 0,40 0,35 0,25
A 8 27 20
F 9 24 18
H 7 23 24
N 8 25 22
 Örnek Soru
1. Karar matrisi soruda verilmektedir.
2. Normalize karar matrisinin oluşturulması:
Dış Görünüş Yaş Eğitim
A 8 27 20
F 9 24 18
H 7 23 24
N 8 25 22
𝑚 2 82 + 92 + 72 + 82 272 + 242 + 232 + 252 202 + 182 + 242 + 222
𝑖=1 𝑎𝑖𝑗
= 258 = 16,0624 = 2459 = 49,5883 = 1784 = 42,2374

Dış Görünüş Yaş Eğitim

A 8/16,0624 = 0,4981 27/49,5883 = 0,5445 20/42,2374 = 0,4735
F 9/16,0624 = 0,5603 24/49,5883 = 0,4840 18/42,2374 = 0,4262
H 0,4358 0,4638 0,5682
N 0,4981 0,5042 0,5209
 Örnek Soru
3. Normalize karar matrisi kriter ağırlıkları ile çarpılarak
ağırlıklandırılmış normalize karar matrisi oluşturulur.
Dış Görünüş Yaş Eğitim
w 0,40 0,35 0,25
A 0,4981*0,4 = 0,1992 0,5445*0,35 = 0,1906 0,4735*0,25 = 0,1184
F 0,2241 0,1694 0,1066
H 0,1743 0,1623 0,1421
N 0,1992 0,1765 0,1302

4. İdeal ve negatif ideal çözümler elde edilir.

Dış Görünüş Yaş Eğitim
(Fayda) (Maliyet) (Fayda)
𝑣𝑗∗ 0,2241 0,1623 0,1421

𝑣𝑗− 0,1743 0,1906 0,1066

 Örnek Soru
5. İdeal ve negatif ideal noktalara olan uzaklıklar hesaplanır.

𝑆𝐴∗ = [ 0,1992 − 0,2241 2 + 0,1906 − 0,1623 2 + 0,1184 − 0,1421 2 = 0,0445

𝑆𝐴− = [ 0,1992 − 0,1743 2 + 0,1906 − 0,1906 2 + 0,1184 − 0,1066 2 = 0,0276

6. Her seçeneğin ideal çözüme göreli yakınlığı hesaplanır.

𝑆𝑖∗ 𝑆𝑖− 𝐶𝑖∗
0,0276/(0,0276+0,0445) =
A 0,0445 0,0276
0,3822
F 0,0362 0,0541 0,5991
H 0,0498 0,0454 0,4769
N 0,0310 0,0371 0,5448

F >> N >> H >> A

 Örnek Soru-1 (TOPSIS)
• Bilgisayar güvenlik tasarımı için önerilen 4 projeden biri
tercih edilecektir. Gözönüne alınan kriterler şöyledir:
– Ortalama ilk başarısızlık zamanı (IBZ)  Fayda
– İki başarısızlık arasında geçen ortalama süre (IBAZ)  Fayda
– Ortalama sorunun giderilme zamanı (SGZ)  Maliyet
– Yıllık bakım masrafı oranı (YBM)  Maliyet
– Güvenilirlik (SG)  Fayda
– Başarısızlık oranı (BO)  Maliyet
• Kriterlerin önem dereceleri ve alternatif projelerin
kriterlerden aldıkları puanlar tablodaki gibidir.
• Hangi projenin seçilmesi gerektiğini TOPSIS ile
belirleyiniz.
 Örnek Soru-1 (TOPSIS)

IBZ IBAZ SGZ YBM SG BO

w 0,23 0,17 0,34 0,10 0,04 0,12
Proje I 1320 1775 6,5 4,58 89,6 0,055
Proje II 1690 1550 5,5 5,34 89,9 0,098
Proje III 1410 1860 8,5 6,86 86,4 0,085
Proje IV 1380 1370 7,0 3,88 78,5 0,042
 Örnek Soru-2 (AHP&TOPSIS)
• Bir banka mevcut 6 müşterisinden en başarılı bulduğu ilk
ikisine kredi tahsis edecektir. Banka, müşteri firmaları iki
ana kriter ve pek çok alt kriteri gözönüne alarak
değerlendirmektedir.
• Kriterlere ilişkin hiyerarşi, ilgili kriterlerin karşılaştırıldığı
matrisler ve 6 müşteri firmanın kriterlerden elde ettiği
puanlar ileride verilmektedir.
• Buna göre,
– Kriter ağırlıklarını belirleyiniz.
– Karşılaştırma matrislerine ilişkin tutarlılık ölçümlerini
yapınız.
– Kredi tahsis edilecek iki firmayı TOPSIS ile belirleyiniz.
Örnek Soru-2 (AHP&TOPSIS)
Kriter Hiyerarşisi
 Örnek Soru-2 (AHP&TOPSIS)
Karşılaştırma Matrisleri
Firma Performansı FP FOP
Finansal Perf. (FP) 1.000 3.000
Finansal Olmayan Perf. (FOP) 1.000

FP LİK YP KAR ETK LİK CO ATO

Likidite (LİK) 1.000 2.000 1.000 3.000 Cari Oran (CO) 1.000 2.000
Finansal Yapı (YP) 1.000 Asit Test Oranı (ATO) 1.000
Karlılık (KAR) 2.000 1.000 3.000
Etkinlik (ETK) 1.000

FY BO FM UVV
Borçlanma Oranı (BO) 1.000 3.000 3.000
Faiz Masr./Net Sat. (FM) 1.000 2.000
Uzun Vadeli Varl. Yat. Or. (UVV) 1.000

FOP TDS SP YDS SME

Ticari Deneyim Süresi (TDS) 1.000 2.000 5.000
Sektör Payı (SP) 2.000 1.000 2.000 3.000
Ort. Yönetici Den. Sür. (YDS) 1.000 2.000
Sosyal Medya Etk. (SME) 1.000

SME TAO OYO

Takipçi Artış Oranı (TAO) 1.000
Olumlu Yorum Oranı (OYO) 4.000 1.000
 Örnek Soru-2 (AHP&TOPSIS)
Karar Matrisi
FY FOP
LİK FY KAR ETK TDS SP YDS SME
CO ATO BO FM UVV VÖK SDH TDS SP YDS TAO OYO
W
A 0.800 0.752 2.636 1.064 0.024 0.000 19.143 84.000 0.106 12.750 0.377 0.157
B 0.852 0.404 3.337 1.467 0.023 0.023 6.525 23.000 0.091 16.100 0.200 0.140
C 1.405 1.382 2.580 0.908 0.027 0.000 25.132 27.000 0.217 16.000 0.156 0.049
D 1.105 0.991 1.980 0.859 0.163 0.075 8.288 73.000 0.224 14.000 0.491 0.005
E 1.085 0.841 1.935 0.926 0.024 0.053 15.367 58.000 0.188 25.182 0.506 0.176
F 2.092 1.744 1.268 0.886 0.114 0.010 8.935 53.000 0.174 20.615 1.190 0.016
Fayda Fayda Maliyet Maliyet Maliyet Fayda Fayda Fayda Fayda Fayda Fayda Fayda