Fuzzy logic occurred as a follow-up of conventional set theory. Main point of the fuzzy logic is, for the question ?Is a member of a set?? is not answered definitely as yes or no like in conventional set theory, answer is a constant membership function which gives result between 0 and 1. Value of a membership function for a member is called as membership degree. As membership degree changes between 0 and 1, that provides opportunity to use verbal knowledge together with quantitative data for the solution of a problem. Using verbal expressions is the most important difference of fuzzy logic compared to other methodologies.Fuzzy systems are generally defined as the systems which use fuzzy set principles in order to procure output variables using selected present input variables. Fuzzy system?s most important advantage is, adding experiments and verbal information to fuzzy model in order to solve the problem. Fuzzy model is a system that is formed by fuzzy rules called as IF-THEN rules. Fuzzy logic is used for the solution of industrial engineering problems and decision making processes as it is applied at many other engineering areas. There two common fuzzy logic management methods. They are; Mamdani and Takagi Sugeno methods. Mamdani is fuzzy logic method that is used for any kind of problem which needs experimental knowledge. On the other hand Takagi Sugeno method is used for the problems which have not got many variables or these variables are not divided into many subsets. This report targets to find out the most useful project using Takagi Sugeno method.Adaptive network based fuzzy inference system (ANFIS) is used to model decision making process. Hybrid learning which is formed with the combination of subtractive clustering, back propagation and least square methods, is used to train ANFIS. ANFIS is a network structure which has learning capability that represents Takagi Sugeno type fuzzy systems. That network is composed of the nodes which are placed as layers in order to execute a definite function.

Bulanık mantık teorisi klasik küme teorisinin devamı niteliğinde ortaya atılmıştır. Temel noktası klasik küme mantığının aksine bir değerin bir kümenin elemanı olup olmadığına net olarak ?evet? ya da ?hayır? şeklinde değil söz konusu elemanın üyeliğinin 0 ile 1 arasında değerler alabilen sürekli bir üyelik fonksiyonu ile cevap vermesidir. Herhangi bir elemanın üyelik fonksiyonundan aldığı değer üyelik derecesi olarak adlandırılır. Bulanık küme teorisinde üyelik derecesinin 0 ile 1 arasında değerler alması, sözel bilgilerin, problemlerin çözümü sırasında sayısal verilerle birlikte kullanılmasını mümkün kılmaktadır. Sözel ifadelerin bulanık modellere katılması bulanık mantığın diğer yöntemlerden en büyük farklılığıdır.Bulanık sistemler genel olarak, mevcut verilerden seçilen girdi değişkenlerinden çıktı değişkenlerinin elde edilmesini sağlamak amacı ile bulanık küme ilkelerini kullanan sistemlerdir. Bulanık sistemlerin en büyük avantajı insan deneyimlerinin ve sözel verilerin bulanık modele katılması ile çözüme ulaşılmasıdır. Bulanık model, bulanık ?Eğer İse? ya da ?If Then? kuralları adı verilen bulanık kurallara dayanan sistemlerdir. Bulanık mantık günümüzde pekçok mühendislik alanında olduğu gibi, endüstri mühendisliği problemlerinin çözümünde ve karar verme süreçlerinde de kullanılmaktadır. Bulanık mantık yönteminde yaygın olarak kullanılan iki yöntem vardır. Bunlar; Mamdani ve Takagi Sugeno yöntemleridir. Mamdani yöntemi, yaygın olarak kullanım alanı olan, uzman bilgisi gerektiren ve her türlü problemin çözümüne uygulanabilen bir bulanık mantık yöntemidir. Sugeno yöntemi ise değişken sayısının çok fazla olmadığı ya da bu değişkenlerin fazla sayıda alt kümelere ayrılmadığı durumlardaki problemlerin çözümünde kullanılır. Yukarıda ifade edilen kıstaslardan ötürü bu çalışmada Takagi Sugeno yöntemi kullanılmıştır. Amaç, uzman görüşü ve tecrübelerinin anket ve ANFIS uygulama araçları ile derlenerek en fazla fayda sağlayan projenin belirlemesidir.Karar verme sürecinin modellenmesi amacı ile Adaptif Ağ Yapısına Dayalı Bulanık Çıkarım Sisteminden (ANFIS) faydalanılmıştır. Modellemede kullanılan adaptif ağ yapısının eğitilmesinde azaltımlı kümeleme, geri yayılmalı öğrenme ve en küçük kareler tahmini yöntemlerinin kombinasyonundan oluşan ?hibrit öğrenme algoritması? kullanılmıştır. ANFIS yapısı, Takagi Sugeno tipi bulanık sistemlerin, sinirsel öğrenme kabiliyetine sahip bir ağ yapısı olarak temsilidir. Bu ağ, her biri belli bir fonksiyonu gerçekleştirmek üzere, katmanlar halinde yerleştirilmiş düğümlerin birleşiminden oluşmuştur.