Fuzzy MEREC (Saidin, Lee, Marjugi, Ahmad ve Seow, 2023)

Üç şey değişir. Çıkarma etkisi mantığı ve son ağırlık hesabı değişmez.

Hücreler. Kesin MEREC'te her hücre tek sayıdır. Burada her hücre üç sayı taşır: en düşük, en olası, en yüksek. Uzman puanı kelimeyle verirse ("mükemmele yakın", "çok iyi" gibi) önceden ilan edilmiş bir ölçek bu kelimeyi üçgene çevirir. MEREC ağırlık istemez; burada da istemez, tek fark girdinin üç bileşenli olmasıdır.

Ölçek eşitleme. Burada dikkat edilmesi gereken bir nokta var: kesin MEREC'in normalizasyon yönü ile bulanık sürümünki ters çevrilmiştir. Kesin MEREC'te fayda kriterinde küçük değer büyük pay alır, çünkü sütunun en küçüğü her değere bölünür. Bulanık sürümde ise fayda kriterinde tam tersi olur: her üçgen, sütundaki en büyük üst değere bölünür, yani büyük değer büyük pay alır. Maliyet kriterinde ise bulanık sürüm sütunun en küçük alt değerini her üçgene bölerek ters çevirme yapar. Bu fark, DecisionMind'ın kurgusundan değil, Saidin ve arkadaşlarının (2023) kurucu makalesinin kendi tanımından gelir; DecisionMind bu tanımı birebir uygular.

Durulaştırma. Kesin MEREC durulaştırma adımı içermez, çünkü zaten kesin sayılarla çalışır. Bulanık sürüm normalize edilmiş üçgeni tek sayıya indirirken PSI ve RAFSI'nin kullandığı basit ortalamayı (üç bileşenin eşit ağırlıklı ortalaması) kullanmaz. Bunun yerine ortadaki en olası değere dört kat ağırlık veren bir kural uygular; bu kurala dereceli ortalama entegrasyonu denir. Bu, üç bileşenin eşit ağırlıklı ortalamasından biraz farklı bir sayı üretir ve en olası değere daha çok güvenir.

Bu durulaştırılmış sayı üzerinden geri kalan her şey kesin MEREC ile birebir aynıdır. Her seçeneğin genel performansı logaritmik bir toplamayla hesaplanır. Sonra her kriter sırayla çıkarılıp performans yeniden hesaplanır, aradaki fark toplanır ve bu toplam ağırlığa çevrilir.

DecisionMind bu normalizasyon yönünü ve dereceli ortalama entegrasyonunu sabit tutar.

Çıktı, kesin MEREC'teki gibi bir sıralama değil, toplamı 1 olan bir ağırlık vektörüdür. Bir kriterin yüksek ağırlık alması, o kriter çıkarıldığında genel değerlendirmenin çok bozulduğu anlamına gelir; karar vericinin gözündeki önemini göstermez. Bu yorum kesin MEREC ile aynıdır. Fark, girdinin sözel ya da yaklaşık olduğu durumlarda ağırlığın normalizasyon yönünün ters çevrilmiş olmasıdır. Bu yüzden bir kriterin bulanık MEREC'te aldığı ağırlığı, aynı veriyle çalıştırılmış kesin MEREC'in ağırlığıyla doğrudan karşılaştırmak yanıltıcıdır. İki yöntem aynı veriyi farklı bir yönde normalize eder.

Bu nedenle:

"Fuzzy MEREC ile kesin MEREC aynı mantığı kullandığı için ağırlıkları birebir karşılaştırılabilir"

yerine:

"Fuzzy MEREC normalizasyonu ters yönde yapar. Aynı veriye kesin MEREC uygulansa ağırlıklar farklı çıkar; iki sonucu yan yana koymadan önce hangi yöntemin kullanıldığı raporda belirtilmelidir"

biçiminde yazmak doğrudur.

Ağırlıkların veriden türemesini istiyorsan ve elindeki kriter puanları da ölçülmüş değilse, uzman yargısından ya da yaklaşık tahminden geliyorsa Fuzzy MEREC uygun olur. Ölçülmüş bir değeri gerekçesiz biçimde üçgene açmak burada da yanlıştır; bulanık veri türü kartındaki kural geçerlidir.

Ağırlıkların karar vericinin bilinen bir önceliğini yansıtması gerekiyorsa, temel MEREC kartındaki çıkış koşulu aynen geçerlidir. Bu durumda AHP, BWM, SWARA gibi öznel bir ağırlıklandırma tercih edilmelidir.

Durulaştırılmış değerin 1'e eşit ya da büyük çıkmasına izin vermek. Sonraki adımda bu değerin 1'den farkının logaritması alınır. Durulaştırılmış değer 1'e ulaşırsa ya da geçerse bu işlem tanımsız kalır ve motorun fail-closed durması beklenir.

Maliyet kriterinde sıfır ya da negatif alt değer bırakmak. Maliyet kriterinin normalizasyonu bu değere böler. Sıfır ya da negatif bir alt değer sıfıra bölme riski taşır. Fayda kriterinde sıfır, sütunun en büyüğü pozitif olduğu sürece sorun çıkarmaz.

Kesin MEREC ile aynı normalizasyon yönünü varsaymak. Yukarıda anlatıldığı gibi yön tersine çevrilmiştir; bu fark görmezden gelinip iki yöntemin ağırlıkları doğrudan karşılaştırılırsa yanlış sonuç çıkar.

Uzman puanlarını zaten aynı sonuca varan tek bir kişiden almak. Kaynak makale, yani Saidin ve arkadaşları (2023), puanların birden fazla uzmandan toplanıp önceden birleştirilmesini varsayar. DecisionMind bu birleştirmeyi kendisi yapmaz, hazır bir üçgen matris bekler.

Temel ilke şudur:

Fuzzy MEREC'te normalizasyon yönü kesin MEREC'in tam tersidir. Bu, hatadan değil kurucu makalenin kendi tanımından gelir. Ama bu fark rapor edilmezse iki yöntemin ağırlıkları yanlışlıkla aynı ölçekte sayılabilir.