Uzantı kartı · Resim bulanık
Resim bulanık CIMAS-ARTASI (Kara ve ark., 2024)
Bu hibrit yöntem, resim bulanık CIMAS'ın ürettiği kriter ağırlıklarını doğrudan resim bulanık ARTASI'nin sıralama adımına aktarır. İki resim bulanık aşama art arda çalışır: önce ağırlık, sonra bu ağırlıklarla bir alternatif sıralaması.
Temel yöntem
CIMAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Resim bulanık (Picture) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir.
Hücreler. Bu uzantıda iki ayrı resim bulanık tablo vardır. Birincisi (Aşama 1, CIMAS), uzmanların kriter önemine ve kriter puanlarına verdiği (μ, η, ν) üçlüleridir; Resim bulanık CIMAS kartında anlatılan biçimin aynısıdır. İkincisi (Aşama 2, ARTASI), alternatiflerin her kriterdeki performansını gösteren ayrı bir (μ, η, ν) tablosudur. Birden çok uzman varsa bu tablo önce resim bulanık ağırlıklı ortalama (PFWA) operatörüyle tek bir tabloya birleştirilir.
Ölçek eşitleme. Aşama 1'in ürettiği kriter ağırlıkları (resim bulanık CIMAS'ın son adımı) doğrudan Aşama 2'ye girdi olur. Aşama 2'de her alternatif-kriter hücresi önce aynı Sc = (μ + (1−η) + (1−ν)) / 3 formülüyle crisp skora indirilir. Sonra ARTASI'nin kendi uyarlanabilir aralığına, yani sütunun kendi büyüklüğünden türeyen üst-alt sınıra, sabit bir ölçekte yeniden ölçeklenir.
Uzaklık/skor/birleştirme. ARTASI'nin kendi mantığı, yani ideal ve anti-ideal fayda hesabı, bu ikisinin toplanması ve bir denge terimiyle birleştirilmesi, burada değişmeden işler. Tek fark, kriter ağırlıklarının kesin ARTASI'de dışarıdan verilirken burada Aşama 1'in resim bulanık CIMAS hesabından gelmesidir.
Sonuç ve durulaştırma. Çıktı, kesin ARTASI'deki gibi her alternatif için tek bir K puanı ve bu puana göre bir sıradır. Resim bulanıklık zincirin başında, hem ağırlık hem alternatif puanlarında, Sc skoruna indirgenir; K puanının kendisi crisp'tir.
DecisionMind bu uzantıda iki aşamayı sırayla ve bağımsız çalıştırır: önce Aşama 1'in ürettiği ağırlıklar sabitlenir, sonra Aşama 2 bu ağırlıklarla koşar. ARTASI'nin iç denge parametresi (ψ=0,5) ve standartlaştırma sınırları varsayılan değerde sabit tutulur.
Çıktı Nasıl Yorumlanır?
K puanı, kesin ARTASI'deki gibi yalnız bu seçenek kümesi içinde bir sıralamadır; yüzde değildir, başka bir analizle karşılaştırılamaz.
Fark şurada: bu sıralama, iki ayrı resim bulanık hesabın ürünüdür. Nihai sıra hem alternatiflerin kendi performans yargılarına hem de kriter ağırlıklarının hangi uzman panelinden geldiğine bağlıdır. Ağırlık hesabındaki (Aşama 1) bir kırılganlık, örneğin tek bir uzmanın kendine duyduğu aşırı güven, doğrudan Aşama 2'nin sıralamasına sızar.
Bu nedenle:
"Bu sıralama, alternatiflerin performansını doğrudan yansıtır"
yerine:
"Bu sıralama, alternatiflerin performansını ve kriter ağırlıklarının hangi uzman paneline dayandığını birlikte yansıtır; ağırlık hesabındaki bir kırılganlık sıralamaya doğrudan taşınır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Hem kriter ağırlığı hem alternatif performansı aynı türde bir belirsizlikle, resim bulanık bir panel ya da oylama biçiminde geliyorsa bu hibrit kullanılır. Özellikle bu iki aşamayı ayrı ayrı yönetmek yerine tek bir uçtan uca akış istiyorsanız uygundur. Ağırlıklar zaten elinizdeyse, başka bir yöntemden ya da doğrudan verilmişse, yalnız resim bulanık ARTASI'yi kullanmak yeterlidir; CIMAS aşamasını yeniden koşturmak gereksiz karmaşıklıktır. Tersine, yalnız ağırlık istiyorsanız ve bir alternatif sıralamasına ihtiyacınız yoksa, sıralama aşamasına hiç geçmeden resim bulanık CIMAS kartında durmanız yeterlidir.
Bu Uzantıya Özgü Hatalar
Aşama 1'deki güvenilirlik kontrolünü (RI) atlamak. Güvenilmez uzman değerlendirmeleri, kontrol edilmeden Aşama 2'ye sızar ve sıralamada fark edilmeden kalır.
Nitel ve nicel kriter ayrımını kaynak makalenin kuralına uymadan karıştırmak. Resim bulanık üçlü yalnız nitel, yani ölçülemeyen, kriterler için kullanılır; ölçülmüş nicel kriterler kendi ölçeğinde kalmalıdır.
İki aşamayı farklı uzman panelleriyle koşturup bunu raporda belirtmemek. Aşama 1 ile Aşama 2 aynı ya da açıkça farklı panellerle koşuyorsa, bu fark sonucun nasıl okunacağını değiştirir.
Sıralamayı yalnız Aşama 2'nin (ARTASI) bir özelliği sanmak. Aşama 1'deki (CIMAS) küçük bir değişiklik, sıralamayı tersine çevirebilir; ayrıntı Vaka 1'de gösterilmiştir.
Temel ilke şudur:
Bu hibrit, resim bulanık ağırlığı (CIMAS) ve resim bulanık sıralamayı (ARTASI) art arda çalıştırır. Ağırlık aşamasındaki bir kırılganlık, sıralama aşamasına doğrudan taşınır; rapor ikisini birlikte değerlendirmelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Kara ve arkadaşlarının (2024) makalesindeki sayısal uygulama, sekiz site × on iki kriter × sekiz uzman, build sırasında erişilemedi. Bu yüzden DecisionMind, Aşama 1 için [resim bulanık CIMAS kartındaki](pif-cimas.md) aynı sentetik üç uzman × üç kriterlik tabloyu, Aşama 2 için de üç alternatiflik ek bir tabloyu kullanmıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç alternatifin ağırlıklı sıralanması
Aşama 1'de aynı üç uzman (E1, E2, E3), aynı üç ölçütü (C1, C2, C3) Resim bulanık CIMAS kartındaki tabloyla ağırlıklandırır ve C1=0,5071, C2=0,4786, C3=0,0143 ağırlıklarını üretir. Aşama 2'de üç alternatif (A1, A2, A3), aynı üç kriterde resim bulanık bir değerlendirmeyle puanlanır (tümü çoğu-iyi):
| Alternatif | C1 | C2 | C3 |
|---|---|---|---|
| A1 | (0,70; 0,10; 0,10) | (0,60; 0,20; 0,10) | (0,50; 0,20; 0,20) |
| A2 | (0,50; 0,20; 0,20) | (0,70; 0,10; 0,10) | (0,60; 0,20; 0,10) |
| A3 | (0,60; 0,20; 0,10) | (0,50; 0,20; 0,20) | (0,70; 0,10; 0,10) |
Yöntem her hücreyi Sc skoruna indirir, ARTASI'nin uyarlanabilir aralığına ölçekler, ideal ve anti-ideal faydayı Aşama 1'in ağırlıklarıyla (C1=0,5071, C2=0,4786, C3=0,0143) toplar.
| Alternatif | K puanı | Sıra |
|---|---|---|
| A1 | 18.762,6 | 1 |
| A2 | 17.453,3 | 2 |
| A3 | 16.465,4 | 3 |
Sonuç şöyle okunur: A1, en yüksek ağırlığı taşıyan C1 kriterinde en iyi puana sahip olduğu için önde çıkmıştır. C3'ün ağırlığı neredeyse sıfır olduğundan (%1,4), bu kriterdeki farklar sıralamayı hemen hemen hiç etkilememektedir.
Ekibin tereddüdü: Aşama 1'de, Resim bulanık CIMAS kartındaki duyarlılık senaryosunda gösterildiği gibi, E1 kendi önem beyanını daha ölçülü verseydi ağırlıklar C1≈0,159, C2≈0,508, C3≈0,333'e dönerdi. Bu yeni ağırlıklarla Aşama 2 yeniden koşulduğunda sıralama tersine döner. A2 birinci sıraya çıkar (K≈18.394), A1 ikinci sıraya düşer (K≈17.146), A3 üçüncü kalır (K≈17.118); A1 ile A3 arasındaki fark ise neredeyse kapanır. Bu sonuç bağımsız Python hesabıyla doğrulanmıştır.
Raporda: "Mevcut uzman paneliyle A1 en yüksek K puanını almaktadır (18.762,6) ve A1 > A2 > A3 sırası elde edilmektedir. Ancak bu sıralama Aşama 1'deki uzman ağırlıklandırmasına duyarlıdır: E1 kendi önemini daha ölçülü beyan etseydi sıralama A2 > A1 > A3'e dönmekte, A1 ile A3 arasındaki fark ise neredeyse kapanmaktadır."
Kaynak: DecisionMind'ın resim bulanık CIMAS-ARTASI doğrulama örneği. Kara, Yalçın, Kaygısız, Simić, Örnek ve Pamučar'ın (2024) §2.2'de yayımladığı iki aşamalı adım sırasına sadıktır. Makalenin kendi vaka çalışması (web sitesi performans analizi, insan kaynakları yönetimi) build sırasında erişilemediğinden bu tablo sentetiktir (bkz. onay notları). K puanları ve duyarlılık senaryosu bağımsız Python hesabıyla doğrulanmıştır.
2. Spor tesisi: Yeni bir spor kompleksi için arsa seçimi
Bir belediyenin spor işleri müdürlüğü, yeni bir spor kompleksi yapımı için üç arsa seçeneğinden (A1, A2, A3) birini seçecektir. Önce bir uzman paneli (bir inşaat mühendisi, bir mimar, bir spor federasyonu temsilcisi), erişilebilirlik, zemin uygunluğu ve çevresel etki ölçütlerini resim bulanık biçimde ağırlıklandırır. Sonra aynı üç ölçütte üç arsa resim bulanık olarak puanlanır ve bu ağırlıklarla sıralanır.
Yöntem önce panelin ölçüt ağırlıklarını CIMAS ile, sonra arsaların sıralamasını ARTASI ile hesaplar. Diyelim ki zemin uygunluğu en yüksek ağırlığı aldı ve bu ölçütte en iyi puana sahip arsa birinci sırada çıktı.
Müdürlüğün tereddüdü: panel üyelerinden biri (mimar) kendi mesleki deneyimine diğerlerinden belirgin biçimde daha yüksek bir önem beyan etmiştir. Bu üye panelden çıkarılıp ağırlıklar yeniden hesaplanmadan, zemin uygunluğunun gerçekten en belirleyici ölçüt mü, yoksa bu tek üyenin ağırlığının mı sonucu sürüklediği bilinemez.
Raporda: "Zemin uygunluğu en yüksek ağırlığı almış ve bu ölçütte en iyi puana sahip arsa öne çıkmıştır; bu sonucun panelin en yüksek ağırlıklı tek üyesine ne kadar bağımlı olduğu ayrıca test edilmelidir."
3. Yapılmaması Gereken
Birinci yanlış, Aşama 1'deki ağırlıkları hesaplamadan, iki kriteri "gözle" eşit önemli sayıp doğrudan Aşama 2'ye geçmektir; bu, hibritin ağırlıklandırma katkısını tamamen atlar. İkinci yanlış, öğretici örnekteki sıralamanın (A1 > A2 > A3) yalnız Aşama 2'nin bir sonucu olduğunu düşünüp Aşama 1'deki ağırlık kırılganlığını hiç sınamamaktır; gösterildiği gibi tek bir uzmanın önem beyanı sırayı tersine çevirebilir. Üçüncü yanlış, K puanını (18.762,6 gibi) bir yüzde ya da güven skoru gibi okumak ve bunu başka bir analizin K puanıyla karşılaştırmaktır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/pif-cimas-artasi
Kara, K., Yalçın, G. C., Kaygısız, E. G., Simić, V., Örnek, A. Ş., & Pamučar, D. (2024). A picture fuzzy CIMAS-ARTASI model for website performance analysis in human resource management. Applied Soft Computing, 162, 111826. DOI: 10.1016/j.asoc.2024.111826
Pamučar, D., Simić, V., Görçün, Ö. F., & Küçükönder, H. (2024). Selection of the best Big Data platform using COBRAC-ARTASI methodology with adaptive standardized intervals. Expert Systems with Applications, 239, 122312. DOI: 10.1016/j.eswa.2023.122312
Bošković, S., Jovčić, S., Simić, V., Švadlenka, L., Dobrodolac, M., & Bacanin, N. (2025). A new criteria importance assessment (CIMAS) method in multi-criteria group decision-making: Criteria evaluation for supplier selection. Facta Universitatis, Series: Mechanical Engineering, 23(2), 335–349. DOI: 10.22190/FUME230730050B
Cường, B. C. (2014). Picture fuzzy sets. Journal of Computer Science and Cybernetics, 30(4), 409–420. DOI: 10.15625/1813-9663/30/4/5032