ARTASI (Uyarlanabilir Standartlaştırılmış Aralıklara Dayalı Alternatif Sıralama Tekniği)

ARTASI (İngilizce: Alternative Ranking Technique based on Adaptive Standardized Intervals), elinizde sayılarla doldurulmuş bir karar tablosu olduğunda seçenekleri tek bir sıraya dizen bir sıralama yöntemidir. Çıktısı her seçenek için bir fayda puanı ve bu puana göre bir sıradır. ARTASI ağırlık üretmez, ağırlıkları dışarıdan alır. Pamučar, Simić, Görçün ve Küçükönder yöntemi 2023'te önermiştir; makale 2024'te basılmıştır. Kısa süre sonra Kara, Yalçın, Kaygısız, Simić, Örnek ve Pamučar (2024) yöntemi bulanık ortama taşımış ve CIMAS ağırlıklandırma yöntemiyle birlikte bir web sitesi performans değerlendirmesinde kullanmıştır. Yöntem henüz yenidir. Uygulama literatürü küçük ama hızla büyür.

ARTASI'nin arkasındaki fikir şudur: kriter sütununu sabit bir [0,1] aralığına değil, o sütunun kendi en büyük ve en küçük değerinden türetilen bir aralığa yerleştirmek. Bu aralık seçenek sayısına göre genişler; "uyarlanabilir" sözü de buradan gelir. Böylece az seçenekli bir tabloda aralık dar kalır, çok seçenekli bir tabloda aralık genişler. Normalizasyon böylece tablonun büyüklüğüne duyarlı hâle gelir.

ARTASI'nin ikinci fikri, TOPSIS'e benzer biçimde her seçeneği hem bir ideal referansa yakınlığına hem bir anti-ideal referanstan uzaklığına göre puanlamaktır. Ama ARTASI bu iki bileşeni tek bir mesafe yerine bir toplam ve bir denge terimiyle birleştirir. Bu özellik yöntemi telafi edici yapar: bir kriterdeki zayıflık başka bir kriterdeki güçle örtülebilir. Felsefi sonuç TOPSIS'e yakındır: "ideale en çok benzeyen seçenek" fikri. Ama ARTASI bu benzerliği sabit değil, veriye uyarlanan bir ölçekle tanımlar.

Yöntem yedi adımda ilerler.

Birinci adımda uyarlanabilir aralık sınırları belirlenir. Yöntem her kriter sütunu için sütundaki en büyük ve en küçük değere, seçenek sayısına bağlı küçük bir pay ekler ve çıkarır; böylece bir üst ve alt sınır çıkar. Bu sınırlar sütunun kendi değerlerinden türediği için her tabloya özeldir.

İkinci adımda birinci düzey standartlaştırma yapılır. Yöntem her hücreyi, bu uyarlanabilir sınırlar arasında önceden belirlenmiş sabit bir aralığa, örneğin 1 ile 100 arasına, doğrusal olarak yeniden ölçekler.

Üçüncü adımda yön düzeltmesi yapılır. Fayda kriterlerinde standartlaştırılmış değer olduğu gibi kalır. Maliyet kriterlerinde yöntem, sütunun en büyük ve en küçük değerini kullanarak değeri tersine çevirir. Böylece "azı iyi" olan kriterlerde de büyük sayı iyi anlamına gelir.

Dördüncü ve beşinci adımda ideal ve anti-ideal fayda hesaplanır. Yöntem her hücreyi kendi sütun en büyüğüne böler ve ağırlıkla çarpar; böylece "ideale yakınlık faydası" çıkar. Aynı hücreyi sütunun en küçüğüne oranlayarak da "anti-idealden fayda" hesaplar.

Altıncı adımda toplama yapılır. Yöntem her seçeneğin ideale yakınlık faydalarını kendi aralarında, anti-idealden faydalarını da kendi aralarında toplar. Böylece iki toplam çıkar.

Yedinci adımda nihai puan çıkar. Yöntem iki toplamı birbirine ekler ve buna, iki toplamın göreli payını dengeleyen bir düzeltme terimi ekler. Bu düzeltmeyi, karar vericinin ideale yakınlığa mı yoksa anti-idealden uzaklığa mı daha çok ağırlık vermek istediğini ayarlayan bir iç parametre kontrol eder. DecisionMind bu parametreyi ve standartlaştırma aralığının sabit üst-alt sınırlarını varsayılan değerlerde sabit tutar, ikisini de raporda bildirir.

Adımların formülleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Nihai puan, bir seçeneğin bu analizdeki diğer seçeneklere göre ideale yakınlık ve anti-idealden uzaklık toplamını söyler; başka bir şey söylemez. Puan yüzde değildir, farklı analizler arasında karşılaştırılamaz, çünkü uyarlanabilir aralıklar her analizin kendi seçenek kümesinden kurulur.

İki seçeneğin puanı tesadüfen tam eşit çıkabilir. Bu bir hesaplama hatası değildir. Genellikle tablodaki bir simetriden kaynaklanır: iki seçeneğin iki kriterdeki değerleri birbirinin yer değiştirmiş hâli olabilir. Böyle bir eşitlik görüldüğünde rapor bunu açıkça belirtmeli ve gerekirse ek bir ayırt edici kriter önermelidir.

Bu nedenle:

"ARTASI en iyi seçeneği buldu"

yerine:

"Bu ağırlıklar ve bu seçenek kümesiyle en yüksek ARTASI puanını alan seçenek şudur; puanlar eşit ya da birbirine çok yakınsa ek bir ayırt edici ölçüt gerekebilir"

biçiminde yazmak doğrudur.

ARTASI kesin (crisp) veriyle çalışır: her hücrede tek bir sayı bulunur. DecisionMind'da temel yöntemle birlikte üç ARTASI üyesi vardır: klasik ARTASI ve iki resim-bulanık [picture fuzzy] uzantı. Bu uzantılardan biri CIMAS ağırlıklandırmasıyla birleşiktir. Hangisinin veri durumunuza uyduğunu ilgili veri türü kartları anlatır.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede bir sayı ve boş hücre yok. Ayrıca her kriter için yön bilgisi ve toplamı 1 olan kriter ağırlıkları gerekir. ARTASI ağırlık üretmez, ağırlıkları dışarıdan ister. En az iki seçenek ve iki kriter gerekir; üç ile on iki kriter arası rahat çalışır. Uyarlanabilir aralık, sütunun kendi en büyük ve en küçük değerinden kurulur. Bu yüzden tabloya sonradan bir seçenek eklendiğinde yalnız o seçeneğin puanı değil, aralığın kendisi de değişir. Bu durum TOPSIS'teki ideal/anti-ideal kaymasına benzer, ama ARTASI'de normalizasyon aşamasında da hissedilir.

Kriterleriniz sayıyla ölçülebiliyorsa, tablo tam doluysa ve telafiyi kabul ediyorsanız ARTASI uygun bir seçimdir. Özellikle seçenek sayısının küçükten büyüğe değişebileceği durumlarda işe yarar. Bu durumlarda normalizasyonun bu değişime duyarlı olmasını istersiniz; uyarlanabilir aralık tam da bu değişimi hesaba katar. Tipik alanları web sitesi ve dijital performans değerlendirmesi ile personel/yönetici seçimidir.

ARTASI'nin kullanılmaması gereken durumları da vardır. Bir kriterde hiç taviz kabul etmiyorsanız kullanmayın. Tabloya sık sık seçenek ekleyip çıkarıyorsanız ve her seferinde aralığın yeniden hesaplanmasını istemiyorsanız da kullanmayın; bu durumda sabit ölçekli bir yöntem daha kararlı olabilir. Yöntemin iç düzeltme parametresi hakkında bir gerekçe sunamıyorsanız da kullanmayın, çünkü parametre keyfi seçilirse sonuç da keyfileşir.

Sayısal tablo, telafi kabul, seçenek sayısına duyarlı normalizasyon isteniyor → ARTASI

Aynı amaç ama veri bulanık → ARTASI'nin resim-bulanık uzantısı

Sabit ölçekli, daha yerleşik bir sıralama yöntemi tercih ediliyor → TOPSIS, SAW

Bir kriterde taviz yok, eşik altı elenmeli → Önce eleme, sonra sıralama

Sıralama değil ağırlık gerekiyor → AHP, BWM, SWARA, CIMAS (öznel) · Entropy, CRITIC (nesnel)

ARTASI'nin en önemli özelliği normalizasyonu tabloya uyarlamasıdır: aralık sınırları her analizde sütunun kendi değerlerinden ve seçenek sayısından türetilir, bu da yöntemi farklı büyüklükteki problemlere esnek kılar. ARTASI, ideale yakınlığı ve anti-idealden uzaklığı ayrı ayrı hesaplayıp sonra birleştirir; bu da TOPSIS'in tek mesafe ölçüsünden daha ayrıntılı bir karşılaştırma sunar. Hesap yükü orta düzeydedir ve adımlar tablo üzerinde izlenebilir.

Sınırlılıkları hem yapısından hem genç olmasından gelir. Birincisi, klasik ARTASI kesin veri gerektirir; uzman yargısındaki belirsizliği yakalayamaz. Bu boşluk, yöntemin önerilmesinden kısa süre sonra resim-bulanık bir uzantı yayımlanmasının gerekçesidir (Kara, Yalçın, Kaygısız, Simić, Örnek ve Pamučar, 2024). İkincisi, nihai puandaki iç düzeltme parametresi karar vericinin ideale yakınlığa mı yoksa anti-idealden uzaklığa mı öncelik verdiğini belirler. Bu parametre gerekçesiz değiştirilirse sonuç da gerekçesiz değişir. Üçüncüsü, uyarlanabilir aralık sütunun kendi verisinden kurulur. Bu yüzden tabloda iki seçeneğin bir çift kriterde birbirinin yer değiştirmiş hâli olması gibi simetrik durumlarda puanlar tam eşit çıkabilir. DecisionMind'ın kendi doğrulama testinde bu durum gözlenmiştir (bkz. Vaka 1). Dördüncüsü, yöntem 2023'te önerildiği için bağımsız sıra tersinmesi çalışmaları TOPSIS ya da VIKOR kadar olgunlaşmamıştır.

En yaygın hata kriter yönünü yanlış işaretlemektir; bu durumda yön düzeltmesi tersine döner ve ideal seçenek en kötü değerlerden kurulur.

İkinci hata, iç düzeltme parametresini "daha iyi" bir sonuç almak için deneme yanılmayla ayarlayıp bunu raporlamaktır. Parametre bir tercihi, idealliğe mi yoksa anti-ideallikten uzaklığa mı öncelik verildiğini, yansıtmalıdır. İstenen sırayı elde etmek için araç olarak kullanılmamalıdır. Üçüncü hata, iki seçeneğin puanı tam eşit çıktığında bunu görmezden gelip ilkini rastgele "birinci" ilan etmektir. Eşitlik raporda belirtilmeli ve ek bir ölçüt önerilmelidir. Dördüncü hata, tabloya seçenek eklendikten sonra uyarlanabilir aralığın da değiştiğini hesaba katmadan eski puanlarla yeni puanları karşılaştırmaktır. Beşincisi, puanı yüzde gibi okumaktır.

Temel ilke şudur:

ARTASI sonucu, o tablonun kendi büyüklüğüne uyarlanmış bir ideallik-anti-ideallik dengesidir. Tabloya seçenek eklenmesi ya da iç düzeltme parametresinin değişmesi bu sonucu değiştirebilir; rapor bunu göstermelidir.