1. Pendahuluan

Metode berdasarkan efek penghapusan kriteria - MEthod based on the Removal Effects of Criteria (MEREC) digunakan untuk menentukan bobot kriteria dalam masalah pengambilan keputusan multi-kriteria. Metode MEREC dikembangkan untuk mengatasi keterbatasan metode tradisional seperti Simple Additive Weighting (SAW) dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS).

MEREC didasarkan pada gagasan bahwa nilai suatu alternatif dapat diukur dengan mengidentifikasi dan menghilangkan efek negatif dari setiap kriteria. Metode ini termasuk dalam kategori metode pembobotan obyektif untuk memperoleh bobot kriteria. Seperti disebutkan sebelumnya, MEREC menggunakan efek penghilangan setiap kriteria pada kinerja alternatif untuk menentukan bobot kriteria. Bobot yang lebih besar diberikan pada kriteria yang mempunyai pengaruh lebih tinggi terhadap kinerja.

Pre-requisites

Pemahaman terhadap dasar-dasar Sistem Pengambilan Keputusan
Pemahaman terhadap dasar-dasar teknologi web,HTML dan CSS
Pemahaman terhadap dasar-dasar basis data/database, terutama query SQL pada MySQL/mariaDB
Pemahaman terhadap dasar-dasar pemrograman PHP, terutama fungsi-fungsi koneksi database dan pengelolaan tipe data array

1.1. Langkah-langkah MEREC

Langkah-langkah berikut digunakan untuk menghitung bobot objektif oleh MEREC.(Ghorabaee, et al., 2021)

1.1.1. Membuat Matriks Keputusan ($X$)

Matriks keputusan ($X$) dibangun pada langkah ini, yang menunjukkan peringkat atau nilai setiap alternatif mengenai setiap kriteria. Elemen matriks ini dilambangkan dengan $x_{ij}$, dan elemen matriks tersebut harus lebih besar dari nol ($x_{ij} > 0$).

Jika kita memiliki nilai negatif dalam matriks keputusan, maka nilai tersebut harus diubah menjadi nilai positif dengan menggunakan teknik yang tepat. Misalkan terdapat $m$ alternatif dan $n$ kriteria, maka` bentuk matriks keputusannya adalah sebagai berikut:

$X=\left[\begin{array}{cccc} x_{1,1} & \ldots & x_{1,j} & \ldots & x_{1,n} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ x_{i1} & \ldots & x_{ij} & \ldots & x_{in} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ x_{m1} & \ldots & x_{m2} & \ldots & x_{mn} \\ \end{array}\right] (i=1,2,...,m; j=1,2,...,n)$

.. [MER-01]

1.1.2. Normalisasi Matriks Keputusan ($N$)

Pada langkah ini, normalisasi linier sederhana digunakan untuk menskalakan elemen matriks keputusan. Elemen-elemen matriks yang dinormalisasi dilambangkan dengan $n^{x}_{ij}$ . Jika $B$ menunjukkan himpunan kriteria menguntungkan (benefit), dan $H$ mewakili himpunan kriteria tidak menguntungkan (cost), kita dapat menggunakan persamaan berikut untuk normalisasi:

$\begin{equation}n^{x}_{ij}=\begin{cases}\frac{\substack{\text{min} \\k} x_{kj}}{x_{ij}}\ if\ j\in B\\ \frac{x_{ij}}{\substack{\text{max} \\k} x_{kj}}\ if\ j\in H\end{cases}\end{equation}$

.. [MER-02]

1.1.3. Menentukan Kinerja setiap Alternatif ($S$)

Hitung kinerja keseluruhan alternatif ($S_i$). Pengukuran logaritmik dengan bobot kriteria yang sama diterapkan untuk memperoleh kinerja keseluruhan alternatif pada langkah ini. Pengukuran ini didasarkan pada fungsi non-linier yang digambarkan pada Gambar 1. Berdasarkan nilai normalisasi yang diperoleh dari langkah sebelumnya, kita dapat memastikan bahwa nilai $n_{ij}$ yang lebih kecil menghasilkan nilai kinerja ($S_i$) yang lebih besar. Persamaan berikut digunakan untuk perhitungan ini:

$S_i=ln(1+(\frac{1}{m}\sum\limits_j{|ln(n^x_{ij})|}))$

.. [MER-03]

Gambar 1: Bobot dari analisis komparatif

1.1.4. Menentukan Kinerja dengan Menghilangkan efek Kriteria ($S'$)

Hitung kinerja alternatif dengan menghapus setiap kriteria. Pada langkah ini, diggunakan ukuran logaritmik dengan cara yang sama seperti langkah sebelumnya. Perbedaan antara langkah ini dengan Langkah 3 adalah bahwa kinerja alternatif dihitung berdasarkan penghapusan setiap kriteria secara terpisah. Oleh karena itu, kita memiliki $m$ set kinerja yang berhubungan dengan sejumlah $m$ kriteria. Dinyatakan dengan $S^{′}_{ij}$, yaitu kinerja keseluruhan alternatif ke-$i$ terkait dengan penghapusan kriteria ke-$j$. Persamaan berikut [MER-04] digunakan untuk perhitungan langkah ini:

$S'_{ij}=ln(1+(\frac{1}{m}\sum\limits_{k,k=j}{|ln(n^x_{ik})|}))$

.. [MER-04]

1.1.5. Menghitung Jumlah Deviasi Absolut ($E$)

Pada langkah ini, dihitung dampak penghapusan kriteria ke-$j$ berdasarkan nilai yang diperoleh dari Langkah 3 dan Langkah 4. Misalkan $E_j$ menunjukkan dampak penghapusan kriteria ke-$j$. Kita dapat menghitung nilai $E_j$ menggunakan persamaan berikut:

$E_j=\sum\limits_{i}|S'_{ij}-S_i|$

.. [MER-04]

1.1.6. Menentukan Bobot Akhir Kriteria ($W$)

Pada langkah ini, bobot objektif setiap kriteria dihitung menggunakan efek penghapusan ($E_j$) dari Langkah 5. Selanjutnya, $w_j$ merupakan bobot kriteria ke-$j$. Persamaan berikut digunakan untuk menghitung $w_j$:

$w_j=\frac{E_j}{\sum_k E_k}$

.. [MER-04]

1.2. Kelebihan & Kekurangan

1.2.1. Kelebihan

MEREC dapat mengatasi masalah kompensasi berlebihan, di mana alternatif dengan nilai kriteria yang sangat tinggi pada satu kriteria dapat mengkompensasi nilai kriteria yang rendah pada kriteria lain.
MEREC lebih mudah dipahami dan diinterpretasikan daripada metode multi-kriteria lainnya.
MEREC dapat digunakan dengan berbagai jenis data, termasuk data kuantitatif dan kualitatif.

1.2.2. Kekurangan

MEREC dapat sensitif terhadap pemilihan metode normalisasi data.
MEREC dapat sulit untuk diterapkan ketika ada banyak kriteria.

This document using Dynamic Content Technology ^™ for enrichment sample case and reading experience

Data yang digunakan BUKAN merupakan data real, tapi data yang digenerate secara otomatis dari sistem
Data dan Nilai Perhitungan yang ditampilkan akan SELALU BERBEDA jika halaman di refresh/reload
Jumlah dan Nama calon alternatif ditampilkan secara acak/random antara 10 s.d 20

Beberapa simpulan yang bisa diperoleh adalah

Penggunaan metode MEREC dapat membantu proses evaluasi mesin pertanian berdasarkan kriteria yang telah ditetapkan dan diberi bobot oleh pengambil keputusan.

Ghorabaee, MK.,Amiri,M. ,Zavadskas,EK., Turskis, Z., & Antuchevicienm J. (2021) Determination of Objective Weights Using a New Method Based on the Removal Effects of Criteria (MEREC). Symmetry 2021, 13, 525. https://doi.org/10.3390/sym13040525, https://www.mdpi.com/2073-8994/13/4/525
Puška, A.; Nedeljkovi´c, M.; Šarko´cevi´c, Ž.; Golubovi´c, Z.; Risti´c, V.; Stojanovi´c, I., (2022),Evaluation of Agricultural Machinery Using Multi-Criteria Analysis Methods. ,Sustainability 2022, 14, 8675. https://doi.org/10.3390/su14148675