TEORI PENGAMBILAN KEPUTUSAN

TEORI PENGAMBILAN KEPUTUSAN
DR. MOHAMMAD ABDUL MUKHYI, SE., MM
6/6/2008 1
Decision A l i D i i Analysis
Model yang membantu para manajer memperoleh pengertian dan pemahaman yang mendalam, tetapi mereka tidak dapat membuat keputusan. Pengambilan keputusan merupakan suatu tugas yang sulit d l k it d lit dalam kaitan dengan: • ketidak-pastian masa depan • konflik nilai-nilai atau hasil tujuan nilai nilai Mempertimbangkan contoh berikut ... p g
6/6/2008 2
Deciding Between Job Offers
Perusahaan A • Suatu industri baru yang bisa memperoleh keuntungan yang tinggi (booming) • Gaji awal yang rendah, tetapi bisa meningkat dengan cepat. • Terletak dekat teman, keluarga dan team olah raga favorit Perusahaan B • Perusahaan yang dibentuk dengan kekuatan keuangan dan komitmen pada karyawan. • Gaji awal lebih tinggi tetapi kesempatan kemajuan lambat. • Penempatan mendalam, menawarkan budaya.atau aktivitas olahraga
6/6/2008
Pekerjaan yang mana kamu akan mengambil?
3
Keputusan terbaik vs Hasil terbaik
• Pendekaan struktur pengambilan keputusan dapat membantu membuat keputusan yang terbaik, tetapi tidak dapat menggaransi hasil yang baik. p gg y g • Keputusan yang barik kadang-kkadasng menghasilkan hasil yang kurang baik.
6/6/2008
4
Bagaimana membuat keputusan dalam organisasi
Membuat keputusan:
– The process of choosing a course of action for dealing with h f h i f i f d li ih
a problem or opportunity.
6/6/2008
5
Bagaimana membuat keputusan dalam organisasi
Langkah-langkah d l membuat k k h l k h dalam b keputusan semantik. ik
– Menggambarkan dan mengenali masalah dan kesempatan. – Mengidentifikasi dan menganalisis macam langkah tindakan
alternatif, mengestimasi pengaruhnya dalam masalah atau kesempatan.
– Memilih tindakan yang lebih disukai. – Mengimplikasikan tindakan yang lebih disukai. – Mengevaluasi hasil dan kelanjutannya sebagaimana diperlukan.
6/6/2008 6
Bagaimana keputusan dibuat dalam organisasi?
• Proses pengambilan keputusan sistematis tidak mungkin diikuti jika perubahan substansiil yang terjadi dan banyak teknologi baru yang digunakan digunakan. • Teknik keputusan novel boleh menghasilkan pencapaian atasan dalam situasi tertentu. tertentu • Konsekwensi pengambilan keputusan yang etis harus dipertimbangkan. dipertimbangkan
6/6/2008
7
Bagaimana keputusan di ambil dalam organisasi?
Lingkungan keputusan meliputi: • Lingkungan tertentu. • Mengambil resiko lingkungan. • Lingkungan tidak-pasti.
6/6/2008
8
Lingkungan tertentu tertentu. – Bilamana informasi adalah cukup untuk meramalkan hasil dari tiap alternatif dalam pengambangan implementasi. – Kepastian adalah masalah ideal dalam memecahkan dan pengambilan keputusan lingkungan.
6/6/2008
9
Resiko lingkungan lingkungan.
– Bilamana pembuat keputusan tidak dapat menyudahi kepastian mengenai hasil berbagai macam tindakan, tetapi p g g , p mereka dapat merumuskan kemungkinan kejadian. – Kemungkinan dapat dirumuskan melalui sasaran prosedur statistik atau i i i pribadi. i ik intuisi ib di
6/6/2008
10
Lingkungan ketidak-pastian. – Bilamana manager memiliki sedikit informasi bahwa mereka tidak dapat menetapkan kemungkinan suatu kegiatan dari berbagai alternatif dan kemungkinan hasil. – Ketidak-pastian memaksa pembuat keputusan bersandar pada individu dan kreativitas kelompok untuk berhasil dalam memecahkan masalah. – Juga yang ditandai oleh dengan cepat mengubah: g y g g p g • Kondisi-Kondisi eksternal. • Kebutuhan teknologi informasi. • Personil yang mempengaruhi definisi pilihan dan masalah masalah. – perubahan yang cepat ini adalah juga disebut anarki terorganisir.
6/6/2008
11
Bentuk-bentuk keputusan. p
– Keputusan terprogram. • Melibatkan permasalahan rutin yang muncul secara
teratur dan dapat ditujukan melalui tanggapan standard.
– Keputusan tidak terprogram.
• Melibatkan bukan permasalahan rutin yang memerlukan solusi secara rinci pada situasi yang ada
6/6/2008
12
Teori Pengambilan Keputusan
Pola dasar berpikir dlm konteks organisasi: p g 1. Penilaian situasi (Situational Approach) untuk menghadapi pertanyaan “apa yg terjadi?” 2. Analisis persoalan (Problem Analysis) dari pola pikir sebab-akibat 3. 3 Analisis keputusan (Decision Analysis) didasarkan pada pola berpikir mengambil pilihan 4. Analisis persoalan potensial (Potential Problem Analysis) didasarkan pada perhatian kita mengenai peristiwa masa depan, mengenai peristiwa yg mungkin terjadi & yg dapat terjadi j
6/6/2008 13
Beberapa teknik dalam pengambilan keputusan:
Situasi keputusan Ada kepastian (Certainty) Pemecahan Deterministik Teknik - Linear Programming - Model Transportasi - Model Penugasan - Model Inventori - Model Antrian - Model “network” - Model keputusan probabilistik - Model Inventori probabilistik - Model Antrian probabilistik Analisis keputusan dlm keadaan ketidakpastian Teori permainan (game theory)
14
Ada risiko (Risk)
Probabilistik
Tdk ada kepastian (Uncertainty) Ada konflik 6/6/2008 (Conflict)
Tak diketahui Tergantung tindakan lawan
Certainty: Jika Jik semua i f informasi yg di l k untuk membuat i diperlukan k b keputusan diketahui secara sempurna & tdk berubah Risk: Jika informasi sempurna tidak tersedia, tetapi seluruh peristiwa yg akan terjadi besarta probabilitasnya diketahui Uncertainty: Jika l h informasi yg mungkin terjadi dik h i tetapi Jik seluruh i f i ki j di diketahui, i tanpa mengetahui probabilitasnya masing-masing Certainty C
6/6/2008
Risk R k
Uncertainty U
15
Conflict: f Jika kepentingan dua atau lebih pengambil keputusan berada dalam pertarungan aktif diantara kedua belah pihak, sementara keputusan certainty risk & uncertainty yang aktif certainty, hanya pengambil keputusan Tujuan analisis keputusan (Decision Analysis): Mengidentifikasi apa yang harus dikerjakan, mengembangkan kriteria khusus untuk mencapai tujuan, g g p j , mengevaluasi alternatif yang tersedia yang berhubungan dengan kriteria & mengidentifikasi risiko yang melekat pada keputusan tersebut p
6/6/2008 16
Management Science dalam pengambilan keputusan
1. 2. 3. 4. 4 Pengambilan keputusan berdasarkan tujuan g p j Pengambilan keputusan berdasarkan informasi & analisis Pengambilan keputusan untuk tujuan ganda Penekanan yg meningkat pd produktivitas: - produktivitas SDM - manajemen modal & material yg efektif - proses pengambilan keputusan yg efisien Peningkatan perhatian pd perilaku kelompok Manajemen modal, energi & material yg efisien j , g Manajemen ttg segala kemungkinan yg lebih sistematis Lebih beraksi dg faktor eksternal (ex: pemerintah, situasi internasional, internasional faktor sosial ekonomi lingkungan perubahan sosial, ekonomi, lingkungan, situasi pasar, selera konsumen, pesaing, dll)
17
5. 6. 7. 8.
6/6/2008
KEPUTUSAN DALAM CERTAINTY (KEPASTIAN)
Hasil d i setiap alternatif tindakan d il dari i l if i d k dapat di ditentukan di k k dimuka dengan pasti. Misal model linear programming, model integer programming dan model deterministik. Tujuan : j • Lebih dari satu tujuan. • Lebih dari satu alternatif tindakan • Setiap tindakan mempunyai satu atau lebih hasil
6/6/2008
18
KEPUTUSAN DALAM KONDISI RESIKO
Kurang pastinya k j di k j di di i kejadian-kejadian dimasa mendatang, maka d k kejadian ini digunakan sebagai parameter untuk menentukan keputusan yang akan diambil p y g Situasi yang dihadapi pengambil keputusan adalah mempunyai lebih dari satu alternatif tindakan, pengambil keputusan mengetahui probabilitas yang akan terjadi terhadap berbagai tindakan dan hasilnya dengan memaksimalkan expected return y g p (ER) atau expected monetari value (EMV)
6/6/2008
19
KEPUTUSAN DALAM KONDISI RESIKO
EMV i = ∑ Rij .Pj
j =1 m
EMVi = Expected Monetary Value untuk tindakan i Rij = return atas keputusan / tindakan i untuk tiap keadaan Pj = probabilitas kondisi j akan terjadi
6/6/2008
20
contoh:
Penjual koran mengambil koran waktu pagi dan menjualnya, harga jual koran Rp 350 dan harga beli Rp 200 koran yang tidak laku disore hari tidak mempunyai harga. Dari catatannya probabilitas koran yang laku setiap hari: Probo = prob. Laku 10 = 0,10 Prob1 = prob. Laku 50 = 0,20 p , Prob2 = prob. Laku 100 = 0,30 Pertanyaan: berapa koran yang harus dibeli setiap harinya?
6/6/2008
21
Jawaban
Tabel Pay-off Net Cash Flows
Probabilitas koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500
Pay off = 10 (350) – 10(200) = 1.500 Pay off = 150 (350) – 150 (200) = 22500
6/6/2008 22
Expected Return d ER10 1500 (0,10) + 1500 (0,20) + 1500 (0,30) + 1500 (0,40) 6500 (0 10) (0 20) (0 30) (0 40) ER20 -6500 (0,10) + 7500 (0,20) + 7500 (0,30) + 7500 (0,40) ER100 -16500 (0,10) - 2500 (0,20) + 15000 (0,30) + 15000 (0,40) 26500 ER150 -26500 (0,10) - 12500 (0,20) + 5000 (0,30) + 22500 (0,40)
= = = =
1500 6100 8350 5350
6/6/2008
23
KEPUTUSAN DALAM UNCERTAINTY (KETIDAKPASTIAN)
Pengambilan k bil keputusan d l k id k dalam ketidakpastian menunjukkan i j kk suasana keputusan dimana probabilitas hasil-hasil potensial tidak diketahui (tak diperkirakan). Dalam suasana ( p ) ketidakpastian pengambil keputusan sadar akan hasil-hasil alternatif dalam bermacam-macam peristiwa, namun pengambil keputusan tidak dapat menetapkan probabilitas peristiwa.
6/6/2008
24
Kriteria-kriteria yang digunakan
A. Kriteria MAXIMIN / WALD (Abraham Wald) Kriteria untuk memilih keputusan yang mencerminkan nilai maksimum dari hasil yang minimum Asumsi: pengambil keputusan adalah pesimistik /konservatif/risk avoider tentang masa depan Kelemahan: tidak memanfaatkan seluruh informasi yang ada, yang merupakan cirri pengambil k k i i bil keputusan modern d B. Kriteria MAXIMAX (Vs MAXIMIN) Krietria untuk memilih alternatif yang merupakan nilai maksimum dari pay off yang maksimum Asumsi: pengambil keputusan adalah optimistic, cocok bagi investor yang risk taker Kelemahan: mengabaikan banyak informasi yang tersedia 6/6/2008 25
C.
Kriteria MINIMAX REGRET / PENYESALAN (L.J. ( Savage) Kriteria untuk menghindari penyesalan yang timbul setelah memilih keputusan yang meminimumkan maksimum penyesalan/keputusan yang menghindari kekecewaan terbesar, atau memilih nilai minimum dari regret maksimum, maksimum dimana: Jumlah regret/opportunity loss = Pay off max – pay off alternatif pd peristiwa tertentu
6/6/2008
26
D.
6/6/2008
Kriteria HURWICZ / kompromi antara MAXIMAX dan MAXIMIN (Leonid Hurwicz) Kriteria dimana pengambil keputusan tidak sepenuhnya optimis dan pesimis sempurna, sehingga hasil keputusan dikalikan dengan koefisien k fi i optimistic untuk mengukur optimisme pengambil i i i k k i i bil keputusan, dimana koefisien optimisme (a) = 0 ≤ a ≤ 1 Dengan a : 1, berarti optimis total (MAXIMAX) a : 0, berarti sangat pesimis/optimis 0 (MAXIMIN) Atau a : optimis 1a 1-a : pesimis Kelemahan: - sulit menentukan nilai a yang tepat - mengabaikan b b b ik beberapa i f informasi yang t i tersedia ( prospek di (ex: k ekonomi sedang diabaikan)
27
E.
Kriteria LAPLACE / BOBOT YANG SAMA (Equal ( q Likelihood) Asumsi: semua peristiwa mempunyai kemungkinan yang sama untuk terjadi
6/6/2008
28
Kriteria Maximax
• Mengidentifikasi payoff maksimum untuk masingmasing masing alternatif. g p y y g • Memilih alternatif dengan payoff maksimum yang terbesar. • Kelemahan: membandingkan matrik payoff
6/6/2008
29
Kriteria Maximax Ki i M i
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 Keputusan
6/6/2008
30
Kriteria Maximax
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 7500 1500 22500 Keputusan
6/6/2008
31
Kriteria Maximax
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 7500 1500 Keputusan
22500
6/6/2008
32
Kriteria Maximin
• Mengidentifikasi payoff maksimum untuk masingmasing alternatif. • M ilih alternatif d Memilih l if dengan payoff maksimum yang ff k i terkecil • K l Kelemahan: membandingkan matrik payoff h b di k t ik ff
6/6/2008
33
Kriteria Maximin
6/6/2008
34
Kriteria Maximin
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 7500 15000 22500 Keputusan
6/6/2008
35
Kriteria Maximin
Probabilit as koran 10 50 100 150 1 0 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 -16.500 -26.500 26 00 50 = 0,20 1.500 7.500 -2.500 -12.500 12 00 100 = 0,30 1.500 7.500 15.000 5.000 000 150 = 0,40 1.500 7.500 15.000 22.500 22 00 Keputusan
1500
7500 1500 22500 22 00
6/6/2008
36
Kriteria Minimax
• Mengidentifikasi payoff minimum untuk masingmasing alternatif. • M ilih alternatif d Memilih l if dengan payoff minimum yang ff i i terbesar. • K l Kelemahan: membandingkan matrik payoff h b di k t ik ff
6/6/2008
37
Kriteria Minimax
6/6/2008
38
Kriteria Minimax
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 -6500 6500 -16500 -26500 26500 Keputusan
6/6/2008
39
Kriteria Minimax
Probabilit as koran 10 50 100 150 1 0 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 -16.500 -26.500 26 00 50 = 0,20 1.500 7.500 -2.500 -12.500 12 00 100 = 0,30 1.500 7.500 15.000 5.000 000 150 = 0,40 1.500 7.500 15.000 22.500 22 00 Keputusan
1500
7500 1500 22500 22 00
6/6/2008
40
Kriteria Minimin
• Mengidentifikasi payoff minimum untuk masing-masing masing masing alternatif. • Memilih alternatif dengan payoff minimum yang terkecil. • Kelemahan: membandingkan matrik payoff
6/6/2008
41
Kriteria Minimax
6/6/2008
42
Kriteria Minimax
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 -6500 6500 -16500 -26500 26500 Keputusan
6/6/2008
43
Kriteria Minimax
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 1.500 -6.500 6 500 -16.500 -26.500 26 500 50 = 0,20 1.500 7.500 7 500 -2.500 -12.500 12 500 100 = 0,30 1.500 7.500 7 500 15.000 5.000 5 000 150 = 0,40 1.500 7.500 7 500 15.000 22.500 22 500 1500 -6500 6500 -16500 Keputusan
-26500 26500
6/6/2008
44
Kriteria Minimax Regret
• Menghitung kemungkinan regret untuk masing-masing alternatif di bawah masing-masing state nature. • Mengidentifikasi kemungkinan regret maksimum untuk masing-masing alternatif. as g as g a te at . • Memilih alternatif dengan regret maksimum yang terendah. Perhitungan tabel regret Outcome = regret baru
6/6/2008
Payoff P ff maksimum dari suatu kolom
-
Payoff lama pada P ff l d baris dan kolom masing-masing
45
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 0 8500 18000 28000 50 = 0,20 6000 0 10000 20000 100 = 0,30 13.500 7.500 7 500 0 10.000 10 000 150 = 0,40 21.000 15000 7500 0 Keputusan
6/6/2008
46
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0,10 0 8500 18000 28000 50 = 0,20 6000 0 10000 20000 100 = 0,30 13.500 7.500 7 500 0 10.000 10 000 150 = 0,40 21.000 15000 7500 0 1500 -6500 6500 -16500 -26500 26500 Keputusan
6/6/2008
47
Tabel Pay-off Net Cash Flows y
Probabilit as koran 10 50 100 150 Jumlah dan probabilitaqs permintaan koran 10 = 0 10 0,10 0 8500 18000 28000 50 = 0 20 0,20 6000 0 10000 20000 100 = 0 30 0,30 13.500 7.500 7 500 0 10.000 10 000 150 = 0 40 0,40 21.000 15000 7500 0 21000 Keputusan
15000
18000 28000
6/6/2008
48
Expected Value of Perfect Information
Disini dih d i masalah k id k pastian. i i i dihadapi l h ketidak i Untuk itu perlu dicari informasi tambahan , diasumsikan diperoleh informasi tambahan tentang permintaan, maka akan diperoleh nilai expected value of perfect information (EVPI):
Expected return jika EVPI = diperoleh informasi sempurna Expected return tanpa informasi sempurna
6/6/2008
49
Expected Value of Perfect Information
EVPI = {(0,10 x 1500) + (0,20 x 7500) + (0,30 x 15000) +
(0,40 x 22500) – 8350} = 15150 – 8350 = 6800 jumlah untuk memperoleh informasi
y g yang sempurna p
EMV = {(0,10x18000) + (0,20x10000) + (0,40x7500)} = 6800
6/6/2008
50
Keputusan dalam kondisi resiko dan fungsi utilitas
Amad pasang l d lotre Rp. 500 d dengan h harapan menang d dapat Rp 500 juta. Probabilitas kalah dalam lotre adalah 99,99% dan p probabilitas menang undian adalah 0,01%, maka expected g , , p return-nya adalah: = -500 (99,99%) + 500.000.000 (0,01%) = -499,95 + 50.000 = 49.599,95
6/6/2008
51
Incorporating Risk Attitudes: Certain Equivalent
Initial I i i l wealth $1000, and you face two options: l h $1000 d f i (a) Keep your initial wealth and do nothing; (b) Invest: receive $10,000 if succeed; lose 1000 if fail. After assessing these two options, you find yourself indifferent between two. Analysis: • Certainty Equivalent Equivalent Certain Sum • C t i t Equivalent factor: a = Certainty E i l t f t Expected Risk Sum – Risk averse: <1 – Risk neural: =1 – Risk loving: >1
6/6/2008 52
Risk Attitudes
Scenario: A person has two choices, a sure thing and a choices risky option, and both yields the same expected value. • Risk averse: take the sure thing • Risk neutral: indifferent between two choices • Risk loving: take the risky option
6/6/2008
53
Risk averter: diminishing MU Risk neutral: constant MU Risk lover: increasing MU
6/6/2008
54
Risk Premium: Preventive Investment
Initial wealth = 40 which results in U(40) = 120. An preventive investment can magically ensure no disease outbreak (not realistic). (a) Without disease outbreak, U(70) = 140 (b) With disease outbreak, U(10) = 70 (c) 0.5U(70) + 0.5U(10) = 105 Questions: (a) Will invest on preventive activities? (b) Risk premium?
6/6/2008 55
Risk Premium: Earthquake Insurance
Josh li h lives in the San Francisco Bay Are of California where the i h i f lif i h h prob. of an earthquake is 10%. His utility function is U(w) = w0.5, where w is wealth. If Josh chooses not to buy insurance , y next year, his wealth is $ 500,000 without an earthquake, and $ 300,000 at the lose of his house with an earthquake. What’s his risk premium? Answer: risk premium= $ 4,6361. p , The solution ??
6/6/2008
56
Utility Theory
• • Sometimes the decision with the highest EMV is not the most desired or most preferred alternative. Consider the following payoff table, State of Nature S fN 1 2 150,000 -30,000 60,000 70,000 40,000 0.5 0.5 EMV <--maximum 55,000
Decision A B Probability
Decision makers have different attitudes toward risk: • Some might prefer decision alternative A, • Others would prefer decision alternative B. Utility Th Utilit Theory incorporates risk preferences in the decision making i t i k f i th d i i ki process. 6/6/2008 57
Constructing Utility Functions
Assign utility values of 0 to the worst payoff and 1 to the best. For the previous example, U(-$30,000) = 0 and U($150,000) = 1 • To find the utility associated with a $70,000 payoff identify the value p at which the decision maker is indifferent between: Alternative 1: Receive $70,000 with certainty. Alternative 2: Receive $150,000 with probability p and lose $30,000 with $150 000 $30 000 probability (1-p). If decision maker is indifferent when p = 0.8: U($70,000) U($150 000) 0 8 U( 30 000) 0 2 U($70 000) = U($150,000) * 0.8 + U(-30,000) * 0.2 = 1* 0.8 + 0 * 0.2 = 0.8 08 02 08 When p = 0.8, the expected value of Alternative 2 is: $150,000 * 0.8 + $30,000 * 0.2 = $ 114,000 The decision maker is risk averse. (Willing to accept $70,000 with certainty versus a risky situation with an expected value of $ 114,000.) 6/6/2008 58 • •
Constructing Utility Functions
• If we repeat this process with different values in Alternative 1, p p , the decision maker’s utility function emerges (e.g., if U($40,000) = 0.65):
Utility
1.00 0.90 0.80 0.70 0.60 0.50 0.40 0.30 0.20 0.10 0.00 0 00 -30 -20 -10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
6/6/2008
Payoff (in $1,000s)
59
Comments
• Certainty Equivalent - the amount that is equivalent in the decision maker’s mind to a situation involving risk.
(e.g., $70,000 was equivalent to Al ( $70 000 i l Alternative 2 with p = 0 8) i ih 0.8)
• Risk Premium - the EMV the decision maker is willing to give up to avoid a risky decision. decision
(e.g., Risk premium = $114,000-$70,000 = $44,000)
6/6/2008
60
Using Utilities to Make Decisions
• Replace monetary values in payoff tables with utilities. Consider the utility table from the earlier example, Decision A B Probability P b bilit State of NatureExpected 1 2 Utility 1 0 0.500 0.8 0.65 0.725 <--maximum 0.5 05 0.5 05
Decision B provides the greatest utility even though it the payoff table indicated it had a smaller EMV.
6/6/2008 61
The Exponential Utility Function
• The exponential utility function is often used to model classic risk averse behavior: U(x) = 1- e- x/R
6/6/2008
62
Incorporating Utilities in T Pl I ti Utiliti i TreePlan
• TreePlan will automatically convert monetary values to utilities using the exponential utility function. • We must first determine a value for the risk tolerance parameter R. • R i equivalent to the maximum value of Y for which the decision is i l h i l f f hi h h d i i maker is willing to accept the following gamble: Win $Y with probability 0.5, p y Lose $Y/2 with probability 0.5. • Note that R must be expressed in the same units as the payoffs! • In Excel, insert R in a cell named RT. (Note: RT must be outside the Excel RT
rectangular range containing the decision tree!)
• On TreePlan’s ‘Options’ dialog box select, ‘Use Exponential Utility Function’
6/6/2008 63
Minimizing Variance or Standard Deviation
The payoffs of all events = X1, X2, X3, . . . . , Xn • The probability of each event = p1, p2, p3, . . . . ., pn
•
• Expected value of x = • Variance =
EVX = x1.p1 + x 2 .p 2 + x 3 .p3 + ........+ x n .p n = ∑ x i .pi
i =1
n
• Standard deviation : square root of variance • Coefficient of variation =
6/6/2008 64
Risk Measurement Absolute Risk:
Overall dispersion of possible payoffs Measurement: variance, variance standard deviation The smaller variance or standard deviation, the lower the absolute risk. Relative Risk Variation in possible returns compared with the expected payoff p p p p y amount Measurement: coefficient of Variation (CV), The lower the CV, the lower the relative risk. EV risk
6/6/2008
65
Principles of Baye’s Strategy Baye s
• A project must not be undertaken unless it has an expected j b d k l i h d value that shows a profit • The optimum decision would be the alternative that gives the highest expected value of profit
6/6/2008
66
Probabilities and Expected Values
Baye’s Strategy • If probabilities are assigned to outcomes
– Decision is based on: The expected value which is the weighted average of these outcomes
6/6/2008
67
Expected Value
• Expected value EV d l
• x : denotes value of each possible outcome • p : the probability of that outcome occurring
6/6/2008
68
Illustration : Ill i
Forecast of profit of a project Profit / (Loss) $k p
EV = - 0.1 * 800 - 0.3 * 200 + 0.4 * 400 + 0.2 * 500 = +120 k Applying Baye’s Strategy Decision: Go ahead with the project although a 0.4 probability of making a loss exists
6/6/2008 69
Example:
3 mutually exclusive options, A, B, C ll l i i A B Each option has three possible outcomes: I with P(I) = 0.1 ; II with P(II) = 0.7 ; III with P(III) = 0.2 Conditional Profits ($k)
Profit ($k) I Option A Option B Option C II 60 80 40 III 80 120 150
20 -30 10
•
Using EV criterion, select the best option
70
6/6/2008
Solution
EV of Options A: 0.1 * 20 + 0.7 * 60 + 0.2 * 80 = $ 60 k B: 0.1 * ( - 30 ) + 0.7 * 80 + 0.2 * 120 = $ 77 k C: 0.1 * 10 + 0.7 * 40 + 0.2 * 150 = $ 59 k Option B is preferred
6/6/2008
71
Measures of Di M f Dispersion i
• Variance (σ 2) ( ) – A measure of the spread of probability distribution • Consider a random variable x – Let its expected value E(x) be µ • σ 2 = Var(x) = E(x - µ)2
6/6/2008
72
Let x be a random discrete variable taking values xn and probability pn σ2 = E(x - µ)2 = p1 (x1 - µ)2 + p2 (x2 - µ)2 +.. + pn (xn - µ)2 Standard deviation σ = √E(x −µ)2 Coefficient of variation (COV) = µ / σ COV - a measure of the risk involved Larger value of COV signifies higher risk
6/6/2008
73
Example
Land development p j p projects in two districts Estimates of Income (x)
Discuss the significance of the data
6/6/2008
74
Solution
Expected value of net annual income p E(x) = µ = Σ xi pi District A µ = 0.15 * 600 + 0.20 * 700 + 0.30 * 800 + 0.20 * 900 + 0.15 * 1000 = 800.0 District B µ = 0.15 * 770 + 0.20 * 790 + 0.30 * 800 + 0.20 * 810 + 0.15 * 830 = 800.0 • • Expected values are the same Study risks involved in the two options
6/6/2008
75
Measures of Risk
• An acceptable way of measuring risk bl f i ik – Examine the probability distribution of the outcomes (annual net incomes) – Compute the coefficient of variation (COV)
6/6/2008
76
6/6/2008
77
6/6/2008
78
6/6/2008
79
Decision Trees
• • • • • • • A di diagrammatic representation of all the l i l possibilities of a i i f ll h logical ibili i f sequence of events Each event can occur in a finite numberof ways Displays the full range of alternative actions that can be taken Each decision by its nature limits the scope of later decisions An estimated value for each possible outcome is required p q The estimated values multiplied by their probabilities are "rolled back" to the start of the tree The decision maker directed towards the line of action giving the decision-maker optimum result
6/6/2008
80
Illustration
The Flood Protection Agency is concerned about the damages h l d i i d b h d that could be caused by a hurricane, if it strikes. It is aware that damages can be considerably reduced if a breakwater is built. g y Suppose the following estimates are made:
6/6/2008
81
Estimates
• • • • Probability f h i P b bili of a hurricane occurring in ayear d i the planning horizon: p i i during h l i h i Damages if a hurricane strikes without the protection of a breakwater: D Damages if a hurricane strikes with the protection of a breakwater: q * D (q<1) Equivalent annual cost (during the planning horizon) of building a breakwater: C
6/6/2008
82
6/6/2008
83
Creating the Decision Tree Model
Procedure • Current Situation (Location 1) is a decisionmaking situation with two alternatives: – No protection – Build breakwater at cost C • Location 1 is a Decision Node • D Draw b branches to represent the alternatives h h l i – A future situation (Location 2) - No protection option is taken – The other future situation (Location 3) - Building breakwater option is adopted
6/6/2008
84
• After h decision Af the d i i Location 2 or 3 becomes "current" situation Location 2 and 3 are Chance Nodes At chance nodes • No decision is made • One of many possible outcomes will occur The Th possible outcomes d ibl t drawn as b branches emanating f h ti from each of th h f the chance nodes
• •
•
6/6/2008
85
• If there are no f h situations h further i i • The cost consequence for each outcome is indicated at the end of the branch • The ends of the branches are known as Consequence Nodes
6/6/2008
86
6/6/2008
87
• •
W is taken as the smaller value because the consequence is COST and a k h ll l b h i d smaller cost would lead to a larger profit (Bayes’ Strategy) If consequence considered was profit then the larger value will be taken
6/6/2008
88
Example: Computer cards problem
• • Past P experience: 20 percent d f i i defective Two inspectors X and Y to check cards and mark • Ok if Good • Not Ok if Bad Probability of wrong classification = 0.1 Acceptance policy: Both inspectors must mark “Ok Ok
• •
6/6/2008
89
6/6/2008
90
P (Correctly classified) = 0.648 + 0.162 + 0.018 + 0.018 = 0 846 (C l l ifi d) 0 648 0 162 0 018 0 018 0.846 Defective cards reaching customers P(Bad classified as Good) = 0.002
6/6/2008
91
6/6/2008
92
6/6/2008
93
Value of Information l f f i • Probabilities assigned to outcomes depend on the information available • Accuracy can be improved with better information • How much is such information worth? Value of Perfect Information • Perfect Information removes risk • Choice will not depend on chance
6/6/2008 94
Consider example on Investment Decision id l ii • If there is "Market" for the product • Best option : High Investment : Profit $100 m • If there is "No Market for the product No Market" • High Investment:Loss $ 60 m • Low Investment: Loss $ 4 m • Do nothing: Loss 0 - Best Option
6/6/2008
95
6/6/2008
96
• EV with perfect information : $ 80 m • EV without information : $ 68 m • Value of perfect information = $ 80 m - $ 68 m = $12 m
6/6/2008
97
Value of Imperfect Information
• Perfect i f f information is hard to come by. i i h d b • Continued from the previous example, decision-maker D hires Management Consultant firm, MC, to carry out market firm MC survey. • Accuracy of MC’s prediction: – 85% accurate – 15% inaccurate • Wh ’ the value of imperfect information? What’s h l fi f i f i ?
6/6/2008
98
6/6/2008
99
EV with imperfect information : $ 62.4 m ihi f i f i EV without information : $ 68 m Value of imperfect information = $ 62.4 m - $ 68 m = - $ 5 6 m 62 4 5.6 => No need to hire MC.
6/6/2008
100
KEPUTUSAN DALAM SUASANA RISK ( DENGAN PROBABILITA ) Tahap-tahap: 1. Diawali dengan mengidentifikasikan bermacammacam tindakan yang tersedia dan layak 2. Peristiwa-peristiwa yang mungkin dan probabilitas terjadinya harus dapat diduga j y p g 3. Pay off untuk suatu tindakan dan peristiwa tertentu ditentukan
6/6/2008
101
Probabilitas dan Teori Keputusan
BAGIAN Probabilitas dan Teori Keputusan
Konsep-konsep Dasar Probabilitas Distribusi Probabilitas Diskret Distribusi Normal Teori Keputusan
Pengertian dan Elemen-Elemen Keputusan Pengambilan Keputusan dalam g p Kondisi Risiko (Risk) Pengambilan Keputusan dalam Kondisi Ketidakpastian (Uncertainty)
Analisis P h K t A li i Pohon Keputusan
6/6/2008 102
Teknik yang digunakan:
a. b.
c.
Expected Value (Nilai Ekspektasi) Expected Opportunity Loss ( EOL ) Untuk meminimumkan kerugian yang disebabkan karena pemilihan alternatif keputusan tertentu. Keputusan yang direkomendasikan criteria p p y g expected value dan expected opportunity loss adalah sama, dan ini bukan suatu kebetulan karena kedua metode ini selalu memberikan hasil yang sama, sehingga cukup salah satu yang dipakai, tergantung tujuannya. Hanya criteria ini sangat tergantung pada perkiraan probabilita yang akurat. Expected Value of Perfect Information (EVPI) Merupakan perluasan dari criteria EV dan EOL, atau dengan kata lain p p g informasi yang didapat pengambil keputusan dapat mengubah suasana risk menjadi certainty (membeli tambahan informasi untuk membantu pembuat keputusan). EVPI sama dengan EOL minimum (terbaik), karena EOL mengukur selisih EV terbaik keputusan dalam suasana risk dan certainty.
103
6/6/2008
Teknik yang digunakan:
d. d
e.
Expected Value of Sample Information (EVSI) Merupakan harapan yang diinginkan dengan tambahan informasi untuk dapat mengubah /memperbaiki keputusan, dengan menggunakan teori Bayes. Kriteria Utility dalam suasana risk EV max / EOL min tidak selalu digunakan y g sebagai pedoman dalam mengambil keputusan, hal ini terjadi karena: 1. Orang lebih memilih terhindar dari musibah potensial daripada mewujudkan keuntungan dalam jangka panjang 2. Orang lebih memilih mendapatkan/memperoleh rejeki nomplok daripada mempertahankan sedikit yang dimiliki
6/6/2008
104
PERSOALAN INVENTORI SEDERHANA DALAM KEADAAN ADA RISIKO
Kriteria nilai harapan (expected value) yang telah digunakan di atas juga diterapkan untuk memecahkan persoalan inventori sederhana. Untuk lebih jelasnya, perhatikan contoh soal berikut:
6/6/2008
105
GAME THEORY (Pengambilan Keputusan Dalam Suasana Konflik)
Adalah memusatkan analisis keputusan dalam suasana konflik dimana pengambil keputusan menghadapi berbagai peristiwa yang aktif untuk bersaing dengan pengambil keputusan lainnya, yang rasional, tanggap dan bertujuan memenangkan persaingan/kompetisi.
6/6/2008
106
Pengelompokan Game Theory:
1. berdasarkan Jumlah Pemain: a. Two-persons games b. N-persons games 2. Berdasarkan Jumlah Pay off: a. Zero and constan sum games b. Non zero and non constan sum games 3. Berdasarkan St t i yang di ilih 3 B d k Strategi dipilih: a. Cooperative games b. Non cooperative games 4. Fokus pembahasan: 5. Two-persons, zero and constan sum games 6. Asumsi dalam game theory: a. Setiap pemain mengetahui dengan tepat pay off setiap kemungkinan 6/6/2008 107 kombinasi strategi yang tersedia.
Caranya:
1.
2.
Prinsip Maximin dan Minimax Karena nilai maximin = minimax, maka disebut matriks games mempunyai saddle point atau value of games senilai saddle point tersebut. tersebut Bila setiap pemain tidak berkeinginan merubah satu strategi yang telah dipilih, maka games itu merupakan “pure strategy” Peranan Dominasi Suatu strategi dikatakan mendominasi apabila selalu menghasilkan pay off lebih tinggi dibandingkan dengan strategi yang lain. Strategi yang didominasi dapat dibuang dari matriks pay off karena pemain tidak p g p y p pernah memilihnya. Konsep dominasi berguna untuk matriks pay off ukuran besar. Aturan dominasi dapat diterapkan untuk mengurangi ukuran matriks sebelum analisis terakhir untuk menentukan solusi optimum.
108
6/6/2008
Caranya:
3.
Mixed Strategy i d Menentukan probabilitas (kemungkinan) strategi yang ada yang digunakan dalam pertarunngan (kalau tidak ada “pure pure strategy/tidak ada saddle point”) Caranya: a. Pendekatan EV / EG (expected Gain) b. Pendekatan EOL c. M Menentukan nilai permainan k il i i
6/6/2008
109
ANALISIS MARKOV
Analisis ini tidak memberikan keputusan rekomendasi, tetapi memberikan informasi probabilita situasi keputusan yang dapat membantu pengambil keputusan untuk membuat keputusannya, dengan kata lain bahwa analisis markov bukan merupakan teknik optimasi, tetapi merupakan teknik deskriptif yang menghasilkan informasi probabilita. Asumsi: 1. 1 Probabilita b i b j l h sama d b bili baris berjumlah dengan 0 2. Probabilita berlaku bagi setiap siapa saja dalam system 3. Probabilita konstan sepanjang waktu 4. Merupakan kejadian-kejadian yang berdiri sendiri (independen)
6/6/2008
110

Interests

Browse by

TEORI PENGAMBILAN KEPUTUSAN

TEORI PENGAMBILAN KEPUTUSAN

Related

Similar to TEORI PENGAMBILAN KEPUTUSAN