Anda di halaman 1dari 5

DECISION UNDER UNCERTAINTY

Sejumlah kriteria untuk membuat keputusan dengan situasi tak tentu dimana distribusi
peluang yang tersedia tidak diketahui.
Berikut adalah beberapa metoda yang akan dibahas :
1. Kriteria Lapace
2. Kriteria extrims (Minimax,maksimin)
3. Kriteria Savage Regret Matrice
4. Kriteria Hurwics
Perbedaan pokok diantara kriteria diatas terlihat pada seberapa konservatif seorang
pengambil keputusan yang dihadapkan dengan stiuasi kondisi tak tentu.
Sebagai contoh akan terlihat bahwa pada Kriteria Laplace didasarkan atas kondisi lebih optimis
dibanding kriteria Minimax, sedang pada kriteria Hurwics akan terlihat bahwa bisa diatur dari
batas paling pesimis sampai batas yang paling optimis.
Asumnsi dasar berikutnya adalah pengambil keputusan tidak berhadapan dengan lawan yang
bisa "berpikir". Dalam hal ini lawan dari pengambil keputusan adalah "alam". .
Informasi yang digunakan dalam mengambil keputusan dalam kondisi tertentu pada umumnya
diringkas dalam bentuk matriks. Dalam matrix baris menunjukkan kemungkinan-kemungkinan
untuk bertindak, sedang kolom nenunjukkan kemungkinan kejadian yang mungkin terJadi.
Terkait dengan aksi dan kejadian adalah keluaran yang mengevaluasi untung/rugi yang
dihasilkan dari pengambilan keputusan.
ai menunjukkan aksi yang ke i (i=l,2,...m) sedang oj merupakan status yang akan terjadi
(j=1,2,...n) maka v(ai,oj) merupakan keluaran yang terkait. Bisa juga terdadi bahwa v(ai,oj)
merupakan fungsi yang kontinu dari ai dan oj. Matrix berikut akan digunakan sebagai dasar
untuk mengembangkan kriteria penganbilan keputusan dalam kondisi tak tentu.
01 O2 On


al v(a1,o1) v(a1,o2).. v(a1,on)

a2 v(a2,o1) v(a2,o2).. v(a2,on)
. . . .
am v(am,o1) v(am,o2). V(am,on)

1.1. Kriteria Laplace
Kriteria ini didasarkan atas bahwa apa yang diketahui tidak cukup, peluang terjadinya
o1,o2..on tidak diketahui sehingga tidak cukup informasi untuk mengatakan bahwa peluangnya
berbeda sehingga untuk ini dianut terjadinnya "equally likely" maka bila diketahui adalah matrix
keuntungan maka yang dipilih adalah aksi yang akan mendatangkan keuntungan terbesar dengan
rumus :
Max 1/n V(ai, Oj)
Dimana i/n adalah peluang bahwa oj (j=1,2,...,n) akan terjadi.
Sedang biaya yang harus dikeluarkan maka rumusnya akan menjadi:
Min 1/n V(ai, Oj)
Contoh
Sebuah fasilitas rekreasi harus memutuskan jumlah stop yang harus ada untuk memenuhi
permintaan dari langganan selama liburan. Jumlah tepatoya langganan tidak diketahui, tapi
diharapkan salah satu dari katagori 200, 250, 300 atau 350 langganan. Empat macam stop
dianjurkan dengan level i yang ideal bila langganan yang datang dengan katagori i, menyimpang
dari keadaan ini akan berakibat dua hal yang mendasar.
a. Terlalu hanyak stock yang disinpan padahal langganan yang datang cuma sedikit
b. Atau barang yang tersedia sedikit sedang langganan yang datang banyak.
Berikut adalah matrix biaya dalam satuan ratusan ribu rupiah
Katagori langganan
01 02 03 04
Jumlah stock a1 5 10 18 25
a2 8 7 8 23
a3 21 18 12 21
a4 30 22 19 15

Jawab:
E(al)=(1/4) (5+10)18+25)=14.5
E(a2~=(1/4) (8+7+8+23)=11.5
E(a3)=(1/4) (21+18+12+21)=18.0
E(a4)=(1/4) (30+22+19+15)=21.5
Dengan kriteria Laplace ini ternyata level inventori dengan keputusan a2.

1.2. Kriteria Extrim(Minimax/maximin)
Kritetria ini adalah kriteria yang paling konservatif karena didasarkan atas keputusan
memilih yang terbaik dari kondisi yang terjelek.
* Bila v(ai,oj) merupakan lost bagi sipengambil keputusan maka ai loss tersebar tanpa
menghiraukan oj.
Min ai [max Oj {V(ai,Oj}]
* Dengan jalan yang sama bila V(ai,Oj) merupakan matrix keuntungan maka ==>
max ai [min Oj { V(ai,Oj) }]
Contoh:
Soalnya sama dengan soal diatas, tapi diselesaikan dengan kriteria minimax.
Jawab:
Berikut adalah jawabannya.
01 02 03 04 Max
Ai 5 10 18 25 25
V(ai,Qi) a2 8 7 8 23 23
a3 21 18 12 21 21 Harga minimax
a4 30 22 19 15 30
Dan sudah tentu kalau yang diketahui adalah matriks keuntungan maka yang akan digunakan
dalam peneyelsaian masalahnya adalah maximin.

1.3. Kriteria Savage Regret Matrix
Kriteria minimax didepan adalah bentuk konservatif, yang kadang menghasilkan
kesimpulan yang tidak logis. sobagai ilustrasi perhatikan matrix loss dibawah :
01 02
A1 11.000 90
A2 10.000 10.000
Dengan metode minimax yang dipilih adalah a2 ? secara intuitif terlihat memilih a1 lebih
baik, sebab ada kemungkinan ruginya hanya 90. dari sini muncul ide untuk mengurangi derajat
konservatif dengan savage.
Kriteria savage memperbaiki kekurangan ini dengan membuat matrik loss yang baru dimanaV
(ai, Oj) diganti dengan r (ai,Oj) yang didefinisikan sbb:
Max { V(ai,Oj) } V (ai,Oj) bila untung
r(ai,Oj) =
V(ai,Oj) min {V(ai,Oj) bila rugi
R(ai,Oj) sering disebut regret matrix.

Bila soal terakhir diatas dikerjakan dengan kriteria savage maka akan didapat ketupusan
yang lebih logik.
01 02
a1 1000 0
r(ai,Oj) = a2 0 9910

Dalam mengaplikasikan kriteria savage maka perlu di ingat bahwa : apakah V(ai,Oj)
matrik keumtungan /kerugian make yang jelas r(ai,Oj) merupakan sebuah fungsi regret yang
dalam kedua hal menyatakan 'loss" sehingga hanya minimax (jangan lupa buka bukan maximin)
yang bisa digunakan pada r(ai,qi).
Sehingga soal diatas jawabanya adalah a1
Contoh :
contoh soal yang sama didepan dicoba lagi jawab :
Dalam menjawab dengan menggunakan kriteria minimax.

01 02 03 04 Max Oj {V(ai,Oj)}
Ai 0 3 10 10 10
r(ai,Oj) a2 3 0 0 8 8 Harga minimax
a3 16 11 4 6 16
a4 25 15 15 0 25

Perhatikan apapun awal matriksnya keputusan yang diambil dengan savage adalah a2,
sedang" minimax murni adalah a3, jadi selalu digunakan Minimax.

1.4. Kriteria Hurwich
Kreteria ini mengantarai mulai dari yang paling pesimis sampai dengan yang paling
optimis dengan mengentengahkan [0,1] yang merupakan : Index Optimistik.
Bila V (ai,Oj) merupakan keuntungan maka rumus yang digunakan:
Max {( max V(ai,Oj) + (l-) min V (ai,Oj)}
Bila V (ai,Oj) merupakan kerugian maka rumus yang digunakan.
Min {( min V(ai,Oj) + (l-) max V (ai,Oj)}

Sebagai contoh mari kita coba soal yang sudah dikerjakan didepan dengan menggunakan
kriteria Hurwics dengan = 0.7 dalam matriks berikut mari kita anggap merupakan matriks
keuntungan, maka jawabannya adalah sebagai berikut:

01 02 03 04 Max Min Hasil Pilih
Ai 5 10 18 25 25 5 0.7*25+0.3*5
V(ai,Qi) a2 8 7 8 23 23 7 0.7*23+0.3*7
a3 21 18 12 21 21 12 0.7*21+0.3*12
a4 30 22 19 15 30 15 0.7*30+0.3*15