P. 1
TEORI PENGAMBILAN KEPUTUSAN

TEORI PENGAMBILAN KEPUTUSAN

|Views: 2,026|Likes:
Dipublikasikan oleh buhati

More info:

Published by: buhati on Jan 07, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as TXT, PDF, TXT or read online from Scribd
See more
See less

11/29/2012

pdf

text

original

TEORI PENGAMBILAN TEORI PENGAMBILAN KEPUTUSAN DR. MOHAMMAD ABDUL MUKHYI, SE.

, MM 6/6/2008 1

Di i A l iDecision Analysis Model yang membantu para manajer memperolehDi i A l iDecision Analysis Model yang membantu para manajer memperoleh Model yang membantu para manajer memperoleh pengertian dan pemahaman yang mendalam, tetapi mereka tidak dapat membuat keputusan. Pengambilan keputusan merupakan suatu tugas litdl kit yang sulit dalam kaitan ddengan: ketidak-pastian masa depan konflik nilai-nilai atau hasil tujuan konflik nilai nilai atau hasil tujuan Mempertimbangkan contoh berikut ... p g 6/6/2008 2

Deciding Between Job OffersDeciding Between Job Offers Perusahaan A Suatu industri baru yang bisa memperoleh keuntungan yang tinggiDeciding Between Job OffersDeciding Between Job Offers Perusahaan A Suatu industri baru yang bisa memperoleh keuntungan yang tinggi 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 PerusahaanPerusahaan BB 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 Pekerjaan yang mana kamu akan mengambil?6/6/2008 3

Keputusan terbaik vs Hasil terbaikKeputusan terbaik vs Hasil terbaik Pendekaan struktur pengambilan keputusan dapatKeputusan terbaik vs Hasil terbaik Keputusan terbaik vs Hasil terbaik Pendekaan struktur pengambilan keputusan dapat Pendekaan struktur pengambilan keputusan dapat membantu membuat keputusan yang terbaik, tetapi tidak dappat menggaransi hasil yygang baik.gg

Keputusan yang barik kadang-kkadasng menghasilkan hasil yang kurang baik. 6/6/2008 4

Bagaimana membuat keputusan dalam organisasi ..Membuat keputusan: Bagaimana membuat keputusan dalam organisasi ..Membuat keputusan: h f h i f i f d li i h The process of choosing a course of action for dealing wi th a problem or opportunity. 56/6/2008

Bagaimana membuat keputusan dalam organisasi kh l k h dl b k ikBagaimana membuat keputusan dalam organisasi kh l k h dl b k ik ¾ Langkah-langkah dalam membuat keputusan semantik. Menggambarkan dan mengenali masalah dan kesempatan. Mengidentifikasi dan menganalisis macam langkah tindakan alternatif, mengestimasi pengaruhnya dalam masalah atau k kesempatan. Memilih tindakan yang lebih disukai. Mengimplikasikan tindakan yang lebih disukai. Mengevaluasi hasil dan kelanjutannya sebagaimana diperlukan. 66/6/2008

Bagaimana keputusan dibuat dalam organisasi? Bagaimana keputusan dibuat dalam organisasi? Proses pengambilan keputusan sistematis tidak mungkin diikuti jika perubahan substansiil yang terjadi dan banyak teknologi baru yang digunakan terjadi dan banyak teknologi baru yang digunakan. Teknik keputusan novel boleh menghasilkan pencapaian atasan dalam situasi tertentu pencapaian atasan dalam situasi tertentu. Konsekwensi pengambilan keputusan yang etis harus dipertimbangkan dipertimbangkan. 76/6/2008

Bagaimana keputusan di ambil dalam organisasi? Bagaimana keputusan di ambil dalam organisasi? Lingkungan keputusan meliputi: Lingkungan tertentu. Mengambil resiko lingkungan. Lingkungan tidak-pasti. 6/6/2008 8

Bagaimana keputusan dibuat dalam organisasi? ..Lingkungan tertentu..Lingkungan tertentu. Bilamana informasi adalah cukup untuk meramalkan hasil dari tiap alternatif dalamBagaimana keputusan dibuat dalam organisasi? ..Lingkungan tertentu..Lingkungan tertentu. Bilamana informasi adalah cukup untuk meramalkan hasil dari tiap alternatif dalam meramalkan hasil dari tiap alternatif dalam pengambangan implementasi. Kepastian adalah masalah ideal dalam Kepastian adalah masalah ideal dalam memecahkan dan pengambilan keputusan lingkungan. 96/6/2008

Bagaimana keputusan dibuat dalam organisasi? ..Resiko lingkunganBagaimana keputusan dibuat dalam organisasi? ..Resiko lingkungan ¾ Resiko lingkungan. Bilamana pembuat keputusan tidak dapat menyudahi keppastian menggenai hasil berbaggai macam tindakan,, tetappi mereka dapat merumuskan kemungkinan kejadian. Kemungkinan dapat dirumuskan melalui sasaran prosedur iik i ii ibdi statistik atau intuisi pribadi. 106/6/2008

Bagaimana keputusan dibuat dalam organisasi? ..Lingkungan ketidak-pastian. Bagaimana keputusan dibuat dalam organisasi? ..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. Jugga yygang ditandai oleh denggan ceppat menggubah: Kondisi-Kondisi eksternal. Kebutuhan teknologi informasi. Personil yang mempengaruhi definisi pilihan dan masalah Personil yang mempengaruhi definisi pilihan dan masalah. perubahan yang cepat ini adalah juga disebut anarki terorganisir. 116/6/2008

Bagaimana keputusan dibuat dalam organisasi? ..Bentuk-bentuk keputusan.p Keputusan terprogram. Melibatkan permasalahan rutin yang muncul secaraBagaimana keputusan dibuat dalam organisasi? ..Bentuk-bentuk keputusan.p Keputusan terprogram. Melibatkan permasalahan rutin yang muncul secara Melibatkan permasalahan rutin yang muncul secara teratur dan dapat ditujukan melalui tanggapan standard. Keputusan tidak terprogram. Keputusan tidak terprogram. Melibatkan bukan permasalahan rutin yang memerlukan solusi secara rinci pada situasi yang ada 126/6/2008

Teori Pengambilan KeputusanTeori Pengambilan Keputusan Pola dasar berpikir dlm konteks organisasi: Teori Pengambilan KeputusanTeori 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 33. Analisis keputusan (Decision Analysis) 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 6/6/2008 13terjjadi

Beberapa teknik dalam pengambilan Beberapa teknik dalam pengambilan keputusan: Situasi keputusan Pemecahan Teknik Ada kepastian (Certainty) Deterministik -Linear Programming -Model Transportasi -Model Penugasan -Model Inventori -Model Antrian -Model network Ada risiko (Risk) Probabilistik -Model keputusan probabilistik -Model Inventori probabilistik -Model Antrian probabilistik Tdk ada kepastian (Uncertainty) Tak diketahui Analisis keputusan dlm keadaan ketidakpastian Ada konflik (Conflict)6/6/2008 Tergantung tindakan lawan Teori permainan (game theory) 14

keputusan diketahui secara sempurna & tdk berubah ..Risk: Jika informasi sempurna tidak tersedia, tetapi seluruh peristiwa yg akan terjadi besarta probabilitasnya diketahuiperistiwa jadi besarta probabilitasnya diketahui ..Uncertainty: Jik l h if i ki jdi dik h i iJikaseluruh informasi yg mungkinterjadi tetapi tanpa mengetahui probabilitasnya masing-masing C R k UCertainty Risk Uncertainty 6/6/2008 15 keputusan diketahui secara sempurna & tdk berubah ..Risk: Jika informasi sempurna tidak tersedia, tetapi seluruh peristiwa yg akan terjadi besarta probabilitasnya diketahuiperistiwa jadi besarta probabilitasnya diketahui ..Uncertainty: Jik l h if i ki jdi dik h i iJikaseluruh informasi yg mungkinterjadi tetapi tanpa mengetahui probabilitasnya masing-masing C R k UCertainty Risk Uncertainty 6/6/2008 15 ..Certainty: Jik if i di l k k bJikasemua informasi yg diperlukan untuk membuat

yg akan ter diketahui,

yg akan ter diketahui,

Conflict: Jika kepentingan dua atau lebih pengambil keputusan berada dalam pertarungan aktif diantara kedua belah pihak, sementara keputusan certainty risk & uncertainty yang aktifConflict: Jika kepentingan dua atau lebih pengambil keputusan berada dalam pertarungan aktif diantara kedua belah pihak, sementara keputusan certainty risk & uncertainty yang aktif sementara keputusan certainty, risk & uncertainty yang aktif 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 1. Pengambilan keputusan berdasarkan tujuan pengambilan keputusan Management Science dalam 1. Pengambilan keputusan berdasarkan tujuan pengambilan keputusan gp j 2. Pengambilan keputusan berdasarkan informasi & analisis 3. Pengambilan keputusan untuk tujuan ganda 44. Penekanan yg meningkat pd produktivitas: Penekanan yg meningkat pd produktivitas: -produktivitas SDM -manajemen modal & material yg efektif -proses pengambilan keputusan yg efisien 5. Peningkatan perhatian pd perilaku kelompok 6. Manajjemen modal, energgi& material yg efisien , yg 7. Manajemen ttg segala kemungkinan yg lebih sistematis 8. Lebih beraksi dg faktor eksternal (ex: pemerintah, situasi internasional faktor sosial ekonomi lingkungan perubahan situasi pasar, selera konsumen, pesaing, dll) 6/6/2008 17internasional, faktor sosial, ekonomi, lingkungan, perubahan

KEPUTUSAN DALAM CERTAINTY (KEPASTIAN) KEPUTUSAN DALAM CERTAINTY (KEPASTIAN) dengan pasti. Misal model linear programming, model integer programming dan model deterministik programming dan model deterministik. Hasilil didari setiiap alternatif if tindakkan ddapat diditentukkan didimukka l id 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 i kjdi kj di di d kKEPUTUSAN DALAM KONDISI RESIKO i kjdi kj di di d k Kurang pastinya kejadian-kejadian dimasa mendatang, maka kejadian ini digunakan sebagai parameter untuk menentukan kepputusan yang akan diambil yg Situasi yang dihadapi pengambil keputusan adalah mempunyai lebih dari satu alternatif tindakan, pengambil keputusan mengetahui probabilitas yang akan terjadi terhadap berbagai tindakan dan hasilnyyadenggan memaksimalkan exppected return (ER) atau expected monetari value (EMV) 6/6/2008 19

KEPUTUSAN DALAM KONDISI Sm RESIKO KEPUTUSAN DALAM KONDISI Sm RESIKO EMVi =. Rij .Pj j =1 EMVEMVii = Expected Monetary Value untuk tindakan i 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:contoh: Penjual koran mengambil koran waktu pagi dan menjualnya, contoh: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: Dari catatannya probabilitas koran yang laku setiap hari: Probo = prob. Laku 10 = 0,10 Prob11 = pprob. Laku 50 = 0,,20 Prob2 = prob. Laku 100 = 0,30 Pertanyaan: berapa koran yang harus dibeli setiap harinya? 6/6/2008 21

JawabanJawaban JawabanJawaban Tabel Pay-off Net Cash Flows Probabilitas Jumlah dan probabilitaqs permintaan koran korankoran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 100 -16.500 -2.500 15.000 15.000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 Pay off = 10 (350) 10(200) = 1.500 Pay off = 150 (350) 150 (200) = 22500 Pay off 150 (350) 150 (200) 22500 6/6/2008 22

dExpected Return ER10 1500 (0,10) + 1500 (0,20) + 1500 (0,30) + 1500 (0,40) = 1500 ER 6500 (0 10) + 7500 (0 20) + 7500 (0 30) + 7500 (0 40) = 6100 ER20 -6500 (0,10) + 7500 (0,20) + 7500 (0,30) + 7500 (0,40) 6100 ER100 -16500 (0,10) -2500 (0,20) + 15000 (0,30) + 15000 (0,40) = 8350 ER -26500 (0,10) -12500 (0,20) + 5000 (0,30) + 22500 (0,40) = 5350 ER150 26500 (0,10) 12500 (0,20) 5000 (0,30) 22500 (0,40) 5350 6/6/2008 23 dExpected Return ER10 1500 (0,10) + 1500 (0,20) + 1500 (0,30) + 1500 (0,40) = 1500 ER 6500 (0 10) + 7500 (0 20) + 7500 (0 30) + 7500 (0 40) = 6100 ER20 -6500 (0,10) + 7500 (0,20) + 7500 (0,30) + 7500 (0,40) 6100 ER100 -16500 (0,10) -2500 (0,20) + 15000 (0,30) + 15000 (0,40) = 8350 ER -26500 (0,10) -12500 (0,20) + 5000 (0,30) + 22500 (0,40) = 5350 ER150 26500 (0,10) 12500 (0,20) 5000 (0,30) 22500 (0,40) 5350 6/6/2008 23

KEPUTUSAN DALAM UNCERTAINTY (KETIDAKPASTIAN) bil k dl kid k i jkk KEPUTUSAN DALAM UNCERTAINTY (KETIDAKPASTIAN) bil k dl kid k i jkk Pengambilan keputusan dalam ketidakpastian menunjukkan suasana keputusan dimana probabilitas hasil-hasil potensial tidak diketahui ((tak dipperkirakan)). Dalam suasana ketidakpastian pengambil keputusan sadar akan hasil-hasil alternatif dalam bermacam-macam peristiwa, namun pengambil keputusan tidak dapat menetapkan probabilitas pengambil keputusan tidak dapat menetapkan probabilitas peristiwa. 6/6/2008 24

Kriteria-kriteria yang digunakan A. Kriteria MAXIMIN / WALD (Abraham Wald) Kriteria kriteria yang digunakan Kriteria-kriteria yang digunakan A. Kriteria MAXIMIN / WALD (Abraham Wald) Kriteria kriteria yang digunakan Kriteria untuk memilih keputusan yang mencerminkan nilai maksimum dari hasil yang minimum Asumsi: pengambil keputusan adalah pesimistik /konservatif/risk Asumsi: pengambil keputusan adalah pesimistik /konservatif/risk avoider tentang masa depan Kelemahan: tidak memanfaatkan seluruh informasi yang ada, yang k ii bilk d merupakan cirri pengambil keputusan modern B. Kriteria MAXIMAX (Vs MAXIMIN) Krietria untuk memilih alternatif yang merupakan nilai maksimum Krietria untuk memilih alternatif yang merupakan nilai maksimum dari pay off yang maksimum Asumsi: pengambil keputusan adalah optimistic, cocok bagi investor yang risk taker investor yang risk taker Kelemahan: mengabaikan banyak informasi yang tersedia 6/6/2008 25

Kriteria-kriteria yang digunakan C. Kriteria MINIMAX REGRET / PENYESALAN (L.J. Kriteria kriteria yang digunakan Kriteria-kriteria yang digunakan C. Kriteria MINIMAX REGRET / PENYESALAN (L.J. Kriteria kriteria yang digunakan Savage) Kriteria untuk menghindari penyesalan yang timbul setelah memilih keputusan yang meminimumkan maksimum memilih keputusan yang meminimumkan maksimum penyesalan/keputusan yang menghindari kekecewaan terbesar, atau memilih nilai minimum dari regret maksimum dimana: maksimum, dimana: Jumlah regret/opportunity loss = Pay off max pay off alternatif pd peristiwa tertentu 6/6/2008 26

Kriteria-kriteria yang digunakan D. Kriteria HURWICZ / kompromi antara MAXIMAX dan MAXIMIN Kriteria kriteria yang digunakan Kriteria-kriteria yang digunakan D. Kriteria HURWICZ / kompromi antara MAXIMAX dan MAXIMIN Kriteria kriteria yang digunakan (Leonid Hurwicz) Kriteria dimana pengambil keputusan tidak sepenuhnya optimis dan pesimis sempurna, sehingga hasil keputusan dikalikan dengan kfi i iii k kii bilkoefisien optimistic untuk mengukur optimisme pengambil 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 1-a: pesimis -mengabaikan beberapa informasi yang tersedia (ex: prospekekonomi sedang diabaik an) 6/6/2008 271 a : pesimis Kelemahan: -sulit menentukan nilai a yang tepat bik bb if i tdi ( k

Kriteria-kriteria yang digunakan E. Kriteria LAPLACE / BOBOT YANG SAMA (Equal Kriteria kriteria yang digunakan (q Kriteria-kriteria yang digunakan E. Kriteria LAPLACE / BOBOT YANG SAMA (Equal Kriteria kriteria yang digunakan (q Likelihood) Asumsi: semua peristiwa mempunyai kemungkinan yang sama untuk terjadisama untuk terjadi 6/6/2008 28

KriteriaMaximaxKriteria Maximax Mengidentifikasi payoff maksimum untuk masingKriteriaMaximaxKriteria Maximax Mengidentifikasi payoff maksimum untuk masingMengidentifikasi payoff maksimum untuk masing masing alternatif. Memilih alternatif denggan payoff maksimum yygang py terbesar. Kelemahan: membandingkan matrik payoff 6/6/2008 29

Ki i MiKriteria Maximax Ki i MiKriteria Maximax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 100 -16.500 -2.500 15.000 15.000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 6/6/2008 30

KriteriaMaximaxKriteria Maximax KriteriaMaximaxKriteria Maximax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 75007500 100 -16.500 -2.500 15.000 15.000 1500 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 2250022500 6/6/2008 31

KriteriaMaximaxKriteria Maximax KriteriaMaximaxKriteria Maximax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 75007500 100 -16.500 -2.500 15.000 15.000 1500 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 2250022500 6/6/2008 32

KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Mengidentifikasi payoff maksimum untuk masingmasing alternatif. MMemilihilih allternatif if ddengan payoffff makiksimum yang terkecil KlKelemahhan: membandingkkan mattik rik payoffff bdi 6/6/2008 33

KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 100 -16.500 -2.500 15.000 15.000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 6/6/2008 34

KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 75007500 100 -16.500 -2.500 15.000 15.000 15000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 2250022500 6/6/2008 35

KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 50 -6.500 7.500 7.500 7.500 7500 100 -16.500 -2.500 15.000 15.000 1500 10150 26 00-26.500 12 00-12.500 0005.000 22 0022.500 22 0022500 6/6/2008 36

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Mengidentifikasi payoff minimum untuk masingmasing alternatif. M ilihl if d ff i Memilih alternatif dengan payoff miniimum yang terbesar. KlKelemahhan: membandingkkan mattik rik payoffff bdi 6/6/2008 37

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 100 -16.500 -2.500 15.000 15.000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 6/6/2008 38

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 6500-6500 100 -16.500 -2.500 15.000 15.000 -16500 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 26500-26500 6/6/2008 39

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 50 -6.500 7.500 7.500 7.500 7500 100 -16.500 -2.500 15.000 15.000 1500 10150 26 00-26.500 12 00-12.500 0005.000 22 0022.500 22 0022500 6/6/2008 40

KriteriaMiniminKriteria Minimin Mengidentifikasi payoff minimum untuk masing-masingKriteriaMiniminKriteria Minim in Mengidentifikasi payoff minimum untuk masing-masing Mengidentifikasi payoff minimum untuk masing masing alternatif. Memilih alternatif dengan payoff minimum yang terkecil. Kelemahan: membandingkan matrik payoff 6/6/2008 41

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 100 -16.500 -2.500 15.000 15.000 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 6/6/2008 42

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 6500-6500 100 -16.500 -2.500 15.000 15.000 -16500 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 26500-26500 6/6/2008 43

KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 1.500 1.500 1.500 1.500 1500 5050 6 500 -6.500 7 500 7.500 7 500 7.500 7 500 7.500 6500-6500 100 -16.500 -2.500 15.000 15.000 -16500 150150 26 500 -26.500 12 500 -12.500 5 000 5.000 22 500 22.500 26500-26500 6/6/2008 44

Kriteria Minimax RegretKriteria Minimax Regret Menghitung kemungkinan regret untuk masing-masing Kriteria Minimax RegretKriteria Minimax Regret Menghitung kemungkinan regret untuk masing-masing alternatif di bawah masing-masing state nature. Mengidentifikasi kemungkinan regret maksimum untuk masingg-masingg alternatif. Memilih alternatif dengan regret maksimum yang terendah. Perhitungan tabel regret P ff PPayoff l ff lama pada Payoff d Outcome = maksimum dari -baris dan kolom regret baru suatu kolom masing-masing 6/6/2008 45

Kriteria Minimax RegretKriteria Minimax Regret Kriteria Minimax RegretKriteria M inimax Regret Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 0 6000 13.500 21.000 5050 85008500 00 7 500 7.500 1500015000 100 18000 10000 0 7500 150150 2800028000 2000020000 10 000 10.000 00 6/6/2008 46

Kriteria Minimax RegretKriteria Minimax Regret Kriteria Minimax RegretKriteria M inimax Regret Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0,10 50 = 0,20 100 = 0,30 150 = 0,40 10 0 6000 13.500 21.000 1500 5050 85008500 00 7 500 7.500 1500015000 6500-6500 100 18000 10000 0 7500 -16500 150150 2800028000 2000020000 10 000 10.000 00 26500-26500 6/6/2008 47

Kriteria Minimax Regret Tabel Pay-off Net Cash Flows Kriteria Minimax Regret Kriteria Minimax Regret Tabel Pay-off Net Cash Flows Kriteria Minimax Regret y Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koran 10 = 010 10 0,10 50 = 020 50 0,20 100 = 030 100 0,30 150 = 040 150 0,40 10 0 6000 13.500 21.000 21000 5050 85008500 00 7 500 7.500 1500015000 1500015000 100 18000 10000 0 7500 18000 150150 2800028000 2000020000 10 000 10.000 00 2800028000 6/6/2008 48

Expected Value of Perfect Information ii i dih d i lh kid k iExpected Value of Perfect Information ii i dih d i lh kid k i Disini dihadapi masalah ketidak pastian. Untuk itu perlu dicari informasi tambahan diasumsikan 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 Expected return tanpa EVPI = diperoleh informasi

informasi sempurna informasi sempurna sempurna 6/6/2008 49

Expected Value of Perfect Information Expected Value of Perfect Information EVPI = {(0,10 x 1500) + (0,20 x 7500) + (0,30 x 15000) (0,40 x 22500) 8350} = 1515015150 8350 8350 = 6800 Æ jumlah untuk memperoleh informasi yang semppurna yg EMV = {(0,10x18000) + (0,20x10000) + (0,40x7500) } = 6800 6/6/2008 50

Keputusan dalam kondisi resiko dan fungsi utilitas d l d h dKeputusan dalam kondisi resiko dan fungsi utilitas d l d h d Amad pasang lotre Rp. 500 dengan harapan menang dapat Rp 500 juta. Probabilitas kalah dalam lotre adalah 99,99% dan pprobabilitas menangg undian adalah 0,,01%,, maka exppected 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 I i i l l h $1000 d f iIncorporating Risk Attitudes: Certain Equivalent I i i l l h $1000 d f i Initial wealth $1000, and you face two options: (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 Equivalent Certain Sum Ct t iltf t a = Certaiinty EEquivalent factor: Expected Risk Sum Risk averse: <1 Risk neural: =1 Risk loving: >1 6/6/2008 52

Risk AttitudesRisk Attitudes Scenario: A person has two choices a sure thing and a Scenario: A person has two choices, a sure thing and a risky option, and both yields the same expected value. Risk averse: take the sure thing Risk AttitudesRisk Attitudes Scenario: A person has two choices a sure thing and a Scenario: A person has two choices, a sure thing and a risky option, and both yields the same expected value. Risk averse: take the sure thing Risk averse: take the sure thing Risk neutral: indifferent between two choices Risk loving: take the risky option Risk loving: take the risky option 6/6/2008 53

Risk averter: diminishing MU Risk neutral: constant MURisk neutral: constant MU Risk lover: increasing MU 6/6/2008 54 Risk averter: diminishing MU Risk neutral: constant MURisk 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) = 7070 (c) 0.5U(70) + 0.5U(10) = 105 Questions:Questions: (a) Will invest on preventive activities? (b) Risk premium?(b) Risk premium? 6/6/2008 55 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) = 7070 (c) 0.5U(70) + 0.5U(10) = 105 Questions:Questions: (a) Will invest on preventive activities? (b) Risk premium?(b) Risk premium? 6/6/2008 55

Risk Premium: Earthquake InsuranceRisk Premium: Earthquake Insurance h li i h i f lif i h hRisk Premium: Earthquake InsuranceRisk Premium: Earthquake Insurance h li i h i f lif i h h Josh lives in the San Francisco Bay Are of California where the prob. of an earthquake is 10%. His utility function is U(w) w0.5,, where w is wealth. If Josh chooses not to buyy insurance 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? risk premium? Answer: risk ppremium= $ 4,,6361. The solution ? ? 6/6/2008 56

Utility TheoryUtility Theory Sometimes the decision with the highest EMV is not the most desired or Utility TheoryUtility Theory Sometimes the decision with the highest EMV is not the most desired or most preferred alternative. Consider the following payoff table, S fN State of Nature Decision 1 2 EMV A 150,000 -30,000 60,000 <--maximum B 70,000 40,000 55,000 Probability 0.5 0.5 ..Decision makers have different attitudes toward risk: Decision makers have different attitudes toward risk: Some might prefer decision alternative A, Others would prefer decision alternative B. Utilit Th i t ik f ith dii ki ..Utility Theory incorporates risk preferences in the decision making process. 6/6/2008 57

Constructing Utility FunctionsConstructing Utility Functions Assign utility values of 0 to the worst payoff and 1 to the best. Constructing Utility FunctionsConstructing 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 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 Alternative 2: Receive $150,000 with probability p and lose $30,000 with probability (1-p). . If decision maker is indifferent when p = 0.8: U($70000)U($150000)*08+U(30000)*02 1*08+0*02 08 U($70,000) = U($150,000) * 0.8 + U(-30,000) * 0.2 = 1* 0.8 + 0 * 0.2 = 0.8 . 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 FunctionsConstructing 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): UtilityUtility 0.800.901.00Utility0.80 0.90 1.00 Utility 0.400.500.600.700.40 0.50 0.60 0.70 0000.100.200.30000 0.10 0.20 0.30 0.003020100102030405060708090100110120130140150Payoff (in$1,000s) 0.00 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Payoff (in $1,000s) 6/6/2008 59 Constructing Utility FunctionsConstructing 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): UtilityUtility 0.800.901.00Utility0.80 0.90 1.00 Utility 0.400.500.600.700.40 0.50 0.60 0.70 0000.100.200.30000 0.10 0.20 0.30 0.003020100102030405060708090100110120130140150Payoff (in$1,000s) 0.00 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Payoff (in $1,000s) 6/6/2008 59

CommentsComments CommentsComments Certainty Equivalent -the amount that is equivalent in the decision maker s mind to a situation involving risk. ((e.g., $70 000 $70,000 was equiivallent to AlAlternatiive 22 wi h ith p = 0.8) 08) Risk Premium -the EMV the decision maker is willing to give up to avoid a risky decision give up to avoid a risky decision. (e.g., Risk premium = $114,000-$70,000 = $44,000) 6/6/2008 60

Using Utilities to Make DecisionsUsing Utilities to Make Decisions Using Utiliti es to Make DecisionsUsing Utilities to Make Decisions Replace monetary values in payoff tables with utilities. . Consider the utility table from the earlier example, Probability 0.5 0.5 Consider the utility table from the earlier example, State of NatureExpected Decision 1 2 Utility A 1 0 0.500 B 0.8 0.65 0.725 <--maximum P b bilit 05 05 . Decision B provides the greatest utility even though it the payoff table indicated it had a smaller EMV. payoff table indicated it had a smaller EMV. 6/6/2008 61

The Exponential Utility FunctionThe Exponential Utility Function The exponential utility function is often used to model classic riskexponential utility averse behavior: /R1=) U( xex 6/6/2008 62 The Exponential Utility FunctionThe Exponential Utility Function The exponential utility function is often used to model classic riskexponential utility averse behavior: /R1=) U( xex 6/6/2008 62

I ti Utiliti i T Pl Incorporating Utilities in TreePlan will automatically convert monetary I ti Utiliti i T Pl Incorporating Utilities in TreePlan will automatically convert monetary

TreePlan values to utilities using TreePlan values to utilities using

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. Ri il h i l fYf hi hhdi R is equivalent to the maximum value of Y for which the decisiion maker is willing to accept the following gamble: Win $Y with pprobabilityy 0.5, 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 In Excel, insert R in a cell named RT. (Note: RT must be outside the rectangular range containing the decision tree!) On TreePlan s Options dialog box select, Use Exponential Utility Function Use Exponential Utility Function 6/6/2008 63

Minimizing Variance or Standard Deviation The payoffs of all events = X1, X2, X3, . . . The probability of each event = p1, p2, p3, . Expected value of x = Variance = S= =++++= n 1i iinn332211X p.xp.x........p.xp.xp.xEV Variance = Standard deviation : square root of variance Coefficient of variation = 6/6/2008 64 Minimizing Variance or Standard Deviation The payoffs of all events = X1, X2, X3, . . . The probability of each event = p1, p2, p3, . Expected value of x = Variance = S= =++++= n 1i iinn332211X p.xp.x........p.xp.xp.xEV Variance = Standard deviation : square root of variance Coefficient of variation = 6/6/2008 64

. , Xn . . . ., pn

. , Xn . . . ., pn

Risk Measurement Absolute Risk:Risk Measurement Absolute Risk: Overall dispersion of possible payoffs Measurement: varianceRisk Measurement Abs olute Risk:Risk Measurement Absolute Risk: Overall dispersion of possible payoffs Measurement: variance Overall dispersion of possible payoffs Measurement: variance, standard deviation The smaller variance or standard deviation, the lower the absolute risk. Relative Risk the lower the relative risk. EVVariation in ppossible returns comppared with the exppected ppayyoff amount Measurement: coefficient of Variation (CV), The lower the CV, the lower the relative risk EV 6/6/2008 65

Principles of Baye s StrategyPrinciples of Baye s Strategy j b d k l i h dPrinciples of Baye s StrategyPrinciples of Baye s Strategy j b d k l i h d A project must not be undertaken unless it has an expected value that shows a profit The optimum decision would be the alternative that gives the The optimum decision would be the alternative that gives the highest expected value of profit 6/6/2008 66

Probabilities and Expected ValuesProbabilities and Expected Values Probabilities and Expected ValuesProbabilities 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 ValueExpected Value dl Expected value EV x : denotes value of each possible outcome p : the probability of that outcome occurringp : the probability of that outcome occurring 6/6/2008 68 Expected ValueExpected Value dl Expected value EV x : denotes value of each possible outcome p : the probability of that outcome occurringp : the probability of that outcome occurring 6/6/2008 68

Ill i Forecast of profit of a project Illustration : 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 existsloss exists 6/6/2008 69 Ill i Forecast of profit of a project Illustration : 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 existsloss exists 6/6/2008 69

Example:Example: 3 ll l i i A B C3 mutually exclusive options, Each option has three possible outcomes: I with P(I) = 0.1 ; II with P(II) = 0.7 ; III Example:Example: 3 ll l i i A B C3 mutually exclusive options, Each option has three possible outcomes: I with P(I) = 0.1 ; II with P(II) = 0.7 ; III Conditional Profits ($k) Profit ($k) II IIII IIIIII Option A 20 60 80 Option B -30 80 120 Option C 10 40 150 Using EV criterion, select the best option 6/6/2008 70

A, B, C with P(III) = 0.2 A, B, C with P(III) = 0.2

Solution EV of Options Solution Solution EV of Options Solution EV of Options A: 0.1 * B: 0.1 * = $ 77 k C: 0.1 * k Option B 6/6/2008 20 + 0.7 * 60 + 0.2 * 80 = $ 60 k ( -30 ) + 0.7 * 80 + 0.2 * 120 10 + 0.7 * 40 + 0.2 * 150 = $ 59 is preferred 71

M f Di i Variance (s 2) Measures of Dispersion M f Di i Variance (s 2) Measures of Dispersion () A measure of the spread of probability distribution Consider a random variable x Let its expected value E(x) be µ Let its expected value E(x) be µ s 2 = Var(x) = E(x -µ)2 6/6/2008 72

Let x be a random discrete variable taking values xn and probability pnLet x be a random discrete variable taking values xn and probability pn Let x be a random discrete variable taking values xn and probability pn s2= E(x -µ) 2 = p1(x1-µ)2+ p2 (x2-µ)2 +.. + pn(xn-µ) 2 Standard deviation s = vE(x -µ) 2 Coefficient of variation (COV) = µ / s COV -a measure of the risk involved

COV a measure of the risk involved Larger value of COV signifies higher risk 6/6/2008 73

ExampleExample Land development projects in two districts p p j Estimates of Income (x) Discuss the significance of the data 6/6/2008 74 ExampleExample Land development projects in two districts p p j Estimates of Income (x) Discuss the significance of the data 6/6/2008 74

SolutionSolution Solution Exppected value of net annual income

E(x) = µ = S xi pi District A 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 RiskMeasures of Risk bl f i i kMeasures of RiskMeasures of Risk bl f i i k An acceptable way of measuring risk 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 77

6/6/2008 78 6/6/2008 78

6/6/2008 79 6/6/2008 79

Decision TreesDecision Trees A di i i f ll h l i l ibili i fDecision TreesDecision Trees A di i i f ll h l i l ibili i f A diagrammatic representation of all the logical possibilities of 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 ppossible outcome is reqquired 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 maker directed towards the line of action giving the The decision optimum result 6/6/2008 80

IllustrationIllustration h l d i i d b h dIllustrationIllustration h l d i i d b h d The Flood Protection Agency is concerned about the damages that could be caused by a hurricane, if it strikes. It is aware that damagges can be considerablyy reduced if a breakwater is built. Suppose the following estimates are made:

6/6/2008 81

EstimatesEstimates Pb bili f h i i i di h l i h iEstimatesEstimates Pb bili f h i i i di h l i h i Probability of a hurricane occurring in ayear during the planning horizon: p 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 breakwater: C 6/6/2008 82

6/6/2008 83 6/6/2008 83

Creating the Decision Tree ModelCreating the Decision Tree Model Procedure Current Situation (Location 1) is a decisionmaking situation with two alternatives: No protectionNo protection Build breakwater at cost C Location 1 is a Decision Node Creating the Decision Tree ModelCreating the Decision Tree Model Procedure Current Situation (Location 1) is a decisionmaking situation with two alternatives: No protectionNo protection Build breakwater at cost C Location 1 is a Decision Node D b h h l i Draw branches to represent the alternatives 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

Creating the Decision Tree ModelCreating the Decision Tree Model Af h d i i After the decision Location 2 or 3 becomes "current" situation Location 2 and 3 are Chance Nodes At chance nodesAt chance nodes Creating the Decision Tree ModelCreating the Decision Tree Model Af h d i i After the decision Location 2 or 3 becomes "current" situation Location 2 and 3 are Chance Nodes At chance nodesAt chance nodes No decision is made One of many possible outcomes will occur ThThe possiblible outtcomes ddrawn as bbranchhes emanati ting ffrom eachh of th f the chance nodes 6/6/2008 85

Creating the Decision Tree If h f h i i If there are The cost consequence for the branch The ends of the branches 6/6/2008 86 Creating the Decision Tree If h f h i i If there are The cost consequence for the branch The ends of the branches 6/6/2008 86

ModelCreating the Decision Tree Model no further situations each outcome is indicated at the end of are known as Consequence Nodes ModelCreating the Decision Tree Model no further situations each outcome is indicated at the end of are known as Consequence Nodes

6/6/2008 87 6/6/2008 87

W k h ll l b h i COST dW k h ll l b h i COST d W is taken as the smaller value because the consequence is COST and 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 problemExample: Computer cards problem P i 20 d f iExample: Computer cards problemExample: Computer cards problem P i 20 d f i Past experience: 20 percent 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 OkOk Acceptance policy: Both inspectors must mark 6/6/2008 89

6/6/2008 90 6/6/2008 90

P (C l l ifi d) 0 648 0 162 0 018 0 018 0 846 P (C l l ifi d) 0 648 0 162 0 018 0 018 0 846 P (Correctly classified) = 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 92

6/6/2008 93 6/6/2008 93

l f f il f f i Value of Information Probabilities assigned to outcomes depend on the information available 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

id l i iid l i i Consider example on Investment Decision If there is "Market" for the product Best option : High Investment Best option : High Investment : Profit $100 m If there is "No MarketNo Market" for the product If there is for the product High Investment:Loss $ 60 m Low Investment: Loss $ 4 m Do nothing: Loss 0 -Best Option 6/6/2008 95

6/6/2008 96 6/6/2008 96

EV with perfect information : $ 80 m EV without information : $ 68 m $68m=$12 m Value of perfect information = $ 80 m Value of perfect information $ 80 m -$ 68 m $12 m 6/6/2008 97

Value of Imperfect InformationValue of Imperfect Information f i f i i h d bValue of Imperfect InformationValue of Imperfect Information f i f i i h d b Perfect information is hard to come by. Continued from the previous example, decision-maker D hires Management Consultant firm MC to carry out market Management Consultant firm, MC, to carry out market survey. Accuracy of MC s prediction: 85% accurate 15% inaccurate WhWhat s thhe vallue of imperffect infformatiion?? fi i 6/6/2008 98

6/6/2008 99 6/6/2008 99

ih i f i f i $ih i f i f i $ EV with imperfect information : $ 62.4 m EV without information : $ 68 m Value of imperfect information = $ 62 4 m $68m= $56m

Value of imperfect information = $ 62.4 m -$ 68 m = -$ 5.6 => No need to hire MC.

6/6/2008 100

KEPUTUSAN DALAM SUASANA RISK ( DENGAN PROBABILITA ) Tahap-tahap: KEPUTUSAN DALAM SUASANA RISK ( DENGAN PROBABILITA ) Tahap-tahap: Tahap tahap: 1. Diawali dengan mengidentifikasikan bermacammacam tindakan yang tersedia dan layak macam tindakan yang tersedia dan layak 2. Peristiwa-peristiwa yang mungkin dan probabilitas terjjadinyya harus dappat didugga 3. Pay off untuk suatu tindakan dan peristiwa tertentu ditentukan 6/6/2008 101

Probabilitas dan Teori KeputusanProbabilitas dan Teori Keputusan BAGIAN Probabilitas dan Teori Keputusan Konsep-konsep Dasar Probabilitas Distribusi Probabilitas Pengertian dan Elemen-Elemen Keputusan Pengambilan Keputusan dalam Distribusi Probabilitas Diskret Distribusi Normal g p Kondisi Risiko (Risk) Pengambilan Keputusan dalam Kondisi Ketidakpastian Distribusi Normal Teori Keputusan Kondisi Ketidakpastian (Uncertainty) Ali i P h K tAnalisis Pohon Keputusan 6/6/2008 102 Probabilitas dan Teori KeputusanProbabilitas dan Teori Keputusan BAGIAN Probabilitas dan Teori Keputusan Konsep-konsep Dasar Probabilitas Distribusi Probabilitas Pengertian dan Elemen-Elemen Keputusan Pengambilan Keputusan dalam Distribusi Probabilitas Diskret Distribusi Normal g p Kondisi Risiko (Risk) Pengambilan Keputusan dalam Kondisi Ketidakpastian Distribusi Normal Teori Keputusan Kondisi Ketidakpastian (Uncertainty) Ali i P h K tAnalisis Pohon Keputusan 6/6/2008 102

Teknik yang digunakan: a. Expected Value (Nilai Ekspektasi) Teknik yang digunakan: Teknik yang digunakan: a. Expected Value (Nilai Ekspektasi) Teknik yang digunakan: b. Expected Opportunity Loss ( EOL ) Untuk meminimumkan kerugian yang disebabkan karena pemilihan alternatif kepputusan tertentu. Kepputusan yygang direkomendasikan criteria 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. c. Expected Value of Perfect Information (EVPI) Meruppakan pperluasan dari criteria EV dan EOL, atau denggan kata lain 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. 6/6/2008 103

Teknik yang digunakan: d Expected Value of Sample Information (EVSI) Teknik yang digunakan: . Teknik yang digunakan: d Expected Value of Sample Information (EVSI) Teknik yang digunakan: . Expected Value of Sample Information (EVSI) Merupakan harapan yang diinginkan dengan tambahan informasi untuk dapat mengubah /memperbaiki keputusan, dengan menggunakan teori Bayes. dalam suasana risk EV max / EOL min tidak selalu die. Kriteria Utilityy ggunakan 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 diPERSOALAN INVENTO RI SEDERHANA DALAM KEADAAN ADA RISIKO Kriteria nilai harapan (expected value) yang telah digunakan di 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 konflikGAME THEORY (Pengambilan Keputusan Dalam Suasana Konflik) Adalah memusatkan analisis 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: Pengelompokan Game Theory: Pengelompokan Game Theory: 1. berdasarkan Jumlah Pemain: Pengelompokan Game Theory: a. Two-persons games b. N-persons games 2. Berdasarkan Jumlah Pay off: 2. Berdasarkan Jumlah Pay off: a. Zero and constan sum games b. Non zero and non constan sum games 3Bd k Stt i diilih 3. Berdasarkan Strategi yang dipilih: a. Cooperative games b. Non cooperative games 4. Fokus pembahasan: 5. Two-persons, zero and constan sum games 6. Asumsi dalam game theory: 6. Asumsi dalam game theory: a. Setiap pemain mengetahui dengan tepat pay off setiap kemungkinan kombinasi strategi yang tersedia. 6/6/2008 107

Caranya: 1. Prinsip Maximin dan Minimax Caranya: Caranya: 1. Prinsip Maximin dan Minimax Caranya: Prinsip Karena nilai maximin = minimax, maka disebut matriks games mempunyai saddle point atau value of games senilai saddle point tersebut Bila setiap pemain tidak berkeinginan merubah satu strategi tersebut. Bila setiap pemain tidak berkeinginan merubah satu strategi yang telah dipilih, maka games itu merupakan pure strategy 2. Peranan Dominasi Suatu strategi dikatakan mendominasi apabila selalu menghasilkan pay off lebih tinggi dibandingkan dengan strategi yang lain. Strategi yang didominasi dappat dibuang dari matriks pay off karena ppemain tidak g py 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. 6/6/2008 108

Caranya:Caranya: idCaranya:Caranya: id 3. Mixed Strategy Menentukan probabilitas (kemungkinan) strategi yang ada yang digunakandigunakan dalam pertarunnganpertarunngan (kalau tidaktidak ada pur e yang dalam (kalau ada pure strategy/tidak ada saddle point ) Caranya: a. Pendekatan EV / EG (expected Gain) b. Pendekatan EOL c. MMenentukkan nililaii permaiinan 6/6/2008 109

ANALISIS MARKOV Analisis ini tidakmemberikankeputusanrekomendasi, tetapiANALISIS MARKOV Analisis ini tidakmemberikankeputusanrekomendasi, tetapi keputusan , 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 kata lain bahwa analisis markov bukan merupakan teknik optimasi, tetapi merupakan teknik deskriptif yang menghasilkan informasi probabilita. Asumsi: 11. Probbabilibili ta bibaris berjumllah sama ddengan 00 bj h 2. Probabilita berlaku bagi setiap siapa saja dalam system 3. Probabilita konstan sepanjang waktu 3. Probabilita konstan sepanjang waktu 4. Merupakan kejadian-kejadian yang berdiri sendiri (independen) 6/6/2008 110

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->