Anda di halaman 1dari 111

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
terbaikKeputusan 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
with
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

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

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 yg akan
terjadi besarta probabilitasnya diketahui
..Uncertainty:
Jik l h if i ki jdi dik h i iJikaseluruh informasi yg mungkinterjadi diketahui,
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 yg akan
terjadi besarta probabilitasnya diketahui
..Uncertainty:
Jik l h if i ki jdi dik h i iJikaseluruh informasi yg mungkinterjadi diketahui,
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
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


diabaikan)
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 masing-
KriteriaMaximaxKriteria Maximax
� Mengidentifikasi payoff maksimum untuk masing-
Mengidentifikasi 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
Minimin
� 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
Minimax 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
Minimax 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

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 Utilities
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: /R-
1=)
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: /R-
1=)
U( xex
6/6/2008 62
I ti Utiliti i T Pl Incorporating Utilities in TreePlan
� TreePlan will automatically convert monetary values to utilities using
I ti Utiliti i T Pl Incorporating Utilities in TreePlan
� TreePlan will automatically convert monetary 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, . . . . , Xn
�The probability of each event = p1, p2, p3, . . . . ., pn
�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, . . . . , Xn
�The probability of each event = p1, p2, p3, . . . . ., pn
�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
Risk Measurement Absolute Risk:Risk Measurement Absolute Risk:
Overall dispersion of possible payoffs Measurement: varianceRisk Measurement
Absolute 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) $k p
EV = -0.1 * 800 -0.3 * 200 + 0.4 * 400
+ 0.2 * 500 = +120 k
Applying Baye�s Strategy
Decision: Go ahead with the project although a 0.4 probability of making a
loss existsloss exists
6/6/2008 69
Example:Example:
3 ll l i i A B C3 mutually exclusive options, A, B, C
Each option has three possible outcomes:
I with P(I) = 0.1 ; II with P(II) = 0.7 ; III with P(III) = 0.2
Example:Example:
3 ll l i i A B C3 mutually exclusive options, A, B, C
Each option has three possible outcomes:
I with P(I) = 0.1 ; II with P(II) = 0.7 ; III with P(III) = 0.2
Conditional Profits ($k)

Profit ($k)
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
Solution
EV of Options
Solution Solution
EV of Options
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
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 �
Let its expected value E(x) be �


s
2 = Var(x) = E(x -�)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 -�)
2
= p1(x1-�)2+ p2 (x2-�)2 +.. + pn(xn-�)
2
Standard deviation s = vE(x -�)
2
Coefficient of variation (COV) = � /
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) = � = S xi pi

District A

District
A
�= 0.15 * 600 + 0.20 * 700 + 0.30 * 800 + 0.20 * 900 + 0.15 * 1000 = 800.0

District
B
� = 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 ModelCreating the Decision Tree Model
If h f h i i� If there are no further situations
� 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
Creating the Decision Tree ModelCreating the Decision Tree Model
If h f h i i� If there are no further situations
� 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 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 INVENTORI
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 pure

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