Anda di halaman 1dari 43
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM

TEORI KEPUTUSAN

GUSTI RUSMAYADI

PS AGRONOMI FAPERTA UNLAM

TEORI KEPUTUSAN GUSTI RUSMAYADI PS AGRONOMI FAPERTA UNLAM
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI
MATERI

MATERI

MATERI
MATERI
Probabilitas dan Teori Keputusan
Probabilitas dan Teori Keputusan
Pengertian dan Elemen- Elemen Keputusan
Pengertian dan Elemen-
Elemen Keputusan
Konsep-konsep Dasar Probabilitas
Konsep-konsep Dasar
Probabilitas
Distribusi Probabilitas Diskret
Distribusi Probabilitas
Diskret
Pengambilan Keputusan dalam Kondisi Risiko (Risk) Pengambilan Keputusan dalam Kondisi Ketidakpastian (Uncertainty)
Pengambilan Keputusan
dalam Kondisi Risiko (Risk)
Pengambilan Keputusan
dalam Kondisi
Ketidakpastian (Uncertainty)
Analisis Pohon Keputusan
Distribusi Normal
Distribusi Normal
Teori Keputusan
Teori Keputusan
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR

PENGANTAR

PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR
PENGANTAR

Keputusan setiap hari harus diambil, baik yang sederhana

maupun yang kompleks.

Contoh:

1. Teori Rasional Komprehensif

hari harus diambil, baik yang sederhana maupun yang kompleks. Contoh: 1. Teori Rasional Komprehensif 1. Teori
hari harus diambil, baik yang sederhana maupun yang kompleks. Contoh: 1. Teori Rasional Komprehensif 1. Teori

1. Teori Inkremental

hari harus diambil, baik yang sederhana maupun yang kompleks. Contoh: 1. Teori Rasional Komprehensif 1. Teori
ELEMEN KEPUTUSAN Kepastian ( certainty ): • informasi untuk pengambilan keputusan tersedia dan valid. Risiko

ELEMEN KEPUTUSAN

ELEMEN KEPUTUSAN Kepastian ( certainty ): • informasi untuk pengambilan keputusan tersedia dan valid. Risiko (
ELEMEN KEPUTUSAN Kepastian ( certainty ): • informasi untuk pengambilan keputusan tersedia dan valid. Risiko (
ELEMEN KEPUTUSAN Kepastian ( certainty ): • informasi untuk pengambilan keputusan tersedia dan valid. Risiko (

Kepastian

(certainty):

informasi untuk pengambilan keputusan tersedia dan valid.

Risiko (risk):

informasi untuk pengambilan keputusan tidak sempurna, dan ada probabilitas atas suatu kejadian.

Ketidakpastian

(uncertainty):

suatu keputusan dengan kondisi informasi tidak sempurna dan probabilitas suatu kejadian tidak ada.

Konflik (conflict):

keputusan yang terdapat lebih dari dua kepentingan.

dan probabilitas suatu kejadian tidak ada. Konflik ( conflict ): • keputusan yang terdapat lebih dari
dan probabilitas suatu kejadian tidak ada. Konflik ( conflict ): • keputusan yang terdapat lebih dari
ELEMEN KEPUTUSAN States of Hasil atau payoff dari setiap keputusan. Pilihan atau alternatif yang terjadi
ELEMEN KEPUTUSAN
States of
Hasil atau
payoff dari
setiap
keputusan.
Pilihan atau
alternatif yang
terjadi bagi
setiap
nature yaitu
peristiwa atau
kejadian yang
tidak dapat
dihindari atau
dikendalikan
oleh pengambil
keputusan.
keputusan.
ELEMEN KEPUTUSAN Peristiwa Ketidakpastian berkenaan dengan kondisi mendatang. Pengambil keputusan tidak mempunyai
ELEMEN KEPUTUSAN
Peristiwa
Ketidakpastian berkenaan dengan kondisi mendatang.
Pengambil keputusan tidak mempunyai kendali terhadap
kondisi mendatang.
Tindakan
Dua atau lebih alternatif dihadapi pengambil keputusan.
Pengambil keputusan harus mengevaluasi alternatif dan
memilih alternatif dengan kriteria tertentu.
Hasil/Payoff
Laba, impas (break even), rugi
OUTLINE Probabilitas dan Teori Keputusan Konsep-konsep Dasar Pengertian dan Elemen- Elemen Keputusan Probabilitas
OUTLINE
Probabilitas dan Teori Keputusan
Konsep-konsep Dasar
Pengertian dan Elemen-
Elemen Keputusan
Probabilitas
Distribusi Probabilitas
Diskret
Pengambilan Keputusan
dalam Kondisi Risiko (Risk)
Distribusi Normal
Pengambilan Keputusan
dalam Kondisi
Ketidakpastian (Uncertainty)
Teori Keputusan
Analisis Pohon Keputusan
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )

POHON KEPUTUSAN (DECISION TREE)

P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )

Pohon Keputusan adalah suatu pohon terarah yang menggambarkan suatu proses keputusan secara grafis. Simpul-simpul (node) menunjukkan titik-titik dan garis menunjukkan cabang- cabang dari tiap node:

1)

salah satu keputusan harus diambil oleh pengambil keputusan,

2) pengambil keputusan dihadapkan dengan salah satu keadaan/kejadian,

atau 3) prosesnya berakhir.

NODE

satu keadaan/kejadian, atau 3) prosesnya berakhir. NODE : Decision Point (Kendali DM) : Chance Event (diluar

: Decision Point (Kendali DM)

: Chance Event (diluar Kendali DM)

satu keadaan/kejadian, atau 3) prosesnya berakhir. NODE : Decision Point (Kendali DM) : Chance Event (diluar
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )

POHON KEPUTUSAN (DECISION TREE)

P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
P OHON K EPUTUSAN (D ECISION T REE )
Setiap decision tree dilengkapi: 1. Probalitas tiap cabang yang ke luar dari chance event node
Setiap decision tree
dilengkapi:
1. Probalitas tiap cabang yang
ke luar dari chance event node
2. Revenue dari setiap
alternative
Pemecahan Menggunakan langkah mundur dari stage terakhir – stage pertama
Pemecahan
Menggunakan langkah mundur
dari stage terakhir – stage
pertama
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN

DIAGRAM POHON PENGAMBILAN KEPUTUSAN

DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN
DIAGRAM POHON PENGAMBILAN KEPUTUSAN

Probabilitas Ekonomi Boom (0,63) Probabilitas Ekonomi Krisis (0,37)

Probabilitas Ekonomi Boom (0,63)

(1)
(1)
Ekonomi Krisis (0,37) Probabilitas Ekonomi Boom (0,63) (1) Membeli Saham MIE YES/NO (2) Probabilitas Ekonomi Krisis

Membeli Saham MIE

YES/NO
YES/NO
(2)
(2)

Probabilitas Ekonomi Krisis (0,37)

Probabilitas Ekonomi Boom (0,63)

Ekonomi Krisis (0,37) Probabilitas Ekonomi Boom (0,63) Membeli Saham MIE (3) Probabilitas Ekonomi Krisis (0,37)

Membeli Saham MIE

(3)
(3)

Probabilitas Ekonomi Krisis (0,37)

Membeli Saham MIE

1.180 250
1.180
250
2.000 300
2.000
300
4.463 185
4.463
185
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH

POHON KEPUTUSAN BERKESINAMBUNGAN

P OHON K EPUTUSAN B ERKESINAMBUNGAN
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH
P OHON K EPUTUSAN B ERKESINAMBUNGAN CONTOH

CONTOH

CONTOH
Jika investasi mencakup periode 10 tahun, maka selama itu beberapa keputusan harus dibuat.
Jika investasi mencakup periode 10 tahun,
maka selama itu beberapa keputusan harus
dibuat.
Keputusan pertama: membeli ruko atau tanah dengan kondisi populasi meningkat 60% atau tidak akan meningkat
Keputusan pertama: membeli ruko atau tanah
dengan kondisi populasi meningkat 60% atau
tidak akan meningkat 40%.
Jika investor memilih membeli tanah, maka keputusan lain yang dibuat dalam tiga tahun kedepan bergantung
Jika investor memilih membeli tanah, maka
keputusan lain yang dibuat dalam tiga tahun
kedepan bergantung pada perkembangan
harga tanah tsb.
POHON KEPUTUSAN Situasi yg mungkin Alternatif Sukses Gagal Invest 24 -10 Tidak Invest 0 0
POHON KEPUTUSAN
Situasi yg mungkin
Alternatif
Sukses
Gagal
Invest
24
-10
Tidak Invest
0
0
Usaha sukses
Gagal
Probabilitas (p)
(0,8)
(0,2)
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x
E=0
E=0

0

0,8 x 0 + 0,2 x 0

17,2 E=17,2
17,2
E=17,2

0

24

0,8 x 24 + 0,2 x (-10)

-10

E=0 0 0,8 x 0 + 0,2 x 0 17,2 E=17,2 0 24 0,8 x 24

CONTOH 1

   

   

Perusahaan MIE instant dihadapkan pada pilihan

 

membangun pabrik skala besar atau pabrik skala kecil yang

dapat di ekspand setelah 2 tahun kemudian, tergantung kondisi permintaan atas produknya, tinggi atau rendah. Pembangunan pabrik skala besar memerlukan biaya 5 satuan, sementara pembangunan pabrik skala kecil membutuhkan biaya 1 satuan. Pengembangan pabrik dikemudian hari

memerlukan biaya 4,2 satuan.

Berdasarkan survey, probabilitas permintaan atas produk tinggi adalah 0,75, dan rendah 0,25.

Untuk periode perencanaan 10 tahun, perkiraan pendapatan tahunan adalah sbb:

- pabrik besar, permintaan tinggi : 1 satuan

- pabrik besar, permintaan rendah : 0,300 satuan

- pabrik kecil, permintaan tinggi : 0,250 satuan

- pabrik kecil, permintaan rendah : 0, 200 satuan

- pabrik diperluas, permintaan tinggi : 0,900 satuan

- pabrik diperluas, permintaan rendah : 0,2 satuan

: 0, 200 satuan - pabrik diperluas, permintaan tinggi : 0,900 satuan - pabrik diperluas, permintaan

Permintaan tinggi

Permintaan tinggi 1 satuan 0,75 2 Permintaan rendah 0,3 satuan 0,25 Permintaan tinggi 0,9 satua 0,75

1 satuan

0,75 2 Permintaan rendah 0,3 satuan 0,25 Permintaan tinggi 0,9 satua 0,75 1 5
0,75
2
Permintaan rendah
0,3 satuan
0,25
Permintaan tinggi
0,9 satua
0,75
1
5
Permintaan rendah 0,25 4 Permintaan tinggi 0,75 6 Permintaan rendah 3 0,25
Permintaan rendah
0,25
4
Permintaan tinggi
0,75
6
Permintaan rendah
3
0,25
4 Permintaan tinggi 0,75 6 Permintaan rendah 3 0,25 0,2 satuan 0,25 satuan 0,2 satuan 0,2

0,2 satuan

0,25 satuan

0,2 satuan

4 Permintaan tinggi 0,75 6 Permintaan rendah 3 0,25 0,2 satuan 0,25 satuan 0,2 satuan 0,2

0,2 satuan

Stage I

Stage II

4 Permintaan tinggi 0,75 6 Permintaan rendah 3 0,25 0,2 satuan 0,25 satuan 0,2 satuan 0,2
4 Permintaan tinggi 0,75 6 Permintaan rendah 3 0,25 0,2 satuan 0,25 satuan 0,2 satuan 0,2

TUGAS :

 

Sebuah perusahaan telah mengembangkan teknologi

 
     

sensor buah. Hak atas teknologi tersebut seharga Rp. 750jt

   

atau mendirikan pabrik untuk memproduksi sensor manis/masam buah tersebut. Biaya pendirian pabrik adalah Rp. 600jt.

Profitability dari pendirian pabrik tergantung pada

kemampuan perusahaan memasarkan alat tersebut pada tahun pertama. Oleh karena ada akses ke agen, dalam keadaan paling burukpun perusahaan bisa menjual 1000 unit alat. Jika sukses perusahaan dapat menjual 12.000

 

unit alat.

Perusahaan yakin bahwa kemungkinan gagal atau sukses sama peluangnnya,dan mengabaikan semua kemungkinan kondisi pemasaran lainnya. Selisih harga jual satu unit alat dan biaya produksi adalah Rp. 500rb.

Untuk mengetahui potensi pemasaran yg sesungguhnya (gagal/sukses) survey pasar dapat dilakukan terlebih dahulu (sebelum menentukan menjual/menggunakan hak atas teknologi yg dikembangkan) dengan biaya sebesar Rp.

terlebih dahulu (sebelum menentukan menjual/menggunakan hak atas teknologi yg dikembangkan) dengan biaya sebesar Rp.

300jt

 

CONTOH 2

 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT

Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT

 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT
 Pada suatu hari bazar saprodi pertanian diselenggarakan oleh PT

Pertani. Laba bazar tergantung pada keadaan cuaca (cerah, mendung atau hujan). Jika cerah, maka untung 10 satuan, jika mendung, maka masih untung 5 satuan, dan jika hujan, maka rugi 15 satuan.

Panitia bazar harus membuat persiapan-persiapan atau membatalkannya. Keadaan ini menimbulkan kerugian sebesar 1 satuan.

Laporan cuaca diperoleh panitia dari BMKG seharga 1 satuan dan panitia dapat menunda persiapan sampai 1 hari sebelum bazar

Probabilitas Ramalan Cuaca

Cuaca sebenarnya (BMKG)

Hujan

Mendung

Cerah

Hujan

(0,1)

0,7

0,2

0,1

Mendung

(0,6)

0,2

0,6

0,2

Cerah

(0,3)

0,1

0,2

0,7

Hujan (0,1) 0,7 0,2 0,1 Mendung (0,6) 0,2 0,6 0,2 Cerah (0,3) 0,1 0,2 0,7
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory

Bayes’s Theory

Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory
Bayes’s Theory

Statistika mengembangkan teori pengambilan keputusan yang dipelopori Reverand Thomas Bayes (1950). Contoh kasus:

Born c. 1701
Born
c. 1701

Menggunakan Analisis Bayesian

Contoh probabilitas kondisional sbb

Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge
Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge
Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge
Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge
Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge
Analisis Bayesian Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge

Probabilitas prior

Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge Wells, Kent,
Contoh probabilitas kondisional sbb Probabilitas prior London, England Died (aged 59) Tunbridge Wells, Kent,

London, England

Died

(aged 59) Tunbridge Wells, Kent, England

7 April 1761

prior London, England Died (aged 59) Tunbridge Wells, Kent, England 7 April 1761 Nationality English Signature
prior London, England Died (aged 59) Tunbridge Wells, Kent, England 7 April 1761 Nationality English Signature
prior London, England Died (aged 59) Tunbridge Wells, Kent, England 7 April 1761 Nationality English Signature
Nationality English Signature
Nationality
English
Signature

TEORI BAYER DALAM DECISION TREE

Probabilitas Kondional
Probabilitas Kondional
T EORI B AYER DALAM D ECISION T REE Probabilitas Kondional P (A)  prior probabilitas
P (A)  prior probabilitas terhadap A P (A/D)  postarior probalitas berdasar pengetahuan atas
P (A)
 prior probabilitas terhadap A
P (A/D)  postarior probalitas berdasar
pengetahuan atas D
P (D/A) likehood dari A
Kemungkinan yang mengarah ke A
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN

PENYELESAIAN

P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
P ENYELESAIAN
           

Distribusi

Distribusi

0,1

0,3

0,6

 

R a m a l a n

Posterior

Prior

 

H

M

C

H

M

C

JML

H

M

C

Hujan

0,7

0,2

0,1

0,07

0,06

0,06

0,19

0,368

0,316

0,316

Mendung

0,2

0,6

0,2

0,02

0,18

0,12

0,32

0,062

0,563

0,375

Cerah

0,1

0,2

0,7

0,01

0,06

0,42

0,49

0,020

0,123

0,857

     
0,1 0,2 0,7 0,01 0,06 0,42 0,49 0,020 0,123 0,857       P (A/D)= 0,368

P (A/D)= 0,368

0,1 0,2 0,7 0,01 0,06 0,42 0,49 0,020 0,123 0,857       P (A/D)= 0,368
OUTLINE Probabilitas dan Teori Keputusan Konsep-konsep Dasar Pengertian dan Elemen- Elemen Keputusan Probabilitas
OUTLINE
Probabilitas dan Teori Keputusan
Konsep-konsep Dasar
Pengertian dan Elemen-
Elemen Keputusan
Probabilitas
Distribusi Probabilitas
Diskret
Pengambilan Keputusan
dalam Kondisi Risiko (Risk)
Distribusi Normal
Pengambilan Keputusan
dalam Kondisi
Ketidakpastian (Uncertainty)
Teori Keputusan
Analisis Pohon Keputusan
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO

KEPUTUSAN DALAM SUASANA BERISIKO

KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO
KEPUTUSAN DALAM SUASANA BERISIKO

Langkah dalam Pengambilan Keputusan:

1. Mengidentifikasi berbagai macam alternatif yang ada dan layak bagi suatu keputusan.

2. Menduga probabilitas terhadap setiap alternatif yang ada.

3. Menyusun hasil/pay-off untuk semua alternatif yang ada

4. Mengambil keputusan berdasarkan hasil yang baik.

Rumus Expected Value (EV):

EV

=

payoff x probabilitas suatu peristiwa

keputusan berdasarkan hasil yang baik. Rumus Expected Value (EV): EV = payoff x probabilitas suatu peristiwa
KEPUTUSAN DALAM SUASANA BERISIKO Jika kejadian-kejadian kurang pasti dimasa mendatang, maka kejadian ini digunakan
KEPUTUSAN DALAM SUASANA BERISIKO
Jika kejadian-kejadian kurang pasti dimasa
mendatang, maka kejadian ini digunakan sebagai
parameter untuk menentukan keputusan yang
akan diambil

Situasi yang dihadapi pengambil keputusan:

mempunyai lebih dari satu alternatif tindakan, pengambil keputusan mengetahui probabilitas yang akan terjadi terhadap berbagai tindakan

dan hasilnya dengan memaksimalkan expected

return (ER) atau expected monetari value (EMV)

terhadap berbagai tindakan dan hasilnya dengan memaksimalkan expected return (ER) atau expected monetari value (EMV)
PENGAMBILAN KEPUTUSAN  Sebaliknya, untuk hal-hal yang sifatnya merugikan
PENGAMBILAN KEPUTUSAN
Sebaliknya, untuk hal-hal yang sifatnya merugikan

seperti, pengeluaran, kekalahan, nilai EV dinyatakan sebagai Expected Loss (EL)

Jika, dalam pengambilan keputusan selalu melihat nilai harapan yang maksimum dan dinyatakan pula sebagai besaran nilai uang maka rumus tersebut dinyatakan

sebagai EMV (expected monetry value)

tersebut dinyatakan sebagai EMV ( expected monetry value ) EMVi = espected Monetary Value untuk tindakan

EMVi =espected Monetary Value untuk tindakan i

Rij

= return atas keputusan / tindakan i untuk tiap keadaan

P

= probabilitas kondisi j akan terjadi

tindakan i Rij = return atas keputusan / tindakan i untuk tiap keadaan P = probabilitas
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH

CONTOH

CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH
CONTOH

Loper koran memutuskan 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. Probabilitas koran yang laku setiap hari sbb:

Prob 0 = prob. Laku 10

= 0,10

Prob 1 = prob. Laku 50

= 0,20

Prob 2 = prob. Laku 100 = 0,30 Prob 3 = prob. Laku 150 = 0,40 Berapa koran yang harus dibeli oleh loper setiap harinya?

2 = prob. Laku 100 = 0,30 Prob 3 = prob. Laku 150 = 0,40 Berapa
Tabel Pay-off Net Cash Flows Probabilitas Jumlahdanprobabilitas permintaankoran 100 0.3 150 0.4 koran 10 0.1
Tabel Pay-off Net Cash Flows
Probabilitas
Jumlahdanprobabilitas permintaankoran
100
0.3
150
0.4
koran
10
0.1
50
0.2
10
1500
50
-6500
7500
100
-16500
-2500
15000
150
-26500
-12500
5000
22500

Pay off = 10 (350) 10(200) = 1.500 Pay off = 150 (350) 150 (200) = 22500

150 -26500 -12500 5000 22500 Pay off = 10 (350) – 10(200) = 1.500 Pay off
Expected Return ER 10 1500 (0,10) + 1500 (0,20) + 1500 (0,30) + 1500 (0,40)
Expected Return
ER 10
1500 (0,10) + 1500 (0,20) + 1500 (0,30) + 1500 (0,40)
= 1500
ER 50
6500 (0 10) + 7500 (0 20) + 7500 (0 30) + 7500 (0 40)
= 6100
ER 100
-16500 (0,10) - 2500 (0,20) + 15000 (0,30) + 15000 (0,40)
= 8350
ER 150
-26500 (0,10) - 12500 (0,20) + 5000 (0,30) + 22500 (0,40)
= 5350
(0,20) + 15000 (0,30) + 15000 (0,40) = 8350 ER 150 -26500 (0,10) - 12500 (0,20)
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV

CONTOH EV

CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV
CONTOH EV

Saham

Baik

Buruk

Perhitungan EV

Nilai EV

(P= 0,5)

(P= 0,5)

BATIK

444.444

277.778

(444.444 x 0,5) +

 

(277.778 x 0,5)

BATA

1.081.081

162.162

(1.081.081 x 0,5) +

 

(162.162 x 0,5)

SEMEN

1.487.667

61.667

(1.487.667 x 0,5) + (61.667 x 0,5)

 

Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli

saham

nilai EV tertinggi.

+ (61.667 x 0,5)   Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli saham 
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)

EXPECTED OPPORTUNITY LOSS (EOL)

EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)
EXPECTED OPPORTUNITY LOSS (EOL)

Metode lain dalam mengambil keputusan selain EV

EOL mempunyai prinsip meminimumkan kerugian karena pemilihan bukan keputusan terbaik.

Hasil yang terbaik dari setiap kejadian diberikan nilai 0, sedangkan untuk hasil yang lain adalah selisih antara nilai terbaik dengan nilai hasil pada peristiwa tersebut.

EOL = Opportunity loss x probabilitas suatu peristiwa

antara nilai terbaik dengan nilai hasil pada peristiwa tersebut. EOL = Opportunity loss x probabilitas suatu
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL

CONTOH EOL

CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL
CONTOH EOL

SAHAM

BAIK

BURUK

 

OL BAIK

OL BURUK

(P=0,5)

(P=0,5)

 

BATIK

444.444

277.778

1.487.667

- 444.444

0

=

1.043.223

BATA

1.081.081

162.162

1.487.667

- 1.081.081

277.778

- 162.162

=

406.586

=

115.616

SEMEN

1.487.667

61.667

0

277.778

- 61.667

=

216.111

- 162.162 = 406.586 = 115.616 SEMEN 1.487.667 61.667 0 277.778 - 61.667 = 216.111
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)

CONTOH EOL (lanjutan)

CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
CONTOH EOL (lanjutan)
 

OL baik

OL buruk

   

Sa-ham

(P= 0,5)

(P= 0,5)

Perhitungan EV

Nilai EOL

BATIK

1.043.223

0

(1.043.223 x 0,5) + (0 x 0,5)

 

BATA

406.586

115.616

(406.586 x 0,5) + (115.616 x0,5)

 

SEMEN

0

216.111

(0 x 0,5) + (216.111 x 0,5)

 

Berdasarkan nilai EOL, maka keputusan yang terbaik adalah membeli

saham

nilai EOL terendah.

(216.111 x 0,5)   Berdasarkan nilai EOL, maka keputusan yang terbaik adalah membeli saham  nilai
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)

EXPECTED VALUE OF PERFECT INFORMATION (EVPI)

EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)
EXPECTED VALUE OF PERFECT INFORMATION (EVPI)

Expected Value Of Perfect Information

Setiap keputusan tidak harus tetap setiap saat. Keputusan dapat berubah untuk mengambil kesempatan yang terbaik.

Pada kasus harga saham, pada kondisi baik, saham SEMEN adalah pilihan terbaik, namun pada kondisi buruk, maka saham BATIK lebih baik.

Apabila hanya membeli saham SEMEN maka

EV = 1.487.667 x 0,5 + 61.667 x 0,5 = 774.667

maka saham BATIK lebih baik. • Apabila hanya membeli saham SEMEN maka EV = 1.487.667 x
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI

EVPI

EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI
EVPI

Apabila keputusan berubah dengan adanya informasi yang

sempurna dengan membeli harga saham SEMEN dan BATIK EV if = 1.487.667 x 0,5 + 277.778 x 0,5 = 822.723

Nilai EV if lebih tinggi dari EV dengan selisih:

= 822.723 -774.667 = 108.056.

Nilai ini mencerminkan harga dari sebuah informasi.

Nilai informasi ini menunjukkan bahwa informasi yang tepat itu berharga -- dan menjadi peluang pekerjaan -- seperti pialang, analis pasar modal, dll.

bahwa informasi yang tepat itu berharga -- dan menjadi peluang pekerjaan -- seperti pialang, analis pasar
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI

SUSUNAN MATERI

SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
SUSUNAN MATERI
Probabilitas dan Teori Keputusan
Probabilitas dan Teori Keputusan
Pengertian dan Elemen- Elemen Keputusan
Pengertian dan Elemen-
Elemen Keputusan
Pengambilan Keputusan dalam Kondisi Risiko (Risk)
Pengambilan Keputusan
dalam Kondisi Risiko (Risk)

Pengambilan Keputusan dalam Kondisi Ketidakpastian (Uncertainty)

Konsep-konsep Dasar Probabilitas
Konsep-konsep Dasar
Probabilitas
Distribusi Probabilitas Diskret
Distribusi Probabilitas
Diskret
Distribusi Normal
Distribusi Normal
Teori Keputusan
Teori Keputusan
Analisis Pohon Keputusan
Analisis Pohon Keputusan
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak

KEPUTUSAN DALAM KETIDAKPASTIAN

KEPUTUSAN DALAM KETIDAKPASTIAN
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak
KEPUTUSAN DALAM KETIDAKPASTIAN Kondisi ketidakpastian dicirikan dengan informasi yang tidak

Kondisi ketidakpastian dicirikan dengan informasi yang tidak

Kondisi ketidakpastian dicirikan dengan informasi yang tidak

sempurna dan tidak ada probabilitas suatu peristiwa.

Kriteria Laplace • Probabilitas semua kejadian sama, dan hasil perkalian antara hasil dan probabilitas tertinggi
Kriteria Laplace
• Probabilitas semua kejadian sama, dan hasil
perkalian antara hasil dan probabilitas tertinggi
adalah keputusan terbaik.
Kriteria Maximin
• Keputusan didasarkan pada kondisi pesimis atau
mencari Nilai maksimum pada kondisi pesimis.
Kriteria Maximax
• Keputusan didasarkan pada kondisi optimis dan
mencari nilai maksimumnya.
Kriteria Hurwicz

Kriteria (Minimax) Regret

• Keputusan didasarkan pada perkalian hasil dan koefisien optimisme. Koefisien ini merupakan perpaduan antara optimis
• Keputusan didasarkan pada perkalian hasil dan
koefisien optimisme. Koefisien ini merupakan
perpaduan antara optimis dan pesimis.
Keputusan didasarkan pada nilai regret
minimum. Nilai regret diperoleh dari nilai OL
pada setiap kondisi dan dipilih yang maksimum.
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE
CONTOH LAPLACE

CONTOH LAPLACE

CONTOH LAPLACE
CONTOH LAPLACE

Perusahaan

Kondisi Perekonomian

Perusahaan

Boom

Normal

Krisis

BATIK

1.180

488

250

BATA

2.000

1.356

300

SEMEN

4.463

1.666

185

Normal Krisis BATIK 1.180 488 250 BATA 2.000 1.356 300 SEMEN 4.463 1.666 185
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN
CONTOH MAXIMIN

CONTOH MAXIMIN

CONTOH MAXIMIN
CONTOH MAXIMIN
Perusahaan Kondisi Krisis BATIK 250 BATA 300 SEMEN 185
Perusahaan
Kondisi Krisis
BATIK
250
BATA
300
SEMEN
185
CONTOH MAXIMIN Perusahaan Kondisi Krisis BATIK 250 BATA 300 SEMEN 185
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX
CONTOH MAXIMAX

CONTOH MAXIMAX

CONTOH MAXIMAX
CONTOH MAXIMAX
Perusahaan Kondisi Boom BATIK 1.180 BATA 2.000 SEMEN 4.463
Perusahaan
Kondisi Boom
BATIK
1.180
BATA
2.000
SEMEN
4.463
CONTOH MAXIMAX Perusahaan Kondisi Boom BATIK 1.180 BATA 2.000 SEMEN 4.463
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ
CONTOH HURWICZ

CONTOH HURWICZ

CONTOH HURWICZ
CONTOH HURWICZ

Menggunakan koefisien optimisme (a) dan koefisien pesimisme (1- a).

Koefisien ini anda dapat diperoleh melalui hasil penelitian atau pendekatan relatif dari data tertentu.

Contoh:

Koefisien optimisme didasarkan pada probabilitas terjadinya kondisi boom dibandingkan dengan kondisi krisis. Berdasarkan data diperoleh koefisien optimisme sebesar

0,63 sehingga koefisien pesimisme adalah 1 0,63 = 0,37.

Berdasarkan data diperoleh koefisien optimisme sebesar 0,63 sehingga koefisien pesimisme adalah 1 – 0,63 = 0,37.
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)

CONTOH HURWICZ (lanjutan)

CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)
CONTOH HURWICZ (lanjutan)

Emiten

Boom

Krisis

Perhitungan

EV

BATIK

1.180

250

   

BATA

2.000

300

   

SEMEN

4.463

185

   

Berdasarkan nilai EV, maka keputusan yang terbaik adalah

membeli saham

nilai EV tertinggi.

185     Berdasarkan nilai EV, maka keputusan yang terbaik adalah membeli saham  nilai EV

Teori Keputusan

CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET

CONTOH MINIMAX REGRET

CONTOH MINIMAX REGRET
CONTOH MINIMAX REGRET

Langkah pertama adalah mencari nilai OL.

Langkah kedua adalah memilih nilai maksimum dari nilai OL setiap keadaan.

Nilai OL yang minimum adalah keputusan yang terbaik.

adalah memilih nilai maksimum dari nilai OL setiap keadaan. • Nilai OL yang minimum adalah keputusan
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)

CONTOH MINIMAX REGRET (lanjutan)

CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)
CONTOH MINIMAX REGRET (lanjutan)

Perusa

Kondisi Perekonomian

haan

 

Boom

Normal

Krisis

BATIK

3.283

1.178

50

BATA

2.463

310

0

SEMEN

0

0

115

Perusahaan Nilai Regret Maksimum BATIK 3.283 BATA 2.463 SEMEN 115
Perusahaan
Nilai Regret
Maksimum
BATIK
3.283
BATA
2.463
SEMEN
115

Berdasarkan kriteria minimax regret, keputusan yang terbaik adalah

membeli saham

SEMEN 115 Berdasarkan kriteria minimax regret, keputusan yang terbaik adalah membeli saham  nilai regret terendah.

nilai regret terendah.

TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH

TERIMA KASIH

TERIMA KASIH
TERIMA KASIH
TERIMA KASIH
TERIMA KASIH