Taan tinggi dan permintaan rendah, yang bergantung pada kondisi pasar.

Kondisikondisi ini diwakili oleh probabilitas yang berkaitan dengan masing-masing

cabang. Node 3 juga merupakan sebuah kemungkinan peristiwa yang darinya
timbul dua cabang yang mewakili permintaan tinggi dan rendah.
Secara logis perusahaan ini akan mempertimbangkan ekspansi yang
mungkin di masa mendatang dari pabrik kecilhanya jika permintaan sekama dua
tahun pertama tersebut ternyata tinggi. Ini adalah alasan mengapa node 4
mewakili sebuah titik keputusan dengan 2 cabang yang timbul darinya, yang
mewakili keputusan ekspansi dan tidak ekspansi. Sekali lagi, node 5 dan 6
adalah kemungkinan peristiwa, dan cabang-cabang yang timbul dari masingmasing mewakili permintaan tinggi dan rendah.
Data untuk pohon keputusan harus mencakup (1) probabilitas yang
berkaitan dengan cabang-cabang yang timbul dari kemungkinan peristiwa dan (2)
Pendapatan yang berkaitan dengan alternatif-alternatif yang berbeda dari masalah
ini. Anggaplah bahwa perusahaan tersebut berminat untuk mempelajari masalah
ini dengan metode 10 tahun. Sebuah survey pasar menunjukkan bahwa
probabilitas untuk memiliki permintaan yang tinggi dan rendah dalam 10 tahun
mendatang adalah 0,75 dan 0,25, secara berurutan. Konstruksi pabrik besar
dengan segera akan memerlukan biaya 55 juta dan pabrik kecil hanya akan
memerlukan biaya $1 juta. Ekspansi pabrik kecil da tahun dari sekarang
diperkirakan menelan biaya $4,2 juta. Estimasi pendapatan tahunan untuk setiap
alternative diketahui sebagai berikut :
1. Pabrik berukuran penuh dan permintaan tinggi (rendah) akan menghasilkan
$1.000.000 ($300.000) per tahun
2. Pabrik kecil dengan permintaan rendah akan menghasilkan $200.000 per tahun
3. Pabrik kecil dan permintaan tinggi akan menghasilkan $250.000 untuk masingmasing dari 10 tahun tersebut
4. Pabrik kecil yang di ekspansi dengan permintaan tinggi (rendah) akan
menghasilkan $900.000 ($200.000) per tahun
5. Pabrik kecil tanpa ekspansi dan permintan tinggi dalam 2 tahun pertama
dengan di ikuti permintaan rendah akan menghasilkan $200.000 untuk masingmasing dari 8 tahun sisanya

Data ini diringkaskan dalam gambar 12-1. Kita sekarang siap untuk
mengevaluasi

alternatif-alternatif

tersebut.

Keputusan

akhirnya

harus

memberitahu kita tentang apa yang harus dilakukan diakhir node keputusan 1 dan
4.
Evaluasi alternative di dasari oleh penggunaan kriteria nilai yang
diperkirakan. Perhitungan dimulai ditahap 2 dan lalu bergerak mundur di tahap 1.
Jadi, untuk 8 tahun terakhir, kita dapat mengevaluasi kedua alternatif di node 4
sebagai berikut :
E { Laba bersih | ekspansi }
= (900.000 x 0,75 + 200.000 x 0,25) x 8
4.200.000 = $1.600.000
E { Laba bersih | Tanpa ekspansi }
= (250.000 x 0,75 + 200.000 x 0,25) x 8 =
$1.900.000
Jadi, di node 4, keputusan menyatakan bahwa ekspansi tidak dilakukan,
dan laba bersih yang diperkiakan adalah $1.900.000
Kita sekarang dapat mengganti semua cabang yang berasal dari node 4
dengan 1 cabang dengan nilai laba yang diperkirakan sebesar $1.900.000, yang
mewakili laba bersih untuk 8 tahun terakhir. Kita sekarang membuat perhitungan
tahap 1 yang bersesuaian dengan node 1 sebagai berikut :
E { Laba bersih | Pabrik besar }
= (1.000.000 x 0,75 + 300.000 x 0,25) x 10
5.000.000 = $3.250.000
E { Laba bersih | Pabrik kecil }
= (1.900.000 + 500.000) x 0,75 + 2.000.000 x
0,25 - 1.000.000 = $1.300.000
Jadi keputusan optimal di node 1 adalah membangun pabrik berukuran
penuh sekarang. Mengambil keputusan ini jelas menyingkirkan kebutuhan untuk
mempertimbangkan alternatif-alternatif dinode 4.
Keputusan dalam Ketidakpastian

Bagian ini memperkenalkan jumlah criteria untuk mengambil keputusan

dalam ketidakpastian dengan asumsi bahwa tidak ada distribusi probabilitas yang
tersedia. Metode-metode yang akan disajikan disini mencajkup :
1.
2.
3.
4.

Kriteria Laplace
Kriteria Minimaks
Kriteria Savage
Kriteria Hurwicz
Perbedaan utama diantara criteria ini dicerminkan dengan seberapa

konvervatif nya pengambil keputusan tersebut dalam menangani kondisi

ketidakpastian yang terjadi. Misalnya Kriteria Laplace didasari oleh kondisi yang
lebih optimis daripada criteria minimaks. Juga, criteria Hurwicz dapat disesuaikan
untuk mencerminkan sikap yang berkisar dari paling optimis sampai paling
pesimis. Dalam kaitan ini, criteria tersebut, walaupun bersifat kuantitatif,
mencerminkan penilaian subjektif dari lingkungan dimana keputusan tersebut
dibuat. Sayangnya, tidak ada petunjuk umum tentang criteria dimana yang harus
diterapkan, karna suasana hati (yang berubah-ubah) dari pengambil keputusan
tersebut yang ditentukan oleh ketidakpastian situasi kemungkinan merupakan
faktor penting dalam memlilih criteria yang sesuai
Dalam criteria diatas, di asumsi kan bahwa pengambil keputusan tersebut
tidak memiliki lawan yang cerdas dalam kasus ini, alam dikatakan sebagai
lawan dan tidak ada alasan untuk mempercayai bahwa alam bertujuan untuk
mengalahkan pengambil keputusan.
Tetapi, terdapat situasi dimana alam digunakan dengan lawan yang cerdas
dengan kepenmtingan yang bertentangan dengan kepentingan pengambil
keputusan. Misalnya, dalam peperangan, tentara musuh mewakili lawan yang
cerdas. Adanya unsure baru ini memerlukan ketentuan-ketentuan khusus dalam
merancang criteria yang sesuai. Teori permainan, yang disajikan dalam bagian
12.4 menangani kasus ini.
Informasi di manfaatkan dalam mengambil keputusan dalam ketidakpastian
biasanya di ringkas kan dalam bentuk matriks dengan baris-baris mewakili
tindakan-tindakan yang mungkin dalam kolom-kolomnya mewakili keadaaan
(states) masa mendatang yang mingkin dari sistem tersebut. Pertimbangkan,

misalnya, situasi dimana sebuah perusahaan dihadapkan dengan pemogokan kerja

bergantung pada lamanya pemogokan tersebut, tingkat sediaan untuk barang
tertentu harus dipertahankan. Keadaan masa mendatang dari sistem tersebut
(kolom) diwakili oleh panjang pemogokan yang mungkin, dan tindakan (baris)
diwakili oleh tingkat sediaan yang perlu di pertahankan. Ini berarti bahwa
tindakan mewakili keputusan yang mungkin.
Kriteria Laplace
Kriteria yang di dasari oleh yang diketahui sebagai prinsip alasan tidak
memadai (principle of insufficient reason). Karena probabilitas yang berkaitan
dengan pemunculan 1,2,.. dan n tidak diketahui, kita tidak memiliki
informasi yang cukup untuk menyimpulkan bahwa probabilitas-probabilitas ini
akan berbeda.
n

max

{1
v (ai ,j) }
n
j=1

Dimana 1/n adalah probabilitas bahwa j (j = 1,2,,n) akan muncul

Contoh 12.3.1. Sebuah sarana rekreasi harus memutuskan tingkat sediaan yang
harus disimpannya untuk memenuhi kebutuhan para pelanggan pada salah satu
harii libur. Jumlah pelanggan yang pasti tidak diketahui, tetapi diperkirakan dapat
dimasukkanke dalam salah satu dari keempat kategori ini : 200,250,300 atau 350
pelanggan. Empat tingkat penawaran karena itu disarankan, dengan tingkat I
sebagai tingkat ideal jika jumlah pelanggan termasuk dalam kategori i. Deviasi
dari tingkat yang ideal tersebut menghasilkan biaya tambahan baik karena
persediaan yang berlebihan yang disimpan secara tidak perlu atau karena
persediaan yang berlebihan yang disimpan secara tidak perlu atau karena
permintaan yang tidak dapat dipenuhi. Tabel berikut ini memberikan biaya
tersebut dalam ribuan dollar.
Tingkat Penawaran
a1
a2

Kategori Pelanggan
1
2
3
4
5
10
18
25

a3
a4

23

21
18
12
21
Prinsip Laplace mengasumsikan bahwa 1,2,3 dan 4 memiliki
kemungkinan yang setara untuk muncul. Jadi probabilitas yang berkaitan
diketahui P{ = j } = , j = 1,2,3,4, dan biaya yang diperlukan untuk tindakantindakan yang berbeda a1,a2,a3, dan a4 adalah
E {a1} = (1/4)(5 + 18 + 25) = 14.5
E {a2} = (1/4)(8 + 8 + 23) = 11.5
E {a3} = (1/4)(21 + 18 + 12 + 21) = 18.0
E {a4} = (1/4)(30 + 22 + 19 + 15) = 21.5
Jadi tingkat sediaan terbaik menurut criteria Laplace adalah a2.
Kriteria Minimaks (Maksimin)
Ini merupakan criteria yang paling komservatif, karena didasari oleh usaha
untuk memperoleh hasil terbaik dari kondisi terburuk yang mungkin. Yaitu, jika
hasil v(ai, j) mewakili kerugian bagi pengambil keputusan yang bersangkutan,
maka, untuk ai, kerugian terburuk tanpa bergantung pada j adalah maks j
{v(ai,j)}. Lalu criteria minimaks memilih tindakan ai yang berkaitan dengan min
ai max j {v(ai, j)}. Dengan cara yang serupa, jika v(ai, j) mewakili
keuntungan, criteria ini memilih tindakan ai yang berkaitan dengan max ai min j
{v(ai j)}. Ini disebut kroteria maksimin
Contoh 12.3.2. Pertimbangkan contoh 12.3.1. Karena v(ai, j) mewakili biaya,
criteria minimaks diterapkan. Perhitungan ini diringkaskan dalam matriks berikut,
strategi minimaks memilih a3.
Maks {v(ai, j)}
V(ai, j) =

2
10

3
18

4
25

23

21

18

12

21

1
a1
a2
a3
a4

ai

21

25
23
nilai minimaks
30

30

22

19

15

Kriteria Savage Minimax Regret

Kriteria minimaks yang diterapkan untuk matriks ini menghasilkan a2.
Tetapi kita secara intuitif tergoda untuk memilih ai, karena terdapat kemungkinan
bahwa jika = 2, hanya $90 yang akan terhilang,sementara dpat dipastikan
bahwa a2 akan menghasilkan kerugian sebesar $10.000 baik = 1 atau 2
Kriteria Savage memperbaiki hal ini dengan membentuk matriks kerugian
yang baru di mana v(ai, j) digantikan dengan r(ai, j), yang di definisikan dengan

r(ai, j) =

maks { v ( ai, j ) }v ( ai , j ) , jika v adalah laba

v ( ai, j )min { v ( ai , j ) } , jika x adalah kerugian

Ini berarti r(ai,j) adalah selisih antara pilihan terbaik dalam kolom j
dengan nilai-nilai v(ai, j) dalam kolom yang sama. Pada intinya r(ai, j) adalah
repersentasi dari penyesalan pengambilan keputusan tersebut sebagai hasil dari
tidak dipilihnya pilihan terbaik yang bersesuaian dengan satu keadaan tertentu di
masa mendatang j. Fungsi r(ai, j) disebut sebagai mastriks penyesalan (regret
matrikx).
Contoh 12.3.3. Pertimbangkan contoh 12.3.1. Matriks yang dberikan mewakili
biaya

matriks

penyesalan yang berkaitan di sini ditentukan dnengan

mengurangksn 5,7,8 dan 15 dari kolom 1,2,3 dan 4 secara berurutan.

Maks {v(ai, j)}

1

r(ai, j) =
a1
a2
a3

0
3

2
3

3
10

4
10

ai
8

10
nilai minimaks
16

a4

25
16 11 4 16
Walaupun criteria minimaks yang sama
25 dipergunakan
15 11 0untuk menentukan tindakan
terbaik (a2 dalam kasus ini), dioergunakan r(ai,j) menghasilkan pemecahan yang
berbeda dengan pemecahan dalam contoh 12.3.2.
Kriteria Hurwicz
Kriteria ini mewakili satu kisaran sikap dari yang paling optimis sampai
yang paling pesimis. Dalam kondisi yang paling optimis, kita akan memilih
tindakan yang menghasilkan min ai max j {v(ai, j)}. Kriteria Hurwicz
menemukan keseimbangan di antara ekstrim pesimisme dan ekstrim optimisme
dengan memberi bobot pada kedua kondisi di atas dengan bobot masing-masing
dan (1 ), dimana 0 1.
Parameter dikenal sebagai indeks optimisme : ketika = 1, criteria ini
terlalu optimis ; ketika = 0, criteria ini terlalu pesimis. Nilai antara nol dan
satu dapat dipilih bergantung pada apakah pengambil keputusan tersebut cendrung
pesimis atau optimis. Ketika tidak ada perasaan yang kuat ke arah salah satu dari
keduanya, nilai = tampaknya merupakan pilihan yang wajar.
Contoh 12.3.4. Prinsip Hurwicz diterapkan untuk contoh 12.3.1. Diasumsikan
bahwa = 1/2 . Perhitungan yang diperlukan diperlihatkan dalam tabel berikut
ini. Pemecahan optimum diketahui a1 atau a2.