TEORI PENGAMBILAN KEPUTUSAN DR. MOHAMMAD ABDUL MUKHYI, SE., MM 6/6/2008 1 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

Perusahaan yang dibentuk dengan kekuatan keuangan dan komitmen pada karyawan. Perusahaan yang dibentuk dengan kekuatan keuangan dan komitmen pada karyawan. Deciding 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 PerusahaanBPerusahaan B 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

6/6/2008 4 .Keputusan terbaik vs Hasil terbaikKeputusan terbaik vs Hasil terbaik Pendekaan struktur pengambilan keputusan dapatKeputusan terbaik vs Hasil terbaik Keputusan terbaik vs Hasil terbaik Pendekaan struktur pengambilan keputusan dapat Pendekaan struktur pengambilan keputusan dapat membantu membuat keputusan yang terbaik. tetapi tidak dappat menggaransi hasil yygang baik.gg Keputusan yang barik kadang-kkadasng menghasilkan hasil yang kurang baik.

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

Mengidentifikasi dan menganalisis macam langkah tindakan alternatif. Mengimplikasikan tindakan yang lebih disukai. mengestimasi pengaruhnya dalam masalah atau k kesempatan.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. 66/6/2008 . Memilih tindakan yang lebih disukai. Menggambarkan dan mengenali masalah dan kesempatan. Mengevaluasi hasil dan kelanjutannya sebagaimana diperlukan.

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

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

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

106/6/2008 .. Bilamana pembuat keputusan tidak dapat menyudahi kepastian mengenai hasil berbagai macam tindakan. Kemungkinan dapat dirumuskan melalui sasaran prosedur iik i i i ib di statistik atau intuisi pribadi.Resiko lingkungan.Resiko lingkunganBagaimana keputusan dibuat dalam organisasi? .Resiko lingkungan .Bagaimana keputusan dibuat dalam organisasi? .. p mereka dapat merumuskan kemungkinan kejadian. tetapi p g g ..

Personil yang mempengaruhi definisi pilihan dan masalah Personil yang mempengaruhi definisi pilihan dan masalah. Juga yang ditandai oleh dengan cepat mengubah: gyg gpg Kondisi-Kondisi eksternal..Lingkungan ketidak-pastian. Kebutuhan teknologi informasi. 116/6/2008 . perubahan yang cepat ini adalah juga disebut anarki terorganisir. Ketidak-pastian memaksa pembuat keputusan bersandar pada individu dan kreativitas kelompok untuk berhasil dalam memecahkan masalah.. Bagaimana keputusan dibuat dalam organisasi? . Bilamana manager memiliki sedikit informasi bahwa mereka tidak dapat menetapkan kemungkinan suatu kegiatan dari berbagai alternatif dan kemungkinan hasil.Lingkungan ketidak-pastian.Bagaimana keputusan dibuat dalam organisasi? .

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

Penilaian situasi (Situational Approach) untuk menghadapi pertanyaan apa yg terjadi? 2. Analisis persoalan potensial (Potential Problem Analysis) didasarkan pada perhatian kita mengenai peristiwa masa depan. mengenai peristiwa yg mungkin terjadi & yg dapat terjjadi 6/6/2008 13 .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. 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.

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 .

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

mengembangkan kriteria khusus untuk mencapai tujuan.Conflict: Jika kepentingan dua atau lebih pengambil keputusan berada dalam pertarungan aktif diantara kedua belah pihak. mengevaluasi alternatif yang tersedia yang berhubungan dengan kriteria & mengidentifikasi risiko yang melekat pada keputusan tersebut p 6/6/2008 16 . g g p j . 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. sementara keputusan certainty risk & uncertainty yang aktifConflict: Jika kepentingan dua atau lebih pengambil keputusan berada dalam pertarungan aktif diantara kedua belah pihak.

Manajjemen modal. Pengambilan keputusan berdasarkan tujuan pengambilan keputusan gp j 2. Pengambilan keputusan berdasarkan tujuan pengambilan keputusan Management Science dalam 1. yg 7. pesaing. Penekanan yg meningkat pd produktivitas: Penekanan yg meningkat pd produktivitas: -produktivitas SDM -manajemen modal & material yg efektif -proses pengambilan keputusan yg efisien 5. ekonomi.Management Science dalam 1. situasi internasional faktor sosial ekonomi lingkungan perubahan internasional. Lebih beraksi dg faktor eksternal (ex: pemerintah. faktor sosial. energgi& material yg efisien . Pengambilan keputusan berdasarkan informasi & analisis 3. Peningkatan perhatian pd perilaku kelompok 6. Manajemen ttg segala kemungkinan yg lebih sistematis 8. perubahan situasi pasar. dll) 6/6/2008 17 . lingkungan. Pengambilan keputusan untuk tujuan ganda 44. selera konsumen.

Tujuan : j Lebih dari satu tujuan. model integer programming dan model deterministikprogramming dan model deterministik. Misal model linear programming. Lebih dari satu alternatif tindakan Setiap tindakan mempunyai satu atau lebih hasil 6/6/2008 18 .KEPUTUSAN DALAM CERTAINTY (KEPASTIAN) il di i l if id k d di k di kKEPUTUSAN DALAM CERTAINTY (KEPASTIAN) il di i l if id k d di k di k Hasil dari setiap alternatif tindakan dapat ditentukan dimuka dengan pasti.

KEPUTUSAN DALAM KONDISI RESIKO KEPUTUSAN DALAM KONDISI RESIKO i kjdi kj di di d kKurang pastinya kejadian-kejadian dimasa mendatang. maka kejadian ini digunakan sebagai parameter untuk menentukan keputusan yang akan diambil p yg Situasi yang dihadapi pengambil keputusan adalah mempunyai lebih dari satu alternatif tindakan. pengambil keputusan mengetahui probabilitas yang akan terjadi terhadap berbagai tindakan dan hasilnyadengan memaksimalkan expected return y g p (ER) atau expected monetari value (EMV) 6/6/2008 19 .

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 .KEPUTUSAN DALAM KONDISI Sm RESIKO KEPUTUSAN DALAM KONDISI Sm RESIKO EMVi =.

Prob2 = prob.30 Pertanyaan: berapa koran yang harus dibeli setiap harinya? 6/6/2008 21 . Laku 10 = 0. contoh:contoh: Penjual koran mengambil koran waktu pagi dan menjualnya.10 Prob1 = prob. Laku 100 = 0.20 1 p . Dari catatannya probabilitas koran yang laku setiap hari: Dari catatannya probabilitas koran yang laku setiap hari: Probo = prob. Laku 50 = 0. harga jual koran Rp 350 dan harga beli Rp 200 koran yang tidak laku disore hari tidak mempunyai harga.contoh:contoh: Penjual koran mengambil koran waktu pagi dan menjualnya.

500 1.500 5 000 5.500 1.500 1.40 10 1.000 22 500 22.500 100 -16.000 15.500 5050 6 500 -6.500 15.JawabanJawaban JawabanJawaban Tabel Pay-off Net Cash Flows Probabilitas Jumlah dan probabilitaqs permintaan koran korankoran 10 = 0.500 7 500 7.500 -2.500 Pay off = 10 (350) 10(200) = 1.10 50 = 0.500 12 500 -12.30 150 = 0.20 100 = 0.500 7 500 7.000 150150 26 500 -26.500 7 500 7.500 Pay off = 150 (350) 150 (200) = 22500 Pay off 150 (350) 150 (200) 22500 6/6/2008 22 .

40) 5350 6/6/2008 23 .20) + 1500 (0.40) = 1500 ER 6500 (0 10) + 7500 (0 20) + 7500 (0 30) + 7500 (0 40) = 6100 ER20 -6500 (0.dExpected Return ER10 1500 (0.10) 12500 (0.10) + 7500 (0.30) + 1500 (0.40) = 5350 ER150 26500 (0.10) -2500 (0.10) -12500 (0.20) + 15000 (0.20) 5000 (0.40) = 1500 ER 6500 (0 10) + 7500 (0 20) + 7500 (0 30) + 7500 (0 40) = 6100 ER20 -6500 (0.30) + 22500 (0.10) + 1500 (0.40) = 5350 ER150 26500 (0.30) 22500 (0.40) = 8350 ER -26500 (0.20) + 7500 (0.40) 5350 6/6/2008 23 dExpected Return ER10 1500 (0.40) = 8350 ER -26500 (0.10) 12500 (0.30) + 7500 (0.10) + 7500 (0.30) + 1500 (0.20) 5000 (0.10) + 1500 (0.20) + 5000 (0.40) 6100 ER100 -16500 (0.10) -12500 (0.20) + 1500 (0.20) + 15000 (0.20) + 5000 (0.20) + 7500 (0.30) + 7500 (0.30) + 15000 (0.30) + 22500 (0.30) 22500 (0.30) + 15000 (0.10) -2500 (0.40) 6100 ER100 -16500 (0.

KEPUTUSAN DALAM UNCERTAINTY (KETIDAKPASTIAN) 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 diperkirakan). 6/6/2008 24 . namun pengambil keputusan tidak dapat menetapkan probabilitas pengambil keputusan tidak dapat menetapkan probabilitas peristiwa. Dalam suasana ( p ) ketidakpastian pengambil keputusan sadar akan hasil-hasil alternatif dalam bermacam-macam peristiwa.

Kriteria-kriteria yang digunakan A. yang k ii bilk d merupakan cirri pengambil keputusan modern B. cocok bagi investor yang risk taker investor yang risk taker Kelemahan: mengabaikan banyak informasi yang tersedia 6/6/2008 25 . 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. 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.

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

sehingga hasil keputusan dikalikan dengan kfi i iii k kii bilkoefisien optimistic untuk mengukur optimisme pengambil keputusan. berarti optimis total (MAXIMAX) a : 0. berarti sangat pesimis/optimis 0 (MAXIMIN) Atau a : optimis 1-a: pesimis 1 a : pesimis Kelemahan: -sulit menentukan nilai a yang tepat bik bb if i tdi ( k -mengabaikan beberapa informasi yang tersedia (ex: prospek ekonomi sedang diabaikan) 6/6/2008 27 . Kriteria HURWICZ / kompromi antara MAXIMAX dan MAXIMIN Kriteria kriteria yang digunakan (Leonid Hurwicz) Kriteria dimana pengambil keputusan tidak sepenuhnya optimis dan pesimis sempurna. Kriteria HURWICZ / kompromi antara MAXIMAX dan MAXIMIN Kriteria kriteria yang digunakan Kriteria-kriteria yang digunakan D.Kriteria-kriteria yang digunakan D. dimana koefisien optimisme (a) = 0 = a = 1 Dengan a : 1.

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 . Kriteria LAPLACE / BOBOT YANG SAMA (Equal Kriteria kriteria yang digunakan (q Kriteria-kriteria yang digunakan E.

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

10 50 = 0.500 6/6/2008 30 .000 150150 26 500 -26.500 -2.500 7 500 7.30 150 = 0.500 5050 6 500 -6.500 1.500 7 500 7.40 10 1.000 15.500 12 500 -12.500 100 -16.500 7 500 7.000 22 500 22.500 1.500 5 000 5.500 15.500 1.20 100 = 0.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.

KriteriaMaximaxKriteria Maximax KriteriaMaximaxKriteria Maximax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.30 150 = 0.500 1500 5050 6 500 -6.10 50 = 0.500 1.500 7 500 7.500 1.40 10 1.500 2250022500 6/6/2008 31 .500 5 000 5.500 7 500 7.000 22 500 22.500 -2.20 100 = 0.500 12 500 -12.500 7 500 7.500 1.000 1500 150150 26 500 -26.000 15.500 15.500 75007500 100 -16.

500 1500 5050 6 500 -6.000 1500 150150 26 500 -26.30 150 = 0.500 5 000 5.500 15.500 12 500 -12.000 22 500 22.500 1.KriteriaMaximaxKriteria Maximax KriteriaMaximaxKriteria Maximax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.500 7 500 7.500 7 500 7.000 15.500 75007500 100 -16.500 1.500 2250022500 6/6/2008 32 .40 10 1.10 50 = 0.500 -2.500 1.500 7 500 7.20 100 = 0.

KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Mengidentifikasi payoff maksimum untuk masingmasing alternatif. M ilih l if d ff ki Memilih alternatif dengan payoff maksimum yang terkecil Kl h bdi k tik ff Kelemahan: membandingkan matrik payoff 6/6/2008 33 .

500 5 000 5.000 150150 26 500 -26.500 12 500 -12.40 10 1.10 50 = 0.500 -2.500 5050 6 500 -6.500 1.000 15.500 6/6/2008 34 .000 22 500 22.500 7 500 7.500 15.500 100 -16.30 150 = 0.20 100 = 0.500 1.500 7 500 7.500 7 500 7.KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.500 1.

000 15.30 150 = 0.500 1500 5050 6 500 -6.500 1.500 7 500 7.500 1.40 10 1.KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.500 1.000 22 500 22.20 100 = 0.500 -2.500 7 500 7.500 5 000 5.500 75007500 100 -16.500 12 500 -12.10 50 = 0.000 15000 150150 26 500 -26.500 2250022500 6/6/2008 35 .500 7 500 7.500 15.

10 50 = 0.500 0005.500 7.500 15.500 7.500 1.500 7500 100 -16.500 12 00-12.500 7.KriteriaMaximinKriteria Maximin KriteriaMaximinKriteria Maximin Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.500 -2.000 1500 10150 26 00-26.000 22 0022.40 10 1.500 1500 50 -6.500 22 0022500 6/6/2008 36 .20 100 = 0.000 15.500 1.30 150 = 0.500 1.

Kl h bdi k tik ff Kelemahan: membandingkan matrik payoff 6/6/2008 37 .KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Mengidentifikasi payoff minimum untuk masingmasing alternatif. M ilih l if d ff i i Memilih alternatif dengan payoff minimum yang terbesar.

500 5050 6 500 -6.500 5 000 5.500 7 500 7.20 100 = 0.500 1.40 10 1.500 1.000 22 500 22.500 -2.500 12 500 -12.500 15.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.30 150 = 0.500 6/6/2008 38 .500 100 -16.000 15.10 50 = 0.500 7 500 7.500 7 500 7.500 1.000 150150 26 500 -26.

500 1.500 1500 5050 6 500 -6.30 150 = 0.500 7 500 7.500 15.500 12 500 -12.500 1.500 7 500 7.500 7 500 7.500 5 000 5.500 26500-26500 6/6/2008 39 .000 22 500 22.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.40 10 1.500 6500-6500 100 -16.000 15.000 -16500 150150 26 500 -26.20 100 = 0.500 -2.10 50 = 0.500 1.

500 15.500 1.500 0005.500 7.500 7.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.20 100 = 0.000 15.500 1.500 12 00-12.500 22 0022500 6/6/2008 40 .30 150 = 0.500 7500 100 -16.10 50 = 0.500 1.500 1500 50 -6.500 7.40 10 1.000 22 0022.500 -2.000 1500 10150 26 00-26.

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

500 7 500 7.500 7 500 7.500 1.500 5 000 5.500 7 500 7.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.000 150150 26 500 -26.500 1.500 1.500 12 500 -12.500 6/6/2008 42 .500 100 -16.500 5050 6 500 -6.10 50 = 0.000 22 500 22.500 15.30 150 = 0.20 100 = 0.000 15.500 -2.40 10 1.

500 15.500 7 500 7.500 -2.500 26500-26500 6/6/2008 43 .500 7 500 7.500 1500 5050 6 500 -6.10 50 = 0.500 7 500 7.500 12 500 -12.30 150 = 0.000 22 500 22.500 1.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.000 -16500 150150 26 500 -26.500 6500-6500 100 -16.40 10 1.500 1.500 1.500 5 000 5.000 15.20 100 = 0.

500 6500-6500 100 -16.500 1500 5050 6 500 -6.20 100 = 0.500 7 500 7.000 22 500 22.500 1.500 15.500 7 500 7.500 5 000 5.40 10 1.500 -2.500 12 500 -12.500 7 500 7.500 1.KriteriaMinimaxKriteria Minimax KriteriaMinimaxKriteria Minimax Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.000 -16500 150150 26 500 -26.30 150 = 0.000 15.500 26500-26500 6/6/2008 44 .10 50 = 0.500 1.

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 . Mengidentifikasi kemungkinan regret maksimum untuk masingg-masingg alternatif.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. Memilih alternatif dengan regret maksimum yang terendah.

20 100 = 0.Kriteria Minimax RegretKriteria Minimax Regret Kriteria Minimax RegretKriteria M inimax Regret Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.000 00 6/6/2008 46 .500 21.40 10 0 6000 13.30 150 = 0.500 1500015000 100 18000 10000 0 7500 150150 2800028000 2000020000 10 000 10.10 50 = 0.000 5050 85008500 00 7 500 7.

10 50 = 0.500 1500015000 6500-6500 100 18000 10000 0 7500 -16500 150150 2800028000 2000020000 10 000 10.20 100 = 0.500 21.30 150 = 0.40 10 0 6000 13.Kriteria Minimax RegretKriteria Minimax Regret Kriteria Minimax RegretKriteria M inimax Regret Tabel Pay-off Net Cash Flows Probabilit Jumlah dan probabilitaqs permintaan koran Keputusan as koranas koran 10 = 0.000 1500 5050 85008500 00 7 500 7.000 00 26500-26500 6/6/2008 47 .

500 21.10 50 = 020 50 0.30 150 = 040 150 0.40 10 0 6000 13.000 21000 5050 85008500 00 7 500 7.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 0.500 1500015000 1500015000 100 18000 10000 0 7500 18000 150150 2800028000 2000020000 10 000 10.20 100 = 030 100 0.000 00 2800028000 6/6/2008 48 .

Untuk itu perlu dicari informasi tambahan diasumsikan Untuk itu perlu dicari informasi tambahan . maka akan diperoleh nilai expected value of perfect information (EVPI): EVPI = Expected return jika diperoleh informasi -Expected return tanpa informasi sempurna sempurna informasi sempurna 6/6/2008 49 .Expected Value of Perfect Information Expected Value of Perfect Information ii i dih d i lh kid k iDisini dihadapi masalah ketidak pastian. diasumsikan diperoleh informasi tambahan tentang permintaan.

20x10000) + (0.20 x 7500) + (0.10x18000) + (0.10 x 1500) + (0.40 x 22500) 8350} = 1515015150 8350 8350 = 6800 jumlah untuk memperoleh informasi yang semppurna yg EMV = {(0.Expected Value of Perfect Information Expected Value of Perfect Information EVPI = {(0.30 x 15000) (0.40x7500) } = 6800 6/6/2008 50 .

Keputusan dalam kondisi resiko dan fungsi utilitas d l d h dAmad pasang lotre Rp.000 = 49. p return-nya adalah: = -500 (99.000.599.95 6/6/2008 51 .99% dan probabilitas menang undian adalah 0. Probabilitas kalah dalam lotre adalah 99. .01%.599.01%) = -499.95 + 50.01%) = -499. Probabilitas kalah dalam lotre adalah 99. .000.000 (0.01%.95 6/6/2008 51 Keputusan dalam kondisi resiko dan fungsi utilitas d l d h dAmad pasang lotre Rp. 500 dengan harapan menang dapat Rp 500 juta.000 = 49.95 + 50.000 (0. p return-nya adalah: = -500 (99.99% dan probabilitas menang undian adalah 0. 500 dengan harapan menang dapat Rp 500 juta. maka expectedp g . maka expectedp g .99%) + 500.99%) + 500.

000 if succeed. Analysis: Certainty Equivalent C t i t E ilt f t SumCertainEquivalent Certainty Equivalent factor: Risk averse: <1 Risk neural: =1 SumRiskExpected SumCertainEquivalent=a Risk loving: >1 6/6/2008 52 . After assessing these two options. you find yourself indifferent between two. (b) Invest: receive $10. (b) Invest: receive $10. and you face two options: (a) Keep your initial wealth and do nothing.Incorporating Risk Attitudes: Certain Equivalent I i i l l h $1000 d f iInitial wealth $1000.000 if succeed. and you face two options: (a) Keep your initial wealth and do nothing. Analysis: Certainty Equivalent C t i t E ilt f t SumCertainEquivalent Certainty Equivalent factor: Risk averse: <1 Risk neural: =1 SumRiskExpected SumCertainEquivalent=a Risk loving: >1 6/6/2008 52 Incorporating Risk Attitudes: Certain Equivalent I i i l l h $1000 d f iInitial wealth $1000. lose 1000 if fail. lose 1000 if fail. After assessing these two options. you find yourself indifferent between two.

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 . a sure thing and a risky option. 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 AttitudesRisk Attitudes Scenario: A person has two choices a sure thing and a Scenario: A person has two choices. and both yields the same expected value. a sure thing and a risky option.Risk AttitudesRisk Attitudes Scenario: A person has two choices a sure thing and a Scenario: A person has two choices.

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 .

U(70) = 140 (b) With disease outbreak. (a) Without disease outbreak. (a) Without disease outbreak.Risk Premium: Preventive Investment Initial wealth = 40 which results in U(40) = 120.5U(70) + 0. An preventive investment can magically ensure no disease outbreak (not realistic). U(10) = 7070 (c) 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).5U(70) + 0.5U(10) = 105 Questions:Questions: (a) Will invest on preventive activities? (b) Risk premium?(b) Risk premium? 6/6/2008 55 . U(10) = 7070 (c) 0. U(70) = 140 (b) With disease outbreak.

his wealth is $ 500. and $ 300.000 without an earthquake.Risk Premium: Earthquake InsuranceRisk Premium: Earthquake Insurance Risk Premiu m: Earthquake InsuranceRisk Premium: Earthquake Insurance h li i h i f lif i h hJosh lives in the San Francisco Bay Are of California wher e the prob. p .000 at the lose of his house with an earthquake. His utility function is U(w) = w0. What s his risk premium? risk premium? Answer: risk premium= $ 4. y next year.6361. where w is wealth. of an earthquake is 10%.5. If Josh chooses not to buy insurance . The solution ?? 6/6/2008 56 .

5 .000 Probability 0.5 .000 55..Utility TheoryUtility Theory Sometimes the decision with the highest EMV is not the most desired or most preferred alternative. Others would prefer decision alternative B..000 60. S fNState of Nature Decision 1 2 EMV A 150.000 40.000 <--maximum B 70. Utilit Th i t i k f i th d i i ki.000 <--maximum B 70.5 0.Decision makers have different attitudes toward risk:Decision makers have diff erent attitudes toward risk: Some might prefer decision alternative A..5 0. Consider the following payoff table.000 40. Utilit Th i t i k f i th d i i ki.. Others would prefer decision alternative B.Decision makers have different attitudes toward risk:Decision makers have diff erent attitudes toward risk: Some might prefer decision alternative A. 6/6/2008 57 .000 60.000 -30.Utility Theory incorporates risk preferences in the decision making process. 6/6/2008 57 Utility TheoryUtility Theory Sometimes the decision with the highest EMV is not the most desired or most preferred alternative.000 Probability 0. Consider the following payoff table.000 55.Utility Theory incorporates risk preferences in the decision making process. S fNState of Nature Decision 1 2 EMV A 150.000 -30.

000) * 0.000 payoff identify the value p at the previous example. Constructing Utility FunctionsConstructing Utility Functions Assign utility values of 0 to the worst payoff and 1 to the best.000 . If decision maker is indifferent when p = 0. To find the utility associated with a $70.2 = $ 114.000 payoff identify the value p at which the decision maker is indifferent between: To find the utility associated with a $70.000) * 0.000 with probability (1-p).Constructing Utility FunctionsConstructing Utility Functions Assign utility values of 0 to the worst payoff and 1 to the best.000 with certainty. Alternative 2: Receive $150 000 with probability p and lose $30 000 with Alternative 2: Receive $150.000) = 1 Alternative 1: Receive $70. U(-$30.8 + $30.000 * 0.8 For When p = 0.000 with probability p and lose $30.8 + U(-30. (Willing to accept $70.)6/6/2008 58 .8: U($70000)U($150000)*08+U(30000)*02 1*08+0*02 08 U($70.8.000) = U($150.000.8 + 0 * 0.000 with certainty versus a risky situation with an expected value of $ 114. the expected value of Alternative 2 is: $150.2 = 0..000 * 0.000) = 0 and U($150.2 = 1* 0.The decision maker is risk averse.

60 0.00Utility0.000) = 0.80 0.600.800.003020100102030405060708090100110120130140150Payoff (in$1.500.30000 0.50 0.901. if U($40.000s) 0.100.50 0.003020100102030405060708090100110120130140150Payoff (in$1.000s) 0. the decision maker s utility function emerges (e.00 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Payoff (in $1.400.700.40 0.65): UtilityUtility 0.30000 0.500.200..g.90 1.80 0.20 0.90 1.30 0.00 Utility 0..00 30 20 10 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Payoff (in $1.70 0000.700. if U($40.600. the decision maker s utility function emerges (e.p p .400.60 0.Constructing Utility FunctionsConstructing Utility Functions If we repeat this process with different values in Alternative 1.00Utility0.30 0.65): UtilityUtility 0.20 0.10 0.10 0.901.000s) 6/6/2008 59 .800.200.000s) 6/6/2008 59 Constructing Utility FunctionsConstructing Utility Functions If we repeat this process with different values in Alternative 1.000) = 0.70 0000.p p .g.00 Utility 0.40 0.100.

000 = $44.g. ( $70 000 i l Al i 2 i h 08) (e.CommentsComments CommentsComments Certainty Equivalent -the amount that is equivalent in the decision maker s mind to a situation involving risk.000 was equivalent to Alternative 2 with p = 0. (e...000) 6/6/2008 60 . Risk premium = $114.8) Risk Premium -the EMV the decision maker is willing to give up to avoid a risky decision give up to avoid a risky decision.000-$70. $70.g.

8 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.5 Consider the utility table from the earlier example. State of NatureExpected Decision 1 2 Utility A 1 0 0.65 0. Probability 0. 6/6/2008 61 . Consider the utility table from the earlier example.Using Utilities to Make DecisionsUsing Utilities to Make Decisions Using Utiliti es to Make DecisionsUsing Utilities to Make Decisions Replace monetary values in payoff tables with utilities.500 B 0.5 0. payoff table indicated it had a smaller EMV.

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

I ti Utiliti i T Pl Incorporating Utilities in TreePlan will automatically convert monetary I ti Utiliti i T Pl Incorporating Utilities in TreePlan will automatically convert monetary TreePlan values to utilities using TreePlan values to utilities using TreePlan will automatically convert monetary values to utilities using the exponential utility function. 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. We must first determine a value for the risk tolerance parameter R. (Note: RT must be outside the rectangular range containing the decision tree!) On TreePlan s Options dialog box select. 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. Lose $Y/2 with probability 0.5. Use Exponential Utility Function Use Exponential Utility Function 6/6/2008 63 .

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

Risk Measurement Absolute Risk:Risk Measurement Absolute Risk: Overall dispersion of possible payoffs Measurement: varianceRisk Measurement Abs olute Risk:Risk Measurement Absolute Risk: Overall dispersion of possible payoffs Measurement: variance Overall dispersion of possible payoffs Measurement: variance. Relative Risk Variation in possible returns compared with the expected payoff p p p p y amount Measurement: coefficient of Variation (CV). The lower the CV. standard deviation The smaller variance or standard deviation. the lower the relative risk EV the lower the relative risk. the lower the absolute 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 .

4 * 400 + 0.1 * 800 -0.4 probability of making a loss existsloss exists 6/6/2008 69 .2 * 500 = +120 k Applying Baye s Strategy Decision: Go ahead with the project although a 0.Ill i Forecast of profit of a project Illustration : Forecast of profit of a project Profit / (Loss) $k p EV = -0.2 * 500 = +120 k Applying Baye s Strategy Decision: Go ahead with the project although a 0.3 * 200 + 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 = -0.3 * 200 + 0.4 * 400 + 0.1 * 800 -0.

B.7 .Example:Example: 3 ll l i i A B C3 mutually exclusive options. C with P(III) = 0.7 . II with P(II) = 0. C with P(III) = 0. select the best option 6/6/2008 70 A. III Conditional Profits ($k) Profit ($k) II IIII IIIIII Option A 20 60 80 Option B -30 80 120 Option C 10 40 150 Using EV criterion.2 . II with P(II) = 0. Each option has three possible outcomes: I with P(I) = 0.2 A. Each option has three possible outcomes: I with P(I) = 0. III Example:Example: 3 ll l i i A B C3 mutually exclusive options.1 . B.1 .

Solution EV of Options Solution EV of Options A: 0.7 * 60 B: 0.7 * 40 Option B is preferred 6/6/2008 71 Solution EV of Options Solution EV of Options A: 0.7 * 60 B: 0.2 * 80 = $ 60 k * 80 + 0.2 * 120 + 0.2 * 120 + 0.1 * ( -30 ) + 0.2 * 150 = $ 59 k .7 = $ 77 k C: 0.7 * 40 Option B is preferred 6/6/2008 71 + 0.1 * ( -30 ) + 0.2 * 150 = $ 59 k + 0.1 * 20 + 0.1 * 20 + 0.7 = $ 77 k C: 0.1 * 10 + 0.2 * 80 = $ 60 k * 80 + 0.1 * 10 + 0.

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

. + pn (xn -µ)2 Standard deviation s = vE(x -µ)2 Coefficient of variation (COV) = µ / sCOV -a measure of the risk involved COV a measure of the risk involved Larger value of COV signifies higher risk 6/6/2008 73 .Let x be a random discrete variable taking values xn and probability pnLet x be a random discrete variable taking values xn and probability pn Let x be a random discrete variable taking values xn and probability pn s2 = E(x -µ)2 = p1 (x1 -µ)2 + p2 (x2 -µ)2 +.

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 .

0 .15 * 1000 = 800.20 * 900 + 0.20 * 810 + 0.15 * 770 + 0.15 * 830 = 800.15 * 600 + 0.0 0.30 * 800 + Expected values are the same Study risks involved in the two options 6/6/2008 75 Solution Expected value of net annual income Solution p E(x) = µ = S xi pi District ADistrict A µ = 0.15 * 830 = 800.20 * 900 + 0.30 * 800 + District B µ = 0.15 * 1000 = 800.0 0.30 * 800 + Expected values are the same Study risks involved in the two options 6/6/2008 75 0.20 * 810 + 0.Solution Expected value of net annual income Solution p E(x) = µ = S xi pi District ADistrict A µ = 0.0 0.15 * 600 + 0.20 * 700 + 0.20 * 790 + 0.20 * 790 + 0.30 * 800 + District B µ = 0.20 * 700 + 0.15 * 770 + 0.

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 a 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 possible outcome is required p q 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 The decision maker directed towards the line of action giving the optimum result 6/6/2008 80 .

Suppose the following estimates are made: 6/6/2008 81 .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.

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 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 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 No decision is made One of many possible outcomes will occur Th ibl t d b h ti f h f th The possible outcomes drawn as branches emanating fro m each of the chance nodes 6/6/2008 85 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 Th ibl t d b h ti f h f th The possible outcomes drawn as branches emanating fro m each of the chance nodes 6/6/2008 85 .

Creating the Decision Tree If h f h i i If there are The cost consequence for the branch Creating the Decision Tree If h f h i i If there are The cost consequence for the branch The ends of the branches 6/6/2008 86 ModelCreating the Decision Tree Model no further situations each outcome is indicated at the end of ModelCreating the Decision Tree Model no further situations each outcome is indicated at the end of are known as Consequence Nodes .

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

W k h ll l b h i COST dW k h ll l b h i COST d W is taken as the smaller value because the consequence is COST and smaller cost would lead to a larger profit (Bayes Strategy) If consequence considered was profit then the larger value will be taken 6/6/2008 88

Example: Computer cards problemExample: Computer cards problem P i 20 d f 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 OkAcceptance policy: Both inspectors must mark Ok 6/6/2008 89 Example: 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 OkAcceptance policy: Both inspectors must mark Ok 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 + 0.846 Defective cards reaching customers P(Bad classified as Good) = 0.018 = 0.018 + 0.002 6/6/2008 91 .162 + 0.

6/6/2008 92 6/6/2008 92 .

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

l f f iValue 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 iConsider 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 Market" for the product If there is No Market for the product High Investment:Loss $ 60 m Low Investment: Loss $ 4 m Do nothing: Loss 0 -Best Option 6/6/2008 95 id l i iConsider 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 Market" for the product If there is No Market 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 .

Accuracy of MC s prediction: survey. Continued from the previous example. MC. decision-maker D hires Management Consultant firm MC to carry out marketManagement Consultant firm. to carry out market 85% accurate 15% inaccurate Wh h l f i f i f i ? What s the value of imperfect information? 6/6/2008 98 . Accuracy of MC s prediction: Value of Imperfect InformationValue of Imperfect Information f i f i i h d b Perfect information is hard to come by.survey.

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

4 m EV without information : $ 68 m Value of imperfect information = $ 62 4 m $68m= $56m Value of imperfect information = $ 62.6 => No need to hire MC.4 m -$ 68 m = -$ 5.ih i f i f i $ih i f i f i $ EV with imperfect information : $ 62. 6/6/2008 100 .

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

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 .

Hanya criteria ini sangat tergantung pada perkiraan probabilita yang akurat. atau denggan kata lain informasi yang didapat pengambil keputusan dapat mengubah suasana risk menjadi certainty (membeli tambahan informasi untuk membantu pembuat keputusan). karena EOL mengukur selisih EV terbaik keputusan dalam suasana risk dan certainty. Expected Value (Nilai Ekspektasi) Teknik yang digunakan: b. 6/6/2008 103 . Expected Opportunity Loss ( EOL ) Untuk meminimumkan kerugian yang disebabkan karena pemilihan alternatif kepputusan tertentu. sehingga cukup salah satu yang dipakai. dan ini bukan suatu kebetulan karena kedua metode ini selalu memberikan hasil yang sama. Kepputusan yygang direkomendasikan criteria expected value dan expected opportunity loss adalah sama. c. Expected Value of Perfect Information (EVPI) Meruppakan pperluasan dari criteria EV dan EOL. EVPI sama dengan EOL minimum (terbaik). Expected Value (Nilai Ekspektasi) Teknik yang digunakan: Teknik yang digunakan: a.Teknik yang digunakan: a. tergantung tujuannya.

Kriteria Utility dalam suasana risk EV max / EOL min tidak selalu digunakan Expected Value of Sample Information (EVSI) Merupakan harapan yang diinginkan dengan tambahan informasi untuk dapat mengubah /memperbaiki keputusan. Orang lebih memilih terhindar dari musibah potensial daripada mewujudkan keuntungan dalam jangka panjang 2. dengan menggunakan teori Bayes. hal ini terjadi karena: 1. dengan menggunakan teori Bayes. e. y g sebagai pedoman dalam mengambil keputusan. Orang lebih memilih mendapatkan/memperoleh rejeki nomplok daripada mempertahankan sedikit yang dimiliki 6/6/2008 104 . Kriteria Utility dalam suasana risk EV max / EOL min tidak selalu digunakan Teknik yang digunakan: d Expected Value of Sample Information (EVSI) Teknik yang digunakan: d.Expected Value of Sample Information (EVSI) Merupakan harapan yang diinginkan dengan tambahan informasi untuk dapat mengubah /memperbaiki keputusan. e.

Untuk lebih jelasnya.PERSOALAN INVENTORI SEDERHANA DALAM KEADAAN ADA RISIKO Kriteria nilai harapan (expected value) yang telah digunakan diPERSOALAN INVENTO RI SEDERHANA DALAM KEADAAN ADA RISIKO Kriteria nilai harapan (expected value) yang telah digunakan di Kriteria nilai harapan (expected value) yang telah digunakan di atas juga diterapkan untuk memecahkan persoalan inventori sederhana. perhatikan contoh soal berikut: 6/6/2008 105 .

tanggap dan bertujuan memenangkan persaingan/kompetisi. yang rasional.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. 6/6/2008 106 .

Two-persons games b. Asumsi dalam game theory:6. Fokus pembahasan: 5. Berdasarkan Jumlah Pay off: a. Cooperative games b.Pengelompokan Game Theory: 1. Two-persons. Fokus pembahasan: 5. Setiap pemain mengetahui dengan tepat pay off setiap kemungkinan kombinasi strategi yang tersedia. Two-persons games b. Berdasarkan Strategi yang dipilih: a. Setiap pemain mengetahui dengan tepat pay off setiap kemungkinan kombinasi strategi yang tersedia. zero and constan sum games 6. Cooperative games b. Asumsi dalam game theory: a. Non cooperative games 4. berdasarkan Jumlah Pemain: Pengelompokan Game Theory: a. 6/6/2008 107 Pengelompokan Game Theory: 1. Zero and constan sum games b. Berdasarkan Jumlah Pay off:2. Berdasarkan Jumlah Pay off: a. Asumsi dalam game theory: a. berdasarkan Jumlah Pemain: Pengelompokan Game Theory: a. N-persons games 2. Berdasarkan Jumlah Pay off:2. Asumsi dalam game theory:6. Non cooperative games 4. Non zero and non constan sum games 3 Bd k St t i di ilih3. zero and constan sum games 6. Zero and constan sum games b. Berdasarkan Strategi yang dipilih: a. Non zero and non constan sum games 3 Bd k St t i di ilih3. 6/6/2008 107 . Two-persons. N-persons games 2.

Bila setiap pemain tidak berkeinginan merubah satu strategi yang telah dipilih. Peranan Dominasi Suatu strategi dikatakan mendominasi apabila selalu menghasilkan pay off lebih tinggi dibandingkan dengan strategi yang lain. maka games itu merupakan pure strategy 2. 6/6/2008 108 . Konsep dominasi berguna untuk matriks pay off ukuran besar. Aturan dominasi dapat diterapkan untuk mengurangi ukuran matriks sebelum analisis terakhir untuk menentukan solusi optimum. Strategi yang didominasi dappat dibuang dari matriks pay off karena ppemain tidak g py pernah memilihnya. Prinsip Maximin dan Minimax Caranya: Caranya: 1.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.

Pendekatan EOL M k il i i c. Menentukan nilai permainan 6/6/2008 109 .Caranya:Caranya: Caranya:Caranya: id3. Mixed Strategy Menentukan probabilitas (kemungkinan) strategi yang ada yang digunakan dalam pertarunngan (kalau tidak ada pure yang digunakan dalam pertarunngan (kalau tidak ada pure strategy/tidak ada saddle point ) Caranya: a. Pendekatan EV / EG (expected Gain) b.

Probabilita berlaku bagi setiap siapa saja dalam system 3. Probabilita baris berjumlah sama dengan 0 2. tetapi 1.merupakan teknik deskriptif yang menghasilkan informasi probabilita. tetapikata lain bahwa analisis markov bukan merupakan teknik optimasi. Probabilita konstan sepanjang waktu 4. Probabilita konstan sepanjang waktu 3. tetapi keputusan . dengan kata lain bahwa analisis markov bukan merupakan teknik optimasi. tetapi memberikan informasi probabilita situasi keputusan yang dapat membantu pengambil keputusan untuk membuat keputusannya. Asumsi: 1 b bili bi bj l h d 0 ANALISIS MARKOV Analisis ini tidakmemberikankeputusanrekomendasi. Asumsi: 1 b bili bi bj l h d 0 merupakan teknik deskriptif yang menghasilkan informasi probabilita. Merupakan kejadian-kejadian yang berdiri sendiri (independen) 6/6/2008 110 .

Sign up to vote on this title
UsefulNot useful