Bahan Ajar PTK Boptn

Pengantar Teori Keputusan
Gunardi
ii
DAFTAR ISI
1 Konsep Dasar 1
1.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Elemen Dasar Teori Keputusan . . . . . . . . . . . . . . . . . 3
1.3 Nilai Harapan kerugian, Aturan Keputusan dan Fungsi Risiko 6
1.3.1 Nilai harapan kerugian Bayes . . . . . . . . . . . . . . 7
1.3.2 Resiko frekuentis . . . . . . . . . . . . . . . . . . . . . 12
1.4 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Prinsip Keputusan 19
2.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Aturan Keputusan random . . . . . . . . . . . . . . . . . . . . 19
2.3 Prinsip Keputusan bersyarat Bayes . . . . . . . . . . . . . . . 22
2.4 Prinsip keputusan frekuentis . . . . . . . . . . . . . . . . . . . 23
2.4.1 Prinsip Resiko Bayes . . . . . . . . . . . . . . . . . . . 23
2.4.2 Prinsip Keputusan Minimaks . . . . . . . . . . . . . . 24
2.4.3 Prinsip Invarian . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Penyalahgunaan Prosedur Inferensi Klasik . . . . . . . . . . . 25
2.6 Perspektif bersyarat . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Utilitas dan Kerugian 37

3.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
iii
iv DAFTAR ISI
3.2 Teori Utilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3 Utilitas uang . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4 Fungsi kerugian . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.1 Fungsi kerugian dan teori Utilitas . . . . . . . . . . . . 45
3.4.2 Fungsi kerugian standar tertentu . . . . . . . . . . . . 45
3.5 Masalah Inferensi . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4 Informasi prior dan Fungsi densitas prior 53

4.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Fungsi densitas prior . . . . . . . . . . . . . . . . . . . . . . . 53
4.2.1 Pendekatan Subyektif . . . . . . . . . . . . . . . . . . . 53
4.3 Prior Noninformatif . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3.1 Prior Noninformatif untuk parameter lokasi dan skala . 55
4.3.2 Prior Noninformatif secara umum . . . . . . . . . . . . 57
4.4 Penentuan distribusi Prior dengan distribusi marginal . . . . . 58
4.4.1 Distribusi marginal . . . . . . . . . . . . . . . . . . . . 58
4.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5 Teori keputusan bayesian 63

5.1 Pendahuluan . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2 Distribusi posterior . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 Inferensi Bayesian . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3.1 Estimasi . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.3.2 Kesalahan estimasi . . . . . . . . . . . . . . . . . . . . 70
5.4 Analisis keputusan posterior . . . . . . . . . . . . . . . . . . . 71
5.5 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Bibliography 75
BAB 1
Konsep Dasar
1.1 Pendahuluan
Teori Keputusan berasal dari teori kemungkinan yang merupakan konsekuensi
dari beberapa keputusan yang telah dievaluasi. Teori Keputusan ada 2 yaitu
keputusan berdasarkan logika dan keputusan berdasarkan statistik yaitu hasil
pengamatan, percobaan. Ada beberapa kondisi saat mengambil keputusan
yaitu kondisi pasti, kondisi tidak pasti dan kondisi beresiko.
Unsur-unsur pengambil keputusan untuk ketiga kondisi tersebut yaitu
(available alternatives) dimana pengambil kesimpulan dihadapkan pada be-
berapa alternatif pilihan, state of nature yaitu unsur-unsur yang berada di
luar kekuasaan pengambil keputusan, payoff (hasil) yang merupakan kombi-
nasi dari unsur alternatif yang tersedia dan state of nature.
Keputusan adalah reaksi terhadap beberapa solusi alternatif yang di-
lakukan secara sadar dengan cara menganalisa kemungkinan - kemungkinan
dari alternatif tersebut bersama konsekuensinya. Hakikat keputusan adalah
menyelenggarakan suatu aktivitas mengumpulkan atau memperbandingkan
dua buah konsep. Dua konsep yang berada di dalam pikiran kita tadi, yang
satu mewakili unsur yang akan ditentukan, sedangkan yang lain mewakili un-
sur formal, yakni unsur penentuan. Proses ini bermaksud untuk menangkap
hubungan yang ada dan hendak menentukan hubungan antara dua konsep
tadi. Apabila kemudian kita menyatukan konsep-konsep tersebut dimana
kita mengakui atau menolak hubungan yang ada, ini disebut kegiatan memu-
1
2 Konsep Dasar
tuskan.
Teori keputusan dihubungkan dengan masalah dari pembuatan keputu-
san. Teori keputusan berdasarkan statistika dihubungkan dengan pembuatan
keputusan berdasarkan ilmu statistika Dalam teori keputusan, sebuah per-
cobaan dibuat untuk mengkombinasikan informasi sampel dengan aspek lain
yang relevan dari masalah untuk membuat keputusan yang paling baik. Sim-
bol disebut dengan the state of nature atau parameter atau reaksi. Dalam
pembuatan keputusan sangat jelas dan penting untuk mempertimbangkan
reaksi yang mungkin muncul akibat pembuatan keputusan tersebut.
Teori keputusan adalah teori yang berkaitan dengan masalah pembuatan
keputusan. Teori keputusan statistik berkaitan dengan pembuatan keputu-
san berdasarkan pengetahuan statistik yang melibatkan beberapa ketidak-
pastian dalam masalah keputusan. Ketidakpastian ini dapat dianggap diny-
takan sebagai suatu kuantitas yang tidak diketahui, yang disimbolkan dengan
.
Contoh 1.1 (Obat)

Sebuah perusahaan obat memutuskan apakah akan memasarkan obat penghi-
lang rasa sakit baru atau tidak. Dua dari banyak faktor mempengaruhi kepu-
tusannya adalah proporsi orang yang menyatakan obat akan terbukti efektif
(1 ), dan proporsi pasar akan menerima obat tersebut (2 ). Kedua parame-
ter 1 dan 2 umumnya tidak diketahui, meskipun biasanya percobaan dapat
dilakukan untuk mendapatkan informasi statistik tentang parameter tersebut.
Masalah ini adalah salah satu teori keputusan yang tujuan utamanya adalah
untuk memutuskan apakah perusahaan akan memasarkan obat baru tersebut
atau tidak, berapa banyak yang akan dipasarkan, berapa harganya, dll
Statistik klasik diarahkan pada penggunaan informasi sampel (data yang

diperoleh dari penyelidikan statistik) dalam membuat kesimpulan tentang
. Kesimpulan klasik ini sebagian besar dibuat tanpa memperhatikan peng-
gunaan informasi lan yang semestinya dibutuhkan. Dalam teori keputusan
dilakukan usaha untuk menggabungkan informasi sampel dengan aspek yang
relevan untuk membuat keputusan terbaik.
Contoh 1.2 (Pengiriman trasistor)

Sebuah pengiriman transistor kepada suatu perusahaan radio. Keputusan
Elemen Dasar Teori Keputusan 3
untuk menerima atau menolak kiriman tersebut dengan melakukan pemerik-

saan pada sampel, karena jika dilakukan untuk semua trasistor yang dikirim
sangat sulit atau mahal. Sebuah sampel random dari n transistor dipilih
dari pengiriman dan diuji. Dengan berdasarkan X adalah banyaknya tran-
sistor yang cacat pada sampel, maka pengiriman akan diterima atau ditolak.
Dengan demikian ada dua kemungkinan aksi(keputusan) yaitu a1 menerima
pengiriman dan a2 menolak pengiriman
1.2 Elemen Dasar Teori Keputusan

Suatu kuantitas tidak diketahui yang mempengaruhi proses keputusan dise-
but keadaan alamiah (state of nature). Dalam pembuatan keputusan, hal
penting yang harus dilakukan adalah mempertimbangkan semua keadaan
yang mungkin dari keadaan alam. Simbol digunakan untuk menunjukkan
himpunan semua kemungkinan keadaan alam. Biasanya, ketika percobaan
dilakukan untuk memperoleh informasi tentang , percobaan dirancang se-
hingga pengamatan didistribusikan menurut probabilitas dengan distribusi
yang memiliki sebagai parameter yang tidak diketahui. Dalam situasi
seperti ini akan disebut parameter dan ruang parameter.
Keputusan sering disebut tindakan atau aksi yang dinotasikan dengan a,
sedangkan himpunan semua tindakan yang mungkin di bawah pertimbangan
akan dinotasikan dengan A. Kunci utama dalam teori keputusan dalah fungsi
kerugian. Jika suatu aksi a1 dilakukan dan terjadi 1 dari keadaan alam
yang sebenarnya maka fungsi kerugian dari keputusan tersebut dinotasikan
L(1 , a1 ) yang didefinisikan untuk semua (, a)XA.
Selanjutnya akan dijelaskan tentang fungsi kerugian yang biasanya akan
ada dalam masalah keputusan dan menunjukkan bagaimana fungsi kerugian
dapat ditentukan.
Pengujian statistik dilakukan untuk memperoleh informasi tentang pa-
rameter yang tidak diketahui, informasi yang diperoleh dinyatakan sebagai
variabel random yang dilambangkan dengan X. Seringkali X merupakan
vektor, seperti X = (X1 , X2 , . . . , Xn ). Sebuah realisasi tertentu dari X akan
dilambangkan x. Hasil yang mungkin dari itu adalah ruang sampel, dan akan
dilambangkan dengan X .
4 Konsep Dasar
Distribusi probabilitas dari X tergantung pada parameter tidak diketahui

. Misalkan P (A) atau P (X A) menyatakan probabilitas ketika terjadi
A(A X ), ketika pada keadaan sebenarnya. Variabel random X mem-
punyai fungsi densitas f (x/). Jika X kontinu maka
Z
P (A) = f (x/)dx, (1.1)
A
sedangkan Jika X diskrit maka
X
P (A) = f (x/). (1.2)
xA
Harga harapan atas X dari fungsi h(X) untuk parameter dideinisikan

sebagai
( R
X
h(x)f (x/)dx, Kontinu
E [h(X)] = P
xX h(x)f (x/)), Diskrit
Informasi selanjutnya yang dibahas dalam pendahuluan itu mengenai .

Sebuah cara yang berguna untuk berbicara tentang informasi sebelumnya
adalah dalam hal distribusi probabilitas pada . (Informasi sebelumnya ten-
tang jarang sangat tepat. Oleh karena itu, tidak tepat untuk menyatakan
kebenaran sebelumnya. Dalam probabilitas nilai yang mungkin benar adalah
). Simbol () akan digunakan untuk menyatakan densitas prior (baik un-
tuk kasus kontinu atau diskrit). Jadi jika A ,
Z ( R
A
()d, Kontinu
P ( A) = f (x/)d = P
A A (), Diskrit
Contoh 1.3 (Lanjutan obat)

Dalam contoh 1.1 tentang sebuah perusahaan obat memutuskan apakah akan
memasarkan penghilang rasa sakit baru atau tidak. Salah satu dari banyak
faktor mempengaruhi keputusannya adalah proporsi pasar akan menerima
obat tersebut (2 ), parameter 2 tidak diketahui, karena 2 adalah proporsi
Elemen Dasar Teori Keputusan 5
maka = {2 ; 0 2 1} = [0, 1]. Biasanya percobaan dapat dilakukan

untuk mendapatkan informasi statistik tentang parameter tersebut. Masalah
ini adalah salah satu masalah teori keputusan dengan tujuan untuk menges-
timasi parameter (2 ) yang tidak diketahui. Aksi atau tindakan a yang akan
dilakukan adalah menentukan proporsi konsumen yang memilih obat terse-
but, sehingga aA = [0, 1]. Perusahaan menentukan fungsi kerugian sebagai
berikut
(
2 a, jika a 0
L(2 , a) =
2(a 2 ), jika a < 0
Fungsi kerugian diatas menunjukkan bahwa kelebihan produksi merugika n

perusahaan 2 kali lipat dibandingkan kekurangan produksi.
Sebuah percobaan yang dapat dilakukan untuk mendapatkan informasi
sampel tentang 2 dengan melakukan survei sampel. Sebagai contoh, diasum-
sikan n orang diwawancarai, dan X jumlah orang yang akan membeli obat
dari orang yang diwawancarai. Sesuatu yang rasional untuk mengasumsikan
X berdistribusi b(n, 2 ) dengan fungsi densitas
f (x|2 ) = nCx2x (1 2 )nx (1.3)
Disamping informasi sampel, perlu juga dipertimbangkan informasi se-

belumnya ( prior information) yang cukup tentang 2 , yang diperoleh dari
dari perkenalan sebelumnya obat serupa baru ke pasar. Katakanlah bahwa di
masa lalu, obat baru cenderung untuk diterima pasar antara 1/10 dan 1/5
dengan peluang yang sama. Informasi prior ini dapat dimodelkan dengan
distribusi uniform U (0.1, 0.2) dengan fungsi densitas
(2 ) = 10I(0.1,0.2) (2 ) (1.4)
Penentuan L, f, dan dilakukan secara sederhana, teknik yang lebih baik

akan disajikan di bab berikutnya untuk mendapat keputusan yang lebih baik.
Contoh 1.4 (Lanjutan pengiriman transistor)

Berdasarkan contoh 1.2, sebuah perusahaan radio menerima pengiriman tran-
sistor. Untuk membuat keputusan tentang penerimaan pengiriman tersebut
dilakukan pengecakan secara sampling supaya biaya lebih murah dibandingkan
6 Konsep Dasar
jika melakukan pengecekan setiap transistor yang dikirim. Sebuah sampel

random n transistor dipilih dari pengiriman dan diuji. Dengan berdasarkan
X adalah banyaknya transistor yang cacat pada sampel, maka pengiriman
akan diterima atau ditolak. Dengan demikian ada dua kemungkinan aksi
yaitu
1. a1 menerima pengiriman
2. a2 menolak pengiriman
Jika n kecil dibandingkan dengan ukuran pengiriman, maka X dapat diasum-
sikan berdistribusi B(n, ), di mana adalah proporsi transistor yang cacat
di dalam pengiriman tersebut.
Perusahaan menentukan fungsi kerugian sebagai berikut
(
10, jika aksi a1 dilakukan
L(, a) =
Ketika aksi a2 dilakukan (pengiriman ditolak), kerugiannya bernilai 1,

yang mencerminkan biaya akibat ketidaknyamanan, penundaan, dan pengu-
jian dari pengiriman pengganti. Ketika aksi a2 dilakukan (pengiriman diter-
ima), kerugian dinilai sebanding dengan , karena mencerminkan proporsi
radio cacat yang diproduksi. Angka 10 menyatakan biaya relatif yang terlibat
dalam dua jenis kesalahan.
Perusahaan radio pada masa lalu banyak menerima pengiriman transis-
tor lain dari perusahaan pemasok yang sama. Oleh karena itu, mereka mem-
punyai simpanan data yang besar tentang nilai pada pengiriman yang dulu.
Penyelidikan statistik pada data yang dulu menunjukkan bahwa berdistribusi
Be(0.05, 1) dengan fungsi densitas sebagai berikut
(2 ) = (0.05)0.95 I[0,1] () (1.5)
1.3 Nilai Harapan kerugian, Aturan Keputu-

san dan Fungsi Risiko
Suatu proses pembuatan keputusan melibatkan ketidak pastian sehingga
fungsi kerugian L(, a) juga tidak pasti. Metode sederhana yang sering di-
Nilai Harapan kerugian, Aturan Keputusan dan Fungsi Risiko 7
gunakan dengan cara menentukan nilai harapan dari L(, a). Selanjutnya
menentukan aksi optimal yang meminimukan nilai harapan fungsi kerugian.
Suatu cara alami menghadapi ketidakpastian adalah mempertimbangkan
nilai harapan dari kerugian dalam pengambilan keputusan, dan kemudian
memilih keputusan optimal sehubungan dengan nilai harapan kerugian.
Karena parameter tidak diketahui dapat dianggap sebagai kuantitas ran-
dom dengan distribusi peluang. Berikut ini definisi dari nilai harapan fungsi
kerugian terhadap distribusi peluang tersebut.
Ekspekstasi kerugian (Expected Loss) Dari sudut pandang intuitif, ek-
spektasi kerugian yang akan dialami yang perlu dipertimbangkan adalah
dengan melibatkan ketidakpastian dalam Q, karena Q adalah semua hal
yang tidak diketahui pada saat membuat keputusan. Selanjutnya kita akan
menyebut Q sebagai kuantitas acak dengan mempertimbangkan ekspektasi
kerugian sehubungan dengan distribusi probabilitas yang sebenarnya.
Aturan membuat keputusan (Decision Rules) yaitu suatu aturan yang
harus dipenuhi dalam pengambilan keputusan suatu masalah dengan mem-
pertimbangkan berbagai hal yang terkait.
Resiko (Risk ) yaitu konsekuensi yang harus diterima terkait dengan kepu-
tusan yang diambil. Dimana, resiko itu sendiri dapat digunakan sebagai tolak
ukur dari berbagai pilihan keputusan.
Frekuensi resiko (Frequentist Risk ) Jumlah frekuensi dari sebuah resiko
yang dapat digunakan sebagai bahan pertimbangan dalam pengambilan se-
buah keputusan. Semakin sering frekuensi resiko itu terjadi, ini memperli-
hatkan bahwa keputusan yang diambil harus dipertimbangkan kembali.
1.3.1 Nilai harapan kerugian Bayes

Dari sudut pandang intuitif, yang paling dasar dalam penghitungan ni-
lai harapan kerugian yaitu mempertimbangkan ketidakpastian yang tidak
diketahui nilainya pada saat pembuatan keputusan. Telah disebutkan bahwa
memungkingkan untuk menganggap sebagai kuantitas acak (random) den-
gan distribusi probabilitas dan mempertimbangkan taksiran kerugian se-
hubungan dengan distribusi probabilitas ini.
Definisi 1.1 Jika () adalah distribusi peluang dari pada saat membuat
8 Konsep Dasar
keputusan maka nilai harapan kerugian Bayes untuk aksi a adalah
(, a) = E [L(, a)] (1.6)
Contoh 1.5 (Lanjutan obat)

Kembali kecontoh 1.1 dengan asumsi tanpa data maka
(2 , a) = E [L(2 , a)]
Z 1
= L(2 , a)(2 )d2
0
Z a
= 2(a 2 )10I(0.1,0.2) (2 )d2
0
Z 1
+ (2 a)10I(0.1,0.2) (2 )d2 (1.7)
a
Kita lihat untuk tiga kemungkinan harga a, yaitu

1. JIka a 0.1 maka
(2 , a) = E [L(2 , a)]
Z 1
= L(2 , a)(2 )d2
0
Z a
= 2(a 2 )10I(0.1,0.2) (2 )d2
0
Z 0.1
+ (2 a)10I(0.1,0.2) (2 )d2
a
Z 0.2
+ (2 a)10I(0.1,0.2) (2 )d2
0.1
Z 1
+ (2 a)10I(0.1,0.2) (2 )d2
Z0.2a
= 2(a 2 )10(0)d2
0
Z 0.1
+ (2 a)10(0)d2
a
Z 0.2
+ (2 a)10(1)d2
0.1
Z 1
+ (2 a)10(0)d2
0.2
Z 0.2
= 0+0+ (2 a)10d2 + 0
0.1
= [522 0.2
10a2 ]0.1
= 5(0.2)2 10a(0.2) (5(0.1) 10a(0.1))
= 0.2 2a 0.05 + a
= 0.15 a (1.8)
10 Konsep Dasar
2. JIka 0.1 a 0.2 maka
(2 , a) = E [L(2 , a)]
Z 1
= L(2 , a)(2 )d2
0
Z 0.1
= 2(a 2 )10I(0.1,0.2) (2 )d2
0
Z a
+ 2(a 2 )10I(0.1,0.2) (2 )d2
0.1
Z 0.2
+ (2 a)10I(0.1,0.2) (2 )d2
a
Z 1
+ (2 a)10I(0.1,0.2) (2 )d2
0.2
Z 0.1
= 2(a 2 )10(0)d2
0
Z a
+ 2(a 2 )10(1)d2
0.1
Z 0.2
+ (2 a)10(1)d2
a
Z 1
+ (2 a)10(0)d2
0.2
Z a
= 0+ 2(a 2 )10d2
0.1
Z 0.2
+ (2 a)10d2 + 0
a
Z a Z 0.2
= (20a 102 )d2 + (102 10a)d2
0.1 a
= [20a2 10a22 ]a0.1 + [522 10a2 ]0.2
a
= 20a 10a (20a(0.1) 10(0.1)2 )
2 2
+ 5(0.2)2 10a(0.2) (5a2 10a2 )

= 20a2 10a2 5a2 + 10a2 2a 2a + 0.1 + 0.2
= 15a2 4a + 0.3 (1.9)
3. JIka a 0.2 maka

(2 , a) = E [L(2 , a)]
Z 1
= L(2 , a)(2 )d2
0
Z 0.1
= 2(a 2 )10I(0.1,0.2) (2 )d2
0
Z 0.2
+ 2(a 2 )10I(0.1,0.2) (2 )d2
0.1
Z a
+ 2(a 2 )10I(0.1,0.2) (2 )d2
0.2
Z 1
+ (2 a)10I(0.1,0.2) (2 )d2
a
Z 0.1
= 2(a 2 )10(0)d2
0
Z 0.2
+ 2(a 2 )10I(0.1,0.2) (2 )d2
Z0.1a
+ 2(a 2 )10(0)d2
0.2
Z 1
+ (2 a)10(0)d2
a
Z 0.2
= 0+ 2(a 2 )10d2 + 0 + 0
0.1
= [20a2 1022 ]0.2
0.1
= 20a(0.2) 10(0.2)2 (20a(0.1) 10(0.1)2 )
= 4a 0.4 2a + 0.1
= 2a 0.3 (1.10)
sehingga diperoleh

0.15 a
jika a 0.1,
2
(2 , a) = 15a 4a + 0.3 jika 0.1 a 0.2, (1.11)

2a 0.3 jika a 0.2

12 Konsep Dasar
1.3.2 Resiko frekuentis

Dalam teori keputusan non-Bayesian yang sering disebut frekuentis atau teori
klasik, nilai harpan kerugian diperoleh berdasarkan rata-rata dari bilangan
random X. Dalam subbab ini, pertama didefinisikan nilai harapan kerugian
klasik (fungsi resiko) yang akan digunakan untuk mendefinisikan aturan kepu-
tusan (atau prosedur keputusan).
Definisi 1.2 Aturan keputusan (x) adalah suatu fungsi dari X ke A. Jika
X = x adalah nilai pengamatan dari informasi sampel maka (x) adalah aksi
yang diambil.
Contoh 1.6 Kembali kecontoh 1.1, aturan keputusan yang biasa digunakan
adalah (x) = x/n untuk menduga 2 . Aturan yang biasa digunakan untuk
masalah ini adalah
(
x
a1 jika n
0, 05
(x) = x
a2 jika n
> 0, 05
Definisi 1.3 Fungsi Risiko dari aturan keputusan (x) didefinisikan sebagai
Jika () adalah distribusi peluang dari pada waktu membuat keputusan
maka nilai harapan kerugian Bayes aksi a adalah
R(, ) = EX [L(, (X))] (1.12)
Aturan keputusan dibandingkan berdasarkan fungsi risiko, semakin kecil nilai

R(, ) keputusan semakin baik.
Definisi 1.4 Aturan keputusan 1 adalah R-better dari aturan keputusan 2

jika R(, 1 ) R(, 2 ) untuk semua . Aturan keputusan 1 adalah R-
equivalent dari aturan keputusan 2 jika R(, 1 ) = R(, 2 ) untuk semua
.
Definisi 1.5 Aturan keputusan adalah admissible jika tidak ada aturan
keputusan R-better. Aturan keputusan adalah inadmissible jika ada aturan
keputusan R-better.
a1 a2 a3
1 1 3 4
2 -1 5 5
3 0 -1 -1
Table 1.1: Fungsi kerugian
Contoh 1.7 (Normal)

Diketahui X berdistribusi normal N (, 1), untuk mengestimasi menggu-
nakan fungsi kerugian L(, a) = ( a)2 . Misalkan aturan keputusan c (x) =
cx maka
R(, c ) = EX [L(, c (X))]

= EX ( cX)2
= EX (c( X) + (1 c))2
= EX (c2 ( X)2 + 2c(1 c)( X) + (1 c)2 2 )
= c2 EX ( X)2 + 2c(1 c)EX ( X) + (1 c)2 2 )
= c2 + (1 c)2 2 (1.13)
Karena untuk c > 1
R(, 1 ) = 1 < c2 + (1 c)2 2 = R(, c ) (1.14)
maka 1 adalah R-better dari pada c untuk c > 1. Jadi aturan keputusan c
adalah inadmissible untuk c > 1
Contoh 1.8 Tabel 1.1 berikut ini adalah matriks kerugian masalah tanpa
data
Karena masalah tanpa data maka R(, a) = L(, a). Aturan (aksi) a2
adalah R-lebih baik daripada a3 karena L(i , a2 ) L(i , a3 ) untuk semua i .
oOleh karena itu, a3 inadmisibel. Aksi a1 dan a2 tidak dapat dibandingkan,
L(i , a1 ) < L(i , a2 ) untuk 1 dan 2 dan L(3 , a1 ) > L(3 , a2 ) untuk 3 .
Dengan demikian a1 dan a2 admisibel.
14 Konsep Dasar
Dalam buku ini kita hanya akan mempertimbangkan aturan keputusan den-
gan risiko terbatas. Lebih formal, kita akan mengasumsikan aturan keputu-
san (secara acak) yang dijadikan pertimbangan di kelas berikut ini
D={semua aturan keputusan :R(, ) < untuk semua }.
Salah satu ekspektasi kerugian lain yang relevan untuk dipertimbangkan
adalah ekspektasi kerugian yang merupakan ekspektasi atas dan X yang
dikenal sebagai resiko Bayes.
Definisi 1.6 Resiko Bayes dari aturan keputusan dengan distribusi prior
dalam didefinisikan sebagai
r(, 1 ) = E [R(, )] (1.15)
Contoh 1.9 (Lanjutan Normal)

Berdasarkan contoh 5.1, diketahui X berdistribusi normal N (, 1), untuk
mengestimasi menggunakan fungsi kerugian L(, a) = ( a)2 . Misalkan
aturan keputusan c (x) = cx dan distribusi prior () adalah N (0, 2 ) maka
Risiko bayes dari c
r(, c ) = E [R(, c )]
= E [c2 + (1 c)2 2 ]
= c2 + (1 c)2 E [2 ]
= c2 + (1 c)2 2 (1.16)
1.4 Latihan
1. Suatu perusahaan asuransi akan membuat 3 pilihan keputusan, yaitu
a1 : menaikkan tingkat penjualan polis sebesar 10 persen, a2 : mem-
pertahan tingat penjualan polis seperti sekarang, dan a3 : menurunkan
tingkat penjualan polis sebesar 10 persen. Hal ini tergantung 3 keadaan
situasi ekonomi, yaitu 1 : keadaan ekonomi bagus, 2 : keadaan ekonomi
sedang, dan 3 : keadaan ekonomi buruk, perusahaan akan mengalami
kerugian sejumlah uang untuk setiap kasus disajikan dalam tale 1.2
sebagai berikut:
Tentukan
a. Nilai harapan kerugian Bayes (, a) jika perusahaan percaya bahwa
Latihan 15
a1 a2 a3
1 -10 -5 -3
2 -5 -5 -2
3 1 0 -1
berdistribusi (1 ) = 0.2, (2 ) = 0.3, dan (3 ) = 0.5

b. Tentukan aksi admisibel atau inadmisibel
2. Seorang investor harus memutuskan untuk membeli obligasi ZZZ yang

cukup beresiko ataukah tidak. Jika investor tersebut membelinya, obli-
gasi dapat ditebus pada saat jatuh tempo dengan keuntungan bersih
sebesar 5 juta rupiah. Namun, jika terjadi gagal bayar (default) pada
obligasi, maka investasi 10 juta rupiah akan hilang. Apabila investor
menempatkan uangnya dalam investasi aman, ia akan dijamin keun-
tungan bersih sebesar 3 juta rupiah selama periode waktu yang sama.
Investor memperkirakan probabilitas gagal bayar (default) sekitar 0, 1.
Tentukan fungsi kerugian untuk masalah tersebut!
3. Misalkan X berdistribusi Poisson(), = (0, ) dan A = (0, ).

Diketahui fungsi kerugian adalah L(, a) = ( a)2 . Diasumsikan
densitas prior adalah () = e , untuk aturan keputusan (x) = cx,
tentukan
a. Nilai harapan kerugian Bayes (, a)
b. Fungsi kerugian R(, c )
c. tunjukkan bahwa c inadmisibel jika c > 1!
d. Fugsi resiko Bayes r(, c )
4. Pemilik toko pakaian harus memesan pakaian seragam untuk tahun

ajaran baru mendatang. Pesanan harus dalam paket yang berisi 25
pasang pakaian seragam. Jika pesan satu paket harga per pasang 90
ribu rupiah, jika 2 paket harganya 80 ribu rupiah, jika 3 paket har-
ganya 70 ribu rupiah dan jika 4 paket harganya 60 ribu rupiah. Sepa-
sang pakain seragam akan dijual dengan harga 100 ribu rupiah. Setiap
pakaian yang tersisa akan dijual dengan harga 30 rupiah per pasang.
Jika toko kehabisan persediaan pakaian seragam akan membuat kecewa
16 Konsep Dasar
para pelanggan, pemilik toko menaksir kerugian sebesar 10 ribu rupiah

per pelanggan. Pemilik toko mempunyai dugaan bahwa permintaan
pakain seragam pada tahun ajaran baru adalah 30, 40, 50, 60 atau 70
pasang pakain seragam, dengan probabilitas 0.2, , 0.35, 0.2, 0.15 dan 0.1,
secara berturut-turut.
a) Tentukan A, , matriks kerugian, dan distribusi prior
b) Tentukan risiko Bayes
5. Sebuah pengiriman transistor kepada suatu perusahaan radio. Keputu-

san untuk menerima atau menolak kiriman tersebut dengan melakukan
pemeriksaan pada sampel, karena jika dilakukan untuk semua trasis-
tor yang dikirim sangat sulit atau mahal. Sebuah sampel random dari
n transistor dipilih dari pengiriman dan diuji. Dengan berdasarkan X
adalah banyaknya transistor yang cacat pada sampel, maka pengiriman
akan diterima atau ditolak. Dengan demikian ada dua kemungkinan
aksi(keputusan) yaitu a1 menerima pengiriman dan a2 menolak pengi-
riman.
(
L(, a) =

tor lain dari perusahaan pemasok yang sama. Oleh karena itu, mereka
mempunyai simpanan data yang besar tentang nilai pada pengir-
iman yang dulu. Penyelidikan statistik pada data yang dulu menun-
jukkan bahwa berdistribusi Be(0.05, 1) dengan fungsi densitas sebagai
berikut
() = (0.05)0.95 I[0,1] () (1.17)
Tentukan
a. Fungsi Resiko
b. Nilai harapan kerugian Bayes (, a)
Latihan 17
a1 a2
1 0 3
2 1 2
3 3 0
6. Seorang Petani sedang memikirkan untuk memanen tembakaunya lebih

awal atau tidak. JIka petani tersebut memanen tembakaunya lebih
awal dan musim hujan tidak terlambat, dia akan dapat untung tam-
bahan 5 juta rupiah. Jika dia memanen lewih awal dan musim hujan
datang terlambat, dia akan rugi 2 juta rupiah untuk penanaman kema-
bali. Jika dia tidak memanen lebih awal, dia akan untung 0 rupiah.
Berdasarkan informasi dari BMKG, dia dapat informasi bahwa pelu-
ang musim hujan terlambat adalah 0, 6. Tentukan ruang aksi A, ruang
parmeter , atriks kerugian dan distribusi prior?
7. Suatu perusahaan harus memutuskan akan menerima atau menolak

kiriman satu paket suku cadang, yaitu a1 : menerima kiriman dan
a2 : menolak kiriman. Paket suku cadang yang dikirim memiliki tiga
keadaan, yaitu 1 : keadaan suku cadang sangat bagus, 2 : keadaan
suku cadang sedang(masih dapat diterima), dan 3 : keadaan suku
cadanga buruk. Fungsi kerugian atas keputusan yang diambil perusa-
haan adalah untuk setiap kasus sebagai berikut:
jika perusahaan percaya bahwa berdistribusi (1 ) = (2 ) = (3 ) =
1/3.
Tentukan
8. Pemilik toko sepatu ski harus memesan sepatu ski untuk musim men-
datang. Pesanan harus dalam suatu paket terdiri dari 25 pasang ski.
Harga per sepasang ski adalah 500 ribu rupiah jika pesan 1 paket ,
harga 450 ribu ruiah jika pesan 2 paket, dan harga 400 ribu rupiah jika
pesan 3 paket. Sepatu ski akan dijual dengan harga 750 ribu rupih per
pasang. Setiap pasang sepatu ski tersisa pada akhir tahun dapat dijual
18 Konsep Dasar
pada harga 250 ribu rupiah sepasang. Jika pemilik kehabisan sepatu
ski selama musim ini, ia akan menderita hilangnya goodwill para
pelanggannya. Dia menilai kerugian ini di hargai 50 ribu rupiah per
pelanggan. Untuk mempermudah, pemilik merasa bahwa permintaan
untuk ski akan menjadi 30, 40, 50 atau 60 sepasang ski, dengan proba-
bilitas 0, 2; 0, 40, 2 dan 0, 2 secara berturut-turut. Tentukan
9. Misalkan adalah persentase perubahan hasil dari suatu proses, di

bawah pengaruh metode baru yang sangat mahal. Untuk mendap-
atkan informasi tentang , kita bisa mengamati variabel random in-
dependen identik X berdistribusi normal N (, 2500) yitu pengamatan
X1 , X2 , . . . , Xn . Jika n = 25000000 dan x = 0.02, tunjukkan bahwa
secara statistik signifikan untuk uji satu sisi pada tingkat = 0.05 un-
tuk > O. Apakah cukup bijaksana untuk menggunakan metode baru
karena dapat meningkatkan hasil proses?
10. Misalkan adalah persentase perubahan hasil dari suatu proses, di

bawah pengaruh metode baru yang sangat mahal. Untuk mendap-
atkan informasi tentang , kita bisa mengamati variabel random in-
dependen identik X berdistribusi normal N (, 2500) yitu pengamatan
X1 , X2 , . . . , Xn . Jika n = 4 dan x = 30, tunjukkan bahwa secara statis-
tik tidak signifikan untuk uji satu sisi pada tingkat = 0.1 untuk
> O. Apakah cukup bijaksana untuk tidak menggunakan metode
baru karena tidak dapat meningkatkan hasil proses?
BAB 2
Prinsip Keputusan
2.1 Pendahuluan
Bab ini menyajikan beberapa prinsip keputusan baik yang klasik maupun
bayesian.
2.2 Aturan Keputusan random

Pada situasi tertentu, keputusan dilakukan secara random.
Contoh 2.1 Pada permainan penyamaan dua koin, anda dan lawan anda
melemparkan koin secara bersama-sama, jika keduanya muncul gambar anda
menang 1 rupiah dan sebaliknya lawan anda yang menang 1 rupiah.
Aksi (anda) yang tersedia adalah
a1 jika anda memilih Gambar dan
a2 jika anda memilih Angka.
Kemungkinan keadaan alam (lawan anda) adalah
1 koin lawan anda terjadi Gambar dan
2 koin lawan anda terjadi Angka.
19
20 Prinsip Keputusan
a1 a2
1 -1 1
2 1 -1
Fungsi kerugian permainan ini disajikan dalam tabel 2.1,

Dari tabel 2.1, fungsi kerugian terlihat bahwa keduanya merupakan aksi
admissible. Jika permainan dilakukan berkali-kali maka anda tidak dapat
memutuskan menggunakan aksi a1 terus menerus atau sebliknya. Hal ini
terjadi karena kedua orang tersebut mendapatkan hasil pelemparan koin tidak
pasi atau random. Keputusan yang dilakukan dalam situsi ini disebut kepu-
tusan random.
Definisi 2.1 Aturan keputusan random (x, .) adalah peluang memilih aksi
A (himpunan bagian A untuk setiap x, yang dapat dinyatakan sebagai
(
1 jika (x)A
hi(x, A) = IA ((x)) =
0 jika (x)A
Contoh 2.2 Berdasarkan contoh 2.1, aturan keputusan random adalah (a1 ) =
p dan (a2 ) = 1 p yang dapat dinyatakan sebagai
= pha1 i + (1 p)ha2 i
Contoh 2.3 Misalkan variabel random X diasumsikan berdistribusi binomial

B(n, ) akan digunakan untuk menguji hipotesis H0 : = 0 Vs H1 : = 1
dimana 0 > 1 . Uji non-random paling kuat mempunyai daerah penolakan
C = {x X : x j}(j = 0, 1, 2, . . . , n). Karena X diskrit dan terbatas, uku-
ran uji ini ( = P (C)) hanya dapat mencapai nilai bilangan yang terbatas.
Jika ada nilai dari yang diinginkan, maka aturan random akan digunakan.
Hal tersebut dapat digunakan untuk menghitung aturan random

1 jika x < j

j (x, a1 ) = p jika x = j

0 jika x > j

Aturan Keputusan random 21
dan j (x, a0 ) = 1 j (x, a1 ) dimana ai adalah aksi menerima Hi . Jadi jika

nilai pengamatan x < j , H0 akan ditolak dengan probabilitas satu. Jika
nilai pengamatan x > j, H0 tidak akan pernah ditolak (yaitu, akan selalu
diterima). Jika nilai pengamatan x > j, terjadi keputusan random akan di-
lakukan, menolak H0 dengan probabilitas p dan diterima dengan probabilitas
1 p. Melalui pilihan yang tepat dari j dan p, uji ukuran yang paling kuat
dapat dicari.
Definisi 2.2 Fungsi kerugian L(, (x, .)) dari aturan keputusan random
adalah
(x,.)
L(, (x, .)) = E [L(, a)], (2.1)
Fungsi Risiko dari adalah
R(, ) = EX [L(, (X, .))]. (2.2)
Contoh 2.4 Berdasarkan contoh 2.1, merupakan kasus masalah tanpa data,
sehingga fungsi risiko sama dengan fungsi kerugian sebagai berikut

L(, ) = E [L(, a)]
= (a1 )L(, a1 ) + (a2 )L(, a2 )
= pL(, a1 ) + (1 p)L(, a2 )
(
p(1) + (1 p)(1) jika = 1
=
p(1) + (1 p)(1) jika = 2
(
1 2p jika = 1
=
2p 1 jika = 2
Jika p = 1/2 maka kerugian 0, sehingga apapun yang terjadi pada lawan
tidak mempengaruhi keputusan yang anda buat.
Contoh 2.5 Berdasarkan contoh 2.3, Asumsikan kerugian adalah nol jika
keputusan yang benar telah dibuat dan satu jika keputusan yang dibuat salah.
Sehingga
(
0 jika i = j
L(i , aj ) =
1 jika x 6= j
Kerugian aturan random j ketika = 0 , adalah sebagai berikut
L(0 , i (x, .)) = Ei (x,.) [L(0 , a)]

= i (x, a0 )L(0 , a0 ) + j (x, a1 )L(0 , a1 )
= j (x, a1 )
Oleh karena itu
R(0 , j ) = E X [L(0 , j (X, .))]

= E X [j (X, a1 )] = P0 (X < j) + pP0 (X =
(2.3)
j).
dengan cara yang sama diperoleh
R(1 , j ) = P1 (X < j) + (1 p)P1 (X = j)
2.3 Prinsip Keputusan bersyarat Bayes

Definisi 2.3 Aksi Bayes a adalah aksi yang meminimumkan ( , a) untuk
setiap aA.
Contoh 2.6 Kembali ke contoh 1.1 dengan asumsi tanpa data maka
(2 , a) = E [L(2 , a)]
Z 1
= L(2 , a)(2 )d2
0
Z a Z 1
= 2(a 2 )10I(0.1,0.2) (2 )d2 + (2 a)10I(0.1,0.2) (2 )d2
0 a

0.15 a
jika a 0.1,
2
= 15a 4a + 0.3 jika 0.1 a 0.2, (2.4)

2a 0.3 jika a 0.2

Karena 30a = 4 maka a = 2/15, sehingga a = 2/15 adalah aksi bayes.

Prinsip keputusan frekuentis 23
2.4 Prinsip keputusan frekuentis

Telah diketahui bahwa penggunaan fungsi resiko untuk memilih aturan kepu-
tusan adalah sulit karena terdapat banyak aturan keputusan yang admisibel.
Dalam teori keputusan terdapat beberapa prinsip yang sering untuk digu-
nakan, yaitu: prinsip resiko Bayes, prinsip Minimax, dan prinsip Invarian.
2.4.1 Prinsip Resiko Bayes

Definisi 2.4 Aturan keputusan 1 lebih disukai dari pada aturan keputusan
2 jika
r(, 1 ) < r(, 2 ). (2.5)
Aturan keputusan yang meminimumkan r(, ) disebut aturan bayes,

sedangkan kuantitas r() = r(, ) disebut resiko Bayes.
Contoh 2.7 Berdasarkan contoh 5.1, jika berdistribusi normal N (0, 2 )

maka r(, c ) = c2 + (1 c)2 2 . Karena
2c 2(1 c) 2 = 0
c(1 + 2 ) = 2
2
c = (2.6)
1 + 2
2
maka c0 = 1+ 2 adalah nilai terbaik, sehingga c0 adalah aturan Bayes dan
Resiko Bayes adalah
r() = r(, c0 )
= c20 + (1 c0 )2 2
2 2 2 2 2
= ( ) + (1 )
1 + 2 1 + 2
2 2 1
= ( 2
) +( 2
)2 2
1+ 1+
2
= (2.7)
1 + 2
2.4.2 Prinsip Keputusan Minimaks

Prinsip minimaks secara umum digunakan untuk masalah aturan keputusan
random. Sehingga anggap D merupakan aturan random, maka kuanti-
tas
sup R(, ) (2.8)

menyatakan keadaan terburuk yang akan terjadi jika aturan digunakan.

Prinsip minimaks
Aturan keputusan 1 lebih disukai dari aturan keputusan 2 jika
sup R(, 1 ) < sup R(, 2 )

Definisi 2.5 Aturan M adalah aturan minimaks jika aturan tersebut mem-
inimukan sup R(, ) untuk semua aturan random dalam D yaitu jika
sup R(, M ) = inf sup R(, ) (2.9)
D
Contoh 2.8 Berdasarkan contoh 2.1, merupakan kasus masalah tanpa data,
sehingga fungsi risiko sama dengan fungsi kerugian sebagai berikut

R(, ) = L(, ) = E [L(, a)]
= (a1 )L(, a1 ) + (a2 )L(, a2 )
= pL(, a1 ) + (1 p)L(, a2 )
(
p(1) + (1 p)(1) jika = 1
=
p(1) + (1 p)(1) jika = 2
(
1 2p jika = 1
=
2p 1 jika = 2
sehingga
sup R(, p ) = max(1 2p, 2p 1)

Karena untuk p = 1/2 maka kerugian 0, sehingga 1/2 adalah aksi minimaks
dan 0 adalah nilai minimaks untuk masalah tersebut.
Penyalahgunaan Prosedur Inferensi Klasik 25
Contoh 2.9 Berdasarkan contoh 5.1,
sup R(, c ) = sup[c2 + (1 c)2 2 ]

(
1 jika c = 1
=
jika c 6= 1
Berdasarkan prinsip minimaks 1 adalah aturan minimaks.
2.4.3 Prinsip Invarian

Prinsip invariance pada dasarnya menyatakan bahwa jika ada 2 masalah yang
memiliki kemiripan struktur formal (misal : memiliki ruang sampel, ruang
parameter, kepadatan/densitas, dan fungsi kerugian yang sama) sehingga
aturan keputusan yang sama digunakan dalam setiap masalah.
2.5 Penyalahgunaan Prosedur Inferensi Klasik

Statistika lebih banyak membahas mengenai prosedur inferensi klasik. Prose-
dur inferensi klasik sudah biasa dipergunakan oleh banyak pengguna statis-
tik untuk menyelesaikan berbagai permasalahan. Namun terdapat berba-
gai kendala dalam penggunaan prosedur inferensi klasik, diantaranya adalah
kegagalan untuk melibatkan informasi sebelumnya (failure to involve perhaps
important prior) dan hilangnya informasi penting (loss information).
Contoh 2.10 Suatu sampel random X1 , X2 , . . . , Xn dari populasi berdistribusi

N (, 1). Prosedur uji hipotesis ukuran = 0.05 untuk H0 : = 0 vs
H1 : 6= 0 adalah
1. Hipotesis
H0 : = 0 vs H1 : 6= 0
2. Tingkat signifikansi = 0.05

3. Statistik Uji
x 0
Z =
/ n

= x n (2.10)
4. Daerah kritis
Ho ditolka jika
Z> Z/2 atau Z <Z/2
x n > 1.96 atau x n < 1.96
Berdasarkan prosedur uji diatas terlihat bahwa sekecil apapun nilai dari ,
walaupun mendekati 0 jika digunakan ukuran sampel n besar maka H0 pasti
akan selalu ditolak.
2.6 Perspektif bersyarat

Pendekatan bersyarat statistik berkaitan dengan pelaporan data spesifik uku-
ran akurasi. Kinerja keseluruhan prosedur dianggap sebagai sekunder, apa
yang dianggap kepentingan utama adalah kinerja dari (x) untuk x data
aktual yang diamati dalam percobaan yang diberikan. Contoh sederhana
berikut menunjukkan bahwa akan ada perbedaan besar antara tindakan kon-
disional dan frekuentis.
Contoh 2.11 Misalkan X1 dan X2 adalah variabel random berdistribusi in-

dependen identik sebgagai berikut
P (Xi = 1) = P (Xi = + 1) = 1/2
dimana < < adalah tidak diketahui.
Misalkan X = (X1 , X2 ) mempunyai distribusi peluang bersama dalam tabel
3.1
Selanjutnya didefinisikan aturan keputusan sebagai berikut
(
titik X1 +X
2
2
jika X1 6= X2
(X) =
titik X1 1 jika X1 = X2
Perspektif bersyarat 27
X 1 = 1 X1 = + 1
X2 = 1 1/4 1/4
X2 = + 1 1/4 1/4
Table 2.2: Distribusi peluang bersama X
Jika X1 6= X2 maka diperoleh
X 1 + X2
(X) =
2
1++1
=
2
= (2.11)
dan
X 1 + X2
(X) =
2
+1+1
=
2
= (2.12)
sedangkan jika X1 = X2 = + 1 maka diperoleh
(X) = X1 1
= +11
= (2.13)
Selanjutnya jika X1 = X2 = 1 maka diperoleh
(X) = X1 1
= 11
= 2 (2.14)
Sehingga diperoleh (X) dalam tabel 2.3

Karena P (X) = 1/4) maka P ((X) = )) = 3 1/4 = 0.75.
X1 = 1 X1 = + 1
X2 = 1 2
X2 = + 1
Table 2.3: (X)
X=1 X=2 X=3

f(x/0) 0.005 0.0050.99
f(x/1) 0.0051 0.9849 0.01
Table 2.4: fungsi denstias X
Contoh 2.12 Diketahui: X = 1, 2, 3 dan = 0, 1 Dengan X memiliki den-

sitas probabilitas dalam tabel 2.4 sebagai berikut:
Akan dicari dan yang menghasilkan uji klasik yang paling kuat(the
classical most powerfull test) untuk hipotesis
H0 : = 0 vs H1 : = 1.
= kesalahan tipe I = probabilitas menolak H0 , padahal H0 benar
= kesalahan tipe II = probabilitas menerima H0 , padahal H0 salah
Akan dilakukan penyelidikan terhadap beberapa criteria:
1. Menerima H1 ketika X = 1
= f (x = 1/ = 0)
= 0.005
= f (x = 2/ = 1) + f (x = 3/ = 1)
= 0.9849 + 0.01
= 0.9949
= f (x = 2/ = 0)
= 0.005
Perspektif bersyarat 29
= f (x = 1/ = 1) + f (x = 3/ = 1)
= 0.0051 + 0.01
= 0.0151
= f (x = 3/ = 0)
= 0.99
= f (x = 1/ = 1) + f (x = 2/ = 1)
= 0.0051 + 0.9849
= 0.99
4. Menerima H1 ketika X = 1 atau X = 2
= f (x = 2/ = 0) + f (x = 2/ = 0)
= 0.005 + 0.005
= 0.01
= f (x = 3/ = 1)
= 0.01
= f (x = 1/ = 0) + f (x = 3/ = 0)
= 0.005 + 0.99
= 0.995
= f (x = 2/ = 1)
= 0.9849
No. Kriteria X
1 Kriteria 1 X=1 0.005 0.9949
2 Kriteria 2 X=2 0.005 0.0151
3 Kriteria 3 X=3 0.99 0.99
4 Kriteria 4 X=1 atau X=2 0.01 0.01
5 Kriteria 5 X=1 atau X=3 0.995 0.9849
6 Kriteria 6 X=2 atau X=3 0.995 0.0051
Table 2.5: Ringkasan semua kriteria
= f (x = 2/ = 0) + f (x = 3/ = 0)
= 0.005 + 0.99
= 0.995
= f (x = 1/ = 1)
= 0.0051
Berdasarkan tabel 2.5 diatas dapat diketahui bahwa kriteria 4 menghasil-

han dan terkecil, dengan = 0.01 dan = 0.01. Sehingga uji klasik
yang paling kuat untuk H0 : = 0 vs H1 : = 1.
2.7 Latihan
1. Suatu perusahaan asuransi akan membuat 3 pilihan keputusan, yaitu
a1 : menaikkan tingkat penjualan polis sebesar 10 persen, a2 : mem-
pertahan tingat penjualan polis seperti sekarang, dan a3 : menurunkan
tingkat penjualan polis sebesar 10 persen. Hal ini tergantung 3 keadaan
situasi ekonomi, yaitu 1 : keadaan ekonomi bagus, 2 : keadaan ekonomi
sedang, dan 3 : keadaan ekonomi buruk, perusahaan akan mengalami
kerugian sejumlah uang untuk setiap kasus dalam tabel 2.6 sebagai
berikut:
Latihan 31
a1 a2 a3
1 -10 -5 -3
2 -5 -5 -2
3 1 0 -1
Table 2.6: Fungsi kerugian asuransi
Tentukan a. Tentukan aksi Bayes (, a) jika perusahaan percaya bahwa

berdistribusi (1 ) = 0.2, (2 ) = 0.3, dan (3 ) = 0.5
b. Tentukan aksi Minimaks
2. Seorang investor harus memutuskan untuk membeli obligasi ZZZ yang

cukup beresiko ataukah tidak. Jika investor tersebut membelinya, obli-
gasi dapat ditebus pada saat jatuh tempo dengan keuntungan bersih
sebesar 5 juta rupiah. Namun, jika terjadi gagal bayar (default) pada
obligasi, maka investasi 10 juta rupiah akan hilang. Apabila investor
menempatkan uangnya dalam investasi aman, ia akan dijamin keun-
tungan bersih sebesar 3 juta rupiah selama periode waktu yang sama.
Investor memperkirakan probabilitas gagal bayar (default) sekitar 0, 1.
Tentukan aksi Bayaes dan Aksi minimaks untuk masalah tersebut!
3. Misalkan X berdistribusi Poisson(), = (0, ) dan A = (0, ).

Diketahui fungsi kerugian adalah L(, a) = ( a)2 . Diasumsikan
densitas prior adalah () = e , untuk aturan keputusan (x) = cx,
tentukan aksi Bayaes dan Aksi minimaks!
4. Dealer mobil membagi karyawan dalam 3 kategori Baik jika rata-rata

dapat menjual 1 mobil dalam 2 hari (1 ). sedang jika rata-rata da-
pat menjual 1 mobil dalam 4 hari (2 ). Kurang jika rata-rata dapat
menjual 1 mobil dalam 8 hari (3 ). Seorang karyawan baru akan bek-
erja selama 6 bulan atau 130 hari kerja. Ia dapat memilih salah satu
dari 3 perencanaan gaji (altrnatif) Gaji tetap 5 juta rupiah ditambah
komisi 1 juta rupiah untuk setiap mobil terjual (a1 ), Gaji tetap 8 juta
rupiah tanpa komisi (a2 ) dan tanpa gaji tepat dapat komisi 3 juta ru-
piah untuk setiap mobil terjual. Jika peluang karyawan baik adalah
0.7, sedang 0.25, dan kurang 0.05 a) Susunlah tabel pendapatan b)
Tentukan alternatif mana yang dipilih(optimal)
a1 a2
1 0 4
2 1 2
3 3 0
Table 2.7: Fungsi kerugian produk
5. Sebuah perusahaan ingin memutuskan untuk menerima atau menolak

banyaknya produk yang masuk, dimana a: keputusan dari perusahaan
dan : tipe dari produk yang masuk. Berikut ini kerugian yang terjadi
dalam membuat keputusan lihat tabel 2.7:
Tentukan
a. Tentukan aksi Bayes jika perusahaan percaya bahwa berdistribusi
(1 ) = (2 ) = (3 ).
b. Tentukan aksi Minimaks
6. Pemilik toko pakaian harus memesan pakaian seragam untuk tahun

ajaran baru mendatang. Pesanan harus dalam paket yang berisi 25
pasang pakaian seragam. Jika pesan satu paket harga per pasang 90
ribu rupiah, jika 2 paket harganya 80 ribu rupiah, jika 3 paket har-
ganya 70 ribu rupiah dan jika 4 paket harganya 60 ribu rupiah. Sepa-
sang pakain seragam akan dijual dengan harga 100 ribu rupiah. Setiap
pakaian yang tersisa akan dijual dengan harga 30 rupiah per pasang.
Jika toko kehabisan persediaan pakaian seragam akan membuat kecewa
para pelanggan, pemilik toko menaksir kerugian sebesar 10 ribu rupiah
per pelanggan. Pemilik toko mempunyai dugaan bahwa permintaan
pakain seragam pada tahun ajaran baru adalah 30, 40, 50, 60 atau 70
pasang pakain seragam, dengan probabilitas 0.2, , 0.35, 0.2, 0.15 dan 0.1,
secara berturut-turut. Tentukan aksi Bayes dan minamaks!
7. Sebuah perusahaan radio menerima pengiriman transistor. Untuk mem-

buat keputusan tentang penerimaan pengiriman tersebut dilakukan
pengecakan secara sampling supaya biaya lebih murah dibandingkan
jika melakukan pengecekan setiap transistor yang dikirim. Sebuah sam-
pel random n transistor dipilih dari pengiriman dan diuji. Dengan
berdasarkan X adalah banyaknya transistor yang cacat pada sampel,
Latihan 33
maka pengiriman akan diterima atau ditolak. Dengan demikian ada

dua kemungkinan aksi yaitu
(a) a1 menerima pengiriman

(b) a2 menolak pengiriman
Jika diambil sampel sebesar n = 20 maka X dapat diasumsikan berdis-

tribusi B(20, ), di mana adalah proporsi transistor yang cacat di
dalam pengiriman tersebut.
(
L(, a) =
Aturan keputusan yang digunakan adalah (x) = x/n untuk menduga

. Aturan yang biasa digunakan untuk masalah ini adalah
(
x
a1 jika n
0, 05
(x) = x
a2 jika n
> 0, 05

tor lain dari perusahaan pemasok yang sama. Oleh karena itu, mereka
mempunyai simpanan data yang besar tentang nilai pada pengir-
iman yang dulu. Penyelidikan statistik pada data yang dulu menun-
jukkan bahwa berdistribusi Be(0.05, 1) dengan fungsi densitas sebagai
berikut
(2 ) = (0.05)0.95 I[0,1] () (2.15)
Tentukan
a) Fungsi Resiko
b) Resiko Bayes
c) Aksi Bayes dan Minimaks
a1 a2
1 0 3
2 1 2
3 3 0
Table 2.8: Fungsi kerugian suku cadang
8. Seorang Petani sedang memikirkan untuk memanen tembakaunya lebih

awal atau tidak. JIka petani tersebut memanen tembakaunya lebih
awal dan musim hujan tidak terlambat, dia akan dapat untung tam-
bahan 5 juta rupiah. Jika dia memanen lewih awal dan musim hujan
datang terlambat, dia akan rugi 2 juta rupiah untuk penanaman kema-
bali. Jika dia tidak memanen lebih awal, dia akan untung 0 rupiah.
Berdasarkan informasi dari BMKG, dia dapat informasi bahwa peluang
musim hujan terlambat adalah 0, 6. Tentukan aksi bayes dan minimaks
9. Suatu perusahaan harus memutuskan akan menerima atau menolak

kiriman satu paket suku cadang, yaitu a1 : menerima kiriman dan
a2 : menolak kiriman. Paket suku cadang yang dikirim memiliki tiga
keadaan, yaitu 1 : keadaan suku cadang sangat bagus, 2 : keadaan
suku cadang sedang(masih dapat diterima), dan 3 : keadaan suku
cadanga buruk. Fungsi kerugian atas keputusan yang diambil perusa-
haan adalah untuk setiap kasus dalam tabel 2.8 sebagai berikut:
jika perusahaan percaya bahwa berdistribusi (1 ) = (2 ) = (3 ) =
1/3.
Tentukan aksi Bayes dan minimaks
10. Pemilik toko sepatu ski harus memesan sepatu ski untuk musim men-
datang. Pesanan harus dalam suatu paket terdiri dari 25 pasang ski.
Harga per sepasang ski adalah 500 ribu rupiah jika pesan 1 paket ,
harga 450 ribu ruiah jika pesan 2 paket, dan harga 400 ribu rupiah jika
pesan 3 paket. Sepatu ski akan dijual dengan harga 750 ribu rupih per
pasang. Setiap pasang sepatu ski tersisa pada akhir tahun dapat dijual
pada harga 250 ribu rupiah sepasang. Jika pemilik kehabisan sepatu
ski selama musim ini, ia akan menderita hilangnya goodwill para
pelanggannya. Dia menilai kerugian ini di hargai 50 ribu rupiah per
Latihan 35
pelanggan. Untuk mempermudah, pemilik merasa bahwa permintaan

untuk ski akan menjadi 30, 40, 50 atau 60 sepasang ski, dengan proba-
bilitas 0, 2; 0, 40, 2 dan 0, 2 secara berturut-turut. Tentukan aksi Bayes
dan minimaks
BAB 3
Utilitas dan Kerugian
3.1 Pendahuluan
Dalam mengevaluasi konsekuensi dari semua tindakan yang mungkin, ada

dua masalah utama yang harus dihadapi. Pertama adalah bahwa nilai-nilai
konsekuensi mungkin tidak memiliki skala pengukuran yang jelas. Seba-
gai contoh, prestise, kemauan pelanggan dan reputasi adalah hal-hal yang
penting dalam dunia bisnis, tetapi tidak jelas bagaimana cara mengevaluasi
pentingnya hal-hal tersebut dengan cara yang konkrit.
Masalah kedua jika skala pengukuran jelas yang dapat dievaluasi den-
gan mudah tetapi skala tersebut mungkin tidak mencerminkan nilai sesung-
guhnya dari pembuat keputusan. Contohnya, untuk menilai uang Anda.
Asumsikan Anda memiliki kesempatan untuk melakukan pekerjaan yang
agak tidak menyenangkan dengan bayaran sebesar 100 ribu rupiah. Pada
tingkat penghasilan Anda saat ini, mungkin Anda menilai uang 100 ribu
rupiah cukup untuk membayar tugas Anda. Jika di sisi lain, anda telah
memiliki uang 10 juta rupiah maka uang 100 ribu rupiah yang akan anda
terima setelah melakukan pekerjaan tersebut terasa kurang bernilai sehingga
Anda memilih untuk menolak perkerjaan tersebut. Dengan kata lain, ni-
lai dari 10 juta seratus ribu rupiah mungkin tidak sama dengan nilai 10
juta rupiah ditambah dengan nilai 100 ribu rupiah. Contoh lain , misalkan
Anda akan disuguhi pilihan antara menerima hadiah 100 juta rupiah atau
kesempatan dalam berjudi dimana anda mempunyai kesempatan 50-50 un-
37
38 Utilitas dan Kerugian
tuk memenangkan 0 rupiah atau 250 juta rupiah. Sebagian besar dari kita
mungkin akan memilih 100 juta rupaih. Jika hal ini terjadi, maka nilai yang
diharapkan dari berjudi kurang dari 100 juta rupiah.
Pada bab ini akan membahas metode penentuan nilai yang sebenarnya.
Selanjutnya akan dikaitkan dengan fungsi kerugian.
3.2 Teori Utilitas

Penghargaan (rewards) adalah konsekuensi dari suatu tindakan yang kita
lakukan. R adalah himpunan semua penghargaan yang mungkin terjadi.
Sedangkan P adalah himpunan semua distribusi peluang dari hasil suatu
aksi dalam R. U (r) adalah fungsi berharga real dari suatu distribusi peluang
dengan nilai harapan utilitas E P [U (r)] yang disebut fungsi utilitas.
Definisi 3.1 Jika P1 dan P2 adalah anggota P maka P1 P2 berarti bahwa

P2 lebih disukai dari pada P1 . P1 P2 artinya P1 sama dengan P2 dan
P1 P2 artinya P1 tidak lebih disukai dari pada P2 .
Berdasarkan definisi di atas dan fungsi utilitas diperoleh P2 lebih disukai dari
pada P1 jika hanya jika
E P1 [U (r)] < E P2 [U (r)]
Tahapan-tahapan konstruksi dari U
1. Tahap pertama.
Untuk memulai konstruksi U , pilih dua penghargaan r1 dan r2 yang
tidak ekuivalen. Anggap bahwa r1 r2 , misalkan U (r1 ) = 0 dan
U (r2 ) = 1. Selanjutnya r1 sebagai penghargaan terburuk dan r2 sebagai
penghargaan terbaik.
2. Tahap kedua.
Untuk r3 sedemikian hingga r1 r3 r2 . Kemudian tentukan (0, , 1)
sehingga
r3 P = hr1 i + (1 )hr2 i.
Teori Utilitas 39
Definisikan
U (r3 ) = E P [U (r)]
= U (r1 ) + (1 )U (r2 )
= 1 . (3.1)
3. Tahap ketiga
Untuk r3 sehingga r3 r1 . Kemudian tentukan (0, , 1) sehingga
r1 P = hr3 i + (1 )hr2 i.
Definisikan
0 = U (r1 ) = E P [U (r)]
= U (r3 ) + (1 )U (r2 )
= U (r3 ) + (1 ). (3.2)
maka harus didefinisikan

(1 )
U (r3 ) =

4. Tahap keempat
Untuk r3 sehingga r2 r3 . Kemudian tentukan (0, , 1) sehingga
r2 P = hr1 i + (1 )hr3 i.
Definisikan
1 = U (r2 ) = E P [U (r)]
= U (r1 ) + (1 )U (r3 )
= (1 )U (r3 ). (3.3)
maka harus didefinisikan

1
U (r3 ) =
1
5. Tahap kelima.
Periksa secara periodik proses konstruksi supaya konsisten dengan mem-
badingkan kombinasi penghargaan baru.
Aksioma
1. Jika P1 dan P2 anggota P maka P1 P2 , P1 P2 atau P1 P2
2. Jika P1 P2 , dan P2 P3 atau P1 P3
3. Jika P1 P2 , maka P1 +(1)P3 P2 +(1)P3 untuk 0 < < 1

dan P3 anggota P
4. Jika P1 P2 P3 , terdapat bilangan 0 < < 1 dan 0 < < 1

sehingga P1 + (1 )P3 P2 dan P2 P1 + (1 )P3 .
Contoh 3.1 Agus ingin memutuskan apa yang akan dilakukan pada sabtu
sore. Terdapat dua pilihan yaitu a1 adalah menonton pertandingan sepak
bola dan a2 adalah menonton film di bioskop. Agus lebih memilih menon-
ton pertandingan sepak bola, namun ada kemungkinan terjadi hujan di sore
hari sebesar 40 persen. Didefinisikan 1 menyatakan terjadi hujan dan 2
menyatakan tidak hujan, maka (1 ) = 0, 4 sedangkan (2 ) = 1 (1 ) =
1 0, 4 = 0, 6.
Ada 4 reward yaitu:
1. r1 = (a1 , 1 ) = menonton sepak bola namun terjadi hujan
2. r2 = (a1 , 2 ) = menonton sepak bola, tidak hujan (ini keadaan yang

diharapkan)
3. r3 = (a2 , 1 ) = menonton film dan terjadi hujan
4. r4 = (a2 , 2 ) = menonton film, tidak terjadi hujan (sangat menyesal

jika memilih ini)
maka diperoleh
r1 < r4 < r3 < r2
Mengkonstruksikan U :
Teori Utilitas 41
1. Langkah pertama
Karena r1 adalah reward untuk terjadi hujan di siang hari dan menon-
ton sepak bola, merupakan kejadian yang paling tidak disukai maka
utilitas untuk r1 adalah
U (r1 ) = 0
Sedangkan r2 adalah reward untuk tidak terjadi hujan di siang hari dan
menonton sepak bola, merupakan kejadian yang paling disukai maka
utilitas untuk r2 adalah
U (r2 ) = 1
2. Langkah kedua
Karena r4 adalah reward untuk tidak terjadi hujan di siang hari dan
menonton film, merupakan kejadian lebih baik dari kejadian pertama
(r1 ) dan kurang dari r2 maka utilitas untuk r4 adalah
r4 < r1 > +(1 ) < r2 >
Misalkan
alpha = 0, 4 diperoleh
U (r4 ) = 0, 4U (r1 ) + 0, 6U (r2 )
= 0, 4(0) + 0, 6(1) = 0, 6
(3.4)
Karena r3 adalah reward untuk terjadi hujan di siang hari dan menon-
ton film, merupakan kejadian lebih baik dari kejadian pertama (r1 ) dan
kurang dari r2 juga maka utilitas untuk r3 adalah
r3 < r1 > +(1 ) < r2 >
Misalkan
alpha = 0, 3 diperoleh
U (r3 ) = 0, 3U (r1 ) + 0, 7U (r2 )
U (r3 ) = 0, 3(0) + 0, 7(1) = 0, 7
(3.5)
Karena r3 lebih baik dari r4 dan kurang dari r2 maka
U (r4 ) + (1 )U (r2 )
U (r3 ) =
(0, 6) + (1 )1
=
0, 7 =(0, 6) + (1 )
0, 4 = 0, 3
0, 3
= = 0, 75 (3.6)
0, 4
3.3 Utilitas uang

Utilitas uang adalah suatu fungsi yang menyatakan suatu reward (r) dalam
nilai uang, sebagai contoh, perbedaan nilai uang antara (z+100) rupiah dan z
rupiah semakin kecil relatif terhadap z jika nilai z semakin besar. Jika z = 0
maka perbedaan sebesar 100 rupiah masih berarti, tetapi jika z = 1000000
maka perbedaan sebesar 100 tidak berarti, artinya penambahan sebesar 100
rupiah terhadap z semakin tidak berarti jika z sangat besar.
Penjelasan lebih baik tenatng fungsi utilitas, berikut ini disajikan ilus-
trasi tentang fungsi utilitas personal tentang uang dari Becker, DeGroot, and
Marschak (1964) dengan metode backwards untuk membuat konstruksi
fungsi utilitasnya. Sebagai langkah awal kita pilih r1 < r2 dan tentukan
U (r1 ) = 0 dan U (r2 ) = 1 (diasumsikan jika r1 < r2 maka r1 r2 ), selanjut-
nya menentukan r1 < r < r2 dengan langkah-langkah sebagai berikut
1. Carilah r3 sehingga U (r3 ) = 12 . Karena untuk P = 12 hr1 i + 21 hr2 i,

E P [U (r)] = 12 U (r1 ) + 12 U (r2 ) = 12 . Ini berarti r3 ditentukan secara
50 50.
2. Carilah r4 dan r5 sehingga U (r4 ) = 41 dan U (r5 ) = 43 . Karena 12 U (r1 ) +

1
2
U (r3 ) = 14 dan 12 U (r3 ) + 21 U (r2 ) = 34 , terlihat dengan jelas bahwa
r4 ekuivalen dengan P = 12 hr1 i + 21 hr3 i dan r5 ekuivalen dengan P =
1
hr i + 12 hr2 i.
2 3
Fungsi kerugian 43
3. Karena
1 1 11 13
U (r4 ) + U (r5 ) = +
2 2 24 24
1
= = U (r3 )
2
maka r3 ekuivalen dengan P = 21 hr4 i + 12 hr5 i.
4. Lakukan langkah 1 sampai 3 untuk mendapatkan cukup titik untuk

membuat grafik U (r).
Beberapa yang menarik dari fungsi utilitas di atas adalah :
1. U (r) adalah linear untuk nilai r yang kecil
2. U (r) biasanya cekung (konkav)(r > 0). Fungsi marjinal utilitas uang
dianggap sebagai U 0 (r) = dU (r)/dr Jika U 0 (r) adalah fungsi menurun,
maka d0 U (r)/dr = U 00 (r) < 0, yang berakibat U (r) adalah cekung
(konkav).
3. U (r) sering sekali sangat berbeda untuk r 0 dan r < 0 (berbeda

dalam bentuk, bukan pada tanda). Oleh karena itu, umumnya untuk
membangun U (r) dilakukan secara terpisah untuk r 0 dan r < 0.
4. U (r) biasanya terbatas (terdapat B < , sehingga |U (r)| B untuk

semua r R.
3.4 Fungsi kerugian

Analisis pengambilan keputusan dapat diselesaikan dengan fungsi utilitas.
Tiap pasang (, a) menentukan beberapa reward r, dengan utilitas U (r) yang
menyatakan keuntungan ketika tindakan a diambil dan keadaan yang sebe-
narnya.
Jika merupakan parameter statistik maka timbula masalah penentuan
reward r berdasarkan dan a. Sebuah contoh sederhana adalah ketika pe-
rusahaan melakukan survei pemasaran tentang produk baru. Dari sebuah
survei, mereka berharap untuk mendapatkan perkiraan dari yang meny-

atakan proporsi pembeli dari populasi yang akan tertarik untuk membeli
produk baru tersebut. Apa mereka benar-benar tertarik, tentu saja adalah
keuntungan bagi perusahaan, yang tergantung pada seberapa banyak orang
yang benar-benar membeli produk abru tersebut. Hal ini tergantung pada
sejumlah faktor-faktor luar, salah satunya keadaan ekonomi. Faktor ini bi-
asanya random. Jadi reward untuk mengambil tindakan a ketika adalah
keadaan sebenarnya merupakan variabel random Z, yang memiliki distribusi
tergantung pada dan a. Dalam situasi seperti itu, dapat didefinisikan
U (, a) = E(,a) [U (Z)] (3.7)
Hal ini merupakan sesuatu yang logis untuk mendefinisikan pada awal ten-
tang keadaan alam (populasi), yaitu tidak hanya merupakan komponen
yang mewakili proporsi pembeli yang tertarik, tetapi juga akan merupakan
komponen yang mencerminkan semua faktor ketidakpastian lainnya. D alam
prakteknya secara intuitif lebih mudah untuk memisahkan komponen infor-
masi statistik yang akan diperoleh.
Untuk contoh tentang pemasaran dapat dilakukan langkah-langkah seba-
gai berikut:
1. menentukan U (r), di mana r menyatakan keuntungan,

2. menentukan distribusi variabel random Z (yang juga keuntungan) un-
tuk diberikan dan a, serta
3. menghitung U (, a) = E(,a) [U (Z)].
Contoh 3.2 Perhatikan permainan berikut. Sebuah koin akan dilempar n

kali. Setiap lemparan adalah independen dari yang lain, dan pada setiap
pelemparan koin mendapatkan kepala dengan peluang 0, 6. Untuk setiap pelem-
paran koin jika yang muncul adalah kepala maka 1000 dimenangkan, sedan-
gkan untuk ekor akan rugi 1000. Misalkan Zi menyatakan sejumlah uang
yang diperoleh(1000 atau 1000) pada lemparan ke-i. Asumsikan bahwa
fungsi utilitas untuk reward r adalah
(
r1/3 jika r 0
U (r) =
2r1/3 jika r < 0
Fungsi kerugian 45
Untuk n = 1, hasil dari permainan ini adalah Z1 dan utilitas yang di-
harapkan dari hasilnya adalah
E[U (Z1 )] = 0.6U (1000) + 0.4U (1000)

= 0.6(10) + 0.4(20)
= 6 8 = 2 (3.8)
Karena ini adalah negatif, maka sebaiknya tidak melakukan permainan

ini hanya satu kali permainan.
3.4.1 Fungsi kerugian dan teori Utilitas

Jika fungsi utilitas U (, a) maka fungsi kerugian dapat diperoleh sebagai
berikut
L(, a) = U (, a) (3.9)
Jadi dengan memaksimalkan fungsi utilitas berarti meminimumkan fungsi

kerugian. Dengan mengembangkan L melalui teori utilitas, kita juga memi-
liki fakta penting bahwa kerugian yang diharapkan adalah ukuran kerugian
yang tepat dari situasi random. Hal ini membenarkan penggunaan nilai
harapan kerugian sebagai kriteria keputusan ketika berbicara tentang aturan
random, nila harapan kerugian Bayesian, risiko, dan risiko Bayes.
3.4.2 Fungsi kerugian standar tertentu

Sebaiknya fungsi kerugian diperoleh melalui hubungannya dengan fungsi util-
itas, tetapi dalam analisis aturan keputusan, fungsi kerugian juga dapat
diperoleh melalui beberapa fungsi kerguian berikut ini
1. Fungsi kerugian kuadratis

Fungsi kerugian kuadratis dinyatakan sebagai L(, a) = ( a)2
Ada beberapa alasan mengapa fungsi kerugian kuadratis sering digu-
nakan dalam mengevaluasi aturan keputusan. Pada awalnya digunakan
dalam masalah estimasi saat estimator tak bias digunakan, karena
R(, ) = E L(, (X)) = E [ (X)]2 adalah variansi dari estima-

tor. Alasan kedua untuk popularitas fungsi kerugian kuadratis adalah
karena hubungannya dengan teori klasik metode kuadrat terkecil. Ke-
samaan antara keduanya membuat fungsi kerugian kuadratis tampak
akrab dengan statistik. Akhirnya, dalam analisis keputusan, penggu-
naan fungsi kerugian kuadratis membuat perhitungan relatif mudah
dan sederhana.
Generalisasi dari fungsi kerugian kuadratis adalah L(, a) = w()(
a)2 yang disebut fungsi kerugian kuadratis terbobot (Weight-Squared
error loss).
2. Fungsi kerugian linear
Fungsi kerugian linear dinytakan sebagai
(
K0 ( a) jika a 0,
L(, a) =
K1 (a ) jika a < 0.
Konstanta K0 dan K1 dapat dipilih untuk menyatakan estimasi kurang
atau estimasi lebih. Biasanya kedua konstanta tersebut berbeda. Jika
K0 = K1 = 1 maka diperoleh fungsi kerugian absolut sebagai berikut
L(, a) = | a|
Jika K0 dan K1 merupakan fungsi dari maka diperoleh fungsi kerugian
berbobot.
3. Fungsi kerugian 0 1
Fungsi kerugian 0 1 merupakan fungsi kerugian untuk masalah dua
aksi keputusan. Aksi keputusan a0 benar jika 0 dan a1 benar jika
1 . Fungsi kerugian 0 1 dinyatakan sebagai berikut
(
0 jika i ,
L(, ai ) =
1 jika j , (j 6= i).
3.5 Masalah Inferensi

Pada subbab ini akan dibahas penerapan konsep teori keputusan dalam
masalah inferensi. Aplikasi yang paling umum dari teori keputusan untuk
Masalah Inferensi 47
masalah inferensi adalah melalui representasi inferensi umum mengukur se-

bagai risiko atau nilai harapan kerugian bayes. Sebagai contoh dalam inter-
val konfidensi, misalkan C adalah interval konfidensi untuk , artinya untuk
pengamatan x, C(x) menyatakan interval konfidensi untuk , maka
fungsi kerugiannya adalah
L(, C(x)) = 1 IC(x) ()

(
1 jika C(x),
=
0 jika C(x).
maka
R(, C) = E [1 IC(x) ()]

= 1 P ( C(x)) (3.10)
dan

( , C(x)) = E [1 IC(x) ()]

= 1 P ( C(x)) (3.11)
Contoh 3.3 Misalkan masalah inferensi untuk menghasilkan aturan keyak-

inan C dengan terkait kepercayaan (x) (ketika x diamati, (x) meny-
atakan tingkat kepercayaan C(x)). Masalah inferensi disini terdoro dari
pasangan (C(x), (x)). Misalkan X1 dan X2 variabel random berdistribusi
indepeneden dan identik sebagai berikut:
P (Xi = 1) = P (Xi = 1) = 1/2 (3.12)
Didefinisikan C(X) sebagai berikut

(
x1 +x2
2
jika x1 6= x2 ,
C(x) =
x1 1 jika x1 = x2 .
Misalkan X = (X1 , X2 ) mempunyai distribusi peluang bersama dalam

tabel 3.1
X1 = 1 X1 = + 1
X2 = 1 1/4 1/4
X2 + 1 1/4 1/4
Table 3.1: Distribusi peluang bersama X
Jika X1 6= X2 maka diperoleh
X1 + X2
C(X) =
2
1++1
=
2
= (3.13)
dan
X1 + X2
C(X) =
2
+1+1
=
2
= (3.14)
sedangkan jika X1 = X2 = + 1 maka diperoleh
C(X) = X1 1
= +11
= (3.15)
Selanjutnya jika X1 = X2 = 1 maka diperoleh
C(X) = X1 1
= 11
= 2 (3.16)
Sehingga diperoleh (X) dalam tabel 3.2

Karena P (X) = 1/4) maka P (C(X) = )) = 3 1/4 = 0.75. Jadi dua
Masalah Inferensi 49
X 1 = 1 X1 = + 1
X2 = 1 2
X2 + 1
Table 3.2: C(X)
kemungkinan kepercayaan untuk C(x) adalah ( x) = 0.75 dan

(
1 jika x1 6= x2 ,
2 (x) =
0.5 jika x1 = x2 .
Untuk membandingkan dua kemungknan kepercayaan tersebut digunakan fungsi

kerugian
LC (, (x)) = (IC(x) () (x))2
dimana
(
1 jika C(x),
IC(x) () =
0 jika C(x).
Selanjutnya diperoleh fungsi resiko untuk pasangan (C(x), 1 (x)) sebagai berikut
RC (, 1 (x)) = EX [LC (, 1 (x))]

= EX (IC(x) () 1 (x))2
= (1 0.75)2 3/4 + (0 0.75)2 1/4
= 3/43 + 9/43
= 3/16 (3.17)
Selanjutnya diperoleh fungsi resiko untuk pasangan (C(x), 2 (x)) sebagai berikut
RC (, 2 (x)) = EX [LC (, 2 (x))]

= EX (IC(x) () 1 (x))2
= (1 1)2 2/4 + (1 0.5)2 1/4 + (0 0.5)2 1/4
= 0 + 1/42 + 1/42
= 2/16 = 1/8 (3.18)
Jadi pasangan (C(x), 1 (x)) mempunyai fungsi resiko lebih kecil diband-
ingkan dengan pasangan (C(x), 2 (x)). Hal ini menunjukkan bahwa pasan-
gan (C(x), 1 (x)) lebih baik dari pasangan (C(x), 2 (x)).
3.6 Latihan
1. Tentukan utilitas Anda untuk nilai yang anda akan terima dalam kuliah
ini. (A, B, C, D, dan F adalah kemungkinan ilai yang diperoleh).
Lakukan setidaknya satu cek untuk konsistensi.
2. Buatlah grafik fungsi utilitas pribadi anda untuk perubahan atas ke-
beruntungan keuangan pada interval dari 100 sampai 100 juta rupiah.
3. Pilihlah permainan berikut ini 41 h250i + 34 h0i atau 12 h40i + 21 h70i
4. Gunakan grafik fungsi utilitas pada soal no 3 untuk memiilih permainan

berikut ini 14 h250i + 34 h0i atau 12 h40i + 12 h70i
5. Tentukan konstanta b dan c, sehingga untuk 0 r 100 fungsi utilitas
U (r) = b log(cr + 1)
sesuai dengan fungsi utilitas anda pada soal no 3.
6. Seorang investor memiliki uang 100 juta rupiah. Dia ingin berinves-
tasi sebanyak m juta rupiah pada saham A dan (100 m) juta rupiah
pada saham B. Saham A memiliki probabilitas laba sebesar 0.6 dan
rugi sebesar 0.4.Sedangkan saham B memiliki probabilitas laba sebesar
0.7 dan rugi sebasar 0.3. Fungsi utilitas U (x) = log(0.0007x + 1) pada
interval 1000 < x < 1000
a) Tentukan R ?
b) Berapakah nilai optimal dari m yang memenuhi syarat dari ekspek-
tasi utilitas?
7. Misalkan himpunan reward R terdiri dari 3 elemen reward r1 , r2 dan

r3 . Diasumsikan bahwa r3 < r2 < r1 . Fungsi utilitas adalah U (r3 ) =
0, U (r2 ) = u dan U (r1 ) = 1, where 0 < u < 1. a) Jika P = (p1 , p2 , p3 )
dan Q = (q1 , q2 , q3 ) adalah dua elemen P(distribusi peluang dari R ),
Latihan 51
tentuka kondisi numerik dalam pi , qj dan u untu P Q. b) Diasum-

sikan bahwa (0.3, 0.3, 0.4) (0.5, 0, 0.5). Jelaskan hubungan antara
(0.2, 0.5, 0.3) dan (0.4, 0.2, 0.4)! jelaskan juga tentang u!
8. Pak Rubi telah menentukan fungsi utilitas untuk perubahan masa de-
pannya pada interval 100 < r < 500 adalah
U (r) = (0.62) log[(0.004)r + 1]
a. Dia mendapat suatu pilihan dapat uang 100 juta rupiah atau melakukan
permaianan yang menghasilkan nilai 0 rupiah dengan peluang 2/3 dan
dapat uang 500 juta rupiah dengan peluang 1/3. Manakah yang se-
baiknya dipilih pak Rubi?
b. Seandainya untuk mengikuti permainan tersebut pak Rubi harus
membayar 100 juta rupiah. Apa sebaiknya yang pak Rubi lakukan?
9. Misalkan suatu permainan yang dikenal sebagai Paradoks St. Peters-
burg dengan asumsi fungsi utilitas perubahan di masa depan x adalah

100
jika x > 100,
U (x) = x jika |x| 100,

100 jika x < 100,

Tentukan biaya terbesar untuk mengikuti permainan tersebut?

10. Seorang investor mempunyai uang 100 juta rupiahuntuk investasi pada
saham spekulatif. Dia menginvestasikan sebesar m juta rupiah untuk
saham A dan sebesar (100 m) juta rupiah untuk saham B. Misalkan
untuk investasi pada saham A mempunyai peluang 0, 6 nilainya akan
menjadi dua kali lipat, sedangkan untuk saham B mempunyai pelu-
ang 0, 4 uangnya akan hilang. Misalkan untuk investasi pada saham A
mempunyai peluang 0, 7 nilainya akan menjadi dua kali lipat, sedan-
gkan untuk saham B mempunyai peluang 0, 3 uangnya akan hilang.
Investor tersebut mempunyai fungsi utilitas untuk perubahan di masa
depan x pada interval 100 < r < 100 adalah
U (x) = log(0.0007x + 1)
Tentukan nilai m optimal berdasarkan nilai harapan utilitas!
BAB 4
Informasi prior dan Fungsi

densitas prior
4.1 Pendahuluan
Seperti yang telah dibahas pada bab sebeluamnya, suatu elemen yang penting
dalam teori keputusan adalah informsi prior tentang parameter . distribusi
prior sering dinyatakan sebagai distribusi peluang pada . Dalam bab ini
akan dibahas masalh dan metode untuk menentukan distribusi peluang (dis-
tribusi prior) untuk .
4.2 Fungsi densitas prior

Fungsi densitas prior dapat ditentukan secara subyektif dengan cara sebagai
berikut
4.2.1 Pendekatan Subyektif

1. Pendekatan histogram
Pendekatan ini digunakan ketika merupakan interval dari garis bi-
langan real. dibagi dalam beberapa interval, tentukan probabilitas
subyektif pada masing-masing interval, selanjutnya buat plot histogram
53
54 Informasi prior dan Fungsi densitas prior
probabilitas. Dari penghalusan histogram ini akan diiperoleh densitas

prior ().
2. Pendekatan likelihood relatif

Pendekatan ini digunakan ketika merupakan himpunan bagian dari
bilangan real. Pendekatan ini terdiri dari pembadingan secara intutif
kemungkinan (likelihoods) dari beberapa titik dalam . Selanjutnya
buat sketsa untuk fungsi densitas ptior dari titik-titik tersebut.
Contoh 4.1 Misalkan = [0, 1], penentuan titik-titik dalam dimu-

lai dari titik yang paling mungkin dan paling tidak mungkin. Misalkan
titik parameter = 34 adalah titik yang paling mungkin dan = 0
adalah titik paling tidak mungkin. Nilai 34 menyatakan bahwa titik = 34
tiga kali kemungkinannya dari titik = 0. Untuk titik-titik selanjut-
nya, = 12 dan = 1 dua kali kemungkinannya dari = 0. Sedangkan
= 14 adalah 1, 5 kali kemungkinannya dari = 0.
4.3 Prior Noninformatif

Karena merupakan alasan kuat untuk melakukan analisis bersyarat maka
muncul upaya untuk menggunakan pendekatan Bayesian bahkan ketika tidak
ada informasi prior yang tersedia. Apa yang dibutuhkan dalam situasi terse-
but adalah noninformative prior, yang artinya prior yang tidak mengandung
informasi tentang . Sebagai contoh, dalam pengujian antara dua hipotesis
sederhana, prior yang memberikan peluang 1/2 untuk masing-masing hipote-
sis adalah jelas noninformative. Berikut ini adalah contoh yang lebih kom-
pleks.
Contoh 4.2 Misalkan X berdistribusi normal dengan mean , sehingga ru-

ang parameter = (, ). Jika fungsi densitas noninformative prior
adalah yang digunakan, tampaknya masuk akal untuk memberikan bobot yang
sama untuk semua kemungkinan nilaiR . Jika () = c > 0 yang dipilih,
maka memiliki massa tak terbatas ( ()d = ) dan bukan merupakan
fungsi densitas yang tepat. Namun demikian, tersebut dapat digunakan,
pemilihan c tidak penting . Biasanya fungsi densitas prior noninformative
Prior Noninformatif 55
untuk masalah ini dipilih () = 1. Hal ini sering disebut fungsi densitas
seragam pada R1 yang diperkenalkan dan digunakan oleh Laplace (1812).
4.3.1 Prior Noninformatif untuk parameter lokasi dan

skala
Contoh 4.3 (Parameter lokasi)
Misalkan X dan adalah himpunan bagian dari Rp dan fungsi densitas X
berbentuk f (x ). Fungsi densitas X disebut fungsi densitas lokasi dan
parameter disebut parameter lokasi.
Untuk menentukan prior noninformatif untuk parameter lokasi, misalkan
variabel random Y adalah Y = X + c, cRp . Tentukan = + c maka Y
mempunyai fungsi densitas dalam bentuk f (y ). Jika X = = Rp maka
(X, ) dan (Y, ) memiliki struktur yang identik.
Misalkan dan adalah pripor noninformatif untuk (X, ) dan (Y, )
maka

P (A) = P (A) (4.1)
untuk sembarang himpunan ARp . Karena = + c maka

P (A) = P ( + cA) = P (A c) (4.2)
dimana A c = z c : zA. Gabungkan persamaan (4.1) dan (4.2) menun-

jukan bahwa memenuhi
P (A) = P (A c). (4.3)
untuk semua . Misalkan = c maka
P (c) = P (0). (4.4)
hal ini menunjukkan bahwa merupakan fungsi konstan, biasanya () = 1.
Contoh 4.4 (Parameter skala)

Densitas skala adalah densitas yang berbentuk
x
f (x) = 1 f ( ) (4.5)

dimana > 0. Parameter disebut parameter skala. Contoh densitas skala

adalah N (0, 2 ) dan G(, ) dengan diketahui.
Untuk mendapat prior noninformatif parameter skala, tentukan variabel
random Y = cX(c > 0). Jika = c maka densitay Y adalah
y
f (y) = 1 f ( ) (4.6)

Jika X = (0, ) maka masalah ruang sampel dan parameter (X, ) dan (Y, )
adalah sama. kedua masalah tersebut mempunyai struktur yang identik, hal
ini menunjukkan kedua masalah tersebut mempunyai prior non informatif
yang sama.
Misalkan dan adalah berturut-turut prior dari (X, ) dan (Y, ) maka

P ( A) = P ( A) (4.7)
berlaku untuk semua A (0, ). Karena = c maka

P ( A) = P ( c1 A) (4.8)
dimana c1 A = {c1 z : z A}. Selanjutnya diperoleh
P ( A) = P ( c1 A) (4.9)
Hal ini berlaku untuk semua c > 0. Sembarang distribusi prior yang
memenuhi persamaan di atas disebut invarian skala. Sehingga diperoleh
Z

P ( A) = ()d
ZA
= ()d
c 1 A
Z
= (c1 )c1 d, (4.10)
A
sehingga dapat disimpulkan bahwa
() = c1 (c1 ) (4.11)
untuk semua > 0. Tentukan = c diperoleh
(c) = c1 (1) (4.12)
Tentukan (1) = 1 maka diperoleh bahwa prior non informatif untuk param-
eter skala adalah () = 1 .
Prior Noninformatif 57
4.3.2 Prior Noninformatif secara umum

Penentuan prior non informatif secara umum menggunakan metode dari Jef-
freys (1961) dengan memilih
() = [I()]1/2 (4.13)
dimana I() adalh nila harapan informasi Fisher, yaitu
2 log f (x/)

I() = E (4.14)
2
Jika = (1 , 2 , . . . , p )0 adalah vektor, Jeffreys (1961) menyarankan

menggunakan
() = [detI()]1/2 (4.15)
dimana I() adalah matriks informasi Fisher orde (pxp), dengan elemen se-
bagai berikut
2

Iij () = E log f (x/) (4.16)
i j
Contoh 4.5 (Parameter skala-lokasi)

Fungsi densitas skala-lokasi adalah fungsi densitas yang berbentuk
x
f (x) = 1 f ( ) (4.17)

dimana R1 dan > 0 adalah tidak diketahui.

Contoh fungsi densitas skala-lokasi adalah N (, 2 ). Misalkan = (, 2 )
maka matriks informasi Fisher adalah
2
2

2 2
(X)
22 2
(X)
2 2
I() = E 2 (X)2 2

2

22 2
(X)
2 2
!
2(X)
12 3
= E 2(X) 3(X)2
3
4
1

2
0
= E
0 32
(4.18)
Jadi
() = [detI()]1/2
1/2
1 3
=
2 2
1
(4.19)
2
Karena merupakan improper prior maka konstanta diabaikan.
4.4 Penentuan distribusi Prior dengan dis-

tribusi marginal
4.4.1 Distribusi marginal
Jika variabel random X mempunyai densitas f (x/) dan paramater mem-
punyai distribusi prior () maka fungsi densitas bersama X dan adalah
h(x, ) = f (x/)() (4.20)
Definisi 4.1 Distribusi marginal dari X adalah

( R

f (x/)()d jika kontinu
m(x/) = m(x) = P
f (x/)(), jika diskrit
Penentuan distribusi Prior dengan distribusi marginal 59
Contoh 4.6 Misalkan variabel random X berdistribusi N (, f2 ) dengan

tidak diketahui dan f diketahui. Misalkan densitas prior adalah N ( , 2 )
dengan dan diketahui.
( )
1 (x )2
f (x/) = exp (4.21)
2f 2f2
( )2

1
() = exp (4.22)
2 22
sehingga
h(x, ) = ()f (x/)

( " #)
2 2
1 (x ) ( )
= (2f )1 exp + (4.23)
2 f2 2
definisikan
2 + f2
= 2 + f2 = (4.24)
2 f2
" # " ! ! !#
1 (x )2 ( )2 1 1 2 x x2 2
+ = 2 + + +
2 f2 2 2 2 + f2 f2 2 f2 2
" ! # !
1 2 2 x 1 x2 2
= + + +
2 f2 2 2 f2 2
" !#2 !2
1 1 x 1 x
= + + +
2 f2 2 2 f2 2
!
1 x2 2
+ +
2 f2 2
" !#2
1 1 x ( x)2
= + +
2 f2 2 2(f2 + 2 )
(4.25)
jadi
h(x, ) = ()f (x/)

" !#2
2
1
1 1 x ( x)
= (2f ) exp + +
2 f2 2 2(f2 + 2 )
" !#2 ( )
1 1 x ( x)2
= (2f )1 exp + exp
2 f2 2 2(f2 + 2 )
dan
Z
m(x) = h(x, )d

( )
2
1 ( x)
= (f )1 exp
2 2(f2 + 2 )
( )
2
1 ( x)
= q exp (4.26)
2( 2 + 2 ) 2(f2 + 2 )
f
Terlihat bahwa distribusi marginal m(x) adalah distribusi N ( , (f2 + 2 )).
4.5 Latihan
1. Mobil diklasifikasikan sebagai ukuran ekonomi (kecil), menengah (medium),
atau ukurn penuh (besar). Tentukan dengan pendekatan subyektif be-
rapa proporsi setiap jenis mobil terjadi di wilayah Anda.
2. Misalkan adalah suhu tertinggi diluar rumah besok di dekat rumahmu.

Dengan menggunakan pendekatan histogram, tentukan fungsi densitas
prior subyektif untuk .
3. Diketahui X berdistribusi N (, 1). Tentukan

a. apakah distribusi peluang X merupakan densitas lokasi, skala atau
skala-lokasi?
b. noninformatif prior untuk !
Latihan 61
4. Diketahui X berdistribusi N (, 1). Tentukan

skala-lokasi?
5. Diketahui X berdistribusi uniform U( 1, + 1). Tentukan

skala-lokasi?
6. Diketahui X berdistribusi t T (, , 2 ) dengan diketahui. Tentukan

skala-lokasi?
b. noninformatif prior untuk = (, 2 )!
7. Diketahui X berdistribusi Cauchi C(0, ). Tentukan

skala-lokasi?
8. Misalkan menunjukkan tingkat pengangguran tahun depan. Tentukan

fungsi densitas subjektif untuk ?
9. Untuk setiap planet di tata surya kita, Tentukan kuartil pertama dan
ketiga distribusi prior anda untuk jarak (rata-rata) dari planet ke mata-
hari.
10. Tentukan prior noninformative Jeffreys untuk parameter yang tidak

diketahui untuk setiap distribusi berikut
a. distribusi Poisson P ().
b. distribusi binomial B(n, ) dengan n diketahui.
BAB 5
Teori keputusan bayesian
5.1 Pendahuluan
Analisis Bayesian menggabungkan informasi prior (()) dan informasi sam-
pel (X) yang disebut distribusi posterior diberikan X. Berdasarkan dis-
tribusi posterior dibuat keputusan dan inferensi. Bab ini akan dibahas arti
dan penghitungan distribusi posterior.
5.2 Distribusi posterior

Distribusi posterior diberikan X ditulis (/x) adalah merupakan distribusi
bersayarat bila diketahui informasi sampel x. Fungsi densitas bersama
dan X adalah
h(x, ) = f (x/)(), (5.1)
sedangkan fungsi densitas marginal X adalah
Z
m(x) = f (x/)()d (5.2)

sehingga distribusi posterior adalah
h(x, )
(/x) = . (5.3)
m(x)
63
64 Teori keputusan bayesian
Dalam menentukan distribusi posterior sering menggunakan konsep statis-

tik cukup. Jika T adalah statistik cukup untuk dengan densitas g(t/) maka
berlaku Lemma berikut ini
Lemma 5.2.1 Misalkan m(t) adalah densitas marginal dari t lebih dari nol
dan berlaku teorema faktorisasi, jika T (x) = t maka
()g(t/
(/x) = (/t) = . (5.4)
m(t)
Alasan penggunaan statistik cukup T untuk menentukan (/x) karena lebih

mudah mendapatkan g(t/) dan m(t) dari pada f (x/) dan m(x)
Contoh 5.1 Misalkan variabel random X berdistribusi N (, 2 ) dengan

tidak diketahui dan diketahui. Misalkan densitas prior adalah N (, 2 )
dengan dan diketahui.
(x )2

1
f (x/) = exp (5.5)
2 2 2
( )2

1
() = exp (5.6)
2 2 2
sehingga
h(x, ) = ()f (x/)

1 (x )2 ( )2

1
= (2 ) exp + (5.7)
2 2 2
definisikan
2 + 2
= 2 + 2 = (5.8)
22
Distribusi posterior 65
1 (x )2 ( )2
2
2

1 1 2
x x
+ = 2 2 + 2 + +
2 2 2 2 2 + 2 2 2
1 x2 2

1 2 2x
= + + +
2 2 2 2 2 2
2
1 1x 1 x 2
= + + +
2 2 2 2 2 2
1 x2 2

+ +
2 2 2
2
( x)2

1 1x
= + +
2 2 2 2( 2 + 2 )
(5.9)
jadi
h(x, ) = ()f (x/)
( 2 )
( x)2

1 1 1x
= (2 ) exp + +
2 2 2 2( 2 + 2 )
( 2 )
( x)2

1 1 1x
= (2 ) exp + exp
2 2 2 2( 2 + 2 )
dan
Z
m(x) = h(x, )d

( x)2

1 1
= ( ) exp
2 2( 2 + 2 )
( x)2

1
= p exp (5.10)
2( 2 + 2 ) 2( 2 + 2 )
Terlihat bahwa distribusi marginal m(x) adalah distribusi N (, ( 2 + 2 )).
Selanjutnya distribusi posterior adalah
h(x, )
(/x) =
m(x)
( 2 )
1/2 1 1x
= ( ) exp + (5.11)
2 2 2 2
Distribusi posterior diberika X adalah N ((x), 1 ) dengan

1x
(x) = +
2 2
2 2 x
= +
2 + 2 2 2
2 2
= x 2 +
+ 2 2 + 2
2
= x 2 (x ) (5.12)
+ 2
Contoh 5.2 Hasil tes IQ seorang anak (X) diasumsikan berdistribusi N (, 100)
dan parameter diasumsikan berdistribusi N (100, 225) maka 2 = 100, =
100dan 2 = 225 sehingga distribusi marginal X adalah N (100, 325). Sedan-
gkan distribusi posterior diberikan X adalah distribusi normal dengan mean
2
(x) = x (x )
2 + 2
100
= x (x 100)
100 + 225
225 10000
= x +
325 325
9x + 400
= (5.13)
13
dan Variansi
22
1 =
2 + 2
225 100
=
225 + 100
900
= = 69.23 (5.14)
13
Jadi, jika hasil tes IQ seorang anak 115 maka nilai IQ sebenarnya berdis-
tribusi posterior normal dengan mean
98115 + 400
(115) = = 110.39 (5.15)
13
dan variansi 69.23.
Distribusi posterior 67
Contoh 5.3 Misalkan sampel X = (X1 , . . . , Xn ) berdistribusi normal N (, 2 )

dengan 2 diketahui dan berdistribusi prior N (, 2 ). Karena X adalah
statistik cukup untuk , menurut Lemma 5.2.1 maka (/x) = (/x). Karena
X berdistribusi normal N (, 2 /n) maka berdasarkan contoh 5.1 diperoleh
bahwa distribusi posterior untuk diberikan X = (X1 , . . . , Xn ) adalah berdis-
tribusi normal N ((x), 1 ) dengan
2 2 /n
(x) = x +
2 /n + 2 2 /n + 2
dimana
2 + 2
= 2 + 2 = (5.16)
22
Secara umum distribusi marginal m(x) dan distribusi posterior (/x) tidah
mudah diperoleh, sehingga perlu ditentukan distribusi prior yang memu-
dahkan diperoleh distribusi posterior, distribusi prior tersebut disebut prior
konjugat.
Definisi 5.1 Misalkan F adalah kelas fungsi densitas f (x/). Kelas dis-
tribusi prior P disebut keluarga konjugat untuk F jika (/x) anggota P
untuk setiap f F dan P.
Pada contoh 5.1 menunjukkan kelas distribusi prior normal merupakan

keluarga koonjugat untuk kelas densitas normal sampel X karena X berdis-
tribusi normal dan prior berdistribusi normal diperoleh distribusi posterior
juga normal.
Contoh 5.4 Misalkan variabel random X berdistribusi poisson P () den-

gan tidak diketahui. Misalkan densitas prior adalah berditribusi gamma
G(, ) dengan dan diketahui.
e x
f (x/) = (5.17)
x!
1 e/
() = (5.18)
()
sehingga
h(x, ) = f (x/)()
e x 1 e/
=
x! ()
e(1+1/) x+1
= (5.19)
() x!
dan
Z
m(x) = h(x, )d
0

e(1+1/) x+1
Z
= d
0 () x!
(x + )(1 + 1/)x+ e(1+1/) x+1
Z
= d
() x! 0 (x + )(1 + 1/)x+
(x + )(1 + 1/)x+
= (5.20)
() x!
Selanjutnya distribusi posterior adalah
h(x, )
(/x) =
m(x)
e(1+1/) x+1
() x!
= (x+)(1+1/)x+
() x!
(1+1/) x+1
e
= (5.21)
(x + )(1 + 1/)x+
Distribusi posterior diberikan X adalah berditribusi gamma G(x + , (1 +

1/) Jadi distribusi prior Gamma kelurga konjugat untuk X berdistribusi
poisson.
Contoh 5.5 Sebuah tes darah yang akan dilakukan untuk membantu mengindikasikan
apakah seseorang memiliki penyakit tertentu atau tidak. Hasil dari tes ini
positif (dilambangkan x = 1) atau negatif (dilambangkan x = 0). Misalkan 1
Inferensi Bayesian 69
menunjukkan keadaan alam penyakit ini ada dan 2 menunjukkan keadaan

alam penyakit tidak ada, diasumsikan bahwa f (1/1 ) = 0, 8; f (0/1 ) =
0, 2; f (1/2 ) = 0, 3; f (0/2 ) = 0, 7. Berdasarkan informsi prior (1 ) = 0, 05
dan (2 ) = 0, 95 maka diperoleh distribusi marginal sebagai berikut
m(1) = f (1/1 )(1 ) + f (1/2 )(2 )
= 0, 8 0, 05 + 0, 3 0, 95
= 0, 01 + 0, 665 = 0, 657 (5.22)
dan
m(0) = f (0/1 )(1 ) + f (0/2 )(2 )
= 0, 2 0, 05 + 0, 7 0, 95
= 0, 04 + 0, 285 = 0, 325 (5.23)
selnjutnya distribusi posterior adalah
(
0,04
f (1/)() 0,325
= 0, 123 jika = 1
(/x = 1) = = 0,285
m(1) 0,325
= 0, 877 jika = 2
dan
(
0,01
f (0/)() 0,675
= 0, 0148 jika = 1
(/x = 0) = = 0,665
m(0) 0,675
= 0, 9852 jika = 2
5.3 Inferensi Bayesian

Masalah inferensi terkait dapat dilakukan dengan analisis Bayesian. Hal
ini dapat dilakukan karena distribusi posterior memuat informasi tentang
baik informsi sampel maupun informasi prior.
5.3.1 Estimasi
Untuk mengestimasi , beberapa teknik klasik dapat diterapkan pada dis-
tribusi posterior. Teknik klasik yang paling umum adalah estimasi kemu-
ngkinan maksimum , yang memilih estimasi , yaitu merupakan nilai yang
memaksimalkan fungsi kemungkinan l() = f (x/). Secara analog, estimasi
Bayesian didefinisikan sebagai berikut.
Definisi 5.2 Etimasi Kemungkinan maksimum umum dari adalah yang

merupakan modus terbesar ,(/x) (yaitu, merupakan nilai yang memak-
simalkan (/x)).
Jelas memiliki penafsiran menjadi paling mungkin nilai , berdasarkan

informasi prior dan sampel x.
Contoh 5.6 Berdasarkan contoh 5.1, ketika f dan adalah densitas nor-
mal, maka diperoleh densitas posterior adalah N ((x), 1 ) yang merupakan
densitas normal yang mencapai nilai maksimum pada mean, sehingga esti-
masi kemungkinan maksimum umum untuk adalah
2 2 /n
= (x) = x +
2 /n + 2 2 /n + 2
dimana
2 + 2
= 2 + 2 = (5.24)
22
5.3.2 Kesalahan estimasi

Ketika melakukan estimasi statistik, biasanya diperlukan untuk menunjukkan
keakuratan estimasi. Dalam inferensi Bayesian, ukuran akurasi estimasi
menggunakan variansi estimasi posterior yang didefinisikan sebagai berikut.
Definisi 5.3 Jika etimasi Kemungkinan maksimum umum dari dan (/x)
meruapkan distribusi posterior untuk maka variansi posterior dari adalah
V = E (/x) [( )2 ].
dimana adalah mean posterior
= E (/x) [].
Analisis keputusan posterior 71
Variansi posterior di atas dapat disajikan dalam bentuk sebagai berikut
V = E (/x) [( )2 ]
= E (/x) [( (x) + (x) )2 ]
= E (/x) [( (x))2 ] + E (/x) [( (x) )2 ]
+ E (/x) [2( (x))( (x) )]
= E (/x) [( (x))2 ] + ( (x) )2
+ 2( (x) )(E (/x) [] (x))
= V (x) + ( (x) )2 (5.25)
5.4 Analisis keputusan posterior

Definisi 5.4 Nilai harapan kerugian posterior dari aksi a untuk distribusi
posterior (/x) adalah
Z
((/x), a) = L(, a)(/x)d (5.26)

Definisi 5.5 Aksi Bayes posterior (x) adalah aksi a A yang memini-
mumkan ((/x), a) atau meminimumkan
Z
L(, a)f (/)()d (5.27)

Contoh 5.7 Misalkan fungsi kerugian adalah L(, a) = ( a)2 maka

Z
((/x), a) = L(, a)(/x)d
Z
= ( a)2 (/x)d

(5.28)
Untuk mencari aksi a yang meminimumkan ((/x), a) dengan cara ditu-

runkan terhadap a, diperoleh

Z
((/x), a)
= (2 + 2a(/x))d
a
Z
= 2(/x)d + 2a

= 2E (/x) [] + 2a (5.29)
((/x), a)
= 0 (5.30)
a
diperoleh aksi bayes adalah
a = (x) = E (/x) [] (5.31)
yang merupakan mean dari distribusi posterior diberikan X.
Contoh 5.8 Berdasarkan contoh 5.1, jika f dan adalah normal maka dis-
tribusi posterior adalah normal N ((x), 1 ). Atusan bayes untuk fungsi
kerugian kuadratik adalah
x 2 2
(x) = (x) = + (5.32)
2 + 2 2 + 2
Contoh 5.9 jika fungsi kerugian adalah L(, a) = w()( a)2 maka diper-
oleh aksi bayes adalah
E (/x) [w()]
a = (x) = . (5.33)
E (/x) []
Definisi 5.6 Jika () distribusi prior improper dan (x) aksi bayes poste-
rior maka (x) disebut aksi bayes umum.
5.5 Latihan
1. Ada tiga koin dalam sebuah kotak, yaitu koin kedua sisi gambar, koin
kedua sisi angka, dan yang ketiga adalah koin biasa, satu sisi gambar
dan satu sisi angka. Ketika salah satu dari tiga koin dipilih secara
random diperoleh sisi gambar, berapa peluang bahwa koin tersebut
adalah oin dengan kedua sisi gambar?
Latihan 73
2. (DeGroot (1970)) Misalkan, dengan peluang 1/10, sinyal hadir dalam

sistem tertentu pada waktu tertentu, dan dengan peluang 9/10 tidak
ada sinyal hadir. Sebuah pengukuran dilakukan pada sistem ketika
sinyal hadir berdistribusi normal dengan mean 50 dan variansi 1, dan
pengukuran yang dilakukan pada sistem jika tidak ada sinyal hadir
berdistribusi normal dengan mean 52 dan variansi 1. Misalkan pen-
gukuran dilakukan pada sistem pada waktu tertentu memiliki nilai
x. Tunjukkan bahwa probabilitas posterior bahwa sinyal hadir adalah
lebih besar dari probabilitas posterior tidak ada sinyal hadir, jika x <
51 21 log 9.
3. General Motors ingin meramalkan penjualan mobil baru untuk tahun

berikutnya. Banyak mobil terdijual dalam satu tahun merupakan vari-
abel random berdistribusi normal N (108 ), (106 )2 ), di mana adalah
tingkat pengangguran sepanjang tahun. Densitas prior untuk tahun
tahun depan dianggap N (0, 06, (0, 01)2 ). Tentukan distribusi penjualan
mobil untuk tahun depan!
4. Diketahui X berdistribusi binomial B(n, ). Dan berdistribusi prior

beta Be(, ). Tentukan distribusi posterior dari yang diberikan X.
5. Diketahui X = (X1 , . . . , Xn ) berdistribusi eksponensial E(). Misalkan

berdistribusi prior inversi gausian IG(, ). Tentukan distribusi pos-
terior dari yang diberikan X.
6. Diketahui X = (X1 , . . . , Xn ) berdistribusi normal N (, 2 ), dengan

dan tidak diketahui. Jika distribusi prior untuk dan adalah
(, 2 ) = 1 (/2)2 ( 2 )
dimana 1 (/2) adalah distribusi normal N (, 2 ) dan 2 ( 2 ) adalah

berdistribusi inversi gaussian IG(, ). Misalkan berdistribusi prior
inversi gausian IG(, ). Tentukan distribusi posterior dari dan 2
yang diberikan X.
7. Diketahui X = (X1 , . . . , Xn ) berdistribusi uniform U(0, ). Misalkan

berdistribusi prior pareto Pa(0 , ). Tentukan distribusi posterior dari
yang diberikan X.
8. Diketahui X berdistribusi gamma G(n/2, 2). Dan berdistribusi prior

inversi gausian IG(, ). Tentukan distribusi posterior dari yang
diberikan X.
9. Diketahui X berdistribusi Negatif binomial N B(m, ). Dan berdis-

tribusi prior beta Be(, ). Tentukan distribusi posterior dari yang
diberikan X.
10. Diketahui X = (X1 , . . . , Xn ) berdistribusi normal N (, 2 ), dengan

dan tidak diketahui. Jika distribusi prior untuk dan adalah
(, 2 ) = 1 (/2)2 ( 2 )
dimana 1 (/2) adalah distribusi normal N (, 2 ) dan 2 ( 2 ) adalah

berdistribusi inversi gaussian IG(, ). Misalkan berdistribusi prior
inversi gausian IG(, ). Tentukan distribusi posterior marginal dari
dan 2 yang diberikan X.
Bibliography
[1] Berger, J. O., 1985, Statistical Decision Theory: Foundations, Concepts,

and Methods, Springer-verlag, New York Inc.
[2] Liese F dan Miescke, K.J., 2008, Statistical Decision Theory Estimation,
Testing, and Selection, Springer.
75

Bahan Ajar PTK Boptn

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bahan Ajar PTK Boptn

Diunggah oleh

Hak Cipta:

Format Tersedia

Pengantar Teori Keputusan

3 Utilitas dan Kerugian 37

3.2 Teori Utilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4 Informasi prior dan Fungsi densitas prior 53

5 Teori keputusan bayesian 63

Contoh 1.1 (Obat)

Statistik klasik diarahkan pada penggunaan informasi sampel (data yang

Contoh 1.2 (Pengiriman trasistor)

untuk menerima atau menolak kiriman tersebut dengan melakukan pemerik-

1.2 Elemen Dasar Teori Keputusan

Distribusi probabilitas dari X tergantung pada parameter tidak diketahui

sedangkan Jika X diskrit maka

Harga harapan atas X dari fungsi h(X) untuk parameter dideinisikan

Informasi selanjutnya yang dibahas dalam pendahuluan itu mengenai .

Contoh 1.3 (Lanjutan obat)

maka  = {2 ; 0 2 1} = [0, 1]. Biasanya percobaan dapat dilakukan

Fungsi kerugian diatas menunjukkan bahwa kelebihan produksi merugika n

f (x|2 ) = nCx2x (1 2 )nx (1.3)

Disamping informasi sampel, perlu juga dipertimbangkan informasi se-

Penentuan L, f, dan dilakukan secara sederhana, teknik yang lebih baik

Contoh 1.4 (Lanjutan pengiriman transistor)

jika melakukan pengecekan setiap transistor yang dikirim. Sebuah sampel

Ketika aksi a2 dilakukan (pengiriman ditolak), kerugiannya bernilai 1,

1.3 Nilai Harapan kerugian, Aturan Keputu-

1.3.1 Nilai harapan kerugian Bayes

keputusan maka nilai harapan kerugian Bayes untuk aksi a adalah

(, a) = E [L(, a)] (1.6)

Contoh 1.5 (Lanjutan obat)

Kita lihat untuk tiga kemungkinan harga a, yaitu

1. JIka a 0.1 maka

2. JIka 0.1 a 0.2 maka

+ 5(0.2)2 10a(0.2) (5a2 10a2 )

3. JIka a 0.2 maka

1.3.2 Resiko frekuentis

R(, ) = EX [L(, (X))] (1.12)

Aturan keputusan dibandingkan berdasarkan fungsi risiko, semakin kecil nilai

Definisi 1.4 Aturan keputusan 1 adalah R-better dari aturan keputusan 2

Table 1.1: Fungsi kerugian

Contoh 1.7 (Normal)

R(, c ) = EX [L(, c (X))]

Karena untuk c > 1

R(, 1 ) = 1 < c2 + (1 c)2 2 = R(, c ) (1.14)

Contoh 1.9 (Lanjutan Normal)

Table 1.2: Fungsi kerugian

berdistribusi (1 ) = 0.2, (2 ) = 0.3, dan (3 ) = 0.5

2. Seorang investor harus memutuskan untuk membeli obligasi ZZZ yang

3. Misalkan X berdistribusi Poisson(), = (0, ) dan A = (0, ).

4. Pemilik toko pakaian harus memesan pakaian seragam untuk tahun

para pelanggan, pemilik toko menaksir kerugian sebesar 10 ribu rupiah

5. Sebuah pengiriman transistor kepada suatu perusahaan radio. Keputu-

Perusahaan radio pada masa lalu banyak menerima pengiriman transis-

() = (0.05)0.95 I[0,1] () (1.17)

Table 1.3: Fungsi kerugian

6. Seorang Petani sedang memikirkan untuk memanen tembakaunya lebih

7. Suatu perusahaan harus memutuskan akan menerima atau menolak

9. Misalkan adalah persentase perubahan hasil dari suatu proses, di

10. Misalkan adalah persentase perubahan hasil dari suatu proses, di

2.2 Aturan Keputusan random

a1 jika anda memilih Gambar dan

a2 jika anda memilih Angka.

Kemungkinan keadaan alam (lawan anda) adalah

1 koin lawan anda terjadi Gambar dan

2 koin lawan anda terjadi Angka.

maka = {2 ; 0 2 1} = [0, 1]. Biasanya percobaan dapat dilakukan