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
iii
iv DAFTAR ISI
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
.
Z
P (A) = f (x/)dx, (1.1)
A
X
P (A) = f (x/). (1.2)
xA
(2 ) = 10I(0.1,0.2) (2 ) (1.4)
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.
Definisi 1.1 Jika () adalah distribusi peluang dari pada saat membuat
8 Konsep Dasar
(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
(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 , 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
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
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
Definisi 1.5 Aturan keputusan adalah admissible jika tidak ada aturan
keputusan R-better. Aturan keputusan adalah inadmissible jika ada aturan
keputusan R-better.
Nilai Harapan kerugian, Aturan Keputusan dan Fungsi Risiko 13
a1 a2 a3
1 1 3 4
2 -1 5 5
3 0 -1 -1
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)
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
Tentukan
a. Fungsi Resiko
b. Nilai harapan kerugian Bayes (, a)
b. Tentukan aksi admisibel atau inadmisibel
Latihan 17
a1 a2
1 0 3
2 1 2
3 3 0
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
a. Nilai harapan kerugian Bayes (, a)
b. Tentukan aksi admisibel atau inadmisibel
Prinsip Keputusan
2.1 Pendahuluan
Bab ini menyajikan beberapa prinsip keputusan baik yang klasik maupun
bayesian.
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
19
20 Prinsip Keputusan
a1 a2
1 -1 1
2 1 -1
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
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
22 Prinsip Keputusan
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
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
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
24 Prinsip Keputusan
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
1. Hipotesis
H0 : = 0 vs H1 : 6= 0
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.
X 1 = 1 X1 = + 1
X2 = 1 1/4 1/4
X2 = + 1 1/4 1/4
X 1 + X2
(X) =
2
1++1
=
2
= (2.11)
dan
X 1 + X2
(X) =
2
+1+1
=
2
= (2.12)
(X) = X1 1
= +11
= (2.13)
(X) = X1 1
= 11
= 2 (2.14)
X1 = 1 X1 = + 1
X2 = 1 2
X2 = + 1
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
2. Menerima H1 ketika X = 2
= f (x = 2/ = 0)
= 0.005
Perspektif bersyarat 29
= f (x = 1/ = 1) + f (x = 3/ = 1)
= 0.0051 + 0.01
= 0.0151
3. Menerima H1 ketika X = 3
= f (x = 3/ = 0)
= 0.99
= f (x = 1/ = 1) + f (x = 2/ = 1)
= 0.0051 + 0.9849
= 0.99
= 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
30 Prinsip Keputusan
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
= f (x = 2/ = 0) + f (x = 3/ = 0)
= 0.005 + 0.99
= 0.995
= f (x = 1/ = 1)
= 0.0051
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
a1 a2
1 0 4
2 1 2
3 3 0
(
x
a1 jika n
0, 05
(x) = x
a2 jika n
> 0, 05
Tentukan
a) Fungsi Resiko
b) Resiko Bayes
c) Aksi Bayes dan Minimaks
34 Prinsip Keputusan
a1 a2
1 0 3
2 1 2
3 3 0
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
3.1 Pendahuluan
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.
Berdasarkan definisi di atas dan fungsi utilitas diperoleh P2 lebih disukai dari
pada P1 jika hanya jika
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)
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)
5. Tahap kelima.
Periksa secara periodik proses konstruksi supaya konsisten dengan mem-
badingkan kombinasi penghargaan baru.
Aksioma
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:
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)
42 Utilitas dan Kerugian
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. 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.
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).
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:
Untuk n = 1, hasil dari permainan ini adalah Z1 dan utilitas yang di-
harapkan dari hasilnya adalah
L(, a) = U (, a) (3.9)
maka
dan
( , C(x)) = E [1 IC(x) ()]
= 1 P ( C(x)) (3.11)
X1 = 1 X1 = + 1
X2 = 1 1/4 1/4
X2 + 1 1/4 1/4
X1 + X2
C(X) =
2
1++1
=
2
= (3.13)
dan
X1 + X2
C(X) =
2
+1+1
=
2
= (3.14)
C(X) = X1 1
= +11
= (3.15)
C(X) = X1 1
= 11
= 2 (3.16)
X 1 = 1 X1 = + 1
X2 = 1 2
X2 + 1
dimana
(
1 jika C(x),
IC(x) () =
0 jika C(x).
Selanjutnya diperoleh fungsi resiko untuk pasangan (C(x), 1 (x)) sebagai berikut
Selanjutnya diperoleh fungsi resiko untuk pasangan (C(x), 2 (x)) sebagai berikut
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.
U (r) = b log(cr + 1)
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?
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 .
53
54 Informasi prior dan Fungsi densitas prior
untuk masalah ini dipilih () = 1. Hal ini sering disebut fungsi densitas
seragam pada R1 yang diperkenalkan dan digunakan oleh Laplace (1812).
= ()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
() = [I()]1/2 (4.13)
2 log f (x/)
I() = E (4.14)
2
() = [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
x
f (x) = 1 f ( ) (4.17)
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.
( )2
1
() = exp (4.22)
2 22
sehingga
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)
60 Informasi prior dan Fungsi densitas prior
jadi
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
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.
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.
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.
h(x, )
(/x) = . (5.3)
m(x)
63
64 Teori keputusan bayesian
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)
(x )2
1
f (x/) = exp (5.5)
2 2 2
( )2
1
() = exp (5.6)
2 2 2
sehingga
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
66 Teori keputusan bayesian
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.
e x
f (x/) = (5.17)
x!
1 e/
() = (5.18)
()
68 Teori keputusan bayesian
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!
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+
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
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.
70 Teori keputusan bayesian
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
Definisi 5.3 Jika etimasi Kemungkinan maksimum umum dari dan (/x)
meruapkan distribusi posterior untuk maka variansi posterior dari adalah
V = E (/x) [( )2 ].
= E (/x) [].
Analisis keputusan posterior 71
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)
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)
((/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 ) = 1 (/2)2 ( 2 )
(, 2 ) = 1 (/2)2 ( 2 )
[2] Liese F dan Miescke, K.J., 2008, Statistical Decision Theory Estimation,
Testing, and Selection, Springer.
75