Anda di halaman 1dari 39

BAB I

PENDAHULUAN

A. Latar Belakang Masalah


Pengambilan keputusan merupakan pemilihan diantara beberapa alternatif
pemecahan masalah. Pada hakikatnya keputusan diambil jika pimpinan
menghadapi masalah atau untuk mencegah timbulnya masalah dalam
organisasi yang bergerak baik dalam bidang sosial maupun komersial. Ada
dua kemungkinan sifat tujuan dari pengambilan keputusan. Pertama adalah
tujuan pengambilan keputusan yang bersifat tunggal dalam arti bahwa sekali
diputuskan tidak akan ada kaitannya dengan masalah lain. Kemungkinan
kedua adalah tujuan pengambilan keputusan dapat bersifat ganda dalam arti
bahwa satu keputusan yang diambil sekaligus memecahkan dua masalah atau
lebih.
Dalam setiap pengambilan keputusan para pengambil keputusan akan
selalu berhadapan dengan lingkungan, dimana salah satu karakteristiknya
yang paling menyulitkan dalam proses pengambilan keputusan adalah
ketidakpastian (Uncertainty), ini adalah salah satu sifat dimana tidak akan
dapat diketahui dengan pasti apa yang akan terjadi di masa yang datang.
Untuk itu maka model pengambilan keputusan sangatlah penting untuk
membantu para pengambil keputusan dan mengambil keputusan. Ada
beberapa macam model keputusan antara lain model simulasi computer,
model pohon keputusan, model probabilistik dan lain sebagainya. Dari model
tersebut masing – masing memiliki tipe kasus yang berbeda tapi memiliki
fungsi yang sama. Maka dari itu kami mengangkat suatu kasus dari model
probabilistic untuk lebih memahami model – model pengambilan keputusan
tersebut.
Dan pada bab ke sembilan ini memberikan penjelasan tentang model
dengan teori keputusan. Dan rumusan masalah yang dapat yang menjadi
tujuan umum pencapaian perkuliahan pemodelan matematika kali ini, ialah :

1
B. Rumusan Masalah
1. Apakah yang dimaksud dengan teori keputusan?
2. Bagaimana menghitung nilai probabilitas dan nilai harapan pada teori
keputusan ini?
3. Bagaimanakah penggunaan pohon-pohon keputusan dalam mengambil
keputusan yang diingin dicapai?
4. Bagaimanakah penggunaan keputusan sekuensial dan kemungkinan
bersyarat pada teori keputusan ini?
5. Bagaimanakah penggunaa keputusan menggunakan kriteria alternatif
pada teori kepetusan?
C. Tujuan
1. Memahami pengertian teori keputusan
2. Mampu menghitung nilai probabilitas dan nilai harapan pada teori
keputusan ini
3. Mampu menggunakan pohon-pohon keputusan dalam mengambil
keputusan yang diingin dicapai
4. Mampu menggunakan keputusan sekuensial dan kemungkinan bersyarat
pada teori keputusan
5. Mampu menggunakan keputusan sekuensial dan kemungkinan bersyarat
pada teori keputusan

2
BAB II

PEMBAHASAN

A. Pemodelan Dengan Teori Keputusan

Teori keputusan, juga disebut analisis keputusan, adalah kumpulan model


matematis dan alat yang dikembangkan untuk membantu kita dalam memilih di
antara tindakan alternatif dalam situasi kompleks yang melibatkan keberuntungan
dan risiko.

Namun, pada beberapa situasi terdapat untung dan resiko, dan kita inging
membuat model yang membantu kita membuat keputusan berdasarkan peluang,
risiko, atau keduanya. Selain adanya elemen-elemen yang diketahui terdapat juga
faktor random dalam banyak model-model tersebut. Misalnya, Anda berada di
taman bermain dan menemukan roda seperti pada Gambar 9.1 Dibutuhkan
biaya$4 untuk memutarnya. Anda bisa bermain game sebanyak mungkin. Dengan
asumsiroda adalah “adil”. Jika demikian, berapa banyak yang Anda harapkan
untuk menang atau kalahsepanjang malam?Jika roda itu adil, kita akan
memperkirakan memutar $0 separuh waktu dan $10 separuh lainnyaDan rata-rata
$5 per putaran. Karena biaya $4 untuk bermain game dan hasilnya adalah $0
atau$10, kita akan kehilangan $4 jika kalah atau menang mendapatkan $6.
Artinya, nilai bersih rata-rata kita, atau harapan E, adalah

𝐸 = (0 − $4)0,5 + ($10 − $4)0,5 = $1

Jadi, jika kita bermain game 100 kali kita harapkan bisa menghasilkan sekitar
$100. KitaMempertimbangkan kemungkinan hasil lain yang terjadi. Adanya

3
resiko. Sebagai contoh, Anda bisa mulai dengan memutar $0 berulang-ulang yang
melebihi dana Anda yang tersedia.Perbedaan penting dalam teori keputusan
adalah apakah keputusan tersebut diterapkansekali atau diulang berkali-kali
seperti yang baru saja dibahas. Misalnya di game Deal atau NoDeal ada 26 kotak,
masing-masingberisi sejumlah uang antara $0,01 dan $1.000.000 (lihat situs web
untuk rinciannya).Kontestan mulai dengan memilih sebuah kotak untuk disisihkan
sebagai miliknya. Dia kemudian mengidentifikasi 6 dari25 kotak tersisa untuk
dibuka dan diperlihatkan sejumlah uang pada masing-masing kotak tersebut. 6
kotak tersebut kemudian dihapus dari permainan. Setelah setiap putaran
pembukaan nomor kotak tertentu, Pembawa acara mengajukan 'kesepakatan'
dengan menawarkan kontestan kesempatan untuk berhenti dan mengambiltawaran
atau terus bermain dengan membuka lebih banyak kotak yang tersisa. Mari kita
anggap adasekarang hanya 2 kotak tersisa, yaitu $0,01 atau 1.000.000, dan Anda
sama-sama mungkin utk mendapatkan sejumlah uang di kotak mu. Pembawa
acara menawarkan $400.000. Apakah Anda membuatkesepakatan atau terus
bermain? Rata-rata, atau harapan, jika terus bermain adalah

𝐸 = ($0,01)0,5 + ($1.000.000)0,5 ≈ $500.000

Rata-rata melebihi penawaran sebesar $400.000. Jika Anda banyak


melakukan permainan ini,Anda akan mendapatkan rata-rata keuntungan sekitar
$100.000 dengan tidak membuat kesepakatan. Tapi jika Anda bermainhanya
sekali dan menolak tawaran tersebut, perbedaan antara penerima tawaran dan
memainkan permainan adalah:

𝐴 = $0,01 − $400.000 ≈ −$400.000 atau

𝐵 = $1.000.000 − $400.000 ≈ $600.000

Dengan demikian, Anda rugi $400.000 untuk membuat tambahan $


600.000. Apakah Anda menolak tawaran atauterus bermain? kita akan
mempelajari kriteria keputusan yang mungkin lebih tepat untuk satu
kalikeputusan daripada memaksimalkan nilai rata-rata.Perbedaan penting lainnya
adalah apakah probabilitas dari setiap kejadian diketahui atau tidakdiketahui
Misalnya, pertimbangkan keputusan berikut di antara kemungkinan usaha bisnis:

4
Hardware & Lumber adalah perusahaan besar yang menjalankan bisnis
yang sangat menguntungkan. Staf manajemen berpikir bahwa memperluas bisnis
untuk memproduksi dan memasarkan yang produk baru adalah ide bagus. Produk
baru yang sedang dipertimbangkan adalah gudang penyimpanan kecil outdoor
yang terbuat dari kayu. Alternatif berikut dapat dipertimbangkan: (1) membangun
pabrik besar untuk membuatgudang penyimpanan; (2) membangun pabrik kecil
untuk membuat gudang penyimpanan; Atau (3) jangan membangun pabrik
apapundan tidak memperluas perusahaan. Di antara asumsi utama yang harus
dipertimbangkan adalahbahwa permintaan untuk gudang bisa tinggi, sedang, atau
rendah tergantung pada ekonomi. KitaRangkum hasilnya dalam tabel berikut:

Hasil
Alternatif Permintaan Permintaan Permintaan Rendah
Tinggi Sedang (p = 0.35)
(p = 0.25) (p = 0.40)
Membangun pabrik yang $200,000 $100,00 -$120,000
besar
Memabangun pabrik yang $90,000 $50,00 -$20,000
kecil
Tidak ada pabrik $0 $0 $0
Keputusan apa yang harus dilakukan perusahaan jika tidak dapat
memperkirakan probabilitas permintaan? Jika departemen pemasaran dapat
memperkirakan permintaan masa depan sebagai berikut: Permintaan tinggi 25%,
40% sedang, dan 35% rendah keputusan apa yang akan kita lakukan? Seberapa
akurat perkiraan ini terhadap probabilitasnya? Apakah probabilitas itu
berdasarkan frekuensi relatif, atau apakah itu hanya evaluasi subyektif seorang
ahli? Seberapa sensitif keputusan terhadap perkiraan probabilitas dan perkiraan
hasil yang mungkin? Dimana titik jeda dimana keputusan Anda akan beralihke
alternatif yang berbeda? Apakah keputusan akan berbeda jika perusahaan tersebut
merupakan perusahaan barudengan modal yang sangat kecil dibandingkan dengan

5
perusahaan mapan dengan banyak modal? KeputusanSeperti ini dibahas di bagian
selanjutnya. Mari kita mulai dengan diskusi probabilitasDan nilai yang diharapkan

B. PROBABILITAS DAN NILAI HARAPAN

Mari kita pertama-tama mempertimbangkan permainan kesempatan.


Misalkan Anda memutar dadu sekali. Jika Anda memunculkan jumlah 7 Aamu
menang Jika Anda memunculkan selain itu, Anda kalah. Biayanya $1 untuk
bermain. JikaAnda menang, Anda mendapatkan $1 Anda kembali dan tambahan $
5. Jika tidak, Anda kehilangan $1. Jika Anda membuataruhan ini 100 kali
sepanjang malam, berapa banyak yang Anda harapkan akan menang? Atau
kalah?Untuk menjawab pertanyaan seperti itu, kita membutuhkan dua konsep:
probabilitas suatu kejadian dan nilai harapan.Kita akan menggunakan frekuensi
dari probabilitas suatu peristiwa. Probabilitas jumlah 7 dari dua dadu adalah
jumlah cara kita bisa memunculkan 7 dibagi dengan jumlah total hasil yang
mungkin. yaitu,

𝑏𝑎𝑛𝑦𝑎𝑘 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑎𝑠 𝑠𝑢𝑎𝑡𝑢 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛 =
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛

Tentu saja peluang pelemparan jumlah 7 harus sama atau lebih besar dari 0 dan
lebih kecil atau sama dengan 1. Dan jumlah seluruh peluang harus sama dengan 1.
Ditunjukkan dengan:

Jadi, kita memerlukan penghitungan titik sampel pelemparan dua dadu kemudian
menentukan berapa banyak yang jumlahnya 7. Suatu pohon akan membantu
menunjukkan kemunculan yang diharapkan. Pada pelempara pertama, angka-
angka yang mungkin muncul adalah 1,2,3,4,5 dan 6. Yang kedua juga seperti itu.
Mari kita lihat diagram pohon berikut:

6
Kita dapat melihat titik yang mungkin muncul pada tabel:

Dadu 2
1 2 3 4 5 6
Dadu1 1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Kita dapat melihat ada 36 titik sampel. Namun ada 6 yang menunjukkan
jumlah 7. Maka peluang kemunculan jumlah 7 adalah:

Jadi, dalam jangka panjang, Anda akan mengharapkan sekitar 1/6 pelemparan
akan menunjukkan jumlah mata 7.Sebelum kita bisa menentukan apakah kita
berharap bisa menang atau kalah dengan taruhan kita, kita perlu memahami
konsep nilai harapan.

Rata-rata berbobot

7
Jika Anda memiliki 2 nilai kuis, 80 dan 100, Anda akan menambahkan
dua angka itudan bagi dengan 2, dan diperoleh rata-rata 90. Jika setelah 5 kuis
Anda memiliki tiga nilai 80 dan dua nilai 100,

Biasanya aanda akan menjumlahkan kemudian membagi 5 hasilnya,

Kemudian kita dapati

3 2
Rata-rata ber bobot= 5 (80) + 5 (100)

Dalam bentuk ini, kita memiliki dua hasil 80 dan 100, masing-masing dikalikan
dengan bobot, 3/5 dan2/5. Hal ini serupa dengan definisi nilai yang diharapkan.

Misalkan sebuah permainan memiliki hasil a1,a2, ..., Masing-masing dengan hadiahw1,
w2,..., Wndan a. Terkait Peluang p1, p2, ..., pndimana p1+ p2+ ...+ pn= 1 dan 0 ≤ Pi≤ 1,
Kemudian jumlahnya:
E = w1p1+w2 p2+ ...+wn pn
Adalah nilai yang diharapkan dari permainan.

CONTOH 1 Pelemparan Dadu


Mari kembali ke permainan dadu kita. Kami tertarik pada hasil yang
diperoleh yang menang dan yang kalah. Menang mendapat hadiah sebesar $5,
sementara kalah mendapat hadiah sebesar $-1. Menang (mendapatkan mata 7)
memiliki probabilitas 1/6, seperti yang kita hitung sebelumnya. Kalah(muncul
selain 7) memiliki probabilitas 5/6. Artinya, (1- 1/6 = 5/6), atau dengan
perhitungan yang lain yaitu, ada 30 cara kalah dari 36 kemungkinan, jadi peluang
kalah adalah 30 / 36 = 5 / 6. Nilai yang kita harapkan saat itu adalah:

Interpretasi dari hasil nol adalah, jika dalam jangka panjang Anda impas,karena
permainan itu adil. Jika Anda dikenai biaya $ 2, maka nilai yang diharapkan
adalah

8
Dan Anda akan rugi dengan rata-rata sekitar $ 0,83. Jadi, jika kamu bermain 100
kali, Andadiperkirakan akan kehilangan sekitar $83. Permainan ini tidak adil bagi
pemain. Sebuah permainan adil jikanilai yang diharapkan (Nilai Ekspeksai)
adalah 0.

CONTOH 2 Asuransi Jiwa

Sebuah polis asuransi jiwa akan membayar sejumlah uang tertentu untuk
kematianpemegang polis. Kebijakan ini memiliki premi yang harus dibayar setiap
tahun. Misalkan perusahaan asuransi sedang mempertimbangkan untuk menjual
polis asuransi jiwa berjangka sebesar $250.000 dalam satu tahun kepada seorang
wanita berusia 49 tahun seharga $550. Menurut Laporan Statistik Vital Nasional
(Vol. 47,No. 28), peluang perempuan akan bertahan hidup selama setahun adalah
0,99791. Hitung yang Nilai harapan (ekspektasi) dari kebijakan perusahaan
asuransi.

Solusi

Kita menghitung nilai harapan yang diketahui, bahwa semua pemegang


polis akan membayar premi sebesar $550 dan diperkirakan bahwa (1-99,791)%
pemegang polis akan mengumpulkan $250.000, Sehingga diperoleh nilai harapan:

Perusahaan asuransi jiwa diperkirakan akan menghasilkan lebih dari $25


per polis yang dijual. Jika perusahaan menjual 1000 polis, maka diperkirakan
akan menghasilkan $25.000. Karena nilai yang diharapkan adalah positif, menjual
polis akan menjadi pendapatan pokok. Nilai negatif yang diharapkan akan
menunjukkan kerugian.

9
CONTOH 3 Roulette

Penerapan nilai harapan umumnya dilakukan dalam perjudian.


Misalnya,roda rolet Amerika memiliki 38 kemungkinan hasil yang berpeluang
sama untuk muncul. Nomornya adalah 0, 00, 1, 2, 3 ,. . . , 34, 35, 36. Taruhan
pemenang yang ditempatkan pada satu nomor membayar 35 banding 1. Ini berarti
bahwa kamu dibayar 35 kali taruhan mu dan taruhan mu dikembalikan, jadi Anda
mendapatkan 36 kali taruhan setelah taruhan Anda dikumpulkan. Jadi, dengan
mempertimbangkan semua kemungkinan hasil, dapatkan nilai harapan dari
taruhan $1 pada satu nomor

Solusi

Jika pemain bertaruh pada satu nomor dalam game roulette Amerika, ada
kemungkinan 1/38 pemain menang. Jika dia menang, dia menang $36 dikurangi
biaya taruhan $1. Peluang ia kalah adalah 37/38, dan dia kehilangan $1. Nilai
harapannya adalah

Oleh karena rata-rata harapan seorang pemain, rugi 5 sen lebih di setiap taruhan,
dan Nilai harapan dari taruhan satu dolar adalah ($1 - $0,0526) atau $ 0,9474.
Dalam hal ini, Nilai harapan (-$ 0,0526) negatif, permainannya tidak adil, dan
keuntungan bagi tuan rumah adalah 5,26%.

CONTOH 4 Merenovasi Lapangan Golf yang Ada atau Membangun


Lapangan Golf Baru

Anggap sebuah perusahaan konstruksi yang memutuskan apakah akan


mengkhususkan diri dalam renovasi Lapangan golf yang ada atau membangun
lapangan golf baru. Jika kedua usaha itu berjalan lama, pilih mana yang paling
menguntungkan. Jika tidak ada keuntungan, maka tidak akan melakukan
keduanya.Perusahaan konstruksi harus mengajukan penawaran, yang memerlukan
biaya, dan mereka dapat ataupun tidak dapat mendapat hadiah pada kontrak

10
tersebut. Jika tawaran untuk membangun lapangan baru, perusahaan memiliki
kesempatan 20%memenangkan kontrak dan mengharapkan untuk menghasilkan
$50.000 pendapatan bersih jika diberi kontrak.Namun, jika perusahaan gagal
mendapatkan kontrak, maka akan kehilangan $1000, yaitu biaya untuk
menyiapkan kontrak. Data yang sesuai untuk memodernisasi lapangan golf
diberikan dalam tabel berikut ini:

Untuk konstruksi baru, menang dan kalah dalam kontrak, maka pembayarannya
$50.000 dan $1000. Dengan probabilitasadalah 0,20 dan 0,80. Nilai harapannya
adalah

Dengan demikian, dalam jangka panjang penawaran pada konstruksi baru adalah
menguntungkan. Rata-rata, akan menghasilkan $9200 setiap kali mengajukan
penawaran. Bagaimana dengan remodeling Lapangan golf yang ada? Jika menang
mendapat hasil sebesar $40.000 dengan peluang 0,25, danjika kalah, rugi sebesar
$500 dengan peluang 0,75. Perhitungan nilai harapan yang, kita miliki adalah:

Dalam jangka panjang, membangun kembali lapangan golf yang ada adalah usaha
yang lebih menguntungkan.

ANALISIS SENSITIVITAS

Kita perhatikan bahwa model keputusan yang bergantung pada banyaknya asumsi.
Misalnya, di Contoh 4, peluang pemberian kontrak untuk membangun lapangan
golf baru atau Renovasi lapangan golf yang ada merupakan perkiraan yang
mungkin berdasarkan pengalaman sebelumnya. Peluang tersebut cenderung
berubah karena lebih sedikit perusahaan konstruksi mengajukan penawaran atau

11
jumlah kesempatan untuk menawar perubahan. Seberapa peka (sensitif) terhadap
perkiraan peluang dari keuntungan kontrak adalah keputusan untuk merombak
lapangan golf yang ada? Untuk mendapatkan keuntungan bersih,jika mendapat
kontrak?

CONTOH 5 Merenovasi Lapangan Golf yang Ada atau Membangun Golf


Baru (Peningjauan Kembali)

Pertama, mari pertimbangkan perkiraan peluang pemberian kontrak untuk


konstruksi Lapangan golf baru. Perkiraan saat ini adalah 20%. Berapakah
probabilitas harus dinaikkan untuk membangun lapangan golf baru agar sama
dengan merenovasi lapangan golf yang sudah ada? Misalkan p mewakili
probabilitas keberhasilan untuk membangun Lapangan golf baru dan (1-p)
probabilitas kegagalan, kita bisa merepresentasekan nilai yang diharapkan
membangun lapangan golf baru sebagai berikut:

𝐸(𝑁𝐶) = ($50.000)𝑝 + (−$1.000)(1 − 𝑝)

Untuk membangun usaha lapangan golf baru yangkompetitif, nilai harapan Harus
sama dengan nilai yang diharapkan dari remodeling lapangan golf yang ada, saat
ini $ 9625.

Kita mendapatkan p= 0,2083 atau 20,83%. Dengan demikian, perubahan kecil


pada perkiraan keberhasilan dalam membangun lapangan golf baru yang terjadi
bisa mengubah keputusan kita. Ini memungkinkan kepada pengambil keputusan
mempertimbangkan 20,83% sebagai titik impas. Jika menurutnya peluangnya
lebih tinggi, dia harus membangun lapangan golf baru.

Bagaimana dengan kepekaan (sensitifitas) keputusan terhadap kontrak bersih jika


mendapat kontrak membangun lapangan golf baru? Diberikan x mewakili
keuntungan dan menggunakan peluang penghargaan yang diberikan, pada Contoh
4 kita memiliki, konstruksi lapangan golf baru:

12
Agar kompetitif, nilai yang diharapkan sama dengan remodeling lapangan
golf yang sudah ada,

Penyelesaian untuk x, kita dapatkan x$52,125, meningkat 4,25%. Sekali lagi,


inilah
titik keputusan. Sekarang, mari kita praktekkan dengan konsep peluang kejadian
dan nilai harapan.

C. POHON-POHON KEPUTUSAN
Pohon keputusan sering digunakan untuk menampilkan dan menganalisa
pilihan yang mungkin bagi pengambil keputusan. Pohon keputusan sangat
informatif saat urutan keputusan harus dibuat. Notasi yang akan kita gunakan
ditunjukkan pada gambar 9.3-9.5
Gambar 9.3 Sebuah simpul keputusan dengan cabang keputusan untuk
setiap tindakan alternatif (strategi).

Gambar 9.4 Sebuah simpul ketidakpastian yang menyatakan kemungkinan dengan


cabang hasil untuk setiap kemungkinan yang dapat terjadi pada
simpul ketidakpastian tersebut.

13
Gambar 9.5 Sebuah simpul terminal dengan cabang konsekuensi yang
menunjukkan hasil
Contoh 1 Membangun Lapangan Golf Baru Atau Merombak Bagian
Lapangan Golf Yang Ada.
Mari kita buat pohon keputusan contoh 4 dari bagian 9.1. Keputusan yang harus
dibuat adalah apakah akan membangun lapangan golf baru atau merombak
lapangan golf yang ada. Kriteria keputusan adalah memaksimalkan keuntungan
total dalam jangka panjang dengan memaksimalkan nilai yang diharapkan. Ingat
data berikut:
Kontruksi Baru Merombak
Menang kontrak: $ 50.000 keuntungan Menang kontrak: $ 40.000 keuntungan
bersih bersih
Kalah Kontrak : - $ 1.000 Kalah Kontrak : - $ 500
Kemungkinan pemberian kontrak: 20% Kemungkinan pemberian kontrak: 25%

Kita mulai dengan simpul keputusan dengan dua cabang, satu untuk setiap
tindakan alternatif (Gambar 9.6). Sekarang, tambahkan simpul ketidakpastian,
masing-masing dengan cabang hasil untuk setiap kemungkinan hasil yang
tergantung pada kesempatan, dan kemungkinan yang terkait untuk setiap cabang

14
hasil (Gambar 9.7). Akhirnya, kita menambahkan simpul terminal dengan cabang
konsekuensi dan nilai untuk setiap hasil (Gambar 9.8).

Gambar 9.6 Pilih konstruksi baru atau merombak untuk memaksimalkan nilai
yang diharapkan

Gambar 9.7 Dua simpul ketidakpastian, masing-masing dengan dua


cabang hasil

15
Dalam kasus ini, kita hanya memiliki satu keputusan, dan kriteria keputusan kita
adalah menghitung nilai yang diharapkan dari setiap tindakan alternatif lainnya
seperti yang kita lakukan pada contoh 2 dan memilih yang lebih besar. Artinya,
kita menghitung nilai yang diharapkan dari setiap simpul ketidakpastian maka
buatlah keputusan berdasarkan nilai yang diharapkan lebih tinggi. Keputusan kita
adalah merenovasi lapangan golf.

Gambar 9.8 Pohon Keputusan untuk Contoh 1

Gambar 9.9 Solusi untuk contoh 1

16
Gambar 9.10 Metode fold-back: dimulai dengan simpul keputusan akhir,
mengevaluasi nilai yang diharapkan dari simpul ketidakpastian di sepanjang
setiap cabang keputusan (course of action). Kemudian, untuk setiap simpul
keputusan, pilih nilai maksimum yang diharapkan untuk setiap tindakan yang
dikeluarkan dari simpul keputusan tersebut.

Seperti pada contoh, prosedur kita untuk menyelesaikan pohon keputusan


dimulai pada bagian akhir dan mengganti setiap simpul ketidakpastian dengan
nilai yang diharapkan. Kemudian, kita membuat keputusan pada simpul
ketidakpastian dengan memilih nilai yang diharapkan lebih besar. Ini sering
disebut sebagai metode flip-back, yang kami ilustrasikan pada gambar 9.10.

Contoh 2 Keputusan Perusahaan Hardware and Lumber (Ditinjau Kembali)


Ingat kembali keputusan apakah akan memproduksi dan memasarkan gudang
kayu outdoor yang disajikan dalam bab pendahuluan. Tiga alternatif yang
dipertimbangkan dengan pendapatan atau kerugian permintaan masing-masing
disertai perkiraan kemungkinan permintaan adalah sebagai berikut:

17
Hasil
Alternatif Permintaan Permintaan Permintaan
Tinggi Sedang Rendah
(p = 0.25) (p = 0.40) (p = 0.35)
Membangun pabrik $200,000 $100,00 -$120,000
yang besar
Memabangun pabrik $90,000 $50,00 -$20,000
yang kecil
Tidak ada pabrik $0 $0 $0

Gambar 9.11 Diagram Pohon Perangkat Keras dan Kayu

Kriteria keputusan kita adalah memilih usaha dengan nilai tertinggi yang
diharapkan menguntungkan. Kita akan membuat diagram pohon dan
menyelesaikan diagram pohon itu dengan cara bergerak mundur untuk
mendapatkan sebuah keputusan. Seperti yang terlihat pada gambar, nilai harapan

18
kita sebesar $48.000 untuk membangun pabrik besar lebih baik daripada $35.500
untuk pabrik kecil dan 0 untuk tidak ada pabrik. Keputusan kita adalah
membangun pabrik besar.

Contoh 3 Sebuah Stasiun TV Lokal


Sebuah stasiun tv lokal yang menyiarkan programnya di seluruh negara bagian
memiliki $1,5 juta untuk investasi dan ingin memutuskan apakah akan
memasarkan jadwal baru. Perusahaan memiliki tiga alternatif:

Alternatif 1. Uji jadwal baru secara lokal dengan survei pasar. Gunakan hasil
survei lokal untuk memutuskan apakah akan melaksanakan jadwal baru di seluruh
negara bagian atau abaikan gagasan tentang jadwal baru.
Alternatif 2. Tanpa uji pasar, memasarkan jadwal baru di seluruh negara bagian.
Alternatif 3. Tanpa pengujian, memutuskan untuk tidak memasarkan strategi
baru.

19
Gambar 9.12 Diagram Pohon Yang Lengkap untuk contoh 3
Dengan tidak adanya survei pasar, stasiun tv memperkirakan bahwa jadwal baru
memiliki kemungkinan 55% menjadi sukses di seluruh negara bagian dan
kemungkinan 45% mengalami kegagalan di seluruh negara bagian. Jika itu adalah
kesuksesan di seluruh negara bagian, keuntungannya akan mendapat tambahan
$1,5 juta, dan jika gagal, stasiun tersebut akan kehilangan $1 juta. Jika stasiun tv
melakukan studi pasar (dengan biaya $300.0000), ada kemungkinan 60% bahwa
penelitian ini akan memprediksi hasil optimis (keberhasilan lokal) dan 40%
kemungkinan prediksi pesimis (kegagalan lokal). Jika keberhasilan lokal
diprediksi, ada kemungkinan 85% keberhasilan di seluruh negara bagian. Jika
terjadi kegagalan lokal, maka ada kemungkinan 10% keberhasilan di seluruh

20
negara bagian. Jika stasiun tv ingin memaksimalkan nilai yang diharapkan,
strategi apa yang harus diikuti?
Interpretasi
Nilai tertinggi yang diharapkan adalah $2,7 juta dengan tidak melakukan survei
pasar dan pemasaran negara bagian yang baru secara langsung. Seringkali,
keputusan berurutan; Artinya, beberapa keputusan bergantung pada satu atau lebih
keputusan sebelumnya, kita memeriksa keputusan berurutan menggunakan pohon
keputusan di bagian 9.3.
D. KEPUTUSAN SEKUENSIAL DAN KEMUNGKINAN BERSYARAT

Dalam banyak kasus, keputusan harus dibuat secara berurutan. Mari kita
perhatikan contoh.

Contoh 1Las Vegas Casino Spinning Wheel.

Anda berada di Casino Las Vegas dan menemukan papan permainan


berikut, yang akan berputar secara acak (elektronik):

Dengan asumsi bahwa kemungkinan setiap hasil yang muncul adalah


sama, Anda menghitung hadiah dan kemungkinan yang terjadi sebagai berikut:

Anda memiliki maksimal 3 putaran tapi mungkin berhenti setelah putaran yang
pertama atau putaran kedua dan mengambil hasil dari putaran itu. Anda telah
memutuskan untuk bermain sebanyak 100 kali. Jelas, setelah putaran pertama,

21
Anda mungkin akan mendapat $10 dan berhenti, dan Anda akan memutar lagi jika
Anda mendapat $0. Tapi,bagaimana jika mendapat $4 dan $6? Dan apa kriteria
Anda setelah putaran kedua? Jelas, setelah putaran ketiga, jika Anda sampai
sejauh itu, Anda terjebak dengan apa pun terjadi. Apa yang Anda cari adalah
strategi keputusan yang optimal, yaitu:

Setelah putaran 1, ambil?

Setelah putaran 2, ambil?

Setelah putaran 3, ambil apa pun.

Jika tujuan Anda adalah untuk memaksimalkan keuntungan selama 100


permainan, apa yang harus Anda lakukan? Jika yang ingin Anda lakukan adalah
membuat keuntungan, Berapa jumlah maksimum yang harus Anda bayar untuk
bermain?

Untuk mengatasi masalah ini, kita mulai menentukannya dari putaran


akhir dan bekerja dengan cara mundur yaitu, jika kita tahu nilai putaran 3, kita
bisa memutuskan apa yang harus dilakukan pada putaran 2. Tentu saja jika kita
sampai pada putaran 3, kita harus mengambil apa pun. Menghitung nilai yang
diharapkan pada putaran 3, maka :

. 𝐸(𝑆𝑝𝑖𝑛3) = ( $10) 0, 25 + ($6)0, 25 + ($4) 0, 25 + ($0)0, 25 = $ 5, 00

Penafsiran

Jika kita tiba di putaran 3, kita akan mendapat rata-rata $5,00. Akibatnya,
pada putaran 2 kita harus mendapat hasil yang lebih besar dari $ 5,00.

Pada putaran 2, dapatkan $10 atau $6. Jika tidak, lanjut ke putaran ketiga:
Sekarang, kita menghitung nilai yang diharapkan pada awal putaran 2. Kita akan
mengambil
$10 atau $6; sebaliknya, jika kita mendapat $4 atau $0, kita akan lanjut ke putaran
3, yang sekarang kita tahu adalah bernilai $5,00. Dengan menghitung, kita
dapatkan

22
𝐸(𝑆𝑝𝑖𝑛 2) = ($10)0,25 + ($6)0,25 + ($5,00)0,50 = $6,50

Jika kita berharap untuk mendapat $6,50 pada putaran 2, maka pada
putaran 1 kita harusnya hanya mendapat $10. Disimpulkan, kita memiliki proses
pengambilan keputusan yang optimal yang memaksimalkan nilai yang diharapkan
yaitu:

Setelah putaran 1, dapatkan $10 saja.

Setelah putaran 2, dapatkan $10 atau $6.

Setelah putaran 3, mengambil apa pun.

Meskipun kita memiliki proses keputusan yang optimal, kita masih belum
menentukan nilai permainan. Untuk melakukan itu, kita harus menghitung nilai
yang diharapkan di putaran 1. Karena kita mengambil hanya hasil $10 dan jika
tidak lanjut e putaran 2, di mana kita berharap untuk mendapa $6,50, kita peroleh:

𝐸(𝑆𝑝𝑖𝑛 1) = ($10)0,25 + ($6,50)0,75 ≈ $7,375

Jika kita bermain secara optimal, kita akan mendapat rata-rata $ 7,375.
Jika kita main berkali-kali, katakanlah 100, kita menduga mendapat rata-rata $
737,50. Jika kita membayar lebih dari $ 7,375 untuk setiap permainan, kita akan
kehilangan uang. Sekarang, mari kita mempertimbangkan proses ini
menggunakan pohon keputusan.

Contoh 2 Las Vegas Casino Spinning Wheel Revisited

Pertama, kita membuat diagram seluruh proses keputusan, asumsikan kita


akan mendapat $10 kapan saja, dan jika kita memutar $0 pada putaran 1 dan 2,
kita akan lanjut ke putaran selanjutnya.

Selanjutnya kita hitung nilai harapan dari cabang akhir sebagai E (Spin 3)
= $5,00 dan membuat keputusan bahwa pada putaran 2 mendapat $10 atau $6,
jika tidak lanjut ke putaran 3

23
Berikutnya, kita menghitung nilai yang diharapkan dari simpul ketidakpastian
putaran 2 yaitu: E(Spin 2) = $6.50. Sekarang, kita membuat keputusan setelah
putaran 1 untuk mengambil hanya $ 10.

Akhirnya, kita dapat menghitung nilai simpul ketidakpastian spin 1, E


(Spin 1) = $ 7: 375. Perhatikan bahwa sekali kita menggambarkan pohon
keputusan, kita menyelesaikan keputusan optimal dengan mengevaluasi nilai

24
yang diharapkan dari setiap simpul ketidakpastian dengan cara bekerja
menyelesaikannya dari belakang ke depan.

Contoh 3 Keputusan Perusahaan Perangkat Keras & Kayu dengan


Keputusan Berurutan (Revisited)

Ingat Hardware & Lumber Company disajikan sebagai contoh 2 dalam Bagian
9.2. Mari kita berasumsi bahwa sebelum membuat keputusan, perusahaan
memiliki opsi untuk menyewa perusahaan riset pasar seharaga $4000. Perusahaan
riset pasar ini akan mensurvei pasar penjualan yang dilayani oleh Hardware &
Lumber Company untuk menentukan daya tarik dari gudang kayu baru outdoor.
Hardware & Lumber Company tahu bahwa perusahaan riset pasar tidak
memberikan informasi yang sempurna. Hardware & Lumber Company harus
memutuskan apakah untuk menyewa perusahaan riset pasar. Jika penelitian
perusahaan riset pasar dilakukan, kemungkinan dari prediksi optimis (lanjutkan
gudang luar ruangan baru) adalah 0,57, dan prediksi pesimis (tidak melanjutkan
pembangunan gudang luar ruangan baru) 0.43. Selanjutnya, karena kita telah
mendapatkan informasi lebih lanjut, probabilitas untuk permintaan produk akan
berubah. Mengingat prediksi survei optimis, probabilitas untuk permintaan tinggi
adalah 0,509, untuk permintaan moderat adalah 0,468, dan untuk permintaan yang
rendah adalah 0,023. Pada prediksi survei pesimis, kemungkinan permintaan yang
tinggi adalah 0,023, untuk permintaan moderat adalah 0,543,dan untuk
permintaan yang rendah adalah 0,434. Kita akan menggunakan pohon keputusan
untuk membantu dalam pengambilan keputusan untuk Hardware & Lumber
Company (lihat Gambar 9.15). Kami menyimpulkan bahwa Hardware & Lumber
Perusahaan harus menyewa perusahaan riset pasar dan membuatnya melakukan
survei pasar untuk mendapatkan nilai yang diharapkan yaitu $87.961.

25
26
E. Probabilitas bersyarat Menggunakan Pohon Keputusan

Cukup sering, probabilitas dari suatu peristiwa tergantung pada kondisi


sebelumnya. Misalnya, dalam banyak jenis pengujian medis, keakuratan tes
berbeda tergantung pada apakah pasien memiliki penyakit.

Andaikan sebuah populasi yang diketahui bahwa 4,7% menggunakan


steroid. Tes untuk steroid adalah 59,5% akurat jika pasien menggunakan steroid,
dan 99,5% akurat jika pasien tidak menggunakan steroid. Buat pohon keputusan
seperti Gambar 9.16.

Ada empat hasil. Dari atas ke bawah, kita beri label “benar positif” jika
pasien
adalah pengguna dan tes dengan benar menunjukkan hal itu. “Salah negatif”
adalah pengguna tetapi tes salah mengidentifikasi dia bebas obat. “Benar negatif”
adalah pasien yang tidak menggunakan obat dan benar diidentifikasi oleh tes.
“Salah positif” adalah pasien yang bebas narkoba tapi diidentifikasi sebagai
pengguna dengan tes. Dengan demikian, “Benar” atau “Salah” mengacu pada
apakah tes benar atau tidak, dan “Positif” atau” Negatif”' mengacu pada
kesimpulan tes.

27
Kita bisa menghitung probabilitas untuk masing-masing dari empat
kategori. Sebagai contoh, 4,7% dari populasi adalah pengguna narkoba, dan
59,5% dari mereka benar diidentifikasi sebagai pengguna narkoba, atau (0,047) *
(0.,595) = 0,027965 atau 2,8% dari populasi dengan benar diidentifikasi sebagai
pengguna narkoba.
Seperti label dalam diagram pohon kita, hasil pengujian membagi populasi ke
dalam empat kategori dengan persentase sebagai berikut:

Kategori Probabilitas dan


Persentasi
Benar Positif ( benar pemakai) 0,0027965 atau
2,7965%
Salah Negatif ( pemakai tetapi tidak teridentifikasi) 0,019035 atau 1,9035%
Benar Negatif ( benar bebas narkoba) 0,948235 atau
94,8235%
Salah Positif ( bebas narkoba tetapi teridentifikasi 0,004765 atau 0,4765%
sebagai pemakai

28
Sekarang anggaplah pada populasi kita terdiri dari 1000 orang. Kita dapat
menggunakan kemungkinan ini untuk menghitung berapa banyak jumlah orang
pada tiap kategori (rata-rata)

Kategori Probabilitas dan Persentasi


Benar Positif ( benar pemakai) 0,0027965(1000) = 27,965 ≈
28
Salah Negatif ( pemakai tetapi tidak 0,019035 (1000) = 19,035 ≈
teridentifikasi) 19
Benar Negatif ( benar bebas narkoba) 0,948235(1000) = 948,235 ≈
948
Salah Positif ( bebas narkoba tetapi 0,004765(1000) = 4,765 ≈ 5
teridentifikasi sebagai pemakai

Sekarang anggaplah seorang pasien diidentifikasi sebagai pengguna.


Berapa kemungkinan bahwa pasien sebenarnya adalah pengguna narkoba? Untuk
menjawab pertanyaan tersebut, kita dapat menggunakan definisi frekuensi relatif
pada probabilitas

Kami berfokus pada pasien yang “positif” pada hasil tes. Pembilang
adalah jumlah pasien yang benar diidentifikasi sebagai pengguna, 27,965, dan
penyebut
adalah semua yang mendapat hasil positif yaitu, semua pasien tes teridentifikasi
sebagai pengguna, 27,965 ditambah 4,765.

27,965
𝑃𝑒𝑙𝑢𝑎𝑛𝑔 = = 0,854415
27,965 + 4,765

Tentu saja, kita bisa dihitung hasilnya langsung dari probabilitas masing-
masing:

29
(0,47)( 0,595)
𝑃𝑒𝑙𝑢𝑎𝑛𝑔 = = 0,854415
(0,47)( 0,595) + (0,953)( 0,005)

Sekarang, mari kita menginterpretasikan hasilnya. Jika seorang pasien


diuji dan mengatakan ia adalah pengguna steroid, ada 85,4% kemungkinan bahwa
sebenarnya dia adalah pengguna. Dengan demikian, sekitar 14,6% dari pasien tes
yang didentifikasikan sebagai pengguna sebenarnya bebas narkoba. Dalam
banyak kasus, kesalahan kira-kira 15% ini dapat menyebabkan kecemasan besar
(pengujian untuk penyakit serius).

Dalam contoh ini, dimulai dengan probabilitas dan membangun sebuah


pohon. Kita kemudian menghitung probabilitas dari masing-masing kategori. Kita
kemudian menggunakan angka ini untuk membangun tabel membagi populasi
ukuran tertentu ke dalam masing-masing kategori.

F. KEPUTUSAN MENGGUNAKAN KRITERIA ALTERNATIF


Pada bagian sebelumnya, kita menggunakan kriteria memaksimalkan nilai
harapan untuk membuat keputusan. Tentu saja, jika Anda mengulangi keputusan
berkali-kali, dalam jangka panjang maka memaksimalkan nilai harapan akan
sangat menarik. Tapi kemudian, mungkin ada kasus ketika Anda ingin
mempertimbangkan secara eksplisit risiko yang terlibat. Misalnya, dalam contoh
mengenai keputusan untuk membangun lapangan golf atau merombak lapangan
golf yang sudah ada, anggap data sudah ditinjau kembali dimana keuntung bersih
dari membangun lapangan golf baru naik, sementara kemungkinan mendapatkan
hadiah menurun dan data untuk program renovasi golf tetap sama:
Kontruksi Baru Merombak
Menang kontrak:$ 100.000 keuntungan Menang kontrak: $ 40.000 keuntungan
bersih bersih
Kalah Kontrak : - $ 1.000 Kalah Kontrak : - $ 500
Kemungkinan pemberian kontrak: Kemungkinan pemberian kontrak: 25%
12,5%

𝐸(𝑁𝐶) = ($100.000)0,25 + (−$1.000)0,875 = $11.625

30
Dan
𝐸(𝑅) = ($40.000)0,25 + (−$500)0,75 = $9.625

Berikut kriteria memaksimalkan nilai yang diharapkan, kita sekarang akan


memilih membangun lapangan golf baru, dan dalam jangka panjang, kita akan
membuat keuntungan jauh lebih banyak total keuntungan. Tapi, jika perusahaan
ini adalah perusahaan baru, dengan modal terbatas pada jangka pendek, ada risiko
bahwa angka-angka yang menyatakan nilai harapan tidak mengungkapkan hal
tersebut – sederhananya bandingkan $11.625 dengan $9625. Pertama, peluang
adanya penghargaan jauh lebih kecil. Dapatkah perusahaan bertahan menjalankan
7-10 tawaran awal dengan biaya $1000 pada masing-masing tawaran yang mereka
tidak mendapatkan kontrak? Dalam jangka pendek, apakah peluang mendapat
hadiah lebih tinggi dan biaya yang lebih rendah pada kegagalan renovasi lapangan
golf yang ada adalah pilihan yang lebih bagi perusahaan baru tersebut?
Bagaimana kita mengukur risiko dalam kasus tersebut?
Bagaimana dengan keputusan “satu kali”? Pikirkan kembali permainan TV
populer Deal or No Deal yang dibahas dalam pendahuluan, ada 26 koper yang
berisi sejumlah uang yang bervariasi dari $0,01 sampai $1.000.000. Kontestan
mengambil salah satu koper sebagai miliknya. Dia kemudian mulai membuka
sejumlah koper. Setelah membuka jumlah tertentu koper, host membuat tawaran,
yang dapat diterima (kesepakatan) atau ditolak (tidak ada kesepakatan). Sekarang,
mari kita anggap kontestan bertahan sampai akhir, dan kita sampai pada dua koper
akhir. Satu berisi $0,01 dan $1.000.000. Host menawarkan $400.000. Haruskah
kontestan menerima atau menolak tawaran itu? Jika dia menolak tawaran itu, dia
akan membuka dua koper yang terakhir untuk melihat apakah dia telah memilih
yang benar. Nilai harapan untuk melanjutkan permainan ini adalah
𝐸 = ($1.000.000)0,5 + ($0,01)0,5 = $500.000,005 ≈ $500.000,01
yaitu sekitar 25% lebih baik dari tawaran $400.000. Berdasarkan kriteria nilai
yang diharapkan, dia akan memilih untuk tetap bermain. Tapi, pahami hal ini: ada
peluang kontestan akan pulang dengan $0,01. Dia bisa menjelaskan kepada
keluarganya bahwa dia menolak $400.000, tetapi dia ‘‘secara matematis benar’’!

31
Dia memainkan permainan ini sekali, tidak mengoptimalkan hasil untuk jangka
panjang.
Sekarang, mari kita mempertimbangkan kriteria keputusan lainnya.
Pertimbangkan tabel hipotetis berikut, yang menyatakan (dalam $100.000) jumlah
akhir (setelah 5 tahun) dari investasi awal dari $100.000. Terdapat empat strategi
investasi yang berbeda A, B, C, dan D. Pada contoh ilustrasi yang disederhanakan
ini, jumlah investasi yang bervariasi tergantung pada keadaan ekonomi selama 5
tahun ke depan. Dalam hal ini, investasi terkunci dalam waktu 5 tahun, jadi ini
adalah keputusan satu kali.
Contoh 1. Investasi VS Keadaan Sebenarnya
Pada tabel berikut berisi nilai prediksi untuk investasi selama 5 tahun
sebagai strategi insvestasi alternatif sebagai fungsi dari keadaan ekonomi
sebenarnya.
Contoh 1 Investasi vs Nature

Kasus 1
Keputusan Satu Waktu, Probabilitas Diketahui, dan Pemaksimalan Hasil
Yang Diharapkan
Maksimalkan KriteriaNilaiDiharapkan
Hitung nilai yang diharapkan untuk setiap pilihan. Pilih nilai harapan terbesar.
Mari kita asumsikan bahwa seorang ahli ekonomi yang pandai telah
memperkirakan suatu peluang subjektif. Peluang subjektif berbeda dari defenisi
yang kita gunakan sebelumnya dimana dalam hal ini bukan perbandingan hasil
yang diharapkan dibagi Total hasil karena data eksperimental tidak ada,
melainkan pada peluang subjektif ini adalah estimasi terbaik dari seorang ahli
yang berkualitas. Mari kita asumsikan probabilitas untuk negara-negara ekonomi
E, F, G, dan H berturut-turut adalah 0,2, 0,4, 0,3, dan 0,1. Kemudian, E(A) = 1,3,

32
E(B) = 1,0, E(C ) = 1,6, E(D) = 1,4. Kita akan memilih C. Ketika nilai yang
diharapkan tidak mencerminkan risiko, mungkin ada contoh ketikahal itu
merupakan kriteria yang tepat untuk keputusan satu kali. Misalnya, Joe diberi satu
kali kesempatan untuk memenangkan $1000 pada pelemparan tunggal sepasang
dadu; ia mungkin memilih untuk bertaruh pada nomor 7 karena memiliki
probabilitas kejadian tertinggi dan karena itu nilai yang diharapkan tertinggi.
Orang lain mungkin memilih berbeda.

Kasus 2
Keputusan Satu Waktu, Probabilitas tidak diketahui
Kriteria Laplace
Kriteria keputusan ini mengasumsikan bahwa probabilitas yang tidak diketahui
adalah
sama. Oleh karena itu, kita dapat menghitung rata-rata hasil (nilai harapan) untuk
setiap investasi atau dengan cara memilih strategi investasi yang sama yaitu
dengan jumlah tertinggi karena bobot yang sama. Dalam contoh sebelumnya,
jumlah untuk setiap strategi adalah A = 5, B = 4, C = 4, dan D = 4. Jadi,
5 4
mengikuti kriteria Laplace, kita akan memilih A (rata-rata tertimbang > ).
4 4
Metode Laplace hanya sama dengan memaksimalkan nilai yang diharapkan
dengan asumsi peluang sama. Dengan demikian, ia memiliki kelebihan dan
kekurangan yang sama sesuai kriteria nilai yang diharapkan.
Maximin Kriteria
Ini adalah kriteria yang sangat penting yang akan kita gunakan berulang-ulang
ketika belajar teori permainan. Di sini, kita ingin menghitung hal terburuk yang
dapat terjadi jika kita memilih strategi masing-masing. Anda dapat menganggap
ini seperti membangun lantai strategi dan memilih strategi yang memiliki lantai
tertinggi. Kita menghitung hasil minimum untuk setiap strategi dan kemudian
memilih yang paling maksimum dari hasil-hail tersebut oleh karena itu, diberi
istilah maximin yaitu maximum (minima). Dalam contoh sebelumnya, tuliskan
nilai minimum di setiap baris.Pilih yang terbesar. Nilai minimum tiap baris
adalah 0,1, 0, dan 0. Jadi, kita akan memilih Strategi B. Perhatikan bahwa kita

33
sudah memilih strategi yang terbaik dari ‘‘kasus terburuk”. Juga, catat bahwa ini
adalah strategi lama. Sebuah perusahaan yang baru mungkin mempertimbangkan
strategi maximin jika strategi yang paling lama cukup untuk menjaga perusahaan
dalam bisnis dalam jangka pendek untuk membangun modal yang cukup untuk
menjalankan perusahaann itu pada masa-masa sulit dengan strategi yang lebih
agresif yang dalam jangka panjang lebih menguntungkan, tetapi berpokok pada
risiko serius dalam jangka pendek. Strategi maksimin pesimistis dalam hal itu
memilih strategi berdasarkan hanya pada kasus terburuk untuk setiap strategi yang
dipertimbangkan, benar-benar mengabaikan kasus-kasus yang lebih baik yang
dapat terjadi. Ketika mempertimbangkan investasi yang Anda inginkan
merupakan cara yang lama, misalnya berinvestasi dana untuk pendidikan
perguruan tinggi anak-anak Anda, dan strategi maksimin mendapatkan pekerjaan
telah terlaksana, hal ini mungkin adalah kriteria keputusan yang Anda cari..

Maximax Kriteria
Mungkin ada contoh ketika kita ingin ‘‘menembak untuk bulan.’’
Kemudian, kriteria optimis ini mungkin secangkir teh Anda. Dari contoh
sebelumnya, tuliskan
nilai terbesar dalam setiap baris. Pilih terbesar. Artinya, Anda memilih maksimum
(maxima) atau maximax. Dalam tabel sebelumnya, nilai-nilai maksimal adalah 2,
1, 4, dan 3. Dan, kita akan memilih nilai yang paling maksimum dari nilai-nilai itu
yaitu, 4, yang terdapat pada strategi C. Jelas, strategi ini optimis karena hanya
mempertimbangkan kasus terbaik dan mengabaikan risiko setiap strategi. Jika
semua kebutuhan investasi Anda dirawat, dan Anda ingin
menginvestasikansejumlah ‘‘uang tambahan,’’ dan bersedia untuk mendapat
resiko pada kemungkinan untuk mendapat hasil yang besar, maka kriteria
maximax optimis mungkin akan menarik bagi Anda.
Koefisien Optimisme Kriteria
Ini adalah kriteria yang sangat subjektif yang menggabungkan kriteria maksimin
pesimis dengan kriteria maximax optimis. Anda cukup memilih koefisien
optimisme 0 <x <1. Untuk setiap strategi, Anda kemudian menghitung
𝑥(𝑏𝑎𝑟𝑖𝑠 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚) + (1 − 𝑥)(𝑏𝑎𝑟𝑖𝑠 𝑚𝑖𝑛𝑖𝑚𝑢𝑚)

34
Kemudian, Anda memilih baris dengan nilai bobot tertinggi. Contohnya, misalkan
3
𝑥 = 4 dalam contoh kita, maka kita peroleh:
3 1
𝐴 = (2) + (0) = 1,5
4 4
3 1
𝐵 = (1) + (1) = 1,0
4 4
3 1
𝐶 = (4) + (0) = 3,0
4 4
3 1
𝐷 = (3) + (0) = 2,25
4 4

Dengan demikian, kita akan memilih Strategi C. Catatan, ketika x = 0, koefisien


optimisme kriteria menjadi kriteria maksimin, dan ketika x = 1, menjadi kriteria.
maximax
Kasus 3
Meminimalkan ‘‘Biaya’’
Dalam kasus-kasus sebelumnya, tujuannya adalah untuk memaksimalkan
kuantitas, seperti keuntungan. Dalam berbagai kasus, tujuannya adalah untuk
meminimalkan kuantitas, seperti biaya. Kami mempertimbangkan dua kriteria
untuk kasus tersebut.
Kriteria Minimax
Kriteria manimax adalah kriteria keputusan yang akan kita gunakan berulang-
ulang dalam permainan teori. Misalkan tabel dalam Contoh 1 merupakan biaya
untuk sebuah perusahaan untuk mencapai kontrak dalam berbagai kondisi
ekonomi. Misalnya, Strategi A akan membiayai perusahaan $100.000 jika
ekonomi sebenarnya adalah H. Kriteria minimax
menetapkan batas pada masing-masing strategi (biaya maksimum setiap strategi),
lalu memilih batas minimum Artinya, ia memilih minimax. Di contoh
sebelumnya, maxima untuk setiap strategi adalah 2, 1, 4, dan 3 untuk A, B, C, dan
D, masing-masing. Terapkan kriteria minimax, kita akan memilih B dan
dipastikan biaya tidak lebih dari 1 terlepas dari keadaan ekonomi. Perhatikan
bahwa kriteria minimax untuk meminimalkan biaya terbesar analog dengan

35
metode maksimin untuk memaksimalkan keuntungan terkecil. Minimax berkaitan
dengan biaya; maksimin berkaitan dengan keuntungan.
Keputusan Penyesalan Minimax
Dalam diskusi sebelumnya, misalkan saya memilih C dan kondisi ekonomi
sebenarnya adalah E, saya akan menerima 0. Seandainya saya memilih A, saya
akan mendapatkan 2. Artinya, penyesalan saya (atau biaya kesempatan) adalah 2.
Kriteria penyesalan minimax membuat penyesalan terbesar menjadi sekecil
mungkin. Dalam pengertian ini, penyesalan adalah biaya, dan kita ingin membuat
biayanya sekecil mungkin. Pertama, hitung matriks penyesalan dengan
mengurangkan setiap nilai terbesar di setiap kolom (yang terbaik yang bisa Anda
lakukan seandainya Anda mengenalnya Keadaan sebenarnya). Dalam contoh ini,
diketahui:

Matrix Penyesalan

Selanjutnya, seperti yang ditunjukkan, untuk setiap strategi kita


menghitung penyesalan yang maksimal yang bisa terjadi. Akhirnya, kita memilih
strategi D untuk meminimalkan penyesalan yang maksimal. Jelas, ini adalah
kriteria yang sangat subyektif

Ringkasan
Perhatikan bahwa untuk strategi investasi di Contoh 1, untuk kondisi ekonomi
tertentu yang disajikan, kita memilih A, B, C, dan D berdasarkan salah satu dari
metode metode itu
Kesimpulan

36
Tidak ada metode yang optimal secara keseluruhan untuk situasi dengan
kemungkinan yang tidak diketahui untuk keputusan satu kali yang memiliki
ketegasan yang diharapkan nilainya untuk jangka panjang untuk probabilitas
keputusan yang diketahui. Setiap situasi membutuhkan pemeriksaan tujuan,
peluang, dan risiko yang seksama
Contoh 2 Strategi investasi
Asumsikan kita memiliki $100.000 untuk diinvestasikan (satu kali). Kita memiliki
tiga alternatif: saham, obligasi, atau tabungan. Kami memperkirakan
pengembalian dalam matriks hasil berikut

Kriteria Laplace mengasumsikan probabilitas yang sama. Karena ada tiga kondisi,
maka kesempatan masing-masing 1/3. Kita hitung nilai yang diharapkan.

Kriteria maksimum mengasumsikan pembuat keputusan pesimis tentang keadaan


yang akan datang. Berdasarkan kriteria ini, pengembalian minimum untuk setiap
alternatif dibandingkan, dan kita memilih nilai tertinggi dari nilai-nilai minimum
ini.
Saham -$4000
Obligasi $1000
Tabungan $5000

37
Nilai maksimum dari hal di atas adalah tabungan sebesar $5.000
Kriteria maximax mengasumsikan pengambil keputusan yang optimis.
Kami ambil nilai maksimal dari masing-masing alternatif dan kemudian pilih nilai
tertinggi dari nilai-nilai itu.
Saham $10.000
Obligasi $8000
Tabungan $ 5000
Yang maksimum adalah $10.000 yaitu saham.
Koefisien kriteria optimisme adalah maximin dan maximax yang disepakati. Hal
ini membutuhkan koefisien optimisme,sebut x, yaitu antara 0 dan 1. Dalam hal ini
kita asumsikan koefisien optimisme adalah 0,6.

Kami menghitung nilai yang diharapkan menggunakan:


(Baris maksimum)x + (baris Mimimum)( 1-x)

Di sini, $5200 adalah jawaban terbaik, jadi dengan pilihan kami dari x = 0,6, kita
pilih obligasi.
Kriteria penyesalan minimax meminimalkan kesempatan rugi. Kita buat
tabel kesempatan kerugian. Kita ambil dasarnya sebagai nilai penyesalan
maksimal dalam setiap keadaan yang sebenarnya. Berikut ini adalah matriks
penyesalan untuk contoh ini:

38
Penyesalan maksimum setiap keputusan:
Saham $9000
Obligasi $4000
Tabungan $5000
Yang paling tidak menyesal adalah obligasi.
Mari kita simpulkan keputusan kita dengan menggunakan setiap kriteria:
Laplace: Tabungan atau obligasi
Maximin: Tabungan
Maximax: Saham
Koefisien optimisme: Obligasi (dengan x = 0,6)
Penyesalan Minimax : Obligasi
Jadi, karena tidak ada keputusan dengan suara bulat, kita harus
mempertimbangkan tujuan Investasi oleh pengambil keputusan.

39