3.

6 Pohon Keputusan

Masalah apa pun yang dapat disajikan dalam tabel keputusan juga dapat diilustrasikan secara
grafis dalam pohon keputusan. Semua pohon keputusan serupa karena mengandung titik
keputusan atau simpul keputusan dan titik keadaan alam atau simpul keadaan alami:

 Sebuah simpul keputusan dari mana salah satu dari beberapa alternatif dapat dipilih
 Node keadaan alamiah yang darinya satu keadaan alamiah akan terjadi

Dalam menggambar pohon, kita mulai dari kiri dan bergerak ke kanan. Dengan demikian, pohon
menyajikan keputusan dan hasil secara berurutan. Garis atau cabang dari kotak (simpul
keputusan) mewakili alternatif, dan cabang dari lingkaran mewakili keadaan alam. Gambar 3.2
memberikan pohon keputusan dasar untuk contoh Thompson Lumber. Pertama, John
memutuskan apakah akan membangun pabrik besar, pabrik kecil, atau tanpa pabrik. Kemudian,
setelah keputusan itu dibuat, kemungkinan keadaan alam atau hasil (pasar yang menguntungkan
atau tidak menguntungkan) akan terjadi. Langkah selanjutnya adalah meletakkan hasil dan
probabilitas pada pohon dan memulai analisis.

Menganalisis masalah dengan pohon keputusan melibatkan lima langkah:

1. Definisikan masalahnya.

2. Buat struktur atau gambar pohon keputusan.

3. Tetapkan probabilitas pada keadaan alamiah.

4. Perkirakan imbalan untuk setiap kemungkinan kombinasi alternatif dan keadaan alam.

5. Selesaikan masalah dengan menghitung nilai moneter yang diharapkan (EMV) untuk setiap
keadaan node alam. Ini dilakukan dengan bekerja mundur, yaitu, mulai dari kanan pohon dan
bekerja kembali ke simpul keputusan di sebelah kiri. Selain itu, di setiap node keputusan,
alternatif dengan EMV terbaik dipilih.

Pohon keputusan akhir dengan hasil dan probabilitas untuk situasi keputusan John Thompson
ditunjukkan pada Gambar 3.3. Perhatikan bahwa hadiah ditempatkan di sisi kanan setiap cabang
pohon. Probabilitasnya ditampilkan dalam tanda kurung di samping setiap keadaan alam.
Dimulai dengan pembayaran di sebelah kanan gambar, EMV untuk setiap node state-of-nature
kemudian dihitung dan ditempatkan oleh node masing-masing. EMV dari node pertama adalah $
10.000. Ini mewakili cabang dari simpul keputusan untuk membangun pabrik besar. EMV untuk
node 2 untuk membangun pabrik kecil, adalah $ 40.000. Tidak membangun pabrik atau tidak
melakukan apa pun, tentu saja, akan menghasilkan $ 0. Cabang yang meninggalkan node
keputusan yang mengarah ke node state-of-nature dengan EMV tertinggi harus dipilih. Dalam
kasus Thompson, pabrik kecil harus dibangun.
KEPUTUSAN LEBIH LENGKAP UNTUK THOMPSON LUMBER — INFORMASI
SAMPEL Ketika keputusan berurutan perlu dibuat, pohon keputusan adalah alat yang jauh lebih
kuat daripada tabel keputusan. Misalkan John Thompson harus membuat dua keputusan, dengan
keputusan kedua bergantung pada hasil keputusan pertama. Sebelum memutuskan untuk
membangun pabrik baru, John memiliki opsi untuk melakukan survei riset pemasarannya sendiri,
dengan biaya $ 10.000. Informasi dari survei dapat membantunya memutuskan apakah akan
membangun pabrik besar, pabrik kecil, atau tidak membangun sama sekali. John menyadari
bahwa survei pasar semacam itu tidak akan memberinya informasi yang sempurna, namun
mungkin cukup membantu.

Pohon keputusan baru John ditunjukkan pada Gambar 3.4. Mari kita cermati pohon yang lebih
kompleks ini. Perhatikan bahwa semua kemungkinan hasil dan alternatif disertakan dalam urutan
logisnya. Inilah salah satu kekuatan menggunakan pohon keputusan dalam mengambil
keputusan. Pengguna dipaksa untuk memeriksa semua kemungkinan hasil, termasuk yang tidak
diinginkan. Dia juga dipaksa untuk membuat keputusan dengan cara yang logis dan berurutan.

Meneliti pohonnya, kita melihat bahwa keputusan pertama Thompson adalah apakah akan
melakukan survei pasar senilai $ 10.000. Jika dia memilih untuk tidak melakukan penelitian
(bagian bawah pohon), dia dapat membuat tanaman besar, tanaman kecil, atau tanpa tanaman. Ini
adalah poin keputusan kedua John.

Pasar akan menguntungkan (probabilitas 0,50) atau tidak menguntungkan (juga probabilitas
0,50) jika dia membangun. Imbalan untuk setiap kemungkinan konsekuensi dicantumkan di
sepanjang sisi kanan. Faktanya, bagian bawah pohon John identik dengan pohon keputusan
sederhana yang ditunjukkan pada Gambar 3.3. Mengapa demikian?

Bagian atas Gambar 3.4 mencerminkan keputusan untuk melakukan survei pasar. Simpul state-
ofnature 1 memiliki dua cabang. Ada kemungkinan 45% bahwa hasil survei akan menunjukkan a

pasar yang menguntungkan untuk gudang penyimpanan. Kami juga mencatat bahwa
probabilitasnya adalah 0,55 bahwa hasil survei akan negatif. Penurunan probabilitas ini akan
dibahas di bagian selanjutnya.

Probabilitas lainnya yang ditunjukkan dalam tanda kurung pada Gambar 3.4 adalah semua
probabilitas bersyarat atau probabilitas posterior (probabilitas ini juga akan dibahas di bagian
selanjutnya).

Misalnya, 0,78 adalah probabilitas pasar yang menguntungkan untuk gudang mengingat hasil
yang menguntungkan dari survei pasar. Tentu saja, Anda berharap menemukan probabilitas
tinggi dari pasar yang menguntungkan mengingat penelitian menunjukkan bahwa pasar itu baik.
Namun, jangan lupa, ada kemungkinan bahwa survei pasar senilai $ 10.000 John tidak
menghasilkan informasi yang sempurna atau bahkan dapat diandalkan.

Setiap studi riset pasar dapat mengalami kesalahan. Dalam kasus ini, ada kemungkinan 22%
bahwa pasar gudang tidak akan menguntungkan mengingat hasil survei positif.

Kami mencatat bahwa ada 27% peluang bahwa pasar untuk gudang akan menguntungkan karena
hasil survei John negatif. Kemungkinannya jauh lebih tinggi, 0,73, bahwa pasar sebenarnya tidak
akan menguntungkan karena survei tersebut negatif.

Akhirnya, ketika kita melihat kolom pembayaran pada Gambar 3.4, kita melihat bahwa $ 10.000,
biaya studi pemasaran, harus dikurangkan dari masing-masing 10 cabang pohon teratas. Jadi,
pabrik besar dengan pasar yang menguntungkan biasanya akan memperoleh keuntungan $
200.000. Tetapi karena studi pasar dilakukan, angka ini berkurang $ 10.000 menjadi $ 190.000.
Dalam kasus yang tidak menguntungkan, kerugian sebesar $ 180.000 akan meningkat menjadi
kerugian yang lebih besar sebesar $ 190.000. Demikian pula, melakukan survei dan tidak
membangun pabrik sekarang menghasilkan - $ 10.000.

Dengan semua probabilitas dan hasil yang ditentukan, kita dapat mulai menghitung EMV di
setiap node stateof-nature. Kami mulai di akhir, atau sisi kanan pohon keputusan dan bekerja
kembali ke asal. Saat kita selesai, keputusan terbaik akan diketahui.

1. Diberikan hasil survei yang baik,

EMV tanpa pabrik dalam hal ini - $ 10.000. Jadi, jika hasil survei mendukung, pabrik besar harus
dibangun. Perhatikan bahwa kami membawa nilai yang diharapkan dari keputusan ini ($
106.400) ke node keputusan untuk menunjukkan bahwa, jika hasil survei positif, kami

nilai yang diharapkan akan menjadi $ 106.400. Ini ditunjukkan pada Gambar 3.5.

2. Diberikan hasil survei negatif,

EMV tanpa pabrik lagi - $ 10.000 untuk cabang ini. Jadi, dengan hasil survei negatif, John harus
membangun pabrik kecil dengan nilai yang diharapkan $ 2.400, dan angka ini ditunjukkan pada
node keputusan.

3. Melanjutkan di bagian atas pohon dan bergerak mundur, kami menghitung nilai yang
diharapkan dari melakukan survei pasar:

EMV tanpa pabrik adalah $ 0.

Jadi, membangun pabrik kecil adalah pilihan terbaik, mengingat riset pemasaran tidak dilakukan,
seperti yang kita lihat sebelumnya.

5. Kami kembali ke simpul keputusan pertama dan memilih alternatif terbaik. Nilai moneter
yang diharapkan untuk melakukan survei adalah $ 49.200, versus EMV sebesar $ 40.000 karena
tidak melakukan studi, jadi pilihan terbaik adalah mencari informasi pemasaran. Jika hasil survei
mendukung, John harus membangun pabrik besar; tetapi jika penelitiannya negatif, John harus
membangun pabrik kecil.

Pada Gambar 3.5, nilai yang diharapkan ini ditempatkan pada pohon keputusan. Perhatikan pada
pohon bahwa sepasang garis miring / / melalui cabang keputusan menunjukkan bahwa alternatif
tertentu dijatuhkan dari pertimbangan lebih lanjut. Ini karena EMV-nya lebih rendah daripada
EMV untuk alternatif terbaik. Setelah Anda memecahkan beberapa masalah pohon keputusan,
Anda mungkin merasa lebih mudah untuk melakukan semuanya

perhitungan Anda pada diagram pohon.