26-Jan-2018

Pengambilan Keputusan dengan Probabilitas

Pohon Keputusan Berkesinambungan (1 of 4)
Pohon Keputusan Berkesinambungan (sequential
decision tree) menggambarkan suatu situasi yang
membutuhkan serangkaian keputusan (a sequence of
decisions).

RISET OPERASIONAL Digunakan pada saat tabel hasil perkiraan, terbatas

Timothy John – Week 14
pada keputusan tunggal, sedangkan yg diinginkan
adalah suatu kumpulan (serial) keputusan.
Contoh investasi real estate dimodifikasi agar
mencakup periode 10 tahun, dimana selama periode
tersebut, beberapa keputusan harus dibuat

Pengambilan Keputusan dengan Probabilitas Pengambilan Keputusan dengan Probabilitas

Pohon Keputusan Berkesinambungan(2 of 4) Pohon Keputusan Berkesinambungan(3 of 4)

Figure 3.3 Figure 3.4

3 Pohon Keputusan Berkesinambungan dengan simpul nilai yang diperkirakan 4
Pohon Keputusan Berkesinambungan

1
 26-Jan-2018

Pengambilan Keputusan dengan Probabilitas Analisa Pohon Keputusan Berkesinambungan

Pohon Keputusan Berkesinambungan(4 of 4) Solusi dengan QM for Windows
Keputusan yang diambil adalah membeli tanah.
Hasil keputusan tersebut adalah $1,160,000,
pada simpul[1].

Exhibit 3.13

5 6

Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Analisa Bayesian (1 of 3) Analisa Bayesian(2 of 3)
Dengan Analisa Bayesian informasi tambahan digunakan untuk Probabilitas Kondisional (conditional probability) adalah probabilitas bahwa suatu kejadian akan
mengubah probabilitas marginal atas terjadinya suatu kejadian. terjadi dengan asumsi kejadian lain telah terjadi.
Dalam contoh investasi real estate, menggunakan kriteria nilai yang Analis Ekonomi memberikan informasi tambahan bagi investor real estate, berdasarkan
diperkirakan, keputusan terbaik adalah untuk membeli office building probabilitas kondisional:
dengan nilai yang diperkirakan $44,000, dan EVPI $28,000. g = Kondisi ekonomi yg baik
p = Kondisi ekonomi yg buruk Seperti sebelumnya…
P = Laporan ekonomi yg bersifat positif
Info baru
N = Laporan ekonomi yg bersifat negatif
P(Pg) = .80 P(Ng) = .20
Baru , diberikan
P(Pp) = .10 P(Np) = .90

Table 3.11
Tabel hasil untuk contoh Investasi Real Estate
7 8

2
 26-Jan-2018

Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Analisa Bayesian(3 of 3) Pohon Keputusan dengan Probabilitas Posterior (1 of 4)

Probabilitas Posterior (posterior probability) merupakan probabilitas Pohon keputusan dengan probabilitas posterior berbeda dengan pohon
marginal suatu kejadian yang telah diubah berdasarkan suatu informasi keputusan sebelumnya (prior probabilities) dalam hal:
tambahan. Ada dua cabang pada awal pohon keputusan yang menunjukkan dua
Probabilitas Prior untuk kondisi ekonomi baik atau buruk dalam keputusan hasil laporan.
investasi real estate: Probabilitas tiap kondisi dasar tidak lagi merupakan probabilitas prior,
P(Pg) = .80 P(Ng) = .20
P(g) = 0.60; P(p) = 0.40 melainkan probabilitas posterior yang telah dihitung dengan
P(Pp) = .10 P(Np) = .90
Probabilitas Posterior dengan Analisa Bayes: menggunakan aturan bayes

P(gP) = P(Pg)P(g)/[P(Pg)P(g) + P(Pp)P(p)]
= (0.80)(0.60)/[(0.80)(0.60) + (0.10)(0.40)] = 0.923
Probabilitas Posterior untuk keputusan lainnya:
P(gN) = 0.250 P(pP) = 0.077 P(pN) = 0.750
Aturan bayes dapat dijadikan lebih simpel, dikarenakan
P(A|B)P(B)=P(AB) adalah probabilitas gabungan., dan iP(ABi)=P(A)
adalah probabilitas marginal. maka:
P(Bk|A)=P(A|Bk)P(Bk)/[iP(A|Bi)P(Bi)] = P(ABk)/P(A),
lebih cepat, jika probabilitas gabungan dan marginal diketahui.

9 10

Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Pohon Keputusan dengan Probabilitas Posterior (2 of 4) Pohon Keputusan dengan Probabilitas Posterior (3 of 4)

EV (apartment building) = $50,000(.923) + 30,000(.077)

P(P|g)=.80
P(N|g)=.20 P(g)=.60
= $48,460
P(P|p)=.10 P(p)=.40
P(N|p)=.90
EV (office building) = $100,000(.923) – 40,000(.077)
= $89,220
EV (warehouse) = $30,000(.923) + 10,000(.077)
Figure 3.5 P(P)=0,52 = $28,460
Pohon keputusan dengan
probabilitas posterior Lakukan hal yang sama dengan probabilitas“laporan negatif”.
Sehingga:
P(g|P)=.923 EV (seluruh strategi) = $89,220(.52) + 35,000(.48) = $63,194
P(p|P)=.077
P(g|N)=.250 P(N)=0,48
P(p|N)=.750 “Positive report”
“Negative report”

11 12

3
 26-Jan-2018

Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Pohon Keputusan dengan Probabilitas Posterior (4 of 4) Menghitung Probabilitas Posterior dengan Tabel

Figure 3.6
Analisa Pohon Keputusan

Table 3.12
Tabel Perhitungan Probabilitas Posterior

Sama dengan: [ P(P|g)P(g)+P(P|p)P(p) ] = P(P&g) + P(P&p) = P(P) .

13 14

Analisa Keputusan dengan Informasi Tambahan Analisa Keputusan dengan Informasi Tambahan
Expected Value of Sample Information Utilitas (1 of 2)
Nilai yang Diperkirakan atas Informasi Sampel /
expected value of sample information (EVSI) adalah
perbedaan antara nilai yang diperkirakan dengan dan
tanpa informasi tambahan:
Sebagai contoh, EVSI = $63,194 - 44,000 = $19,194
Efisiensi informasi sampel / efficiency of sample
information adalah rasio dari nilai yang diharapkan
dari informasi sampel dengan nilai yang diharapkan Table 3.13
Tabel hasil dari contoh asuransi mobil
dari informasi yang sempurna: Biaya
Efisiensi = EVSI /EVPI = $19,194/ 28,000 = .68
15 16

4
 26-Jan-2018

Analisa Keputusan dengan Informasi Tambahan Latihan-1

Seorang petani di daerah Georgia (US) harus memutuskan tanaman apa yang akan ditanam untuk
Utilitas (2 of 2) 
musim tanam tahun depan. Terdapat 3 pilihan: Jagung, Kacang, dan Kedelai. Apaun tingkat
Biaya yang Diperkirakan (asuransi) = .992($500) + .008(500) = $500 keuntungan dari masing-masing tanaman akan sangat dipengaruhi apabila UU perdangangan antar
US & Rusia jadi disepakati atau tidak, sesuai dengan table kondisi dibawah ini:
Biaya yang Diperkirakan(tanpa asuransi) = .992($0) + .008(10,000) = $80
Pilihan UU Perdagangan Baru
Keputusan yang diambil haruslah “tidak membeli asuransi”, namun hampir Tanaman
Disepakati Tidak Disepakati
semua orang membeli asuransi (meskipun mereka tidak diharuskan).
Jagung $35.000 $8.000
Utilitas adalah ukuran kepuasan pribadi yang didapat dari uang. Kacang $18.000 $12.000
Utiles adalah unit ukuran subjektivitas dari utilitas . Kedelai $.22.000 $20.000

Penghindar Resiko (Risk averters) menghindari nilai yg diperkirakan

 Tentukanlah pilihan tanaman yang terbaik berdasarkan kriteria-kriteria berikut:
tinggi, untuk mencegah terjadinya bencana probabilitas rendah.
a) Maximax
Pengambil Resiko (Risk takers) adalah orang-orang yg menghindari nilai
yang diperkirakan yang lebih besar yang timbul dari hal-hal pasti (seperti, b) Maximin
menyimpan uang), untuk mengambil kesempatan menerima hasil yang c) Minimax Regret
sangat besar. d) Hurwicz ( = 0,3)
17 e) Equal Likelihood

Latihan-2
 Tentukan keputusan apa yang akan diambil berdasarkan pohon keputusan berkesinambungan
dibawah ini! 0,40 $300.000
(-$20.000)
7

0,60 $60.000
0,30 4
$45.000
2
$200.000
End Of Week-14
Investasi A 0,70 0,20
(-$70.000)
$75.000
(-$17.000) 8
0,80 $70.000
1 5
$60.000
Investasi B 0,15 0,35 $105.000
(-$50.000)
(-$9.000) 9
0,55
3 6 0,65 $40.000

0,30 $55.000
$80.000