NAMA : ZAINAL ABIDIN

KELAS : B PAGI
NIM : 170601159

Keputusan Yang Melibatkan Banyak Tujuan

SMART

Pendahuluan

Bab ini akan mengeksplorasi bagaimana analisis keputusan dapat digunakan untuk mendukung
pengambil keputusan yang memiliki banyak tujuan. Idenya adalah untuk membagi masalah menjadi
bagian-bagian kecil yang berfokus pada setiap bagian secara terpisah. Metode yang dijelaskan di sini
biasanya diterapkan dalam situasi di mana tindakan tertentu dianggap pasti. Jika pembuat keputusan
bertindak secara konsisten dengan preferensi yang dinyatakannya, alternatif akan dipilih mengikuti
analisis preskriptif yang didasarkan pada aksioma.

Bab ini akan mengeksplorasi bagaimana analisis keputusan dapat digunakan untuk mendukung
pengambil keputusan yang memiliki banyak tujuan. Seperti yang kami nyatakan di Bab 1, ide utamanya
adalah bahwa, dengan membagi masalah menjadi bagian-bagian kecil dan berfokus pada setiap bagian
secara terpisah, pembuat keputusan kemungkinan akan memperoleh pemahaman yang lebih baik
tentang masalah daripada yang akan dicapai dengan mengambil pendekatan holistik. melihat. Dapat
juga dikatakan bahwa, dengan memerlukan komitmen waktu dan usaha, analisis mendorong pembuat
keputusan untuk berpikir secara mendalam tentang masalah, memungkinkan suatu alasan, yang
eksplisit dan dapat dipertahankan, untuk dikembangkan. Setelah analisis tersebut pembuat keputusan
harus lebih mampu menjelaskan dan membenarkan mengapa pilihan tertentu disukai.

Metodologi yang diuraikan dalam bab ini didukung oleh serangkaian aksioma. Jika pengambil
keputusan menerima aksioma maka hasil analisis akan menunjukkan bagaimana dia harus berperilaku
jika keputusan harus dibuat dengan cara yang rasional. Oleh karena itu analisisnya bersifat normatif atau
preskriptif; itu menunjukkan alternatif mana yang harus dipilih jika pembuat keputusan bertindak secara
konsisten dengan preferensi yang dinyatakannya. Metode yang dijelaskan di sini biasanya diterapkan
dalam situasi di mana tindakan tertentu dianggap pasti (atau hampir pasti) untuk mengarah pada hasil
tertentu sehingga ketidakpastian tidak menjadi perhatian utama analisis. (Kami akan
mempertimbangkan, dalam bab-bab selanjutnya, teknik yang dirancang untuk digunakan di mana risiko
dan ketidakpastian menjadi perhatian utama pembuat keputusan.) Namun demikian, ada pengecualian
untuk aturan ini, dan kami akan menunjukkan nanti bagaimana metode tersebut dapat disesuaikan
dengan masalah yang melibatkan risiko dan ketidakpastian.

Harus ditekankan bahwa peran utama dari analisis kami adalah untuk memungkinkan pembuat
keputusan memperoleh pemahaman yang meningkat tentang masalah keputusannya. Jika pada akhir
analisis ini tidak ada satu pun tindakan terbaik yang telah diidentifikasi, ini tidak berarti bahwa analisis
tersebut tidak berguna. Seringkali wawasan yang diperoleh mungkin menyarankan pendekatan lain
untuk masalah atau mengarah pada pemahaman bersama yang lebih besar di antara kelompok
pengambil keputusan yang heterogen. Mereka dapat mengarah pada penilaian ulang yang lengkap dari
sifat masalah atau memungkinkan seorang manajer untuk mengurangi sejumlah besar alternatif menjadi
beberapa, yang kemudian dapat diajukan ke manajemen yang lebih tinggi dengan argumen yang
mendukung dan menentang. Karena itu, analisisnya fleksibel. Meskipun kami menyajikannya sebagai
serangkaian tahapan, pengambil keputusan selalu bebas kapan saja untuk kembali ke tahap awal atau
mengubah definisi masalah. Memang, kemungkinan ini akan terjadi karena pemahaman yang lebih
dalam tentang sifat masalah diperoleh melalui analisis.

Terminologi Dasar

Tujuan & Atribut

Objektif telah didefinisikan oleh Keeney dan Raiffa3 sebagai indikasi arah gerakan yang
diinginkan. Jadi, ketika menyatakan tujuan, kami menggunakan istilah seperti 'meminimalkan' atau
'memaksimalkan'.

Tujuan umum mungkin untuk meminimalkan biaya atau memaksimalkan pangsa pasar.

Atribut digunakan untuk mengukur kinerja dalam kaitannya dengan tujuan. Misalnya, jika kita
memiliki tujuan 'memaksimalkan terpaan iklan televisi' kita dapat menggunakan atribut 'jumlah orang
yang disurvei yang ingat pernah melihat iklan' untuk mengukur tingkat pencapaian tujuan. Terkadang
kita mungkin harus menggunakan atribut yang tidak terkait langsung dengan tujuan. Atribut seperti ini
disebut sebagaiatribut proxy. Misalnya, sebuah perusahaan dapat menggunakan atribut proxy
'pergantian staf' untuk mengukur seberapa baik mereka mencapai tujuan mereka untuk
memaksimalkan kepuasan kerja bagi staf mereka.

Nilai dan utilitas

Untuk setiap tindakan yang dihadapi pembuat keputusan, kami akan menurunkan skor numerik
untuk mengukur daya tariknya bagi pembuat keputusan. Jika keputusan tidak melibatkan unsur risiko
dan ketidakpastian, kami akan mengacu pada skor ini sebagainilai dari jalannya tindakan. Atau, di mana
keputusan melibatkan risiko dan ketidakpastian, kami akan mengacu pada skor ini sebagai: kegunaan
dari jalannya tindakan. Utilitas akan diperkenalkan di Bab 5.

Masalah lokasi kantor

Masalah berikut akan digunakan untuk mengilustrasikan analisis keputusan yang melibatkan
banyak tujuan. Sebuah usaha percetakan dan fotokopi kecil-kecilan harus pindah dari kantornya yang
sudah ada karena lokasinya telah diakuisisi untuk pembangunan kembali. Pemilik bisnis sedang
mempertimbangkan tujuh kemungkinan kantor baru, yang semuanya akan disewa. Rincian lokasi
kantor-kantor ini dan pembayaran sewa tahunan diberikan di bawah ini.
 Sewa tahunan
Lokasi kantor ($)

Lapangan Addison (A) 30 000

Desa Bilton (B) 15.000

Jalan Carlisle (C) 5 000

Jalan Denver (D) 12000

Jalan Elton (E) 30 000

Desa Filton (F) 15.000

Alun-Alun Gorton (G) 10.000

Sementara pemilik ingin menjaga biayanya serendah mungkin, ia juga ingin mempertimbangkan faktor-
faktor lain. Misalnya, kantor Addison Square berada di lokasibergengsi yang dekat dengan calon
pelanggan, tetapi biaya sewanya mahal.

Ikhtisar analisis

Teknik yang akan kita gunakan untuk menganalisis masalah lokasi kantor didasarkan pada
Simple Multi-attribute Rating Technique (SMART) yang dikemukakan oleh Edwards.4 pada tahun 1971.
Karena kesederhanaan dari kedua tanggapan yang dibutuhkan pembuat keputusan dan cara di mana
tanggapan ini dianalisis, SMART telah diterapkan secara luas. Analisis yang terlibat bersifat transparan,
sehingga metode ini kemungkinan akan menghasilkan pemahaman yang lebih baik tentang masalah
dan dapat diterima oleh pembuat keputusan yang tidak mempercayai pendekatan 'kotak hitam'
matematika. Ini, ditambah dengan kecepatan relatif metode yang dapat diterapkan, berarti bahwa
SMART telah ditemukan menjadi kendaraan yang berguna untuk konferensi keputusan (lihat Bab 12),
di mana kelompok pembuat keputusan bertemu untuk mempertimbangkan masalah keputusan.
Kerugian dari kesederhanaan ini adalah bahwa metode ini mungkin tidak menangkap semua detail dan
kompleksitas dari masalah yang sebenarnya. Namun demikian, dalam praktiknya, pendekatan tersebut
ternyata sangat kuat (lihat Watson dan Buede5).

Tahapan utama dalam analisis ditunjukkan di bawah ini:

Tahap 1: Mengidentifikasi pembuat keputusan (atau pengambil keputusan). Dalam masalah kita,
kita akan berasumsi bahwa ini hanya pemilik bisnis, tetapi dalam Bab 13 kita akan melihat
penerapan SMART pada masalah yang melibatkan kelompok pengambil keputusan.
Tahap 2: Mengidentifikasi tindakan alternatif. Dalam masalah kita ini tentu saja diwakili oleh
berbagai kantor yang dapat dipilih pemiliknya.
Tahap 3: Identifikasi atribut yang relevan dengan masalah keputusan. Atribut yang membedakan
kantor yang berbeda akan menjadi faktor seperti sewa, ukuran dan kualitas kondisi kerja.
Pada bagian berikutnya kita akan menunjukkan bagaimana pohon nilai dapat digunakan
ketika mengidentifikasi atribut yang relevan.
Tahap 4: Untuk setiap atribut, tetapkan nilai ke mengukur kinerja alternatif pada atribut itu.
Misalnya, seberapa baik kantor membandingkan ketika mempertimbangkan kualitas
kondisi kerja yang mereka tawarkan?
Tahap 5: Tentukan bobot untuk setiap atribut. Ini mungkin mencerminkan betapa pentingnya
atribut untuk pengambil keputusan (meskipun kita akan membahas masalah
menggunakan bobot kepentingan nanti).
Tahap 6: Untuk setiap alternatif, ambil rata-rata tertimbang dari nilai yang diberikan untuk
alternatif itu. Ini akan memberi kita ukuran seberapa baik kinerja kantor di atas semua
atribut.
 Tahap 7: Buat keputusan sementara. Tahap 8:Lakukan analisis sensitivitas untuk melihat seberapa
kuat keputusannya untuk perubahan angka yang diberikan oleh pengambil keputusan.

Membangun pohon nilai

Tahap 1 dan 2 dari analisis kami telah selesai: kami tahu siapa pembuat keputusan itu dan kami
telah mengidentifikasi tindakan yang terbuka untuknya. Langkah selanjutnya adalah mengidentifikasi
atribut-atribut yang dianggap oleh pengambil keputusan relevan dengan masalahnya. Anda akan ingat
bahwa sebuah atribut digunakan untuk mengukur kinerja tindakan dalam kaitannya dengan tujuan
pembuat keputusan. Ini berarti bahwa kita perlu sampai pada satu set atribut yang dapat dinilai pada
skala numerik. Namun, atribut awal yang diperoleh dari pengambil keputusan mungkin tidak jelas
(misalnya dia mungkin mengatakan bahwa dia sedang mencari kantor yang akan menjadi 'yang terbaik
untuk bisnisnya'), dan oleh

karena itu atribut tersebut mungkin perlu dipecah menjadi atribut yang lebih spesifik. sebelum
pengukuran dapat dilakukan. Pohon nilai dapat berguna di sini, dan Gambar 3.

Metode ini mengharuskan pemilik untuk mengidentifikasi area kantor yang nilainya berada di
tengah antara area yang paling tidak disukai (400 ft2) dan area yang paling disukai (1500 ft2).
Perhatikan bahwa area ini tidak harus sesuai dengan salah satu kantor yang sedang dipertimbangkan.
Kami hanya mencoba untuk mendapatkan preferensi pemilik untuk area kantor secara umum, dan
setelah memperoleh informasi ini, kami kemudian dapat menggunakannya untuk menilai preferensinya
untuk area kantor tertentu yang tersedia baginya. Awalnya, pemilik menyarankan bahwa area titik
tengahnya adalah 1000 kaki2. Ini menyiratkan bahwa peningkatan luas dari 400 ft2 sampai 1000 kaki2
sama menariknya dengan peningkatan dari 1000 kaki2 hingga 1500 kaki2. Namun, setelah beberapa
pemikiran dia menolak nilai ini. Peningkatan dari area yang lebih kecil, menurutnya, akan mengurangi
kepadatan penduduk sehingga jauh lebih menarik daripada peningkatan dari area yang lebih besar
yang hanya akan menghasilkan perbaikan kecil. Dia kemudian ditawari kandidat lain untuk posisi titik
tengah (misalnya, 900 ft2 dan 600 kaki2), tetapi menolak nilai-nilai ini juga. Akhirnya, dia setuju bahwa
700 ft2 memiliki nilai titik tengah, jadi v(700) = 50.

Setelah mengidentifikasi nilai titik tengah, pembuat keputusan sekarang diminta untuk
mengidentifikasi 'titik seperempat'. Yang pertama akan menjadi area kantor, yang memiliki nilai
setengah jalan antara area yang paling tidak disukai (400 ft2) dan luas titik tengah (700 ft2). Dia
memutuskan bahwa ini adalah 500 kaki2, jadi v(500) = 25. Demikian pula, kami memintanya untuk
mengidentifikasi area yang memiliki nilai di tengah antara area titik tengah (700 ft 2) dan area terbaik
(1500 kaki)2). Dia menilai ini 1000 kaki2, yang menyiratkan bahwa v(1000) = 75. Kami sekarang
memiliki nilai untuk area lima lantai dan ini memungkinkan kami untuk memplot fungsi nilai untuk
ukuran kantor, yang ditunjukkan pada Gambar 3.3. Fungsi nilai ini dapat digunakan untuk
memperkirakan nilai untuk area sebenarnya dari kantor yang dipertimbangkan. Misalnya, kantor Bilton
Village memiliki luas 550 ft .2 dan kurva menunjukkan bahwa nilai area ini adalah sekitar 30.
 Metode serupa dapat diterapkan pada atribut 'kedekatan dengan pelanggan'. Atribut ini telah
diwakili oleh variabel 'jarak dari pusat kota' dan fungsi nilai ditunjukkan pada Gambar 3.4. Perhatikan
bahwa semakin jauh jarak dari pusat kota, semakin rendah nilainya. Kurva juga menunjukkan bahwa
perpindahan dari 0 ke 2 mil dari pusat kota jauh lebih merusak bisnis daripada perpindahan dari 6 ke 8
mil. Nilai-nilai yang diidentifikasi untuk tujuh kantor dalam hal 'area kantor' dan 'kedekatan dengan
pelanggan' ditunjukkan pada Tabel 3.2 (lihat halaman 39). Pada bagian sebelumnya kami memperoleh
nilai untuk mengukur seberapa baik kinerja setiap kantor pada setiap atribut. Misalnya, kami
menemukan bahwa Addison Square adalah kantor terbaik untuk citra dan kedekatan dengan
pelanggan, tetapi itu adalah kantor yang paling tidak disukai untuk menyediakan kondisi kerja yang
nyaman bagi staf. Jelas, untuk membuat keputusan, pemilik sekarang perlu menggabungkan nilai untuk
atribut yang berbeda untuk mendapatkan gambaran tentang manfaat keseluruhan yang ditawarkan
setiap kantor. Cara yang menarik secara intuitif untuk mencapai hal ini adalah dengan melampirkan
bobot pada masing-masing atribut yang mencerminkan kepentingannya bagi pembuat keputusan.
Misalnya, ia mungkin menganggap area lantai kantor lebih penting daripada jarak dari pelanggan dan
karena itu memberikan bobot 5 untuk luas lantai dan hanya 1 untuk jarak dari pelanggan. Sayangnya,
pendekatan ini dapat menyebabkan masalah serius. Untuk melihat ini, pertimbangkan keputusan
berikut. Misalkan pilihannya adalah antara hanya dua kantor, X dan Y, dan kita mengevaluasi ini hanya
pada dua atribut: area kantor dan jarak dari pelanggan.

Decidability: Kami berasumsi bahwa pemilik dapat memutuskan mana dari dua opsi yang dia sukai.
Misalnya, kami berasumsi bahwa dia dapat menyatakan apakah peningkatan citra antara Carlisle
Walk dan Gorton Square lebih besar daripada peningkatan antara CarlisleWalk dan Bilton Village.
Mungkin pemiliknya sangat tidak yakin untuk membuat perbandingan ini atau dia mungkin
menolak untuk membuatnya sama sekali.

Transitivitas: Pemilik lebih memilih gambar Addison Square daripada Bilton Village (yaitu A ke B).
Dia juga lebih menyukai citra Bilton Village daripada Carlisle Walk (yaitu B ke C). Jika
transitivitas berlaku maka pemilik karenanya juga harus lebih memilih gambar Addison Square
daripada Carlisle Walk (yaitu A ke C).

penjumlahan: Ini menyiratkan bahwa jika pemilik lebih memilih A daripada B dan B daripada C, maka
kekuatan preferensi A atas C harus lebih besar daripada kekuatan preferensi A atas B (atau B
atas C).

Solvabilitas: Asumsi ini diperlukan untuk metode bagi dua untuk mendapatkan fungsi nilai. Di sini
pemilik diminta untuk mengidentifikasi jarak dari pusat kota yang memiliki nilai setengah jalan
antara jarak terburuk dan terbaik. Secara implisit diasumsikan bahwa jarak seperti itu ada. Dalam
beberapa keadaan mungkin ada 'kesenjangan' dalam nilai-nilai yang dapat diasumsikan oleh suatu
atribut. Misalnya, adanya zona pembatasan perencanaan antara pusat kota dan kemungkinan
lokasi tertentu dapat berarti bahwa penempatan kantor pada jarak yang memiliki nilai setengah
 jalan antara jarak terburuk dan terbaik bukanlah kemungkinan yang dapat diambil oleh pengambil
keputusan. membayangkan.

Batas atas dan bawah terbatas untuk nilai: Dalam menilai nilai, kami harus mengasumsikan bahwa opsi
terbaik tidak terlalu bagus dan opsi terburuk tidak terlalu buruk sehingga nilai plus dan minus tak
terhingga akan diberikan ke opsi ini.

Asumsi yang dibuat saat menggabungkan nilai

Dalam analisis kami, kami menggunakan model aditif untuk menggabungkan nilai untuk atribut yang
berbeda. Seperti yang kami tunjukkan, penggunaan model ini tidak tepat di mana ada interaksi antara
skor pada atribut. Dalam istilah teknis, untuk menerapkan model kita perlu mengasumsikan bahwa
kemandirian preferensi bersama ada di antara atribut.