Nama : Novi Julianti

NIM : 1701619108
Kelas : S1 Pendidikan Akuntansi 2019
Mata Kuliah : Statiska Ekonomi
Dosen : Dra. Sri Zulaihati, M.Si

“TEORI KEPUTUSAN”
PENGERTIAN ANALISIS KEPUTUSAN
Dalam kehidupan sehari-hari setiap manusia dihadapkan pada persoalan dimana dia harus
mengambil keputusan. Mulai yang sederhana seperti misalnya memutuskan untuk
memperpanjang waktu tidur di pagi hari dengan segala resiko yang akan dihadapai, sampai hal-
hal yang sulit bahkan komplek. Keputusan ini dapat bersifat pribadi maupun sosial atau bersifat
jangka pendek maupun jangka panjang yang mau tidak mau harus diputuskan, bahkan tidak
mengambil keputusanpun adalah bagian dari keputusan itu sendiri.
Dalam bidang pengambilan keputusan, ilmu statistika mempunyai peran yang sangat
penting dimana dari jaman awal mula peradaban manusia seperti mengelompokkan benda-benda,
atau adanya permainan “astragali” pada jaman mesir kuno, bahkan kaisar romawai Claudius (10
SM – 54 M) telah menulis buku yang berjudul “Bagaimana Menang dengan Dadu”. Seiring
dengan perkembangannya, ilmu statistika telah mengembangkan cabang statistik baru yaitu teori
keputusan statistika.
Ilmu ini berkembang sejak tahun 1950-an yang terilhami atau dipelopori oleh sejak abad
ke-18 oleh Thomas Bayes, sehingga banyak yang menyebutkan teori keputusan statistika sebagai
statistik Bayesian. Statistik ini berfokus pada proses pengambilan keputusan yang berbeda
dengan statistik klasik yang terfokus pada estimasi parameter dan statistik seperti menerapkan
nilai rata-rata hitung, ukuran penyebaran, interval kepercayaan dan pengujian hipotesis.
Setiap pengambilan keputusan selalu akan menghadapai empat keadaan, yaitu :
a) Kepastian (certainty)
b) Ketidakpastian (uncertainty)
c) Risiko (risk)
d) Konflik (conflict)

Teori keputusan dalam ilmu statistik berhubungan dengan resiko dan ketidak pastian.
Keputusan dengan kondisi kepastian terjadi apabila semua informasi yang dijadikan dasar
keputusan tersedia dan valid atau informasi bersifat sempurna dan tidak bias. Keputusan dalam
kondisi ketidak pastian menunjukkan kondisi suatu keputusan tidak mempunyai informasi yang
sempurna dan probabilitas suatu kejadian tidak diketahui.
 Keputusan dalam kondisi beresiko terjadi apabila suatu keputusan tidak mempunyai
informasi yang sempurna, namun mempunyai kemungkinan atau probabilitas suatu peristiwa
akan terjadi. Keputusan dalam kondisi konflik yaitu keputusan dimana terdapat dua atau lebih
kepentingan. Terhadap kepentingan tertentu memiliki skala prioritas, sehingga keputusan dapat
diterima oleh semua pihak. Setiap keputusan dalam statistika mempunyai elemen yang terdiri
dari:
a) tindakan atau alternatif yang tersedia
b) state of nature yaitu peristiwa atau kejadian yang tidak dapat dihindati atau dikendalikan
oleh pengambil keputusan
c) hasil atau payoff dari setiap alternatif keputusan
Pilihan atau alternatif adalah membuat setiap keputusan mempunyai minimal dua atau
lebih peristiwa atau kejadian. State of nature mengambarkan suatu keadaan atau kondisi di luar
kendali dari pengambil kebijakan, Kondisi demikian terjadi karena kondisi yang dijadikan dasar
pada saat pengambilan keputusan, sudah berubah akibat dari kejadian yang luar biasa. Hasil atau
payoff yaitu kombinasi hasil dari setiap alternatif dan kondisi yang akan terjadi, misalnya pada
saat memutuskan untuk berinvestasi tanah, maka jika kondisi baik harga akan naik 20% dan
kondisi buruk bisa rugi. Hubungan elemen-elemen dalam keputusan (peristiwa, tindakan dan
hasil) menurut Lind (2002) adalah sebagai berikut :
 Peristiwa : Ketidakpastian berkenaan dengan kondisi mendatang. Pengambil keputusan
tidak mempunyai kendali terhadap kondisi mendatang.
 Tindakan : Dua atau lebih alternatif dihadapi pengambil keputusan. Pengambil keputusan
harus mengevaluasi alternatif, memilih alternatif dengan kriteria tertentu.
 Hasil : kondisi dimana terjadi sesuai dengan diinginkan atau positif, tidak sesuai dengan
yang diinginkan atau negatif dan atau tidak terjadi perubahan atau tetap.

Tiga kondisi pengambilan keputusan:

1) Mode Pengambilan Keputusan dalam Keadaan Kepastian (Certainty). Menggambarkan
bahwa setiap rangkaian keputusan (kegiatan) hanya mempunyai satu hasil (pay off
tunggal). Mode ini disebut juga Model Kepastian/ Deterministik.
2) Pengambilan Keputusan Beresiko (Risk). Menggambarkan bahwa setiap rangkaian
keputusan (kegiatan) mempunyai sejumlah kemungkinan hasil dan masing-masing
kemungkinan hasil probabilitasnya dapat diperhitungkan atau diketauhi. Model
Keputusan dengan model resiko disebut juga Modal Stokastik. memperhatikan:
a) nilai yang diharapkan (expected value-EV). Nilai EV yang tinggi merupakan
keputusan yang terbaik.
b) memperhatikan kehilangan kesempatan terbaik (expected opportunity loss-EOL).
Nilai dengan EOL terendah adalah keputusan yang terbaik.
c) memperhatikan informasi yang sempurna (expected value of perfect informations-
EVPI). EVPI memperhatikan faktor informasi yang sempurna sehingga dapat
mengoptimalkan tingkat keuntungan
3) Pengambilan Keputusan dalam Ketidakpastian (Uncertainty). Menggambarkan bahwa
setiap rangkaian keputusan (kegiatan) mempunyai sejumlah kemungkianan hasil dan
 masing-masing kemungkinan hasil probabilitasnya tidak dapat diketauhi/ditentukan.
Model keputusan dengan kondisi seperti ini adalah situasi yang paling sulit untuk
pengambilan keputusan. beberapa cara untuk mengambil keputusan diantaranya:
a) Kriteria Laplace yaitu memberikan probabilitas yang sama terhadap setiap
kejadian.
b) Kriteria Maximin yaitu memilih peristiwa yang pesimis dan memilih alternatif
yang terbaik.
c) Kriteria Maximax yaitu memilih peristiwa yang optimis dan memilih alternatif
yang terbaik.
d) Kriteria Hurwicz yaitu membuat koefisien optimis yang mengukur berapa
keyakinan terhadap peristiwa optimis dan sebaliknya pesimis.
e) Kriteria Regret yaitu menentukan hasil dengan opportunity loss, dan mencari nilai
yang terendah dari regret maksimum.

Analisis keputusan adalah pola berpikir sistematis dalam pengambilan keputusan, yang
bertujuan untuk mengidentifikasi apa yang harus dilakukan, pengembangan kriteria khusus untuk
mencapai tujuan, mengevaluasi alternatif tindakan yang tersedia yang berhubungan dengan
kriteria dan mengidentifikasi kemungkinan resiko yang melekat pada suatu keputusan tersebut.
Untuk mencapai beberapa sasaran antara seperti yang telah diuraikan sebelumnya
diperlukan adanya suatu keputusan tidakan yang akan dilakukan dari beberapa alternatif.
Untuk itu, dilakukan analisis keputusan dengan mengikuti langkah-langkah sebagai
berikut:
 Merumuskan Pernyataan Keputusan
Tujuan merumuskan pernyataan keputusan adalah untuk memusatkan perhatian
pada tindakan yang terpilih dalam tahap pengidentifikasian alternatif tindakan sebagai
dasar untuk melaksanakan keputusan yang akan ditempuh dalam usaha mengembangkan
perusahaan.
 Menetapkan Kriteria Keputusan
Kriteria keputusan adalah kemampuan memberikan gambaran mengenai suatu
keadaan yang lebih terperinci tentang hasil keputusan yang diambil. Tujuan penetapan
kriteria adalah untuk menyaring sejumlah alternatif lain yang pada akhirnya akan
muncul satu alternatif terbaik.
 Menetapkan Alternatif Keputusan
Alternatif keputusan adalah kemungkinan-kemungkinan pilihan bagi
pencapaian tujuan dari pernyataan keputusan. Dari berbagai alternatif, akan dipilih
yang terbaik berdasarkan kriteria-kriteria yang ada. Pertimbangan pokoknya adalah
mana yang paling memenuhi kriteria dan paling kecil resikonya bila alternatif itu
dijalankan.
 Menentukan Bobot Masing-Masing  Kriteria
 Penentuan bobot berdasarkan besar-kecilnya pengaruh kriteria terhadap alternatif
keputusan.Semakin besar pengaruhnya maka bobotnya lebih besar dan sebaliknya.
Jumlah bobot untuk seluruh kriteria adalah satu

 Membuat Matriks Penilaian

Matriks penilaian bertujuan untuk mengevaluasi alternatif-alternatif yang paling
baik yang dapat memenuhi sasaran.Dalam matriks ini digunakan sistem pembobotan,
dimana kriteria dan alternatif keputusan diberi bobot kemudian diperkalikan.
 Menentukan Tindakan Terpilih
Hasil perkalian antara kriteria dan alternatif keputusan yang memiliki bobot
tertinggi merupakan alternatif prioritas.Alternatif yang menjadi prioritas merupakan
tindakan terpilih untuk mencapai sasaran utama.

PENGERTIAN POHON KEPUTUSAN

Pohon yang dalam analisis pemecahan masalah pengambilan keputusan adalah pemetaan
mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah tersebut.
Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan/probablitas yang akan
mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang
akan didapat bila kita mengambil alternatif keputusan tersebut.
MANFAAT POHON KEPUTUSAN
Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah
untuk diinterpretasi oleh manusia.Pohon keputusan adalah model prediksi menggunakan struktur
pohon atau struktur berhirarki.Konsep dari pohon keputusan adalah mengubah data menjadi
pohon keputusan dan aturan-aturan keputusan.
Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-
break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga
pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon
Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara
sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan
antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses
pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi
tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi,
akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya
sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota
mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau
mengapa model tersebut bekerja.
KELEBIHAN DAN KEKURANGAN POHON KEPUTUSAN
Kelebihan:
  Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat
diubah menjadi lebih simpel dan spesifik.
 Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan
metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas
tertentu.
 Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan
membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama.
Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang
dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang
lebih konvensional
 Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak,
seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi
ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat
menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya
lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang
dihasilkan.
Kekurangan:
 Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat
banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan
keputusan dan jumlah memori yang diperlukan.
 Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang
besar.
 Kesulitan dalam mendesain pohon keputusan yang optimal.
 Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung
pada bagaimana pohon tersebut didesain.
PROSEDUR PEMBENTUKAN POHON KEPUTUSAN
Decision tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan
atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf)
merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah
node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu
kelas tertentu. Pada umumnya decision tree melakukan strategi pencarian secara top-down untuk
solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan
cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi
kelas yang dimiliki oleh suatu data baru tertentu.
Sebuah model keputusan terdiri dari sekumpulan aturan untuk membagi jumlah populasi
yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel
tujuannya. Sebuah model keputusan mungkin dibangun dengan saksama secara manual atau
dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon
keputusan untuk memodelkan himpunan data yang belum terklasifikasi (Kusrini, 2009).
 Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih
mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebut
atau untuk mengklasifikasi record dengan mengelompokkannya dalam satu kelas. Pohon
keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel continue meskipun ada
beberapa teknik yang lebih sesuai untuk kasus ini.
Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan
record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalm pembentukan
pohon keputusan. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah
cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi
per item data yang disebut target atribut. Atribut memliki nilai-nilai yang dinamakan dengan
instance. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan (Basuki
dan Syarif, 2003). Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi
model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki dan
Syarif, 2003).
Dalam membangun decision tree menggunakan algoritma ID3 atau C4.5, yang
diperkenalkan dan dikembangkan pertama kali oleh Ros Quinlan yang merupakan singkatan dari
Iteractive Dichotomiser 3 atau Induction of Decision 3. algoritma ID3 membentuk pohon
keputusan dengan metode divide and conquer data secara rekursif dari atas ke bawah.
Strategi pembentukan decision tree dengan algoritma ID3 adalah:
1. Pohon dimulai sebagai node tunggal (akar/root) yang merepresentasikan semua data.
2. Sesudah node root dibentuk, maka data pada node akar akan diukur dengan
information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
3. Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan
didistribusikan ke dalam cabang masing-masing.
4. Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk
dapat membentuk sebuah decision tree. ketika sebuah atribut telah dipilih menjadi
node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam
penghitungan nilai information gain.
5. Proses pembagian rekursif akan berhenti jika salah satu dari kondisi di bawah ini
terpenuhi:
1) Semua data dari anak cabang telah termasuk dalam kelas yang sama.
2) Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang
berbeda. Dalam kasus ini, diambil data yang mewakili kelas terbanyak untuk
dijadikan label kelas.
3) Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun
akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas
terbanyak untuk dijadikan label kelas.
ANALISIS POHON KEPUTUSAN
Pada saat membuat pohon keputusan, harus dipastikan bahwa semua alternatif dan kondisi alami
berada di kondisi yang benar dan logis, serta semua alternatif yang mungkin dan kondisi alami
telah disertakan. Notasi yang disertakan adalah :
Istilah:
 Alternatif : sebuah tindakan atau strategi yang dapat dipilih oleh seorang pengambil
keputusan
 Kondisi Alami : sebuah kejadian atau situasi dimana pengambil keputusan hanya
memiliki sedikit kendali, atau tidak sama sekali
Simbol yang digunakan dalam pohon keputusan
 Kotak: sebuah titik keputusan dimana terdapat satu alternatif atau lebih yang dapat
dipilih
 Lingkaran: Sebuah titik kondisi alami dimana kondisi alami mungkin dapat terjadi
Diagram pohon sering kali membantu dalam memahami dan menyelesaikan persoalan
probabilitas. Diagram pohon biasanya digambarkan dalam lambang yang baku. Dimulai dengan
sebuah nokhtah kemudian dibuat cabang-cabang sebanyak peristiwa yang mungkin dapat
dihasilkan. Menganalisis masalah dengan pohon keputusan mencakup 5 hal, yaitu
1) Mendefinisikan Masalah
2) Menggambar Pohon Keputusan
3) Menentukan peluang untuk kondisi ilmiah
4) Memperkirakan imbalan bagi setiap kombinasi alternatif keputusan dan kondisi ilmiah
yang mungkin
5) Menyelesaikan masalah dengan menghitung EMV bagi setiap kondisi ilmiah, ini
dilakukan dengan menghitung dari belakang kedepan, yaitu dari sisi kanan pohon ke
sebelah kirinya.
EMV (Extected Monetary Value) adalah nilai harapan moneter yang diharapkan dari sebuah
veriabel yang memiliki beberapa kemungkinan kondisi alamiah yang berbeda, masing masing
dengan peluang tersendiri. Saat peluang diketahui, nilai maximax dan maximin menyatakan
skenario perencanaan kasus terbaik dan kasus terburuk. EMV sebuah alternatif merupakan
jumlah semua keuntungan alternatif, yang masing masing memberikan bobot kemungkinan
terjadinya.
EMV (Alternatif) = (Hasil kondisi alamiah 1) x (Kemungkinan terjadi kondisi alamiah 1) +
(Hasil kondisi alamiah 2) x (Kemungkinan terjadi kondisi alamiah 2) + …. + (Hasil kondisi
alamiah terakhir) x (Kemungkinan terjadi kondisi alamiah terakhir)
EMV = 𝛴(probability X nilai payoff yang diharapkan)
DAFTAR PUSTAKA
http://lindasilfia.blogspot.com/2017/06/makalah-teori-keputusan-dan-pohon.html
http://andihm.weblog.esaunggul.ac.id/2014/04/04/teori-keputusan/