MK.

ANALISIS DAN SISTEM KEPUTUSAN

ANALISIS
KEPUTUSAN

Prof. Dr. M. Isa Irawan, MT

Magister Manajemen Teknologi

INSTITUT TEKNOLOGI SEPULUH NOPEMBER
1
Materi

Komponen Pembuatan Keputusan

1. Pembuatan Keputusan Tanpa Probabilitas
2. Pembuatan Keputusan Dengan Probabilitas
3. Analisis Keputusan Dengan Informasi Tambahan
Utilitas

Sumber bacaan :
Bernard W Taylor III, “Introduction to Management Science,
- edition 11”,

2
Analisis Keputusan
Komponen Pembuatan Keputusan
Suatu state of nature adalah suatu event aktual yang bisa
terjadi di masa yang akan datang
Suatu tabel payoff adalah alat untuk mengorganisasikan
situasi keputusan, menyatakan payoffs (hasil) dari beberapa
keputusan yang berbeda yang diberikan di berbagai macam
states of nature
Table 1. Payoff Table

3
Analisis Keputusan
Pembuatan Keputusan Tanpa Probabilitas
Situasi Keputusan:
Table 2
Tabel Payoff untuk investasi real estate

• Kriteria Pembuatan Keputusan: maximax, maximin,

minimax (minimal regret), Hurwicz, dan equal likelihood
4
5
1. Pembuatan Keputusan Tanpa Probabilitas
Kriteria Maximax
Dalam kriteria maximax DM memilih keputusan yang akan
menghasilkan dalam payoff maximum of maximum; suatu
kriteria Optimistic.
(maximum baris dan dicari yang maximum)  Office building

Optimistic
$ 50,000
$ 100,000
$ 30,000
1. Pembuatan Keputusan Tanpa Probabilitas
Kriteria Maximin
In the maximin criterion the decision maker selects the
decision that will reflect the maximum of the minimum (best
of the worst-case) payoffs; a pessimistic criterion.
conservative
minimum setiap baris dan diambil yg maximum

Maximin
$ 30,000
$ -40,000
$ 10,000

7
1. Pembuatan Keputusan Tanpa Probabilitas
Kriteria Minimax Regret
Regret adalah perbedaan antara payoff dari keputusan
terbaik dan semua payoffs keputusan lainnya.
DM berusaha menghindari Regret dengan memilih
alternative keputusan yang minimize maximum regret.

8
• Setiap kolom dicari payoff maximum, kemudian nilai
maximum tsb dikurangi payoff di kolom yang sama. Kolom 1
maksimum 100.000, kolom 2 maximum 30.000. Sehingga
tabel payoff berubah sbb:

Maximal
regrets
$ 50,000
$ 70,000
• da $ 70,000

• Setiap setiap baris dipilih payoff maximum, dan dari nilai

maximum dipilih yang minimum yaitu 50.000.
• Angka 50.000 adalah baris Apartment Building, sebagai
keputusan pembelian.

9
1. Pembuatan Keputusan Tanpa Probabilitas
Kriteria Hurwicz
Kriteria Hurwicz adalah suatu kompromi antara kriteria
maximax (optimist) dan maximin (conservative).
Suatu koefisien optimisme, , adalah suatu
ukuran dari optimism DM.
Kriteria Hurwicz mengkalikan payoff terbaik dg  dan payoff
terburuk dg (1- ), utk setiap keputusan dan dipilih hasil
terbaik.
Keputusan  = 0.4 Nilai
Apartment building $50,000(.4) + 30,000(.6) = 38,000
Office building $100,000(.4) - 40,000(.6) = 16,000
Warehouse $30,000(.4) + 10,000(.6) = 18,000
10
1. Pembuatan Keputusan Tanpa Probabilitas
Kriteria Equal Likelihood
Kriteria equal likelihood (Laplace) mengkalikan payoff
keputusan untuk setiap states of nature adalah sama
diinginkan terjadi.
Untuk 2 states of nature, kasus =0.5 dari metode Hurwicz
Secara umum, secara esensial berbeda!

Keputusan Nilai
Apartment building $50,000(0.5) + 30,000(0.5) = 40,000
Office building $100,000(0.5) - 40,000(0.5) = 30,000
Warehouse $30,000(0.5) + 10,000(0.5) = 20,000

11
1. Pembuatan Keputusan Tanpa Probabilitas
Ringkasan Hasil Kriteria
Suatu keputusan dominant adalah satu dari yang mempunyai
payoff terbaik daripada yang lain pada setiap state of nature.
Kriteria yang sesuai tergantung kepada personality dan
philosophy dari DM.
Kriteria Keputusan (Membeli)
Maximax Office building
Maximin Apartment building
Minimax regret Apartment building
Hurwicz Apartment building
Equal likelihood Apartment building

12
2. Pembuatan Keputusan dengan Probabilitas
Expected Value (nilai harapan)
Expected value dihitung dengan mengkalikan setiap hasil
keputusan dibawah setiap state of nature dg probabilitas
terjadinya.

Table Payoff dg
Probabilitas untuk
States of Nature

EV(Apartment) = $50,000(.6) + $30,000(.4) = $42,000

EV(Office) = $100,000(.6) – $40,000(.4) = $44,000
EV(Warehouse) = $30,000(.6) + $10,000(.4) = $22,000
13
2. Pembuatan Keputusan dengan Probabilitas
Expected Opportunity Loss (EOL)
expected opportunity loss (potensi rugi yang diharapkan)
adalah nilai harapan dari regret untuk setiap keputusan.
Hasil kriteria expected value and expected opportunity loss di
keoutusan yang sama

Table
Regret (Opportunity Loss) dg
probabilitas dari States of
Nature

EOL(Apartment) = $50,000(.6) + $0(.4) = $30,000

EOL(Office) = $0(.6) + $70,000(.4) = $28,000
EOL(Warehouse) = $70,000(.6) + $20,000(.4) = $50,000
14
2. Pembuatan Keputusan dengan Probabilitas
Expected Value of Perfect Information
expected value of perfect information (EVPI) adalah jumlah
maximum seorang DM harus bayar untuk informasi
tambahan.
EVPI sama dengan expected value (with) given perfect
information (insider information, genie) dikurangi expected
value dihitung tanpa perfect information.
EVPI sama dengan expected opportunity loss (EOL) untuk
keputusan terbaik.

15
2. Pembuatan Keputusan dengan Probabilitas
Contoh EVPI (1 dari 2)

Table
Payoff Table with Decisions, Given Perfect Information (probabilitas)

16
2. Pembuatan Keputusan dengan Probabilitas
Contoh EVPI (2 dari 2)
Decision with perfect (insider/genie) information:
$100,000(.60) + $30,000(.40) = $72,000
Decision without perfect information:
EV(office) = $100,000(.60) - $40,000(.40) = $44,000

EVPI = $72,000 - $44,000 = $28,000

EOL(office) = $0(.60) + $70,000(.4) = $28,000

The EV
“genie pick” $42,000
$44,000
$22,000
Chapter 3 - Decision Analysis 17
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees (1 dari 4)
Suatu decision tree (pohon keputusan) adalah diagram yang
terdiri atas simpul keputusan (dinyatakan dalam kotak),
simpul probabilitas (lingkaran), dan alternatif keputusan
(cabang).
Table
Payoff Table untu contoh investasi Real Estate

18
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees (2 dari 4)

uncontrollable

controllable

Figure 3.1
Decision Tree untuk Contoh Investasi Real Estate I
19
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees (3 dari 4)
expected value (EV) dihitung pada setiap simpul probabilitas
(uncontrollable):
EV(node 2) = .60($50,000) + .40(30,000) = $42,000
EV(node 3) = .60($100,000) + .40(-40,000) = $44,000
EV(node 4) = .60($30,000) + .40(10,000) = $22,000
mengisi pohon keputusan dari kanan ke kiri.
Cabang-cabang dg EV terbesar selanjutnya dipilih, mulai dari
kiri dan maju ke kanan.

20
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees (4 dari 4)

Figure 3.2
Decision Tree dg Expected Value pada Node-node Probabilitas
21
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees dg QM for Windows

Exhibit 3.8
22
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees dg Excel dan TreePlan (1 dari 4)

Exhibit 3.9

23
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees dg Excel dan TreePlan (2 dari 4)

Exhibit 3.10

24
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees dg Excel dan TreePlan (3 dari 4)

Exhibit 3.11

25
2. Pembuatan Keputusan dengan Probabilitas
Decision Trees dg Excel dan TreePlan (4 dari 4)

Exhibit 3.12
26
2. Pembuatan Keputusan dengan Probabilitas
Sequential Decision Trees (1 dari 4)
Suatu sequential decision tree digunakan untuk
mengilustrasikan situasi yang membutuhkan serangkaian
(urutan) keputusan..
Hal ini sering kronologis, dan selalu terurut secara logis.
Digunakan di mana tabel payoff, terbatas pada satu
keputusan, tidak dapat digunakan.
Contoh investasi real estate dimodifikasi untuk mencakup
periode 10 tahun di mana beberapa keputusan harus diambil

27
• Dalam contoh baru ini, keputusan pertama yang
dihadapi investor adalah apakah akan membeli
apartmen building atau lands. Jika investor membeli
apartmen building, dua states of nature
dimungkinkan:
• populasi kota akan tumbuh (dengan probabilitas
0,60) atau populasi tidak akan tumbuh (dengan
probabilitas 0,40). Kedua states of nature akan
memberikan payoff.
• Di sisi lain, jika investor memilih untuk membeli
tanah, 3 tahun di masa depan keputusan lain harus
dibuat mengenai pengembangan tanah.
• Pohon keputusan untuk contoh ini, ditunjukkan pada
Gambar 12.4, berisi semua data terkait, termasuk
keputusan, states of nature, probabilitas, dan payoff.
28
2. Pembuatan Keputusan dengan Probabilitas
Sequential Decision Trees (2 dari 4)

Keputusan dibuat
ada di[1] secara logis
tergantung kpd
keputusan yg (akan)
dibuat di [4] dan [5].
29
• Pada simpul keputusan 1 pada Gambar 12.4, pilihan keputusan adalah
membeli gedung apartemen atau membeli tanah. Perhatikan bahwa
biaya masing-masing usaha (masing-masing $ 800.000 dan $ 200.000)
ditunjukkan dalam tanda kurung.
• Jika gedung apartemen dibeli, dua kondisi alam adalah
• mungkin pada simpul probabilitas 2: Kota dapat menunjukkan
pertumbuhan populasi, dengan probabilitas 0,60, atau mungkin tidak
ada pertumbuhan populasi atau penurunan, dengan probabilitas 0,40.
• Jika populasi tumbuh, investor akan mencapai hasil $ 2.000.000
selama periode 10 tahun. (Perhatikan bahwa seluruh situasi keputusan
ini mencakup 10 tahun.) Namun, jika tidak ada pertumbuhan populasi,
hasil hanya $ 225.000 akan dihasilkan.
• Jika keputusannya adalah untuk membeli tanah, dua keadaan alam
dimungkinkan pada simpul probabilitas 3.
• Kedua keadaan alam ini dan probabilitasnya identik dengan yang ada
di simpul 2; Namun, hasilnya berbeda. Jika pertumbuhan populasi
terjadi selama 3 tahun, tidak ada hasil yang akan terjadi, tetapi
investor akan membuat keputusan lain pada simpul 4 tentang
pengembangan lahan.
30
• Pada saat itu, apartemen mana pun akan dibangun, dengan biaya $
800.000, atau tanah akan dijual, dengan imbalan $ 450.000. Perhatikan
bahwa situasi keputusan pada simpul 4 dapat terjadi hanya jika
pertumbuhan populasi terjadi terlebih dahulu. Jika tidak ada
pertumbuhan populasi yang terjadi di simpul 3, tidak ada hasil, dan
situasi keputusan lain menjadi perlu di simpul 5: Tanah dapat
dikembangkan secara komersial dengan biaya $ 600.000, atau tanah
dapat dijual dengan $ 210.000. (Perhatikan bahwa penjualan tanah
menghasilkan keuntungan yang lebih sedikit jika tidak ada
pertumbuhan populasi daripada jika ada pertumbuhan populasi). Jika
keputusan pada simpul keputusan 4 adalah untuk membangun
apartemen, dua keadaan alam dimungkinkan:
• Populasi dapat tumbuh, dengan probabilitas bersyarat 0,80, atau
mungkin tidak ada pertumbuhan populasi, dengan probabilitas
bersyarat 0,20. Probabilitas pertumbuhan populasi lebih tinggi dan
probabilitas tidak ada pertumbuhan lebih rendah) daripada
sebelumnya karena sudah ada pertumbuhan populasi selama 3 tahun
pertama, seperti yang ditunjukkan oleh cabang dari node 3 ke node 4.
Imbalan untuk kedua negara ini dari alam pada akhir periode 10 tahun
masing-masing adalah $ 3.000.000 dan $ 700.000, seperti yang
ditunjukkan pada Gambar 12.4.

31
2. Pembuatan Keputusan dengan Probabilitas
Sequential Decision Trees (3 dari 4)

Figure 3.4
Sequential Decision Tree with Nodal Expected Values
32
2. Pembuatan Keputusan dengan Probabilitas
Sequential Decision Trees (4 dari 4)
Keputusan untuk membeli tanah; nilai harapan bersih
tertinggi ($ 1.160.000, pada node [1]).
Payoff dari keputusan tersebut adalah $ 1.160.000. (Itulah
payoff yang diharapkan dari keputusan ini.)

33
Analisis Sequential Decision Tree
Solusi dg QM for Windows

Exhibit 3.13

34
Analisis Sequential Decision Tree
Solusi dg Excel dan TreePlan

Exhibit 3.14
35
36