Disusun Oleh :
KELOMPOK I
1. PUTRI SETIA MARDIANI
2. ERIKA RAHMA SETIYANI
3. IFAH NURDIANA
4. ACHMAD INDAH ARIFUDDIN
Keduanya adalah alat yang berguna untuk membantu manajer atau pengambil keputusan
dalam menghadapi ketidakpastian ketika menganggarkan modal untuk proyek investasi. Mereka
memungkinkan perusahaan untuk mempertimbangkan konsekuensi finansial yang mungkin timbul
akibat perubahan dalam lingkungan bisnis atau ketidakpastian lainnya, dan merencanakan dengan
bijak untuk menghadapinya.
Secara tradisional nilai suatu proyek ditentukan oleh proyek tersebut. Pada kenyataannya,
arus kas suatu proyek kemungkinan besar akan berbeda nilai bersih sekarang yang sama dengan
jumlah dari arus kas masa depan yang didiskontokan, dikurangi dengan jumlah yang dibutuhkan
ini investasi awal (Brealey dan Myers 1991). Pada dasarnya asumsi bahwa tingkat diskonto dan
harapan arus kas masa depan diketahui sehingga proyek akan dimulai dengan tepat. Berdasarkan
nilai saat ini suatu proyek, batas keputusan penganggaran yang dihadapi perusahaan adalah
memilih portofolio proyek yang tidak melebihi anggaran, tetapi pada saat yang sama menciptakan
nilai maksimal. Keputusan ini pertama kali dirumuskan sebagai model optimasi oleh Weingartner
(1974). Sejak itu sejumlah model penganggaran mulai bermunculan untuk disesuaikan dengan
situasi tertentu sedang diselidiki. Misalnya, Myers dan Pogue (1974), Bradley dan Frey (1978),
serta Kim dan Lee (1991) mengajukan usulan model penganggaran yang berbeda untuk
memasukkan penentuan tingkat diskonto yang sesuai situasi ke dalam penganggaran modal.
Dengan menerapkan metode yang dikembangkan baru-baru ini seperti analisis klaim
kontinjensi dan pemrograman inter untuk mengevaluasi instrumen keuangan, ketidakpastian dapat
digabungkan dengan memodelkan arus kas atau nilai proyek sebagai proses stokastik. Pada saat
yang sama, pendekatan pilihan nyata ini menjaga fleksibilitas yang mendasari proyek, seperti
kemungkinan untuk menunda dimulainya suatu proyek (Trigeorgis 1996; Dixit dan Pindyck 1994;
Majd dan Pindyck 1989; Kulatilaka dan Marcus 1987 dan 1988; Kester 1986) . Jadi, hasil evaluasi
opsi nyata tidak hanya melibatkan penentuan nilai opsi nyata, tetapi juga keputusan investasi yang
optimal.
4. MASALAH KOMPUTASI
Masalah komputasi yang berkaitan dengan model optimasi. Ada beberapa masalah
komputasi yang berkaitan dengan model optimasi. Beberapa masalah umum yang mungkin
dihadapi dalam konteks ini adalah:
a. Kompleksitas Algoritma: Beberapa model optimasi melibatkan masalah yang sangat
kompleks secara komputasi. Menemukan solusi optimal untuk masalah semacam itu bisa
memakan waktu yang sangat lama, terutama jika jumlah variabel atau kendala sangat
besar.
b. Dimensi Tinggi: Ketika jumlah variabel dalam model optimasi sangat besar, ini dapat
menyebabkan masalah komputasi yang sulit dipecahkan. Hal ini sering terjadi dalam
optimasi kombinatorial, di mana permutasi atau kombinasi variabel harus dijelajahi.
c. Ketidakpastian: Dalam beberapa kasus, optimasi harus mengatasi ketidakpastian dalam
data atau parameter masalah. Mengelola ketidakpastian ini bisa menjadi tantangan,
terutama ketika masalah memerlukan pengambilan keputusan yang adaptif.
d. Konvergensi: Terkadang, algoritma optimasi mungkin kesulitan mencapai solusi yang
konvergen atau mendekati optimal. Hal ini dapat mengakibatkan waktu komputasi yang
tidak terduga atau solusi suboptimal.
e. Batasan Komputasi: Solusi optimal untuk masalah optimasi mungkin memerlukan sumber
daya komputasi yang besar, seperti daya pemrosesan atau memori. Batasan ini dapat
membatasi kemampuan untuk menyelesaikan masalah dengan cepat atau efisien.
f. Interaksi Variabel: Dalam beberapa kasus, interaksi antara variabel dalam model optimasi
dapat membuat masalah lebih sulit. Ini sering terjadi dalam optimasi nonlinier.
g. Perubahan Dinamis: Dalam situasi di mana kondisi atau kendala masalah berubah seiring
waktu, model optimasi harus mampu menangani perubahan tersebut, yang bisa menjadi
masalah yang rumit.
Untuk mengatasi masalah komputasi dalam model optimasi, berbagai teknik dapat
digunakan, termasuk penggunaan algoritma heuristik, parallel computing, pemecahan masalah
secara bertahap, dan teknik optimasi lebih canggih seperti optimasi nonlinier serta model
adaptif yang mampu menangani ketidakpastian. Keberhasilan dalam menyelesaikan masalah
optimasi sering bergantung pada pemilihan algoritma yang tepat dan pengelolaan sumber daya
komputasi dengan bijak.