Teori Keputusan

Kuliah Statistik
 TEORI PENGAMBILAN
KEPUTUSAN
Pengambilan Keputusan :
Model-model pengambilan keputusan dalam analisa kuantitatif
sering menggunakan anggapan tersedianya informasi yang
sempurna.
Dunia nyata para manajer sering dipaksa harus mengambil
keputusan tanpa informasi sempurna (ada variabilitas
informasi, seperti kondisi kepastian, risiko dan
ketidakpastian).
Model Pengambilan Keputusan dipengaruhi atau tergantung
dari Informasi yang ada/yang dimiliki.
Informasi yang ada, pada dasarnya dapat digolongkan menjadi
2 (dua) yaitu Informasi Sempurna (Perfect Information) dan
Informasi Tidak Sempurna (Imperfect Information).
Model Pengambilan Keputusan dikaitkan Informasi yang dimiliki :
Ada 3 (tiga) Model Pengambilan keputusan.
1. Model Pengambilan Keputusan dalam Keadaan Kepastian
(Certainty). Menggambarkan bahwa setiap rangkaian
keputusan (kegiatan) hanya mempunyai satu hasil (pay off
tunggal). Model ini disebut juga Model Kepastian/
Deterministik.
 lanjutan
2. Model Pengambilan Keputusan dalam kondisi Berisiko
(Risk). Menggambarkan bahwa setiap rangkaian
keputusan (kegiatan) mempunyai sejumlah
kemungkinan hasil dan masing-masing kemungkinan
hasil probabilitasnya dapat diperhitungakan atau
dapat diketahui. Model Keputusan dengan Risiko ini
disebut juga Model Stokastik.
3. Model Pengambilan Keputusan dengan Ketidakpastian
(Uncertainty). Menggambarkan bahwa setiap
rangkaian keputusan (kegiatan) mempunyai sejumlah
kemungkinan hasil dan masing-masing kemungkinan
hasil probabilitasnya tidak dapat diketahui/ditentukan.
Model Keputusan dengan kondisi seperti ini adalah
situasi yang paling sulit untuk pengambilan keputusan.
(Kondisi yang penuh ketidakpastian ini relevan dengan
apa yang dipelajari dalam Game Theory)

Fokus yang Dipelajari dalam Metode Kuantitatif :

Hanya Model Pengambilan Keputusan dengan Risiko
(Risk). Decision theory dalam kasus ini bertujuan untuk
memaksimumkan benefit atau meminimumkan biaya-
biaya berbagai keputusan dalam kondisi berisiko.
 lanjutan

Contoh kasus sederhana :

Pengambilan Keputusan dalam Kondisi
Berisiko:
Kasus Pemilik/Penjual Bakso Senayan Cabang Yogya
hendak memutuskan berapa mangkok bakso yang
harus disediakan rata-rata setiap hari agar
keuntungan diperoleh maksimum. Jika disediakan
terlalu banyak (melebihi jumlah yang diminta) maka
ia akan menderita kerugian yaitu rugi/kerugian biaya
produksi karena tidak laku. Jika disediakan terlalu
sedikit maka ia juga akan menderita kerugian (rugi
kesempatan yaitu berupa keuntungan yang menjadi
hilang karena pembeli datang tetapi tidak bisa
terlayani). Data yang ada biaya produksi bakso per
mangkok sebesar Rp 2000,- dan harga jual bakso per
mangkok sebesar Rp 3000,-. Data lain yang diperoleh
berdasarkan pengamatan data masa lalu (historical
data), yaitu data permintaan dan peluang/probabilitas
permintaan tersebut sebagai berikut :
 lanjutan
Data Permintaan dan Probabilitas sbb:
No. Permintaan (Unit/Hari) Probabilitas
1 100 0,1
2 110 0,2
3 120 0,4
4 130 0,2
5 140 0,1

Penyelesaian Kasus di atas bisa dilakukan dengan :

1. Kriteria Keputusan :
a. Kriteria Maximax
b. Kriteria Maximin
c. Kriteria Kemungkinan Maksimum
d. Kriteria Laplace
2. Kriteria Expected Value yang Tertinggi
3. Kriteria Pohon Keputusan (Decision Tree).
 lanjutan
Tabel Pay Off
(Kerugian atau Keuntungan dari berbagai
kondisi).
Kondisi Permin taan (Prob)
Dasar 100 110 120 130 140
(Xi)
(0,1) (0,2) (0,4) (0,2) (0,1)
100 100000 90000 80000 70000 60000
110 80000 110000 100000 90000 80000
120 60000 90000 120000 110000 100000
130 40000 70000 100000 130000 120000
140 20000 50000 80000 110000 140000
 lanjutan
1. Kriteria Keputusan:
a. Kriteria Maximax, mengatakan bahwa keputusan yang
mempunyai pay off paling tinggi (tanpa memperdulikan hal
lain) yang seharusnya dipilih (Optimistik).Lihat Tabel Pay
off:
Maksimum Baris 1 = 100000
Maksimum Baris 2 = 110000
Maksimum Baris 3 = 120000
Maksimum Baris 4 = 130000
Maksimum baris 5 = 140000
Yang tertinggi adalah 140000, berarti menyediakan 140
mangkok bakso.
b. Kriteria Maximin, memilih keputusan yang menghasilkan
nilai maksimum dari pay off yang minimum.
Minimum Baris 1 = 60000
Minimum Baris 2 = 80000
Minimum Baris 3 = 60000
Minimum Baris 4 = 40000
Minimum Baris 5 = 20000
yang tertinggi adalah 80000, berarti menyediakan 110
mangkok bakso
 lanjutan
c. Kriteria Kemungkinan Maksimum
Menyatakan seseorang seharusnya memilih keputusan
optimalnya atas dasar yang paling sering terjadi, dalam
hal ini dilihat dari probabilitasnya maka yang paling
sering terjadi adalah permintaan 120 dengan
probabilitas 0,4. Jadi sebaiknya penjual bakso
menyediakan 120 mangkok bakso dengan kemungkinan
keuntungan yang diperoleh sebesar 120000.
d. Kriteria Laplace, seseorang seharusnya memilih
keputusan yang mempunyai laba rata-rata tertinggi.
Dalam hal ini sebaiknya mengambil keputusan
menyediakan 120 mangkok dengan rata-rata
keuntungan 96000.

2. Kriteria Expected Value yang Tertinggi, keputusan yang

dipilih adalah keputusan yang mempunyai expected
value pay off yang tertinggi, Perhitungan EV (EMV =
Expected monetary Value) dapat diperoleh dengan
memasukan semua besaran probabilitas dalam
perhitungan. Keputusan yang diambil sebaiknya
menyediakan 120 mangkok dengan keuntungan/ nilai
EV/EMV = 104000.
 MODEL-MODEL PERAMALAN
1. Forecasting/Peramalan dilihat jangka waktu:
a. Short Term
b. Middle Term
c. Long Term
2. Metode-metode dalam Forecasting/Peramalan :
Ada yang membagi menjadi 3 macam :
1) Extrapolation Methods.
Metode ini hanya mendasarkan data tahun, bulan, waktu
lalu) secara runtut dengan tanpa memperhatikan faktor-
faktor penyebab terjadinya kejadian tersebut untuk
memperkirakan peristiwa/data di waktu yang akan datang.
Variabel acak yang dimungkinkan sebagai variabel
pengganggu bisa berupa gerak Irregular/Random, Trend,
Season atau Cyclus.
2) Causal Methods.
Pada metode ini dipertimbangkan faktor-faktor yang
mempengaruhi terjadinya suatu peristiwa/data yang ada.
Oleh karena itu faktor-faktor yang dianggap berpengaruh
diikutkan dalam proses perhitungan sebagai variabel
independent (variabel bebas).
 lanjutan
3) Adjustment Methods.
Peramalan dengan metode ini hanyalah menggunakan
justifikasi saja. Sehingga pemakaian metode ini haruslah
melibatkan orang yang memang ahli dibindangnya.

Pembagian lain, metode peramalan dibagi 2 macam :

1) Metode Kualitatif.
Pada metode ini peramalan dilakukan hanya berdasarkan
data kualitatif dan pemakaian metode ini hanya boleh
dilakukan oleh orang yang benar-benar ahli/pakar dalam
bidangnya atau oleh orang yang punya pengalaman.
2) Metode Kuantitatif.
Peramalan dengan metode ini dapat dilakukan kalau
ada/tersedia data kuantitatif. Pada metode ini dikenal 2
model:
a. Metode Kausalitas (Cause Effect Methods atau metode
sebab akibat). Alat utama korelasi dan regresi.
b. Metode Runtut Waktu (Time Series Analysis), metode ini
mencoba mengamati suatu variabel dikaitkan dengan
unsur
waktu. Alat utama Trend dan indeks musim.
 lanjutan
3. Fokus Pembahasan:
Forecasting/peramalan dengan Metode Kuantitatif.

4. Memilih Metode Terbaik dalam

Forecasting/Peramalan :
Dalam peramalan tidak ada satupun metode
terbaik, metode terbaik adalah suatu metode yang
ketika kita terapkan untuk suatu kasus akan
menghasilkan error atau penyimpangan
minimal/terkecil.
Error (penyimpangan antara data aktual dengan
data hasil forecast/peramalan), dalam peramalan
biasanya diukur antara lain dengan:
a. Bias.
b. MAD (Mean Absolute Deviation).
c. MSE (Mean Square Error).
d. MAPE (Mean Absolute Procentase Error).
e. Standar Error.
 KORELASI DAN REGRESI
KORELASI
1. Pengertian :
(1) Mengukur derajat keeratan hubungan antara satu
variabel
dengan variabel-variabel lain.
(2) Hanya sekedar mengukur hubungan, dan sifat hubungan
dalam korelasi bisa dua arah (bolak-balik), X
berhubungan
dengan Y atau Y berhubungan dengan X.
(3) Hubungan dalam korelasi bisa positif (hubungan
searah),
nol (tidak ada hubungan) atau negatif (berlawanan
arah)
(4) Simbol atau notasi korelasi : r dan besarnya 1 r 1.

2. Macam Korelasi :
(1) Korelasi Sederhana (Single Correlation), korelasi antara
dua variabel rx,y
(2) Korelasi Berganda (Multiple Correlation), korelasi antara
lebih dari dua varibel rx1, x2, y
 lanjutan
3. Rumus Korelasi :
n . X.Y - (X).(Y)
R=r=
--------------------------------------------------------------
{ n . X 2 ( X ) 2 } . { n . Y 2 ( Y ) 2 }

Tabel Pertolongan untuk menghitung korelasi :

----------------------------------------------------------------------
--
No X Y X .Y X2 Y2

----------------------------------------------------------------------
--
1
2
Dst

----------------------------------------------------------------------
--
X Y X .Y X2 Y2
-------------------------------------------------------------------------------------------------------------
 lanjutan
REGRESI
1. Pengertian :
(1) Mencari garis atau fungsi yang dapat menggambarkan
hubungan antara Variabel Penyebab = Variabel bebas =
Variabel prediktor = Independent Variable dengan
Variabel Akibat= Variabel Terikat =Dependent Variable.
(2) Mengukur bagaimana pola hubungan fungsional
antara
variabel-variabel dalam persamaan atau model.
(3) Yang diukur bukan sekedar hubungan tetapi sudah
sampai
pada pengaruh. Sifat hubungan satu arah, harus
ditentukan variabel bebas dan variabel terikatnya.
2. Macam Regresi :
(1) Regresi Sederhana (Single Regression), Regresi antara
dua variabel (1 variabel bebas dan 1 variabel terikat)
(2) Regresi Berganda (Multiple Regression), Regresi antara
lebih dari dua variabel (2 atau lebih variabel bebas
dengan
1 variabel terikat).
 lanjutan
3. Persamaan Regresi :
Untuk Regresi Sederhana/Single Regression :
Y = a + b X
Y b. X
dimana a = konstanta = ------ - ---------
n n
n . X .Y - X . Y
b = koefisien regresi = -----------------------------------
n . X2 - ( X ) 2
X = Variabel bebasnya Y = Variabel terikat
Untuk Regresi Berganda :
Y = a + b1.X1 + b2.X2 + . + bn.Xn
dimana a = konstanta
b1 = koefisien regresi untuk Variabel X1
b2 = koefisien regresi untuk Variabel X2
Xn = Variabel bebasnya ke n
 lanjutan
4. Uji Asumsi dalam Model Regresi :
Model Regresi sebelum digunakan perlu dilakukan
berbagai uji, salah satu diantaranya adalah uji
asumsi sbb :
a. Uji Normalitas (Populasi Y terdistribusi secara
normal disekitar garis regresi). Bisa juga
ditambahkan Linieritas
b. Uji bahwa populasi tidak terjadi peristiwa
Heteroskedastisitas (Varians dari populasi harus
tidak berubah bila nilai X meningkat atau diperbesar
= Homoskedastisitas)
c. Tidakterjadi peristiwa Multikolineritas (khusus pada
regresi berganda, yaitu tidak boleh terjadi korelasi
yang tinggi diantara variabel bebas dalam regresi)
d. Tidak terjadi peristiwa Otokorelasi (korelasi
diantara dirinya sendiri, khusus pada regresi dengan
data time series).

5. Koefisien Determinasi (R Square)

Angka yang menunjukkan seberapa jauh/besar
variabilitas Y dipengaruhi oleh variabilitas X.
Pengertian lain angka yang menunjukkan seberapa
besar Variabel Bebasnya (secara bersama-sama)
mampu menjelaskan perilaku Variabel terikatnya
.
 lanjutan
Koefisien Determinasi (R Square) dapat diperoleh
dari koefisien korelasi dikuadratkan. Untuk Regresi
berganda, koefisien determinasi diperoleh dari
koefisien korelasi multipel (bergandanya)
dikuadratkan.
Model Regresi yang baik, adalah model regresi
yang koefisien determinasinya semakin tinggi atau
dengan kata lain kemampuan menjelaskan dari
semua variabel bebasnya terhadap perilaku
variabel terikatnya yang semakin tinggi. R
Square biasanya dinyatakan dalam %. Jadi jika nilai
100% dikurangi dengan angka R square akan
diperoleh angka yang menunjukkan seberapa
besar perilaku variabel terikatnya yang belum
terjelaskan (belum bisa dijelaskan atau diprediksi
dengan semua variabel bebas yang ada dalam
model).

6. Uji F dan Uji t

Uji F dikenal dengan Uji serentak atau uji Model/Uji
Anova, yaitu uji untuk melihat bagaimanakah
pengaruh semua variabel bebasnya secara
bersama-sama terhadap variabel terikatnya. Atau
untuk menguji apakah model regresi yang kita
buat baik/signifikan atau tidak baik/non signifikan.
Jika model signifikan maka model bisa digunakanlanjutan
untuk
prediksi/peramalan, sebaliknya jika non/tidak signifikan
maka model regresi tidak bisa digunakan untuk
peramalan.
Uji F dapat dilakukan dengan membandingkan F hitung
dengan F tabel, jika F hitung > dari F tabel, (Ho di tolak
Ha diterima) maka model signifikan atau bisa dilihat
dalam kolom signifikansi pada Anova (Olahan dengan
SPSS, Gunakan Uji Regresi dengan Metode Enter/Full
Model ). Model signifikan selama kolom signifikansi (%)
< Alpha (kesiapan berbuat salah tipe 1, yang
menentukan peneliti sendiri, ilmu sosial biasanya paling
besar alpha 10%, atau 5% atau 1%). Dan sebaliknya jika
F hitung < F tabel, maka model tidak signifikan, hal ini
juga ditandai nilai kolom signifikansi (%) akan lebih
besar dari alpha.
Uji t dikenal dengan uji parsial, yaitu untuk menguji
bagaimana pengaruh masing-masing variabel bebasnya
secara sendiri-sendiri terhadap variabel terikatnya. Uji
ini dapat dilakukan dengan mambandingkan t hitung
dengan t tabel atau dengan melihat kolom signifikansi
pada masing-masing t hitung, proses uji t identik
dengan Uji F (lihat perhitungan SPSS pada Coefficient
Regression Full Model/Enter). Atau bisa diganti dengan
Uji metode Stepwise.
 lanjutan
7. Kegunaan Regresi :
Salah satu kegunaan persamaan regresi adalah
untuk kepentingan peramalan. Kalau suatu
model regresi sudah diuji asumsi dan sudah diuji
modelnya (dengan uji F/ Uji Model atau Anova)
dan sudah di uji signifikansi pengaruh variabel
bebas secara sendiri-sendiri terhadap variabel
terikatnya (dengan Uji t atau Uji Parsial), maka
kita dapat menggunakan persamaan regresi
yang diperoleh untuk keperluan peramalan.
Caranya adalah dengan menggunakan
persamaan regresi yang diperoleh, dan bila
variabel bebasnya diketahui maka dari
persamaan tersebut bisa diprediksi nilai variabel
terikatnya.
Besarnya kemampuan menjelaskan dari semua
variabel-variabel bebasnya secara bersama-
sama dalam menjelaskan variabel terikatnya
bisa dilihat dari besarnya nilai koefisien
determinansi.
 lanjutan
8. Tip : Cara Membuat Model Regresi
Yang Baik bagi Pemula

a. Identifikasi atau buat model dengan variabel

bebas sebanyak mungkin.
b. Pilih variabel-variabel bebas yang secara
rasional/logika memang memiliki hubungan
sebab akibat.
c. Pilih variabel yang mudah diukur secara
akurat.
d. Pilihlah variabel-variabel independen/bebas
yang kemungkinan tidak berhubungan satu
sama lain secara kuat (untuk menghindari
Multikolinearitas).
 lanjutan
Contoh kasus Korelasi dan Regresi Sederhana :
Pak Budiman, manajer pemasran PT ARIO ingin
mengamati hubungan antara HARGA JUAL dengan
VOLUME PENJUALAN produknya. Untuk itu diamati
secara random/acak data tentang harga jual dan
volume
Minggu penjualan selama
Harga Jual/X (Ribuan 10 minggu sbb :
Volume Apenjualan/Y (Ribuan
Rupiah) Unit)
1 1,30 10
2 2,00 6
3 1,70 5
4 1,50 12
5 1,60 10
6 1,20 15
7 1,60 5
8 1,40 12
9 1,00 17
10 1,10 20

Pertanyaan : (a). Adakah hubungan antara Harga

Jual dan Volume Penjualan ?; (b) Bagaimana
 lanjutan
Contoh kasus Korelasi dan Regresi Berganda :
Pak Budiman, manajer pemasran PT ARIO ingin
mengamati hubungan antara HARGA JUAL, BIAYA
IKLAN dengan VOLUME PENJUALAN produknya. Untuk
itu diamati secara random data tentang harga jual
dan volume penjualan selama 10 minggu sbb :
MINGGU HARGA (RIBUAN RP) IKLAN (RATUSAN RIBU RP) VOLUME (RIBUAN UNIT)
1 1,30 9 10

2 2,00 7 6

3 1,70 5 5

4 1,50 14 12

5 1,60 15 10

6 1,20 12 15

7 1,60 6 5

8 1,40 10 12

9 1,00 15 17

10 1,10 21 20

Pertanyaan : (a). Adakah hubungan antara Harga Jual,

Biaya Iklan dan Volume Penjualan ?; (b) Bagaimana
Pengaruh Harga Jual, Biaya Iklan terhadap Volume
 CONTOH : Regresi dengan 4
Variabel
contoh: Ri
bebas
Dividen Demand Supply Saham Harga Saham
Saham
.12 700 90 8 5000
.11 700 95 8 6000
.14 500 70 6 4000
.12 650 85 7 4500
.10 750 80 9 6500
.10 780 85 10 7000
.16 400 60 5 3000
.13 750 90 7 5000
.12 600 85 8 5500
.11 790 75 9 5750
.10 800 77 8 5900
.11 850 79 8 6000
.11 850 80 8 6150
.10 850 79 7 6250
.12 800 75 7 6020
.12 750 75 7 5950
.12 750 60 6 5800
.13 800 65 7 5500
.11 790 70 7 6000
.10 800 75 8 6500
 TIME SERIES ANALYSIS
1. Pengertian :
Inti mengamati nilai suatu variabel dikaitkan
dengan unsur waktu (waktu bisa dalam tahun,
semester, bulan, mingguan dll.)

2. Komponen/Gerak yang mempengaruhi nilai

suatu variabel dikaitkan dengan waktu :
a. Horizontal/Random Component.
Variabel acak perlu diperhatikan/diperhitungkan
(biasanya terletak disekitar rata-rata, tetapi
komponent ini sulit diprediksi).
b. Trend Component.
Trend sebagai gerak/kecenderungan naik atau
kecenderungan turun dari nilai suatu variabel
dalam jangka panjang (lebih dari 1 tahun), relatif
mudah diprediksi.
 lanjutan
c. Seasonal Component.
Komponen Musim, sebagai gerak naik atau turun
dari nilai suatu variabel tetapi masih disekitar rata-
ratanya dan terjadi dalam jangka pendek (kurang
dari 1 tahun). Untuk musim relatif berulang dan
pasti, sehingga bisa digunakan untuk prediksi.
d. Cyclical Component.
Komponen siklus, sebagai gerak naik atau turun
dari nilai suatu variabel tetapi masih disekitar rata-
ratanya dan terjadi dalam jangka panjang (lebih
dari 1 tahun). Untuk siklus relatif tidak pasti
sehingga sulit untuk peramalan.

3. Metode-metode Peramalan dengan Data

Runtut Waktu (Time series)
Metode ini cocok atau bisa dipakai kalau kita
mempunyai data masa lalu (historical data) dan
kita perkirakan bahwa masa lalu, sekarang dan
yang akan datang dari variabel yang kita
prediksikan ada kaitan erat.
 lanjutan
Metode-metode Peramalan dengan Data Runtut
Waktu (Time series) bisa menggunakan
Extrapolation maupun Causal :
1) Moving Averages
Simple Moving Average
Double Moving Average
Weighted Moving Average
2) Exponential Smoothing
Simple Exponential Smoothing
Exponential Smoothing with Trend
Seasonal Exponential Smoothing
Exponential Smoothing with Trend and Seasonal
3) Trend
4) Regression dll.
Untuk peramalan data time series kita bisa
menggunakan software POM, bagian/modul
forecasting.
CONTOH : Peramalan dengan Data
Runtut Waktu
BULAN VOL PENJUALAN
JANUARI 120
FEBRUARI 100
MARET 145
APRIL 140
MEI 176
JUNI 170
JULI 189
AGUSTUS 200
SEPTEMBER 190
OKTOBER 220
NOPEMBER 245