Risk, Decision and Judgment
Risk, Decision and Judgment
1
Decision Trees
Decision tree (pohon keputusan) adalah suatu pohon terarah yang
menggambarkan suatu proses keputusan secara grafis.
Terdapat 2 tipe node (simpul) yang digunakan yaitu:
1. Decision (choice) nodes yang dapat dikendalikan oleh decision maker;
2. State of nature (chance) Sebuah simpul yang mengidentifikasi sebuah
kejadian di pohon keputusan dimana ada tingkat ketidakpastian
1
1
CONTOH PENGAMBILAN KEPUTUSAN
DENGAN DECISION TREE
1
2
CONTOH DECISION TREE
Rp. 400.000.000
Chance 0,20
Bronjong
Rp. 200.000.000 0,80
80
280 Rp 0
280
Choice Rp. 200.000.000
370 20 0,10
Rp. 350.000.000
Turap
0,90
Rp. 0
Expected Value (EV) = Pay off x Probability
Expected Value:
Alternatif Bronjong = (0,20) Rp.600juta + (0,80) Rp.200juta = Rp.280juta
1
3
Alternatif Turap = (0,10) Rp.550juta + (0,90) Rp.350juta = Rp.370juta
Expected Value of Perfect
Information (EVPI)
EVPI = A – B
1
4
CONTOH Expected Value of
Perfect Information
Dalam menentukan kondisi tanah untuk perencanaan struktur penanganan
longsor pada lereng dilakukan pengujian boring dengan biaya Rp.20.000.000,-.
Hasil pengujian ini memberikan informasi yang sempurna, dari hasil pengujian
diketahui bahwa probabilitas tanah berada dalam keadaan baik adalah 0,85.
Diketahui kondisi biaya dan probabilitas untuk setiap opsi setelah dilakukan
pengujian boring sebagai berikut:
Probabilitas Terhadap
Jenis Longsor Kemungkinan
Biaya Awal
Struktur Biaya Perbaikan
Good Soil Poor Soil
Bronjong Rp. 200.000.000 0.1 0.35 Rp. 400.000.000
Turap Rp. 350.000.000 0 0.1 Rp. 200.000.000
1
2
Rp.400juta
Contoh Expected Bronjong 140
0.35
value of Perfect Rp.200juta
0.65
information (EVPI)
340
Rp.0
340
20 Rp.200juta
370
Turap 0.1
243 Rp.350juta 0.9
Pengujian
Rp.20 juta Rp. 0
Bronjong 40 Rp.400juta
Rp.200juta 0.1
263 240 0.9
Rp.0
240
263
350 0 Rp.200juta
Turap 0
Rp. 350juta 1
Rp.0
80 Rp.400juta
Bronjong 0.2
Rp.200juta
280 0.8
EVPI = EV without Perfect Information – EV with Rp.0
Perfect Information 280
370 20 Rp.200juta
EVPI = Rp.280juta – Rp.243juta = Rp.37juta Turap 0.1
Rp.350juta 0.9
1
5 Rp.0
Expected Value of Sampled
Information (EVSI)
Dalam beberapa kasus, informasi yang didapatkan dari pengujian tidak sempurna
yang menghasilkan posterior probabilities. Hal ini dapat meningkatkan atau
menurunkan tingkat probabilitas yang berkaitan dengan ketidakpastian.
Sebagai contoh:
o Jumlah informasi yang didapat sebanding dengan biaya yang dikeluarkan,
sehingga pengambilan informasi dengan metode sampling diharapkan dapat
mewakili populasi data.
o Pada pengeboran, kita dapat memilih titik bor yang lebih mudah dijangkau dan
dengan biaya yang lebih murah, namun secara bersamaan hasilnya kurang
akurat.
1
6
Expected Value of Sampled Information
(EVSI)
Posterior Probability
Hasil Pr ‘good’ ‘poor’
Pengeboran
Pr = 0,85 Pr = 0,15
Favorable 0.72 0.95 0.05
1
Unfavorable 0.28 0.60 0.40
7
Rp.400juta
Contoh Expected Bronjong 160
0.40
value of Sampled Rp.200juta
0.60
information (EVSI)
360
Rp.0
360
20 Rp.200juta
370
Turap 0.1
273.6 Rp.350juta 0.9
Pengujian
Rp.20 juta Rp. 0
Bronjong 20 Rp.400juta
Rp.200juta 0.05
293.6 220 0.95
Rp.0
240
280
350 0 Rp.200juta
Turap 0
Rp. 350juta 1
Rp.0
EVSI = EV without Sampled Information – EV
with Sampled Information 80 Rp.400juta
Bronjong 0.2
Rp.200juta
EVSI = Rp.280juta – Rp.273,6juta = Rp.6,4juta 280 0.8
Rp.0
280
Pemecahan masalah
Analisa
Pengambilan Keputusan
1
8
PEMECAHAN MASALAH
1
9
ANALISA
2
0
PENGAMBILAN KEPUTUSAN
1
0
TERIMAKASIH
Q&A
STATISTIK TEKNIK
JURUSAN TEKNIK SIPIL
UNIVERSITAS GADJAH MADA