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

Node : Decision (kendali decision maker)

Chance (di luar kendali decision maker)

1
1
 CONTOH PENGAMBILAN KEPUTUSAN
DENGAN DECISION TREE

Pertimbangkan keputusan untuk menangani kelongsoran pada lereng dan

melindungi infrastruktur yang telah ada dengan menggunakan Bronjong dan
Turap.

Dengan Engineer Estimate terhadap biaya dan probabilitas sebagai berikut:

Jenis Struktur Biaya Awal Probabilitas Kemungkinan

Kegagalan Biaya Perbaikan
Bronjong Rp. 200.000.000 0.2 Rp. 400.000.000
Turap Rp. 350.000.000 0.1 Rp. 200.000.000

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

o A = expected value with perfect information

o B = expected value without perfect information

Jika informasi yang diperoleh pengambil keputusan dapat

mengubah kondisi risk menjadi pasti, informasi itu dikatakan
menjadi informasi sempurna

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)

Keadaan tanah Aktual

Hasil Pr ‘good’ ‘poor’
Pengeboran
Pr = 0,85 Pr = 0,15
Favorable 0.72 0.80 0.26
Unfavorable 0.28 0.20 0.74

0,85 x0,8 0,68

Pr[ good | favorable]    0.95
0,85 x0,8  0,15 x0,26 0,72

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

Biaya yang dikeluarkan untuk mendapatkan sampled information 370 20 Rp.200juta

memberikan nilai negatif terhadap EV (Rp.6,4jt – Rp.20jt = Rp-13,6jt) Turap 0.1
Sehingga keputusan untuk tidak menggunakan sampled information justru Rp.350juta 0.9
1
5 lebih efektif. Rp.0
 Engineering Judgment

 Pemecahan masalah

 Analisa

 Pengambilan Keputusan

1
8
 PEMECAHAN MASALAH

Profesional & engineer memutuskan masalah secara

bertanggungjawab.
Pengambilan keputusan didasari oleh pengalaman, keahlian,
pemikiran, dan analisis. (Parkin, 2000)

1
9
 ANALISA

 KUALITATIF : Melakukan pengukuran dampak relatif atas suatu kejadian dan

cenderung lebih fokus pada aspek-aspek strategis dan politis dalam menghindari
atau mengurangi dampak negatif atas suatu risiko

 KUANTITATIF : Penilaian risiko dengan membandingkan rentang antara hasil nyata

dengan dampak risiko yang mungkin timbul, melalui pengujian data historis,
trend, dan laporan hasil kinerja yang lebih terukur

 GABUNGAN : Kombinasi antara dampak nyata dengan seluruh risiko yang

dibandingkan dengan cakupan kegiatan, biaya dan jadwal pelaksanaan. Penilaian
risiko yang komprehensif merupakan kombinasi antara metode penilaian kualitatif
dan kuantitatif

2
0
 PENGAMBILAN KEPUTUSAN

Engineering Judgment dapat dilakukan pada berbagai tingkatan

spesifikasi analisa tergantung pada informasi risiko, data, dan biaya yang
tersedia.
Pengalaman dan pengetahuan engineer harus selalu diasah untuk
memecahkan masalah, karena adanya overconfident dapat
mempengaruhi nilai probabilitas

1
0
TERIMAKASIH
Q&A

STATISTIK TEKNIK
JURUSAN TEKNIK SIPIL
UNIVERSITAS GADJAH MADA