Probabilistic

Thinking &
Possibility Tree
PENDAHULUAN

▰ Salah satu prinsip utama ▰ Permasalahan ketidakpastian

dalam analisis keputusan dapat dimodelkan dengan
adalah decision trees dan influence
merepresentasikan diagrams
berbagai jenis
ketidakpastian melalui
penggunaan teknik
probabilitas yang sesuai.

2
Influence Diagram
Merupakan diagram yang menunjukkan proses transformasi yang terjadi pada
sistem untuk memodelkan dengan pendekatan proses.
Terdapat beberapa simbol yang digunakan dalam influence diagram,
diantaranya:
 Awan. Simbol awan digunakan untuk menunjukan input yang tidak terkontrol
(uncontrollable input), ataupun sebagai batasan suatu masalah
(constraints).
 Persegi Panjang. Simbol persegi panjang digunakan untuk menunjukan input
yang terkontrol (control input), keputusan (decision), ataupun decision rule.
 Oval. Simbol oval menunjukan output atau keluaran yang diinginkan dari
suatu pemecahan masalah.
 Lingkaran. Simbol lingkaran menunjukan variabel sistem, component
attribute, maupun state variable value.
 Panah. Simbol ini menunjukan keergantungan suatu simbol dengan simbol
lainnya.
3
4
Permasalahan : Minimasi Waktu Tunggu Konsumen di
Dari influnce diatas dapat dilihat bahwa :
1. simbol oval yang menunjukan output adalah Minimasi Waktu
Tunggu Konsumen Impresi. Output tersebut adalah keluaran
yang diharapkan dari pemecahan masalah yang ada.
2. Output tersebut dipengaruhi oleh Waktu Produksi Editing dan
Printing Photo, Waktu Tunggu (antrian) Order Pengerjaan,
dan Waktu Produksi Album Set. Dari ketiga hal tersebut
dapat diidentifikasi lagi apa saja input yang terkontrol, dan
yang tidak, juga hal yang mempengaruhi dalam bentuk
kebijakan-kebijakan.
5
EVENTS

▰ Event  kejadian yang nanti akan terjadi, ada unsur uncertainty

▰ Example :
• Whether the next person entering the room is a beer drinker
• The date of the next general election
• Whether it will be raining tonight
• Our next head of department
“When we identify an event, we have in mind what we
meant. But will other people know precisely what you
mean?”

6
CLARITY TEST

▰ Untuk menghindari ambiguitas, setiap event harus melalui

clarity test
▰ Clarity test : untuk meyakinkan bahwa kita benar-benar
bisa mendefinisikan setiap event yang berkaitan dengan
permasalahan pengambilan keputusan dengan jelas dan
tepat
▰ The clarity test is conducted by submitting our definition
of each event to a clairvoyant

7
CLARITY TEST

▰ A clairvoyant is a person who knew the future, who had

access to all future newspapers, readings of physical
devices, or any other determinable quantity
▰ Passing the clarity test: If and only if the clairvoyant can
tell its outcome without any further judgment

8
POSSIBILITY TREE

▰ In probability theory, a possibility tree may be used to

represent a probability space.
▰ Possibility tree may represent a series of independent
events (such as a set of coin flips) or conditional
probabilities (such as drawing cards from a deck, without
replacing the cards)
▰ Probability trees are useful for calculating combined
probabilities. It helps you to map out the probabilities of
many possibilities graphically, without the use of
complicated probability equations

9
POSSIBILITY TREE – SINGLE EVENT TREE

▰ Example: event “the next person entering this room is a

businessman”
▰ Suppose B represents a businessman and B’ otherwise

10
POSSIBILITY TREE – REVERSING THE ORDER OF
EVENTS IN A TREE

▰ Example: event “the next person entering this room is a

businessman”
▰ Suppose B represents a businessman and B’ otherwise

11
POSSIBILITY TREE – TWO EVENT TREES

▰ Simultaneously consider several events

▰ Example: event “the next person entering this room is a
businessman” and event “the next person entering this room is
a graduate” can be jointly considered

12
POSSIBILITY TREE – REVERSING THE ORDER OF
EVENTS IN A TREE

▰ In the previous example, we have considered the distinctions

in the order of “businessman” then “graduate”, i.e., B to G.
▰ The same information can be expressed with the events in the
reverse order, i.e., G to B.

13
POSSIBILITY TREE – MULTIPLE EVENT IN A TREES

▰ We can jointly consider three events businessman,

graduate, and gender.

14
PROBABILITAS UNTUK MEREPRESENTASIKAN
KETIDAKPASTIAN

Frequentist View

Probability

Subjective View

15
▰ASSIGNING
To assignPROBABILITIES
probabilities, TO EVENTS on our state of information
it depends
about the event
▰ Example: information relevant to assessment of the likelihood
that the next person entering the room is a businessman
might include the followings:
• There is an alumni meeting outside the room and most of them are
businessman
• You have made arrangement to meet a friend here and she to your
knowledge is not a businessman. She is going to show up any
moment.
• Etc
▰ After considering all relevant background information, we
assign the likelihood that the next person entering the room is
a businessman by assigning a probability value to each of the 16
possibilities or outcomes
Teorema Bayes

▰ Untuk mendapatkan probabilitas sebuah kejadian yang

dipengaruhi oleh kejadian lain (atau kejadian-kejadian lain) yang
muncul sebelumnya, digunakan probabilitas kondisional atau
probabilitas marginal. • Pada kejadian yang lebih kompleks,
untuk mencari kemungkinan penyebab yang diakibatkan oleh
sebuah kejadian digunakan Teorema Bayes

18
Probabilitas Marginal

▰ Probabilitas tak bersyarat → Probabilitas yang tidak dibatasi

oleh apapun
Contoh :
Probabilitas pengambilan sebuah kelereng berwarna merah
dalam sekali pengambilan pada sebuah kotak yang berisi 3
bola merah dan 7 bola biru.
Dalam contoh ini, besarnya peluang terambilnya kelereng
berwarna merah dibatasi oleh banyak sampel (yaitu 10
kelereng) dan banyaknya kejadian yang memungkinkan
(terdapat 3 kelereng merah). Sehingga nilai probabilitas untuk
contoh di atas adalah 3/10.
19
Probabilitas Kondisional

▰ Probabilitas bersyarat →terdapat kondisi yang turut

membatasi nilai probabilitas yang dihasilkan
▰ Jika peristiwa B terjadi dipengaruhi terjadinya peristiwa A,
maka dinamakan probabilitas bersyarat P(B|A), secara
matematis :

20
Probabilitas Kondisional

▰ Contoh:
Suatu perusahaan asuransi menemukan bahwa 53% penduduk
kota memiliki asuransi rumah (H) kepada perusahan, serta 15%
penduduk memiliki asuransi rumah dan tidak punya asuransi
mobil P(AcՈH). Untuk menentukan target marketing diduga
probabilitas seorang penduduk tidak memiliki asuransi mobil Ac
dari penduduk yang sudah punya asuransi rumah adalah :

21
Probabilitas Gabungan (Joint Probability)

▰ probabilitas terjadinya dua atau lebih peristiwa secara

berurutan (bersamaan) dan peristiwa-peristiwa itu saling
mempengaruhi.
▰ Probabilitas irisan (interseksi)

22
Contoh

Dari satu set kartu bridge berturut-turut diambil kartu itu

sebanyak 2 kali secara acak. Hitunglah probabilitasnya kartu
king (A) pada pengambilan pertama dan as(B) pada
pengambilan kedua, jika kartu pada pengambilan pertama
tidak dikembalikan
Penyelesaian :
(A) = pengambilan pertama keluar kartu king → P(A) = 4/52
(B/A) = pengambilan kedua keluar kartu as → P(B/A) = 4/51
P(AՈB) = P(A) x P(B/A) = 4/52 x 4/51 = 0,006

23
24
25
Masa Depanmu Akan Penuh
Kesulitan Tanpa Menguasai
7 Life Skills Ini

26
▰ Life Skills #1 : Self Learning Skills
▰ Life Skills #2 : Grit Development Skills
▰ Life Skills # 3 : Creative Problem Solving Skills
▰ Life Skills #4 : Personal Productivity Skills
▰ Life Skills #5 : Mind Management Skills
▰ Life Skills #6 : Professional Manner
▰ Life Skills #7 : Digital Literacy Skills

27
Build or bullshit. The
choice is yours.

28
THANKS!
Any questions?
You can find me at
atik@ittelkom-pwt.ac.id

29