Transcript Learning Outcomes

Learning Outcomes
• Mahasiswa akan dapat menghitung keputusan yang
optimis dan pesimis serta dapat menyusun pohon
keputusannya
Outline Materi:
•
•
•
•
•
•
Terminologi model keputusan
Tabel/payoff matrix
Model keputusan pesimistis
Model keputusan optimis
Pohon keputusan
Contoh aplikasi
Pengambilan Keputusan Dalam Kondisi Ketidakpastian
•
•
Salah satu teknik yang dipergunakan untuk melakukan analisis teori statistik
yang bertitik pusat pada formula yang disebut Hukum Bayes. Formula ini
pada awalnya dibuat oleh Reverend Thomas Bayes. Pendekatan Bayes
pada hakikatnya adalah pendekatan secara subjektif. Hal ini sangat
berbeda dengan pendekatan klasik yang didasarkan pada pendekatan
objektif di mana pendekatan semacam ini dilakukan melalui pengamatan
berdasarkan sampel, tes hipotesis, analisis regresi dll.
Inti dari teori Bayes ialah sutau penelitian yang cermat tentang tindakan apa
atau alternatif tindakan apa yang kiranya tersedia. Baru sesudah itu,
dilanjutkan dengan memperkirakan risiko yang akan muncul (untung atau
rugi) untuk tiap tindakan dari tiap keadaan yang bakal terjadi di masa
depan. Persoalan sesungguhnya yang dihadapi ialah mengambil keputusan
terbaik dari sejumlah tindakan yang tersedia guna menghasilkan perolehan
(resiko) yang optimal, tidak soal keadaan (state of nature) apa pun yang
akan terjadi. Keputusan semacam ini disebut keputusan optimal. Tetapi
untuk mengambil keputusan optimal diperlukan kriteria.
Terminologi Model Keputusan
1. Kriteria Keputusan Laplace
• Pendekatan ini mengumpamakan bahwa setiap situasi punya peluang
yang sama untuk terjadi
• Cara pengambilan keputusan : Hitung nilai harapan setiap strategi
dan pilih strategi dengan nilai Tertinggi : kalau berhubungan dengan
masalah profit
• Terendah : kalau berhubungan dengan masalah cost
2. Kriteria Keputusan Wald
• Ini adalah kriteria yang paling konservatif, karena berpijak pada
prinsip melakukan yang terbaik dalam kondisi/situasi terburuk yg
mungkin terjadi
• Tindakan /keputusan terbaik adalah : Minimax : untuk masalah cost /
loss
• Maximin : untuk masalah profit / gain
3.Kriteria Keputusan Hurwicz
•
•
Kriteria ini punya jangkauan sikap dari yang paling optimis hingga yang
paling pesimis
Dengan (mengambil  sebagai derajat/indeks optimisme P.K ( 0    1 )
maka kriteria Hurwicz dapat didefinisikan sebagai berikut :
Profit/gain :
max  . max . f ( Ai , S j )  (1   ). min . f ( Ai , S j )
Cost/loss :
min  . min . f ( Ai , S j )  (1   ). max . f ( Ai , S j )
Jika  = 1 
Profit/gain= Maximax ;
Cost/loss = Minimin
Untuk  = 1 
Terlalu optimis;
 = 0  Terlalu pesimis
Jika tidak ada “Feeling” yang kuat pada seseorang pengambil keputusan, maka  = ½ merupakan pilihan yang paling masuk akal (reasonable).
4. Kriteria Keputusan Savage
•
•
•
Kriteria Savage menetapkan bahwa pengambilan keputusan
mungkin mengalami penyesalan .
Setelah keputusan yang ia ambil dan ternyata situasi lain yang
terjadi. Ia pasti menyesal mengapa tdk menentukan strategi lama.
Untuk itu, Kriteria Savage berusaha untuk meminimumkan
penyesalan sebelum memilih suatu strategi tertentu. Untuk itu,
perlu ada suatu matriks penyesalan.
Untuk tabel profit/gain :
Berlaku untuk masing-masing situasi /kondisi penyesalan =
Untuk tabel cost/loss :
Berlaku untuk masing-masing situasi /kondisi penyesalan =
min  
r Ai, S  f Ai, S   f  Ai, Sj 

 
Ak





j







j


Langkah selanjutnya adalah menggunakan Minimax (baik untuk profit/cost).
Pengambilan Keputusan Dalam Kondisi Berisiko
•
•
•
•
•
•
Untuk mengambil keputusan dalam kondisi berisiko, dilakukan
beberapa langkah seperti berikut.
Hitung nilai harapan masing-masing alternatif
Pilih yang max, jika berhubungan dengan profit
Pilih yang min, jika berhubungan dengan cost
Nilai Informasi Dalam Pengambilan Keputusan
Didalam pengambilan keputusan peran nilai informasi menjadi
penting, karena dengan nilai informasi yang lebih akurat maka dapat
dibuat suatu keputusan yang lebih baik/tepat. Oleh karena itu nilai
informasi diharapkan sempurna.
Nilai informasi sempurna adalah selisih nilai harapan tanpa informasi
dengan informasi dalam pengambilan keputusan (P.K).
Sedangkan Cara mencari nilai informasi sempurna dapat dilakukan
sebagai berikut:
• Untuk setiap situasi, pilih nilai untuk alternatif terbaik
• Hitung NPS dari hasil diatas
• Nilai informasi sempurna = NPS – NP (tanpa informasi)
POHON KEPUTUSAN (Decision Tree)
Suatu pohon keputusan adalah representasi skematik
suatu masalah keputusan. Disebut pohon keputusan
karena bila digambarkan mirip sebuah pohon dengan
cabang-cabang dan ranting-rantingnya. Untuk
penggambaran sebuah pohon diagram diperlukan
beberapa simbol-simbol al:
Simpul Alternatif
Simpul Keputusan
Busur Situasi/Cabang
Contoh keputusan 1 tahap