1. AnalisisKeputusan

2. KomponenPengambilanKeputusan • Pengambilankeputusantanpaprobabilitas • Pengambilankeputusandenganprobabilitas • Analisiskeputusandenganinformasitambahan • Payoff tables sebagaiilustrasihasilberbagaikeputusan yang berbeda

3. PengambilanKeputusanTanpaProbabilitas • Contoh : Seorang investor inginmembelisalahsatudaritigajenis real estat. Iaharusmemutuskanantarasebuahapartemen, sebuahbangunankantor, dansebuahgudang. Kondisidasardimasa yang akandatang yang akanmenentukanbesarlaba yang akandiperoleh investor tersebutadalahkondisiekonomi yang baikdanburuk. Laba yang dihasilkandarimasing-masingkeputusandalamtiapkondisidasar yang terjadiadalahsbb :

4. PengambilanKeputusanTanpaProbabilitas Beberapakriteriatersediauntukpengambilankeputusan : maximax, maximin, minimax regret, Hurwicz, dan equal likelihood.

5. KriteriaMaximax • Pengambilankeputusandenganmemilihnilai paling maksimumdarihasil yang maksimum(0ptimis). • Walaupunlabaterbesaradalah $100.000, tidakmengabaikanadanyakerugianpotensial $40.000

6. KriteriaMaximin • Penambilankeputusanmencerminkannilaimaksimumdaihasil minimum (pesimis)

7. KriteriaMinimax Regret • Pengambilankeputusanbermaksudmenghindaripenyesalan yang timbulsetelahalternatifkeputusan yang meminimumkanpenyesalan. Gambaranpenyesalan: KondisiEkonomi yang Baik $100.000 – 50.000 = $50.000 $100.000 – 100.000 = $0 $100.000 – 30.000 = $70.000 KondisiEkonomi yang Buruk $30.000 – 30.000 = $0 $30.000 – (-40.000) = $70.000 $30.000 – 10.000 = $20.000

8. KriteriaMinimax Regret

9. KriteriaHurwicz • Mencarikompromiantarakriteriamaximaxdanmaximin. • Pengambilankeputusantidaksepenuhnyaoptimisataupesimis • Koefisienoptimismedidefinisikan (0 ≤ α ≤ 1,0) • Optimisme = αPesimisme = 1 - α Contoh : padakasus yang sama, diketahuiα =0,4 (sedikitpesimis), maka 1 – α = 0,6

10. KriteriaHurwicz • KelemahanHurwiczterletakpadapenentuannilaiα yang sangatsubjectif yang tidaktentuasalnya

11. Kriteria Equal Likelihood • Memberikanbobot yang samauntuksetiapkondisidasar, jadidiasumsikanbahwasetiapkondisidasarmemilikikemungkinan yang samauntukterjadi. • Kelemahan EL, tidaksemuamempunyaikondisisamaatau 50%.

12. KesimpulanHasilKriteria • Keputusanmembeliapartemenmendominasihasilkriteriadiatas.

13. PengambilanKeputusanDenganProbabilitas • Terdapatkemungkinanbagipengambilkeputusanuntukmengetahuikondisidasardimasamendatangdanbisamemberikanprobabilitaskejadianuntukmasing-masingkondisidasar. • Nilai yang diperkirakanatau (Expected value –EV) • NilaiVariabelacak x disimbolkan E(x), jadi

14. PengambilanKeputusanDenganProbabilitas • Nilai Yang Diperkirakan • PeluangRugi Yang Diperkirakan • Nilai Yang DiperkirakanAtasInformasiSempurna • PohonKeputusan • PohonKeputusanBerkesinambungan

15. Nilai Yang Diperkirakan • Contoh: Padakasus yang sama, diasumsikanbahwaberdasarkanbeberaparamalanekonomi, investor dapatmemperkirakanprobabilitaskondisiekonomi yang baiksebesar 0,6 dankondisiekonomi yang buruksebesar 0,4, maka

16. Contoh • Nilai yang diperkirakan (EV) : • Hal initidakberartibahwajika investor membelibangunankantormakahasil yang diterimaadalah $44.000 melainkan $100.000 atau -$40.000

17. PeluangRugi Yang Diperkirakan • Expected Oportunity Loss (EOL) • Mengalikanprobabilitasdenganpenyesalan(peluangrugi)

18. Contoh • Pengambilankeputusanpadakriteriainiadalahbangunankantorkarenamemilikitingkatpenyesalanterendah

19. Nilai Yang DiperkirakanAtasInformasiSempurna • Excpected value of perfect information (EVPI) • Diawalidenganmelihatkondisidasar • Jikakitadapatmemperolehinformasi yang dapatmeyakinkankitakondisidasarmana yang akanterjadi, kitadapatmembuatkeputusanterbaikuntukkondisidasartersebut. • Contoh: Padakasus yang samajikakitayakinbahwakondisibaik yang akanterjadi, akankitaputuskanuntukmembelikantor, jikakondisinyaburuk, makakitaputuskanmembeliapartemendengankondisidasar 0,6 dan 0,4

20. Contoh • $100.000(0,6) + 30.000(0,4) = $72.000

21. Contoh • IngatBahwa • EV(kantor) = $100.000(0,6) – 40.000(0,4) = $44.000 • EVPI = $72.000 – 44.000 = $28.000 • EQL(kantor) = $0(0,6) + 70.000(0,4) = $28.000

22. PohonKeputusan • Lingkarandankotakdisebutdengansimpul

23. Contoh HasilPerkiraan : • EV(simpul2) = 0,6 ($50.000) + 0,4 ($30.000) = $42.000 • EV(simpul 3) = 0,6 ($100.000) + 0,4 (-$40.000) = $44.000 • EV(simpul 4) = 0,6 ($30.000) + 0,4 ($10.000) = $22.000 • Dalamsekumpulankeputusanataukeputusanberkesinambunganpohonkeputusanakansangatberguna

24. PohonKeputusanBerkesinambungan Contoh • Dalamkasus yang sama, jikainvestasinyamencakupperiode 10 tahun, dimanaselamaitubeberapakeputusanharusdibuat. • Keputusanpertama : membeliapartemenatautanah dengankondisipopulasimeningkat 60% atautidakakanmeningkat 40%. • Jika investor memilihmembelitanahkeputusan lain yang dibuatdalamtigatahunkedepanbergantungpadaperkembangantanahtsb.

25. Contoh

26. Contoh • Perkiraansimpul 6 dan 7 EV(simpul 6) = 0,8 ($3.000.000) + 0,2 ($700.000) = $2.540.000 EV(simpul7) = 0,3 ($2.300.000) + 0,7 ($1.000.000) = $1.390.000 • Perkiraansimpul2 dan3 EV(simpul2) = 0,6 ($2.000.000) + 0,4 ($225.000) = $1.290.000 EV(simpul3) = 0,6 ($1.740.000) + 0,4 ($790.000) = $1.360.000 • Keputusansetelahdikurangibiaya Apartemen : $1.290.000 – 800.000 = $490.000 Tanah: $1.360.000 – 200.000 = $1.160.000

27. AnalisisKeputusanTambahan • MenggunakanAnalisis Bayesian Contohpadakasus yang sama, probabilitaskondisionalsbb Probabilitas prior

28. Resource • Taylor W. Bernard. 2004. Management Science Eight Edition. Prentice Hall : New Jersey