Keputusan dalam suasana risiko (dengan probabilita)

Slides:



Advertisements
Presentasi serupa
Analisis Keputusan.
Advertisements

PERTEMUAN XII ANALISA KEPUTUSAN DAN TEORI PERMAINAN
Decision Analisis Created by: Arini Rizki Faradita ( )
Pertemuan 13- Analisis Keputusan
MODUL 14 TEORI KEPUTUSAN Setiap hari kita harus mengambil keputusan, baik keputusan yang sederhana maupun keputusan jangka panjang. Statistika mengembangkan.
BAB 10 TEORI KEPUTUSAN.
PENGAMBILAN KEPUTUSAN DALAM BERESIKO
PENGAMBILAN KEPUTUSAN DALAM KONDISI RESIKO DAN KETIDAKPASTIAN
Pengambilan Keputusan dalam Kondisi Tidak Pasti
TEORI PENGAMBILAN KEPUTUSAN
BAB 10 TEORI KEPUTUSAN.
Teori Keputusan.
ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI.
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI
PENGAMBILAN KEPUTUSAN DALAM KONDISI TIDAK PASTI
Bab 13 : Keputusan Dalam Ketidakpastian dan Resiko
Teori Keputusan.
PENGAMBILAN KEPUTUSAN DALAM BERESIKO
Kategori Persoalan Keputusan
Teori Pengambilan Keputusan
Teknik pengambilan keputusan kondisi berisiko
TEORI KUPUTUSAN Oleh : Dwi Susilo Fakultas Ekonomi Unikal TAHUN 2o15.
Pertemuan 8 Teori Keputusan
Teknik pengambilan keputusan kondisi berisiko
ANALISIS KEPUTUSAN 1. Pengambilan Keputusan Dalam Suasana Certainty ( suasana yang serba pasti ) : Apabila semua informasi yang dibutuhkan untuk membuat.
Teori Keputusan (Decision Theory)
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
PERSOALAN INVENTORI SEDERHANA (dalam kondisi ada risiko)
Analisis Keputusan Komponen Pengambilan Keputusan
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
PENGAMBILAN KEPUTUSAN DALAM BERESIKO
Bab 1: Pendahuluan Pengertian Pengambilan Keputusan dikemukakan oleh,
Terminologi Keputusan Pertemuan 5: (Off Class)
PENGAMBILAN KEPUTUSAN DALAM KONDISI TIDAK PASTI
MODUL I. PENDAHULUAN Pengertian Pengambilan Keputusan dikemukakan oleh : Ralp C. Davis; Mary Follet; dan James A.F. Stoner.  Keputusan dapat dijelaskan.
Teori Keputusan (Decision Theory)
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
ANALISIS KEPUTUSAN Pertemuan 18
MANAJEMEN RESIKO Dhita Morita Ikasari, STP, MP.
Kategori Persoalan Keputusan
Pengambilan Keputusan dalam Kondisi Tidak Pasti
Pengambilan Keputusan Pertemuan 4:
PROSES PENGAMBILAN KEPUTUSAN
Modul VIII. Keputusan Dalam Keadaan Ada Risiko dan Ketidakpastian
pengambilan keputusan dalam kondisi berisiko
TEORI PENGAMBILAN KEPUTUSAN
Learning Outcomes Mahasiswa akan dapat menghitung penyelesaian model pengambilan keputusan dalam berbagai contoh aplikasi..
Dasar dasar pengambilan keputusan
PENGAMBILAN KEPUTUSAN DALAM BERESIKO
ANALISIS KEPUTUSAN 1. Pengambilan Keputusan Dalam Suasana Certainty ( suasana yang serba pasti ) : Apabila semua informasi yang dibutuhkan untuk membuat.
BAB 10 TEORI KEPUTUSAN.
POHON KEPUTUSAN (DECISION TREE)
Risiko dan Ketidakpastian dalam Pengambilan Keputusan manajerial :
TEORI KEPUTUSAN.
PENGAMBILAN KEPUTUSAN Kondisi Tidak Pasti
Decision Theory.
PENGAMBILAN KEPUTUSAN KONDISI BERISIKO
PERTEMUAN XII ANALISA KEPUTUSAN DAN TEORI PERMAINAN
Tingkat risiko (certainty, risky, uncertainty, conflicts) dalam pengambilan keputusan Luh Putu Suciati.
Bab 13 : Keputusan Dalam Ketidakpastian dan Resiko
PENGAMBILAN KEPUTUSAN DALAM KONDISI TIDAK PASTI
Game Theory (Pengambilan Keputusan dlm Suasana Konflik)
TEORI KEPUTUSAN.
PENGAMBILAN KEPUTUSAN PADA KONDISI TIDAK PASTI (Diagram Keputusan)
Teori Pengambilan Keputusan
BAB 10 TEORI KEPUTUSAN.
Teori Pengambilan Keputusan
Decision Theory (lanjutan)
Risiko dan Ketidakpastian dalam Pengambilan Keputusan manajerial :
Transcript presentasi:

Keputusan dalam suasana risiko (dengan probabilita) Tahap-tahap: Diawali dg mengidentifikasikan bermacam-macam tindakan yg tersedia dan layak Peristiwa-peristiwa yg mungkin & probabilitas jadinya harus diduga Pay-off untuk suatu tindakan & peristiwa ditentukan

contoh: Alternatif Investasi Pay-off matriks keputusan dlm suasana risk Alternatif Investasi Prospek Pasar Cerah (P=0,6) Lesu (P=0,4) A 50.000 -10.000 B 15.000 60.000 C 100.000 10.000

Expected Value (Nilai Ekspektasi): EV (A) = 50.000 (0,6) – 10.000 (0,4) = 26.000 EV (B) = 15.000 (0,6) + 60.000 (0,4) = 33.000 EV (C) = 100.000 (0,6) + 10.000 (0,4) = 64.000 C merupakan investasi yang dipilih (terbaik)

b. Expected Opportunity Loss (EOL): : meminimumkan kerugian yg disebabkan karena pemilihan alternatif keputusan tertentu Tabel Opportunity Loss Alternatif Investasi Prospek Pasar Cerah (P=0,6) Lesu (P=0,4) A 50.000 70.000 B 85.000 C

EOL : penjumlahan dari perkalian antara EOL : penjumlahan dari perkalian antara opportunity loss dengan probabilitasnya EOL (A) = 0,6 (50.000) + 0,4 (70.000) = 58.000 EOL (B) = 0,6 (85.000) + 0,4 (0) = 51.000 EOL (C) = 0,6 (0) + 0,4 (50.0000 = 20.000 Alternatif yg dipilih adalah investasi C, karena akan meminimumkan EOL.

Keputusan yang direkomendasikan kriteria Expected Value & Expected Opportunity Loss adalah sama, yaitu investasi C. Ini bukan merupakan suatu kebetulan, karena kedua metode ini selalu memberikan hasil yang sama, hanya semua kriteria ini sangat tergantung pada perkiraan probabilita yang akurat.

c. Expected Value of Perfect Information (EVPI) : merupakan perluasan dari kriteria EV & EOL : informasi yg diperoleh pengambil keputusan dapat mengubah suasana risk menjadi certainty : nilai yg kita bayarkan untuk memperoleh informasi sempurna

Mencari tambahan informasi Hasil dalam suasana risk Hasil dg Informasi sempurna Mencari tambahan informasi Memerlukan tambahan biaya

EVPI = EV dg informasi sempurna – EV max dlm suasana risk EV dg inf sempurna/certainty: 0,6 (100.000) + 0,4 (60.000) = 84.000 EV max dlm suasana risk = 64.000 EVPI = 20.000 EVPI (20.000) merupakan jumlah maksimum yg dapat dibayarkan oleh investor untuk membeli informasi sempurna dari sumber-sumber lain (ex: peramal ekonomi, konsultan, dll)

EVPI sama dengan EOL minimum (terbaik), karena EOL mengukur selisih EV terbaik keputusan dalam suasana risk & certainty

d. Expected Value of sample Information (EVSI) : keputusan dg tambahan informasi : harapan yg diiginkan dg tambahan informasi, untuk dapat memperbaiki keputusan (dg Teori Bayes)

Ramalan konsultan (Conditional Probability): P (O/C) = 0,8 P (O/L) = 0,1 P (P/C) = 0,2 P (P/L) = 0,9 Informasi Awal: Probabilitas yg direvisi (Prior Probability) (Posterior Probability) P (C) = 0,6 P (O/C) = 0,8 P (O/L) = 0,1 P (L) = 0,4 P (P/C) = 0,2 P (P/L) = 0,9

Revised Probability dg Teory Bayes: P (C/O), P (L/O), P (C/P), P (L/P) P (C/O) = P(O/C) P(C) P(O/C) P(C) + P(O/L) P(L) = (0,8) (0,6) (0,8) (0,6) + (0,1) (0,4) = 0,48 = 0,923 0,52

P (L/O) = P(O/L) P(L) P(O/L) P(L) + P(O/C) P(C) = (0,1) (0,4) (0,1) (0,4) + (0,8) (0,6) = 0,04 = 0,077 0,52

P (C/P) = P(P/C) P(C) P(P/C) P(C) + P(P/L) P(L) = (0,2) (0,6) (0,2) (0,6) + (0,9) (0,4) = 0,12 = 0,25 0,48

P (L/P) = P(P/L) P(L) P(P/L) P(L) + P(P/C) P(C) = (0,9) (0,4) (0,9) (0,4) + (0,2) (0,6) = 0,36 = 0,75 0,48

P (O) = P(O/C) P(C) + P(O/L) P(L) = (0,8) (0,6) + (0,1) (0,4) = 0,52 P(P) = P(P/C) P(C) + P(P/L) P(L) = (0,2) (0,6) + (0,9) (0,4) = 0,48 Atau P(P) = 1 – P(O) = 1 – 0,52 = 0,48 Expected Value Dg Decision Tree

e. Kriteria Utility dalam suasana risk EV max / EOL min tidak selalu digunakan sebagai pedoman dalam mengambil keputusan, hal ini terjadi karena: - orang lebih memilih terhindar dari musibah potensial daripada mewujudkan keuntungan dlm jangka panjang - orang lebih memilih mendapatkan/memperoleh rejeki nomplok potensial daripada mempertahankan sedikit yg dimiliki

Peristiwa (State of nature) Ex 1: Pay off asuransi kecelakaan Alternatif Peristiwa (State of nature) Selamat (0,98) Kecelakaan (0,02) Beli polis -3 jt -3 jt - 100 jt + 100 jt Tdk beli -100 jt

EV beli polis = 0,98 (-3 jt) + 0,02 (-3 jt) EV tdk beli = 0,98 (0) + 0,02 (-100 jt) = -2 jt Jadi keputusannya tdk beli karena EVnya lebih tinggi

Peristiwa (State of nature) Ex 1: Pay off judi Alternatif Peristiwa (State of nature) Kalah (0,99) Menang (0,01) Judi -1000 -1000 + 60.000 Tdk judi

EV Judi = 0,99 (-1000) + 0,01 (59.000) = -400 EV tdk judi = 0,99 (0) + 0,01 (0) = 0 Jadi sebaiknya tdk judi karena tdk akan mengalami kerugian kalau kalah judi