ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI

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 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
Decision Theory.
PENGAMBILAN KEPUTUSAN DALAM KONDISI TIDAK PASTI
Teori Keputusan (Decision Theory)
Bab 13 : Keputusan Dalam Ketidakpastian dan Resiko
Teori Keputusan.
Kategori Persoalan Keputusan
Teori Pengambilan Keputusan
Elemination by Aspects Elemination by aspects ignores uncertainty by applying criteria one at a time to rule out alternatives that do not satisfy minimal.
PENGAMBILAN KEPUTUSAN DAN RESIKO
C. STRATEGI OPERASI Keputusan-keputusdan strategis operasional meliputi antara lain : PRODUK DAN JASA-JASA Produk dan jasa-jasa dapat diklasifikasikan.
Teknik pengambilan keputusan kondisi berisiko
“ANALISIS RISIKO, KETIDAKPASTIAN, DAN KEPEKAAN”
ANALISIS KEPUTUSAN 1. Pengambilan Keputusan Dalam Suasana Certainty ( suasana yang serba pasti ) : Apabila semua informasi yang dibutuhkan untuk membuat.
Teori Keputusan (Decision Theory)
Pertimbangan Resiko & Ketidakpastian
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
PERSOALAN INVENTORI SEDERHANA (dalam kondisi ada risiko)
Analisis Keputusan Komponen Pengambilan Keputusan
Modul IX. Pengambilan Keputusan Dalam Keadaan Tak Ada Kepastian
PENGAMBILAN KEPUTUSAN DALAM KONDISI BERESIKO
RISK ANALYSIS Risk Analysis (analisis resiko) atau analisis profitabilitas dimaksudkan untuk membantu menjelaskan persoalan yang timbul akibat kondisi.
Bab 1: Pendahuluan Pengertian Pengambilan Keputusan dikemukakan oleh,
Terminologi Keputusan Pertemuan 5: (Off Class)
PENGAMBILAN KEPUTUSAN DALAM KONDISI TIDAK PASTI
dengan mencoba mengukur risiko yang relevan dengan proyek.
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
Oleh Untung Widodo, SE, MM
PENGAMBILAN KEPUTUSAN BERDASARKAN PROBABILITA I
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
TEORI PENGAMBILAN KEPUTUSAN
PENGAMBILAN KEPUTUSAN MANAJEMEN
Pengambilan Keputusan Dalam Kondisi Tidak Pasti
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)
Keputusan dalam suasana risiko (dengan probabilita)
TABEL KEPUTUSAN (DECISION TABLE)
TEORI KEPUTUSAN.
PENGAMBILAN KEPUTUSAN Kondisi Tidak Pasti
Decision Theory.
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
TEORI KEPUTUSAN.
Teori Pengambilan Keputusan
BAB 10 TEORI KEPUTUSAN.
Teori Pengambilan Keputusan
Model Pengambilan Keputusan (2)
Transcript presentasi:

ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI

ANALISIS PENGAMBILAN KEPUTUSAN A. PENDAHULUAN KEGIATAN PENGAMBILAN KEPUTUSAN AKAN MENGALAMI KONDISI: PENGAMBILAN KEPUTUSAN DALAM KEADAAN IGNORANCE (DECISION MAKING UNDER IGNORANCE). KONDISI INI TERJADI JIKA PENGAMBIL KEPUTUSAN SAMA SEKALI TIDAK MENGETAHUI APA YANG AKAN TERJADI SETELAH KEPUTUSAN DIAMBIL. HAL INI TERJADI KARENA TIDAK ADA INFORMASI YANG RELEVAN BAGI PENGAMBILAN KEPUTUSAN. PENGAMBILAN KEPUTUSAN DALAM KEADAAN TIDAK PASTI (DECISION MAKING UNDER UNCERTAINTY). KONDISI INI TERJADI JIKA PENGAMBIL KEPUTUSAN DAPAT MENGIDENTIFIKASI BEBERAPA SKENARIO MASA DEPAN NAMUN TIDAK MENGETAHUI PROBABILITASNYA ATAU PELUANG TERJADINYA. PEMBUATAN KEPUTUSAN DALAM KEADAAN RISIKO (DECISION MAKING UNDER RISK). PEMBUAT KEPUTUSAN DAPAT MEMPERKIRAKAN PROBABILITAS ATAU PELUANG TERJADINYA MASA DEPAN UNTUK MASING-MASING SKENARIO. PEMBUATAN KEPUTUSAN DALAM KEADAAN PASTI (DECISION MAKING UNDER CERTAINTY). PEMBUAT KEPUTUSAN SUDAH MENGETAHUI SECARA PASTI APA YANG AKAN TERJADI DARI MASING-MASING SKENARIO.

PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI TANPA MENGGUNAKAN PROBABILITAS. Sebuah perusahaan konsultan merencanakan untuk mengadakan komputer sebagai sarana untuk pengolahan data. Tabel berikut menggambarkan keuntungan atau payoff dari tiga alternatif keputusan yang ada. ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta

PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH 1. KRITERIA MAXIMIN ATAU MINIMAX (MAKSIMALISASI KEUNTUNGAN MINIMUM), PESIMISTIK ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta ALTERNATIF KEPUTUSAN PAYOFF YANG MINIMUM SISTEM KOMPUTER KECIL Rp 6 juta (maximum payoff dari yang minimum). SISTEM KOMPUTER SEDANG Rp 2 juta SISTEM KOMPUTER BESAR - Rp 3 juta KRITERIA INI BISA DIGUNAKAN UNTUK MEMINIMALISASI BIAYA DENGAN CARA MEMILIH BIAYA MINIMUM DARI BIAYA MAKSIMUM YANG ADA (MINIMAX).

PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH 2. KRITERIA MINIMIN ATAU MAXIMAX (MAKSIMALISASI KEUNTUNGAN MAKSIMUM), OPTIMISTIK ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta ALTERNATIF KEPUTUSAN PAYOFF YANG MAXIMUM SISTEM KOMPUTER KECIL Rp 12 juta SISTEM KOMPUTER SEDANG Rp 15 juta SISTEM KOMPUTER BESAR Rp 20 juta (maximum payoff dari yang maksimum) KRITERIA INI BISA DIGUNAKAN UNTUK MEMINIMALISASI BIAYA DENGAN CARA MEMILIH BIAYA MINIMUM DARI BIAYA BIAYA MINIMUM YANG ADA (MINIMIN)

3. KRITERIA MINIMAX REGRET (MEMILIH KERUGIAN MINIMUM DARI KEMUNGKINAN KERUGIAN KARENA KEHILANGAN KESEMPATAN MAKSIMUM). OPPORTUNITY LOSS (KESEMPATAN YANG HILANG) NILAI MINIMUM DARI KESEMPATAN MAKSIMUM YANG HILANG ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1) Rp 8 juta Rp 0 juta SISTEM KOMPUTER SEDANG (D2) Rp 5 juta Rp 4 juta SISTEM KOMPUTER BESAR (D3) Rp 9 juta ALTERNATIF KEPUTUSAN NILAI MAKSIMUM DARI KESEMPATAN YANG HILANG SISTEM KOMPUTER KECIL Rp 8 juta SISTEM KOMPUTER SEDANG Rp 5 juta (nilai minimum dari kesempatan maksimum yang hilang) SISTEM KOMPUTER BESAR Rp 9 juta

PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH 4. KRITERIA HURWICH ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PRMINTAAN JASA SEDANG PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1 Rp 12 juta Rp 9 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta Rp 11 juta - Rp 3 juta NE = α x max Pij + (1-α) min Pij (Expected Value) α : koefisien Hurwich (>0; <1) NE(D1) = 0,6 x 12 jt + (1-0,6) x 6 jt = 7,2 jt + 2,4 jt = 9,6 jt. NE(D2) = 0,6 x 15 jt + (1-0,6) x 2 jt = 9 jt + 0,8 jt = 9,8 jt. NE(D3) = 0,6 x 20 jt + (1-0,6) x (-3) jt = 12 jt – 1,2 jt = 10,8 jt. Alternatif D3 yang dipilih dengan expected value paling besar.

PERMINTAAN JASA TINGGI PERMINTAAN JASA RENDAH 5. KRITERIA LAPLACE ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI PRMINTAAN JASA SEDANG PERMINTAAN JASA RENDAH SISTEM KOMPUTER KECIL (D1 Rp 12 juta Rp 9 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta Rp 11 juta - Rp 3 juta NE = 1/n Σ Pij (expected value). NE (D1) = 1/3 x (12 + 9 + 6) jt = 9,00 jt. NE (D2) = 1/3 x (15 + 9 + 2) jt = 8,66 jt. NE (D3) = 1/3 x (20 + 11 + (-3)) jt = 9,33 jt. Alternatif D3 yang dipilih karena memberikan maksimum expected value.

ANALISIS KEPUTUSAN BAGI SITUASI MASA DEPAN YANG TIDAK PASTI DENGAN MENGGUNAKAN PROBABILITAS. Sebuah perusahaan konsultan merencanakan untuk mengadakan komputer sebagai sarana untuk pengolahan data. Tabel berikut menggambarkan keuntungan atau payoff dari tiga alternatif keputusan yang ada dengan probabilitas 0,4 untuk permintaan jasa tinggi dan 0,6 untuk permintaan jasa rendah ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI (p = 0,4) PERMINTAAN JASA RENDAH (p = 0.6) SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta

1. EXPECTED MONETARY VALUE (EMV) ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI (p = 0,4) PERMINTAAN JASA RENDAH (p = 0.6) SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta EMV (D1) = 0,4 x Rp 12 jt + 0,6 x Rp 6 jt = Rp 8,4 jt. EMV (D2) = 0,4 x Rp 15 jt + 0,6 x Rp 2 jt = Rp 7,2 jt. EMV (D3) = 0,4 x Rp 20 jt + 0,6 x (- Rp 3 jt) = Rp 6,2 jt. Pilihan system computer kecil (D1) memberikan nilai expected monetary value terbesar sehingga direkomendasikan untuk dipilih. Jika probabilitas terjadinya situasi s1 (permintaan jasa tinggi) sebesar 0,6 dan probabilitas situasi s2 (permintaan jasa rendah) sebesar 0,4 maka expected monetary value menjadi. EMV (D1) = 0,6 x Rp 12 jt + 0,4 x Rp 6 jt = Rp 9,6 jt. EMV (D2) = 0,6 x Rp 15 jt + 0,4 x Rp 2 jt = Rp 9,8 jt. EMV (D3) = 0,6 x Rp 20 jt + 0,4 x (- Rp 3 jt) = Rp 10,8 jt. Pilihan system computer besar (D3) memberikan nilai expected monetary value yang tinggi sehingga direkomendasikan untuk dipilih

2 .EXPECTED OPPORTUNITY LOSS (EOL) ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI (p = 0,4) PERMINTAAN JASA RENDAH (p=0,6) SISTEM KOMPUTER KECIL (D1) Rp 8 juta Rp 0 juta SISTEM KOMPUTER SEDANG (D2) Rp 5 juta Rp 4 juta SISTEM KOMPUTER BESAR (D3) Rp 9 juta EOL (D1) = 0,4 x Rp 8 jt + 0,6 x Rp 0 jt = Rp 3,2 jt. EOL (D2) = 0,4 x Rp 5 jt + 0,6 x Rp 4 jt = Rp 4,4 jt. EOL (D3) = 0,4 x Rp 0 jt + 0,6 x Rp 9 jt = Rp 5,4 jt. Pilihan system computer kecil (D1) memberikan nilai expected opportunity loss (EOL) paling kecil sehingga direkomendasikan untuk dipilih.

EXPECTED VALUE OF PERFECT INFORMATION (EVPI) 1. DITINJAU DARI OPPORTUNITY LOSS (KESEMPATAN YANG HILANG) ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI (p = 0,4) PERMINTAAN JASA RENDAH (p=0,6) SISTEM KOMPUTER KECIL (D1) Rp 8 juta Rp 0 juta SISTEM KOMPUTER SEDANG (D2) Rp 5 juta Rp 4 juta SISTEM KOMPUTER BESAR (D3) Rp 9 juta EOL (D1) = 0,4 x Rp 8 jt + 0,6 x Rp 0 jt = Rp 3,2 jt. EOL (D2) = 0,4 x Rp 5 jt + 0,6 x Rp 4 jt = Rp 4,4 jt. EOL (D3) = 0,4 x Rp 0 jt + 0,6 x Rp 9 jt = Rp 5,4 jt. EVPI = (0,4) (Rp 8 jt) + (0,6) (Rp 0 jt) = Rp 3,2 jt. EVPI sama dengan kesempatan yang hilang dari keputusan yang optimal (D1). EVPI digunakan sebagai dasar untuk menghitung batas biaya penelitian untuk memperoleh informasi tambahan (perfect information) terutama mengenai nilai probabilitas. Jika informasi tambahan memberikan kepastian 100% maka biaya penelitian tambahan maksimum sama dengan EVPI.Jika informasi tambahan tidak bisa memberikan kepastian 100% maka biaya penelitian tambahan selayaknya diberikan lebih kecil dari EVPI. Jika biaya penelitian tambahan lebih besar dari EVPI maka diputuskan tidak perlu dilakukan penelitian untuk memperoleh informasi tambahan tentang kepastian masa depan.

2. DITINJAU DARI EXPECTED MONETARY VALUE ALTERNATIF KEPUTUSAN SITUASI MASA DEPAN PERMINTAAN JASA TINGGI (S1) (p = 0,4) PERMINTAAN JASA RENDAH (S2) (p = 0.6) SISTEM KOMPUTER KECIL (D1) Rp 12 juta Rp 6 juta SISTEM KOMPUTER SEDANG (D2) Rp 15 juta Rp 2 juta SISTEM KOMPUTER BESAR (D3) Rp 20 juta - Rp 3 juta EMV (D1) = 0,4 x Rp 12 jt + 0,6 x Rp 6 jt = Rp 8,4 jt. EMV (D2) = 0,4 x Rp 15 jt + 0,6 x Rp 2 jt = Rp 7,2 jt. EMV (D3) = 0,4 x Rp 20 jt + 0,6 x (- Rp 3 jt) = Rp 6,2 jt. APABILA YANG MENJADI KENYATAAN S1 SEDANGKAN KEPUTUSAN YANG DIPILIH SEBELUM INFORMASI TAMBAHAN ADALAH D1, MAKA TERDAPAT KESEMPATAN YANG HILANG SEBESAR Rp 8 jt. APABILA YANG MENJADI KENYATAAN S2 SEDANGKAN KEPUTUSAN YANG DIPILIH SEBELUM INFORMASI TAMBAHAN ADALAH D1, MAKA TIDAK TERDAPAT KESEMPATAN YANG HILANG. DENGAN PROBABILITAS KEJADIAN S1 SEBESAR 0,4, MAKA EVPI = 0,4 X Rp 8 jt = Rp 3,2 jt.

POHON KEPUTUSAN CABANG KEPUTUSAN RANTING KEPUTUSAN

APLIKASI POHON KEPUTUSAN DALAM KASUS PEMBELIAN KOMPUTER Rp 12 JUTA Rp 6 JUTA Rp 15 JUTA Rp 2 JUTA Rp 20 JUTA - Rp 3 JUTA D1 D2 D3 S1 S2

POHON KEPUTUSAN EXPECTED MONETARY VALUE Rp 12 JUTA EMV=0,4(12)+0,6(6)=8,4 S1; p=0,4 Rp 6 JUTA S2; p=0,6 Rp 15 JUTA D1 S1; p=0,4 EMV=0,4(15)+0,6(2)=7,2 D2 Rp 2 JUTA S2; p=0,6 D3 Rp 20 JUTA S1; p=0,4 EMV=0,4(20)+0,6(-3)=6,2 S2; p=0,6 - Rp 3 JUTA