Analisis Pengambilan Keputusan

ANALI SI S PENGAMBI LAN
KEPUTUSAN
ARSEGIANTO
2013
I SI BAHASAN
Statistik Perminyakan
Teori Utiliti & Preferensi
Teori Portofolio
Metoda Pohon Keputusan
Simulasi Monte Carlo
Analytic Hierarchy Process
STATI STI K
PERMI NYAKAN
Ilustrasi : Ketebalan bersih (dalam feet) dari 20 sumur
yang dibor disuatu cekungan adalah :
No.
Sumur
Ketebalan
bersih, ft
No.
Sumur
Ketebalan
bersih, ft
No.
Sumur
Ketebalan
bersih, ft
1 111 8 139 15 54
2 81 9 89 16 72
3 142 10 129 17 167
4 59 11 104 18 135
5 109 12 186 19 84
6 96 13 65 20 154
7 124 14 95
Data ketebalan bersih dari ke 20 sumur apabila dinyatakan sebagai data
frekwensi, frekwensi relatif, frekwensi relatif kumulatip adalah sebagai
berikut :
Selang
ketebalan
Frekwensi Frekwensi
Relatif
Frek.Relatif
Kumulatif
50 80 4 0,20 0,20
81 110 7 0,35 0,55
111 140 5 0,25 0,80
141 170 3 0,15 0.95
171 -200 1 0,05 1,00
Total 20 1,00
F
r
e
k
u
e
n
s
i
KetebalanBersih, ft
0
2
4
6
8
10
50 80 110 140 170 200
Frekuensi
Relatif
0,4
0,3
0,2
0,10 50 80 110 140 170 200
Ketebalan Bersih, ft
Frekuensi
Relatif
Ketebalan Bersih, ft
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 50 100 150 200
Dari data diatas dapat dibuat distribusi frekwensi, distribusi frekwensi relatif
serta distribusi frekwensi relatif kumulatif dari ketebalanbersih ke 20 sumur
tersebut.
Data dari ketebalanbersih menunjukkan:
Minimum = 54 feet
Maksimum = 186 feet
Most Probable = (80 + 110) / 2 = 95 feet
Mean = 105 feet (pada frek.relatif kumulatif 50%)
KEMUNGKINAN HASIL PEMBORAN 3 SUMUR
Sumur A Sumur B Sumur C
D D D
D D P
D P D
P P P
P D D
P P D
P P P
Setiap sumur mempunyai kemungkinan 50% D (dry) dan 50%
P (Producing).
KEJADIAN DAN KEMUNGKINAN TERJADI
Event Probabilitas
P(3 D) 0,125
P(2D, 1 P) 0,375
P(1D 2P) 0,375
P(3P) 0,125
Pengukuran Porositas (20 sample)
0,12 0,14 0,15 0,18
0,19 0,16 0,17 0,15
0,16 0,14 0,15 0,13
0,14 0,15 0,13 0,13
0,14 0,12 0,10 0,11
Selang Anggauta
Jumlah
anggauta
0,10 0,12 0,10 ; 0,11 2
0,12 0,14 0,12 ; 0,13 ; 0,13 ; 0,13 ; 0,12 5
0,14 0,16 0,14 ; 0,15 ; 0,15 ; 0,14 ; 0,15 ; 0,14 ; 0,15 ; 0.10 8
0,16 0,18 0,16 ; 0,17 ; 0,17 3
0.18 0,20 0,18 ; 0,19 2
Nominal
Class
Boundaries
True Class
Boundaries
Class Mark
X
i
Frekwensi
f
i
f
i
X
i
0,10 12
0,095 0,115 0,105 2 0,210
0,12 14
0,115 0,135 0,125 5 0,625
0,14 16
0,135 0,155 0,145 8 1,160
0,16 18
0,155 0,175 0,165 3 0,495
0.18 20
0,175 0,195 0,185 2 0,370
20 2,800
TEORI UTI LI TI
Apakah Utiliti itu?
Menurut J eremy Bentham, filsuf Inggris, prinsip psikologi
yang hakiki adalah bahwa manusia selalu menghindari
kesusahan dan mencari kesenangan atau kebahagiaan.
Utiliti didefinisikan sebagai kesenangan, kebahagiaan,
atau suatu yang diinginkan
Makin besar jumlah X diperoleh, makin tinggi tingkat
utilitinya (dU/dX > 0)
X
Utiliti
15
o Makin tinggi tingkat utiliti, untuk menambah tingkat utiliti
diperlukan penambahan X yang makin lebih besar (d
2
U/dX
2
) < 0.
X
dU/dX
16
Law of Diminishing Marginal Utility
Makin besar tingkat utility, makin menurun tambahan
nilai utiliti untuk penambahan komoditi yang sama.
0
0
2
2
dx
u d
dx
du
TEORI PREFERENSI
Barang Baik (goods), Barang Buruk (bads)
> lebih disukai (more preferred),
< kurang disukai (less preferred),
sama tingkat disukainya (indifferent)
Ilustrasi
Jika X dan Y adalah barang-barang baik
X lebih disukai dari pada Y, ditulis X > Y
Y kurang disukai dari pada X, ditulis Y < X
Kesukaan terhadap X dan Y tidak berbeda,
ditulis X Y
Banyak > Sedikit
Contoh : 2 X > X
Jika A > B
Maka A > C
dan B > C
Fungsi Indiferensi
Pada suatu kurva, persepsi investor terhadap kombinasi
resiko dan return yang diharapkan adalah sama
(indifferent)
Resiko
R
e
t
u
r
n

y
a
n
g

d
i
h
a
r
a
p
k
a
n
U
Pada suatu kurva, persepsi investor terhadap kombinasi
resiko dan return yang diharapkan adalah sama (indifferent)
Investor memilih investasi yang memberikan kegunaan
(utiliti) lebih besar. Pada ilustrasi di atas : U
3
> U
2
> U
1
Resiko
R
e
t
u
r
n

y
a
n
g

d
i
h
a
r
a
p
k
a
n
U
1
U
2
U
3
22
Faktor-Faktor yang Mempengaruhi Sikap
Menghadapi Resiko
Sifat individu (kebiasaan, pengalaman)
Besaran resiko relatif terhadap aset yang dimiliki
Pengetahuan terhadap usaha yang dihadapi
Informasi yang diperoleh tentang usaha yang
dihadapi
Persaingan dengan peluang usaha lain
Sikap Menghadapi Resiko
RISK PRONE
RISK AVERSE
COST
RISK
ARSEGI ANTO
2013
TEORI PORTOFOLI O
25
AKTIVA
Aktiva adalah barang yang memiliki nilai tukar
o Aktiva berwujud adalah aktiva yang nilainya tergantung
pada wujud fisiknya:
Aktiva produktif : truk angkut, mesin bubut
Aktiva tidak produktif: tanah, rumah, lukisan, patung
o Aktiva tidak berwujud menunjukkan suatu tuntutan
hukum terhadap manfaat di masa depan. Aktiva ini
adalah aktiva keuangan, atau disebut juga sebagai
instrumen keuangan. Manfaat masa depan adalah
tuntutan terhadap pembayaran di masa depan.
Teori Portofolio
26
Portofolio Efisien dan Optimal
Portofolio adalah kumpulan dari aktiva.
o Dalam pembentukan portofolio, investor berusaha
memaksimalkan pengembalian yang diharapkan dari
investasi dengan tingkat resiko tertentu yang dapat
diterima. Portofolio yang demikian disebut portofolio
yang efisien.
o Dua portofolio yang efisien dengan tingkat
pengembalian sama, tetapi yang satu memiliki tingkat
resiko lebih rendah, maka portofolio dengan resiko
lebih rendah dikatakan lebih optimal dari yang lain
o Apabila investor memiliki sejumlah pilihan portofolio
yang efisien, maka portofolio yang paling optimallah
yang dipilih.
Teori Portofolio
27
Aktiva Beresiko dan Aktiva Bebas Resiko
o Investasi selalu menghadapi resiko walau sekecil
apapun. Makin tinggi resiko yang dihadapi, makin besar
tuntutan return yang diharapkan oleh investor.
o Surat berharga, obligasi, yang diterbitkan oleh
pemerintah dan akan jatuh tempo 1 tahun, mungkin
dapat dianggap sebagai aktiva bebas resiko, karena 6
bulan ke depan kita paling tidak memiliki bayangan
berapa nilai tukar riel obligasi tersebut. Tetapi apabila
jatuh temponya 20 tahun, maka aktiva tersebut
digolongkan sebagai aktiva beresiko.
Teori Portofolio
28
Mengukur Expected Return Suatu Portofolio
Pengembalian aktual suatu portofolio sepanjang perioda
waktu tertentu dihitung sebagai berikut :
=
= + + + =
J
j
j j J J
R R R R RP
1
2 2 1 1
.....
Dimana: RP = return dari portofolio (ex post return)
R
j
= tingkat pengembalian aktiva j dalam portofolio
w
j
= bobot aktiva j dalam portofolio
J = jumlah aktiva dalam portofolio
Teori Portofolio
29
Ilustrasi
Portofolio terdiri atas 3 aktiva sebagai berikut:
Nilai total portofolio adalah $ 6 jt + $ 8 jt + $ 11 jt = $ 25 juta
Maka: R
1
= 12% dan
1
= $ 6 jt / $ 25 jt = 0,24
R
2
= 10% dan
2
= $ 8 jt / $ 25 jt = 0,32
R
3
= 5% dan
3
= $ 11 jt / $ 25 jt = 0,44
RP = 0,24 (12%) + 0,32 (10%) + 0,44 (5%) = 8,28%
Aktiva Nilai Pasar, $ Tingkat Pengembalian
1 6 juta 12%
2 8 juta 10%
3 11 juta 5%
Teori Portofolio
30
Expected Return Suatu Portofolio Berisiko
Pengembalian aktual suatu portofolio berisiko sepanjang
perioda waktu tertentu dihitung sebagai berikut :
=
=
= + + + =
= + + + =
I
i
i i I I j
J
j
j j J J
r p r p r p r p R E
R E R E R E R E RP E
1
2 2 1 1
1
2 2 1 1
..... ) (
) ( ) ( ..... ) ( ) ( ) (
Dimana: E(RP) = expected return dari portofolio (ex ante return)
E(R
j
) = expected return dari aktiva j
p
i
= probabilitas terjadinya aktiva j menghasilkan return r
i
Teori Portofolio
31
n Return Probabilitas
1 15% 0,50
2 10% 0,30
3 5% 0,13
4 0 % 0,05
5 - 5% 0,02
Total 1,00
Seorang investor menghadapi sebuah proyek XYZ
dengan distribusi probabilitas return sebagai berikut:
E(R
XYZ
) = 0,50(15%)+0,30(10%)+0,13(5%)+0,05(05)+0,02(- 5%)
= 11%
Nilai rata-rata hitung (mean) return proyek XYZ adalah 11%
Teori Portofolio
32
Mengukur Risiko Portofolio Satu Aktiva
Prof. Harry Markowitz memperkenalkan varian dan
deviasi standar sebagai alat ukur risiko sebagai berikut:
| | | | | |
| |
) var( ) (
) (
) ( ..... ) ( ) ( ) var(
1
2
2 2
2 2
2
1 1
j j
I
i
j i i
j J J j j j
R R SD
R E r p
R E r p R E r p R E r p R
=
=
+ + + =
=
var(R
XYZ
) = 0,50(15% -11%)+0,30(10% -11%)+0,13(5% -11%)
+ 0,05(0% - 11%) + 0,02(- 5% - 11%) = 24%
SD(R
XYZ
) = 4,9%
Teori Portofolio
33
ANALI SI S POHON
KEPUTUSAN
Definisi:
Event adalah kejadian yang mungkin terjadi dalam
suatu kegiatan yang dilakukan (ruang sample).
Conditional monetary value dari suatu event adalah nilai
moneter yang diperoleh apabila event tersebut terjadi.
Contoh: Suatu coin dilempar, event yang ada adalah
H(ead) danT(ail). Apabila muncul H, maka kita
mendapat Rp. 2 juta tapi kalau yang muncul T
kita kehilangan Rp. 1 juta. Dikatakan, CMV H
adalah Rp. 2 juta, danT adalah Rp. 1 juta.
Konsep Expected Monetary Value
Analisis Pohon Keputusan
Definisi:
Expected monetary value (EMV) dari suatu event
adalah nilai harapan dari event tersebut.
EMV event A = CMV event A x Probabilitas terjadinya
event A
Contoh:
Probabilitas munculnya event H(ead) danT(ail),
masing-masing sama yaitu 50%. Dengan CMV dari H
danT masing-masing Rp. 2 juta dan Rp. 1 juta, maka
diperoleh
EMV dari H = 50% x Rp. 2 juta = + Rp. 1 juta
EMV dari T = 50% x - Rp.1 juta = - Rp. 0,5 juta
ILUSTRASI #1
Hasil evaluasi suatuprospek pemboranadalahsebagai berikut:
Biaya pemboranadalah$ 5 MM dengandua kemungkinan,
yaitu berhasil ataugagal mendapatkanhidrokarbon.
Kemungkinanpemborangagal adalah 80%, sedangkan
kemungkinanberhasil 20%. Apabila berhasil, diperoleh
keuntunganbersih sebesar $ 50 MM
Apabila di-farmed out, di mana pemborandengansegala
resikonya dilakukanoleh pihak lain, diperoleh fee sebesar
US$ 2 MM apabila berhasil mendapatkanminyak.
ILUSTRASI #1
DRILL ! NOT DRILL
Outcome Probability
to occur
Condl
Mon.Value
EMV Condl
Mon.Value
EMV
Dry Hole
Producer
0,8
0,2
- 5.000.000
+ 50.000.000
- 4.000.000
10.000.000
----------------
+ 6.000.000
0
2.000.000
0
+ 400.000
------------
+ 400.000
A
Dry hole - $5 juta
Produksi + $50 juta
0.2
Dry Hole $0
Produksi + $ 2 juta
DECISION
TREE
B
ILUSTRASI #1
Hasil evaluasi suatuprospek pemboranadalahsebagai berikut:
Biaya pemboranadalah$ 5 juta. Kemungkinanpemboran
gagal mendapatkanlapanganhidrokarbonadalah80%,
sedangkankemungkinanberhasil 20%.
Apabila berhasil, diperolehkemungkinan
10% lapangankecil, dengankerugian $ 1 juta
75% lapanganmedium, keuntunganbersih $ 5 juta
15% lapanganbesar, keuntungan$ 15 juta
Apabila di-farmed out, di mana pemborandengansegala
resikonya dilakukanoleh pihak lain, diperoleh fee sebesar
US$ 5 MM apabila berhasil mendapatkanminyak.
Minimum Case $2.3
A
Dry hole - $1.18
Average Case + $8.4
Maximum Case + $40.2
0.075
Minimum Case - $1 juta
Dry hole $0
Average Case + $ 5 juta
Maximum Case + $ 15 juta
0.075
DECISION
TREE
Sebuah struktur lepas pantai telah dibuktikan produktif dengan
dibornya dua sumur eksplorasi didekat puncak struktur.
Manajemen sedang berusaha menentukan apakah bijaksana
untuk mulai membangun platformpada saat ini atau menunda
keperluan tersebut sampai dibornya lagi sebuah sumur
tambahan (delineation well). Ketidakpastiannya terletak pada
luas struktur.
J ika struktur tersebut penuh berisi minyak maka luas lapangan
adalah sekitar 15mil persegi dan membutuhkan pembangunan
platformbesar seharga $ 50 MM. J ika struktur tersebut hanya
sebagian berisi minyak maka daerah pengurasan akan lebih
kecil sehingga lapangan dapat dikuras dengan jumlah sumur
yang lebih sedikit dan membutuhkan platform seharga $ 30
MM.
ILUSTRASI # 2
Perusahan tersebut tidak mempunyai dasar yang kuat untuk
memperkirakan likelihood (kemungkinan) bahwa lapangan
tersebut luas atau tidak karena lapangan tersebut adalah
struktur pertama yang dibuktikan produktif dicekungan
tersebut. Walaupun demikian, berdasarkan pertimbangan
subyektif dari staf geologi dengan keterbatasan data yang
ada, diperkirakan kemungkinan struktur tersebut penuh berisi
minyak hanya 40%.
Pilihan apa saja yang dihadapi manajemen?
Pilihan #1
Mulai langsung membangun paltform besar seharga $ 50 MM
yang sanggup menguras lapangan15 mil persegi.
Pilihan #2
Membangunanjungan kecil seharga $ 30 MM yang hanya mampu
menguras lapanganmaksimum8 mil persegi. Apabila ternyata
nanti struktur penuhberisi minyak, anjunganke dua harus di
bangun, sehingga total biaya menjadi $ 75 MM.
Pilihan #3
Menunda keputusansampai informasi dari sumur deliniasi didapat
untuk mengetahui lokasi batas air/minyak, walapun terdapat
kemungkinanbahwa data tersebut belummemberikaninformasi
sempurna untuk menentukanukuranplatform. Staf geologi dan
engineering memperkirakankemungkinandata dari sumur
delineasi 10% meleset. Biaya sumur tersebut adalah$ 2 MM.
INFORMASI
Probabilitas penemuan:
Cadanganbesar P(E1) = 40%
Cadangankecil P(E2) = 60%
Pilihan pembangunananjungan
Biaya anjungan besar US$ 50 MM
Biaya anjungan kecil US$ 30 MM
Untuk memperolehinformasi
lebih akurat, dapat dilakukan
pemborandelineasi
Biaya sumur delineasi US$ 2 MM.
Kemungkinandata tambahan
mampumengidentifikasi ukuran
lapangandiperkirakan 90%
A
F
C
D
E
B
G
H
Aturan-aturannya adalah :
Probabilitas harus diberikan disetiap cabang dari titik kemungkinan
(chance node) dimana jumlah probabilitas disekitar titik tersebut
adalah satu.
Ujung cabang disebut terminal.
Nilai kondisional (conditional value) diberikan ditiap titik terminal. Nilai
tersebut biasanya diberikan dalam nilai sekarang (Net Present Value).
Pohon keputusan dibaca dari kiri ke kanan.
Titik keputusan (decision node) dinyatakan dengan kotak.
Titik kemungkinan dinyatakan dengan lingkaran.
Tidak ada skala untuk pohon keputusan.
Mungkin terdapat dua atau lebih titik kemungkinan yang berurutan.
Penemuan Estimasi
Resiko
Awal
Probabilitas
Kondisional
Bahwa B Terjadi
Pada Keadaan
Alam Tersebut
Probabilitas
Gabungan
Estimasi Resiko Setelah
Revisi
E
1
=Lap.besar
E
2
=Lap.kecil
0,4
0,6
1,0
0,9P(B/E
1
)
0,1P(B/E
2
)
0,36
0,06
0,42
0,36/0,42=0.857P(E
1
/B)
0,06/0,42=0.143P(E
2
/B)
1.000
Sumur Delineasi MengindikasikanLapanganBesar
1. TitikkemungkinanA: EV
A
=(0,4)($75MM) +(0,6)($30MM) =$48MM
2. TitikkemungkinanB: EV
B
=(0,857)($52MM) +(0,143)($52MM) =$52MM
3. TitikkemungkinanC: EV
B
=(0,857)($77MM) +(0,143)($32MM) =$70,6MM
4. Titikkeputusan D : Pasanganjunganbesar EVbiayaadalah$52MM
Pasanganjungankecil EVbiayaadalah$70,6MM
Keputusan: pasanganjunganbesar sehinggaEVpadaD adalah $52MM
Keadaan
Alam
Estimasi
Resiko
Awal
Probabilitas
Kondisional
Bahwa B Terjadi
Pada Keadaan
Alam Tersebut
Probabilitas
Gabungan
Revisi
E
1
=Lap.besar
E
2
=Lap.kecil
0,4
0,6
1,0
0,1P(B/E
1
)
0,9P(B/E
2
)
0,04
0,54
0,58
0,04/0,58=0.069P(E
1
/B)
0,54/0,58=0.931P(E
2
/B)
1.000
Sumur Delineasi MengindikasikanLapanganKecil.
5. TitikkemungkinanE: EV
E
=(0,069)($52MM) +(0,931)($52MM) =$52MM
6. TitikkemungkinanF: EV
F
=(0,069)($77MM) +(0,931)($32MM) =$35,1MM
7. Titikkeputusan G : Pasanganjunganbesar EVbiayaadalah$52MM
Pasanganjungankecil EVbiayaadalah$35,1MM
Keputusan: pasanganjungankecil sehinggaEVpadaG adalah $35,1MM
Penemuan
Lapangan
Estimasi
Resiko
Awal
Probabilitas
Kondisional
Bahwa B Terjadi
Pada Keadaan
Alam Tersebut
Probabilitas
Gabungan
Revisi
E
1
=Lap.besar
E
2
=Lap.kecil
0,4
0,6
1,0
0,1P(B/E
1
)
0,9P(B/E
2
)
0,04
0,54
0,58
0,04/0,58=0.069P(E
1
/B)
0,54/0,58=0.931P(E
2
/B)
1.000
Sumur Delineasi MengindikasikanLapanganKecil.
8. Titik kemungkinanH
EMV=(0,42)($52 MM)+(0,58) ($ 35,1MM) =$ 42,2MM
9. Titik keputusanI :
Pilihan pada tahunke 0 adalah:
Pasanganjunganbesar EV biaya adalah$ 50 MM
Pasanganjungankecil EV biaya adalah $ 48MM
Bor sumur ke tiga EV biaya adalah $42.2MM
Keputusan: Beli informasi tambahandanturuti informasi tersebut
Catatan: Teori Bayes : P (E
i
/B) = P (B/E
i
) P(E
i
)
N
[P(B/E
i
) P(E
i
)]
i=1
(a)
$50 MM
(b)
$75 MM
(c)
$30 MM
A
H
D
G
B
C
E
F
$48 MM
$42,2 MM
$52 MM
$70,6 MM
$52 MM
$35,1 MM
$35,1 MM
$52 MM
$52 MM
$52 MM
$77 MM
$32 MM
$77 MM
$52 MM
$52 MM
$32 MM
$42,2 MM
Pilihan optimal untuk
meminimalkan biaya
(a)
$50 MM
(b)
$75 MM
(c)
$30 MM
A
H
D
G
B
C
E
F
$48 MM
$42,2 MM
$52 MM
$70,6 MM
$52 MM
$35,1 MM
$35,1 MM
$52 MM
$52 MM
$52 MM
$77 MM
$32 MM
$77 MM
$52 MM
$52 MM
$32 MM
$42,2 MM
Pilihan optimal untuk
meminimalkan biaya
Suatulapangangas diperkirakanakan ditemukanolehsuatu
eksplorasi dan membuka keekonomiansebagai berikut :
Bila eksplorasi menelanbiaya US$ 4 jutadengankemungkinan
menermukanlapangandi atas adalah20%, MARR tanpa resiko
= 10%. Anggap biaya eksplorasi sudahtermasukdalam
investasi tahunke-0, semua investasi kapital dandepresiasi
linier semua proyek penerimaanpemerintah= 70%. Berapakah
= EMV danMARR denganresiko?
TAHUN REVENUE
US$ Juta
INVESTMENT
US$ juta
BIAYA OPERASI
US$ juta
0 150
1 - 10 100 30
ILUSTRASI # 3
CASE STUDY:
BLACKDUCK PROSPECT
Reference:
Newendorp, Paul D.; Decision Analysis for Petroleum
Exploration, The Petroleum Publishing Co., Tulsa, Ok, 1975
ILUSTRASI # 4
SUMMARY OF THE ECONOMICS OF THE WILDCAT
Estimated net pay 50 feet
Estimated size of pay area 1600 acres
Estimated recovery 200 bbls/acre-foot
Recoverable reserves 16 MM bbls
Net revenue @ $2.00/bbl $32 million
Estimated development costs: 20 wells on 80 acre spacing,
at $1 million each, or $20 million
Estimated net profit $12 million
Chance of success 10%
Wildcat dry hole cost, $1 million
SUMMARY OF THE ECONOMIC CALCULATION
Minimum
Case
Average or Most
Likely Case
Maximum
Case
Net Pay, feet 30 50 70
Acres 400 1600 2400
Recovery, bbls/acre-ft 150 200 225
Reserves, MMbbls 1.8 16 37.8
Net Revenue, $ million 3.6 32 75.6
No.of wells 5 20 30
Development Costs, $ mill. 5 20 30
Net Profit, $ million - 1.4 12 45.6
RESULTS OF CALCULATION
Outcome
Reserves
MMbbls
Net
Revenue
$ million
No.of
wells
Well cost @
$1.18 mill
/well
Net Profit $
million
Dry hole - - - - - 1.18
Minimum Case 1.8 3.6 5 5.9 - 2.30
Average Case 16.0 32.0 20 23.6 + 8.40
Maximum Case 37.8 75.6 30 35.4 + 40.20
PROBABILITY OF EACH OUTCOME
Outcome Probability
Dry hole 0.900
Minimum Case 0.010
Average Case 0.075
Maximum Case 0.015
1.000
RESULTS OF CALCULATION
Outcome
Reserves
MMbbls
Tot. Revenue
@$3/bbl
$million
Net Revenue to
ORI (1/8) of Total
$ million
Dry hole - - 0
Minimum Case 1.8 5.4 0.675
Average Case 16.0 48.0 6.0
Maximum Case 37.8 113.4 14.175
COMPARATION OF DECISION ALTERNATIVES
Decision Alternative
Expected Value
Profit $MM
Drill + 0.148
Farm-out + 0.669
Seorangmanajer SBPU
mencobauntukmenetapkan
cadanganinventori bulanan
premium. Dari catatan
penjualanduatahun
kebelakangdiperolehdata
seperti ditunjukkanpada
tabel kanan.
Jumlahpenjualansepanjang
2 tahun adalah1200 KL.
Rata-rata penjualanbulanan
adalah1200/24 = 50 KL
Bulan
ke
Penjualan
KL
Bulan
ke
Penjualan
KL
1 40 13 10
2 50 14 80
3 90 15 90
4 50 16 70
5 20 17 30
6 0 18 30
7 20 19 40
8 40 20 70
9 90 21 70
10 60 22 80
11 80 23 50
12 20 24 20
Simulasi Non-Parametrik
0
1
2
3
4
5
Frekuensi
0 10 20 30 40 50 60 70 80 90 KL
FREKUENSI REALISASI PENJUALAN BULANAN
Biayakelebihanpenyimpanan
Rp.200, danbiayapenalti atas
kekurangancadangan
Rp.1.000 per liter.
Denganmenggunakanharga
rata-rata cadanganrata-rata
50 KL, makadiperolehbiaya
total selama2 tahunsebesar
Rp. 336.000.000
Bulan Cost, Rp Bulan Cost, Rp
1
2.000.000
13
8.000.000
2
0
14
30.000.000
3
40.000.000
15
40.000.000
4
0
16
20.000.000
5
6.000.000
17
4.000.000
6
10.000.000
18
4.000.000
7
6.000.000
19
2.000.000
8
2.000.000
20
20.000.000
9
40.000.000
21
20.000.000
10
10.000.000
22
30.000.000
11
30.000.000
23
0
12
6.000.000
24
6.000.000
BiayaTotal
336.000.000
Dengansimulasi, diperolehstrategi inventori
terbaiksebesar 80 KL. yang memberikan
biayaterendah, yaituRp.180.000.000.
(Bandingkandenganmemakai rata-rata 50
KL, biayanyaRp.336.000.000)
Cadangan Biaya, Rp
10
972.000.000
20
756.000.000
30
588.000.000
40
444.000.000
50
336.000.000
60
264.000.000
70
204.000.000
80
180.000.000
90
192.000.000
100
240.000.000
10 20 30 40 50 60 70 80 90 100
0
200.000
400.000
600.000
800.000
1.000.000
1.200.000
Lifting minyak= 100 barel
Hargaminyak= $ 80
Fixed Cost = $ 2000
VaribleCost = $10/barel
Analisis Sensitivitas
Parameter Perhitungan
Perubahan 10% dari
Lifting Harga Var.Cost
Lifting, bbl 100 110 100 100
Harga, $/bbl 80 80 88 80
Revenue, $ 8.000 8.800 8.800 8.000
Var.Cost, $/bbl 10 10 10 11
Total Cost, $ 3.000 3.100 3.000 3.100
Profit, $ 5.000 5.700 5.800 4.900
Kesalahandalammemperkirakan
hargaberpengaruhlebihbesar
terhadapprofit dari padalifting.
Lifting minyak= 100 barel
Hargaminyak= $ 80
Fixed Cost = $ 2000
VaribleCost = $10/barel
Analisis Skenario
Parameter
Skenario
Paling Mungkin Pesimistik Optimistik
Lifting, bbl 100 80 110
Harga, $/bbl 80 70 100
Revenue, $ 8.000 5.600 11.000
Var.Cost, $/bbl 10 15 8
Total Cost, $ 3.000 3.200 2.880
Profit, $ 5.000 2.400 8.120
Kesalahandalammemperkirakan
hargaberpengaruhlebihbesar
terhadapprofit dari padalifting.
Masing-masingskenariomemiliki probabilistikterjadinya
Analisis Skenario Probabilistik
Skenario CMV, $ Probabiliti EMV, $
Paling Mungkin 5.000 40% 2.000
Pesimistik 2.400 35% 840
Optimistik 8.120 25% 2.030
EMV 4.870
CMV = conditionally monetary value, yaitunilai apabilaskenario
tersebut terjadi
EMV = expected monetary value, yaitunilai harapanproyek
Lifting minyakantara80 -120 barel
Hargaminyakantara= $70 - 100
Fixed Cost = $ 2000
VaribleCost antara $8 -10/barel
ANALISIS SIMULASI
Skenario CMV, $ Probabiliti EMV, $
1 5.000 40% 2.000
2 2.400 35% 840
3 7.020 25% 1.750
4 4.590
Simulasi adalah cara untuk memodelkan keadaan
sebenarnya. Simulasi Monte Carlo menggunakan
random number (bilangan acak) yang dihasilkan oleh
rumus matematik tertentu.
Penggunaan bilangan acak ini dimaksudkan untuk
memperbanyak populasi dari besaran-besaran yang
diamati.
Dalamsimulasi kita mencari distribusi besaran yang
diamati (misalnya : cadangan) berdasarkan pengetahu-
an distribusi dari besaran-besaran yang mempenga-
ruhinya (misalnya: luas, ketebalan serta recovery).
Dengan mengetahui distribusi besaran yang diamati
tersebut kita mengetahui kelakuannya termasuk
resikonya.
Distribusi dari besaran dapat dinyatakan berdasarkan
pengetahuan (data) kita tentangnya.
Distribusi dapat berupa normal, log normal, segitiga,
segi empat dan lain-lain.
Makin sedikit pengetahuan kita, misalnya kita hanya
mengetahui minimun dan maksimummaka makin
sederhana distribusinya dan disebut distribusi segi
empat.
LANGKAH-LANGKAH PROSEDURAL
1. Mendefinisikan semua variabel yang terlibat: variabel yang dicari
(dependent), dan variabel yang mempengaruhinya (independent)
2. Mendefinisikan hubungan antar variabel (model yang dianalisis)
3. Mengelompokkan ke dalam variabel yang nilainya diketahui pasti,
dan variabel yang nilainya tidak diketahui pasti (variable random).
4. Mendefinisikan distribusi variabel random
5. Lakukan simulasi untuk mendapatkan distribusi nilai variabel yang
dicari
MENDEFINISIKAN VARIABEL-VARIABEL
Tentukan variabel yang dicari (dependent), dan variabel yang
mempengaruhinya (independent)
Contoh , untuk menghitung keuntungan kontraktor bagi hasil minyak diperlukan
variabel-variabel lain yang mempengaruhi besarnya, yaitu:
P
O
, harga minyak
V, volume penjualan
C, biaya
T, pajak
S
C
, bagian kontraktor dari bagi hasil
MENDEFINISIKAN HUBUNGAN ANTARA VARIABEL
DEPENDEN DAN INDEPENDENT
Hubungan keuntungan () kontraktor dengan variabel-variabel yang
mempengaruhinya didefinisikan sebagai berikut:
= (P
O
x V - C) x S
C
x (1 T)
PENGELOMPOKAN VARIABLE
Pengelompokandalamvariabel yang nilainyadiketahui secarapasti,
danvariabel yang nilainyatidakdiketahui pasti (random variables).
Variabel yang nilainyadapat diketahui secarapasti : pajak, bagian
kontraktor.
Variabel yang nilainyatidakdiketahui secarapasti disebut jugavariabel
random. Dalamcontoh: P
O
, V, danC
MENDEFINISIKAN DISTRIBUSI VARIABEL RANDOM
Misalnya data nilai yang mungkin untuk suatu variabel random dan
kemungkinannya adalah sebagai berikut:
Nilai X yang
mungkin
Probabilitas
kejadian
1 0.20
2 0.40
3 0.25
4 0.10
5 0.05
Jumlah 1.00
o Distribusi dari besaran dapat dinyatakan
berdasarkan pengetahuan (data) kita
tentangnya.
o Distribusi dapat berupa normal, log normal,
segitiga, segi empat.
o Makin sedikit pengetahuan kita, (misalnya
kita hanya mengetahui minimun dan
maksimum) makin sederhana distribusinya.
Distribusi Segitiga
Probabilitas
X
1
X
m
X
2
Probabilitas komulatif
a. untuk X lebih kecil atau sama dengan X= (X)
2
/m
b. untuk X lebih besar atau sama dengan X = 1 (1 X)
2
1 m
dimana X = dan m=
1 2
1
X X
X X
1 2
1
X X
X Xm

Distribusi Segiempat
Probabilitas
X
1
X
2
distribusi segi empat adalah rata-rata dari X
1
dan X
2
Probabilitas komulatif adalah garis lurus antara
probabilitas = 0 pada X
1
dan probabilitas = 1,0 pada X
2
h X Prob.Kum
100 0 0
120 0.2 (0,2)(0,2)/0,3 13,33
140 0.4 [1-(0.6)(0,6)]/0,7 48,6
160 0.6 77,15
180 0.8 94,28
200 1.0 100
Bil.Random h A RF Cadangan
53 145
97 3930
66 499 284 10
6
99 198
30 2250
81 545 243 10
6
19 123
09 1720
31 393 83 10
6
Contoh untuk distribusi segi empat :
Tebal Reservoir : Min =15 Max =120
Apabila randomnumber =70, maka
Tebal =15+0,70(120 -15) =88,5 FT
Catatan :
Random number merepresentasikan probabilitas
komulatif yang berupa fraksi, minimum nol dan
maksimumsatu.
Ilustrasi
Cadangan = (h) (A) (NOR)
di mana:
h, ketebalan (ft) : Min 100, Maks 200, most probable 130
NOR, net oil recovery (bbl /Ac-ft ) : Min 300, Maks 600
A, luas (acres) : Min 1500, Maks 4000
Hitung cadangan untuk bilangan random53, 97, 66, 99,
30, 81, 19, 09, 31
Dari simulasi didapat cadangan minimum adalah 45
juta barel atau [ (100) (300) (1500) ] dan cadangan
maksimumadalah 480 juta barel atau [(200) (600)
(4000)]. Cadangan rata-ratanya adalah 263 juta barel.
Dari kurva distribusi didapat nilai most probable dari
cadangan adalah 120 juta barel (mode). Mean dari
kurva distribusi sekitar 140 juta barel. Kurva ini
memperlihatkan frekwensi untuk mendapatkan
cadangan 260 juta barel adalah rendah. Dari
probabilitas kumulatif didapat probabilitas
mendapatkan 260 juta barel atau kurang adalah 0,85
ini berarti probabilitas untuk mendapatkan lebih besar
dari 260 juta barel adalah 0,15.
Contoh Bilangan Random
479 81115 98036 12217 59526 40238 40577 39351 43211 69255
344 70328 58116 91964 26240 44643 83287 97391 92823 77578
023 38277 74523 71118 84892 13956 98899 92315 65783 59640
776 75723 03172 43112 83086 81982 14538 26162 24899 20551
176 48979 92153 38416 42436 26636 83903 44722 69210 69117

874 83339 14988 99937 13213 30177 47967 93793 86693 98854
839 90630 71863 95053 55532 60908 84108 55342 48479 63799
337 33435 53269 52769 18801 25820 96198 66518 78314 97013
151 58295 40823 41330 21093 93882 49192 44876 47185 81425
619 52515 03037 81699 17106 64982 60834 85319 47814 08075

Perhitungan untuk melakukan simulasi :
Distribusi segi empat
Distribusi segitiga
Catatan :
CF = Cumulative Frequency = RandomNumber
) )( ( MIN X MAX X CF MIN X X + =
) (
) (
XMIN XMAX
XMIN XMODE
CF Untuk
(
(
+ =
MIN X MAX X
MIN X MODE X
CF MIN X MAX X MIN X X ) ( ) (
) (
) (
XMIN XMAX
XMIN XMODE
CF Untuk
(
(
|
.
|
\
|
)
`
+ =
XMIN XMAX
XMIN XMODE
CF MIN X MAX X XMIN X 1 ) 1 ( 1 ) (
Soal G-1
Untuk contoh 7-1 buatlah simulasi dengan menggunakan semua
bilangan random pada Bab ini. Berapakah : minimum, maksimum,
mean (rata-rata) dan most probable dari cadangan tersebut ?
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
0 1 2 3 4 5 6
Variabel
PersentaseKumulatif
Lebih Kecil Dari
Probabilitas Kumulatif
0%
20%
40%
60%
80%
100%
50 100 150 200 250 300
Cadangan
F
r
e
k
u
e
n
s
i

R
e
l
a
t
i
f

(
%
)
0%
20%
40%
60%
80%
100%
P
r
o
b
a
b
i
l
i
t
a
s

K
o
m
u
l
a
t
i
f

(
%
)
Frekuensi Relatif Frekuensi Relatif Kumulatif
Distribusi Cadangan
0%
20%
40%
60%
80%
100%
40 120 200 280 360 440 520
Cadangan, juta barel
F
r
e
k
u
e
n
s
i

R
e
l
a
t
i
f

(
%
)
0%
20%
40%
60%
80%
100%
P
r
o
b
a
b
i
l
i
t
a
s

K
o
m
u
l
a
t
i
f

(
%
)
Distribusi Cadangan
MENILAI PROSPEK LAPANGAN MIGAS
Simulasi Monte Carlo dapat digunakan untuk penilaian prospek
migas maupun perencanaan pengembangan lapangan atau POD
(Plan of Development) termasuk merencanakan jumlah sumur,
biaya pemboran maupun keuntungan prospek.
Suatu WK akan dikembangkan di mana kemungkinan
menemukan lapangan tersebut adalah 20% dan biaya eksplorasi
US$ 1,5 jt. Signatur bonus yang akan diberikan US$1 jt. untuk
mendapatkan WK tersebut.
MARR 15%. Anggap hasil simulasi ini adalah mean dari NPV
Gunakan Random Number : 81, 70, 38, 76, 49, 83
Luas (A): min : 8000, max : 14000 (Acres)
Ketebalan (h): min : 15, max : 120 (FT)
Recovery (Rec): min : 20, max : 80 (B/Acre - FT)
Produksi awal sumur (qi): (tebal + 100) BOPD
Produksi akhir sumur (qt): 10 BOPD
WaktuDecline (t) : 20 tahun
Sumur kering : 20% sumur produksi (N sumur)
Biaya sumur pengembangan: min : 300.000, max
500.000 ($)
Biaya sumur kering : min : 150.000, max : 250.000 ($)
Margin : min. 4 max : 6 ($/BBL)
(Margin = harga biaya operasi pajak)
Pertahun dapat dibor 16 sumur.
SOLUSI
RN1=81 luas: 8000+0,81(140008000) = 12860Acre
RN2=70 tebal : 15+0,70(12015) =88,5FT
RN3=38 recovery: 20+0,38(8020) =42,8(B/AcreFT)
RN4=76 biayasumur pengembangan:
0,3x10
6
+0,76(0,50,3) 10
6
= $452.000,-
RN5=49 biayasumur kering:
0,15x10
6
+0,49(0,250,15) 10
6
=$199.000,-
RN6=33 margin: 4+0,83(64) =$5,66/B
Cadangan = (A) (h) (Rec) =
= 12860 Acre x 88,5 FT x 42,8 (B/Acre FT)
= 48,7 x 10
6
B
q
i
= 100 + 88,5 = 188,5 BOPD = 68802,5 BOPY
q
t
= 10 BOPD = 3650 BOPY
t = waktu decline = 20 tahun
t /
q
q
ln a at
q
q
ln e q qi q q
t
i
t
i
at
t
at
i t
|
|
.
|
\
|
= = = =

147 , 0 20 /
3650
5 , 68802
ln a rate Decline =
|
.
|
\
|
= =
( ) sumur / B 10 x 44 , 0 ) 3650 5 , 68802 (
147 , 0
1
q q
a
1
N
6
t i
= = =
sumur 111
B 10 x 44 , 0
B 10 x 7 , 48
N 1
Cadangan
Sumur N
6
6
= = =
Nkering=20%Nsumur =0,2x111=22sumur
BP(biayapemboran) =Nsumur xbiayasumur pengembangan
+Nkeringxbiaya sumur kering
=111x$0,45x10
6
+22x$0,2x10
6
=$(49,95x10
6
) = $54,4x10
6
waktu pemboran =
tahun 3 , 8
16
22 111
=
+
106 x 2 , 29 $ ) e ( 106 x 4 , 54 $ NPVBP
2 / 3 , 8 x 15 , 0
= =

(
+
=

+
) e I )( j a (
a
) in arg m ( ) cadangan ( REV
ta
) j a ( t e 1 (
(
+

=

+
) e 1 ( ) 15 , 0 147 , 0 (
) e 1 ( 147 , 0
) B / 66 , 5 ($ ) B 10 x 7 , 48 (
) 147 , 0 ( 20
15 , 0 147 , 0 ( 20
6
6
10 x 6 , 143 $
) 0529 , 0 1 ( 297 , 0
) 0026 , 0 1 ( 147 , 0
106 x 6 , 275 $ =
(
=
NPVREV=$143,6x10
6
(e
0,15x8,3/2
) =$77x10
6
NPVPROFIT =NPVREVNPVBP=$77X10
6
- $29,2X10
6
=$47,8X10
6
EMV=P
f
NPV
f
+P
S
NPV
S
=(0,8) ($- 4x10
6
) +(0;2) ($47,8x10
6
) =
KarenaEMVlebihbesar dari bonusmakalakukaneksplorasi.
CLASS ASSIGNMENT
Buatlah simulasi dengan menggunakan bilangan
random 98, 58, 74, 03, 92 dan 14
Ketidakpastian Dalam
Eksplorasi
Klasifikasi Sumberdaya Mineral
(US Geological Survey and the US Bureau of Mines)
IDENTIFIED UNDISCOVERED
INFERRED
DEMONSTRATED
MEASURED INDICATED
HYPOTHETICAL
(In known
districts)
SPECULATIVE
(In undiscovered
districts)
RESERVES
RESOURCES
S
U
B
E
C
O
N
O
M
I
C
E
C
O
N
O
M
I
C
S
u
b
m
a
r
g
i
n
a
l

P
a
r
a
m
a
r
g
i
n
a
l
+ + + +
+
Ketidakpastian Dalam Eksplorasi
98
RISIKO POLITIK
RISIKO TEKNIK
RISIKO EKONOMI
RISIKO ALAMIAH
RISIKO GEOLOGI
EKSPLORASI
PENEMUAN
INVESTIGASI
STUDI KELAIKAN
PENGEMBANGAN
PRODUKSI
R
I
S
I
K
O
I
N
V
E
S
T
A
S
I

K
U
M
U
L
A
T
I
F
TARUHAN BESAR, INVESTASI RENDAH
TARUHAN KECIL, INVESTASI BESAR
KARAKTERISTIK USAHA HULU MIGAS
0
0,1
0,5
20 5 2
1
Besar cadangan,
MMBOE
Terlalu
kecil
Roda Eksplorasi
.
100
10
1
0,1
0,01
0,001
0,01 0,1 1 10 100
.
.
.
. .
.
.
. .
.
.
.
.
.
.
.
.
Garis perkiraan
sempurna
Garis paling
cocok dg. data
Estimasi Cadangan, MMBOE
C
a
d
a
n
g
a
n

S
e
b
e
n
a
r
n
y
a
,

M
M
B
O
E
Perkiraan vs. Aktual
PERUSAHAAN X,
ONSHORE
Analisis Regresi Linier
.
.
.
.
.
Y
X
A
.
.
.
.
.
Y
X
B
. .
.
.
.
Y
X
C
.
.
.
.
.
Y
X
D
Dihitung normal: E / A
Dihitung rata-rata log : (1/n) ln(E/A)
Bias = e
(1/n) ln(E/A)
Average Error Factor : AEF = e
(1/n) ln(E/A)
Pemilihan Hubungan
Kasus 1
E(stimate) A(ktual) E/A Ln(E/A) Ln(E/A)
10 0,1 100 4,6 4,6
0,1 10 0,01 - 4,6 4,6
Normal: E / A = (10 + 0,1) / (0,1 + 10) = 1
Rata-rata log : (1/n) ln(E/A) = (1/2) (4,6 4,6) = 0
Bias = e
(1/n) ln(E/A)
= e
0
= 1
AEF = e
(1/n) ln(E/A)
= e
2,3
= 10
Kasus 2
E A % Error E/A Ln(E/A) Ln(E/A)
1000 1100 10 0,91 - 0,095 0,095
1 0,1 900 10 2,3 2,3
5 0,25 1900 20 3,0 3,0
3 1 200 3 1,1 1,1
Normal: E / A = 1009 / 1101,35 = 1
Rata-rata log : (1/n) ln(E/A) = (1/4) (6,305) = 1,57
Bias = e
(1/n) ln(E/A)
= e
1,57
= 4,8
AEF = e
(1/n) ln(E/A)
= e
1,62
= 5,1
Langkah Analisis
1. Amati grafik dan sebaran datanya. Apa dampak
error yang ditimbulkan?
2. Apakah kemiringan garis yang paling cocok dengan
data cukup besar sehingga tampak hubungan
antara estimasi dan kenyataan;
3. Lihat kemungkinan bias, dan uji besarannya.
4. Check AEF sepanjang selang ketidakpastiannya
.
100
10
1
0,1
0,01
0,001
0,01 0,1 1 10 100
.
.
.
. .
.
.
. .
.
.
.
.
.
.
.
.
Garis perkiraan
sempurna
Garis paling
cocok dg. data
C
a
d
a
n
g
a
n

S
e
b
e
n
a
r
n
y
a
,

M
M
B
O
E
PERUSAHAAN X,
ONSHORE
Bias = e
1,94
= 7
AEF = e
2,23
= 9,3
.
100
10
1
0,1
0,01
0,001
0,01 0,1 1 10 100
.
.
.
.
.
.
.
.
.
. .
.
.
.
.
.
.
Garis paling
cocok
dengan data
Garis perkiraan
sempurna
C
a
d
a
n
g
a
n

S
e
b
e
n
a
r
n
y
a
,

M
M
B
O
E
PERUSAHAAN Y,
ONSHORE , SEJENIS
Ln A = -1,64+0,46 ln E
Bias = e
1,94
= 4,5
AEF = e
2,23
= 6,1
. .
.
. .
. .
.
.
100
10
1
0,1
0,01
0,001
0,01 0,1 1 10 100
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Garis paling
cocok
dengan data
Garis perkiraan
sempurna
C
a
d
a
n
g
a
n

S
e
b
e
n
a
r
n
y
a
,

M
M
B
O
E
PERUSAHAAN Z,
ONSHORE , SEJENIS
Ln A = -0,26+0,65 ln E
Bias = 1,7
AEF = 4,6
.
.
.
. .
.
.
.
.
1000
100
10
1
0,1
0,01
0,1 1 10 100 1000
.
.
.
.
.
.
.
. .
.
.
.
.
.
.
.
Garis paling
cocok
dengan data
Garis perkiraan
sempurna
Estimasi OOIP, MMBOE
O
O
I
P

S
e
b
e
n
a
r
n
y
a
,

M
M
B
O
E
PERUSAHAAN W,
ONSHORE ,
SEJENIS
Ln A = 1,77+0,49 ln E
Bias = 2,1
AEF = 3,5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. .
.
.
.

Analisis Pengambilan Keputusan

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analisis Pengambilan Keputusan

Uploaded by

Copyright:

Available Formats

ANALI SI S PENGAMBI LAN

Simulasi Monte Carlo

You might also like