METODE

PENGAMBILAN
KEPUTUSAN
I Wayan Yudi Martha Wiguna
Pertemuan 3
Probabilistic Thinking
• Memahami Chance Event dan Outcomes
• Ketepatan menjelaskan dasar teori probabilitas
• Ketepatan menjelaskan teori probabilitas lainnya (probabilistic
dependenci, conditional independency,teorema bayes, dll)
• Mampu menggunakan decision tree untuk decision problem
dengan ketidakpastian
Probabilistic
Thinking
Salah satu cara untuk merepresentasikan ketidakpastian dalam
sistem adalah dengan menggunakan metode probabilistik atau
probabilitas. Model yang menggunakan probabilistik dianalisa
berdasar ketidakpastian yang dialami dan hasil dari tiap
kemunungkinan kondisi yang terjadi .
3.1. Memahami Chance Event dan Outcomes
Untuk menyatakan suatu hal yang tidak pasti, decision maker umumnya
menyebutnya sebagai chance event. Karena chance event ini tidak pasti, maka
chance event memiliki kemungkinan outcomes yang berbeda.

Outcomes ini akan digunakan sebagai bahan analisis pengambilan keputusan.

Outcomes biasanya memiliki probabilitas terjadi (Clemen & Reilly, 2001)
Dalam contoh kasus petani yang ingin memanen banyak hasil tanamnya pada
bab sebelumnya, dijelaskan bahwa petani melihat kondisi cuaca untuk
menentukan keputusan melakukan langkah penyelamatan tanamannya. Jika
cuaca baik maka petani tidak perlu melakukan apa pun, namun jika cuaca buruk
maka petani perlu melakukan langkah antisipasi menyelamatkan tanamannya.
Dalam kasus ini dapat dikatakan:
(1) chance event = adalah kondisi cuaca karena kondisi cuaca tidak pasti.
(2) outcomes = adalah kondisi cuaca baik dan buruk.
Untuk merepresentasikan kemungkinan terjadi cuaca baik atau buruk umumnya
memiliki probabilitas, misal:
(1) kemungkinan terjadi cuaca baik (outcomes cuaca baik) = adalah 30%
(2) kemunungkinan terjadi cuaca buruk (outcome cuaca buruk) = adalah 70%
Dasar Teori Probabilitas
Probabilitas seluruh outcomes dari setiap event harus memenuhi teori dasar
probabilitas. Untuk lebih memudahkan pembahasan, chance event akan disebut
dengan huruf capital (A, B, C, dll). Sedangkan outcomes tiap event akan disebut
sesuai dengan chance event yang melekat dengan nomor outcomes, misalnya
chance event A terdapat 3 outcomes, maka outcomes-nya akan ditulis A1, A2 dan
A3.
Dasar Teori Probabilitas

Teori dasar probabilitas untuk outcomes tiap chance event adalah (Clemen & Reilly, 2001):
Probabilitas harus berada dalam range 0-1
Tiap probabilitas (p) harus bernilai positif dan berada dalam range antara 0 hingga 1 (0 ≤ p ≤ 1).
Probabilias 0 menunjukkan kemungkinan terjadi outcome adalah 0%, atau tidak mungkin
terjadi, dan probabilitas 1 menunjukkan kemungkinan terjadi outcome adalah 100%, atau pasti
terjadi.

Probabilitas dapat dijumlahkan

Probabilitas outcome dapat dijumlahkan memiliki arti jika hanya dapat terjadi satu outcome
dari semua kemungkinan outcomes yang terjadi (mutually exclusive). Sebagai contoh misal
chance event kondisi market memiliki outcomes dan probabilitas:
a. Kondisi maket akan naik (A1) dengan probabilitas 30%
b. Kondisi market akan tetap atau tidak berubah (A2) dengan probabilitas 45%
c. Kondisi market akan turun (A3) dengan probabilitas 25%
Dasar Teori Probabilitas

Maka hanya ada satu outcome yang muncul, tidak mungkin dua atau tiga outcomes terjadi
bersamaan. Dengan demikian probabilitas antar outcomes dapat dijumlahkan. Misalnya ingin
mencari tahu kondisi market akan naik atau tetap (tidak berubah), maka probabilitasnya
adalah :
Probabilitas kondisi market naik atau tetap = P(A1) + P(A2)
= 30% + 45%
= 75%
Perlu dipahami, kondisi mutually exclusive jika digambarkan dalam diagram Venn untuk
ketiga outcomes tersebut tidak saling beririsan. Sehingga, probabilitas outcomes dapat
dijumlahkan.
Total penjumlahan probabilitas adalah 1

Total dari probabilitas outcomes adalah 1. Total probabilitas outcomes 100% atau 1
mengindikasikan bahwa chance event pasti akan terjadi dengan kepastian salah satu
outcomes muncul. Seperti contoh kasus kondisi market sebelumnya, total probabilitasnya
adalah:
Total probabilitas seluruh outcomes = P(A1) + P(A2) + P(A3)
= 30% + 45% + 25%
= 100%
Berdasar sifat ini, dapat dikatakan jika misal terdapat tiga outcomes seperti
contoh sebelumnya dengan dua probabilitas outcomes diketahui dan outcomes
terakhir belum diketahui probabilitasnya, maka outcomes ketiga dapat dihitung
karena total penjumlahan probabilitas outcomes adalah 1. Perhitungannya adalah
dengan cara:

P(𝐴3 ) = 1 – (P(𝐴1 ) + P(𝐴2 ))

Probabilistic Dependency, Conditional Independency, Teorema Bayes

Selain dasar teori dari probabilitas yang disebutkan sebelumnya, terdapat teori lain yang
memungkinkan probabilitas untuk digunakan lebih luas untuk membantu menganalisa
decision problem. Berikut adalah beberapa teori probabilitas lainnya yang umum digunakan
adalah (Clemen & Reilly, 2001):
1. Conditional Probability
2. Independence
3. Conditional Independence
4. Complements
5. Total Probability of an Event
6. Teorema Bayes
1. Conditional Probability (Probabilitas Bersyarat)
Conditional probability terjadi saat outcomes terjadi dengan syarat outcomes lain juga
terjadi.

Probabilitas bersyarat atau conditional probability, kerap didefinisikan sebagai

kemungkinan terjadinya sebuah peristiwa atau hasil berdasarkan kegiatan yang sudah
berlangsung.

Teori ini dihitung dengan cara mengalikan kemungkinan dari acara yang sudah berlangsung
dengan kemungkinan baru dari kegiatan yang akan dilaksanakan.
Secara matematis dapat dituliskan sebagai (Clemen & Reilly, 2001):

𝑃 𝐴 𝑑𝑎𝑛 𝐵
𝑃 𝐴𝐵 =
𝑃 𝐵
Contoh :

- kemungkinan A di mana kamu diterima sebuah universitas dan

- kemungkinan B di mana kamu menyewa kamar kos.

Kedua kegiatan tersebut saling berkesinambungan dan kesempatan terjadinya

kemungkinan B akan semakin besar bila kemungkinan A berlangsung.
Cara Terbaik Menggunakan Probabilitas Bersyarat untuk Bisnis :

Dalam bidang bisnis dan finance, teori probabilitas bersyarat telah digunakan untuk banyak
keperluan perusahaan.

Bila dapat dimanfaatkan dengan baik, perusahaan dapat memaksimalkan jumlah income
dan meredam angka kerugian.
Kira-kira, pada kondisi apa saja, teori conditional probability cocok untuk
digunakan? Menurut The Street, berikut pemaparannya:

1. Saat mengevaluasi suku bunga

Pertama, teori probabilitas bersyarat dapat digunakan pebisnis saat mereka sedang
mengevaluasi suku bunga.

Setiap perubahan tak terduga dalam nilai suku bunga dapat berdampak negatif pada laba
dan pendapatan perusahaan.

Nah, dengan teori conditional probability, perusahaan dapat mengarahkan sumber daya
keuangannya secara maksimal.
2. Saat memperhitungkan laba bersih

Sejatinya, laba bersih sangatlah rentan terhadap kejadian yang tak terduga, seperti proses
hukum, kondisi iklim dan cuaca, serta biaya yang diperlukan untuk peralatan dan bahan
produksi.

Nah, dengan memasukkan teori probabilitas ke dalam perhitungan laba bersih, stakeholder
dapat menerima insight (wawasan) dan strategi jitu guna mengelola sumber daya dan
membuat keputusan yang lebih baik.
3. Ketika perusahaan hendak memberikan kredit

Terakhir, teori probabilitas bersyarat akan sangat bermanfaat bila perusahaan hendak
meminjamkan sejumlah kredit.

Teori tersebut dapat membantu perusahaan dengan mengevaluasi tingkat risiko saat
mereka akan meminjamkan uang tunai kepada peminjam.

Sederhananya, conditional probability dapat dimanfaatkan untuk keperluan risk

assessment.
2. Independence

Dalam ilmu probabilitas, dua event (kejadian) disebut independence bila kejadian pada satu
event tidak mempengaruhi probabilitas pada kejadian yang lain.

Contohnya misalnya kita melempar dua dadu secara bersamaan. Peluang kejadian sebuah
dadu tidak akan mempengaruhi peluang kejadian pada dadu lainnya. Namun pada kejadian
dependent, probabilitas suatu kejadian mempengaruhi probabilitas kejadian yang lain.
Teori independence menunjukkan jika outcomes (hasil) dari suatu chance event
(keadaan yang tidak pasti) tidak akan mempengaruhi outcomes dari chance event
lainnya. Sehingga mengetahui informasi probabilitas outcomes salah satu chance event
tidak dapat memberi informasi terkait outcomes chance event yang lain.

𝑃 𝐴𝑖 𝑑𝑎𝑛 𝐵𝑗
𝑃 𝐴𝑖 = 𝑃 𝐴𝑖 𝐵𝑗 = = 𝑃 𝐴𝑖 𝑥 𝑃 𝐵𝑗
𝑃 𝐵𝑗
Perlu diperhatikan, bahwa independence berbeda dengan mutually exclusive. Dalam
hubungan mutually exclusive hanya ada satu outcome yang dapat terjadi dalam satu
waktu, namun dalam hubungan independence lebih dari satu outcomes yang dapat
terjadi secara bersamaan karena outcomes tersebut berasal dari chance event yang
berbeda.
3. Conditional Independence

Merupakan pengembangan dari hubungan conditional dan independence. Misalnya

diketahui event A dan B memiliki hubungan conditional independent melalui Event C. Event
C dapat berupa chance event atau keputusan. Artinya outcomes event A dan B tidak saling
mempengaruhi secara langsung namun kedua event ini terhubung melalui event C. Untuk
lebih jelas melalui hubungan ketiga event ini dapat melihat Gambar 11.
Contoh :

Contoh kasus yang memudahkan pemahaman conditional independence

adalah adanya kasus orang tenggelam saat berenang dalam peluncuran produk
es krim baru. Kedua kondisi ini tidak saling berhubungan namun keduanya
mungkin terjadi saat musim panas. Sehingga kondisi meningkatknya orang
tenggelam dengan munculnya produk es krim baru memiliki conditional
independence terhadap musim panas.
4. Complements

Complements atau pelengkap merupakan probabilitas outcomes yang berbeda

dari yang dimaksud, atau outcomes pelengkap lainnya. Compliment event B
ditulis sebagai B ̅. Karena probabilitas dapat dijumlahkan menjadi 1 maka
probabilitas compliment B adalah (Clemen & Reilly, 2001):

𝑃 𝐵ത = 1 − 𝑃 𝐵
(5) Total Probability of an Event

Salah satu cara untuk menghitung probabilitas event atau outcome adalah
dengan memanfaatkan teori total probabilitas adalah 1 dan teori compliment
yang telah dijelaskan sebelumnya. Formula menghitung probabilitas melalui
kedua teori tersebut adalah (Clemen & Reilly, 2001):

𝑃 𝐴 = 𝑃 𝐴 𝑑𝑎𝑛 𝐵 + 𝑃 𝐴 𝑑𝑎𝑛 𝐵ത

𝑃 𝐴 = 𝑃 𝐴 | 𝐵 𝑃 𝐵 + 𝑃 𝐴 | 𝐵ത 𝑃(𝐵)
ത
Untuk lebih memudahkan membayangkan probabilitas outcomes A dari
formula tersebut, dapat melihat Gambar 12. Gambar 12 menjelaskan
diagram Venn dari probabilitas outcomes A dan B. Melalui Gambar 12, maka
dapat terbayang jika arti dari formula tersebut dalah probabilitas
outcomes A merupakan probabilitas outcomes kejadian “A dan B” dan “A
dan 𝐵”.
ത

Gambar 12. Diagram Venn Outcomes A dan B

Sumber: Clemen & Reilly (2001)
Teorema Bayes
Teorema Bayes diambil dari nama penemunya yakni Thomas
Bayes yang merupakan seorang ahli statistik, filsuf dan
pendeta Inggris. Teorema ini menggambarkan hubungan
antara peluang bersyarat dari dua kejadian dan memiliki
penerapan yang cukup penting terutama dalam statistika.
Teorema Bayes

Teorema Bayes adalah sebuah teorema dengan dua penafsiran berbeda.

Dalam penafsiran Bayes, teorema ini menyatakan seberapa jauh derajat
kepercayaan subjektif harus berubah secara rasional ketika ada petunjuk
baru.

Dalam penafsiran frekuentis teorema ini menjelaskan representasi invers

probabilitas dua kejadian. Teorema ini merupakan dasar dari statistika
Bayes dan memiliki penerapan dalam sains, rekayasa, ilmu ekonomi
(terutama ilmu ekonomi mikro), teori permainan, kedokteran dan hukum.
Teorema Bayes

Secara umum, teorema Bayes dinyatakan sebagai:

Ket :
P (A) = Probabilitas A terjadi
P (B) = Probabilitas B terjadi
P (A | B) = Probabilitas A diberikan B
P (B | A) = probabilitas B diberikan A

Dalam notasi ini P(A|B) berarti peluang kejadian A bila B terjadi dan
P(B|A) peluang kejadian B bila A terjadi.
TERIMA KASIH