Aksioma ini menyatakan bahwa jika setiap kejadian pasti untuk terjadi, maka peluang dari kejadian tersebut adalah 1

Misalkan sebuah peristiwa A dapat terjadi sebanyak x kali diantara n peristiwa yang saling bebas dan masing-masing terjadi dengan kesempatan yang sama. Maka peluang peristiwa A terjadi adalah P ( A) =

x n

Dimana : P (A) = Peluang terjadinya peristiwa A x

= peristwa x

n

= jumlah semua kemungkinan

2.1.1 Aksioma dan Teorema

Aksioma 1. Untuk setiap kejadian A, P( A) ≥ O . Aksioma ini menyatakan bahwa peluang dari setiap kejadian adalah nonnegatif.

Aksioma 2.

P(S ) = 1 . Aksioma ini menyatakan bahwa jika setiap kejadian pasti untuk terjadi, maka peluang dari kejadian tersebut adalah 1.

Aksioma 3. Untuk jumlah kejadian saling asing yang tidak terbatas A1 , A2 , A3 ,...

∞  ∞ P  Ai  = ∑ P( Ai )  i =1  i =1 Aksioma ini menyatakan bahwa untuk dua kejadian atau lebih yang saling asing, maka peluang dari suatu kejadian atau lebih yang terjadi adalah jumlah dari masing-masing peluangnya.

Teorema 1

Universitas Sumatera Utara

P(φ ) = 0 Bukti : Andaikan kejadian A1 , A2 ,... sedemikian hingga Ai = φ untuk i= 1,2,…. Dengan adanya φ ∩ φ = φ , maka kejadian Ai adalah kejadian saling asing, untuk i=1,2,… Berdasarkan aksioma 3, diperoleh :

∞  P(φ ) = P  Ai   i =1  ∞

= ∑ P( Ai ) i =1 ∞

= ∑ P(φ ) = 0 i =1

Teorema 2. Untuk kejadian yang saling asing A1 , A2 , A3 ,...

∞  ∞ P  Ai  = ∑ P( Ai )  i =1  i =1 Bukti : Andaikan kejadian tak terbatas A1 , A2 , A3 ,... dimana A1 , A2 , A3 ,... An dimana n adalah kejadian yang diberikan dan Ai = φ untuk i > n . Maka untuk kejadian yang tak tebatas ini ∞

adalah saling asing dan

n

A =A i

i =1

i

i =1

Melalui aksioma 3,dapat diperoleh :

 n  ∞  P  Ai  = P  Ai   i =1   i =1  ∞

= ∑ P( Ai ) i =1 n

= ∑ P( Ai ) + i =1

∞

∑ P( A )

i = n +1

i

n

= ∑ P( Ai ) + 0 i =1 n

= ∑ P( Ai ) i =1


Teorema 3.

( )

Untuk setiap kejadian A, P A c = 1 − P( A) Bukti : Andaikan kejadian A dan Ac saling asing dan A ∪ A c = S

(

P(S ) = P A ∪ A c

)

( ) 1 = P ( A) + P (A ) P (A ) = 1 − P ( A)

= P( A) + P A c untuk P(S ) = 1 c

c

Teorema 4. Untuk setiap kejadian A, 0 ≤ P( A) ≤ 1

( )

Bukti : Dari aksioma 1 diperoleh P( A) ≥ 0 Jika P( A) ≥ 1 , maka dari teorema 3 P A c ≤ 0

( )

dimana P A c ≤ 0 berkontradiksi dengan aksioma 1, yang menyatakan peluang setiap kejadian harus nonnegatif, maka P( A) ≤ 1 sehingga 0 ≤ P( A) ≤ 1 .

Teorema 5. Jika A ⊂ B , maka P( A) ≤ P(B ) Bukti :Perhatikan gambar dibawah ini : S

B

BA c

B

A

Gambar 2.1 Himpunan B = A ∪ ( BA c ) Dari gambar, kejadian B adalah gabungan dari kejadian A dan BA c , sehingga

(

P(B ) = P( A) + P BA c

(

)

)

Dari aksioma1, P BA c ≥ 0


Maka : P (B ) ≥ P ( A) P ( A) ≤ P (B )

Teorema 6. Untuk dua kejadian A dan B

P( A ∪ B ) = P( A) + P(B ) − P( AB ) Bukti: Perhatikan gambar dibawah ini.

A

B

Gambar 2.2 Himpunan ( A ∪ B ) Dari gambar dapat dituliskan

(

)

(

A ∪ B = AB c ∪ ( AB ) ∪ A c B

)

Dari teorema 2 di dapat

{( ) ( )} P( A ∪ B ) = P (AB ) + P( AB ) + P (A B )

P( A ∪ B ) = P AB c ∪ ( AB ) ∪ A c B c

c

Dari gambar 2.2 juga diperoleh

(

)

(

)

(

)

P( A) = P AB c + P( AB ) Maka P AB c = P( A) − P( AB )

(

)

P(B ) = P AB c + P( AB ) P A c B = P(B ) − P( AB )

Sehingga

(

)

(

)

P ( A ∪ B ) = P AB c + P( AB ) + P A c B = P( A) − P( AB ) + P( AB ) + P(B ) − P( AB ) = P( A) + P(B ) − P( AB ) Teorema 7.


Diberikan ruang sampel S, jika S mempunyai N bagian dari kejadian untuk kejadian A dari S. P ( A) =

N ( A) N

Bukti : Diberikan S = {s1 , s 2 ,...} dimana setiap si adalah titik sampel dari ekperimen. Untuk titik sampel dari probabilitas P(si ) =

{

}

1 untuk semua i, 1 ≤ i ≤ N . Sekarang diberikan N

A = s i1 , s i2 , s i3 ,... adalah mutually ekslusif, maka diperoleh :

{

} P( A) = P (s ) + P (s ) + P (s ) + ...

P( A) = P s i1 , s i2 , s i3 ,... i1

i2

i3

P ( A) =

1 1 1 + + + ... N N N N ( A) P ( A) = N

Teorema 8. Jika B1 , B2 , B3 ,... dari partisi A dari ruang sampel, maka, untuk kejadian A ⊆ S n

P( A) = ∑ P( A ∩ Bi ) i =1

Bukti : Set A dapat dibuat A = ∪ in=1 ( A ∩ Bi )

Dan Bi ∩ B j = φ , i = j maka ( A ∩ Bi ) ∩ (A ∩ B j ) = φ

Teorema 9. Jika S adalah sampel diskrit dengan elemen kejadian ei , i = 1,2,... dimana ei mempunyai P(ei ) , maka, untuk kejadian A ⊆ S

P( A) = ∑ P(ei ) ei εA

Bukti :


ei jika ei ∈ A A ∩ ei =  φ jika ei ∉ P( A) = ∑ P( A ∩ ei ) = ∑ P(ei ) ei ∈ A

ei ∈ A

Teorema 10. Jika A1 , A2 ,... An adalah n sembarang dari set S, maka

(

)

P ∪ in=1 Ai = ∑ P( Ai ) − ∑ P (Ai ∩ A j ) + ∑ P (Ai ∩ A j ∩ Ak ) n

i =1

... (− 1)

n −1

P( A1 ∩ A2 ,... ∩ An )

Bukti : k +1

P Ai = P (B ∪ Ak +1 ) i =1

P (B )

= P (B ) + P ( Ak +1 ) − P ( Ak +1 ∩ B )  k  = P  Ai   i =1 

= ∑ P ( Ai ) − ∑ P (Ai ∩ A j ) + ∑ P (Ai ∩ A j ∩ Ak ) − ...(− 1)

k −1

P ( A1 ∩ A2 .... ∩ Ak )

  k   k  P Ak +1 ∩   Ai   = P  ( Ai ∩ Ak +1 )  i =1   i =1     k  k −1 P  ( Ai ∩ Ak +1 ) = ∑ P( Ai ∩ Ak +1 ) − ∑ P (Ai ∩ A j ∩ Ak +1 ) + ...(− 1) P( A1 ∩ A2 .... ∩ Ak +1 )  i =1 

Teorema 11. Jika

{B1 , B2 ,..., Bn }adalah

partisi dari ruang sampel eksperimen dan P(Bi ) > 0 Untuk

i = 1,2,..., n untuk kejadian A dari S, maka dapat di tulis:

P ( A) = P ( A / B1 )(B1 ) + P ( A / B2 )P (B2 ) + ... + P ( A / Bn )P (Bn ) n

P ( A) = ∑ P ( A / Bi )P(Bi ) i =1


Bukti : Kita mempunyai {B1 , B2 ,..., Bn } adalah mutually exclusive (saling bebas), Bi ≠ 0 , dimana

( ABi1 ) ≠ 0 sehingga diperoleh AB1 , AB2 ,..., ABn adalah set dari kejadian mutually exclusive. Sekarang diperoleh S = B1 ∪ B2 ∪ ... ∪ Bn diberikan A = AS = AB1 ∪ AB2 ∪ ... ∪ ABn Untuk itu, P( A) = P( AB1 ) + P( AB2 ) + ... + P( ABn ) Tapi P( ABi ) = P( A / Bi )P(Bi ), i = 1,2,..., n Maka, P( A) = P( A / B1 )(B1 ) + P( A / B2 )P(B2 ) + ... + P( A / Bn )P(Bn )

2.1.2 Peluang Bersyarat

Peluang bersyarat adalah dua kejadian dimana peluang dari kejadian A disebut kejadian sebagai peluang bersyarat kejadian A jika kejadian B telah terjadi. Notasi untuk peluang bersyarat kejadian di atas dituliskan dalam bentuk P( A / B ) dan dibaca peluang A bersyarat B. Definisi : Jika A dan B adalah dua kejadian sedemikian hingga P(B ) > 0 , maka :

P( A / B ) =

P( A ∩ B ) P (B )

Peluang bersyarat tidak berlaku jika P(B ) = 0 Jika P (B) = 0 maka P (A/B) tidak dapat terdefinisi.

2.1.3 Peluang Bersyarat untuk Kejadian Independen


Jika dua kejadian A dan B adalah independen, maka P( AB ) = P( A)P(B ) Untuk P(B ) > 0 , maka :

P( AB ) P (B ) P( A)P(B ) = P (B ) = P ( A)

P( A / B ) =

Dalam bentuk yang sama, jika A dan B adalah dua kejadian independen dan jika P( A) > 0 ,maka dapat kita ditulis : P(B / A) = P(B ) 2.2 Teori Partisi dan Teorema Bayes

Antara Teorema Bayes dengan teori partisi terdapat hubungan yang sangat erat, hal ini disebabkan untuk membuktikan Teorema Bayes, kita tidak akan terlepas dari penggunaan teori partisi. Dengan kata lain, teori partisi adalah konsep dasar bagi Teorema Bayes.

2.2.1 Teori Partisi

Andaikan S menyatakan ruang sampel dari beberapa percobaan dan k adalah kejadian k

Ai ,..., Ak dalam S sedemikian hingga Ai ,..., Ak saling asing dan

A

i

= S . Sehingga dapat

i =1

dikatakan kejadian k tersebut membentuk partisi atau bagian dari S. Jika k kejadian Ai ,..., Ak membentuk sebuah partisi dari S dan jika B adalah kejadian lain dalam S, maka kejadian akan membentuk partisi atau bagian untuk B, seperti gambar dibawah ini.


Gambar 2.3 Partisi Bayes

Dari gambar 2.3 dapat dituliskan,

B = ( A1 B ) ∪ ( A2 B ) ∪ ... ∪ ( An B )

(2.1)

Karena k kejadian dalam persamaan (2.1) diatas adalah disjoint (saling asing) maka : P(B ) = ( A1 B ) ∪ ( A2 B ) ∪ ... ∪ ( An B ) n

P(B ) = ∑ P( Ai B )

(2.2)

i =1

Jika P( A) > 0 maka peluang bersyarat untuk P(B / Ai ) =

P(BAi ) P( Ai )

P(BAi ) = P( Ai )P(B / Ai )

i = 1,2,..., n

Maka dapat ditulis kembali persamaan (2.2) sebagai berikut : n

P(B ) = ∑ P( Ai B ) i =1 n

P(B ) = ∑ P( Ai )P(B / Ai ) i =1

Sehingga dapat dituliskan bahwa untuk kejadian Ai ,..., An yang membentuk partisi dari ruang sampel S dan P( Ai ) > 0 , untuk i = 1,2,..., n , maka untuk kejadian B dan ruang sampel S, berlaku: n

P(B ) = ∑ P( Ai )P(B / Ai ) i =1

Yang memiliki persamaan pada teorem 11 sebelumnya.

2.2.2 Teorema Bayes

Teorema Bayes dikemukakan oleh seorang pendeta Presbyterian Inggris pada tahun 1763 yang bernama Teorema Bayes. Teorema Bayes ini kemudian disempurnakan oleh Laplace.


Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari hasil observasi.

Teorema ini menerangkan hubungan antara probabilitas terjadinya peristiwa A dengan syarat terjadinya peristiwa B telah terjadi dan probabailitas terjadinya peristiwa B dengan syarat peristiwa A telah terjadi. Teorema ini didasarkan pada prinsip bahwa tambahan informasi dapat memperbaiki probabilitas.

Sesuai dengan probabilitas subjektif, bila seseorang mengamati kejadian B dan mempunyai keyakinan bahwa ada kemungkinan B akan muncul, maka probabilitas B disebut probabilitas prior. Setelah ada informasi tambahan bahwa misalnya kejadian A telah muncul, mungkin akan terjadi perubahan terhadap perkiraan semula mengenai kemungkinan B untuk muncul. Probabilitas untuk B sekarang adalah probabilitas bersyarat akibat A dan disebut sebagai probabilitas posterior. Teorema Bayes merupakan mekanisme untuk memperbaharui probabilitas dari prior menjadi probabilitas posterior.

Teorema Bayes : Ai ,..., An membentuk sebuah partisi dari ruang sampel S sedemikian

Misalkan kejadian

hingga P( Ai ) > 0 untuk i = 1,2,..., n dan misalkan B adalah suatu kejadian sedemikian hingga P(Bi ) > 0 i = 1,2,..., n maka berlaku rumus :

P( Ai / B ) =

P( Ai )P(B / Ai ) n

∑ P( A )P(B / A ) i =1

i

i

Bukti : Dari definisi peluang bersyarat diperoleh, P( Ai / B ) =

P( Ai B ) P (B )

P( Ai / B ) = P( Ai )P(B / Ai ) P(B / Ai ) =

P(BAi ) P( Ai )

P(BAi ) = P( Ai )P(B / Ai )

i = 1,2,..., n


n

n

i =1

i =1

∑ P(BAi ) = ∑ P(B / Ai ).P( Ai ) atau  k  n P  BAi  = ∑ P(B / Ai ).P( Ai )  i =1  i =1

Menurut aksioma 3, kejadian BA1 , BA2, BA3 ,..., BAn adalah saling asing, sehingga dapat diperoleh

 n  P  BAi  = P{(BA1 ) ∪ (BA2 ) ∪ ... ∪ (BAi )}  i =1   n  P  BAi  = P(Bi )  i =1  Sehingga dapat dibuat dari persamaan diatas menjadi n

n

∑ P(BA ) = ∑ P(B / A ).P( A ) i =1

i

i

i =1

i

n

P (B )

= ∑ P(B / Ai ).P( Ai ) i =1

Maka dapat dibuktikan Teorema Bayes dari rumusan diatas, sebagai berikut :

P( Ai / B ) = P( Ai / B ) =

P( Ai B ) P (B ) P( Ai )P(B / Ai ) n

∑ P(B / A ).P( A ) i =1

i

i

2.3 Teori Keputusan

Teori keputusan adalah suatu area studi yang berhubungan dengan para ahli yang tertarik dengan analisis keputusan yang akan memberikan informasi pada pengambilan keputusan. Teori

keputusan

dalam

matematika

dan

statistika

adalah

berhubungan

dengan

mengidentifikasi ketidakpastian dan masalah lain yang relevan yang memberikan keputusan dan menghasilkan keputusan yang tepat dan optimal.

Teori keputusan memberikan sejumlah saran bagaimana cara untuk mengestimasi probabilitas yang kompleks dalam keadaan ketidakpastian, yang sebagian besar berasal dari Teorema Bayes. Teori keputusan dapat berupa normatif atau deskriptif. Teori keputusan normatif adalah teori yang mengarah pada bagaimana harus membuat keputusan jika kita


ingin memaksimalkan utility yang diharapkan. Sedangkan teori keputusan deskriptif adalah dicapai berdasarkan hasil pengamatan, percobaan, dan biasanya dikuatkan dengan statistik.

2.4 Teknik Pengambilan Keputusan

Pengambilan keputusan adalah memilih satu atau lebih diantara sekian banyak alternatif keputusan yang mungkin. Suatu keputusan dibuat dalam rangka untuk memecahkan permasalahan atau persoalan untuk mencapai tujuan yang akan dicapai. Keputusan bisa berulang kali dibuat secara rutin dan dalam bentuk persoalan yang sama sehingga mudah dilakukan.

Inti dari pengambilan keputusan ialah terletak dalam perumusan berbagai alternatif tindakan sesuai dalam perhatian dan dalam pemilihan alternatif yang tepat setelah suatu evaluasi (penilaian) mengenai efektifitasnya dalam mencapai tujuan yang dikehendaki pengambil keputusan. Salah satu komponen terpenting dari proses pembuatan keputusan adalah kegiatan pengumpulan data dari mana suatu apresiasi mengenai situasi keputusan dapat dibuat.

Apabila informasi yang cukup dapat dikumpulkan guna memperoleh suatu spesifikasi yang lengkap dari semua alternatif dan tingkat keefektifannya dalam situasi yang sedang dalam pembahasan.untuk dipilih sebagai pilihan yang tepat dalam penentuan alternatif. Proses pembuatan atau pengambilan keputusan sangatlah mudah, akan tetapi di dalam pengumpulan informasi yang mendukung dari alternatif tidak mudah karena mengingat terbatasnya waktu, dana, dan tenaga. Pada dasarnya ada empat kategoti keputusan, yaitu : 1. Keputusan dalam keadaan ada kepastian ( certainty ). Certainty jika semua informasi yang diperlukan untuk membuat keputusan diketahui secara sempurna dan tidak berubah. 2. Keputusan dalam keadaan resiko ( risk ). Dikatakan resiko jika informasi sempurna tidak tersedia, tetapi seluruh peristiwa yang akan terjadi beserta probabilitasnya tersedia. 3. Keputusan dalam keadaan ketidakpastian ( uncertainty ).


Pengambilan keputusan dalam keadaan ketidakpastian menunjukkan suasana keputusan dimana probabilitas hasil potensial tidak diketahui ( tidak diperkirakan ). Dalam suasana ketidakpastian pengambil keputusan sadar akan hasil alternatif dalam bermacam-macam peristiwa ( kejadian ), namun pengambil keputusan tidak dapat menetapkan probabilitas peristiwa. 4. Keputusan dalam keadaan ada konflik ( conflick ). Suasana konflik muncul jika ada kepentingan dua atau lebih pengambilan keputusan berada dalam keadaan situasi yang saling bertentangan. Satu pihak pengambil keputusan tidak hanya memikirkan pada tindakannya sendiri, tetapi juga tertarik pada tindakan lawannya.

2.4.1 Pilihan langsung

Salah satu cara yang umum digunakan dalam menentukan pilihan diantara dua alternatif yang ada adalah dengan membandingkan keduanya secara langsung, kemudian menentukan pilihan berdasarkan intuisi. Sebagian besar keputusan yang dibuat dalam kehidupan adalah berdasarkan intuisi. Manusia mempertimbangkan pilihan yang dihadapinya berdasarkan informasi yang telah dimilikinya dan sesuai dengan preferensinya terhadap resiko, untuk kemudian dengan menggunakan proses intuitif, dapat menuju suatu tindakan yang menunjukkan keputusan terbaik yang dipilhnya.

Berkenaan dengan intuisi, tidak dapat dijelaskan lebih lanjut tentang bagaimana mekanisme kerjanya, meskipun dapat sering dilihat bagaimana orang bertindak berdasarkan intuisi. Didalam kehidupan manusia sering membuat keputusan berdasarkan intuisi, seperti : rute mana yang akan dipilih kekampus, jam berapa akan bangun pagi, dan sebagainya. Pada kenyataannya memang tidak perlu mencari prinsip lain untuk mengganti intuisi tersebut dalam keputusan sehari-hari. Tetapi untuk

hal yang

besar

yang

membutuhkan

pertangungjawaban kepada orang lain, akan diperlukan cara lain lebih baik untuk membuat keputusan.

Ciri utama intuisi adalah kenyataan bahwa logika dari intuisi tidak dapat ditelusuri secara rasional. Bila seorang direktur perusahaan mengambil keputusan berdasarkan intuisi, mungkin direktur perusahaan tersebut akan memilih bergabung dengan perusahaan X jika perusahaanya ingin bekerja sama. Meskipun mungkin keputusan tersebut adalah hasil


pemikiran yang cemerlang, tetapi keputusan tersebut tidak dapat dievaluasi. Tidak ada jalan atau alat analisa untuk memeriksa langkah demi langkah untuk menentukan apakah keputusan tersebut adalah suatu konsekuensi logis dari pilihan dari informasi yang tersedia. Contoh 1. Seorang produsen ingin menambah jenis produksinya. Untuk maksud tersebut ada dua pilihan : pertama produk A, ia yakin staf engeneringnya mampu mempersiapkannya peralatan untuk produk A dengan pertimbangan keberhasilan 0,5. Produk kedua, memproduksi B dengan kemungkinan gagal 0,2. Jika produk A berhasil perusahaan akan memperoleh laba Rp. 200 juta, dan jika gagal akan rugi Rp. 20 juta. Sedangkan produk B, jika berhasil akan memperoleh laba Rp. 20 juta dan jika gagal akan rugi Rp. 2 juta. Karena keterbatasan dana, maka satu diantaranya yang akan diproduksi. Tentukan produksi mana sebaiknya yang akan diproduksi oleh perusahaan agar memperoleh keuntungan yang optimal. Model keputusan ini dapat digambarkan dalam diagram keputusan seperti dibawah ini : Berhasil Produksi A

+ Rp. 200 juta

0,5

Gagal (0,5)

Berhasil

- Rp. 20 juta

+ Rp. 20 juta

0,8 Produk B

Gagal - Rp. 2 juta 0,2 Gambar 2.4 Diagram keputusan pilihan langsung

Dari gambar 2.4 jelas sekali bahwa seandainya pemasaran produk A gagal, masih bisa memperoleh hasil penjualan sebesar Rp 20 juta, nilai ini sama dengan besarnya dengan berhasilnya pemasaran produk B. Ini berarti bahwa produk A mendominasi produk B, dengan demikian akan diputuskan untuk memilih produk A.

2.4.2 Nilai Ekspektasi


Pegambilan keputusan secara langsung dapat diterapkan untuk kejadian tak pasti yang sederhana. Tetapi bila kejadian tak pasti yang dilibatkan semakin rumit, sehingga penerapan pengambilan keputusan secara langsung tidak dapat atau sukar untuk dilakukan, maka cara yang sering digunakan adalah dengan menggunakan nilai ekspektasi sebagai dasar pemilihan.

Hasil yang dicerminkan dalam suatu distribusi kemungkinan dapat dinyatakan dalam harga rata-rata atau nilai ekpektasi, kemudian pembuat keputusan dapat memilih berdasarkan nilai ekpektasi yang tertinggi. Dengan kata lain, nilai ekpektasi adalah penjumlahan dari hasil kali probabilitas dengan kontribusinya ( dalam satuan mata uang ).

Contoh 2 : Seseorang dihadapkan pada masalah penyimpanan uangnya, apakah dalam bentuk deposito atau pembelian saham. Keuntungan yang akan didapatnya bergantung pada laju pertumbuhan ekonomi. Laju pertumbuhan ekonomi meningkat dengan probabilitas 35% dan menurun 65%. Jika dipilih deposito, keuntungan adalah 250 juta rupiah pada saat pertumbuhan ekonomi meningkat dan 175 juta rupiah pada saat menurun. Jika dipilih membeli saham, keuntungan adalah 350 juta rupiah pada saat pertumbuhan ekonomi meningkat dan 125 juta rupiah pada saat menurun. Dengan menggunakan nilai harapan payoff terbesar, keputusan mana yang harus diambil? Tabel 1.1 Tabel Keuntungan dan Probabilitas Kejadian Probabilitas

Laju Pertumbuhan Ekonomi

Tindakan

Meningkat (0,35)

Menurun (0,65)

Deposito

250

175

Beli Saham

350

125


n

EV = ∑ ai Pi i =1

EV = Expected Value ai = probabilitas tindakan / alternatif Pi = probabilitas kejadian

Maka dapat dihitung nilai Expected Valuenya yaitu : EVD

= 250(0,35) + 175(0,65)

EVBS

= 201,25 = 350(0,35) + 125(0,65) = 203,75

Oleh karena itu EV=203,75 terbesar, maka diputuskan untuk membeli saham. Didalam jangka panjang, secara rata-rata akan diperoleh keuntungan sebesar 203,745 juta rupiah.

2.5 Pengertian Utility

Utilitas adalah angka yang mengekspresikan nilai pay off sebenarnya sesuai dengan konsekuensi keputusan, atau dapat dikatakan sebagai tingkat keputusan atau daya guna pembuat keputusan dalam suatu masalah yang dihadapi. Utility dapat juga dikatakan preferensi pembuat keputusan terhadap suatu nilai dengan mempertimbangkan faktor resiko. Untuk suatu himpunan hasil

( set of outcomes ) yang sudah dibuat peringkatnya

berdasarkan preferensi.

Kita dapat menentukan nilai utilitasnya yang menjelaskan preferensi tersebut. Utilitas terbesar untuk hasil yang paling disukai, berarti makin kecil nilai utilitas yang tidak disukai. Pada umumnya setiap orang mempunyai preferensi tersendiri dalam menghadapi resiko. Preferensi ini dapat dituangkan terhadap sebuah kurva yang disebut kurva utilitas. Pembuat keputusan berdasarkan pada ekspektasi utility dari alternatif-alternatif yang ada dan memilih berdasarkan ekspektasi utility yang tertinggi.

2.5.1 . Fungsi Utilitas


Karena certainty equivalent dapat ditentukan untuk berbagai macam alternatif keputusan yang ada dalam sebuah masalah pengambilan keputusan, maka lebih baiklah bila alternatifalternatif pilihan keputusan yang ada langsung diseleksi berdasarkan certainty equivalent yang terbaik. Utility function/fungsi utilitas adalah sebuah prosedur/metode yang mentranslasikan hasil akhir suatu keputusan menjadi angka-angka sehingga hasil estimasi dari angka utilitas yang dihasilkan tersebut dapat digunakan untuk mengkalkulasikan certainty equivalent dari alternatif-alternatif keputusan yang ada dan tetap konsisten/sejalan dengan sikap resiko sang pengambil keputusan.

Gambar 2.5. Ilustrasi fungsi utilitas


35 Di dalam ilustrasi fungsi utilitas pada gambar 2.5, sumbu horizontal merepresentasikan tingkatan skala ukuran evaluasi, dan sumbu vertikal merepresentasikan utilitas dari setiap tingatan skala ukuran evaluasi. Angka-angka utilitas yang terletak pada sumbu vertikal menunjukkan tingkatan level evaluasi yang paling disarankan, semakin besar angkanya, semakin baik pula level evaluasi itu. Secara intuitif, dapat dilihat pada gambar 2.5, hasil fungsi utilitas turun secara drastis ketika level perhitungan evaluasi menjadi lebih negatif/memburuk, dan penurunan nilai tersebut menjadi tidak begitu drastis sejalan dengan level perhitungan evaluasi yang menjadi lebih positif/membaik. Hal ini menunjukkan bahwa nilai yang hilang dari setiap penurunan perhitungan evaluasi menjadi lebih besar sejalan dengan level perhitungan evaluasi menjadi lebih negatif. Sehingga, jika kita mengambil hasil estimasi utilitas dari perhitungan evaluasi tersebut,alternatif-alternatif yang punya kemungkinan probabilitas cukup besar untuk menghasilkan hal-hal yang tidak menguntungkan akan dipenalti lebih besar dalam perhitungan kalkulasi dibandingkan dengan bila menggunakan hasil estimasi biasa untuk melakukan perhitungan evaluasi. Sehingga, sebuah alternatif dengan probabilitas yang cukup tinggi untuk menghasilkan hasil yang tidak menguntungkan akan diturunkan nilainya dengan menggunakan fungsi utilitas dari apa yang akan menjadi benar jika hasil estimasi biasa digunakan untuk melakukan perhitungan alternatif-alternatif keputusan yang ada. Ide utama pendekatan dengan mengkalkulasikan

certainty

equivalent

adalah

untuk

pertama-pertama

mengkonversi

kemungkinan-kemungkinan hasil yang ada dalam sebuah masalah pengambilan keputusan yang ada ke dalam nilai utilitas dengan menggunakan fungsi utilitas, lalu mengkalkulasi hasil estimasi dari nilai-nilai utilitas yang ada dari setiap alternatif menggunakan prosedur yang sama yang dipakai untuk menghitung nilai estimasi. Setelah hasil estimasi utilitas dihitung untuk setiap kemungkinan pilihan keputusan yang ada, maka setelah itu harus ditentukan certainty equivalent dari setiap kemungkinan pilihan itu. Bentuk fungsi utilitas yang dipakai adalah sebuah fungsi utilitas eksponensial. Untuk masalah pengambilan keputusan yang menitik beratkan pada keuntungan/makin sedikit resiko semakin baik, dengan menggunakan banyak perhitungan evaluasi, maka fungsi eksponensialnya adalah : U (x )

= 1− e

−x

r

,

r0

Dengan u(x) merepresentasikan fungsi utilitas, x adalah level perhitungan utilitas, r adalah sebuah konstanta yang disebut toleransi resiko, dan e merepresentasikan fungsi eksponensial.


36 Dalam sebuah situasi pengambilan keputusan dimana perhitungan evaluasi yang lebih sedikit lebih diinginkan, maka fungsi utilitas eksponensial akan mempunyai bentuk : U (x )

x

= 1− e r ,

r0

Dan dalam fungsi ini nilai yang lebih besar dari x mempunyai nilai utilitas yang lebih rendah. r dalam fungsi ini juga menentukan tingkat toleransi resiko si pengambil keputusan. Nilai toleransi resiko / r dapat dihitung dengan cara berikut. Pertama-tama tentukan sebuah alternative fiktif yang punya peluang yang sama untuk menghasilkan hasil positif r atau hasil negatif r/2. Lalu tentukan nilai r sehingga kita tidak akan bermasalah bila kita mengambil alternatif tersebut maupun tidak mengambil alternatif tersebut atau tentukan nilai r sehingga nilai certainty equivalent pada alternatif keputusan fiktif ini bernilai 0. Setelah nilai r dapat ditentukan, maka itulah nilai r yang kita pakai

Gambar 2.6. Pohon keputusan dengan menggunakan nilai utilitas.

Di dalam pohon keputusan dalam gambar 2.6, dimisalkan kita mengambil r dengan 2 sehingga fungsi utilitasnya menjadi. U (x )

= 1− e

−x

2


37 Kemudian dapat dihitung nilai utilitas dari setiap nilai akhir yang ada dengan menggunakan fungsi utilitas eksponensial dengan mengambil r=2. Sebagai contoh, nilai fungsi utilitas dari nilai akhir yang terletak paling atas dapat dihitung dengan fungsi

U (x ) = 1 − e

−3 2

= 0,777

Nilai estimati utilitas juga dapat dihitung sama dengan hasil estimasi. Sebagai contoh hasil estimasi dari simpul probabilitas yang paling atas dapat dihitung dengan fungsi :

Fungsi Utilitas yang lain yang dapat digunakan dalam pngambilan keputusan U (x )

1 − e k ( x0 − x ) = 1 − e k ( x0 − x1 )

Dimana : U (x ) x0

= nilai fungsi utilitas untuk nilai x tertentu = batas bawah nilai fungsi utilitas

x1

= batas atas nilai fungsi utilitas

k

= bilangan kons tan ta Untuk persamaan sebelumnya menggambarkan fungsi utilitas bagi sifat penghindar

resiko dan sifat pencari resiko yang masing-masing tergantung pada nilai k yang menunjukkan tingkatan untuk menghindari atau mencari resiko. Bagi yang bersikap netral, nilai utilitasnya dinyatakan dengan suatu garis lurus yang ditunjukkan pada kurva utilitas, dapat dibuat dalam persamaan :

U (x )

=

x − x0 x1 − x0

Nilai ekspektasi utility dapat dihitung dengan rumus sebagai berikut : n

EU = ∑ NU x Pr i =1

Dimana : EU = Ekspektasi Utility NU = Nilai Utility Pr = Probabilitas


38 Contoh 3: Sebuah perusahaan akan memilih satu diantara tiga produk baru untuk dipasarkan. Produksi perdana untuk ketiga produk tersebut telah selesai dilakukan, demikian studi mengenai harganya. Dari hasil penelitian pasar, deketahui distribusi kemungkinan tingkat penjualan yang mungkin dicapai ketiga produk tersebut. Datanya sebagai berikut :

Tabel 1.2 Harga Produk Yang Dipasarkan Produk

Harga/ Unit (Rp)

Penerimaan/Unit(Rp) Ongkos/Unit (Rp)

A

3.500

2.000

1.500

B

5.000

3.000

2.000

C

7.000

4.500

2.500

Distribusi peluang tingkat penjualan dari produk tersebut diperlihatkan dalam tabel sebagai berikut :

Tabel 1.3 Peluang Tingkat Penjualan Produk Tingkat penjualan

Probabilitas

(Unit)

A

0

0

0,1

0,1

100

0

0,2

0,3

200

0,1

0,2

0,3

300

0,1

0,4

0,2

400

0,2

0,1

0,1

500

0,6

0

0

B

C

Jika perusahaan menghendaki hanya satu jenis produk yang akan dipasarkan berdasarkan nilai ekspektasinya, produk mana yang dipilih ?


39 Penjualan

Produk A

0,1

300

0,45

300

0,1

450

0,64

0,2

600

0,78

0,6

760

0,87

100

0,2

200

0,45

200

0,2

400

0,78

300

0,4

600

0,94

400

0,1

800

1

500

0

1.000

0

500

Produk C

Hasil (Rp ribu) Utility

200

400

Produk B

Prob

100

0,3

250

0,31

200

0,3

500

0,64

300

0,2

750

0,83

400

0,1

1.000

0,94

500

0

1.250

0

Gambar 2.7 Pohon keputusan pemilihan produk

Maka dapat dihitung Ekspektasi Utility (EU) dari masing-masing alternatif : Alternatif A : EU A

= (0,1)(0,45) + (0,1)(0,64) + (0,2)(0,78) + (0,6)(0,87) = 0,79

Alternatif B : EU B

= (0,2)(0,45) + (0,2)(0,78) + (0,4)(0,94) + (0,1)(1) = 0,72

Alternatif C : EU C

= (0,3)(0,31) + (0,3)(0,64) + (0,2)(0,83) + (0,1)(0,94) = 0,54

Berdasarkan Ekspektasi Utility ini, dapat diambil keputusan bahwa alternatif yang terbaik adalah alternatif A, karena memberi utility yang paling tinggi diantara ketiga alternatif yang ada.


40 2.5.2 Kurva Utilitas

Kurva

utilitas

diperoleh

berdasarkan

penjajagan

preferensi

pengambil

keputusan,

menggambarkan bagaimana utilitas suatu nilai atau keadaan tertentu bagi pengambil keputusan. Pada umumnya skala utilitas dinyatakan antara 0 dan 1; dimana skala utilitas 1 menyatakan keadaan atau nilai yang paling disukai dan 0 menyatakan keadaan atau nilai yang tidak disukai.

1

Pengghindar Resiko

Netral

Penggemar Resiko

0 Gambar 2.8 Bentuk kurva utility dalam menghadapi resiko

2.6 Sikap Menghadapi Resiko dan Bentuk Kurve Utilitasnya

Sikap seseorang dalam menghadapi suatu persoalan yang mengandung risiko pada dasarnya dapat dibedakan menjadi 3 yaitu : sikap penghindar risiko, sikap penggemar risiko dan netral.

2.6.1 Sikap Penghindar Risiko

Apabila seseorang menetapkan nilai ekivalen tetap (NET) dari suatu kejadian tak pasti lebih rendah dari nilai harapan kejadian tersebut maka ia disebut penghindar resiko.

0,5

0,5

Rp. 1.000.000

0


41

Misalnya lotere di atas menghasilkan nilai harapan Rp.500.000, akan tetapi orang yang penghindar resiko akan bersedia menjualnya pada harga yang lebih rendah dari Rp 500 ribu, misalkan 300 ribu. Penghindar resiko lebih senang memilih hal yang pasti, dia menyadari lebih baik menerima Rp 300 ribu dari pada bermain lotere, meskipun nilai ekspektasi lotere tersebut lebih tinggi. Pada contoh sebelumnya, premi resikonya adalah Rp 200 ribu, premi resiko dapat diartikan sejumlah uang atau besaran lainnya yang rela dilepaskan seorang pengambil keputusan agar dapat menghindarkan resiko yang nampak pada kejadian yang tak pasti. Apabila seseorang bersifat penghindar resiko, premi resikonya akan selalu positif. Semakin besar nilai premi resiko, sifat penghindar resiko akan semakin besar. Kurva utilitinya 1

Premi resiko

0 ET= Rp300 Rp500 Gambar 2.9 Kurva utility penghindar risiko

2.6.2 Sikap Penggemar Risiko

Seseorang yang memiliki sifat penggemar resiko mempunyai sifat yang berlawanan dengan penghindar resiko, NET suatu kejadian tak pasti akan lebih besar dari pada nilai harapan dari kejadian tersebut. 0,5

0,5

Rp. 1.000.000

0

Misalnya lotere diatas mengahasilkan nilai harapan Rp 500 ribu, akan tetapi orang penggemar resiko akan menjual pada harga yang lebih tinggi dari nilai harapan yang diperoleh, misalkan


42 Rp 700 ribu. Maka besarnya premi resiko yaitu – Rp 200 ribu. Bagi penggemar resiko, konsekuensi kehilangan Rp 1 juta tidak akan berbeda dengan kehilangan Rp 500 ribu. Orang yang bersifat pencari resiko memperoleh motivasi oleh kemungkinan untuk memperoleh hadiah besar dalam suatu lotere. Pencari resiko sering disebut “Self-Insured” yaitu mengasuransikan dirinya sendiri, percaya bahwa resiko lebih superior dibandingkan dengan sejumlah uang yang hilang untuk membeli lotere.

Premi resiko

Rp 500

NET Rp 700

Gambar 2.10 Kurva utility penggemar risiko

2.6.3 Sikap netral

Di lain pihak bila seseorang menyatakan bahwa ekuivalen tetap sebuah lotre sama dengan nilai ekspektasinya. Maka dia mempunyai sikap yang netral dalam menghadapi resiko, dalam hal ini premi risikonya adalah 0, dan kurva utilitinya digambarkan sebagai garis lurus. Bagaimana sikap seseorang mnghadapi resiko adalah tergantung pada beberapa hal. Antara lain, sifat dasar orang tersebut, persoalan yang dihadapi, situasi saat ini dan sebagainya. Jadi dalam menghadapi persoalan yang berbeda, orang sama mungkin mempunyai sikap yang berbeda pula, atau persoalan sama tetapi dalam periode waktu yang berbeda akan mungkin memunculkan sikap yang berbeda. Untuk kejadian tak pasti relatif kecil dan berulang, seseorang cenderung untuk bersikap netral. Sebagai contoh, dalam suatu perusahaan kebijakan pengendalian kualitas pada umumnya ditetapkan dengan menggunakan kriteria nilai ekspektasi moneter. Ini menunjukkan adanya sikap netral, dimana ekuivalen tetap akan selalu sama dengan nilai ekspektasi.


43 1

0

Gambar 2.11 Kurva utility sikap netral

2.7 Pohon Keputusan

Pohon keputusan adalah diagram pilihan keputusan dan peluang kejadian yang menyertai keputusan, serta hasil dari hubungan antara pilihan dengan kejadian. Tujuan penggunaan pohon keputusan adalah untuk memudahkan penggambaran situasi keputusan secara sistematik. Pengambilan keputusan adalah saat dimana sepenuhnya dapat dikendalikan dalam mengambil tindakan, sedangkan saat kejadian tidak pasti adalah saat dimana sesuatu diluar kontrol tentang apa yang akan terjadi atau diluar kendali. Pohon keputusan biasanya digunakan notasi/simbol, seperti sebagai berikut : : simbol keputusan : simbol kejadian tidak pasti

Pilihan

Kejadian

Hasil

Gambar 2.12 Contoh penggunaan simbol pada pohon keputusan


44

Didalam pembuatan diagram pohon keputusan seyoginya diperhatikan hal-hal berikut. (supranto, 1941). 1. Tentukan alternatif keputusan (tindakan awal). 2. Tentukan tanggal evaluasi 3. Tentukan kejadian tak pasti yang melingkupi alternatif awal 4. Tentukan keputusan atau tindakan lanjutan 5. Tentukan kejadian tak pasti yang melingkupi alternatif lanjutan 6. Kumpulkan alternatif tindakan dan kejadian pada setiap simpul harus saling meniadakan 7. Gambarkan kejadian-kejadian dan keputusan secara kronologis 8. Dua atau lebih simpul kejadian yang tidak dipisahkan oleh simpul keputusan dapat ditukar urutannya.

Contoh 4 : Sebuah perusahaan akan memilih satu diantara tiga produk baru untuk dipasarkan. Produksi perdana untuk ketiga produk tersebut telah selesai dilakukan, demikian studi mengenai harganya. Dari hasil penelitian pasar, deketahui distribusi kemungkinan tingkat penjualan yang mungkin dicapai ketiga produk tersebut. Datanya sebagai berikut :

Tabel 1.4 Harga produk yang dipasarkan Produk

Harga/ Unit (Rp)

Penerimaan/Unit(Rp) Ongkos/Unit (Rp)

A

3.500

2.000

1.500

B

5.000

3.000

2.000

C

7.000

4.500

2.500

Distribusi peluang tingkat penjualan dari produk tersebut diperlihatkan dalam tabel sebagai berikut :


45 Tabel 1.5 Peluang tingkat penjualan produk Tingkat penjualan

Probabilitas

(Unit)

A

0

0

0,1

0,1

100

0

0,2

0,3

200

0,1

0,2

0,3

300

0,1

0,4

0,2

400

0,2

0,1

0,1

500

0,6

0

0

B

C

Jika perusahaan menghendaki hanya satu jenis produk yang akan dipasarkan berdasarkan nilai ekspektasinya, produk mana yang dipilih ?

Penjualan

Produk A

Produk B

Produk C

Prob

Hasil (Rp ribu)

200

0,1

300

300

0,1

450

400

0,2

600

500

0,6

760

100

0,2

200

200

0,2

400

300

0,4

600

400

0,1

800

500

0

1.000

100

0,3

250

200

0,3

500

300

0,2

750

400

0,1

1.000

500

0

1.250

Gambar 2.13 Pohon keputusan pemilihan produk


46 Perhitungan Nilai Ekspektasi (NE) tiap produk yaitu :

NE A

= (0,1 * 300.000) + (0,1 * 450.000) + (0,2 * 600.000) + (0.6 * 750.000)

NE B

=Rp 645.000 = (0.2 * 200.000) + (0.2 * 400.000) + (0.4 * 600.000) + (0.1 * 800.000) + (0 * 1.000.000)

NE C

= Rp 440.000 = (0.3 * 250.000) + (0.3 * 500.000) + (0.2 * 750.000) + (0.1 * 1.000.000) + (0 * 1.250.000) = Rp 475.000

Dari hasil perhitungan nilai ekspektasi produk A, B, C maka produk yang dipilih adalah produk A karena memiliki nilai ekspektasi yang tertinggi sebesar Rp 645 ribu.

2.8 Nilai Kemungkinan Prior dan Posterior

Pada contoh kasus pada sebelumnya pada contoh 2, dimana pengambil keputusan mempunyai sebelum informasi awal bahwa kemungkinan deposito pada laju pertumbuhan ekonomi meningkat adalah 250. Informasi awal tentang nilai kemungkinan ini disebut nilai kemungkinan prior. Persoalan yang timbul adalah bagaimana pengambil keputusan dapat memperbaiki nilai kemungkinan priornya, setelah dia mendapatkan informasi baru, sehingga pengambil keputusan pada akhirnya bisa mendapatkan nilai kemungkinan yang telah diperbaiki. Nilai kemungkinan akhir ini yang disebut nilai kemungkinan posterior. Dalam hal ini dapat diambil defenisi bahwa : -

Nilai kemungkinan prior adalah nilai kemungkinan sebelum ada tambahan informasi atau dinyatakan sebagai P(D = deposito).

-

Nilai kemungkinan posterior adalah nilai kemungkinan bahwa investasi deposito pada saat laju pertumbuhan ekonomi meningkat atau nilai kemungkinan pada saat ada tambahan informasi dinyatakan sebagai P(D/M).


47 2.8.1 Perhitungan Nilai Kemungkinan Posterior

Untuk dapat menghitung nilai kemungkinan posteriornya, terlebih dahulu diagram kemungkinan untuk situasi akan digambarkan.

P(M=meningkat) Deposito

P(D/M)=0,44

P(T=turun) P(D/T)=0,56 P(M=meningkat) Saham

P(S/M)=0,61 P(T=turun) P(S/T)=0,39)

Gambar 2.14 Diagram pohon keputusan investasi

Nilai kemungkinan prior adalah P(D) = 250; P(S) = 350. Kemudian diketahui bahwa investasi deposito pada saat pertumbuhan ekonomi meningkat adalah 0,44 sebagai nilai posterior. Nilai dari posteriornya adalah P(D/M) dapat diperoleh dengan menggunakan Teorema Bayes. P(M / D )P(M ) P(M / D )P(M ) + P(T / D )P(T ) (250)(0,35) = (250)(0,35) + (175)(0,65) = 0,44

P (D / M ) =

Dapat dilihat bahwa dengan mengetahui nilai informasi awal maka nilai kemungkinan dari 0,35 menjadi 0,44 sebagai nilai kemungkinan posterior.


48 2.9 Pengertian Risiko

Risiko adalah ketidakpastian tentang kejadian di masa depan. Beberapa definisi tentang risiko, sebagai berikut : 1. Risk is the change of loss, risiko diartikan sebagai kemungkinan akan terjadinya kerugian, 2. Risk is the possibility of loss, risiko adalah kemungkinan kerugian, 3. Risk is Uncertainty, risiko adalah ketidakpastian, 4. Risk is the dispersion of actual from expected result, risiko merupakan penyebaran hasil actual dari hasil yang diharapkan, 5. Risk is the probability of any outcome different from the one expected, risiko adalah probabilitas atas sesuatu outcome berbeda dengan outcome yang diharapkan.

Dari beberapa definisi diatas, maka risiko dihubungkan dengan kemungkinan terjadinya akibat buruk (kerugian) yang tak diinginkan atau tidak terduga. Dengan kata lain kemungkinan itu sudah menunjukkan adanya ketidakpastian. Ketidakpastian itu merupakan kondisi yang menyebabkan tumbuhnya risiko. Dan jika dikaji lebih lanjut kondisi yang tidak pasti itu timbul karena berbagai sebab, antara lain; jarak waktu dimulai perencanaan, keterbatasan informasi yang diperlukan, keterbatasan pengetahuan pengambil keputusan dan sebagainya. Konsep lain yang berkaitan dengan risiko adalah Peril, yaitu suatu peristiwa yang dapat menimbulkan terjadinya suatu kerugian, dan Hazard, yaitu keadaandan kondisi yang dapat memperbesar kemungkinan terjadinya suatu kerugian.

Menurut (Darmawi,1992) Hazard terdiri dari beberapa tipe, yaitu : 1. Physical Hazard, suatu kondisi yang bersumber pada karakteristik secara fisik dari obyek yang dapat memperbesar terjadinya kerugian. 2. Moral Hazard, suatu kondisi yang bersumber dari orang yang berkaitan dengan sikap mental, pandangan hidup dan kebiasaan yang dapat memperbesar kemungkinan terjadinya peril. 3. Morale Hazard, suatu kondisi dari orang yang merasa sudah memperoleh jaminan dan menimbulkan kecerobohan sehingga memungkinkan timbulnya peril. 4. Legal Hazard, suatu kondisi pengabaian atas peraturan atau perundangundangan yang bertujuan melindungi masyarakat sehinga memperbesar terjadinya peril.


49 Kejadian sesungguhnya terkadang menyimpang dari perkiraan. Artinya ada kemungkinan penyimpangan yang menguntungkan maupun merugikan. Jika kedua kemungkinan itu ada, maka dikatakan risiko itu bersifat spekulatif. Sebaliknya, lawan dari risiko spekulatif adalah risiko murni, yaitu hanya ada kemungkinan kerugian dan tidak mempunyai kemungkinan keuntungan. Manajer risiko utamanya menangani risiko murni dan tidak menangani risiko spekulatif kecuali jika adanya risiko spekulatif memaksanya untuk menghadapi risiko murni tersebut.Menentukan sumber risiko adalah penting karena mempengaruhi cara penanganannya. Sumber risiko dapat diklasifikasikan sebagai risiko sosial, risiko fisik,dan risiko ekonomi.

Menurut (Darmawi,1992) biaya-biaya yang ditimbulkan karena menanggung risiko atau ketidak-pastian dapat dibagi sebagai berikut: 1. Biaya-biaya dari kerugian yang tidak diharapkan. 2. Biaya-biaya dari ketidakpastian itu sendiri. Pengidentifikasian risiko merupakan proses analisa untuk menemukan secara sistematis dan berkesinambungan atas risiko (kerugian yang potensial) yang dihadapi perusahaan. Karenanya diperlukan checklist untuk pendekatan yang sistematik dalam menentukan kerugian potensial. Salah satu alternatif system pengklasifikasian kerugian dalam suatu checklist adalah; kerugian hak milik (propertylosses), kewajiban mengganti kerugian orang lain (liability losses) dan kerugian personalia (personnel losses). Checklist yang dibangun sebelumnya untuk menemukan risiko dan menjelaskan jenis-jenis kerugian yang dihadapi oleh sesuatu perusahaan. Perusahaan yang sifat operasinya kompleks, berdiversifikasi dan dinamis, maka diperlukan metode yang lebih sistematis untuk mengeksplorasi semua segi. Metode yang dianjurkan adalah; 1. Questioner analisis risiko (risk analysis questionnaire). 2. Metode laporan Keuangan (financial statement method). 3. Metode peta-aliran (flow-chart). 4. Inspeksi langsung pada objek. 5. Interaksi yang terencana dengan bagian-bagian perusahaan. 6. Catatan statistik dari kerugian masa lalu. 7. Analisis lingkungan.


50 Dengan mengamati langsung jalannya operasi, bekerjanya mesin, peralatan,lingkungan kerja, kebiasaan pegawai dan seterusnya, manajer risiko dapat mempelajari kemungkinan tentang hazard. Untuk itu keberhasilannya dalam mengidentifikasi risiko tergantung pada kerjasama yang erat dengan bagian-bagian lain yang terkait dalam perusahaan. Manajer risiko dapat menggunakan tenaga pihak luar untuk proses mengidentifikasikan risiko, yaitu agen asuransi, broker, atau konsultan manajemen risiko. Hal ini tentunya punya kelemahan, dimana mereka membatasi proses hanya pada risiko yang diasuransikan saja. Dalam hal ini diperlukan strategi manajemen untuk menentukan metode atau kombinasi metode yang cocok dengan situasi yang dihadapi.


Aksioma ini menyatakan bahwa jika setiap kejadian pasti untuk terjadi, maka peluang dari kejadian tersebut adalah 1

Recommend Documents