RPS minggu 2 · 2x50 menit

Formulasi Pengambilan Keputusan Analitis dalam Operasi

Manajemen Operasi dan Teknologi — Magister Manajemen FEB UNDIP

Dari payoff table sampai pohon keputusan: kerangka kuantitatif untuk memutuskan kapasitas, proses, dan investasi operasi di bawah ketidakpastian.

Selamat datang di pertemuan kedua. Minggu lalu kita membahas manajemen alur kerja sebagai fondasi berpikir tentang operasi sebagai sistem transformasi input-output; hari ini kita masuk ke alat yang akan Anda pakai berulang kali sepanjang semester ini, yaitu kerangka formal untuk mengambil keputusan operasi ketika informasi tidak lengkap. Sebagai profesional yang sudah bekerja, Anda pasti pernah menghadapi situasi seperti menambah kapasitas pabrik atau memilih teknologi baru tanpa tahu pasti bagaimana permintaan akan bergerak — hari ini kita formalkan intuisi itu menjadi angka yang bisa dipertanggungjawabkan di depan direksi. Saya akan menahan diri untuk tidak mengulang definisi dasar pengambilan keputusan dari S1; fokus kita adalah aplikasi kuantitatif: expected monetary value, nilai informasi, pohon keputusan sekuensial, dan formulasi optimasi linear sederhana. Siapkan kalkulator Anda karena beberapa slide akan meminta Anda menghitung bersama saya, langkah demi langkah.

Sub-CPMK Pertemuan 2

Sub-CPMK A

Struktur Keputusan

Memformulasikan hierarki keputusan operasi (strategis-taktis-operasional) dan mengklasifikasikan kondisi keputusan (certainty, risk, uncertainty).

Sub-CPMK B

EMV & EVPI

Menghitung Expected Monetary Value dan Expected Value of Perfect Information untuk mengevaluasi alternatif di bawah risiko.

Sub-CPMK C

Pohon Keputusan & LP

Menyusun pohon keputusan sekuensial dan formulasi Linear Programming dasar untuk alokasi sumber daya operasi.

Sub-CPMK D

MCDA & Sensitivitas

Menerapkan Multi-Criteria Decision Analysis dan analisis sensitivitas untuk keputusan manajerial multi-kriteria.

Keempat sub-capaian ini dibangun berurutan sebagai satu alur logika. Kita mulai dengan memetakan jenis keputusan operasi dan kondisi ketidakpastiannya, lalu masuk ke alat kuantitatif inti — EMV dan EVPI — yang akan menjawab pertanyaan "berapa nilai maksimal riset pasar sebelum kita berinvestasi". Dari situ kita naik ke pohon keputusan untuk kasus bertahap seperti investasi otomasi gudang, dan formulasi Linear Programming untuk alokasi kapasitas ke beberapa lini produk sekaligus. Terakhir, karena tidak semua keputusan bisa direduksi jadi satu angka rupiah, kita tutup dengan MCDA dan analisis sensitivitas, yang akan sangat relevan ketika Anda membahas manajemen kualitas dan kapasitas pada pertemuan-pertemuan berikutnya. Pastikan Anda membawa kalkulator atau laptop karena beberapa perhitungan akan kita kerjakan bersama secara langsung di kelas.

Bagian 1 dari 3

Kerangka Keputusan Operasi: Hierarki dan Kondisi Ketidakpastian

Diskusi kelas: ketika permintaan pasar tidak pasti, apakah keputusan kapasitas sebaiknya dibuat berdasarkan skenario terburuk, atau berdasarkan ekspektasi rata-rata tertimbang probabilitas?

Hierarki Keputusan Operasi: Strategis, Taktis, Operasional

Setiap keputusan operasi punya horizon waktu dan reversibilitas yang berbeda — menentukan alat analitis mana yang relevan (Slack, Brandon-Jones & Johnston, Operations Management).

Implikasi manajerial: alat kuantitatif hari ini — EMV, pohon keputusan, LP — paling relevan untuk keputusan strategis dan taktis, di mana biaya kesalahan tinggi dan waktu tersedia untuk analisis formal.

Bagian ini sengaja saya percepat karena hierarki strategis-taktis-operasional kemungkinan besar sudah Anda kenal dari S1 atau pengalaman kerja. Yang penting untuk level manajerial adalah menyadari bahwa semakin ke kiri diagram ini, semakin mahal biaya kesalahan dan semakin sulit keputusan dibalik — membangun pabrik baru di Cikarang tidak bisa direvisi minggu depan seperti mengubah jadwal shift. Karena itu, alat analitis berat seperti pohon keputusan dan Linear Programming yang akan kita bahas hari ini paling sering dipakai pada level strategis dan taktis, sementara keputusan operasional harian biasanya memakai aturan heuristik sederhana karena waktu keputusan sangat singkat. Pertanyaan untuk Anda: di level mana sebagian besar keputusan yang Anda ambil sehari-hari di kantor berada, dan apakah alat analitis formal seperti ini benar-benar dipakai di sana?

Tiga Kondisi Pengambilan Keputusan

Klasifikasi klasik (Raiffa, 1968) menentukan alat analitis yang tepat — kesalahan paling umum di lapangan adalah memakai alat "certainty" pada masalah yang sebenarnya "risk".

Certainty

Pasti

Hasil tiap alternatif diketahui persis → optimasi (LP, EOQ)

Risk

Berisiko

Hasil tidak pasti, tapi probabilitas tiap skenario diketahui/diestimasi → EMV, pohon keputusan

Uncertainty

Tak Pasti

Probabilitas skenario tidak diketahui → kriteria maximax/maximin/regret

Mini-Kasus: Keputusan Kapasitas Pabrik Semen

Produsen semen nasional (ilustrasi, mengacu pola industri semen Indonesia) mempertimbangkan menambah satu lini produksi baru senilai investasi besar, sementara permintaan domestik dipengaruhi siklus proyek infrastruktur pemerintah yang fluktuatif.

Pertanyaan keputusan: Apakah manajemen sebaiknya membangun kapasitas besar sekaligus (skala ekonomi, tapi risiko idle capacity jika proyek infrastruktur melambat), atau kapasitas bertahap (lebih fleksibel, tapi kehilangan peluang jika permintaan melonjak)?

Ini bukan pertanyaan definisi — ini pertanyaan trade-off risiko vs skala ekonomi yang akan kita formalkan dengan payoff table dan EMV pada slide berikutnya.

Kasus ini ilustratif namun mencerminkan dilema nyata yang dihadapi produsen semen di Indonesia, yang permintaannya sangat terkait dengan siklus belanja infrastruktur pemerintah dan proyek properti swasta. Coba bayangkan Anda sebagai direktur operasi: jika Anda membangun kapasitas besar dan proyek strategis nasional tertunda karena refocusing anggaran, pabrik Anda akan menanggung biaya tetap besar dengan utilisasi rendah selama bertahun-tahun. Sebaliknya, jika Anda terlalu konservatif dan permintaan justru melonjak karena percepatan proyek jalan tol, kompetitor bisa merebut pangsa pasar lebih dulu. Diskusikan dengan rekan sebelah Anda selama satu menit: informasi tambahan apa yang Anda perlukan sebelum berani memutuskan skala investasi ini? Jawaban Anda akan kita bandingkan dengan pendekatan payoff table formal pada slide berikutnya.

Bagian 2 dari 3

Payoff Table, EMV, dan Nilai Informasi

Diskusi kelas: berapa rupiah maksimal yang rasional dikeluarkan perusahaan Anda untuk riset pasar sebelum memutuskan investasi kapasitas — dan bagaimana Anda membuktikan angka itu ke direksi?

Payoff Table: Empat Kriteria Keputusan Klasik

Payoff table memetakan alternatif x kondisi pasar; kriteria dipilih sesuai apakah probabilitas kondisi diketahui (risk) atau tidak (uncertainty).

Kriteria	Logika Pilihan	Cocok untuk
Maximax	Pilih alternatif dgn hasil terbaik dari skenario terbaiknya (optimis)	Uncertainty, manajer risk-taker
Maximin	Pilih alternatif dgn hasil terburuk paling "tidak buruk" (pesimis/konservatif)	Uncertainty, manajer risk-averse
Minimax Regret	Minimalkan penyesalan maksimum dibanding pilihan terbaik tiap skenario	Uncertainty, hindari kesalahan terburuk
EMV (Expected Monetary Value)	Pilih alternatif dgn ekspektasi tertimbang probabilitas tertinggi	Risk, probabilitas skenario diketahui

Untuk kasus pabrik semen: karena perusahaan punya data historis siklus proyek infrastruktur, ini kondisi risk — EMV adalah kriteria yang tepat, bukan maximax/maximin.

Perhatikan bahwa empat kriteria ini bukan sekadar rumus berbeda, melainkan mencerminkan filosofi risiko manajemen yang berbeda. Maximax cocok untuk manajer yang optimis dan berorientasi peluang, sementara maximin lebih cocok untuk industri dengan konsekuensi kegagalan sangat besar, misalnya keputusan investasi di sektor energi atau pertambangan yang sulit dibalik. Minimax regret menarik karena fokusnya bukan pada hasil absolut, melainkan pada seberapa besar Anda akan menyesal dibanding jika Anda memilih alternatif terbaik untuk skenario yang benar-benar terjadi. Untuk kasus pabrik semen tadi, karena perusahaan biasanya punya data historis pola belanja infrastruktur pemerintah, kita bisa mengestimasi probabilitas permintaan tinggi vs rendah, sehingga EMV menjadi kriteria paling tepat — dan itu yang akan kita hitung bersama pada slide berikutnya.

Hitung dari Nol: Expected Monetary Value (EMV)

Payoff ilustratif keuntungan tahunan (Rp miliar) keputusan kapasitas pabrik semen. P(Permintaan Tinggi)=0,6; P(Permintaan Rendah)=0,4.

Langkah	Perhitungan	Nilai
1. Payoff Kapasitas Besar jika Tinggi	diberikan (payoff table)	Rp100 M
2. Payoff Kapasitas Besar jika Rendah	diberikan (payoff table)	-Rp20 M
3. EMV(Kapasitas Besar)	0,6 x 100 + 0,4 x (-20)	Rp52 M
4. Payoff Kapasitas Kecil (Tinggi/Rendah)	diberikan: Rp40 M / Rp10 M	—
5. EMV(Kapasitas Kecil)	0,6 x 40 + 0,4 x 10	Rp28 M

Keputusan Optimal

Kapasitas Besar

EMV Rp52 M > Rp28 M → pilih meski ada risiko rugi Rp20 M jika permintaan rendah

Mari kita hitung bersama, langkah demi langkah, karena ini adalah perhitungan inti yang akan Anda pakai berulang di dunia kerja. Perhatikan bahwa Kapasitas Besar punya downside risk lebih besar, yaitu kerugian dua puluh miliar rupiah jika permintaan rendah, tapi upside jauh lebih besar yaitu seratus miliar jika permintaan tinggi. Ketika kita bobot dengan probabilitas enam puluh persen tinggi dan empat puluh persen rendah, EMV Kapasitas Besar sebesar lima puluh dua miliar mengalahkan Kapasitas Kecil yang hanya dua puluh delapan miliar. Poin pentingnya untuk Anda sebagai manajer: EMV memilih berdasarkan rata-rata jangka panjang, bukan menghindari risiko kerugian sesekali — jika perusahaan Anda tidak sanggup menanggung kerugian dua puluh miliar dalam skenario terburuk meskipun jarang terjadi, EMV saja tidak cukup dan Anda perlu mempertimbangkan batas toleransi risiko perusahaan secara terpisah.

Pohon Keputusan: Memvisualkan Keputusan Sekuensial

Kotak = titik keputusan (kendali manajer); lingkaran = titik peluang (kendali pasar/eksternal). Berguna saat keputusan bertahap, bukan sekali jalan.

Pohon keputusan cocok saat ada keputusan lanjutan bersyarat (mis. ekspansi tahap 2 hanya jika tahap 1 sukses) — payoff table biasa tidak menangkap sekuensialitas ini.

Diagram ini adalah representasi visual dari perhitungan EMV yang baru saja kita lakukan, tapi kekuatan sebenarnya dari pohon keputusan muncul ketika ada lebih dari satu tahap keputusan. Bayangkan skenario yang lebih realistis: perusahaan semen membangun kapasitas kecil dulu, lalu setelah melihat hasil penjualan tahun pertama, baru memutuskan apakah akan ekspansi tahap dua atau tidak. Payoff table sederhana tidak bisa menangkap logika bersyarat semacam ini, sedangkan pohon keputusan bisa, karena kita bisa menambahkan kotak keputusan baru setelah lingkaran peluang pertama. Kotak D melambangkan titik di mana manajer punya kendali penuh, sedangkan lingkaran C melambangkan titik di mana hasil ditentukan oleh pasar atau faktor eksternal yang di luar kendali manajer — perbedaan ini penting karena menentukan di mana Anda perlu data probabilitas dan di mana Anda perlu penilaian strategis.

Hitung dari Nol: Expected Value of Perfect Information (EVPI)

EVPI = batas atas rasional biaya riset pasar/informasi tambahan sebelum keputusan kapasitas diambil.

Langkah	Perhitungan	Nilai
1. Payoff terbaik jika tahu pasti Tinggi	max(Rp100M, Rp40M)	Rp100 M
2. Payoff terbaik jika tahu pasti Rendah	max(-Rp20M, Rp10M)	Rp10 M
3. Expected Value with Perfect Info (EVwPI)	0,6 x 100 + 0,4 x 10	Rp64 M
4. EMV terbaik tanpa informasi tambahan	dari slide sebelumnya	Rp52 M
5. EVPI = EVwPI - EMV terbaik	64 - 52	Rp12 M

Batas Atas Anggaran Riset

Rp12 Miliar

Membayar riset pasar > Rp12 M/tahun secara ekonomi tidak rasional untuk kasus ini

Perhatikan logika di balik EVwPI pada langkah tiga: ini adalah skenario andaikan Anda punya bola kristal yang selalu benar memprediksi kondisi pasar, sehingga Anda selalu memilih kapasitas yang tepat untuk tiap kondisi — besar saat permintaan tinggi, kecil saat permintaan rendah. Selisih antara nilai ekspektasi dengan informasi sempurna itu dan EMV terbaik yang sudah kita hitung tanpa informasi tambahan, itulah EVPI, yaitu dua belas miliar rupiah. Artinya, jika sebuah lembaga riset pasar menawarkan studi mendalam seharga lima belas miliar rupiah untuk memprediksi permintaan semen tahun depan dengan akurat, secara ekonomi itu tidak rasional dibeli karena melebihi nilai maksimal informasi tersebut. Ini adalah alat yang sangat berguna ketika Anda perlu menjustifikasi ke direksi mengapa anggaran riset pasar dibatasi pada angka tertentu, bukan sekadar berdasarkan negosiasi dengan vendor konsultan.

Coba Sendiri: Bangun Pohon Keputusan Anda Sendiri

Ubah probabilitas kondisi pasar dan payoff tiap cabang, lalu amati bagaimana EMV terbaik dan EVPI ikut bergeser secara otomatis.

Mini-Kasus: Investasi Otomasi Gudang Perusahaan Logistik

Perusahaan ekspedisi nasional (ilustrasi, mengacu pola industri logistik Indonesia seperti JNE/SiCepat) mempertimbangkan investasi sistem sortir otomatis di gudang utama, dengan keputusan bertahap: uji coba satu gudang dulu, baru perluasan nasional.

Pertanyaan keputusan: Apakah struktur keputusan ini cocok dimodelkan sebagai payoff table sederhana, atau memerlukan pohon keputusan dua tahap (uji coba → keputusan perluasan berdasarkan hasil uji coba)?

Karena ada keputusan lanjutan bersyarat pada hasil tahap pertama, kasus ini adalah kandidat ideal pohon keputusan — bukan payoff table satu tahap.

Kasus ini ilustratif tapi mencerminkan pola nyata investasi teknologi bertahap yang umum di industri logistik Indonesia, di mana volume paket melonjak drastis setiap musim belanja daring seperti Harbolnas atau Ramadan. Perusahaan biasanya tidak langsung menggelontorkan investasi otomasi ke seluruh jaringan gudang nasional karena risiko kegagalan teknis atau ketidaksesuaian dengan pola operasi lokal terlalu besar. Sebaliknya, mereka menguji coba di satu gudang, mengamati hasil selama beberapa bulan, baru memutuskan perluasan berdasarkan data nyata — inilah struktur keputusan bersyarat yang persis digambarkan pohon keputusan pada slide sebelumnya. Diskusikan dengan rekan Anda: apa risiko jika perusahaan justru melewatkan tahap uji coba dan langsung melakukan investasi nasional sekaligus, dan bagaimana pohon keputusan bisa membantu mengkuantifikasi risiko tersebut?

Formulasi Linear Programming untuk Alokasi Kapasitas

Ketika keputusan melibatkan alokasi sumber daya terbatas ke beberapa lini produk/proses (kondisi certainty), Linear Programming (LP) memberi solusi optimal formal (Hillier & Lieberman).

Maksimumkan Z = 8X1 + 5X2
s.t. 3X1 + 2X2 ≤ 240 (jam mesin)
X1 + X2 ≤ 100 (kapasitas gudang)
X1, X2 ≥ 0

Konteks: X1 dan X2 = unit produk A dan B; Rp8 juta & Rp5 juta = margin per unit; kendala jam mesin dan kapasitas gudang membatasi kombinasi produksi yang layak.

Formulasi ini kemungkinan besar mengingatkan Anda pada mata kuliah riset operasi di S1, jadi saya tidak akan mengulang metode simpleks secara detail — fokus kita di sini adalah kapan LP relevan dipakai. LP paling cocok ketika Anda berada di kondisi certainty, artinya koefisien margin dan kendala kapasitas diketahui dengan pasti, misalnya alokasi jam mesin ke produksi dua varian produk consumer goods. Yang penting untuk Anda sebagai manajer bukan menghitung solusi optimal secara manual, karena software seperti Excel Solver atau Python PuLP bisa melakukannya dalam hitungan detik, melainkan memformulasikan masalah dengan benar: variabel keputusan apa, fungsi tujuan apa, dan kendala sumber daya apa yang benar-benar membatasi. Kesalahan paling umum di lapangan adalah melewatkan kendala penting, misalnya kapasitas gudang, sehingga solusi optimal di atas kertas ternyata tidak feasible secara operasional.

Hitung dari Nol: Titik Impas Pilihan Proses (Manual vs Semi-Otomatis)

Keputusan proses: mesin semi-otomatis (biaya tetap tinggi, variabel rendah) vs proses manual (biaya tetap rendah, variabel tinggi). Cari volume impas.

Langkah	Perhitungan	Nilai
1. Selisih biaya tetap (semi-otomatis - manual)	Rp2.000.000.000 - Rp200.000.000	Rp1.800.000.000
2. Selisih biaya variabel/unit (manual - semi-otomatis)	Rp45.000 - Rp15.000	Rp30.000
3. Volume impas (Q)	1.800.000.000 / 30.000	60.000 unit
4. Verifikasi total biaya semi-otomatis @Q	2.000.000.000 + 15.000 x 60.000	Rp2.900.000.000
5. Verifikasi total biaya manual @Q	200.000.000 + 45.000 x 60.000	Rp2.900.000.000

Keputusan Proses

Q* = 60.000 unit/tahun

Di atas volume ini → pilih semi-otomatis; di bawahnya → pilih manual

Perhitungan titik impas ini adalah salah satu alat paling praktis yang akan langsung bisa Anda pakai di kantor besok. Logikanya sederhana: mesin semi-otomatis punya biaya tetap besar karena investasi peralatan, tapi biaya variabel per unit rendah karena efisiensi tenaga kerja, sementara proses manual sebaliknya. Pada volume enam puluh ribu unit per tahun, total biaya kedua opsi sama persis, seperti yang kita verifikasi di langkah empat dan lima — dan inilah titik impas yang menentukan keputusan. Jika proyeksi permintaan perusahaan Anda di atas enam puluh ribu unit per tahun, investasi semi-otomatis lebih murah dalam jangka panjang meski butuh modal awal besar; jika di bawah itu, proses manual tetap lebih ekonomis dan investasi otomasi justru merugikan. Inilah mengapa analisis titik impas harus selalu dikombinasikan dengan proyeksi permintaan yang realistis, bukan sekadar keinginan untuk terlihat modern dengan teknologi baru.

Bagian 3 dari 3

Kriteria Multi-Dimensi: MCDA, Sensitivitas, dan Integrasi Kerangka

Diskusi kelas: jika kriteria kualitatif (mis. fleksibilitas) dan kuantitatif (mis. biaya) saling bertentangan dalam sebuah keputusan operasi, bagaimana Anda meyakinkan direksi bahwa skor tertimbang bisa dipercaya?

Sejauh ini semua alat yang kita bahas mereduksi keputusan menjadi satu angka rupiah, tapi banyak keputusan operasi nyata tidak sesederhana itu — kualitas, kecepatan, dan fleksibilitas sering sama pentingnya dengan biaya, dan sulit dikonversi ke rupiah secara langsung. Pertanyaan diskusi ini penting karena direksi sering skeptis terhadap skor tertimbang yang terlihat "dibuat-buat" untuk membenarkan preferensi personal manajer. Bagian ini akan memberi Anda kerangka Multi-Criteria Decision Analysis yang transparan, di mana bobot dan skor bisa dipertanggungjawabkan secara eksplisit, plus analisis sensitivitas untuk menunjukkan seberapa kokoh keputusan tersebut terhadap perubahan asumsi. Di akhir bagian ini kita akan merangkum seluruh kerangka pertemuan hari ini menjadi satu peta keputusan yang bisa Anda bawa pulang dan pakai langsung.

Multi-Criteria Decision Analysis: Skor Tertimbang

Saat kriteria tidak bisa direduksi ke rupiah (biaya, kecepatan, kualitas, fleksibilitas), gunakan skor tertimbang dengan bobot eksplisit (adaptasi AHP, Saaty 1980) untuk pilihan teknologi otomasi gudang.

Kriteria (bobot)	Otomasi Penuh (skor 1-10)	Semi-Otomatis (skor 1-10)
Biaya (30%)	6	7
Kecepatan (25%)	9	7
Kualitas (25%)	8	7
Fleksibilitas (20%)	5	7

Skor tertimbang: Otomasi Penuh = 0,3(6)+0,25(9)+0,25(8)+0,2(5) = 7,05; Semi-Otomatis = 0,3(7)+0,25(7)+0,25(7)+0,2(7) = 7,00. Selisih tipis → keputusan sensitif terhadap bobot.

Perhatikan bahwa selisih skor akhir antara kedua opsi ini sangat tipis, hanya 0,05 poin, dan inilah yang membuat MCDA berbeda dari EMV — hasilnya mengundang pertanyaan lanjutan, bukan menutup diskusi. Kekuatan MCDA terletak pada transparansi: setiap anggota direksi bisa melihat persis dari mana bobot 30 persen untuk biaya berasal, dan bisa berdebat secara spesifik jika mereka merasa fleksibilitas seharusnya diberi bobot lebih tinggi. Bandingkan ini dengan keputusan yang dibuat secara intuitif tanpa kerangka eksplisit, di mana preferensi personal manajer sulit dipertanggungjawabkan secara objektif. Karena selisih skor di sini sangat tipis, langkah wajib berikutnya adalah analisis sensitivitas — mengecek apakah keputusan berubah jika bobot digeser sedikit, yang akan kita bahas di slide berikutnya.

Analisis Sensitivitas: Seberapa Kokoh Keputusan Anda?

Ketika selisih skor/EMV tipis, uji seberapa besar asumsi harus berubah sebelum keputusan optimal berbalik — ini yang membedakan analis junior dari manajer senior.

Skenario 1: Geser Bobot Fleksibilitas

Jika bobot fleksibilitas naik dari 20% ke 30% (kompensasi turun dari kecepatan)
Semi-Otomatis unggul → keputusan BERBALIK

Skenario 2: Geser Probabilitas Permintaan (EMV)

Jika P(Tinggi) turun dari 0,6 ke 0,45 pada kasus pabrik semen
EMV(Besar) = 0,45(100)+0,55(-20) = Rp34 M — masih > Kecil (Rp23,5 M), keputusan STABIL

Keputusan yang robust (tahan terhadap pergeseran asumsi wajar) lebih layak dipresentasikan ke direksi daripada keputusan dengan selisih tipis dan sensitif.

Analisis sensitivitas ini adalah langkah yang paling sering dilewatkan oleh analis junior, padahal justru inilah yang membedakan rekomendasi yang meyakinkan dari yang rapuh. Pada skenario pertama, kita melihat bahwa keputusan MCDA otomasi gudang sangat sensitif — pergeseran bobot yang wajar saja sudah cukup membalik keputusan, artinya Anda perlu ekstra hati-hati dan mungkin mengumpulkan data tambahan sebelum merekomendasikan opsi tertentu ke direksi. Sebaliknya pada skenario kedua, keputusan kapasitas pabrik semen tetap stabil meski probabilitas permintaan tinggi turun signifikan dari 60 persen menjadi 45 persen, yang menunjukkan keputusan tersebut robust terhadap ketidakpastian estimasi probabilitas. Ketika Anda mempresentasikan rekomendasi keputusan operasi di kantor, selalu sertakan hasil uji sensitivitas semacam ini — direksi yang berpengalaman akan selalu bertanya "bagaimana jika asumsinya salah", dan Anda perlu jawaban siap sebelum ditanya.

Rubrik: Memilih Alat Analitis Sesuai Kondisi Keputusan

Kondisi/Situasi	Alat yang Tepat	Contoh Kasus Hari Ini
Certainty, satu tahap, sumber daya terbatas	Linear Programming	Alokasi jam mesin ke produk A/B
Risk, probabilitas diketahui, satu tahap	Payoff table + EMV	Keputusan kapasitas pabrik semen
Risk, keputusan bertahap/bersyarat	Pohon keputusan + EVPI	Investasi otomasi gudang bertahap
Kriteria kualitatif & kuantitatif campuran	MCDA + analisis sensitivitas	Pilihan teknologi otomasi vs semi-otomatis
Perbandingan dua opsi biaya tetap/variabel	Analisis titik impas (break-even)	Proses manual vs semi-otomatis

Rubrik ini adalah ringkasan praktis yang saya sarankan Anda simpan dan bawa ke tempat kerja, karena tantangan terbesar bukan menghitung EMV atau menyusun pohon keputusan, melainkan mengenali situasi mana yang membutuhkan alat mana. Kesalahan paling umum yang saya lihat di kelas maupun di lapangan adalah menggunakan Linear Programming untuk masalah yang sebenarnya penuh ketidakpastian, atau sebaliknya menggunakan intuisi kualitatif untuk masalah yang sebenarnya bisa dan seharusnya dihitung secara presisi. Perhatikan bahwa banyak keputusan operasi nyata sebenarnya membutuhkan kombinasi beberapa alat sekaligus, seperti kasus otomasi gudang yang kita bahas — mula-mula MCDA untuk menyaring opsi teknologi, lalu pohon keputusan untuk struktur bertahap uji coba-perluasan. Pada pertemuan berikutnya tentang manajemen jasa dan teori antrian, Anda akan melihat bahwa kerangka keputusan hari ini menjadi fondasi untuk mengevaluasi trade-off kapasitas layanan vs waktu tunggu pelanggan.

Kerangka Terintegrasi: Dari Kondisi ke Keputusan

Kerangka lima langkah ini berlaku untuk semua topik operasi di sisa semester — kualitas, persediaan, revenue management, dan kapasitas semuanya adalah kasus khusus dari alur ini.

Diagram ini merangkum seluruh pertemuan hari ini menjadi satu alur berpikir lima langkah yang saya harap benar-benar melekat, bukan sekadar dihafal untuk ujian. Setiap kali Anda menghadapi keputusan operasi di kantor, mulailah dengan bertanya kondisi apa yang dihadapi — certainty, risk, atau uncertainty, satu tahap atau bertahap — baru kemudian pilih alat yang sesuai dari rubrik yang kita bahas sebelumnya. Setelah menghitung, jangan berhenti di angka pertama; selalu uji sensitivitas untuk memastikan rekomendasi Anda cukup kokoh sebelum dipresentasikan ke atasan. Kerangka ini bukan hanya untuk topik hari ini, karena pada pertemuan-pertemuan berikutnya tentang manajemen kualitas, persediaan, revenue management, dan kapasitas, Anda akan menemukan bahwa semua topik tersebut pada dasarnya adalah aplikasi khusus dari kerangka lima langkah yang sama ini.

Latihan Sebelum Pertemuan 3

Siapkan satu payoff table dari pengalaman kerja/organisasi Anda sendiri (nyata atau ilustrasi wajar), lalu hitung EMV dan EVPI-nya.

Instruksi Tugas

Identifikasi satu keputusan operasi berisiko di tempat kerja Anda (kapasitas, proses, atau investasi teknologi).
Susun payoff table dengan minimal 2 alternatif x 2 kondisi pasar, lengkap dengan estimasi probabilitas.
Hitung EMV tiap alternatif dan EVPI, lalu simpulkan keputusan optimal dalam maksimal setengah halaman.
Bawa hasilnya ke Pertemuan 3 untuk didiskusikan singkat sebelum masuk topik manajemen jasa dan teori antrian.

Tujuan latihan: memastikan Anda bisa mengaplikasikan EMV/EVPI pada konteks pekerjaan Anda sendiri, bukan hanya kasus ilustrasi di kelas.

Latihan ini dirancang agar kerangka yang kita bahas hari ini benar-benar melekat karena Anda menerapkannya pada konteks pekerjaan Anda sendiri, bukan sekadar kasus ilustrasi dari slide. Pilih keputusan yang benar-benar relevan, misalnya keputusan menambah kapasitas gudang, membeli mesin baru, atau memilih vendor teknologi, dan jangan khawatir jika data probabilitas Anda bersifat estimasi kasar — bagian penting dari latihan ini adalah proses berpikir terstruktur, bukan presisi angka. Pada awal Pertemuan 3 kita akan meminta beberapa dari Anda berbagi hasil singkat, jadi pastikan Anda datang dengan payoff table dan perhitungan EMV/EVPI yang sudah jadi. Latihan ini juga menjadi fondasi penting karena Pertemuan 3 tentang manajemen jasa dan teori antrian akan meminta Anda menghitung trade-off serupa antara biaya kapasitas layanan dan biaya waktu tunggu pelanggan, jadi kerangka berpikir hari ini akan langsung terpakai kembali.

📖 Baca juga: Sensitivity Scenario Analysis — penjelasan mendalam dan contoh numerik.