Anda di halaman 1dari 8

Nama : Heri Septianus Tarigan (1313105026)

Advendos D.C. Sigalingging (1314105020)


Sigit Budiantono (1314105056)

Proses Stokastik
Proses Stokastik (Stochastic Process) adalah himpunan variabel random
yang merupakan fungsi dari waktu (time). Parameter waktu diartikan dalam arti
luas. Proses stokastik sering juga disebut Proses random (Random Process).
Oxford Dictionary (1993) menafsirkan proses stokastik sebagai suatu barisan
kejadian yang memenuhi hukum-hukum peluang. Hull (1989, hlm.62)
menyatakan bahwa setiap nilai yang berubah terhadap waktu dengan cara yang
tidak tertentu (dalam ketidakpastian) dikatakan mengikuti proses stokastik.
Dengan demikian, jika dari pengalaman yang lalu keadaan yang akan datang suatu
barisan kejadian dapat diramalkan secara pasti, maka barisan kejadian itu
dinamakan deterministik. Sebaliknya jika pengalaman yang lalu hanya dapat
menyajikan struktur peluang keadaan yang akan datang, maka barisan kejadian
yang
demikian
disebut
stokastik.
Proses stokastik banyak digunakan untuk memodelkan evolusi suatu
sistem yang mengandung suatu ketidakpastian atau sistem yang dijalankan pada
suatu lingkungan yang tak dapat diduga, dimana model deterministik tidak lagi
cocok dipakai untuk menelisik (menganalisis) sistem.
Contoh:
1. Variabel random xn menyatakan hasil lemparan ke-n, n>1. Maka
{x n , n 1} merupakan himpunan variabel random, untuk n yang berbeda

akan didapat variabel random yang berbeda xn . Ini membentuk proses


stokastik.
2. Seandainya Yn =banyaknya enam yang tampak dalam n lemparan
pertama. Tiap nilai n akan menghasilkan variabel random Yn yang berbeda
yaitu Y1 = {0,1}, Y2 = {0,1,2}, Y3 = {0,1,2,3} dan seterusnya. Jadi, {Yn ,
n>1} merupakan himpunan variabel random. Ini juga merupakan proses
stokastik.
3. Terdapat r buah kotak, tersedia bola sebanyak tak terhingga. Bola
dimasukkan ke dalam kotak secara acak. Jika Xn menyatakan banyaknya
kotak yang terisi bolas setelah lemparan ke-n. Maka {Xn,n1} merupakan
proses stokastik. Atau seandainya Yn menyatakan banyaknya bola yang
masuk pada kotak no. 4 setelah lemparan ke-n. Disini, {Y n, n1} juga
merupakan proses stokastik.
Contoh:
Diskrit-Diskrit
Xn : Banyak mobil yang masuk jembatan Suramadu pada hari ke-n.
State space : Banyak mobil { Xn , n > 0}
Parameter space : waktu ( diskrit )
Xn : Banyak HP yang dimiliki pada suatu keluarga pada tahun ke-n.

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)

State space : Banyak HP { Xn , n > 0}


Parameter space : waktu ( diskrit )
Xn : Jumlah mahasiswa yang tinggal di asrama ITS pada tahun ke-n.
State space : Banyak mahasiswa { Xn , n > 0}
Parameter space : waktu ( diskrit )
Xn : Banyak laptop yang terjual di toko elektronik pada hari ke-n.
State space : Banyak laptop { Xn , n > 0}
Parameter space : waktu ( diskrit )
Xn : Banyak buku yang ada di perpustakaan ITS pada tahun ke-n.
State space : Banyak buku { Xn , n > 0}
Parameter space : waktu ( diskrit )
Diskrit-kontinu
Xt : Banyak nasabah bank BNI yang dilayani pada waktu ke -t .
State space : Banyak nasabah { Xt , t > 0}
Parameter space : waktu (kontinu )
Xt : Banyak pengunjung WBL yang menggunakan wahana jet couster pada
waktu ke t.
State space : Banyak pengunjung WBL { Xt , t > 0}
Parameter space : waktu (kontinu )
Xt : Banyak motor yang masuk parkir hi-tech mall pada waktu ke-t.
State space : Banyak motor { Xt , t > 0}
Parameter space : waktu (kontinu )
Xt : Banyak kendaraan yang dilayani pada SPBU Kertajaya pada waktu ke t.
State space : Banyak motor { Xt , t > 0}
Parameter space : waktu (kontinu )
Xt : Ukuran sepatu anak SD saat waktu ke-t.
State space : ukuran sepatu { Xt , t > 0}
Parameter space : waktu (kontinu )
Kontinu-Diskrit
Xt : Getaran ( skala richter ) Gunung Merapi saat meletus pada menit ke-n.
State space : Getaran ( skala richter ) { Xt , t > 0}
Parameter space : waktu ( diskrit )
Xt : Tinggi ombak air laut di selat Madura pada hari ke n.
State space : Tinggi ombak air laut { Xt , t > 0}
Parameter space : waktu ( diskrit )
Xt : Kecepatan pembalap F1 pada lab ke-n.
State space : Kecepatan { Xt , t > 0}
Parameter space : waktu ( diskrit )
Xt : Besar tagihan listrik suatu rumah pada bulan ke-n.
State space : Besar tagihan listrik { Xt , t > 0}
Parameter space : waktu ( diskrit )
Xt : Ketinggian air pada waduk sidoarjo pada hari ke n.
State space : Ketinggian air { Xt , t > 0}
Parameter space : waktu ( diskrit )

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)

Kontinu-Kontinu
Xt : Besar tegangan listrik PLN pada waktu ke-t.
State space : tegangan listrik { Xt , t > 0}
Parameter space : waktu ( kontinu )
Xt : Kecepatan angin di pantai kenjeran pada waktu ke-t.
State space : Kecepatan angin { Xt , t > 0}
Parameter space : waktu ( kontinu )
Xt : Intensitas cahaya matahari di Surabaya pada waktu ke-t.
State space : Intensitas cahaya { Xt , t > 0}
Parameter space : waktu ( kontinu )
Xt : Kadar polusi udara di Surabaya pada waktu ke-t.
State space : Kadar polusi { Xt , t > 0}
Parameter space : waktu ( kontinu )
Xt : Debit air pada sungai berantas pada waktu ke-t.
State space : Debit air { Xt , t > 0}
Parameter space : waktu ( kontinu )

RANTAI MARKOV DISKRIT


Rantai Markov diskrit adalah suatu proses stokastik dengan state space
diskrit dan parameter space (waktu proses) disktit. Dalam rantai Markov (sifat
Markov) probabilitas suatu state pada waktu ke (n+1) hany tergantung pada
kondisi stete pada waktu ke-n dan tidak tergantung pada kondisi-kondisi dari
waktu-waktu sebelumnya. Suatu proses stokastik { Xn , n > 0} dengan state space
S = {0, 1, 2, 3,} disebut Rantai Markov Diskrit (RMD) jika untuk semua I dan j
dalam s.
P ( X n 1 j | X n i, X n 1 ,..., X 0 ) P ( X n 1 j / X n i )

(1.1)

Suatu RMD disebut homogeny terhadap waktu jika untuk semua n = 0, 1, 2,


P ( X n 1 j | X n i ) P ( X 1 j / X n i )

(1.2)

Perhatikan bahwa persamaan 1.1 memiliki arti bahwa probabilitas suatu


kejadian pada langkah ke (n+1) hanya tergantung pada kejadian ke-n atau satu
langkah sebelumnya dan tidak tergantung pada langkah-langkah sebelumnya.
P ( X n 1 j | X n i ) disebut probabilitas transisi satu langkah dari RMD pada
waktu n. Persamaan 1.2 mempunyai arti bahwa probabilitas satu langkah
tergantung pada state I dan j dan tidak tergantung pada waktu dimana proses
terjadi (waktu yang homogen). Dalam tugas ini hanya dibahas RMD yang
homogen dengan statet space S berhingga, S = {1, 2, , N). Untuk probabilitas
transisi satu langkah yang bersifat homogeny dapat di tulis :

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)
Pij P ( X n 1 j | X n i ); i, j 1,2,..., N

(1.3)

Matriks Stokastiknya ditulis sebagai:

p11
p
21

p N1

p12

p13

...

p 22

p 23

...

pN3

...

pN 2

p1N
p 2 N

(1.4)

p NN

Selanjutnya akan dib erikan dua karakteristik penting dari matriks


stokastik dengan teorema berikut:
Teorema 1 (Sifat-sifat Matriks Stokastik)
Misal P ( pij ) adalah matriks stokastik berukuran N x N dari suatu RMD { X n , n
> 0} dengan state space S = {0, 1, 2, 3,, N}, maka:
1.

p ij 0,1 i, j N
N

2.

p
j 1

ij

1;1 i N

Bukti: pij non negatif merupakan akibat langsung dari probabilitas bersyarat.
Untuk membuktikan yang kedua sebagai berikut:
N

p
j 1

ij

P ( X n 1 j | X n i )
j 1

P( X n 1 S | X n i )

(1.5)
Karena X n 1 pasti mengambil nilai tertentu dalam S, tidak tergantung
pada nilai Xn. Maka, nilai probabilitasnya adalah 1 (satu).
Contoh:
1. Diketahui sebuah matriks P dimana {Xn, n0} yang merupaka RMD dengan
state space {1,2,3} sebagai berikut.
0.10
P 0.25
0.4

0.6
0.55
0.4

0.3
0.2
0.2

a. Apakah matriks P mempunyai distribusi limit? Tentukan & intepretasikan.


b. Jika pada awalnya prsoes berada di state 1, hitung probabilitas proses di
state 3 pada periode keempat.
Jawaban
a.
1

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)

Berdasarkan gambar di atas diketahui bahwa setiap state terhubung dengan


dirinya sendiri dan state yang lain sehingga dapat di simpulkan bahwa
matriks P memilki distribusi limit dan tunggal.
b. Bermula proses berada di state 1, mencari peluang di state 3 periode 4.
0.10
P 0.25
0.4

P 2

P
3

0.3
0.55 0.2
0.4
0.2
0.10 0.6
0.3
0.3
0.10 0.6
0.25 0.55 0.2 0.25 0.55 0.2
0.4
0.4
0.4 0.2
0.4 0.2
0.2800 0.5100 0.2100
0.10 0.6

0.2425 0.5325 0.2250 0.25 0.55


0.4
0.2200 0.5400 0.2400
0.4
0.239500 0.532500 0.22800
0.10

0.247375 0.528375 0.22425 0.25


0.253000 0.525000 0.22200
0.4
0.6

0.248275
P 0.246531
0.245350
4

0.527775
0.528371
0.529350

0.2800
0.2425

0.2200

0.5100
0.5325
0.5400

0.2100
0.2250
0.2400

0.3
0.239500 0.532500 0.22800

0.2 0.247375 0.528375 0.22425


0.253000 0.525000 0.22200
0.2
0.6 0.3
0.248275 0.527775 0.223

0.55 0.2 0.246531 0.528371 0.224


0.4 0.2
0.245350 0.529350 0.225
0.223950
0.224738
0.225300

Sehingga peluang P4 = P (Xn+1=4|Xn=3) = 0.225300


2. Tiga Perusahaan detergen terkenal di suatu daerah ingin melakukan
pengamata terhadap perpindahan pelanggan dari waktu ke waktu.
Pengamat melakukan penelitian setiap 1 bulan sekali diketahui jumlah
pelangga yang masuk dan keluar dalam 2 bulan terakhir.
Banyak Pelanggan
1 Januari
1 Februari
200
240
250
235
300
275

Perusahaan
1
2
3

Perusahaan

1 Januari

1
2
3

200
250
300

Perusahaan

1 Januari

Perpindahan Pelanggan
Masuk
Keluar
50
10
10
25
5
30

Masuk
2
3

Keluar
2
3

1 Februari
240
235
275

1 Februari

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)

1
2
3

200
250
300

0
5
5

25
0
0

25
5
0

0
25
25

5
0
5

5
0
0

240
235
275

a.
Jelaskan State Space & Parameter Space dari data perpindahan
pelanggan tersebut!
b.
Apakah sifat markov berlaku pada proses ini dan susun matriks
probabilitas pada bulan januari!
c.
Jika pada bulan januari pelanggan memakai detergen dari
perusahaan 1 maka hitung probabilitas pelanggan memakai detergen dari
perusahaan 3 pada bulan maret!
Jawaban
a. State space adalah perusahaan detergen dimana setiap perusahaan diberi
indeks 1 sampai indeks 3. Parameter space space adalah setiap bulan
karena data perpindahan pelanggan di hitung setiap bulan.
b. Sifat markov berlaku karena di asumsikan pelanggan menggunakan
detergen dari perusahaan tertentu dipengaruhi oleh bulan ke (n+1).
Melihat dari table perpindahan pelanggan dapat di cari probabilitas setiap
pelanggan berpindah detergen.
Misal pelanggan untuk perusahaan 1 pada awal bulan januari probabilitas
yang masih bertahan samapai bulan februari adalah

200 10
0.95
200

Untuk pelanggan perusahaan 1 pada awal januari probabilitas yang


berpindah ke perusahaan 2 pada bulan februari adalah

5
0.025 dst.
200

Menggunakan cara yang sama sehingga di peroleh probabilitas sebagai


berikut.
Probabilitas Nilai
P11
0.95
P12
0.025
P13
0.025
P21
0.1
P22
0.9
P23
0.0
P31
0.084
P32
0.016
P33
0.9
Sehingga apabila dibentuk matriks sebagai berikut
0.95
P 0.1
0.084

0.025

0.025

0.9
0.0164

0.0
0.9

c. Menghitung probabilitas pelanggan yang berpindah dari perusahaan 1 ke


perusahaan 3 pada bulan maret.
Dimana P2 = P (Xn+1=2|Xn=3)

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)
0.95
0 .1
0.084

P 2

0.025
0 .9
0.0164

0.025
0.95
0.0 0.1
0.084
0.9

0.9071
P 0.1850
0.1570
2

0.04665
0.81250
0.03090

0.025

0.025

0.04665

0.0462

0 .9
0.0164

0 .0
0 .9

0.9071
0.1850

0.1570

0.81250
0.03090

0.0025
0.8121

0.04625

0.00250
0.81210

Sehingga dari hasil perhitungan probabilitas di atas diketahui bahwa


probabilitas pelanggan berpindah ke perusahaan 3 pada bulan maret adalah
0.04625
3. Sebuah toko menjual handycam dimana took tersebut memesan di agen
resmi penjualan merk tersebut. Toko tersebut menerapkan system inventori
(s,S) yaitu jika pada suatu minggu tertentu jumlah handycam di toko
kurang dari 1 (s<1) maka toko memesan 4 handycam dari distributor (S=4)
pada akhir minggu tersebut. Jika s 2 maka tidak ada pemesanan ke
distributor.
a. Apakah jumlah handycam di toko sesuai dengan RMD?
b. Jelaskan state space dan parameter spacenya?
c. Dapatkan matriks stokastiknya sesuai dengan distribusi poisson.
Jawaban
a. Jumlah handycam pada minggu ke-(n+1) hanya di pengaruhi oleh
jumlah handycam pada minggu sebelumnya atau ke-n dan tidak
tergantung pada jumlah handycam minggu-minggu sebelumnya.
b. State spacenya adalah jumlah handycam yang berada di toko tersebut
{0,1,2,3,4} dan parameter space adalah waktu pemesanan handycam
tersebut yaitu dalam mingguan.
c. Distribusi poisson P x

e x
, x 0,1,2,...,
x!

Dari pengamatan dalam beberapa minggu diketahui bahwa demand


handy cam tersebut adalah 1 buah. Sehingga probablitas demand ()
dapat dihitung sebagai berikut.
P00 P X n 1 0 | X n 0 P Dn 4 1 P Dn 3

1 P Dn 0 P Dn 1 P Dn 2 P Dn 3
e 110 e 111 e 112 e 113

0.01905
1!
2!
3!
0!

Nama : Heri Septianus Tarigan (1313105026)


Advendos D.C. Sigalingging (1314105020)
Sigit Budiantono (1314105056)

P10 P X n 1 0 | X n 1 P Dn 1

1 P Dn 0

e 110
0.63213
0!

Sehingga di peroleh matriks stokastiknya sebagai barikut


0.01905
0.63213

P 0.26426

0.08036
0.01905

0.06131
0.36787
0.36787
0.1839
0.06131

0.1839
0
0.36787
0.36787
0.1839

0.36787
0
0
0.36787
0.36787

0.36787

0.36787