TUGAS

PENELITIAN OPERASIONAL TAMBANG

(RANTAI MAKROV)

KELOMPOK VI
JONI PRADINATA 1203135
CALVIN MAHARZA 1202089
RIZQIA ZAHARA PUTRI 1203136

JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS TEKNIK
UNIVERSITAS NEGERI PADANG
PADANG
2015

KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Kuasa atas segala limpahan Rahmat-Nya,
sehingga saya dapat menyelesaikan penyusunan makalah ini dalam bentuk maupun isinya yang
sangat sederhana. Semoga makalah ini dapat dipergunakan sebagai salah satu acuan, petunjuk
maupun pedoman bagi pembaca dalam pemahaman mahasiswa tentangRANTAI
MARKOV(Markov Chains) dan pembuatan makalah ini bertujuan untuk menyelesaikan tugas
Penelitian Operasional Tambang.
Harapan saya semoga makalah ini membantu menambah pengetahuan dan pengalaman
bagi para pembaca, sehingga saya dapat memperbaiki bentuk maupun isi makalah ini sehingga
kedepannya dapat lebih baik.
Makalah ini saya akui masih banyak kekurangan karena pengalaman yang saya miliki
sangat kurang.Oleh kerena itu saya harapkan kepada para pembaca untuk memberikan masukanmasukan yang bersifat membangun untuk kesempurnaan makalah ini.

Padang, 25 Mei 2015

Penyusun

PENDAHULUAN
Model Proses Markov dikembangkan oleh seorang ahli Rusia bernama A.A. Markov, pada
tahun 1906. Rantai Markov (Markov Chains) adalah suatu teknik matematika yang biasa
digunakan untuk melakukan pembuatan model (modelling) bermacam macam sistem dan
proses bisnis. Teknik ini dapat digunakan untuk memperkirakan perubahan perubahan diwaktu
yang akan datang dalam variabel variabel dinamis atas dasar perubahan perubahan dari
variabel variabel dinamis tersebut di waktu yang lalu. Teknik ini dapat juga digunakan untuk
menganalisa kejadian kejadian di waktu waktu mendatang secara sistematis.
Penerapan Proses Markov mula mula adalah pada ilmu ilmu pengetahuan fisik dan
meteorologi. Teknik ini mula mula digunakan untuk menganalisa dan memperkirakan perilaku
partikel pertikel gas dalam suatu wadah (container) tertutup serta meramal keadaan cuaca.
Sebagai suatu peralatan riset operasi dalam pengambilam keputusan manajerial. Proses Markov
telah banyak diterapkan untuk menganalisa tentang perpindahan merek (brands witching) dalam
pemasaran, perhitungan rekening rekening, jasa jasa persewaan mobil, perencanaan
penjualan, masalah masalah persediaan, pemeliharaan mesin, antrian, perubahan harga pasar
saham, dan administrasi rumah sakit. Semuanya ini hanya beberapa contoh aplikasi yang banyak
dijumpai sekarang.
Proses stokastik X(t) adalah aturan untuk menentukan fungsi X(t, x) untuk setiap . Jadi
proses stokastik adalah keluarga fungsi waktu yang tergantung pada parameter atau secara
ekivalen fungsi t dan . X(t) adalah proses keadaan diskret bila harga-harganya bulat. Bila tidak
demikian X(t) adalah proses kontinu. Pada tahun 1906, A.A. Markov seorang ahli matematika
dari Rusia yang merupakan murid Chebysev mengemukakan teori ketergantungan variabel acak
proses acak yang dikenal dengan proses Markov. Proses Markov adalah proses stokastik masa
lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang diketahui.
Untuk dapat menerapkan analisa rantai Markov kedalam suatu kasus, ada beberapa syarat
yang harus dipenuhi :
1. Jumlah probabilitas transisi untuk suatu keadaan awal dari system sama dengan 1.
2. Probabilitas-probabilitas tersebut berlaku untuk semua partisipan dalam system.

3. Probabilitas transisi konstan sepanjang waktu.

4. Kondisi merupakan kondisi yang independent sepanjang waktu.
Dalam realita, penerapan analisa Markov bias dibilang cukup terbatas karena sulit
menemukan masalah yang memenuhi semua sifat yang diperlukan untuk analisa Markov,
terutama persyaratan bahwa probabilitas transisi harus konstan sepanjang waktu ( probabilitas
transisi adalah probabilitas yang terjadi dalam pergerakan perpindahan kondisi dalam system ).
Penerapan Proses Markov mula mula adalah pada ilmu ilmu pengetahuan fisik dan
meteorologi. Teknik ini mula mula digunakan untuk menganalisa dan memperkirakan perilaku
partikel pertikel gas dalam suatu wadah (container) tertutup serta meramal keadaan cuaca.
Sebagai suatu peralatan riset operasi dalam pengambilam keputusan manajerial. Proses Markov
telah banyak diterapkan untuk menganalisa tentang perpindahan merek (brands witching) dalam
pemasaran, perhitungan rekening rekening, jasa jasa persewaan mobil, perencanaan
penjualan, masalah masalah persediaan, pemeliharaan mesin, antrian, perubahan harga pasar
saham, dan administrasi rumah sakit. Semuanya ini hanya beberapa contoh aplikasi yang banyak
dijumpai sekarang.Proses stokastik X(t) adalah aturan untuk menentukan fungsi X(t, x) untuk
setiap . Jadi proses stokastik adalah keluarga fungsi waktu yang tergantung pada parameter atau
secara ekivalen fungsi t dan . X(t) adalah proses keadaan diskret bila harga-harganya bulat. Bila
tidak demikian X(t) adalah proses kontinu. Pada tahun 1906, A.A. Markov seorang ahli
matematika dari Rusia yang merupakan murid Chebysev mengemukakan teori ketergantungan
variabel acak proses acak yang dikenal dengan proses Markov.

DEFINISI

Model Rantai Markov

Ada beberapa prosedur dalam model rantai markov, antara lain :

1. Menyusun Matriks Probabilitas Transisi.

Untuk menggambarkan proses markov, akan disajikan suatu contoh masalah tentang
kegiatan kegiatan pemilihan merek dan peramalan probabilitas transisi yang kemungkinan
dilakukan para konsumen, yaitu pergantian dari satu merek ke merek lain. Anggapan bahwa
sampel konsumen terdiri dari kombinasi 1000 responden yang tersebar pada 4 merek : A, B, C,
D. Anggapan selanjutnya adalah bahwa sampel tersebut telah mewakili keseluruhan kelompok
dalam kesetiaannya terhadap suatu merek dan pola pergantian dari satu merek ke merek lain.
Konsumen berpindah dari satu merek ke merek lain dapat karena pengiklanan, promosi khusus,
harga, ketidakpuasan, dan lain sebagainya.
Tabel 2.1 Pertukaran pertukaran pelanggan untuk satu tahun
Merek
A
B
C
D

Periode

pertama

Perubahan selama periode

jumlah pelanggan

Mendapatkan

220
300
230
250
1000

50
60
25
40
175

Kehilangan
45
70
25
35
175

Periode

kedua

jumlah
pelanggan
225
290
230
255
1000

Sebelum membicarakan komponen yang tidak berpindah (switching component),

perhatian dipusatkan pada hard core component atau kelompok yang tidak berpindah merek.
Ini memerlukan perhitungan Probabilitas Transisi untuk keempat merek. Probabilitas Transisi
didifinisikan sebagai probabilitas suatu merek tertentu (penjual) akan tetap menguasai para
pelanggannya.
Dari tabel diatas diuraikan pula, selain informasi tentang jumlah kehilangan ke merek
para pesaing juga informasi jumlah mendapatkan langganan dari merek merek saingan.

Meskipun kita memiliki informasi pola perpindahan merek langganan dalam tabel, tetapi tidak
ada perubahan dalam jumlah merek dan langganan total. Hal ini merupakan karakteristik dasar
proses proses Markov, yaitu serangkaian perubahan progresif dan saling ketergantungan.
First-Order dan Higher-Order Analisa Markov
Bagian sebelumnya membahas " hard core component " dan " switching component " para
pelanggan dalam hubungannya dengan suatu merek versus merek merek lain. Anggapan dasar
adalah bahwa para pelanggan tidak mengubah dari satu merek ke merek lain secara acak,
disamping itu mereka membeli merek merek pada waktu yang akan datang yang
mencerminkan pilihan pilihan mereka yang dibuat diwaktu yang lalu.
Proses Markov dapat berbeda order. First-order hanya mempertimbangkan pilihan pilihan
merek yang dibuat selama suatu periode untuk penentuan probabilitas pilihan dalam periode
berikutnya. Second-order analisa Markov menganggap pilihan pilihan untuk suatu merek
tertentu dalam periode berikutnya tergantung pada pilihan pilihan merek yang dibuat oleh para
pelanggan selama dua periode terakhir. Begitu juga untuk third-order, proses Markov yang
digunakan untuk meramal perilaku periode berikutnya terhadap merek merek tertentu
berdasarkan pola pemilihan merek para pelanggan selama tiga periode terakhir.
Banyak riset pemasaran telah membuktikan bahwa penggunaaan anggapan first-order untuk
maksud maksud peramalan adalah valid.
Menghitung Kemungkinan Market Share di waktu yang akan datang
Manajemen akan memperoleh manfaat bila mereka mengetahui berapa market share-nya di
periode waktu yang akan datang. Perhitungan market share yang mungkin untuk merek A, B, C,
dan D dalam periode kedua dapat diperoleh dengan mengalikan matriks probabilitas transisi
dengan market share pada periode pertama.
Setelah pemecahan untuk periode kedua, periode ketiga dapat ditentukan dengan dua cara.
Metode pertama adalah kelanjutan pendekatan perhitungan terdahulu, mengalihkan matriks
probabilitas transisi mula mula dengan market share periode kedua yang akan menghasilkan
market share untuk periode ketiga. Metode kedua adalah mengkuadratkan matriks probabilitas
transisi untuk jumlah periode yang diinginkan dan kemudian mengalikan matriks yang
dihasilkan dengan market share awal. Market share baru untuk periode ketiga dengan
mempergunakan metode metode tersebut ditunjukkan berikut ini.

a.

Perhitungan Metode Pertama

Perkalian matriks digunakan lagi untuk mencari market share setiap merek. Kelebihan dari

metode ini adalah perubahan yang terjadi dari periode ke periode dapat diamati. Bagaimanapun
juga, manajemen mungkin memerlukan informasi market share merek tertentu di waktu yang
akan datang. Bila hal ini hanya merupakan kasus, metode kedua akan lebih disukai. Metode ini
pada dasarnya menaikkan manfaat matriks probabilitas transisi sebagai cara untuk langsung
menunjukkan suatu jumlah periode di waktu yang akan datang.
b. Perhitungan Metode Kedua
Perkalian matriks digunakan lagi. Pengkuadratan matriks probabilitas transisi berarti
bahwa probabilitas

baru pada

"retention", mendapatkan, dan kehilangan harus

diperhitungkan. Matriks probabilitas transisi yang telah dikuadratkan kemudian dikalikan dengan
market share awal.
Menentukan Kondisi-Kondisi Ekuilibrium
Kondisi ekuilibrium tercapai hanya bila tidak ada pesaing yang mengubah matriks
probabilitas transisi. Dalam keadaan ekuilibrium pertukaran para pelanggan berkenaan dengan
retention, mendapatkan, dan kehilangan akan statik. Masalahnya, berapa besarnya market
share ekuilibrium ?
Beberapa matriks probabilitas transisi dapat digunakan untuk menggmbarkan kondisi
kondisi ekuilibrium. Gambaran yang lebih umum terjadi adalah bila tidak ada satu perusahaan
pun yang mendapatkan terus seluruh pelanggannya, yang berarti kondisi ekulibrium akhir
tercapai berdasarkan matriks probabilitas transisi yang tetap.
Penyelesaian Persamaan-Persamaan Secara Simultan
Sebuah perusahaan mempunyai dua pesaing dalam suatu segmen pasar dunia bisnisnya.
Suatu cara yang efektif untuk membuktikan bahwa telah tercapai kondisi ekuilibrium adalah
dengan mengalikan matriks probabilitas transisi dengan market share ekuilibrium.
Penyelesaian dengan Determinan
Penyelesaian diatas kadang-kadang lebih mudah dengan menggunakan determinandeterminan. Dengan menggunakan aturan Cramer untuk menggembangkan suatu determinan,
langkah pertama adalah mengembangkan determinan pembilang dengan kolom pertamanya.
Ingat bahwa dalam determinan 4 x 4 bila suatu baris dan kolaom dihilangkan, akan tetap ada
determinan 3 x 3 dalam setiap masalah.

Analisa model Proses Markov telah berkembang penggunaannya sebagai peralatan

pengambilan keputusan manajemen dalam banyak bidang bisnis. Beberapa aplikasi model Proses
Markov yang banyak dijumpai sekarang ini mencakup model model kebijaksanaan
pengendalian kredit optimal, perilaku harga pasar saham, model keputusan persedian,
penggantian mesin mesin, scheduling penerimaan di rumah sakit dan program dinamis yang
diterapkan pada beberapa perusahaan manufacturing.
o Proses Markov
Sebuah proses Markov terdiri dari suatu himpunan obyek dan suatu himpunan keadaan
yang sedemikian rupa sehingga :
1. Pada sebarang waktu yang diketahui, tiap tiap obyek harus berada dalam satu keadaan
tertentu (obyek obyek yang berbeda tidak perlu berada dalam keadaan yang berbeda).
2. Probabilitas untuk sebuah obyek berpindah atau transisi dari satu keadaan ke keadaan
lainnya (yang mungkin sama seperti keadaan pertama) dalam satu selang waktu tertentu
hanyalah bergantung pada kedua keadaan itu.
Bilangan bilangan bulat positif dari selang waktu setelah saat ketika proses perpindahan
dimulai menyatakan tahap tahap proses, yang jumlahnya dapat berhingga atau tak berhingga.
Jika jumlah keadaannya berhingga atau tak berhingga dapat dibilang (countably infinite), maka
proses markov yang bersangkutan suatu rantai Markov (Markov chain). Suatu rantai Markov
berhingga adalah suatu rantai markov yang memiliki jumlah keadaan yang berhingga.
Probabilitas untuk berpindah dari keadaan i ke keadaan j dalam satu selang waktu
dinyatakan dengan pij. Untuk suatu rantai Markov dengan N keadaan (Di mana N adalah suatu
bilangan bulat positif), maka matriks P = [pij] yang berukuran N N adalah matriks stokastik
atau matriks transisi yang berkaitan dengan proses itu. Jumlah nilai dari elemen elemen dalam
tiap tiap baris matriks P ini haruslah satu (syarat perlu). Setiap matriks stokastik memiliki satu
nilai eigen (eigen value) yang nilainya 1 (dapat pula berganda) dan nilai mutlak dari nilai eigen
yang lainnya tidak ada yang lebih besar daripada 1.
o Pangkat Dari Matriks Stokastik

Pangkat ke-n dari sebuah matriks P dengan Pn [Pij(n)]. Jika P adalah matriks stokastik,
maka Pij(n)menyatakan probabilitas bahwa sebuah obyek bertransisi dari keadaan i ke keadaan j
dalam n-buah selang waktu. Dari sini kita peroleh bahwa Pn adalah juga suatu matriks stokastik.
proporsi dari obyek obyek dalam keadaan i pada akhir selang waktu ke-n dengan xi(n) dan
dinamakan
X(n) [x1(n), x2(n), . . . ., xN(n)]
Sebagai vektor distribusi untuk akhir dari selang waktu ke-n, maka
X(0) = [x1(0), x2(0), . . . ., xN(0)]
Nyatakan proporsi dari obyek obyek dalam masing masing keadaan pada awal proses.
Hubungan antara X(n) dan X(0) diberikan oleh persamaan
X(n) = X(0) Pn
Dalam menuliskan persamaan diatas secara implisit kita mengidentifikasikan probabilitas pij
dengan proporsi dari obyek obyek dalam keadaan i yang berpindah (bertransisi) keadaan j
dalam selang waktu.
o

Matriks Ergodik

lim P n
n

Sebuah matriks stokastik P adalah ergodik jika

ada yaitu, jika tiap tiap pij

(n)

menuju sebuah limit jika n . Matriks ini diberi nama L, yang adalah juga suatu matriks
stokastik. Komponen komponen dari X(), yang didefinisikan oleh persamaan adalah distribusi
distribusi keadaan limit. Mereka menyatakan proporsi proporsi aproksimasi dari obyek
obyek dalam berbagai keadaan suatu rantai Markov setelah suatu jumlah selang waktu yang
besar.

Sebuah matriks stokastik adalah ergodik jika dan hanya jika satu satunya nilai diri yang
besarnya 1 adalah 1 sendiri, dan jika = 1 memiliki gandaan (multiplicity) k, maka terdapat k
buah vektor eigen (kiri) bebas linearyang berkaitan dengan nilai eigen ini. Jika setiap nilai eigen
dari suatu matriks P menghasilkan sejumlah vektor eigen (kiri) bebas linear yang jumlahnya
sama dengan gandaannya, maka terdapat suatu matriks tak singular (nonsingular) M, yang baris
barisnya adalah vektor eigen dari P, sedemikian rupa sehingga D MPM-1 adalah suatu
matriks diagonal. Elemen elemen diagonal dari D adalah niali eigen dari P, yang berulang
sesuai dengan gandaannya.
Kita mengikuti perjanjian bahwa semua vektor diri yang berhubungan dengan = 1
ditempatkan di atas semua vektor eigen lainnya di dalam M. Maka untuk suatu matriks ergodik P
berukuran N N yang dapat diagonalkan yang memiliki gandaan = 1 sebanyak k, matriks limit
L dapat dihitung sebagai berikut :

M = M-1

L = M-1

lim D

Matriks diagonal di sebelah kanan memiliki nilai 1 sebanyak k dan 0 sebanyak (N k) dalam
diagonal utamanya.
o Matriks Reguler
Sebuah matriks stokastik adalah reguler jika salah satu pangkatnya hanya mengandung
elemen elemen positif. Jika suatu matriks stokastik adalah reguler, maka nilai dirinya yang
bernilai 1 mempunyai gandaan paling banyak satu, dan semua nilai eigennya yang lain
memenuhi ketidaksamaan i < 1. Dan sebuah matriks reguler adalah ergodik. Jika P reguler

dengan matriks limit L, maka baris yang satu dan yang lainnya dari matriks L ini identik, dan
masing masingnya merupakan vektor diri kiri unik dari P yang berkaitan dengan = 1 dan
hasil jumlah dari semua komponennya sama dengan satu. Namakan vektor eigen ini dengan E1.
Maka dari persamaan langsung kita peroleh bahwa jika P reguler, maka :
X() = E1
Tanpa memperhatikan distribusi awal X(0).

Proses Markov
Rantai Markov, merupakan state diskrit proses Markov, adalah proses stochastic X(t)
dengan state S0, S1, ... dan lagi probabilitas pada waktu, tk+1 pada state Si hanya
tergantung pada waktu state tk untuk setiap rangkaian waktu instan t1, t2, ... , tk+1 dimana t1
< t2 < ... < tk+1.

Kita nyatakan proses dalam state Shi pada waktu t1 jika X(t1) = hi, hi menjadi
integer yang tidak negatif. Kemudian definisi di atas dapat ditulis :

Hubungan ini dikenal dengan nama waktu kontinyu properti Markov dan menetapkan
waktu-kontinyu rantai Markov. Istilah waktu kontinyu mengacu pada fakta transisi state
yang diperbolehkan untuk mengambil tempat pada setiap poin waktu. Jika kita membatasi
transisi untuk terjadi hanya pada waktu diskrit instan, akan menunjukkan oleh tanda waktu 1, 2,
... k, ... kemudian kita dapat mendefinisikan waktu kontinyu properti Markov untuk proses
stochastic Xk sebagai :

Rangkaian stochastic yang akan memenuhi properti waktu dikrit. Untuk semua integer
positif k dan semua kemungkinan state-nya disebut waktu diskrit rantai Markov. Pada
rantai tersebut probabilitas dari transisi dari state Si ke state Sj pada waktu k dapat ditulis
sebagai :

Properti

Markov

membuat

hal

tersebut

menjadi

mungkin

untuk

dapat membuat

spesifikasi hubungan statistik antar state dalam matriks P(k), yaitu matriks transisi probabilitas.
Jika probabilitas transisi tidak tergantung waktu, kita dapat mengindikasikannya dengan pij, dan
rantai tersebut dikatakan rantai homogen.
State network didefinisikan sebagai jumlah transaksi yang sedang berada di dalam jaringan
dan didesain sebagai Sn untuk state jaringan dengan populasi n. urutan perubahan state
jaringan ini disebut rantai Markovian, misalnya state (S1, S2, S3, ... , Sn) rantai Markovian.

CONTOH SOAL RANTAI MARKOV PENELITIAN OPERASIONAL TAMBANG

Suatu survei dilakukan di sebuah wilayah di kota Jakarta. Diketahui bahwa wilayah tersebut
terdiri dari 1000 keluarga. Dari survei tersebut, diperoleh data bahwa 600 keluarga merupakan
pelanggan toserba Serba dan 400 keluarga merupakan pelanggan toserba Ada. Pada bulan itu,
diketahui bahwa :

Dari 600 keluarga pelanggan toserba Serba diperoleh data bahwa 400 keluarga tetap
berbelanja di toserba Serba dan 200 lainnya berbelanja di toserba Ada.

Dari 400 keluarga pelanggan toserba Ada dinyatakan bahwa 150 keluarga tetap
berbelanja di toserba Ada. Sedang 250 lainnya berbelanja di toserba Serba.

Hitunglah :

1. Matriks probabilitas transisi untuk permasalahan di atas!

2. Probabilitas untuk toko Serba dan Ada pada bulan ketiga apabila pada bulan pertama
keluarga tersebut memilih untuk berbelanja di toko Serba
3. Probabilitas untuk toko Serba dan Ada pada bulan ketiga apabila pada bulan pertama
keluarga tersebut memilih untuk berbelanja di toko Ada
4. Nilai probabilitas pelanggan dalam keadaan tetap!
5. Jumlah perkiraan pelanggan dalam jangka panjang untuk masing-masing toserba
tersebut!
Jawab:
a. Langkah pertama yang perlu dilakukan untuk menyelesaikan seluruh pertanyaan di atas adalah
dengan menentukan matriks transisi untuk menghitung nilai probabilitas

Probabilitas bulan pertama Serba dan bulan kedua Serba = 400/600 = 0.667

Probabilitas bulan pertama Serba dan bulan kedua Ada = 200/600 = 0.333

Probabilitas bulan pertama Ada dan bulan kedua Serba = 250/400 = 0.625

Probabilitas bulan pertama Ada dan bulan kedua Ada = 150/400 = 0.375

Sehingga matriks transisi yang diperoleh adalah:

Keterangan:
Baris pertama kolom pertama : Bulan pertama Serba, bulan kedua Serba

Baris pertama kolom kedua : Bulan pertama Serba, bulan kedua Ada
Baris kedua kolom pertama : Bulan pertama Ada, bulan kedua Serba
Baris kedua kolom kedua

: Bulan pertama Ada, bulan kedua Ada

b. Apabila pada bulan pertama, keluarga tersebut memilih untuk berbelanja di toko Serba
artinya keluarga tersebut pasti memilih untuk berbelanja di toko Serba, jadi probabilitas
keluarga tersebut datang ke toserba Serba adalah 1, dan probabilitas keluarga tersebut datang
ke toserba Ada adalah 0.
Sehingga matriks probabilitas untuk bulan pertama adalah [ 1 0]
Apabila dilakukan perkalian antara matriks probabilitas pada bulan pertama dengan matriks
transisi pada kasus ini maka akan diperoleh data:

Probabilitas pada bulan kedua yang diperoleh memiliki nilai yang sama dengan matriks transisi
pada baris pertama. Tentu saja demikian, karena perhitungan yang dilakukan adalah matriks pada
bulan pertama dengan matriks transisi yang dibentuk dari data probabilitas pada bulan kedua.
Kemudian, untuk menghitung probabilitas pada bulan ketiga adalah dengan mengoperasikan
perkalian matriks antara matriks probabilitas bulan kedua dengan matriks transisinya. Sehingga
diperoleh:

Jadi diperoleh probabilitas bulan ketiga, apabila pada bulan pertama memilih di toko Serba,
untuk toserba Serba adalah 0.653, dan toserba Ada adalah 0.347.
NB: Ingat bahwa jumlah probabilitasnya harus selalu satu (1)
c. Apabila pada bulan pertama, keluarga tersebut memilih untuk berbelanja di toko Ada artinya
keluarga tersebut pasti memilih untuk berbelanja di toko Ada, jadi probabilitas keluarga
tersebut datang ke toserba Ada adalah 1, dan probabilitas keluarga tersebut datang ke toserba
Serba adalah 0.
Sehingga matriks probabilitas untuk bulan pertama adalah: [ 0 1]
Apabila dilakukan perkalian antara matriks probabilitas pada bulan pertama dengan matriks
transisi pada kasus ini maka akan diperoleh data:

Sedangkan untuk probabilitas bulan ketiga:

Jadi diperoleh probabilitas bulan ketiga, apabila pada bulan pertama memilih di toko Ada,
untuk toserba Serba adalah 0.651, dan toserba Ada adalah 0.349
d. Menghitung probabilitas keadaan tetap bisa dilakukan dengan melakukan operasi perhitungan
persamaan sebagai berikut:

Persamaan 1:

Persamaan 2:

Karena jumlah probabilitas adalah satu maka Persamaan 3:

Dari ketiga persamaan tersebut, kita substitusikan sehingga nilai probabilitas S dan A akan
diperoleh. Probabilitas yang kita peroleh itulah yang merupakan probabilitas keadaan tetap.

Dari persamaan 3, maka bisa dikonversikan menjadi

Substitusikan ke persamaan 1:

Substitusikan hasil nilai S tersebut ke dalam persamaan 2:

Jadi probabilitas keadaan tetap (steady state) nya adalah:

Toserba Serba = 0.652
Toserba Ada = 0.348
e. Jumlah perkiraan pelanggan dalam jangka panjang bisa dihitung dengan mengalikan
probabilitas keadaan tetap dengan jumlah total pelanggannya
Toserba Serba = 0.652 * 1000 = 652 pelanggan
Toserba Ada = 0.348 * 1000 = 348 pelanggan