MARKOV CHAIN

MARKOV CHAIN
Perubahan yang ada di dalam kehidupan sehari-hari sangat bervariasi. Ada
perubahan yang bersifat statis namun ada juga yang bersifat dinamis. Karena
kehidupan yang terus berjalan, maka perubahan yang terjadi memang tidak bisa
dihindari. Acapkali perubahan itu juga berimbas pada sebuah kerugian. Oleh karena
itu, ada baiknya apabila dilakukan persiapan untuk sebuah perubahan. Bagaimana
caranya untuk menghadapi sebuah perubahan? Setiap transisi yang terjadi dari
waktu ke waktu perlu dicermati dengan baik. Salah satu solusi yang relevan untuk
situasi tersebut adalah dengan melakukan prediksi akan apa yang terjadi di masa
yang akan datang.
Contoh perubahan:

Prediksi perpindahan minat pada merk tertentu

Manajemen pengobatan diabetes

Pemantauan lalu lintas

Rantai Markov (Markov Chain) adalah sebuah teknik perhitungan yang umumnya
digunakan dalam melakukan pemodelan bermacam-macam kondisi. Teknik ini
digunakan untuk membantu dalam memperkirakan perubahan yang mungkin terjadi
di masa mendatang. Perubahan-perubahan tersebut diwakili dalam variabel-variabel
dinamis di waktu-waktu tertentu. Sehingga perlu untuk menyimpan nilai dari
variabel keadaan pada tiap-tiap waktu tertentu itu
I.

Sejarah Markov Chain

Model Rantai Markov ditemukan oleh seorang ilmuwan Rusia bernama Andrey
Andreyevich Markov pada tahun 1906.
Untuk setiap waktu t, ketika kejadian adalah Kt dan seluruh kejadian sebelumnya
adalah Kt(j),, Kt(j-n) yang terjadi dari proses yang diketahui, probabilitas seluruh
kejadian yang akan datang Kt(j) hanya bergantung pada kejadian Kt(j-1) dan tidak
bergantung pada kejadian-kejadian sebelumnya yaitu Kt(j-2), Kt(j-3), , Kt(j-n)

Gambar 1. Andrey Andreyevich Markov

Markov berfokus pada perluasan hukum bilangan besar dalam berbagai percobaan.
Model ini berhubungan dengan suatu rangkaian proses dimana kejadian akibat suatu
eksperimen hanya tergantung pada kejadian yang langsung mendahuluinya dan
tidak tergantung pada rangkaian kejadian sebelum-sebelumnya yang lain.
II.

Analisa Markov

Dalam kenyataannya, penerapan analisa Markov bisa dibilang cukup terbatas karena
sulit untuk menemukan permasalahan yang memenuhi semua sifat yang diperlukan
untuk analisa Markov, terutama persyaratan bahwa probabilitas transisi harus
konstan sepanjang waktu.
Proses Markov Chain terdiri dari dua prosedur, yaitu menyusun matriks probabilitas
transisi, dan kemudian menghitung kemungkinan market share di waktu yang akan
datang. Probabilitas transisi adalah sebagai contoh pergantian yang mungkin
dilakukan oleh konsumen dari satu merk ke merk yang lain. Konsumen dapat
berpindah dari suatu merk ke merk yang lain disebabkan karena periklanan, promosi
khusus, harga, ketidakpuasan, dan lain-lain. Hal ini akan bermanfaat karena jumlah
market share-nya di periode yang akan datang akan bisa diperhitungkan sejak dini.
Metode ini banyak digunakan untuk pengambilan keputusan, namun sebenarnya
hanya memberikan informasi bagi pengambil keputusan untuk memperbaiki
keputusannya, bukan untuk memberi solusi.

Gambar 2. Rantai Markov

Langkah-langkah untuk menyelesaikan perhitungan probabilitas pada periode waktu
tertentu menggunakan rantai Markov adalah sebagai berikut:
1. Buatlah matriks transisi dari probabilitas yang diketahui
2. Lakukan operasi perkalian matriks dari probabilitas waktu sebelumnya
dengan matriks transisi. Rumusnya adalah: Matriks periode ke-n =
Matriks periode ke-n+1 * Matriks transisi
3. Ulang proses yang sama sampai menemukan probabilitas yang hendak
dicari
Dalam perhitungan probabilitas yang terus berulang tersebut, akan ditemui pada
periode tertentu bahwa probabilitas hasil perhitungan kedua matriks itu bernilai
sama/tetap/tidak berubah apabila dihitung untuk periode-periode selanjutnya.
Kondisi ini disebut dengan probabilitas keadaan tetap (steady state probability).
Langkah yang dikerjakan untuk menemukan steady state probability adalah sama
seperti langkah untuk menghitung probabilitas pada kondisi tertentu.
Nilai probabilitas pada periode-periode selanjutnya setelah bertemu dengan steady
state probability ini akan sama. Karenanya, probabilitas ini bisa digunakan sebagai
prediksi jumlah dalam keadaan tetap, dengan cara mengalikan steady state
probability dengan jumlah orang yang terkait dengan permasalahan yang sedang
dihadapi.
Permasalahan selanjutnya apabila perhitungan dilakukan per periode, tentunya akan
memakan waktu yang lama, karena contohnya saja apabila steady state probability
ada pada periode ke-15, maka harus dilakukan perhitungan sebanyak 14 kali. Hal ini
bisa diatasi dengan menghitung probabilitas keadaan tetap secara langsung
menggunakan persamaan.
Semua contoh perhitungan untuk semua penjelasan di atas bisa dilihat pada bagian
Case Study di bawah ini.
III.

Case Study

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 Serba = 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: [1 0]
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