MODEL HIDDEN MARKOV PADA PERPINDAHAN

KONSUMEN BERAS DI KOTA SOLOK PROVINSI

SUMATERA BARAT
MAKALAH
Diajukan untuk memenuhi salah satu tugas praktik ibadah
Yang diampu oleh Rini Cahyandari, M. Si.

Disusun oleh
Miftakhul Huda (1147010040)
Cucu Cahyati (1147010072)
Rizal Taufik Rifaldi (1157010057)

JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUNAN GUNUNG DJATI
BANDUNG
2017
 KATA PENGANTAR

Assalamualaikum . wr . wb..
Segala puji syukur yang kami panjatkan kehadirat Allah SWT, yang telah
memberikan hidayah untuk berfikir sehingga dapat melaksanakan tugas untuk
pembuatan makalah dalam upaya untuk memenuhi syarat mata kuliah Proses
Stokastik.
Kami menyadari bahwa dalam penulisan makalah yang kami sajikan ini,
tentunya tidak luput dari adanya berbagai kekurangan dan kelemahan. Maka dari
itu, dengan segala kerendahan hati dan keterbatasan, kami mohon maaf kepada
pembaca. Dan kepada semua pihak kami mohon saran dan kritik yang bersifat
membangun demi lebih baiknya penyusunan makalah ini pada kesempatan
selanjutnya. Dan kami ucapkan terimakasih terkhusus kepada Bu Rini Cahyandari
M.SI Selaku Dosen mata kuliah pembimbing yang telah memberikan arahan dan
bimbingan dalam penyusunan makalah ini.
Demikian kiranya dan sebagai harapan kami, semoga makalah ini dapat
membawa manfaat bagi yang membutuhkan, semoga bisa diterima sebagai berkas
ataupun penalaran yang mendasar. Akhir kata....
Wassalamualaikum .wr .wb..

Bandung, 14 Mei 2017

Penyusun

ii
 DAFTAR ISI

Kata Pengantar............................................................................................... ii
Daftar Isi......................................................................................................... iii
BAB I PENDAHULUN
A. Latar Belakang..................................................................................... 1
B. Rumusan Masalah ................................................................................ 3
C. Tujuan Penelitian ................................................................................. 3
D. Manfaat Penelitian ............................................................................... 3
E. Ruang Lingkup..................................................................................... 3
F. Metode Penelitian. 3
G. Langkah-langkah Penelitian ................................................................. 4
BAB II LANDASAN TEORI
A. Markov Chain ...................................................................................... 5
B. Hidden Markov Model ........................................................................ 5
C. Probabilitas .......................................................................................... 7
BAB III HASIL DAN PEMBAHASAN . 9
BAB III PENUTUP
A. Kesimpulan .......................................................................................... 15
B. Saran .................................................................................................... 15
DAFTAR PUSTAKA................................................................................. ... 16

iii
 BAB I
PENDAHULUAN
A. Latar Belakang
Setiap kejadian sangat berkaitan dengan penyebab kejadiannya. Kejadian atau
peristiwa yang berkaitan dengan penyebab kejadiannya dikenal dengan proses
stokastik. Proses stokastik merupakan suatu proses yang berkaitan dengan observasi
yang berorientasi waktu. Misalnya, permintaan produk-produk tertentu pada hari
yang berturut-turut, proses lahir mati, dan pelayanan dalam antrian (Hines, 1990).
Rantai Markov merupakan salah satu proses stokastik yang memiliki sifat
prediktif. Sifat prediktif tersebut dapat dipahami sebagai suatu kejadian di masa akan
datang yang sangat bergantung pada perilaku masa sekarang. Dengan demikian,
penyebab kejadian yang tidak diamati secara langsung atau tersembunyi (hidden) dan
berpotensi membentuk rantai Markov yang membentuk hubungan antara pasangan
kejadian dengan penyebab kejadiannya sehingga dapat dituliskan dengan model
hidden Markov.
Model hidden Markov terdiri atas dua bagian, yaitu observed state dan hidden
state. Observed state merupakan bagian yang diamati dalam model hidden
Markov,sedangkan hidden state merupakan bagian yang tersembunyi dalam model
hidden Markov. Salah satu permasalahan yang dapat diterapkan dengan dua bagian
dari model hidden Markov tersebut adalah untuk perpindahan konsumen beras.
Beras merupakan salah satu bahan pokok di dalam kebutuhan hidup
manusia.Salah satu provinsi penghasil beras terbaik di Indonesia adalah Sumatera
Barat.Provinsi Sumatera Barat merupakan provinsi yang memiliki penduduk bermata
pencaharian sebagai petani. Salah satu daerah di Sumatera Barat yang mendominasi
area persawahan adalah kota Solok. Beras Solok merupakan beras unggulan di
Indonesia. Data yang diambil adalah hasil jawaban kuesioner yang diisi oleh 420
orang responden pada bulan Juni dan November tahun 2013 di kota Solok provinsi
Sumatera Barat.
Sumber data diambil dari dua kecamatan yaitu di lubuk Sikarah dan di Tanjung
Harapan, beras tersebut mengalami perubahan perpindahan konsumen yang
berfluktuasi. Hal ini disebabkan karena banyak faktor, diantaranya popularitas,
cuaca, kualitas dan sebagainya. Kejadian-kejadian tersebut dapat berulang tetapi

1
tidak dapat dipastikan waktunya. Selain itu, diasumsikan bahwa penyebab kejadian
bersifat Markov dan tidak diamati secara langsung, maka masalah perubahan harga
beras dan perpindahan konsumen beras tersebut dapat dituliskan dengan model
hidden Markov.
Model hidden Markov digunakan untuk memprediksi perpindahan konsumen
beras di Kota Solok. Pemilihan model hidden Markov dalam penelitian ini
dipertimbangkan karena model hidden Markov memiliki keunggulan dengan waktu
diskrit dan observasinya kontinu. Model hidden Markov dengan algoritma Viterbi
yang telah dimodifikasi digunakan untuk mengetahui perpindahan konsumen beras di
Kota Solok. Selanjutnya, digunakanpenduga rekursif untuk membandingkan
hasilnya.
Selain itu, dapat diasumsikan bahwa harga beras tersebut dibangkitkan oleh
proses pengamatan yang dipengaruhi oleh faktor penyebab yang merupakan rantai
Markov. Faktor-faktor {X_k} yang menyebabkan terjadinya Y_k perubahan harga
beras ini diasumsikan sebagai state (diskrit) dari suatu rantai Markov yang tidak
diamati. Misalkan banyaknya faktor tersebut adalah N. pada setiap state: F Y _ k data
beras ini dibangkitkan oleh peubah acak yang menyebar dengan sebaran tertentu
pada ruang probabilitas , P adalah data yang diamati merupakan data kontinu,
sehingga model hidden Markov yang digunakan adalah model hidden Markov
dengan waktu diskrit dan observasinya kontinu.
Selanjutnya, untuk kasus penelitian yang kedua, model hidden Markov
didefinisikan atas kumpulan lima elemen yaitu N, M, , A, B. Jika = (, A, B) maka
model hidden Markov mempunyai elemen tertentu N dan M. Kelima elemen ini akan
dijabarkan sebagai berikut (Rabiner, 1989).
Pendugaan parameter model hidden Markov dilakukan menggunakan metode
maximum likelihood dan pendugaan ulang menggunakan metode expectation maxi
mization (EM) yang melibatkan perubahan ukuran. Perubahan ukuran dilakukan
untuk mempermudah dalam perhitungan secara matematik. Perubahan ukuran
probabilitas diperoleh dengan mengubah ukuran probabilitas menjadi probabilitas
baru. Dari ukuran probabilitas baru akan diinterpretasikan kembali ke dalam
probabilitas asal. Perubahan ukuran ini dibatasi oleh turunan Radon-Nikodym.
Pendugaan parameter menggunakan metode EM menghasilkan parameter dalam

2
bentuk pendugaan rekursif. Pendugaan rekursif diperlukan untuk menduga parameter
baru. Pendugaan rekursif meliputi pendugaan untuk state, banyaknya lompatan,
lamanya waktu kejadian, dan proses observasi. Masing-masing penduga tersebut di
definisikan sebagai berikut (Elliot, 1995).

B. Rumusan Masalah
1. Apa yang dimaksud Hidden Markov?
2. Apa yang disembunyikan?
3. Bagaimana perpindahan konsumen beras di kota Solok?

C. Tujuan Penelitian
Tujuan yang hendak dicapai penulisan makalah ini adalah untuk mengetahui
apa yang dimaksud dengan hidden markov dan bagaimana perpindahan kosumen
beras di kota Solok provinsi Sumatera Barat pada bulan Juni dan November tahun
2013.

D. Maanfaat Penelitian
Manfaat penelitian ini adalah kita mengetahui bagaimana gambaran
perpindahan kosumen beras di kota Solok provinsi Sumatera Barat pada bulan Juni
dan November tahun 2013.

E. Ruang Lingkup
Untuk menjawab rumusan masalah diatas, akan penulis kaji hal-hal berikut.
1. Markov Chain (Rantai Markov)
2. Hidden Markov
3. Matriks Probabilitas

F. Metode Penelitian
Penelitian ini merupakan jenis penelitian kuantitatif. Dikatakan jenis penelitian
kuantitatif karena mengunakan data berupa angka. prediksi perpindahan konsumen
beras menggunakan kuesioner dengan total 420 orang responden yang tersebar di dua
kecamatan di kota Solok yaitu di kecamatan Lubuk Sikarah dan Kecamatan Tanjung
Harapan.

3
G. Langkah-langkah Penelitian
1. mengambil nilai-nilai parameter pada data sekunder
2. merumuskan model hiddenMarkov dengan menentukan state
3. membentuk matriks probabilitas awal
4. membentuk matriks probabilitas transisi
5. membentuk matriks probabilitas observasi
6. membahas dan menarik kesimpulan.

4
 BAB II
LANDASAN TEORI
A. Markov Chain
Salah satu proses stokastik adalah model rantai Markov yang memiliki sifat
bahwa perilaku stokastik pada waktu yang akan datang hanya bergantung pada waktu
atau keadaan sekarang dan tidak bergantung pada keadaan yang lalu (Lestari, 2009).
Model rantai Markov dikembangkan oleh seorang ahli Rusia yang bernama
A.A.Markov pada tahun 1906. Pada model Markov umum, state-nya langsung dapat
diamati, oleh karena itu probabilitas transisi state menjadi satu-satunya parameter.
Rantai Markov merupakan suatu alat dalam bidang riset operasi dalam
mengambil suatu keputusan. Rantai Markov telah banyak diterapkan untuk
menganalisa tentang perputaran merek dalam pemasaran, perhitungan rekening-
rekening, jasa-jasa persewaan mobil, perencanaan penjualan, masalah-masalah
persediaan, pemeliharaan mesin, antrian, perubahan harga pasar saham, maupun
administrasi rumah sakit.
Markov Chain merupakan perluasan dari finite automaton. Finite automaton
sendiri adalah kumpulan state yang transisi antar state-nya dilakukan berdasarkan
masukan observasi. Pada Markov Chain, setiap busur antar state berisi probabilitas
yang mengindikasikan kemungkinan jalur tersebut akan diambil. Jumlah probabilitas
semua busur yang keluar dari sebuah simpul adalah satu.
Markov Chain bermanfaat untuk menghitung probabilitas urutan kejadian yang
dapat diamati. Masalahnya, terkadang ada urutan kejadian yang ingin diketahui tetapi
tidak dapat diamati. Contohnya pada kasus part-of-speech tagging (POS tagging).
POS tagging adalah pemberian tag kepada kata: kata benda, kata kerja, kata sifat dan
lainlain. Pada POS tagging, urutan tag tidak dapat diamati secara langsung.
Pengamatan secara langsung hanya dapat dilakukan terhadap urutan kata. Dari urutan
kata tersebut harus dicari urutan tag yang paling tepat. Untuk contoh ini, tag adalah
bagian yang tersembunyi.

B. Hidden Markov Model

Model Markov Tersembunyi atau lebih dikenal sebagai Hidden Markov Model (HMM)
adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah Proses Markov
dengan parameter yang tak diketahui. Pada hidden markov probabilitas tansisi state menjadi

5
satu-satunya parameter. Permasalahannya adalah menentukan parameter-parameter
tersembunyi (hidden) dari parameter-parameter yang diamati (observed). Parameter-
parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh.
misalnya untuk aplikasi Pattern Recognition. Sebuah HMM dapat dianggap sebagai sebuah
Bayesian Network dinamis yang paling sederhana.

Di dalam Model Markov yang tersembunyi, state-nya tidak dapat diamati secara
langsung, akan tetapi yang dapat diamati adalah variabel-variabel yang terpengaruh
oleh state. Setiap state memiliki distribusi probabilitas atas token-token output yang
mungkin muncul. Oleh karena itu rangkaian token yang dihasilkan oleh HMM
memberikan sebagian informasi tentang sekuens state-state.
Dengan kata lain, model hidden Markov state-nya tidak diamati secara langsung.
State inilah yang merupakan bagian yang tersembunyi atau hidden. Setiap state
memiliki distribusi probabilitas yang mungkin muncul, oleh karena itu barisan
keluaran yang dihasilkan oleh model hidden Markov memberikan sebagian informasi
tentang barisan dari state-statenya (Suharleni, 2012).
Pada model ini yang tidak diketahui adalah faktor- faktor yang menyebabkan
perpindahan konsumen beras di kota solok provinsi sumatera barat adalah
popularitas, cuaca, kualitas beras, politik, curah hujan dan sebagainya. Kejadian-
kejadian tersebut dapat berulang tetapi tidak dapat dipastikan waktunya. Selain itu,
diasumsikan bahwa penyebab kejadian bersifat Markov dan tidak diamati secara
langsung, maka masalah perubahan harga beras dan perpindahan konsumen beras
tersebut dapat dituliskan dengan model hidden Markov.

Arsitektur

Diagram di atas menggambarkan arsitektur umum tentang HMM. Masing-

masing bentuk oval menggambarkan sebuah variabel acak (random variable) yang
berisikan nilai. Variabel Acak x(t) berisikan nilai sebuah variabel tersembunyi pada
saat t. variabel acak y(t) berisikan nilai sebuah variabel yang dapat diamati (tidak

6
tersembunyi) pada saat t. Anak panah menunjukkan ketergantungan kondisional.
Dari diagram, jelas kiranya bahwa nilai x(t) hanya bergantung pada nilai x(t-1).
Selain itu, nilai y(t) hanya bergantung pada x(t).

Secara formal, sebuah hidden Markov model didefinisikan dengan:

O = {o1 , o2 ,..., oM } Alfabet keluaran observasi. Simbol observasi bertalian

dengan keluaran fisik dari sistem yang dimodelkan. Pada contoh, Alfabet
keluaran observasi merupakan kumpulan dari tiga kategori O = {naik, turun,
tidak berubah}.
= {1, 2, ..., N } himpunan state yang merepresentasikan ruang state. disini
st diartikan sebagai state pada waktu t.
A = { aij} Matriks probabilitas transisi, dimana merupakan probabilitas
pengambilan transisi dari state i ke state j

aij = P (st = j| st-1 = i) 1 i,j N

B = {bi(k)} Sebuah matriks probabilitas keluaran, dengan bi(k)}

merupakan probabilitas dari simbol emitting oksaat state i dimasuki. Anggap
X = X1, X2,..., Xt, sebagai keluaran diobservasi HMM. Urutan state S = s1
, s2 ,...,st ,... tidak diobservasi dan dapat ditulis ulang sebagai berikut:

P (Xt = ok | st = i ) 1iN

= { i }sebuah distribusi state

C. Probabilitas
Peluang adalah suatu nilai di antara 0 dan 1 yang menggambarkan besarnya
kesempatan untuk munculnya suatu kejadian tertentu pada kondisi tertentu. Istilah
lain dari peluang adalah probabilitas. Probabilitas suatu kejadian yang pasti terjadi
atau probabilitas suatu kepastian adalah 1, dinotasikan P(S)=1; sedangkan
probabilitas kejadian yang mustahil terjadi atau probabilitas kemustahilan adalah 0,
dinotasikan P()= 0 Secara lengkap, nilai probabilitas suatu kejadian A, di notasikan
P(A), adalah 0P(A)1 (Nugroho, 2008).

7
 Suatu percobaan yang dapat diulang dalam kondisi yang sama dan hasilnya tidak
dapat diprediksi secara tepat, tetapi dapat diketahui semua kemungkinan hasil yang
muncul disebut percobaan acak. Himpunan semua hasil, yang mungkin dari
percobaan acak disebut ruang sampel dan dinotasikan dengan . Suatu kejadian A
adalah himpunan bagian dari ruang sampel (Ross, 2000).
Probabilitas Transisi tidak akan berubah untuk selamanya dan hanya bergantung
pada status awal.

Syarat-Syarat Dalam Analisa Markov :

Untuk mendapatkan analisa rantai markov ke dalam suatu kasus, ada beberapa
syarat yang harus dipenuhi yaitu sebagai berikut:
1. Jumlah probabilitas transisi untuk suatu keadaan awal dari sistem sama dengan 1.
2. Probabilitas-probabilitas tersebut berlaku untuk semua partisipan dalam sistem.
3. Probabilitas transisi konstan sepanjang waktu.
4. Kondisi merupakan kondisi yang independen sepanjang waktu.
Penerapan analisa markov bisa dibilang cukup terbatas karena sulit menemukan
masalah yang memenuhi semua syarat 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 sistem).

Keadaan Probabilitas Transisi

Keadaan transisi adalah perubahan dari suatu keadaan (status) ke keadaan
(status) lainnya pada periode berikutnya. Keadaan transisi ini merupakan suatu
proses random dan dinyatakan dalam bentuk probabilitas. Probabilitas ini dikenal
sebagai probabilitas transisi.

8
 BAB III
HASIL DAN PEMBAHASAN

Beras Solok yang diprioritaskan oleh konsumen beras Solok di Kota Solok ini
adalah beras Sokan, beras Anak Daro, beras Caredek, beras Randah Kuniang dan
kumpulan dari beras Solok lainnya (lain-lain), maka untuk kepentingan penelitian ini
disebar kuesioner yang ditujukan kepada para konsumen beras Solok yang
menggunakan beras Solok tersebut. Berdasarkan jawaban kuesioner untuk
pernyataan ketiga yang terdapat pada lampiran, diperoleh jumlah responden yang
menggunakan beras Solok pada bulan Juni 2013 sebagai berikut ini.

Tabel 2. Jumlah responden beras Solok bulan Juni 2013

No Beras Solok Responden Proporsi

1 Beras Sokan 126 0.300

2 Beras Anak Daro 161 0.383

3 Beras Caredek 84 0.200

4 Beras Randah Kuniang 42 0.100

5 Lain-lain 7 0.017

Total 420 1

Proporsi
126
1. = 0,300
420
161
2. = 0,383
420
84
3. = 0,200
420
42
4. = 0,100
420
7
5. = 0,017
420

9
 Tabel 2 menunjukkan bahwa jumlah total responden penelitian ini adalah
420 responden. Adapun kolom proporsi pada tabel tersebut, diperoleh dengan cara
membagi jumlah responden masing-masing Beras Solok dengan jumlah total
responden. Misalnya: responden beras Sokan ada 126, dibagi jumlah total responden,
yaitu 420, maka hasil yang diperoleh adalah 0,300.

Selanjutnya data responden yang memakai beras Solok pada bulan November
2013 sesuai jawaban kuesioner, ditampilkan pada tabel di bawah ini.

Tabel 3. Jumlah responden beras Solok bulan November 2013

No Beras Solok Responden Proporsi

1 Beras Sokan 105 0.250

2 Beras Anak Daro 119 0.283

3 Beras Caredek 112 0.267

4 Beras Randah Kuniang 49 0.117

5 Lain-lain 35 0.083

Total 420 1

Proporsi

105
1. = 0,250
420
119
2. = 0,283
420
112
3. = 0,267
420
49
4. = 0,117
420
35
5. = 0,083
420

Tabel 3 menunjukkan bahwa meskipun jumlah total responden tetap, yaitu

420 responden, namun jumlah responden pada masing-masing beras Solok
mengalami perubahan. Misalnya: jumlah responden beras Sokan pada bulan Juni

10
2013 ada 126 responden, pada bulan November 2013 berubah menjadi 105
responden. Perubahan ini juga berimplikasi pada perubahan proporsi masing-masing
responden beras Solok. Misalnya: proporsi responden beras Sokan pada bulan Juni
2013 adalah 0,300, namun pada bulanNovember 2013 proporsi responden beras
Sokan menjadi 0,250. Mengacu pada landasan teori, nilai probabilitas awal yaitu P
(X0 = qi) = untuk i = 1, 2, 3, 4, 5 0 dimana N adalah banyaknya state
dan 5=1 . Maka data pada tabel 4.3 kolom proporsi digunakan untuk membangun
matriks probabilitas awal = ( ) yang hasilnya disajikan pada tabel di bawah ini:

Tabel 4. Matriks Probabilitas Awal ()

No(i) Beras Solok (qi) Probabilitas Awal ( )

1 Beras Sokan 0.300

2 Beras Anak Daro 0.383

3 Beras Caredek 0.200

4 Beras Randah Kuniang 0.100

5 Lain-lain 0.017

Total 1

Matriks probabilitas awal dapat ditulis sebagai berikut:

= [0,300 0,383 0,200 0,100 0,017]

Selanjutnya, diperoleh hasil olahan jawaban kuesioner untuk pertanyaan

nomor tiga ke nomor lima. Hasil olahan jawaban kuesioner tersebut menggambarkan
perpindahan konsumen beras dalam memilih beras Solok dari bulan Juni 2013 ke
bulan November 2013 sebagaimana ditampilkan pada tabel berikut ini:

11
 Tabel 5. Perpindahan Konsumen Beras

nov Beras Beras Beras Beras Lain- Total

Sokan Anak Caredek Randah lain
juni Daro Kuniang

Beras Sokan 42 14 42 21 7 126

Beras Anak 7 98 35 14 7 161

Daro

Beras Caredek 42 7 21 7 7 84

Beras Randah 14 0 14 0 14 42
Kuniang

Lain-lain 0 0 0 7 0 7

Total 105 119 112 49 35 420

Tabel di atas menunjukkan konsumen beras yang menggunakan beras Sokan
pada bulan Juni 2013 berjumlah 126 konsumen. Kemudian pada bulan November
2013, dari 105 konsumen beras Sokan tersebut ada 42 konsumen yang tetap
menggunakan beras Sokan; 14 konsumen pindah ke beras Anak Daro; 42 konsumen
berpindah ke beras Caredek; 21 konsumen berpindah ke beras Randah Kuniang; dan
7 konsumen berpindah ke beras lain-lain.
Baris ke dua menunjukkan konsumen yang menggunakan beras Anak Daro
pada bulan Juni 2013 berjumlah 161 konsumen. Kemudian pada bulan November
2013 dari 119 konsumen beras Anak Daro tersebut ada 98 konsumen yang tetap
menggunakan beras Anak Daro, 7 konsumen berpindah ke beras Sokan; 35
konsumen berpindah ke beras Caredek, 14 konsumen berpindah beras Randang
Kuniang; dan 7 konsumen berpindah ke beras lain-laindan demikian seterusnya.
Dengan demikian, data pada tabel tersebut menunjukkan bahwa terjadi
perpindahan konsumen dari beras Solok satu ke berasa Solok lainnya dari periode
bulan Juni 2013 bulan November 2013. Misalnya: jumlah konsumen yang
menggunakan beras Sokan pada bulan Juni 2013 ada 126 konsumen sedangkan pada

12
bulan November 2013 menurun menjadi 105 konsumen. Jumlah konsumen yang
menggunakan beras Anak Daro pada bulanJuni 2013 ada 161 konsumen sedangkan
pada bulan November 2013 menurun menjadi 119 konsumen. Berdasarkan landasan
teori, dapat dibentuk matriks probabilitas transisi yang mengacu pada Tabel 4.
Berikut ini matriks probabilitas transisi A :

42 14 42 21 7
126 126 126 126 126
7 98 35 14 7
161 161 161 161 161
42 7 21 7 7
A=
84 84 84 84 84
14 0 14 0 14
42 42 42 42 42
0 0 0 7 0
[ 7 7 7 7 7 ]
0333 0,111 0,333 0,167 0,056
0,043 0,610 0,217 0,087 0,043
A = 0,500 0,083 0,251 0,083 0,083
0,333 0 0,334 0 0,333
[ 0 0 0 1 0 ]

*
catatan : Probabilatas suatu kejadian adalah 1
jika di jumlahkan kesamping akan menghasilkan 1
0.333 + 0.111 + 0.334 + 0.200 + 0.133 = 1

Nilai entry pada matriks A diperoleh dengan cara membagi jumlah responden
setiap beras Solok pada bulan Juni 2013 dengan jumlah total responden setiap beras
Solok pada bulan Juni 2013. Misalnya nilai 0,333 diperoleh dengan cara membagi
jumlah responden beras Sokan pada bulan Juni 2013 sebanyak 42 responden dengan
jumlah total responden beras Sokan pada bulan Juni 2013 yang sebanyak 126.
Matriks A merupakan matriks probabilitas transisi perpindahan konsumen
terhadap beras Solok. Misalnya probabilitas konsumen berpindah dari beras Solok
Anak Daro ke Sokan adalah sebesar 0,043, secara matematis ditulis:
P(Sokan | Anak Daro) = 0.043
P(Sokan | Caredek) = 0.500
P(Sokan | Randah kuniang) = 0.333
P(Sokan | Lain-lain) =0

13
 P(Anak Daro | Sokan ) = 0.111
P(Anak Daro | caredek ) = 0.083
P(Anak Daro | randah kuniang ) =0
P(Anak Daro | lain-lain ) =0
P(Caredek | Sokan ) = 0.333
P(Caredek | Anak daro ) = 0.217
P(Caredek | randah kuniang) = 0.334
P(Caredek | lain-lain) =0
P(randah kuniang | Sokan ) = 0.167
P(randah kuniang | anak daro) = 0.087
P(randah kuniang | caredek) = 0.083
P(randah kuniang | lain-lain ) =1
P(lain-lain | Sokan ) = 0.056
P(lain-lain | anak daro) = 0.043
P(lain-lain | caredek ) = 0.083
P(lain-lain | randah kuniang) = 0.333

Berdasarkan landasan teori, dapat dihasilkan matriks probabilitas observasi

(B) berikut ini:
42 14 42 21 7
105 119 112 49 35
7 98 35 14 7
105 119 112 49 35
42 7 21 7 7
B= 105 119 112 49 35
14 0 14 0 14
105 119 112 49 35
0 0 0 7 0
[105 119 112 49 35]
0,400 0,118 0,375 0,428 0,200
0,067 0,823 0,312 0,286 0,200
B = 0,400 0,059 0,188 0,143 0,200
0,133 0 0,125 0 0,400
[ 0 0 0 0,143 0 ]
catatan : Probabilatas suatu kejadian adalah 1
jika di jumlahkan kebawah akan menghasilkan 1
0.400 + 0.067 + 0.400 + 0.133 + 0 = 1

14
 Nilai entry pada matriks B diperoleh dengan cara membagi jumlah responden
masing-masing beras Solok pada bulan November 2013 untuk setiap kategori yang
dipilih dengan jumlah total responden setiap beras Solok pada bulan November
2013. Misalnya: nilai 0,400 diperoleh dengan cara membagi jumlah responden beras
Sokan pada bulan Juni 2013 yang memilih kategori 1 sebanyak 42 responden dengan
jumlah total responden beras Sokan pada bulan November 2013 yang sebanyak 105.
Matriks B adalah matriks yang menunjukkan probabilitas konsumen dalam
memilih beras Sokan berdasarkan kategori. Misalnya jika konsumen menggunakan
beras Caredek pada bulan November 2013, maka probabilitas konsumen memilih
kategori 1 adalah sebanyak 0,375, secara matematis ditulis P (1| Caredek) = 0,375

Selanjutnya, desain interface dari program Delphi yang digunakan dalam

model hidden Markov. Masukan program ini adalah jumlah pengamatan barisan
observasi dalam lima kategori yaitu: kategori A untuk beras Sokan, kategori B untuk
beras Anak Daro, kategori C untuk beras Caredek,kategori D untuk beras Randah
Kuniang, kategori E untuk beras lain-lain. Entri matriks probabilitas transisi adalah

a_ij = P(X_(t+1) = j | X_t = i)

dari setiap beras Solok sedangkan entri matriks probabilitas observasi adalah

b_i(v_k) = P(O_t = v_k|X_t = q_i)

yang menyatakan probabilitas bersyarat kategori dari beras Solok dengan

syarat setiap beras Solok. Matriks transisi awal merupakan dari setiap beras Solok.

= { }, = (0 = )

15
 BAB IV

PENUTUP

KESIMPULAN

Setelah melakukan analisis tentang model hidden Markov untuk prediksi

perpindahan konsumen beras Solok, maka dapat disimpulkan model hidden Markov
dapat digunakan untuk mengetahui prediksi perpindahan konsumen beras Solok
dengan membuat konstruksi model menghasilkan barisan hidden state beras Caredek,
beras Anak Daro, beras Sokan, beras Randah Kuniang, dan beras lain-lain.

SARAN

Saran yang dapat diberikan untuk pengembangan lebih lanjut dari penelitian
ini adalah sebaiknya penelitian di lakukan untuk kasus-kasus yang lain yang
mempunyai faktor penyebab kejadian (N) lebih dari dua dan menggunakan algoritma
Baum-Welch yang bertujuan untuk mengoptimalkan parameter-parameter model
dengan cara memperbaharui (re-estimasi)

16