Muh.

Akram Syawal (530004025)

MK : EKMA5103.03 - Metode Kuantitatif

INISIASI 5
Forum Diskusi

Bapak dan Ibu,

Silahkan baca file tambahan diskusi Markov I dan II, dan lanjutkan dengan diskusi seperti yang
terdapat di file-file tersebut, yang saya kutip di bawah ini:
1. Sebutkan tiga perbedaan pokok matrik probabilitas transisi dengan matrik lain pada umumnya?
2. 2.Sebutkan beberapa contoh lain fenomena sosial/ekonomi/bisnis yang dapat dimodelkan oleh
proses Markov ! (lengkap dengan matriks probabilitas transisi)
3. Bagaiman cara menentukan/menduga probabilitas transisi Markov?
4-6 Benar atau salah?
4. Prediksi situasi sistem untuk satu atau beberapa periode waktu berikutnya dengan analisis
Markov melalui perpangkatan matriks probabilitas transisi! Berikan contoh!
5. Setiap fenomena yang dimodelkan atau dianalisis dengan model Markov akan tergantung matrik
probabilitas transisinya! Jelaskan alasan anda.
6. Setiap proses Markov mempunyai kondisi tetap untuk jangka panjang! Bagaimana
menentukannya?
7. Apa manfaat dari mengetahui kondisi tetap (distribusi stasioner) proses Markov? Sebutkan
contohnya!

Tetap Semangat,

Tutor.

Jawab :
Assalamu alaikum.. ijin menanggapi..

1. Tiga perbedaan pokok matrik probabilitas transisi dengan matrik lain

a. Jumlah probabilitas dalam satu baris matriks sama dengan 1
b. Matriks probababilitas transisi merupakan matriks bujur sangkar, dimana jumlah kolom
dan barisnya adalah sama.
c. Angka dalam matriks identitas merupakan bilangan non negatif dan tidak lebih dari satu,
karena melambangkan kemungkinan atau peluang.

2. Contoh lain fenomena sosial/ekonomi/bisnis yang dapat dimodelkan oleh proses Markov
(lengkap dengan matriks probabilitas transisi)
Contoh 1.
Pada suatu negara terdapat dua partai politik, L dan C. Pemilihan umum berlangsung setiap tiga
tahun. Partai yang memenangkan pemilu membentuk pemerintahan. Catatan dari pemilu selama
35 tahun terakhir tertera pada tabel 3.

Tabel Daftar pemenang pemilu

Tahun Ke 0 3 6 9 12 15 18 21 24 27 30 33
Pemenang
C C L C L L C L L C L L
Pemilu

Penyelesaian :

Ditentukan keadaan 1 adalah L pemenang pemilu sedangkan keadaan 2 adalah C adalah

pemenang pemilu. Hasil 12 pemilu tersebut ditabulasikan kemungkinan transisinya seperti
terlihat pada tabel 4 :
Tabel : Matriks kemungkinan transisi
Pilihan pada suatu Pilihan pada periode berikutnya
periode Keadaan 1 Keadaan 2 Total Baris
C 1 4 5
L 3 3 6

Dengan demikian kemungkinan transisinya P adalah

P = 0,2 0,8

0,5 0,5

Contoh 2
Angka indeks industri Dow Jones diklasifikasikan ke dalam tiga keadaan sbb. :
Keadaan 1 : Penurunan angka indeks dari angka indeks hari terakhir sebelumnya
Keadaan 2 : Tidak ada perubahan angka indeks
Keadaan 3 : Peningkatan angka indeks dari angka indeks hari sebelumnya
Tabel diatas menggambarkan jumlah hari perdagangan perpindahan keadaan angka indeks yang
tercatat selama tahun-tahun terakhir.

Tabel Perubahan angka indeks Dow Jones

 Perubahan indeks Perubahan indeks hari berikutnya
pada suatu hari Turun Tetap naik Junlah baris
Turun 65 40 95 200
Tetap 80 50 20 150
Naik 50 70 60 180

Dari tabel di atas terlihat jumlah hari dimana angka indeks yang pada suatu hari turun, pada hari
berikutnya turun adalah turun kembali sebanyak 65 kali, sebanyak 40 kali tetap, dan sebanyak
95 kali meningkat. Total pada suatu hari turun adalah sebanyak 200 kali.

Matriks kemungkinan transisinya setelah dihitung adalah sebesar P sebagai berikut :

65/200 40/200 95/200

P= 80/150 50/150 20/150
50/180 70/180 60/180

0,325 0,200 0,475

=
0,534 0,333 0,133
0,278 0,389 0,333

3. Cara menentukan/menduga probabilitas transisi Markov:

Suatu sistem Markov dengan state space  dan matrik probabilitas transisi P. Matriks P
menunjukkan distribusi probabilitas transisi sistem dari satu state pada waktu t (sekarang)
bergerak ke state lainnya pada satu waktu berikutnya (t+1). Jika sistem terus bergerak ke dua
waktu berikutnya (t+2), t+3, ...., dan seterusnya, maka distribusi probabilitas transisi pada n
waktu berikutnya dari sekarang (t + n) adalah

Pn = P(n-1) . P

Dimana: P(n) = vektor probabilitas situasi pada waktu n

P(n-1) = vektor probabilitas situasi pada waktu n-1
P = matriks probabilitas transisi

Jika sistem melakukan transisi m waktu berikutnya maka distribusi probabilitas transisi pada
n+m waktu berikutnya dari sekarang (t + n+m) adalah
P n+m = P n . P m
4. Prediksi situasi sistem untuk satu atau beberapa periode waktu berikutnya dengan analisis
Markov melalui perpangkatan matriks probabilitas transisi adalah (Benar)
Contoh :

Curah hujan (rainfall). Misal sistem keadaan cuaca (hujan atau tidak hujan) pada hari t. State
space adalah  = { Hujan=0, Tidak Hujan=1). Matriks probabilitas transisi sebagai berikut:

p p01   0.75 0.25 

P   00 
 p10 p11   0.34 0.66 

a. probabilitas lusa (dua hari mendatang) tidak hujan jika hari ini hujan
Pn = P(n-1) . P
P2 =P.P
 0.75 0.25   0.75 0.25 
=  
 0.34 0.66   0.34 0.66 
 0.75*0.75  0.25*0.34 0.75*0.25  0.25*0.66 
= 
 0.34*0.75  0.66*0.34 0.34*0.25  0.66*0.66 
 0.65 0.35 
= 
 0.48 0.52 
Probabilitas lusa tidak hujan jika hari ini hujan adalah p201=0.35.

b. Probabilitas akan hujan empat hari dari sekarang jika hari ini hujan
Pn+ m = Pn . Pm
P4 = P2. P2
 0.65 0.35   0.65 0.35 
=  
 0.48 0.52   0.48 0.52 
 0.59 0.41 
= 
 0.56 0.44 
Probabilitas akan hujan empat hari dari sekarang jika hari ini hujan adalah p400=0.59.

5. Setiap fenomena yang dimodelkan atau dianalisis dengan model Markov akan tergantung matrik
probabilitas transisinya adalah (benar)
Penjelasan:

Suatu proses Markov dikarakterisasikan oleh matriks probabilitas transisi P. Apabila matrik P ini
dipangkatkan dengan bilangan-bilangan yang besar untuk mengetahui distribusi P dalam
periode-periode/waktu yang lama, maka matrik P akan mempunyai kondisi yang tetap yang
berbentuk vektor π = (π1 π2 ... πn). Dalam hal ini, dikatakan bahwa proses markov dengan matrik
probabilitas transisi P mempunyai distribusi stasioner π = (π1 π2 ... πn). Distribusi stasioner
merupakan distribusi stabil matriks P dalam jangka panjang sehingga proses Markov akan
 konvergen menuju situasi tetap. Artinya, dalam jangka panjang (periode waktu yang lama)
probabilitas terjadinya situasi tertentu (state ke-j) akan mendekati nilai xj tidak lagi tergantung
situasi sebelumnya.

6. Setiap proses Markov mempunyai kondisi tetap untuk jangka panjang adalah (Benar)

Distribusi stasioner merupakan distribusi stabil matriks P dalam jangka panjang sehingga proses
Markov akan konvergen menuju situasi tetap. Artinya, dalam jangka panjang (periode waktu
yang lama) probabilitas terjadinya situasi tertentu (state ke-j) akan mendekati nilai xj tidak lagi
tergantung situasi sebelumnya. Permasalahan penentuan distribusi stasioner π jika diketahui
matriks transisi P diselesaikan dengan analisis nilai dan vektor eigen.

Secara umum untuk suatu rantai Markov dengan dua keadaan matriks kemungkinan
perpindahan keadaan (transisi)nya adalah :

p11 p12
p21 p22

maka kemungkinan pada keadaan steady state memenuhi hubungan :

(p1 p2) = (p1 p2) p11 p12

p21 p22

diperoleh :
π1 = p21 / (1 – p11 + p21 ) π2 = p12 / (1 – p12 + p22 )

7. Manfaat dari mengetahui kondisi tetap (distribusi stasioner) proses Markov adalah dapat
digunakan membuat analisa yang dapat memberikan informasi untuk membantu pembuatan
keputusan.
Contoh:
Pada suatu kota kecil terdapat dua pasar swalayan W dan L. Diasumsikan setiap pembeli di kota
tersebut melakukan kunjungan belanja satu kali per minggu. Dalam sembarang minggu seorang
pembeli hanya berbelanja di W atau di L saja, dan tidak di keduanya. Kunjungan belanja disebut
percobaan (trial) dari proses dan toko yang dipilih disebut keadaan dari proses. Suatu sampel
100 pembeli diambil dalam periode 10 minggu, kemudian data dikompilasikan. Dalam
menganalisis data, terlihat bahwa dari seluruh pembeli yang berbelanja di W dalam suatu
minggu, 90 persen tetap berbelanja di toko W pada minggu berikutnya, sedangkan sisanya
berpindah belanja pada toko L. 80 persen dari yang berbelanja di toko L dalam suatu minggu
tetap berbelanja di toko L sedangkan 20 persen berpindah belanja pada toko W. Informasi
tersebut disusun pada tabel 2 berikut :

Tabel 2 : Matriks kemungkinan transisi

Pilihan pelanggan Pilihan pada minngu berikutnya
suatu minggu W L
W 90 10
L 20 10

Pada kedua baris berjumlah 100, tetapi jumlah kolom tidak. Informasi ini digunakan untuk
membuat matriks kemungkinan perpindahan keadaan / transisi.

Didefinisikan :
Keadaan 1 : Pembeli berbelanja di W
Keadaan 2 : Pembeli berbelanja di L
Dengan demikian matriks kemungkinan transisi adalah P :

P= p11 p12
p21 p22

= 90/100 10/100
20/100 80/100

= 0,9 0,1
0,2 0,8

Jika contoh diatas diasumsikan bahwa L percaya bahwa suatu kampanye akan meningkatkan
kemungkinan pembeli W beralih pada L dari 0.1 menjadi 0.3 sedangkan yang tetap berbelanja di
L meningkat dari 0.8 menjadi 0.9. Jumlah keseluruhan pasar diperkirakan 10.000 pembeli per
minggu dan keuntungan yang diperoleh oleh toko L adalah sebesar $ 2 per pelanggan. Haruskah
L melakukan kampanye promosi.

Matriks kemungkinan transisi setelah melakukan promosi adalah :

 P= 0,7 0,3
0,1 0,9
Setelah dihitung diperoleh kemungkinan pada keadaan steady state :

π1 = 1/4
π2 = 3/4

Pangsa pasar L meningkat menjadi 75 % dimana sebelumnya adalah sebesar 331/3 %. Karena
keseluruhan pasar berjumlah 10.000 pembeli per minggu, maka jumlah pembeli toko L
meningkat sebesar = 7500 – 3333 = 4167 pembeli per minggu. Apabila keuntungan rata-rata dari
setiap pembeli sebesar $ 2 per minggu maka keuntungan akan meningkat sebesar $8334.
Selama biaya kampanye promosi lebih kecil dari jumlah tersebut, maka L sebaiknya memikirkan
tentang kampanye tersebut. Situasi keseluruhan akan berubah apabila W juga mengadakan
kampanye yang mengimbangi keunggulan L secara keseluruhan atau sebagian.

Mohon Koreksi jika terdapat kekeliruan…

Terima kasih..