LAPORAN RISET OPERASI

TEORI PROBABILITAS DAN STATISTIK

MENGGUNAKAN MODEL MARKOV

Laporan Ini Dibuat Untuk Memenuhi Tugas Mata Kuliah Sistem Informasi Manajemen
Yang Diampu Oleh:

IQBAL ZAKARIYA, M.T

Disusun Oleh : Kelompok 2

Rofiatul Islamiyah (2018.12.07.31.0217)

Riput Agustina (2018.12.07.31.0216)
Rohmatul Hasanah (2018.12.07.31.0218)

PROGRAM STUDI PERBANKAN SYARIAH

FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM ZAINUL HASAN
GENGGONG KRAKSAAN PROBOLINGGO
2020
 KATA PENGANTAR

Assalamu’alaikum Wr. Wb

Segala puji dan puja penulis panjatkan kehadirat Allah SWT atas segala Rahmat,
Inayah, dan Petunjuk-Nya. Shalawat dan salam penulis sampaikan kepada manusia pilihan
Allah SWT, junjungan kita Nabi Muhammad SAW.
Alhamdulillah laporan ini dapat terselesaikan tepat pada waktunya. Laporan ini
disusun untuk memenuhi salah satu tugas mata kuliah Sistem Informasi Manajemen dengan
Judul “Laporan Riset Operasi (Teori Probabilitas dan Statistik Menggunakan Model
Markov)”, karena terbatasnya ilmu yang kami miliki maka laporan ini jauh dari sempurna
untuk itu saran dan kritik yang membangun sangat penulis harapkan.
Tidak lupa penulis sampaikan rasa terima kasih yang tak terhingga kepada dosen
pembimbing IQBAL ZAKARIYA, M.T serta semua pihak yang telah turut membantu dalam
penyusunan laporan ini. Semoga bantuan dan bimbingan yang telah diberikan kepada kami
mendapat balasan yang setimpal dari Allah SWT. Penulis juga berharap semoga laporan ini
bermanfaat khususnya bagi penulis dan umumnya bagi pembaca. Amin Ya Robbal „Alamin.

WassalamualikumWr. Wb

Kraksaan, 20 Juni 2020

Kelompok 2

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................................... i

DAFTAR ISI.............................................................................................................................ii

BAB I : PENDAHULUAN

A. Latar Belakang ................................................................................................................ 1

B. Rumusan Masalah ........................................................................................................... 2

C. Tujuan ............................................................................................................................. 2

BAB II : KAJIAN TEORI

A. Pengertian Probabilitas Dan Statistik.............................................................................. 3

B. Pengertian Proses Keputusan Markov ............................................................................ 3

C. Sejarah............................................................................................................................. 4

D. Proses Analisis Markov .................................................................................................. 5

E. Matriks Probabilitas Transisi .......................................................................................... 5

F. Menghitung Probabilitas Suatu Kejadian Di Waktu Yang Akan Datang ....................... 6

G. Menentukan Kondisi Steady State .................................................................................. 6

BAB III : HASIL DAN PEMBAHASAN

A. Studi Kasus ..................................................................................................................... 7

B. Hasil Pengolahan Data .................................................................................................... 8

BAB IV : PENUTUP

A. Kesimpuan .................................................................................................................... 19

B. Saran ............................................................................................................................. 19

DAFTAR PUSTAKA

ii
 BAB I

PENDAHULUAN

A. LATAR BELAKANG
Perkembangan ilmu pengetahuan dan teknologi saat ini ditunjang dengan
kemampuan dan perkembangan ilmu eksakta. Diantara ilmu eksakta yang mempunyai
peranan penting dalam kemajuan IPTEK yaitu ilmu matematika. Pesatnya
perkembangan matematika ditandai dengan semakin luasnya cakupan peranan ilmu
matematika. Ilmu statistika merupakan bagian dari ilmu eksakta yang merupakan
salah satu cabang ilmu matematika. Sekarang ini ilmu statistika banyak mendapatkan
perhatian dikalangan ilmuan yaitu sebagai dasar analisis atau perancangan yang
menyangkut olah data pengambilan keputusan/kebijakan.
Salah satu model Probabilitas yaitu Model Proses Markov. Rantai markov atau
analisis markov adalah suatu teknik mateatika yang biasa digunakan untuk melakukan
pembuatan model (modelling) bermacam-macam sistem dan proses bisnis. Teknik ini
dapat digunakan untuk memperkirakan perubahan-perubahan di waktu 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 matematis.
Penerapan rantai Markov mula-mula adalah pada ilmu-ilmu pengetahuan
phisik dan meteorologi. Analisis markov telah banyak digunakan untuk menganalisa
tentang perpindahan merk dalam pemasaran, perhitungan rekening-rekening, jasa-jasa
persewaan mobil, perencanaan penjualan, masalah-masalah persedian, pemeliharaan
mesin, antrian, perubahan harga pasar saham, dan administrasi rumah sakit.
Semuanya ini hanya beberapa contoh apliksi yang banyak dijumpai sekarang.
Sehingga pada kali ini akan dijelaskan konsep dasar dari analisis markov
seperti probabilitas transisi, kondisi-kondisi kedudukan tetap (steady state) dengan
menggunakan suatu contoh kasus perpindahan merk dalam pemasaran.

Sistem Informasi Manajemen | 1

B. RUMUSAN MASALAH
Dari latar belakang yang sudah di paparkan di atas dapat ditulis rumusan masalah
sebagai berikut:
1. Bagaimana pengaplikasian analisis markov pada suatu kasus?
2. Bagaimana menyusun matriks probabilitas transisi?
3. Bagaimana menghitung probabilitas suatu kejadian di waktu yang akan datang?
4. Bagaimana menentukan kondisi steady state?

C. TUJUAN
Dari rumusan masalah yang sudah di paparkan di atas dapat ditulis tujuan masalah
sebagai berikut:
1. Untuk mengetahui pengaplikasian analisis markov pada suatu kasus.
2. Untuk mengetahui cara penyusunan matriks probabilitas transisi.
3. Untuk mengetahui probabilitas suatu kejadian di waktu yang akan datang.
4. Untuk mengetahui kondisi steady state.

Sistem Informasi Manajemen | 2

 BAB II

KAJIAN TEORI

A. PENGERTIAN PROBABILITAS DAN STATISTIK

Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah 'statistika'
(bahasa Inggris: statistics) berbeda dengan 'statistik' (statistic). Statistika merupakan
ilmu yang berkenaan dengan data, sedang statistik adalah data, informasi, atau hasil
penerapan algoritma statistika pada suatu data. Dari kumpulan data, statistika dapat
digunakan untuk menyimpulkan atau mendeskripsikan data; ini dinamakan statistika
deskriptif. Sebagian besar konsep dasar statistika mengasumsikan teori probabilitas.
Beberapa istilah statistika antara lain: populasi, sampel, unit sampel, dan probabilitas.
Probabilitas atau Peluang adalah suatu ukuran tentang kemungkinan suatu
peristiwa (event) akan terjadi di masa mendatang. Probabilitas dapat juga diartikan
sebagai harga angka yang menunjukkan seberapa besar kemungkinan suatu peristiwa
terjadi, diantara keseluruhan peristiwa yang mungkin terjadi. Probabilitas
dilambangkan dengan P.

B. PENGERTIAN PROSES KEPUTUSAN MARKOV

Rantai markov atau analisis markov adalah suatu teknik mateatika yang biasa
digunakan untuk melakukan pembuatan model (modelling) bermacam-macam sistem
dan proses bisnis. Teknik ini dapat digunakan untuk memperkirakan perubahan-
perubahan di waktu 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 matematis.
Analisis Rantai Markov merupakan sebuah teknik yang berhubungan dengan
probabilitas akan state di masa mendatang dengan menganalisis probabilitas saat ini
(Haryadi Sarjono, 2007).
Analisis Rantai Markov ini dikembangkan oleh seorang ahli Matematika
Ruasia bernama Andrei A. Markov. Analisis Markov merupakan suatu bentuk khusus
dari model probabilistik yang lebih umum yang dinamakan stochastic process,
Sistem Informasi Manajemen | 3
 dimana analisis Rantai Markov yang dihasilkan adalah suatu informasi probabilistik
yang dapat digunakan untuk membantu pembuatan keputusan.
Berdasarkan ruang keadaan dan ruang parameternya Proses Markov dapat
dikelompokkan menjadi proses markov dengan ruang sampel diskrit dan proses
Markov dengan ruang sampel kontinu. Sebagai contoh, salah satu proses stokastik
dengan ruang sampel diskrit adalah banyaknya pengunjung yang datang kesuatu
pertokoan pada hari ke-t. Dan contoh proses stokastik dengan ruang sampel kontinu
adalah selang waktu antar kedatangan pengunjung kesuatu pertokoan pada waktu t
sembarang.

C. SEJARAH
Andrei Andreevich Markov (2 juni 1856 - 20 juli 1922) adalah seseorang
fisikawan rusia. Dalam usahanya untuk menjelaskan secara matematik gejalan alam
yang di kenal dengan gerak brown, ia menemukan sebuah fakta yang kemudian
dikenal sebagai rantai markov (Markov Chain). Konstruksi matematik proses markov
yang benar dengan trajektori-trakjektori yang berkesinambungan pertama kali di
lakukan oleh N. Wiener pada tahun 1923. Selanjutnya, teori umum proses markov
dikembangan oleh A.N. Kol Magorov, W.Feler, W.Doweblin, P.Levy, pada tahun
1930 dan 1940.
Temuan A.A Markov adalah : “Untuk setiap waktu t, ketika kejadian adalah
Kt, dan seluruh kejadian sebelumnnya adalah Kt( j), ..., Kt(j-n) yang terjadi dari proses
yanag diketahui, probabilitas seluruh kejadian yang akan datang Kt(j) hanya tergantung
kepada kejadian Kt(j-1) dan tidak tergantung kepada kejadian-kejadian sebelumnya
yaitu Kt(j-2), Kt(j-3), ..., Kt(j-n).”
Gambaran mengenai rantai Markov ini kemudian dituangkan ke dalam
gerakan-gerakan dari beberapa variabel di masa yang akan datang bisa diprediksi
berdasarkan gerakan-gerakan variabel tersebut di masa lalu. Kt4 di pengaruhi oleh
kejadian Kt3 , Kt3 dipengaruhi oleh kejadian Kt2 , dan demikian seterusnya di mana
perubahan ini terjadi karena peranan probabilitas transisional. Kejadian Kt2 misalnya,
tidak akan mempengaruhi kejadian Kt4. Katrakteristik model seperti ini telah
memungkinkan eksplorasi penerapan di berbagai bidang, misalnya :

Sistem Informasi Manajemen | 4

 1965 Menentukan jumlah pom bensin yang harus dibuat oleh perusahaan minyak
pada suatu daerah pemasaran. [Philip H. Harting and James L. Fisher]
1966 Menetukan jumlah optimal panggilan telepon yang harus dibuat oleh seorang
salesman agar dapat menghasilkan untung, sebelum ia memutuskan bahwa
tiap telepon yang ia buat berikutnya adalah sia-sia. [A Shuman]
1972 Mengevaluasi strategi penentuan harga [John R. Nevin]
1973 Menganalisa perilaku konsumen dan pengaruh dari kesetiaan terhadap merek
dengan tujuan meningkatkan segmentasi pasar [Jim Wong]
1973 Menganalisa fluktuasi biaya keamanan [T. M. Tyun]
1973 Menentukan kebutuhan tenaga kerja [Young and Neilson]

D. PROSES ANALISIS MARKOV

Terdapat 3 prosedur utama untuk dilakukan, yaitu :
1. Menyusun Matriks Probabilitas Transisi,
2. Menghitung Probabilitas suatu kejadian di waktu yang akan datang,
3. Menentukan kondisi steady state

E. MATRIKS PROBABILITAS TRANSISI

Probabilitas Transisi adalah perubahan dari satu status ke status yang lain pada
periode (waktu) berikutnya dan merupakan suatu proses random yang dinyatakan
dalam probabilitas. Untuk lebih jelasnya dapat dilihat pada Tabel 1 berikut ini :

Dari Pindah ke keadaan ke:

Keadaan Ke: 1 2 ... j ... n
1 p11 p12 ... p1j ... p1
2 p21 p22 ... p2j ... n
3 pi1 pi2 ... pij ... p2n
i pn1 pn2 ... pnj ... pin

n adalah jumlah keadaan dalam proses dan pij adalah kemungkinan transisi
dari keadaan saat i ke keadaan j. Jika saat ini berada pada keadaan i maka baris i dari
tabel di atas berisi angka-angka pi1, pi2, , pin merupakan kemungkinan berubah ke
keadaan berikutnya. Oleh karena angka tersebut melambangkan kemungkinan, maka
semuanya melupakan bilangan non negatif dan tidak lebih dari satu. Secara
matematis:

Sistem Informasi Manajemen | 5

 0 < pij < 1 i = 1, 2, ....., n

Σ pij = 1 i = 1, 2, ....., n

F. MENGHITUNG PROBABILITAS SUATU KEJADIAN DI WAKTU YANG

AKAN DATANG
1. Probabilitas Tree
Probabilitas Tree merupakan cara yang mudah untuk menggambarkan
sejumlah terbatas transisi dari suatu proses Markov.
2. Pendekatan Matriks
Ada kalanya kita harus mencari probabilitas pada periode yang sangat besar,
misalkan periode hari ke-9, ke-10 dan seterusnya, akan sangat menyulitkan dan
membutuhkan media penyajian yang khusus jika kita menggunakan Probabilitas
Tree. Permasalahan tersebut dapat diselesaikan dengan menggunakan metode
Pendekatan Matriks Probabilitas.

G. MENENTUKAN KONDISI STEADY STATE

Dalam banyak kasus, proses markov akan menuju pada Steady State
(keseimbangan) artinya setelah proses berjalan selama beberapa periode, probabilitas
yang dihasilkan akan bernilai tetap, dan probabilitas ini dinamakan Probabilitas
Steady State.

Sistem Informasi Manajemen | 6

 BAB III

HASIL DAN PEMBAHASAN

A. STUDI KASUS
Suatu komunitas kecil memiliki dua pompa bensin, Petroco dan National.
Penduduk komunitas tersebut membeli bensin pada kedua pompa bensin tersebut atas
dasar bulanan. Bagian pemasaran Petroco mengadakan survei terhadap sejumlah
penduduk dan menemukan bahwa pelanggan tidak setia sepenuhnya pada pompa
bensin manapun. Pelanggan akan pindah pompa bensin sebagai akibat dari adanya
periklanan, pelayanan, dan faktor lainnya.
Bagian pemasaran menemukan bahwa jika seorang pelanggan membeli bensin
dari Petroco di bulan apapun, probabilita yang ada hanya sebesar 0.6 bahwa
pelanggan tersebut akan tetap membeli dari Petroco di bulan berikutnya dan 0.4
bahwa pelanggan tersebut akan membeli bensin dari National di bulan berikutnya.
Demikian pula jika seorang pelanggan mengadakan transaksi dengan National
di suatu bulan, terdapat probabilita sebesar 0.8 bahwa pelanggan tersebut akan
membeli dari National di bulan berikutnya dan 0.2 bahwa pelanggan tersebut akan
membeli dari Petroco. Probabilita-probabilita ini dirangkum dalam tabel 2.

Bulan Berikutnya
Bulan Ini
Petroco National
Petroco 0,6 0,4
National 0,2 0,8

Tabel 2. Probabilita Pergerakan Pelanggan per Bulan

Hal ini mengandung beberapa asumsi penting :

1. Perhatikan bahwa dalam tabel 2, jumlah probabilita tiap baris sama dengan 1.0.
Ini berarti bahwa jika seorang pelangan melakukan transaksi dengan Petroco di
suatu bulan, pelanggan tersebut pasti melakukan transaksi entah dengan Petroco
atau National di bulan berikutnya.
2. Probabilita – probabilita dalam tabel 2 berlaku untuk setiap pelanggan yang
membeli bensin.

Sistem Informasi Manajemen | 7

 3. Kapanpun pelanggan membeli bensin, probabilita ia melakukan transaksi dengan
salah satu pompa bensin dalam bulan berikutnya adalah yang tertera dalam tabel
2.
4. Kejadian – kejadian yang terjadi merupakan kejadian yang berdiri sendiri
sepanjang waktu.

B. HASIL PENGOLAHAN DATA

1. Perhitungan Manual
Kedua pompa bensin tersebut ingin mengetahui probabilita seorang pelanggan
melaukan transaksi dalam bulan ketiga dengan asumsi bahwa pelanggan tersebut
melakukan transaksi dengan mereka bulan ini (1). Analisa ini dapat dilakukan
untuk masing-masing pompa bensin dengan menggunakan diagram pohon, seperti
ditunjukkan dalam gambar 1 dan 2.
Untuk menentukan probabilita seorang pelangan melakukan transaksi dengan
Petroco di bulan 3 dengan melihat kenyataan bahwa pada bulan 1 ia melakukan
transaksi dengan Petroco, kita harus menjumlahkan dua cabang probabilita yang
berkaitan dengan Petroco dalam gambar 1.
Untuk menentukan probabilita pembelian bensin dari National dalam bulan 3,
kita menjumlahkan dua cabang probabilita yang berkaitan dengan National dalam
gambar 1.
0.36+0.08 = 0.44, probabilita transaksi dengan Petroco dalam bulan 3.
0.24+0.32=0.56, probabilita transaksi dengan National dalam bulan 3.

Sistem Informasi Manajemen | 8

 Gambar 1. Probabilita keadaan di masa yang akan datang
Bulan 1 Bulan 2 Bulan 3

Petroco
0.36
Petroco
National
0.24
Petroco
Petroco
0.08
National
National
0.32
Gambar 2. Probabilita keadaan di masa yang akan datang
Bulan 1 Bulan 2 Bulan 3

Petroco
0.12
Petroco
National
0.08
National
Petroco
0.16
National
National
0.64

Analisa yang sama dapat dilakukan untuk kondisi dimana seorang pelanggan
pada awalnya membeli bensin dari National, seperti ditunjukkan dalam Gambar 2.
Dengan asumsi bahwa National merupakan keadaan awal dalam bulan 1.

Sistem Informasi Manajemen | 9

Probabilita pembelian bensin dari National dalam bulan 3 adalah
0.08 + 0.64 = 0.72
dan Probabilita pembelian dari Petroco dalam bulan 3 adalah
0.12 + 0.16 = 0.28

Perhatikan bahwa untuk setiap keadaan awal, baik Petroco maupun National,
jumlah probabilita yang berakhir pada keadaan di bulan 3 manapun adalah sama
dengan 1.0
Probabilitas Transaksi
Keadaan Awal
Petroco National Jumlah

Petroco 0.44 0.56 1.00

National 0.28 0.72 1.00

Walaupun sangat logis, penggunaan diagaram pohon untuk analisa jenis ini
dianggap banyak menghabiskan waktu dan tidak praktis. Sebagai contoh, jika
Petroco ingin mengetahui probabilita seorang pelanggan yang melakukan
transaksi dengan mereka di bulan satu akan tetap melakukan transaksi dengan
mereka di bulan 10, suatu diagram pohon yang besar harus dibuat. Sebagai
alternatif, analisa diatas yang dilakukan dengan menggunakan diagram pohon
dapat juga diselesaikan dengan menggunakan teknik aljabar matriks.

Matriks Transisi
Probabilitas pergerakan pelanggan dari satu pompa bensin ke pompa bensin
lain dalam periode satu bulan, yang ditampilkan dalam bentuk tabel pada Tabel 1,
dapat juga ditampilkan dalam bentuk susunan angka berbentuk empat persegi
panjang yang disebut matriks, seperti ditunjukkan di bawah ini.

Sistem Informasi Manajemen | 10

 Bulan Berikutnya
Bulan Pertama
Petroco National

T = Petroco 0.60 0.40

National 0.20 0.80

Karena sebelumnya telah didefinisikan probabilita ini sebagai probabilita

transisi, maka matriks diatas adalah matriks transisi. Keadaan sekarang dari
suatu sistem ditulis pada sisi kiri matriks transisi, dan keadaan mendatang dalam
periode waktu berikutnya ditulis pada sisi kanan.
Ditetapkan probabilta transaksi seorang pelanggan dengan Petroco dalam
periode i, dengan asumsi bahwa pada awalnya pelanggan tersebut melakukan
transaksi dengan Petroco, seperti

Probabilita transaksi
dengan Petroco

Periode mendatang i

PP(i)

Keadaan awal Petroco

Demikian pula halnya, probabilita transaksi seorang pelanggan dengan

National pada periode i, dengan asumsi pelanggan tersebut pada awalnya
melakukan transaksi dengan Petroco, adalah :

Probabilita transaksi
dengan National
Periode mendatang i
NP (i)

Keadaan awal Petroco

Sistem Informasi Manajemen | 11

Sebagai contoh, probabilita transaksi seorang pelanggan dengan National di bulan
2, dengan asumsi pelanggan tersebut pada awalnya melakukan transaksi dengan
Petroco, adalah Np (2).

Probabilita transaksi seorang pelanggan dengan Petroco dan National di

periode mendatang i, dengan asumsi pelanggan tersebut pada mulanya melakukan
transaksi dengan National, didefinisikan sebagai Pn(i) dan Nn(i).

(Saat menginterpretasikan simbol-simbol ini, ingatlah selalu bahwa subscript

menunjuk pada keadaan awal).

Jika seorang pelanggan saat ini melakukan transaksi dengan Petroco (bulan 1),
probabilita berikut ini tersedia:

Pp(1) = 1.0

Np(1) = 0.0

Dengan kata lain, probabilita transaksi pelanggan dengan Petroco di bulan 1,

dengan asumsi pelanggan tersebut melakukan transaksi dengan Petroco adalah
1.0. Probabilita-probabilita ini juga dapat disusun dalam bentuk matriks sebagai
berikut:

Pp 1 Np 1  1.0 0.0

Matriks ini menentukan kondisi awal dari sistem contoh kita, dengan asumsi
seorang pelanggan pada awalnya melakukan transaksi dengan Petroco, seperti
dalam Gambar 1.

Dengan kata lain, seorang pelanggan pada mulanya melakukan transaksi

dengan Petroco pada bulan 1. Kita dapat menentukan probabilita berikutnya atas
transaksi pelanggan dengan Petroco atau National di bulan 2 dengan mengalikan
matriks di atas dengan matriks transisi, sebagai berikut :

0.60 0.40
Bulan 2 Pp2 Np2  1.0 0.0 
0.20 0.80
 0.60 0.40

Sistem Informasi Manajemen | 12

 Probabilita-probabilita sebesar 0.60 untuk transaksi pelanggan dengan Petroco
dan 0.40 untuk transaksi pelanggan dengan National adalah sama dengan
probabilita-probabilita yang dihitung oleh diagram pohon dalam gambar 1.

Prosedur yang sama digunakan untuk menentukan probabilita bulan 3, namun

sekarang kita mengalikan matriks transisi dengan matriks bulan 2.

0.60 0.40
Bulan 3 Pp3 Np3   0.60 0.40 
0.20 0.80
 0.44 0.56

Probabilita keadaan untuk beberapa bulan yang berurutan adalah sebagai

berikut :

Bulan 4 : [Pp(4) Np(4)] = [0.38 0.62]

Bulan 5 : [Pp(5) Np(5)] = [0.35 0.65]

Bulan 6 : [Pp(6) Np(6)] = [0.34 0.66]

Bulan 7 : [Pp(7) Np(7)] = [0.34 0.66]

Bulan 8 : [Pp(8) Np(8)] = [0.33 0.67]

Bulan 9 : [Pp(9) Np(9)] = [0.33 0.67]

Pada bulan yang akan datang probabilita keadaan mulai menunjukkan tidak
terdapat perubahan sama sekali. Untuk contoh ini, probabilita keadaan yang
muncul setelah bulan i adalah [Pp(i) Np(i)] = [0.33 0.67]

Karakteristik probabilita keadaan yang mendekati nilai konstan setelah

sejumlah periode waktu tertentu ditunjukkan oleh Pp(i) dalam gambar 3.

Np(i) memperlihatkan karakteristik yang sama pada saat ia mendekati nilai

0.67. Ini berpotensi memberikan hasil yang bernilai bagi pengambil keputusan.
Dengan kata lain, sekarang pemilik pompa bensi dapat menyimpulkan bahwa
setelah beberapa bulan tertentu di masa mendatang, terdapat probabilita sebesar
0.33 bahwa pelanggan akan melakukan transaksi dengan Petroco jika pada
awalnya ia melakukan transaksi dengan Petroco.

Sistem Informasi Manajemen | 13

 Analisa yang sama dapat dilakukan dengan asumsi keadaan awal dimana pada
mulanya pelanggan melakukan transaksi dengan National di bulan 1. Analisa ini,
seperti yang ditunjukkan di bawah, berhubungan dengan diagram pohon dalam
gambar 2.

Dengan asumsi bahwa pada awalnya pelanggan melakukan transaksi dengan

pompa National, maka [Pn(1) Nn(1)] = [0.0 1.0]

Dengan menggunakan probabilita keadaan awal ini, kita dapat menghitung

probabilita keadaan masa mendatang sebagai berikut :

0.60 0.40
Bulan 2 Pn2 Nn2  0.0 1.0 
0.20 0.80
 0.20 0.80

0.60 0.40
Bulan 3 Pn3 Nn3   0.20 0.80 
0.20 0.80
 0.28 0.72

Nilai-nilai diatas adalah sama dengan yang kita peroleh jika kita menggunakan
analisa diagram pohon dalam gambar 2. Probabilita keadaan berikutnya, dihitung
dengan cara yang sama, ditunjukkan berikut ini :

Bulan 4 : [Pn(4) Nn(4)] = [0.31 0.69]

Bulan 5 : [Pn(5) Nn(5)] = [0.32 0.68]

Bulan 6 : [Pn(6) Nn(6)] = [0.33 0.67]

Bulan 7 : [Pn(7) Nn(7)] = [0.33 0.67]

Bulan 8 : [Pn(8) Nn(8)] = [0.33 0.67]

Bulan 9 : [Pn(9) Nn(9)] = [0.33 0.67]

Seperti dalam kasus sebelumnya dimana Petroco merupakan keadaan awal,

probabilita-probabilita keadaan ini dapat menjadi konstan setelah beberapa
periode. Namun, perhatikan bahwa probabilita keadaan akhir (yaitu 0.33 dan 0.67)
yang dicapai ketika National, persis sama dengan probabilita keadaan sebelumnya

Sistem Informasi Manajemen | 14

 yang dicapai ketika Petroco merupakan keadaan awal. Dengan kata lain,
probabilita yang berakhir pada keadaan tertentu di masa mendatang tidak
tergantung pada keadaan awal.

2. Perhitungan Aplikasi
Cara menggunakan Marcov Chain model dengan software POM-QM
1. Susun matrik probabilitas transisi
Probabilitas Transaksi
Keadaan Awal
Petroco National Jumlah

Petroco 0.6 0.4 1.00

National 0.2 0.8 0.00

2. Buka POM-QM → Module → Marcov Analysis

Sistem Informasi Manajemen | 15

3. Klik File → New, kemudian akan muncul kotak dialog

4. Pada kolom “Number of State” masukkan jumlah merk yang akan

dianalisis

Sistem Informasi Manajemen | 16

5. Lalu klik OK. Setelah itu akan muncul lembar kerja seperti
berikut:

6. Pada kolom “initial” isikan jumlah awal pelanggan tiap merk. Pada kolom
sisanya isikan transpose dari matrik probabilita
transisi.

Sistem Informasi Manajemen | 17

7. Klik Solve

8. Maka akan diperoleh matriks steady state (equilibrium) sebagai berikut:

Sistem Informasi Manajemen | 18

 BAB IV

PENUTUP

A. KESIMPUAN
Berdasarkan hasil penelitian dan pembahasan pada Bab III, maka dapat
diambil kesimpulan, bahwa besarnya probabilitas Petroco dan National dengan
menggunakan metode Rantai Markov, Petroco menguasai Probabilitas sebesar
0.33%, dan toko National sebesar 0.67%.

B. SARAN
Penulisan tugas akhir ini hanya membahas mengenai aplikasi metode Rantai
Markov dalam menganalisi probabilitas pangsa pasar, maka bagi para pembaca yang
tertarik mengenai penerapan metode ini bisa melanjutkan penelitian, yaitu dengan
menghitung besarnya probabilitas pangsa pasar pada jam-jam berapa konsumen yang
banyak melakukan pembelian.

Sistem Informasi Manajemen | 19

 DAFTAR PUSTAKA

Supranto, Johanes. 2017. Tugas Rangkuman Buku “Riset Operasi Untuk Pengambilan
Keputusan” Edisi Revisi Johanes Supranto.
https://www.slideshare.net/eddysanusisilitonga/tugas-rangkuman-buku-riset-operasi-
untuk-pengambilan-keputusan-edisi-revisi-johanes-supranto. Diakses pada tanggal 19
Juni 2020 pukul 16.20
Silitonga, Eddy Sanusi. 2017. Tugas UAS Rangkuman Riset Operasi.
https://www.slideshare.net/eddysanusisilitonga/tugas-uas-rangkuman-riset-operasi.
Diakses pada tanggal 19 Juni 2020 pukul 16.30
Pak Dosen. 2020. Riset Operasi. https://pakdosen.pengajar.co.id/riset-operasi/. Diakses pada
tanggal 20 Juni 2020 pukul 13.22
Wahyu, Agus. 2012. Pengertian Statistika Dan Probabilitas.
http://blog.ub.ac.id/aguswahyuprasetyo/2012/02/25/pengertian-statistika-dan-
probabilitas/. Diakses pada tanggal 20 Juni 2020 pukul 14.10
Anonymous. 2017. Probabilitas Dan Statistika contoh soal dan pembahasanya.
http://mittutguteng.blogspot.com/2017/06/1-probabilitas-dan-statistika-contoh.html.
Diakses pada tanggal 21 Juni 2020 pukul 10.34