TUGAS PENELITIAN OPERASIONAL II

MARKOV

Disusun Oleh:

Yuda Laksana Karisma Putra YS (1813014)

Rendy Mochammad Rizky Harianto (1813022)

Gofi Dapil Firdiansyah (1813023)

Febri Hendra Restu Saputra (1813026)

Rizky Witama Putra (1813042)

PROGRAM STUDI TEKNIK INDUSTRI S-1

FAKULTAS TEKNOLOGI INDUSTRI

INSTITUT TEKNOLOGI NASIONAL MALANG

2020
Markov
 Pengertian Markov

Model proses Markov pertama kali dikembangkan oleh seorang ahli

Rusia A. A. Markov pada tahun 1896. Hasil dalam analisis Markov adalah suatu
informasi probabilistic yang dapat digunakan untuk membantu membuat
keputusan, termasuk keputusan manajerial. Analisis ini sebenarnya bukanlah
teknik optimasi melainkan suatu teknik deskriptif.
Analisis markov adalah suatu Teknik matematik untuk peramalan
perubahan pada variabel‐variabel tertentu berdasarkan pengetahuan dari
perubahan sebelumnya. Sedangkan analisa rantai markov adalah suatu metode
yang mempelajari sifat - sifat suatu variabel di masa sekarang yang didasarkan
pada sifat - sifat di masa lalu dengan tujuan untuk menafsirkan sifat - sifat
variabel tersebut di masa yang akan datang nanti.
dengan kata lain analisis markov adalah bentuk khusus dari model
probalistik yang biasa dikenal dengan proses stokastik. stokastik berarti jika
pengalaman yang sebelumnya hanya dapat menyajikan struktur peluang keadaan
yang akan datang dan deterministik berarti jika dari pengalaman yang lalu
keadaan yang akan datang suatu barisan kejadian dapat diramalkan secara pasti.

 Konsep Dasar dan Sifat

konsep dasar analisis markov adalah state dari sistem atau state
transition. sifatnya adalah apabila diketahui proses dalam suatu keadaan tertentu,
maka peluang berkembangnya proses dimasa mendatang hanya tergantung pada
keadaan saat ini dan tidak tergantung pada keadaan sebelumnya. Jadi dengan kata
lain rantai markov adalah rangkaian proses kejadian dimana peluang bersyarat
kejadian yang akan datang bergantung pada kejadian yang sekarang terjadi.

 Pengaplikasian
Pengaplikasian dari teknik ini biasa diterapkan untuk membantu dan
membuat keputusan dalam dunia bisnis dan industri, seperti menganalisa tentang
perpindahan merek (brands witcing) dalam pemasaran, operasi dan pemeliharaan
mesin, analisis pengawaasan, hutang piutang dan lain sebagainya. Akan tetapi,
informasi yang dihasilkan tidaklah mutlak menjadi suatu keputusan, mengingat
sifatnya yang hanya memberikan bantuan dalam proses pengambilan keputusan.

 Probablitas 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.
 Tabel 1 Matriks Kemungkinan Transisi

Keterangan :
n = jumlah keadaan dalam proses.
Pij = kemungkinan transisi dari keadaan saat I ke keadaan j

Apabila pada saat ini berada pada keadaan i maka baris i dari tabel diatas
berisi angka‐angka Pi1, Pi2, Pin merupakan kemungkinan berubah kekeadaan
berikutnya. oleh karena itu angka tersebut melambangkan kemungkinan, maka
semuanya merupakan bilangan non negative dan tidak lebih dari satu.

Adapun syarat - syarat dalam analisa markov adalah 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 yang dimkasud merupakan kondisi yang independen sepanjang
waktu

Contoh :
Diketahui terdapat dua toko swalayan di suatu kecamatan, yaitu toka A dan
toko B. Jika diasumsikan setiap pembeli datang ke toko swalayan tersebut satu
kali dalam seminggu, dan pembeli hanya belanja ke salah satu toko swalayan
tersebut. Jika sampel jumlah pembeli yang diambil dalam 1 bulan adalah 200
orang sehingga diketahui pembeli yang ada di toko A adalah 60 % tetap di
toko A dan 40 % pindah ke toko B pada minggu berikutnya. Sedangkan,
pembeli di toko B adalah 70 % tetap di toko B dan 30 % pindah ke toko B
pada minggu berikutnya. senua penjelasan di susun pada tabel dibawah ini.
Piliihan pada suatu Pilihan minggu berikutnya
minggu Toko A Toko B
Toko A 120 80
Toko B 60 140
 Peneyelesaian :
 Kunjungan belanja tersebut disebut percobaan dari proses.
 Keadaan dari proses disini adalah toko yang dipilih oleh pembeli.
 Kedua baris berjumlah 200 dan jumlah kolom tidak sama dengan 200.
 Data diatas dapat digunkaan untuk membuat matriks perpindahan
keadaan atau transisi.
 jika didefinisikan keadaan 1 adalah pembeli belanja di toko A dan
keadaan 2 pembeli belanja di toko B.
 Maka Matriks kemungkinan transisinya adalah sebagai berikut :

Pilihan pada Pilihan minggu berikutnya

suatu minggu Toko A Toko B
Toko A 120/200 = 0,6 80 /200 = 0,4
Toko B 60/200 = 0,3 140/200 = 0,7

 Terlihat bahwa kemungkina dari setiap barisnya berjumlah 1.

 Probabilitas Pohon
Probabilitas Pohon merupakan cara yang mudah untuk menggambarkan
transisi dengan jumlah terbatas dari suatu proses markov.

Contoh :
Sebuah perusahaan minuman teh kaleng mempunyai 100 unit mesin produksi.
Namun tidak semua mesin tersebut dapat beroperasi dikarenakan perawatan. Data
mobil yang sedang beroperasi (ON) dan perawatan (OFF) adalah sebagai
berikut :

Banyaknuya mesin
Status saat ini
Minggu ke-1 Minggu ke-2
ON 85 90
OFF 15 10
Jumlah 100 100

Dalam 2 minggu terdapat perubahan jumlah mesin yang masih bisa beroperasi
dan yang harus berhenti uuntuk melakukan perawatan dan sebaliknya, perubahan
tersebut dapat diketahui pada tabel di bawah ini :

Minggu ke-2
Minggu ke-1 Jumlah
ON OFF
ON 77 8 85
OFF 13 2 15
Jumlah 90 10 100
Tentukan :
 a) Probabilitas Transisinya
b) Probabilitas minggu ke-3 mesin ON jika minggu ke-1 mesin ON.
c) Probabilitas minggu ke-3 mesin OFF jika minggu ke-1 mesin ON.
d) Probabilitas minggu ke-3 mesin ON jika minggu ke-1 mesin OFF.
e) Probabilitas minggu ke-3 mesin OFF jika minggu ke -1 mesin OFF.

Penyelesaian :

a) Probabilitas Transisinya adalah sebagai berikut :

Minggu ke-2
Minggu ke-1
ON OFF
ON 77 /85 = 0,9 8 /85 = 0,0941
OFF 13/1 5 = 0,866 2/15 = 0,133

Minggu ke-3
Minggu ke-2 0,8152
0,9 ON
Minggu ke-1 0,9
ON
0,9 0,0847
0,0941 OFF

ON
0,0815
0,866 ON

0,0941
OFF
0,0125
0,0941 0,133 OFF

Probabilitas Pohon Jika Minggu ke-1 mesin ON

 Minggu ke-3
Minggu ke-2 0,7844
0,9 ON
Minggu ke-1 0,866
ON
0,866 0,0815
0,0941 OFF

OFF
0,1152
0,866 ON

0,133
OFF
0,0177
0,133 0,133 OFF

Probabilitas Pohon Jika Minggu ke-1 mesin OFF

Berdasarkan 2 probabilitas pohon di atas, maka jawaban soal b – e adalah sebagai

berikut:
b) Probabilitas Minggu ke-3 mesin ON, jika minggu ke-1 mesin ON =
0,8152 + 0,0815 = 0,8967
c) Probabilitas Minggu ke-3 mesin OFF, jika minggu ke-1 mesin ON =
0,0847 + 0,0125 = 0,972
d) Probabilitas Minggu ke-3 mesin ON, jika minggu ke-1 mesin OFF =
0,7844 + 0,1152 = 0,8996
e) Probabilitas Minggu ke-3 mesin OFF, jika minggu ke-1 mesin OFF =
0,0815 + 0,0177 = 0,0992

 Pendekatan Matriks
Ada kalanya kita harus mencari probabilitas pada periode yang sangat
besar, yang akan sangat menyulitkan dan membutuhkan media penyajian yang
khusus jika kita mengggunakan probabilitas pohon. Akan tetapi permasalahn
tersebut dapat diselesaikan dengan menggunakan metode pendekatan matriks

Contoh :
Sebuah perusahaan minuman teh kaleng mempunyai 100 unit mesin produksi.
Namun tidak semua mesin tersebut dapat beroperasi dikarenakan perawatan. Data
mobil yang sedang beroperasi (ON) dan perawatan (OFF) adalah sebagai
berikut :

Banyaknuya mesin
Status saat ini
Minggu ke-1 Minggu ke-2
ON 85 90
OFF 15 10
Jumlah 100 100

Dalam 2 minggu terdapat perubahan jumlah mesin yang masih bisa beroperasi
dan yang harus berhenti uuntuk melakukan perawatan dan sebaliknya, perubahan
tersebut dapat diketahui pada tabel di bawah ini :

Minggu ke-2
Minggu ke-1 Jumlah
ON OFF
ON 77 8 85
OFF 13 2 15
Jumlah 90 10 100
Tentukan :
a) Probabilitas mesin ON dan OFF pada minggu ke-3 jika minggu
ke-1 mesin ON.
b) Probabilitas mesin ON dan OFF pada minggu ke-4 jika minggu
ke-1 mesin ON.
c) Probabilitas mesin ON dan OFF pada minggu ke-5 jika minggu
ke-1 mesin ON.

Penyelesaian :
 Probabilitas mesin ON pada minggu ke -I jika pada minggu ke-1
ON, dilambangkan dengan :

 Probabilitas mesin OFF pada minggu ke-3 jika pada minggu ke-1
OFF, dilambangkan dengan :
 Jika mesin pada minggu ke-1 ON maka berlaku probabilitas sebagai berikut :

Nn (1) = 1 sedangkan Ff (1) = 0

Jika probabilitas di atas disusun ke dalam vektor baris, maka akan sepert
dibawah ini.

(Nn (1) Ff (1)) = (1 0)

adapun rumus untuk mencari probabilitas untuk minggu berikutnya (i + 1)

adalah sebagai berikut :

(Nn (i +1) Ff (i +1)) = (Nn (i) Ff (i)) x Matriks Probabilitas

transisi

Bila rumus tersebut digunakan untuk mencari probabilitas pada minggu ke-2,
maka :

0,9 0,0941
(Nn (2) Ff (2)) = (Nn (1) Ff (1)) x |0,866 0,133 |
0,9 0,0941
= (1 0) x |0,866 0,133 |
= (0,9 0,0941)
Jadi dapat diketahui bersama bahwa hasil nya sama dengan menggunakan
metode probabilitas pohon. Maka jawaban a – c adalah sebagai berikut :

a) (Nn (3) Ff (3)) = (0,8967 0,972)

b) (Nn (4) Ff (4)) = (1,6487 0,2136)
c) (Nn (5) Ff (5)) = (1,6688 0,1835)

 Probabilitas 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.
Untuk mencari probabilitas Steady State (keadaan tetap) dari suatu matrik
transisi, maka kita dapat menggunakan rumus dibawah ini.

(Nn (i +1) Ff (i +1)) = (Nn (i) Ff (i)) x Matriks Probabilitas

transisi

karena Steady State (keadaan tetap) akan menghasilkan probabilitas yang sama
dengan period eke depan maka rumus tersebut akan berubah menjadi :

(Nn (i) Ff (i)) = (Nn (i) Ff (i)) x Matriks Probabilitas transisi

dari contoh doal sebeluumnya dengan status minggu ke-1 ON, maka kita
dapatkan :
0,9 0,0941
|0,866 0,133 |
untutk mempermudah pengerjaan, periode (i) dapat dihilangkan karena tidak
akan mempengaruhi hasil Steady State (keadaan tetap). sehingga modelnya akan
seperti di bawah ini.
0,9 0,0941
(Nn Ff) = (Nn Ff) x |0,866 |
0,133

dan kemudian akan menghasilkan persamaan sebagai berikut :

Nn = 0,9 Nn + 0,866 Ff……………………….. (1)

Ff = 0,0941 Nn + 0,133 Ff………………………(2)

karena salah satu ciri dari proses markov adalah :

Nn (i) + Ff (i) = 1, maka Nn + Ff = 1 → Ff = 1- Nn

Substitusi Ff = 1 - Nn ke persamaan (1) didapatkan hasil :

Nn = 0,9 Nn + 0,866 Ff
Nn = 0,9 Nn + 0,866 (1 - Nn)
Nn = 0,9 Nn + 0,866 – 0,866 Nn
1,034 Nn = 0,866
Nn = 0,8375

Substitusi Nn = 0,8375 ke persamaan (2) dan didapatkan hasil Ff = 0,6955

jadi dari contoh kasus kita ketahui bahwa perusahaan memiliki 100 mesin.
dengan menggunakan probabilitas Steady State (keadaan tetap) yang sudah
didapatkan, perusahaan dapat mengharapkan mesin taip minggunya ON atau OFF
sebanyak :

ON : Nn x 100 = 0,8375 x 100 = 83,75 atau sebanyak 84 unit mesin

OFF : Ff x 100 = 0,6955 x 100 = 69,55 atau sebanyak 69 unit mesin