Contoh:
1. Situasi sedang aktif atau bebasnya suatu pesawat telpon pada selang waktu tertentu
hanya tergantung situasi aktif atau bebasnya pesawat telpon tersebut pada selang
waktu sebelumnya.
2. Situasi cuaca hari esok hujan atau cerah hanya tergantung situasi apakah cuaca hari
ini (hujan atau cerah), tidak tergantung hari-hari sebelumnya.
Kumpulan semua nilai situasi yang mungkin dalam suatu periode dinamakan state space.
Misalnya pada contoh 1, state space adalah {aktif, bebas}; pada contoh 2, state space
adalah {hujan, cerah}. Dengan menggunakan istilah state, suatu proses dinamakan proses
Markov jika prediksi sistem saat t 1 hanya ditentukan oleh state sistem pada saat t.
Oleh Oleh karena proses Markov merupakan proses stokastik, proses bertransisi
(beranjak) dari state satu ke state lainnya dengan probabilitas tertentu, maka distribusi
proses Markov ditentukan probablilitas transisi pij . Distribusi probablilitas ini biasanya
dideskripsikan dalam bentuk suatu matrik P yang disebut matrik probablilitas transisi.
Jika matrik probablilitas transisi P suatu proses Markov tidak diketahui, maka matrik
tersebut harus diestimasi dari data empirik.
2 p21 p22 21 22
Probabilitas:
p11 = probabilitas sistem berada situasi 1 jika sebelumnya juga berada pada situasi 1.
= P{Sistem = state 1 | Sistem = state 1}
p12 = probabilitas sistem berada situasi 2 jika sebelumnya juga berada pada situasi 1.
= P{Sistem = state 2 | Sistem = state 1}
p21 = probabilitas sistem berada situasi 1 jika sebelumnya juga berada pada situasi 2.
= P{Sistem = state 1 | Sistem = state 2}
p22 = probabilitas sistem berada situasi 2 jika sebelumnya juga berada pada situasi 2.
= P{Sistem = state 2 | Sistem = state 2}
Jumlah probabilitas dalam satu baris matriks harus sama dengan 1. Contoh: p11 +
p12 =1, dan p21 + p22 = 1.
Demikian juga untuk kasus 3 state, 4 state, dst.
1
p11 p12 p1N
p21 p22 p2 N
P pij , p ij 1, i
j
p pN 2 pNN
N1
Contoh
0 1 p p
P
1q 1 q
4. Lihat kemabli kasus pada Contoh 2. Misalkan state space 0,1 , dimana
0=cerah, 1=hujan. Bila hari ini cerah, probabilitas besok akan hujan adalah sebesar a.
Bila hari ini hujan, probabilitas besok akan cerah adalah b. Maka matriks probabilitas
transisi adalah
0 1 a a
P
1b 1 b
Contoh
2
Matriks Frekuensi Transisi O : Estimasi Peluang Transisi
Matriks frekuensi transisi O adalah matriks yang merepresentasikan frekuensi dari satu
state ke state lainnya berdasarkan data pengamatan. Misalkan matriks
o o12
O 11
o21 o22
dengan oij frekuensi transisi dari state i ke state j; dan matriks peluang transisi
o11 o22
pˆ11 , pˆ 22
o11 o12 o21 o22
Contoh
T
Keadaan cuaca
Tidak hujan Hujan Jumlah
t 1 Tidak hujan 1.049 350 1.399
Hujan 351 687 1.038
Jumlah 2.437
LATIHAN
1) Diketahui suatu proses Markov dengan state space 0, 1 dan matriks transisi
1 3 2 3
P
3 4 1 4
3
.4 .2 .4
P .6 0 .4
.2 .5 .3
1 1 0 0
P 2 .50 .25 .25
3 .50 .25 .25
0 1 0 0 0 0 0
1 .5 0 .5 0 0 0
2 .1 0 .5 .3 0 .1
P
3 0 0 0 .7 .1 .2
4 1 3 0 0 13 13 0
5 0 0 0 0 0 1
A .4 .2 .1 .3
B .4 .3 .2 .1
P
C .6 .1 .1 .2
D .2 .4 .3 .1
4
B. PREDIKSI STATE PERIODE MENDATANG
Pemabahasan pada bagian (I) ini fokus pada point (1), sedangkan point (2) dibahas di
bagian II. Sebelum kita mempelajari ini semua, terlebih dulu kita ingat kembali
perhitungan-perhitungan dasar menggunakan notasi matrik.
Matrik 1x2:
v v1 v2
Matrik 2x2:
a a12 b b
A 11 B 11 12
a21 a 22 b21 b22
Perkalian matriks:
a11 a12
vA = v1 v2 = v1. a11 v2 . a21 v1.a12 v2 .a22
a21 a22
a11 a12 b11 b12 a11.b11 a12 .b21 a11.b12 a12 .b22
AB = =
a21 a22 b21 b22 a21.b11 a22 .b21 a21.b12 a22 .b22
Jadi perkalian dua buah matrik adalh mengalikan masing-masing baris matrik pertama
dengan masing-masing kolom pada matik kedua. Operasi perkalian matrik ini bisa
dilakukan apabila jumlah kolom matrik pertama sama dengan jumlah baris matrik kedua!
Demikian juga untuk matrik dengan ukuran yang lebih besar.
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
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
5
Contoh
7. 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. Berapakah probabilitas besok tidak hujan jika hari ini hujan?
b. Berapakah probabilitas lusa (dua hari mendatang) tidak hujan jika hari ini hujan?
c. Berapakah probabilitas akan hujan empat hari dari sekarang jika hari ini hujan?
Jawab:
a. Probabilitas besok tidak hujan jika hari ini hujan adalah p01 = 0.25.
b. Berapakah probabilitas lusa (dua hari mendatang) tidak hujan jika hari ini hujan?
Pn = P(n-1) . P
2
P =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.
c. Berapakah 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.
8. Lihat Modul hal 6.27-6.36. Situasi perpindahan nasabah antar bank dalam
periode tahunan dengan state space {Bank A, Bank B, Bank C} dan matrik
probabilitas transisi
6
b. Berapakah probabilitas nasabah bank B tetap menjadi nasabah bank B dua tahun
mendatang? 0.56
yaitu:
0.1
0.1 0.7 0.2 0.7 0.56
0.3
c. Jika jumlah nasabah bank A, B, dan C tahun sekarang masing-masing adalah 2000,
4000, dan 1000. Berapakah jumlah nasabah masing-masing bank dua tahun
mendatang?
9. Menurut teori sosiologi, kelas sosial suatu generasi dalam suatu keluarga
tergantung kelas sosial generasi sebelumnya. Jadi, pekerjaan anak diandaikan hanya
tergantung pada pekerjaan orang tuanya dan bukan pada pekerjaan neneknya.
Misalkan sistem dapat dipandang/dimodelkan oleh analisis Markov, dengan state
space {kelas rendah, kelas tengah, kelas atas} dengan matrik probabilitas transisi dari
generasi orangtua ke generasi anaknya sebagai berikut
kelas anak
r t a
rendah 0.40 0.50 0.10
kelas orang tua tengah 0.05 0.70 0.25 .
atas 0.05 0.50 0.45
a. Berapakah prosentase generasi berikutnya tetap menjadi kelas menengah seperti
generasi sekarang? ptt= 0.7
b. Berapakah prosentase generasi ke-4 yang tetap menjadi kelas menengah?
0.40 0.50 0.10 0.40 0.50 0.10 0.1900 0.6000 0.2100
P2 = 0.05 0.70 0.25 0.05 0.70 0.25 0.0675 0.6400 0.2925
0.05 0.50 0.45 0.05 0.50 0.45 0.0675 0.6000 0.3325
P4 = P2. P2
0.1900 0.6000 0.2100 0.1900 0.6000 0.2100
P = 0.0675 0.6400 0.2925 0.0675 0.6400 0.2925
4
7
LATIHAN
7) Diketahui suatu proses Markov dengan state space 0, 1 dan matriks transisi
1 3 2 3
P
3 4 1 4
Tentukan P2 dan P4
8) Diketahui proses Markov dengan state space 1, 2, 3 dan matriks transisi
.4 .2 .4
P .6 0 .4
.2 .5 .3
Tentukan P2 dan P3
0 1 0 0 0 0 0
1 .5 0 .5 0 0 0
2 .1 0 .5 .3 0 .1
P
3 0 0 0 .7 .1 .2
4 1 3 0 0 13 13 0
5 0 0 0 0 0 1
10) Misalkan untuk suatu produk detergen terdapat empat merek A, B, C, D. Misalkan
pola pilihan produk pada minggu t mengikuti proses Markov dengan peluang transisi
A .4 .2 .1 .3
B .4 .3 .2 .1
P
C .6 .1 .1 .2
D .2 .4 .3 .1
DISKUSI
1. Sebutkan tiga perbedaan pokok matrik probabilitas transisi dengan matrik lain
pada umumnya?
2. Sebutkan beberapa contoh lain fenomena sosial/ekonomi/bisnis yang dapat
dimodelkan oleh proses Markov ! (lengkap dengan matriks probabilitas
transisinya)
8
3. Bagaimana cara menentukan/menduga probabilitas transisi Markov?
4. Prediksi situasi sistem untuk satu atau beberapa periode waktu berikutnya dengan
analisis Markov melalui perpangkatan matriks probabilitas transisi! (benar/salah).
Berikan contoh!
5. Setiap fenomena yang dimodelkan atau dianalisis dengan model Markov akan
tergantung matrik probabilitas transisinya! (benar/salah)
PUSTAKA
Taylor, H.M., Karlin S. (1984). An Introduction to Stochastic Modeling. Academic Press.
9
C. SIFAT STEADY-STATE
b a
konvergen menuju nilai . Jadi distribusi stasionernya adalah vektor x =
ab a b
b a
(π1 π2) dimana 1 a b , dan 2 a b .
Contoh 10
3 4 1 4
Diketahui matriks transisi P 1 6 5 6
a 1 4, b 1 6, a b 5 12, a (a b) 12 20 3 5, b a b 12 30 2 5
Jadi distribusi stasioner proses Markov tersebut adalah 2 5 3 5 .
Contoh 11
3 4 1 4
Diketahui matriks transisi P 1 6 5 6
0 .424 .576 .4 .6
Perkalian matriks memberikan P 1 .384 .616 .4 .6
6
Distribusi stasioner proses Markov dengan matriks transisi P adalah : .4 .6 .
Contoh 12
0 0 1 3 2 3
Distribusi stasioner proses Markov P 1 1 3 0 2 3 diperoleh dari sistem persamaan
2 1 0 0
x xP , dengan x x1 x2 x3 dan x1 x2 x3 1 .
10
0 1 3 2 3
x1 x2 x3 x1 x2 x3 1 3 0 2 3
1 0 0
x1 x2 3 x3 (1)
x2 x1 3 (2)
x 2 x 3 2 x 3 (3)
3 1 2
x2 x1 3, x3 2 x1 3 2 x2 3 8 x1 9.
Maka distribusi stasioner 1 2 3 = 0.45 0.15 0.40 . Dalam jangka panjang apabila
0 0.45 0.15 0.40
P dipangkatkan terus akan stabil menjadi P 1 0.45 0.15 0.40
2 0.45 0.15 0.40
LATIHAN
1) Lihat kembali Contoh 7. Diketahui proses Markov 0,1 dengan matriks peluang
0.75 0.25
transisi P 0.34 0.66 . Tentukan distribusi stasioner, .
Jawab. 0.576 0.424 . Jadi dalam jangka panjang probabilitas terjadinya hujan
adalah 0.576.
11
xP x
x0 x1 x2 1
atau
60 x0 5 x1 5 x2 0 (1)
5 x0 3 x1 5 x2 0 (2)
x x x 1 (3)
0 1 2
65 x0 8 x1 0
1 2 dan 1 5 3 memberikan
65 x0 5
3) Suatu bus beroperasi pada suatu lintasan (route) kontinu dengan beberapa
pemberhentian. Kedatangan pada suatu pemberhentian diklasifikasikan dalam 3
keadaan: 1. lebih awal dari jadwal; 2. sesuai jadwal; 3. terlambat. Misalkan keadaan
kedatangan di pemberhentian merupakan suatu proses Markov dengan matriks
peluang transisi.
.5 .4 .1
P .2 .5 .3 dan state space 1, 2,3
.1 .2 .7
12
4) Situasi umum perpindahan nasabah perbankan nasional diprediksi dari pengamatan
terhadap 5000 nasabah dari tahun 2006 sampai dengan 2007 dengan matriks frekuensi
sebagai berikut:
Tahun 2007
Tahun 2006 Bank Pemerintah Bank Swasta Jumlah
Bank Pemerintah 1950 650 2600
Bank Swasta 960 1440 2400
Jumlah 2910 2090 5000
a. Jika Bank Pemerintah dinyatakan sebagai state 1 dan Bank Swasta sebagai
p p
11 12
state 2, tentukan estimasi matrik probabilitas transisi P p p dari data
21 22
pengamatan tersebut.
b. Berapakah probabilitas sistem berada pada masing-masing state dalam jangka
panjang?
c. Misalkan seorang manajer pada Bank Swasta sedang dihadapkan pada pilihan
tindakan untuk mengantisipasi perpindahan nasabah tersebut.
Tabel: Pendapatan Bank XYZ dalam berbagai tindakan dan situasi
Situasi nasabah memilih bank
Alternatif tindakan Bank Pemerintah Bank Swasta
(i) Ekspansi skala besar -300 400
(ii) Ekspansi skala kecil -10 80
(iii) Tetap skala saat ini 0 -10
D. DISKUSI
1. Sebutkan tiga perbedaan pokok matrik probabilitas transisi dengan matrik lain
pada umumnya?
2. Sebutkan beberapa contoh lain fenomena sosial/ekonomi/bisnis yang dapat
dimodelkan oleh proses Markov ! (lengkap dengan matriks probabilitas
transisinya)
3. Bagaimana cara menentukan/menduga probabilitas transisi Markov?
4. Prediksi situasi sistem untuk satu atau beberapa periode waktu berikutnya dengan
analisis Markov melalui perpangkatan matriks probabilitas transisi! (benar/salah).
Berikan contoh!
5. Setiap proses Markov mempunyai kondisi tetap untuk jangka panjang!
(benar/salah) Bagaimanakah menentukannya?
6. Setiap fenomena yang dimodelkan atau dianalisis dengan model Markov akan
tergantung matrik probabilitas transisinya! (benar/salah)
7. Apa manfaat dari mengetahui kondisi tetap (distribusi stasioner) proses Markov?
Sebutkan contohnya!
PUSTAKA
Taylor, H.M., Karlin S. (1984). An Introduction to Stochastic Modeling. Academic Press.
13