6
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Analisis Markov.
2. Mahasiswa Mampu Menggunakan Software QM For Windows Dalam
Perhitungan Analisis Markov.
Model Rantai Markov dikembangkan oleh seorang ahli Rusia A.A. Markov
pada tahun 1896. Dalam analisis markov yang dihasilkan adalah suatu informasi
probabilistik yang dapat digunakan untuk membantu pembuatan keputusan, jadi
analisis ini bukan suatu teknik optimisasi melainkan suatu teknik deskriptif .
Analisis Markov merupakan suatu bentuk khusus dari model probabilistik yang
lebih umum yang dikenal sebagai proses Stokastik (Stochastic process). Rantai
markov adalah jenis proses stokastik yang sangat penting, Rantai Markov
memiliki properti khusus bahwa probabilitas yang melibatkan bagaimana proses
TOPIK 6. ANALISIS MARKOV
akan berkembang di masa depan hanya bergantung pada keadaan proses saat ini,
dan juga tidak bergantung pada peristiwa di masa lalu.
Kata stokastik (stochastics) merupakan jargon untuk keacakan. Oxford
Dictionary menakrifkan proses stokastik sebagai suatu barisan kejadian yang
memenuhi hukum-hukum peluang. Hull menyatakan bahwa setiap nilai yang
berubah terhadap waktu dengan cara yang tidak tertentu (dalam ketidakpastian)
dikatakan mengikuti proses stokastik. Dengan demikian, jika dari pengalaman
yang lalu keadaan yang akan datang suatu barisan kejadian dapat diramalkan
secara pasti, maka barisan kejadian itu dinamakan deterministik. Sebaliknya jika
pengalaman yang lalu hanya dapat menyajikan struktur peluang keadaan yang
akan datang, maka barisan kejadian yang demikian disebut stokastik.
Konsep dasar analisis markov adalah state dari sistem atau state transisi,
sifat dari proses ini adalah apabila diketahui proses berada dalam suatu keadaan
tertentu, maka peluang berkembangnya proses di masa mendatang hanya
tergantung pada keadaan saat ini dan tidak tergantung pada keadaan sebelumnya,
atau dengan kata lain rantai Markov adalah rangkaian proses kejadian dimana
peluang bersyarat kejadian yang akan datang tergantung pada kejadian sekarang.
Analisis Markov ini sangat sering digunakan untuk membantu pembuatan
keputusan dalam bisnis dan industri, misalnya dalam masalah ganti merek,
masalah hutang-piutang, masalah operasi mesin, analisis pengawasan dan lain-
lain. Informasi yang dihasilkan tidak mutlak menjadi suatu keputusan, karena
sifatnya yang hanya memberikan bantuan dalam proses pengambilan
keputusan.
Jika probabilitas tersebut diletakkan dalam vektor probabilitas state maka akan
menjadi :
n(1) = (0,43, 0,22, 0,35)
dimana,
n (1) = vektor probabilitas state ketiga provider untuk periode 1
n(1) = 0,43 = probabilitas satu orang yang memilih IndosatM2 , state 1
n2 = 0,22 = probabilitas satu orang yang memilih NetZap, state 2
n3 = 0,35 = probabilitas satu orang yang memilih XL, state 3
0,04
#1 0,0088 = 0,22 (0,04)
NetZap #2 0,82
0,22
#2 0,1804 = 0,22 (0,82)
0,14
0,06
#1 0,0210 = 0,35 (0,06)
XL #3 0,14
0,35
#2 0,0490 = 0,35 (0,14)
0,80
Baris 1
0,77 = P11 = Probabilitas pangsa pasar IndosatM2 setelah sebelumnya
merupakan pemilih IndosatM2
0,18 = P12 = Probabilitas pangsa pasar NetZap setelah sebelumnya merupakan
pemilih IndosatM2
0,04 = P13 = Probabilitas pangsa pasar XL setelah sebelumnya merupakan
pemilih IndosatM2
Baris 2
0,04 = P21 = Probabilitas pangsa pasar IndosatM2 setelah sebelumnya
merupakan pemilih NetZap
0,82 = P22 = Probabilitas pangsa pasar NetZap setelah sebelumnya merupakan
pemilih NetZap
Baris 3
0,06 = P31 = Probabilitas pangsa pasar IndosatM2 setelah sebelumnya
merupakan pemilih XL
0,14 = P32 = Probabilitas pangsa pasar NetZap setelah sebelumnya merupakan
pemilih XL
0,80 = P33 = Probabilitas pangsa pasar XL setelah sebelumnya merupakan
pemilih XL
Perhitungan Manual
Pendugaan pangsa pasar periode berikutnya
Berdasarkan pada data yang telah dikumpulkan, maka pendugaan pangsa pasar
untuk ketiga provider internet wireless untuk periode berikutnya dapat dihitung
seperti berikut:
n(1) = n(0)P
Pangsa Pasar Matriks transisi probabilitas Dugaan pangsa pasar
periode berikutnya
Baris 1 x kolom 1 :
Pangsa pasar IndosatM2 x kecenderungan IndosatM2 untuk mempertahankan pemilih
= 0,43 x 0,77 = 0,3311
Pangsa pasar NetZap x kecenderungan IndosatM2 untuk menarik pemilih NetZap
= 0,22 x 0,04 = 0,0088
Pangsa pasar XL x kecenderungan IndosatM2 untuk menarik pemilih XL
= 0,35 x 0,06 = 0,0210
Pangsa pasar IndosatM2 periode berikutnya = 0,3311 + 0,0088 + 0,0210 = 0,3609
Baris 1 x kolom 2 :
Pangsa pasar IndosatM2 x kecenderungan NetZap untuk mempertahankan pemilih
IndosatM2
= 0,43 x 0,18 = 0,0774
Pangsa pasar NetZap x kecenderungan IndosatM2 untuk menarik pemilih NetZap
= 0,22 x 0,82 = 0,1804
Pangsa pasar XL x kecenderungan IndosatM2 untuk menarik pemilih XL
= 0,35 x 0,14 = 0,0490
Pangsa pasar NetZap periode berikutnya = 0,0774 + 0,1804 + 0,0490 = 0,3068
Baris 1 x kolom 3 :
Pangsa pasar IndosatM2 x kecenderungan XL untuk menarik pemilih IndosatM2
= 0,43 x 0,04 = 0,0172
Pangsa pasar NetZap x kecenderungan XL untuk menarik pemilih NetZap
= 0,22 x 0,14 = 0,0308
Pangsa pasar XL x kecenderungan XL untuk mempertahankan pemilih
= 0,35 x 0,80 = 0,2800
Pangsa pasar XL periode berikutnya = 0,0172 + 0,0308 + 0,2800 = 0,3280
4. Isi kolom Title dengan Pangsa pasar provider internet wireless (sifatnya
pilihan).
Nama
state Initial
10. Klik menu Window, pilih Markov Analysis Results. Maka akan didapat
hasilnya pada Ending Probability (given initial).
Kesimpulan :
• Pangsa pasar IndosatM2 periode berikutnya adalah sebesar 0,3609
• Pangsa pasar NetZap periode berikutnya adalah sebesar 0,3068
• Pangsa pasar XL periode berikutnya adalah sebesar 0,3280
Contoh Soal 2.
Perusahaan Raja Mie, produsen mie instan “Gurih”, ketika ini mempunyai 75% dari
pasar mie instan. Data dari tahun kemudian memperlihatkan bahwa 88% dari
pelanggan Raja Mie tetap loyal pada mie “Gurih”, akan tetapi 12% pelanggannya
berpindah kepada kompetitor, PT. Sayap, dengan produknya mie “Enaak”. Sebagai
tambahan, 85% dari pelanggan perusahaan competitor (PT. sayap) tetap loyal
kepada mereka, tetapi 15% dari pelanggan mereka beralih ke mie “Gurih”.
Simpulkan bagaimana tren ini sanggup menentukan Market Share mie instant
“Gurih” untuk 2 tahun kedepan.
4. Isi kolom Title dengan Pangsa pasar mie instan (sifatnya pilihan).
Nama
state Initial
10. Klik menu Window, pilih Markov Analysis Results. Maka akan didapat
hasilnya pada Ending Probability (given initial).
Kesimpulan :
Hasil diatas mengindikasikan dalam 2 tahun kedepan terjadi penurunan
market share Raja Mie dari semula 75 % menjadi 65, 92%.
Contoh Soal 3.
Kondisi volume penjualan di “PT Bagus” kedalam tiga situasi yaitu sangat baik,
baik, biasa. Saat ini perusahaan berencana untuk melakukan promosi dan
mempertimbangkan dua media yang akan digunakan , yaitu tv dan radio. Media
manakah yang sebaiknya dipilih selama 3 bulan kedepan, jika matriks probabilitas
transisi (P) dan matriks keuntungan tahunan yang dapat diperoleh (R) untuk
masing-masing status dan media promosi adalah sbb :
1 (Sangat Baik) 7 6 3
R1 = 0 5 1
2 (Baik)
3 (Biasa) 0 0 -1
𝑣𝑖 = ∑ 𝑝𝑖𝑗 𝑘 𝑟𝑖𝑗 𝑘
𝑘
𝑗=1
1 (Sangat Baik) 7 6 3
R1 = 0 5 1
2 (Baik)
3 (Biasa) 0 0 -1
i vi1 vi2
1 5,3 4,7
2 3,0 3,1
3 -1,0 0,4
Stage 3 :
Stage 2 :
Stage 1 :
Decision K
1 2 ... K
0 D01 D02 ... D0K
State 1 D11 D12 ... D1K
: ..... ..... .... .....
M DM1 DM2 .... ....
Oleh karena itu, setiap baris dalam matriks harus berisi 1 tunggal dengan
elemen lainnya 0s. Misalnya, kebijakan optimal Rb dicirikan oleh matriks :
1 2 3
0 1 0 0
1 1 0 0
2 0 1 0
3 0 0 1
Kebijakan Acak
Memperkenalkan Dik memberikan motivasi untuk perumusan pemrograman
linier. Diharapkan biaya yang diharapkan dari suatu kebijakan dapat dinyatakan
sebagai fungsi linier Dik atau variabel terkait, tunduk pada kendala linier.
Sayangnya, nilai Dik adalah bilangan bulat (0 atau 1), dan variabel kontinu
1 2 ... K
0 D01 D02 ... D0K
State 1 D11 D12 ... D1K
: ..... ..... .... .....
M DM1 DM2 .... ....
0 ≤ Dik ≤ 1.
1 2 3
0 1 0 0
1 1/2 0 1/2
2 1/4 1/4 1/2
3 0 0 1
Setiap yik terkait erat dengan Dik yang sesuai sejak, dari aturan bersyarat
kemungkinan,
yik = πi Dik,
di mana i adalah probabilitas steady state bahwa rantai Markov berada dalam
kondisi i. Selanjutnya,
𝐾
𝜋𝑖 = ∑ 𝑦𝑖𝑘
𝑘=1
Maka,
𝑦𝑖𝑘 𝑦𝑖𝑘
𝐷𝑖𝑘 = = 𝐾
𝜋𝑖 ∑ 𝑦𝑖𝑘
𝑘=1
𝜋𝑗 = ∑ 𝜋𝑖 𝑃𝑖𝑗
𝑖=0
Maka,
𝑀
∑𝐾 𝐾
𝑘=1 𝑦𝑖𝑘 = ∑𝑖=0 ∑𝑘=1 𝑦𝑖𝑘 𝑃𝑖𝑗 (𝑘), 𝑗 = 0, 1, … . , 𝑀.
3. 𝑦𝑖𝑘 ≥ 0, 𝑖 = 0, 1, … . . , 𝑀 dan 𝑘 = 0, 1, … . . , 𝐾.
𝐸(𝐶) = ∑𝑀 𝐾 𝑀 𝐾
𝑖=0 ∑𝑘=1 𝜋𝑖 𝐶𝑖𝑘 𝐷𝑖𝑘 = ∑𝑖=0 ∑𝑘=1 𝐶𝑖𝑘 𝑌𝑖𝑘
Oleh karena itu, model pemrograman linier adalah memilih yik untuk
Meminimalkan :
𝑍 = ∑𝑀 𝐾
𝑖=0 ∑𝑘=1 𝐶𝑖𝑘 𝑌𝑖𝑘
1) ∑𝑀 𝐾
𝑖=0 ∑𝑘=1 𝑦𝑖𝑘 = 1
𝑀
2) ∑𝐾 𝐾
𝑘=1 𝑦𝑖𝑘 = ∑𝑖=0 ∑𝑘=1 𝑦𝑖𝑘 𝑃𝑖𝑗 (𝑘), 𝑗 = 0, 1, … . , 𝑀.
3) 𝑦𝑖𝑘 ≥ 0, 𝑖 = 0, 1, … . . , 𝑀 dan 𝑘 = 0, 1, … . . , 𝐾.
𝑦𝑖𝑘
𝐷𝑖𝑘 = 𝐾
∑ 𝑦𝑖𝑘
𝑘=1
simpleks dapat diterapkan dan kemudian memiliki properti solusi integer sehingga
solusi optimal untuk relaksasi LP ternyata tetap menjadi integer.)
Contoh Soal 4:
Pabrik ABC memiliki satu mesin utama sebagai inti dari salah satu proses
produksinya. Karena penggunaan yang berat, mesin mengalami penurunan
kualitas dan keluaran dengan cepat. Oleh karena itu, pada akhir setiap minggu,
pemeriksaan menyeluruh dilakukan yang menghasilkan klasifikasi kondisi mesin
menjadi salah satu dari empat kemungkinan status :
State Kondisi
0 Bagus seperti baru
1
Dapat dioperasikan — kerusakan kecil
2
Dapat dioperasikan — kerusakan parah
3 Tidak dapat dioperasikan — keluaran dengan kualitas
yang tidak dapat diterima
Setelah data historis pada hasil pemeriksaan ini dikumpulkan, analisis statistik
dilakukan tentang bagaimana status mesin berkembang dari bulan ke bulan. Grafik
berikut menunjukkan frekuensi relatif (probabilitas) dari setiap kemungkinan
transisi dari status dalam satu bulan (baris matriks) ke status di bulan berikutnya
(kolom matriks).
State 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
4 8 8
2 0 0 1 1
2 2
3 0 0 0 1
Selain itu, analisis statistik menemukan bahwa probabilitas transisi ini tidak
terpengaruh dengan juga mempertimbangkan keadaan di bulan sebelumnya.
"Properti kekurangan memori" ini adalah properti Markovian. Oleh karena itu,
untuk variabel random Xt yang merupakan keadaan mesin pada akhir bulan t,
dapat disimpulkan bahwa proses stokastik {Xt, t = 0, 1, 2,. . .} adalah rantai Markov
waktu diskrit yang matriks transisinya (satu langkah) hanya matriks di atas.
Seperti yang ditunjukkan oleh entri terakhir dalam matriks transisi ini, setelah
mesin menjadi tidak dapat dioperasikan (memasuki kondisi 3), mesin tetap tidak
dapat dioperasikan. Dengan kata lain, keadaan 3 adalah keadaan menyerap.
Membiarkan mesin dalam keadaan ini tidak dapat ditoleransi, karena ini akan
menghentikan proses produksi, sehingga mesin harus diganti. (Perbaikan tidak
dapat dilakukan dalam keadaan ini.) Mesin baru kemudian akan mulai dalam
keadaan 0.
Proses penggantian membutuhkan waktu 1 minggu hingga selesai sehingga
produksi hilang untuk periode ini. Biaya produksi yang hilang (laba yang hilang)
adalah $ 2.000, dan biaya penggantian mesin adalah $ 4.000, jadi total biaya yang
dikeluarkan setiap kali mesin saat ini memasuki kondisi 3 adalah $ 6.000.
Bahkan sebelum mesin mencapai keadaan 3, biaya mungkin timbul dari produksi
barang yang rusak. Biaya yang diharapkan per minggu dari sumber ini adalah
sebagai berikut :
Sekarang telah menyebutkan semua biaya relevan yang terkait dengan satu
pemeliharaan tertentu kebijakan (ganti mesin jika sudah tidak bisa dioperasikan
tetapi tidak melakukan perawatan jika tidak). Di bawah kebijakan ini, evolusi
status sistem (suksesi mesin) masih merupakan rantai Markov, tetapi sekarang
dengan matriks transisi berikut :
State 0 1 2 3
0 0 7 1 1
8 16 16
1 0 3 1 1
4 8 8
2 0 0 1 1
2 2
3 1 0 0 0
1 = 𝜋0 + 𝜋1 + 𝜋2 + 𝜋3 ,
Namun, ada juga kebijakan perawatan lain yang harus dipertimbangkan dan
dibandingkan dengan yang ini. Misalnya, mungkin mesin harus diganti sebelum
mencapai :
Alternatif lain adalah merombak mesin dengan biaya $ 2.000. Opsi ini adalah tidak
layak di bagian 3 dan tidak meningkatkan mesin sementara di bagian 0 atau 1, jadi
biaya hanya di bagian 2. Dalam keadaan ini, perombakan akan mengembalikan
mesin ke status 1. A diperlukan minggu, jadi konsekuensi lain adalah $ 2.000 dalam
keuntungan yang hilang dari produksi yang hilang. Singkatnya, keputusan yang
mungkin diambil setelah setiap inspeksi adalah sebagai berikut :
Untuk referensi mudah, Tabel di atas juga merangkum biaya yang relevan untuk
setiap keputusan setiap negara bagian di mana keputusan itu mungkin menarik.
Minimalkan :
Bergantung atas :
y01 + y11 + y13 + y21 + y22 + y23 + y33 =1
y01 — (y13 + y23 + y33) =0
7 3
y11 + y13 — ( 8 y01 +4 y11 + y22 ) =0
1 1 1
y21 + y22 + y23 — ( 16 y01 + y11 + 2 y21 ) =0
8
1 1 1
y33 — ( 16 y01 + y11 + 2 y21 ) =0
8
dan
𝑦𝑖𝑘 ≥ 0
5. Pada menu objective pilih minimize karena kita akan meminimalkan fungsi
tujuan.
Nama Variabel
7. Isi nilai Variabel yang terdapat pada fungsi tujuan yaitu Z = 1,000y11 +
6,000y13 + 3,000y21 + 4,000y22 + 6,000y23 + 6,000y33.
10. Klik menu Window, pilih Linear Programming Results. Maka akan didapat
hasilnya pada Solution List pada Optimal Value (Z).
Kesimpulan :
REFERENSI
Frederick S. Hillier dan Gerald J. Lieberman, 2001. Introduction To Operations
Research Seventh Edition. McGraw-Hill, an imprint of The McGraw-Hill
Companies, Inc., 1221 Avenue of the Americas, New York, NY, 10020.
Hamda A. Taha. 2007. Operations Research : An Introduction Eight Edition. Pearson
Education, Inc. Pearson Prentice Hall. Pearson Education, Inc. Upper Saddle
River, NJ 07458.
Hillier and Lieberman. 1991. “Introduction to Mathematical Programming”,
1stedition, McGraw-Hill.
Don T.Philips. 1987. “Operation Research: Principle and Practice”, 2ndedition,
JohnWiley and Sons.
Mulyono, Sri. 2007. Riset Operasi. Fakultas Ekonomi Uniersitas Indonesia. Jakarta
Sarjono, Haryadi. 2010. Aplikasi Riset Operasi. Salemba Empat. Jakarta.
Dimyati, Tjutju Tarliah, Ahmad. 1999. “Operations Research”, PT. Sinar Baru
Algensindo Bandung.
Ayu, Media Anugrah. 1994, Pengantar Riset Operasional. Jakarta: Gunadarma.