“RANTAI MARKOV’’

(CHAIN MARKOV)

DOSEN :

Hanifatul Rahmi M.Pd

DISUSUN OLEH :

Iqbal Kurniawan
(1926201089)

Sekolah Tinggi Teknologi (STT) Dumai

Prodi Teknik Industri
2021
 CHAIN MARKOV (RANTAI MARKOV)

Salah satu metode yang biasa digunakan untuk merencanakan penjadwalan produksi,
perencanaan bahan baku, dan pemeliharaan mesin produksi yaitu konsep markov chain (rantai
markov). Dengan penggunaan teknik ini, harapannya dapat  membantu dalam memperkirakan
perubahan yang mungkin terjadi di masa mendatang.

Di dalam manajemen, rantai markov dapat digunakan untuk mempersiapkan kemungkinan

adanya sebuah perubahan dan bagaimana caranya untuk menghadapi perubahan tersebut. 

Dari analisa markov tersebut nantinya dapat diambil kebijakan terkait tindakan preventif untuk
menghindari kerugian akibat terganggunnya kegiatan produksi.

Sejarah dan Pengertian Markov Chain

Konsep markov chain pertama kali diperkenalkan sekitar tahun 1906, oleh seorang ilmuan Rusia
bernama Andrey Andreyevich Markov (1856-1922). 

Markov chains atau rantai markov adalah suatu metode yang digunakan untuk mengidentifikasi
variabel-variabel pada masa sekarang yang didasarkan pada variabel-variable di masa lalu
sehingga didapatkan perkiraan kemungkinan variabel tersebut di masa yang akan datang.
Markov chain juga disebut sebagai proses stokastik, yaitu sistem pemodelan yang berubah secara
acak dimana diasumsikan keadaan yang akan datang bergantung hanya pada keadaan sekarang
dan tidak bergantung pada urutan kejadian yang mendahuluinya.

Dalam model matematika, Markov chain dapat dijelaskan: “Untuk setiap waktu t, ketika kejadian adalah
Kt dan seluruh kejadian dari proses yang diketahui adalah K t(j), ... , Kt(j-n), probabilitas atau kemungkinan
terjadinya suatu kejadian yang akan datang K t(j) hanya bergantung pada tepat kejadian Kt(j-1) dan tidak
bergantung pada kejadian-kejadian sebelumnya yakni K t(j-2), Kt(j-3),..., Kt(j-n).” 

Fungsi Markov Chain

 

Berikut ini adalah beberapa fungsi dari metode Markov chain dalam pemodelan sistem dan
proses bisnis:

 Sebagai tools untuk memperkirakan perubahan-perubahan yang kemungkinan akan

terjadi di waktu yang akan datang
 Sebagai tools untuk menganalisis kejadian-kejadian di waktu-waktu mendatang secara
matematis
Contoh Pengaplikasian Markov Chain dalam Dunia
Industri

Markov chain pertama kali diterapkan dalam ilmu-ilmu pengetahuan fisika dan meteorologi.
Dalam kasusnya, metode ini digunakan untuk meramalkan keadaan cuaca melalui kegiatan
analisis terhadap perilaku partikel-partikel gas dalam suatu wadah (container) tertutup.

Seiring perjalanan waktu markov chain banyak diterapkan dalam manajemen industri seperti:

 Untuk menganalisis perpindahan minat pada merek tertentu (brand switching) dalam
pemasaran, 
 Untuk menganalisis perencanaan penjualan, 
 Perencanaan pemeliharaan mesin, 
 Perencanaan antrian, 
 Menganlisis perubahan harga pasar saham, 
 Pengelolaan administrasi rumah sakit, 
 Perencanaan persediaan bahan baku, dan sebagainya.

Gambar di bawah ini menjelaskan bagaimana gerakan-gerakan dari beberapa variabel di masa
yang akan datang bisa diprediksi dengan menggunakan gerakan-gerakan variabel pada masa
sebelumnya (lalu).

K = kejadian
T = waktu pada saat kejadian
 
Pada gambar di atas cukup jelas, yaitu Kt4 dipengaruhi oleh kejadian Kt3, Kt3 dipengaruhi oleh
kejadian Kt2, dan Kt2 dipengaruhi oleh Kt1. Perubahan-perubahan tersebut terjadi terus-menerus
dan berantai karena adanya peranan probabilitas transisi (transition probability). Kejadian Kt1
misalnya, tidak akan mempengaruhi kejadian Kt3. 

Oleh karenanya Markov chain mampu  menjelaskan kemungkinan gerakan-gerakan beberapa

variabel dalam satu periode waktu di masa yang akan datang berdasarkan pada gerakan-gerakan
variabel tersebut di masa kini. Dalam model matematis dapat ditulis seperti berkut ini:

Kt(j) = P x Kt(j-1)
 dimana,
 Kt(j) = peluang kejadian pada t(j)
P = Probabilitas Transisional
t(j) = waktu ke-j
Kt(j-1) = peluang kejadian pada t(j-1)

Syarat-Syarat Dalam Analisa MARKOV

Tidak semua kasus dapat memenuhi semua sifat yang diperlukan untuk mendapatkan analisa
rantai markov, ada beberapa syarat yang harus dipenuhi yaitu sebagai berikut :

1. Jumlah probabilitas transisi untuk suatu keadaan awal dari sistem harus selalu 1.
2. Probabilitas-probabilitas tersebut berlaku untuk setaip partisipan dalam sistem.
3. Probabilitas transisi harus konstan atau tidak berubah sepanjang waktu.
4. Kondisi merupakan kondisi yang independen sepanjang waktu.

 Pengaplikasian analisa markov chain bisa dibilang cukup terbatas karena sulit menemukan
masalah yang memenuhi semua syarat yang diperlukan untuk analisa markov, terutama
persyaratan bahwa probabilitas transisi harus konstan sepanjang waktu.
Keadaan Probabilitas Transisi
Keadaan transisi adalah perubahan dari suatu keadaan (status) ke keadaan (status)
lainnya pada periode berikutnya. Keadaan transisi ini merupakan suatu proses
random dan dinyatakan dalam bentuk probabilitas. Probabilitas ini dikenal sebagai
probabilitas transisi. Probabilitas ini dapat digunakan untuk menentukan
probabilitas keadaan atau periodeberikutnya.
Contoh Kasus :
Sebuah perusahaan transportasi mempunyai 220 unit mobil. Namun tidak semua
mobil dapat beroperasi dikarenakan mesin rusak. Data mobil yang sedang
beroperasi(narik) dan rusak(mogok) adalah sebagai berikut :

Dalam waktu dua hari ini terdapat perubahan, mobil yang beroperasi ternyata
mengalami kerusakan, dan sebaliknya. Untuk mengetahui perubahan yang
terjadi dapat dilihat pada tabel di bawah ini :
 Dari data tersebut hitunglah :
a. Probabilitas transisi
b. Probabilitas hari ke-3 narik jika hari ke-1 narik
c. Probabilitas hari ke-3 mogok jika hari ke-1 narik
d. Probabilitas hari ke-3 narik jika hari ke-1 mogok
e. Probabilitas hari ke-3 mogok jika hari ke-1 mogok
Jawaban :

a.     Probabilitas Transisi

Peralatan Analisis Markov
1.     Probabilitas Tree
           Probabilities tree merupakan cara yang aman dan sangat membantu untuk
menunjukan sejumlah terbatas trasisi dari suatu proses Markov.

Dari 2 gambar  tersebut, kita bisa menjawab jawab soal di atas, sehingga :
b.     Probabilitas hari ke-3 narik, jika hari ke-1 narik = 0,3402  + 0,3084   =  0,6486
c.      Probabilitas hari ke-3 mogok jika hari ke-1 narik= 0,2431  + 0,1083   =  0,3514
d.     Probabilitas hari ke-3 narik, jika hari ke-1 mogok    = 0,4316  + 0,1924   =  0,624
e.      Probabilitas hari ke-3 mogok jika hari ke-1 mogok = 0,3084  + 0,0676  =   0,376