ANALISIS MARKOV
ANALISIS MARKOV
OBJEKTIF :
6
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 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 (Marli, etc. 2018. Page
113).
Kumpulan variabel random {x(t0)} adalah suatu proses markov jika memenuhi
sifat sebagai berikut:
P {x(t0) = x0 / x (t0-1) = x0-1, …, x(t0) = x0} =
P {x(t0) = x0 / x (t0-1) = x0-1 untuk seluruh harga x(t0), x(t1), …, x(t0)
Matriks P ini disebut transisi homogen atau matriks stochastic, karena seluruh
probabilitas transisi pij berharga tetap dan independen terhadap waktu. Probabilitas
pij ini harus memenuhi kondisi berikut:
∑𝑗 𝑝𝑖𝑗 = 1 untuk seluruh i
Pij ≥ 0 untuk seluruh i dan j
pendapatan dari proses yang mempunyai jumlah state terbatas atau tidak
terbatas (Marli, etc. 2018. Page 115).
2. Menghitung probabilitas dari suatu kejadian di waktu yang akan datang
Informasi yang dapat dihasilkan dari analisis Markov adalah probabilitas berada
dalam suatu status pada satu periode di masa depan. Untuk memperoleh itu,
seluruh probabilitas transisi dalam proses Markov memainkan peran yang
menentukan. Ada dua cara untuk menemukan informasi itu, yaitu dengan
probabilities tree dan perkalian matriks. Probabilitas tree merupakan cara yang
nyaman untuk menunjukkan sejumlah terbatas transisi dari suatu proses
markov. (Sri Mulyono. 2017. Page 249).
3. Menentukan kondisi steady state
Dalam banyak kasus, proses markov akan menuju kepada kondisi steady state
(keseimbangan) artinya setelah proses berjalan selama beberapa periode,
probabilitas status akan bernilai tetap, dan ini dinamakan probabilitas steady
state. (Mulyono, Sri. 2017. Page 257).
Contoh Soal:
(Harjono, Pangestu. 2014. Page 198)
Penelitian yang dilakukan oleh Steven Chandra (mahasiswa semester 7 sebuah
Universitas Swasta Jakarta Barat) untuk meneliti minat responden terhadap provider
Internet. Sampel diambil dari mahasiswa Universitas Swasta jurusan manajemen
semester 7, dispesifikan karena mahasiswa semester 7 banyak menggunakan Internet
untuk mencari jurnal-jurnal atau bahan untuk pembuatan skripsi. Penyedia yang
ditawarkan untuk dipilih dalam bentuk nirkabel adalah IndosatM2, NetZap, dan XL.
Jika probabilitas tersebut diletakkan dalam vektor probabilitas state maka akan
menjadi:
n(1) = (0,43, 0,22, 0,35)
di mana,
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
0,06
#1 0,0210 = 0,35 (0,06)
XL #3 0,14 Catatan: 0,35 x 0,06 = 0,0210
0,35
0,0490 = 0,35 (0,14)
#2
0,80 Catatan: 0,35 x 0,14 = 0,0490
B. Perkalian Matriks
Berdasarkan data yang telah dijelaskan sebelumnya, maka matriks transisi
probabilitasnya akan menjadi yang ada di bawah ini:
IndosatM2 mewakili state 1, NetZap mewakili state 2, XL mewakili state 3. Arti dari
probabilitas di atas dapat digambarkan seperti berikut.
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
0,14 = P23 = Probabilitas pangsa pasar XL 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
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).
6. Ubah nama state sesuai dengan data penelitian. Masukkan probabilitas State
awal n(1) = (0,43, 0,22, 0,35) pada kolom Initial.
Nama
Initial
state
10. Klik menu Window, pilih Markov Analysis Results. Maka akan didapat hasilnya
pada Ending Probability (given initial) dan probabilitas steady state.
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
REFERENSI
Marli, etc. 2018. Pengantar Biostatistika dan Aplikasinya Pada Status Kesehatan Gizi
Remaja. Syaih Kuala University Press Darussalam. Banda Aceh
Mulyono, Sri. 2007. Riset Operasi. Fakultas Ekonomi Uniersitas Indonesia. Jakarta
Sarjono, Haryadi. 2014. Aplikasi Riset Operasi. Salemba Empat. Jakarta
Prawirosentono. 2018. Riset Operasi & Ekonofisika (Opertions Research &
Econophysics). Grafika Offset. Jakarta