PROGRAM DINAMIS

(Pak Ilham)

Program Dinamis adalah suatu teknik matematis yang biasanya digunakan untuk
membuat suatu keputusan dari serangkaian keputusan yang saling berkaitan.
Tujuan utama dari model ini adalah untuk memudahkan penyelesaian persoalan
optimasi yang mempunyai karakter tertentu.
Ide dasar program dinamis adalah membagi persoalan menjadi beberapa bagian
yang lebih kecil sehingga memudahkan penyelesaiannya. Akan tetapi, berbeda
dengan program linier. Pada persoalan program dinamis ini tidak ada formulasi
matematis yang standar. Karena itu, persamaan-persamaan yang terpilih untuk
digunakan harus dikembangkan agar dapat memenuhi masing-masing situasi yang
dihadapi. Dengan demikian, maka antara persoalan yang satu dan persoalan yang
lainnya dapat mempunyai stuktur penyelesaiaan soal yang berbeda.
Terdapat tiga hal penting dalam Program Dinamis:
 STAGE (tahapan) dari persoalan yang dihadapi dan ingin dicari solusinya.
 STATE (kondisi) yang menjadi faktor penentu keputusan dari tiap tahapan.
 DECISION (keputusan) yang harus diambil dari tiap tahap untuk sampai
kepada solusi keseluruhan.

Gambar 1. Hubungan Stage, State, dan Decision

Keputusan tahap N sangat ditentukan oleh keputusan pada tahap-tahap
sebelumnya. Tergantung pada jenis persoalan yang dihadapi, model/formulasi
tujuan yang diharapkan pun akan berbeda.

1.1 Ilustrasi Program Dinamis

Misalkan Seorang pedagang akan memilih rute angkutan barang dengan truk
dari kota asal (A) ke kota tujuan (K). Persoalan lebih disederhanakan dengan
memilah tahapan yang dapat ditempuh dengan lama waktu tempuh antar
kota yang dilewati, sebagai berikut:
 Tahap 1 Tahap 2 Tahap 3 Tahap 4

Gambar 2. Tahapan dari kota A ke kota K

Waktu tempuh antar kota (dalam hari) adalah sebagai berikut:

Tabel. 1 Waktu Tempuh Antar Kota

Meskipun kota awal dan kota tujuan akhir diketahui, untuk tiap kota yang akan
ditempuh, pedagang tersebut memiliki beberapa alternatif dengan ongkos yang
berbeda-beda. Rute manakah yang memiliki jarak tempuh tersingkat?
Salah satu pendekatan yang dapat dilakukan untuk menyelesaikan persoalan ini
adalah dengan menggunakan cara coba-coba (trial dan error). Akan tetapi ,
jumlah rute yang dapat dilalui cukup banyak sehingga menghitung total waktu
tempuh untuk masing-masing rute akan sangat membosankan. Dengan program
Dinamis, persoalan itu dapat diselesaikan secara lebih sederhana.
Perhatikan kembali ilustrasi persoalan di atas. Tetapkan variabel-variabel
keputusan 𝑥𝑛 sebagai tempat persinggahan pada stage 𝑛 ( 𝑛 = 1,2,3,4). Maka rute
yang dijalani adalah 1 → 𝑥1 → 𝑥2 → 𝑥3 → 𝑥4 . Dimana 𝑥4 adalah kota (state) K
atau 𝑥4 = 𝐾. Selanjutnya tetapkan pula variabel-variabel berikut ini:
1. 𝑓𝑛 𝑠, 𝑥𝑛 = waktu tempuh dari kota 𝑠 dan memilih 𝑥𝑛 sebagai tempat
persinggahan berikutnya.
2. Untuk 𝑠 dan 𝑛 tertentu, 𝑥𝑛∗ adalah nilai 𝑥𝑛 meminimumkan 𝑓𝑛 𝑠, 𝑥𝑛 .
3. 𝑓𝑛∗ 𝑆 = nilai minimum dari 𝑓𝑛 𝑠, 𝑥𝑛 sehingga 𝑓𝑛∗ 𝑠 = 𝑓𝑛 𝑠, 𝑥𝑛∗ .
Tujuannya adalah untuk mendapatkan 𝑓1∗ (1) dengan cara mencari 𝑓4∗ (𝑠), 𝑓3∗ (𝑠),
dan 𝑓2∗ (𝑠) terlebih dahulu. Jadi program dinamis menyelesaikan persoalan dengan
melakukan perhitungan mundur walaupun untuk persoalan tertentu bisa dengan
perhitungan maju.
Berikut adalah solusi untuk persoalan di atas dengan perhitungan mundur:
Tahap 4 : min{𝑓4∗ 𝑥4 }
Dari \ Ke K 𝑓4 (𝑥4 ) 𝑥4∗
H 15 15 HK
I 13 13 IK
J 10 10 JK

Tahap 3 : min{𝑓3 𝑥3 + 𝑓4∗ 𝑥4 }

Dari \ Ke H I J 𝑓3 (𝑥3 ) 𝑥3∗
(15) (13) (10)
D 27 27 26 26 DJ
E 32 32 23 23 EJ
F 30 31 30 30 FH, FJ
G 30 26 25 25 GJ

Contoh menghitung cell DH,

𝑓3 𝐷, 𝐻 = 𝑓3 𝑥3 + 𝑓4∗ 𝑥4 = 𝑓3 𝐷 + 𝑓4∗ 𝐻 =12+15=27
Tahap 2: min{𝑓2 𝑥2 + 𝑓3∗ 𝑥3 }
Dari \ Ke D E F G 𝑓2 (𝑥2 ) 𝑥2∗
(26) (23) (30) (25)
B 46 40 48 42 40 BE
C 44 58 50 45 44 CD

Tahap 1: min{𝑓1 𝑥1 + 𝑓2∗ 𝑥2 }

Dari \ Ke B C 𝑓1 (𝑥1 ) 𝑥1∗
(40) (44)
A 55 56 55 AB

Jadi dapat disimpulkan bahwa total waktu terpendek jarak tempuh dari kota A ke
K adalah 55 jam. Dengan rute A-B-E-J-K.
Latihan :
Seorang salesman harus berangkat dari satu kota ke kota lainnya. Diantara kota
asal dan kota tujuan terdapat beberapa kota lain yang dapat digunakan sebagai
tempat persinggahan sementara. Kota-kota yang dapat dilewati tersebut dapat
digambarkan sebagai berikut.

2 5
8

1 3 6 1
9 0
4 7

Data ongkos yang harus dibayar jika salesmen itu meningggalkan kota i dan
menuju kota 𝑐𝑖𝑗 adalah sebagai berikut:

1 2 3 4 5 6 7 8 9 10
1 2 4 3
2 7 4 6
3 3 2 4
4 4 1 5
5 1 4
6 6 3
7 3 3
8 3
9 4
10
Rute manakah yang menimbulkan ongkos terkecil?
1.2 Karakteristik Persoalan Program Dinamis

Berikut ini beberapa gambaran dasar yang menandai (ciri) persoalan program
dinamis:
a. Persoalan dapat dibagi menjadi beberapa tahap (stage), yang pada
masing-masing stage diperlukan adanya satu keputusan. Pada ilustrasi di
atas, persoalan dibagi menjadi 4 stage. Keputusan pada tiap stage adalah
menetapkan kota tujuan berikutnya yang harus ditempuh. Pada persoalan
yang lain, stage ini dapat berupa satuan waktu, volume, atau satuan fisik
lainnya.
b. Masing-masing stage terdiri dari sejumlah state yang berhubungan dengan
stage yang bersangkutan. Pada ilustrasi di atas, stage yang berhubungan
dengan masing-masing stage adalah kota-kota yang disinggahi pada
masing-masing tahap perjalanan. Jumlah state ini bisa terbatas, bisa pula
tidak terbatas.
c. Hasil keputusan yang diambil pada setiap stage ditransformasikan dari
state yang bersangkutan ke state yang berikutnya.
d. Keputusan terbaik pada suatu stage bersifat independen terhadap
keputusan yang dilakukan pada stage sebelumnya.
e. Prosedur pemecahan persoalan yang dilakukan dimulai dengan
mendapatkan cara(keputusan) terbaik untuk setiap state dari stage
terakhir.
f. Ada hubungan timbal balik yang mengidentifikasi keputusan terbaik
untuk setiap state pada stage n, berdasarkan keputusan terbaik untuk
setiap state pada stage (n+1). Pada ilustrasi di atas hubungan ini adalah:
𝑓𝑛∗ 𝑠 = min⁡ {𝑓𝑛 𝑠 + 𝑓𝑛∗+1 𝑥𝑛 .

1.3 Program Dinamis Deterministik

Pendekatan program dinamis sebagai persoalan deterministik, dimana state

pada stage berikutnya sepenuhnya ditentukan oleh state dan keputusan pada
stage saat ini.

Contoh soal:
Badan Kesehatan Dunia (WHO) bermaksud akan menyempurnakan
pelayanan kesehatan di negara-negara yang sedang berkembang. Saat ini
WHO mempunyai 5 tim kesehatan yang harus ditempatkan ke tiga negara.
Dengan demikian WHO perlu menentukan berapa tim yang harus dikirim ke
tiap-tiap negara, sehingga keefektifan total dari kelima tim itu dapat
maksimum. Sebagai ukuran dari keefektifan tersebut ialah pertambahan umur
(yaitu berapa tahun umur orang akan bertambah dengan adanya tim tersebut).
 Tabel 2. Taksiran Pertambahan Umur (Tahun) dalam Satuan Ribu untuk
Setiap Negara dan Tiap Alokasi Team yang Mungkin Dilakukan.

Jumlah Tim Pertumbuhan Umur

Negara 1 Negara 2 Negara 3
0 0 0 0
1 45 20 50
2 70 45 70
3 90 75 80
4 105 110 100
5 120 150 130

Solusi :
Misalkan 𝑝𝑖 (𝑥𝑖 ) adalah ukuran keefektifan dari pengalkasian sebanyak 𝑥𝑖 tim
kesehatan pada negara 𝑖. Maka fungsi tujuan adalah memilih 𝑥1 , 𝑥2 , atau 𝑥3
sehingga:

3
Memaksimumkan: 𝑖=1 𝑝𝑖 (𝑥𝑖 )

3
Kendala 𝑖=1 𝑥𝑖 =5 𝑥𝑖 integer nonegatif

Dengan demikian maka:

𝑓𝑛 𝑠, 𝑥𝑛 = 𝑝𝑛 𝑥𝑛 + 𝑚𝑎𝑘𝑠 𝑝𝑖 (𝑥𝑖 )
𝑖=𝑛+1
Sehingga

𝑥𝑖 = 𝑠
𝑖=𝑛
𝑥𝑖 integer nonegatif, 𝑛 = 1,2,3
Kita tahu bahwa 𝑓𝑛∗ (𝑠)=maks 𝑓𝑛 𝑠, 𝑥𝑛 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑥𝑛 = 0,1,2, … , 𝑠
Oleh karena itu, maka
𝑓𝑛 𝑠, 𝑥𝑛 = 𝑝𝑛 𝑥𝑛 + 𝑓𝑛∗+1 𝑠 − 𝑥𝑛 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑓4∗ = 0
Akibat hubungan timbal balik dari fungsi 𝑓1∗ , 𝑓2∗ , 𝑑𝑎𝑛 𝑓3∗ untuk persoalan ini
menjadi.

∗
𝑓𝑛 ∗ 𝑠 = maks 𝑝𝑛 𝑥𝑛 + 𝑓𝑛+1 𝑠 − 𝑥𝑛 , untuk 𝑛 = 1,2, 𝑥𝑛 = 0,1,2 … , 𝑠)

Untuk stage terakhir (n=3), maka 𝑓3∗ 𝑠 = maks 𝑝3 𝑥3 . 𝑥3 = 0,1, . . , 𝑠

 Berikut adalah hasil perhitungan seluruhnya, dimulai dari stage terakhir n=3
dan bergerak mundur hinga stage n=1
n=3
s 𝑓3∗ (𝑠) 𝑥3∗
0 0 0
1 50 1
2 70 2
3 80 3
4 100 4
5 130 5

n=2
𝑠 \ 𝑥2 𝑓2 𝑠, 𝑥2 = 𝑝2 (𝑥2 ) + 𝑓3∗ (𝑠 − 𝑥2 ) 𝑓2∗ 𝑠 𝑥2∗
0 1 2 3 4 5
0 0 0 0
1 50 20 50 0
2 70 70 45 70 0,1
3 80 90 95 75 95 2
4 100 100 115 125 110 125 3
5 130 120 125 145 160 150 160 4

Contoh menghitung cell (3,2)

𝑓2 3,2 = 𝑝2 2 + 𝑓3∗ 3 − 2 = 45 + 50 = 95

n=1
𝑠 \ 𝑥1 𝑓1 𝑠, 𝑥1 = 𝑝1 (𝑥1 ) + 𝑓2∗ (𝑠 − 𝑥1 ) 𝑓1∗ 𝑠 𝑥1∗
0 1 2 3 4 5
5 160 170 165 160 155 120 170 1
Contoh menghitung cell (5,2)
𝑓1 5,2 = 𝑝1 2 + 𝑓2∗ 5 − 2 = 70 + 95 = 165

Jadi solusi optimum dari persoalan di atas adalah 𝑥1∗ = 1, 𝑥2∗ = 3, dan 𝑥3∗ = 1.
Maka alokasi tim kesehatan ketiga negara tersebutberturut-turut adalah 1 tim ke
negara 1, 3 tim ke negara 2, dan 1 tim ke negara 1 yang akan menghasilkan
taksiran total 170.000 penambahan tahun orang.
Latihan :
1. Seorang pengarah jalan ingin menentukan rute terpendek antara dua kota (A dan
I) berdasarakan rute alternatif yang tersedia. Berikut gambar alternatif rute yang
dapat ditempuh dari kota A ke kota I dan biaya yang harus dikeluarkan untuk
menempuh setiap kota tujuan.
 Bantulah pengarah jalan tersebut menemukan rute terpendek yang ditandai dengan
minimumnya biaya yang harus dikeluarkan.

2. Sebuah perusahaan membagi daerah pemasarannya menjadi tiga, yakni : utara,

timur, dan selatan. Perusahaan tersebut memiliki 3 salesman yang akan
dialokasikan ke tiga wilayah tersebut. Berikut adalah tabel tingkat return
keuntungan dari masing-masing daerah.

Alternatif Tingkat return

Keputusan alokasi keuntungan/daerah
jumlah salesman Utara Timur Selatan
0 0 0 2
1 7 9 6
2 12 15 10
3 20+x 18+x 16+x
Catatan:
x = satu digit terakhir NPM anda

Tentukan keputusan alokasi jumlah salesmen untuk masing-masing daerah yang

harus dipilih, agar memaksimalkan keuntungan yang diperoleh.

3. Seorang kandidat presiden ingin mendapatkan dukungan suara

terbanyak dalam rangka pemilihan umum. Untuk maksud tersebut
dia harus mengeluarkan uang untuk kampanye. Probabilitas
perolehan suara sangat bergantung kepada alokasi dana yang
disiapkan untuk tiap wilayah pemilihan/kampanye. Total dana yang
dimiliki adalah 10 M.

Perkiraan prosentase dukungan suara untuk tiap pengeluaran

uang di tiap wilayah serta jumlah suara total di tiap wilayah
adalah sebagai berikut:
 Jika sang kandidat ingin mendapat suara terbanyak, bagaimana strategi alokasi
tim kampanye yang sebaiknya dilakukan dan lokasi dana per wilayah?
4. Keuntungan pada empat macam kegiatan merupakan fungsi jam kerja yang
dialokasikan pada masing-masing kegiatan seperti tabel berikut. Jika setiap hari
tersedia 4 jam kerja, bagaimana alokasi waktu sehingga keuntungan per hari
maksimum ?

5. Seorang mahasiswa mempunyai 7 hari persiapan sebelum UAS dimulai, pada 4

mata kuliah. Estimasi dari alternatif pengalokasian dari tiap mata kuliah
menghasilkan nilai-nilai sebagaimana tabel berikut. Bagaimana alokasi waktu
yang sebaiknya ia mencapai nilai yang maksimal ?

6. Menghadapi pemilihan Gubernur DKI Jakarta yang akan dilaksanakan Februari

2017 , seorang calon kandidat Gubernur DKI Jakarta menugaskan
jurukampanye untuk berkampanye di 4 wilayah pemilihan. Dia berpendapat,
tidak efisien bila menugaskan seorang jurukampanye ke lebih dari satu wilayah
pemilihan. Tetapi, dia tidak ingin menugaskan seorang jurukampanye ke satu
wilayah pemilihan tertentu bila jurukampanye tersebut dapat melakukan lebih
 baik di wilayah pemilihan yang lain. Tabel berikut ini memperlihatkan
perkiraan banyaknya penambahan pemilih bagi calon Gubernur tersebut pada
tiap wilayah pemilihan jika dialokasikan berbagai jumlah jurukampanye.

Jumlah
Wilayah pemilihan
Juru
Kampanye 1 2 3 4
0 0 0 0 0
1 25 20 33 13
2 42 38 43 24
3 55 54 47 32
4 63 65 50 39
5 69 73 52 45
6 74 80 53 50

Tentukan jumlah alokasi jurus kampanye untuk setiap wilayah pemilihan agar
dicapai total penambahan pemilih yang optimal.

1.4 Program Dinamis Probabilistik

Berbeda dengan program dinamis deterministik, pada program dinamis
probabilistik ini stage berikutnya tidak dapat seluruhnya ditentukan oleh state dan
keputusan pada stage saat ini, tetapi ada suatu distribusi kemungkinan mengenai
apa yang akan terjadi. Namun, distribusi kemungkinan ini masih seluruhnya
ditentukan oleh state dan keputusan pada stage saat ini.
Contoh soal:
Sebuah perusahaan mendapat order untuk menyuplai suatu item tipe tertentu.
Karena langganan menginginkan kualitas yang tinggi, maka perusahaan tersebut
harus memproduksi lebih dari satu item untuk memperoleh item yang dpat
diterima. Perusahaan ini memperkirakan bahwa setiap item diproduksinya itu
1
akan diterima dengan probabilitas 2, dan akan rusak (tanpa kemungkinan
1
diperbaiki) dengan probabilitas 2. Dengan demikian, maka banyak item yang
dapat diterima dari suatu lot yang berukuran L akan mempunyai distribusi
binomial, artinya probabilitas bahwa tidak ada item yang diterima dari lot tersebut
1 2
adalah .
2

Ongkos produksi marginal untuk produk ini ditaksir sebesar $ 100 per item
(walaupun rusak), dan kelebihan item dianggap tidak berharga. Sebagai tambahan,
jika proses produksi untuk produk ini di set up, maka harus disediakan ongkos set-
up sebesar $300. Jika pemeriksaan menyatakan bahwa seluruh lot yang dihasilkan
tidak ada yang dapat diterima, maka proses produksinya harus di set-up dengan
tambahan ongkos sebesar $ 300. Perusahaan ini hanya mempunyai waktu untuk
membuat tidak lebih dari 3 siklus produksi. Jika suatu item yang dapat diterima
belum dihasilkan pada akhir siklus produksi yang ketiga, maka kerugian karena
hilangnya penerimaan dari penjualan ini ditambahkan dengan denda yang harus
dibayar adalah sebesar $ 1600.
Tujuan persoalan ini adalah untuk menentukan ukuran lot pada siklus produksi
yang diperlukan sehingga diperoleh ekspektasi ongkos pembuatan yang
minimum.
Jawaban :
Stage dari persoalan ini adalah siklus produksi, sedangkan variabel keputusan
𝑥𝑛 (𝑛 = 1,2,3) adalah ukuran lot produksi pada stage 𝑛. Banyaknya item yang
dapat diterima (yaitu nol atau satu) adalah stage dari sistem pada setiap stage. Jadi
state 𝑠 = 1 pada stage 1. Jika paling sedikit satu item yang dapat diterima telah
dihasilkan, maka state berubah menjadi 𝑠 = 0. Dan setelah itu tidak ada lagi
ongkos tambahan yang diperlukan. Dalam hal ini 𝑓𝑛 (𝑠, 𝑥𝑛 ) adalah ekspektasi
ongkos total yang minimum untuk stage n ke depan, berdasarkan state n.
Maka :
𝑓𝑛∗ 𝑠 = min 𝑓𝑛 𝑠, 𝑥𝑛 𝑥𝑛 = 0,1, …
Dimana :
𝑓𝑛∗ 0 = 0
Dengan menggunakan $ 100 sebagai satuan uang, maka kontribusi terhadap
ongkos dari stage n adalah (𝐾 + 𝑥𝑛 ) dimana:
0 𝑗𝑖𝑘𝑎 𝑥𝑛 = 0
𝐾
3 𝑗𝑖𝑘𝑎 𝑥𝑛 > 0
Untuk s=1, maka
𝑥𝑛 𝑥𝑛
1 1
𝑓𝑛 1, 𝑥𝑛 = 𝐾 + 𝑥𝑛 + 𝑓𝑛∗+1 1 + [1 − ]𝑓𝑛∗+1 0
2 2
𝑥𝑛
1
= 𝐾 + 𝑥𝑛 + 𝑓𝑛∗+1 1
2
Dengan 𝑓4∗ 1 = 16, yaitu terminal ongkos jika tidak dihasilkan item yang dapat
diterima.
Hubungan timbal baliknya adalah:
𝑥𝑛
1 ∗
𝑓𝑛∗ 1 = min 𝐾 + 𝑥𝑛 + 𝑓𝑛+1 1 𝑥𝑛 = 0,1, ..
2

Untuk 𝑛 = 1,2,3
Perhitungan selengkapnya adalah sebagai berikut:
 n=3
𝑥3
𝑥3 1 𝑓3∗ (𝑠) 𝑥3∗
𝑓3 1, 𝑥3 = 𝐾 + 𝑥3 + 16
2
s 0 1 2 3 4
0 0 0 0
1 16 12 9 8 8 8 3,4

n=2
𝑥2
𝑥2 1 𝑓2∗ (𝑠) 𝑥2∗
𝑓2 1, 𝑥2 = 𝐾 + 𝑥2 + 16
2
s 0 1 2 3 4
0 0 0 0
1 8 8 7 7 1 7 2, 3
72

n=1
𝑥1
𝑥1 1 𝑓1∗ (𝑠) 𝑥1∗
𝑓1 1, 𝑥1 = 𝐾 + 𝑥1 + 16
2
s 0 1 2 3 4
1 7 1 3 7 1 3 2
72 6 6 716 6
4 8 4

Dengan demikian, maka kebijakan optimum adalah memproduksi 2 item pada

siklus produksi pertama. Jika tidak ada yang dapat diterima, maka buatlah
sebanyak 2 atau 3 item pada siklus produksi kedua. Jika tidak ada yang dapat
diterima, maka buatlah 3 atau 4 item pada siklus produksi ketiga. Ekspektasi
ongkos total untuk kebijakan ini adalah $ 675.

Latihan :
1. Sebuah proyek ruang angkasa sedang melakukan penelitian teknologi. Tiga tim
peneliti A,B, dan C mencoba melakukan pendekatan berbeda. Menurut perkiraan,
dalam keadaan seperti ini, kemungkinan terjadi kegagalan ketiga tim ini adalah
0.4, 0.6, dan 0.8 untuk A,B, dan C berturut-turut. Karena ingin memperkecil
kemungkinan gagal, maka diputuskan untuk menambah 2 orang ilmuan
terkemuka pada ketiga tim tersebut. Kemungkinan gagal ketiga tim setelah
ditambah 0, 1, 2 ilmuan adalah :
Jumlah Ilmuan Probabilitas gagal
A B C
0 0.4 0.6 0.8
 1 0.2 0.4 0.5
2 0.15 0.2 0.3

Bagaimanakah sebaiknya kedua ilmuan tersebut dialokasikan agar kemungkinan

gagal menjadi minimum?

2. Sebuah perusahaan angkutan laut mendapat order untuk mengangkut 3 jenis

barang dengan data sebagai berikut:
Jenis Barang Berat (ton) Nilai (juta Rp)
1 2 40
2 1 20
3 4 70

Jika kapal yang memuat barang tersebut hanya mampu membawa maksimum 6
ton, barang-barang mana saja yang sebagiknya diangkut agar diperoleh nilai
maksimum tanpa melangga beban maksimum? Selesaikan dengan program
dinamis.

3. Suatu sistemelektronik terdiri dari 4 komponen. Setiap komponen tersebut harus

berfungsi agar sistem berfungsi. Reliabilitas sistem dapat ditingkatkan dengan
memasang komponen lain yang dipasang secara paralel pada satu atau lebih
komponen tersebut. Tabel tersebut memperlihatkan probabilitas bahwa komponen
tertentu akan berfungsi jika dipasang 1,2, atau 3 komponen lain yang paralel
tersebut.

Jenis Komponen Probabilitas Komponen Berfungsi

Komp. 1 Komp. 2 Komp. 3 Komp. 4
1 0.6 0.4 0.7 0.5
2 0.75 0.65 0.9 0.6
3 0.85 0.8 0.95 0.8

Ongkos memasang 1,2,3 komponen lain pada setiap komponen adalah sebagai
berikut:
Jenis Komponen Ongkos (Rp. 1000)
Komp. 1 Komp. 2 Komp. 3 Komp. 4
1 6 10 5 8
2 11 16 10 13
3 15 22 14 17
 Bila dana yang tersedia adalah Rp. 45.000.000, berapakah komponen lain yang
harus dipasang pada setiap komponen agar probabilitas sistem tersebut berfungsi
maksimal?
4. Sebuah perusahaan memiliki kapasitas produksi sebesar 700 ton per bulan.
Distribusi produk dilakukan melalui transportasi darat, dan untuk menghemat
biaya pengiriman, telah ditentukan volume pengiriman sebesar 100 ton setiap
pengirimannya. Pasar yang dituju adalah pasar A, B, dan C. Dari pengalaman
yang ada, return dari setiap pasar dapat dilihat pada tabel berikut ini :

Bagaiman distribusi produk harus dilakukan oleh perusahaan agar diperoleh hasil
atau return yang paling optimal ?

Sumber:
Tarliah Dimyati, Tjutju.2015. Operations Research: Model-model pengambilan
Keputusan. Jakarta: Sinar Baru Algesindo .
Winstone,Wayne.2006.Operation Research. Elsevier.
Ristono, Agus.2011. Penelitian Operasional Lanjut. Jakarta: Graha Ilmu.
 RANTAI MARKOV
(Bu Mirani)

Terkadang kita tertarik pada perubahan yang terjadi dari suatu peubah acak seiring
berjalannya waktu. Kita mungkin ingin tahu bagaimana harga saham atau pangsa
pasar perusahaan berkembang. Studi tentang bagaimana suatu peubah acak
berubah seiring berjalannya waktu termasuk proses stokastik yang dijelaskan
dalam bab 2 ini. Khususnya, kita fokus pada jenis proses stokastik yang dikenal
sebagai rantai Markov. Rantai Markov telah diterapkan di berbagai bidang seperti
pendidikan, pemasaran, kesehatan, layanan, keuangan, akuntansi, dan produksi.
Kita mulai bab ini dengan mendefinisikan konsep proses stokastik.

2.1 Proses Stokastik

Dalam pengambilan keputusan suatu masalah, seringkali kita dihadapkan dengan

ketidakpastian. Permasalahan ini dapat dimodelkan secara matematis asalkan
ketikdakpastian tersebut memiliki pola yang teratur. Jika memiliki pola
ketidakpastian yang teratur, maka masalah tersebut dikatakan memiliki proses
stokastik/probabilistik.

Proses stokastik dapat didefinisikan sebagai kumpulan peubah acak berindeks

𝑋𝑡 , dimana indeks 𝑡 bergerak sepanjang himpunan 𝑇 yang diberikan. Seringkali
𝑇 merupakan himpunan bilangan bulat tak negatif dan 𝑋𝑡 mewakili suatu
karakteristik yang terukur pada waktu 𝑡. Jika 𝑇 adalah himpunan yang dapat
dihitung (countable set), maka proses stokastik tersebut dikatakan sebagai proses
stokastik dengan waktu diskrit, misalnya {𝑋𝑡 , 𝑡 = 0,1,…}. Jika 𝑇 adalah suatu
interval pada garis real, maka proses stokastik tersebut dikatakan sebagai proses
stokastik dengan waktu kontinu, misalnya {𝑋𝑡 , 𝑡 ≥ 0}. Secara ringkas proses
stokastitik dapat didefinisikan sebagai serangkaian peubah acak yang berubah
terhadap waktu pengamatan. Proses tersebut dapat dinyatakan sebagai:

{ 𝑋𝑡 , 𝑡 ∈ 𝑇}

𝑋𝑡 = status pada saat 𝑡 dan 𝑡 = waktu (langkah).

Sebagai contoh, suatu proses stokastik 𝑋1 , 𝑋2 , 𝑋3 , ... adalah suatu proses stokastik
yang menyatakan kumpulan tingkat persediaan mingguan (atau bulanan) dari
suatu produk atau kumpulan dari permintaan mingguan produk tersebut.

2.2 Rantai Markov

Proses stokastik dengan waktu diskrit adalah rantai Markov, jika untuk
𝑡 = 0,1, … peluang kejadian dari proses tersebut dapat dinyatakan sebagai berikut:

𝑃 𝑋𝑡+1 = 𝑖𝑡+1 |𝑋𝑡 = 𝑖𝑡 , 𝑋𝑡−1 = 𝑖𝑡−1 . . 𝑋1 = 𝑖1 , 𝑋0 = 𝑖0 = 𝑃 𝑋𝑡+1 = 𝑖𝑡+1 |𝑋𝑡 = 𝑖𝑡

Artinya, peluang status pada waktu mendatang (𝑖𝑡+1 ) hanya bergantung pada
status saat ini (𝑖𝑡 ) dan tidak bergantung pada masa lalu.

Selanjutnya diasumsikan untuk setiap status 𝑖 dan 𝑗, serta waktu 𝑡 berlaku

𝑃 𝑋𝑡+1 = 𝑗|𝑋𝑡 = 𝑖 = 𝑝𝑖𝑗 .

Dengan 𝑝𝑖𝑗 menyatakan peluang sistem berada pada status 𝑖 saat 𝑡 kemudian akan
berada pada status 𝑗 saat 𝑡 + 1.

Pengetahuan tentang matriks peluang transisi dari rantai Markov diskrit dapat
diaplikasikan dalam berbagai hal, diantaranya:
 Menentukan cuaca esok hari yang dimanfaatkan oleh sebuah restoran sehingga
membantu memperkirakan laba harian.
 Mempelajari perilaku inventaris dari toko komputer.
 Meramalkan status akun pemegang polis bagi perusahaan asuransi.
 Menentukan pangsa pasar jangka panjang untuk toko tertentu.

2.3 Matriks Peluang Transisi

Jika sistem berpindah dari status 𝑖 selama satu periode ke status 𝑗 selama periode
berikutnya, kita katakan bahwa telah terjadi transisi dari 𝑖 ke 𝑗. Peluang transisi
pada rantai Markov sering dinyatakan dengan 𝑝𝑖𝑗 .

Pada sebagian besar aplikasinya, peluang transisi dinyatakan dalam matriks

peluang transisi 𝑃 yang berukuran 𝑠 × 𝑠. Matriks peluang transisi 𝑃 dapat
dituliskan sebagai berikut.

𝑝11 𝑝12 ⋯ 𝑝1𝑠

𝑝21 𝑝22 ⋯ 𝑝2𝑠
𝑃= ⋮ ⋮ ⋯ ⋮
𝑝𝑠1 𝑝𝑠2 ⋯ 𝑝𝑠𝑠

Setiap status 𝑖 saat 𝑡 akan berada entah pada status 𝑗 yang mana pada saat 𝑡 + 1.
Artinya, untuk setiap status 𝑖 berlaku
𝑠

𝑝𝑖𝑗 = 1
𝑗 =1

Setiap elemen dari matriks 𝑃 haruslah bernilai tidak negatif dan jumlah nilai
peluang pada setiap baris adalah 1.

Berikut diberikan ilustrasi penentuan matriks peluang transisi dari permasalahan

yang memiliki proses rantai Markov.
Contoh 1.
Di akhir hari, nilai saham dicatat; bila naik, maka peluang esok hari nilainya juga
naik = 0,7. Jika nilai saham diakhir hari turun, maka peluang esok hari akan turun
juga = 0,5. Kejadian-kejadian tersebut merupakan rantai Markov dan status 0
menyatakan nilai saham naik dan status 1 menyatakan nilai saham turun, maka
matriks peluang transisinya adalah.

0,7 0,3
𝑃=
0,5 0,5

Contoh 2.
Model dari kondisi suatu stok barang tertentu. Pada akhir suatu hari tertentu
kondisi sutau stok dicatat. Jika stok meningkat hari ini maka peluang bahwa stok
esok hari meningkat adalah 0,6. Jika stok hari ini menurun maka peluang bahwa
stok esok hari meningkat adalah 0,3.
Model ini merupakan rantai markov dengan keterangan:
Status 0: stok meningkat
Status 1: stok menurun
Maka matriks transisinya adalah.

0,6 0,4
𝑃=
0,3 0,7

Contoh 3.
Andaikan contoh saham sebelumnya diubah sebagai berikut: Nilai saham esok
hari tidak hanya tergantung pada nilai saham hari ini, namun juga kemarin.
 Jika nilai saham dua hari berturut-turut (hari ini dan kemarin) naik, maka
nilainya besok juga akan naik dengan peluang 0,9.
 Jika nilainya hari ini naik, tetapi kemarin turun, maka peluang besok nilainya
akan naik sebesar 0,6.
 Jika hari ini nilainya turun, tetapi kemarin naik, maka peluang besok nilai saham
akan naik sebesar 0,5.
 Jika nilai saham hari ini dan kemarin turun, peluang besok nilainya akan naik
sebesar 0,3.

Sistem tersebut dapat dipandang sebagai rantai Markov bila definisi statusnya
sebagai berikut.
Status 0 : Nilai saham hari ini naik, kemarin juga naik
Status 1 : Nilai saham hari ini naik, kemarin turun
Status 2 : Nilai saham hari ini turun, kemarin naik
Status 3 : Nilai saham hari ini turun, kemarin juga turun.

Matriks peluang transisinya adalah

Contoh 4.
Seseorang mempunyai $1 yang dipertaruhkan dalam permainan judi. Pemain judi
ini akan mendapatkan $1 bila menang, dan kehilangan $1 bila kalah. Peluang
pemain untuk menang adalah p > 0, dan peluang kalahnya adalah (1-p).
Permainan judi ini akan berakhir bila pemain telah memiliki $3 atau uangnya
habis. Model permainan ini merupakan rantai Markov dengan status 0, 1, 2, dan 3
yang menyatakan uang yang dimiliki pemain berturut-turut sebesar 0, $1, $2, dan
$3, dengan matriks peluang transisi berikut.

Beberapa referensi lain, peluang transisi dihitung dengan metode probabilitas

tree. Probabilitas tree merupakan cara yang mudah untuk menggambarkan
transisi dengan jumlah terbatas dari suatu proses Markov. Berikut diberikan
ilustrasi kasusnya.
Contoh 5.
Sebuah perusahaan transportasi mempunyai 220 unit mobil. Namun tidak semua
mobil dapat beroperasi dikarenakan mesin rusak. Berikut disajikan data mobil
yang sedang beroperasi (narik) dan rusak (mogok).

Banyak Mobil
Status
Hari 1 Hari 2
Narik 120 144
Mogok 100 76
Jumlah 220 220

Dalam waktu dua hari terdapat perubahan, mobil yang tadinya beroperasi ternyata
rusak, begitu pula sebaliknya. Berikut tabel perubahannya.

Hari 2
Hari 1 Jumlah
Narik Mogok
Narik 70 50 120
Mogok 74 26 100
Jumlah 144 76 220

Dari data tersebut dengan metode probabilitas tree hitunglah:

a. Peluang transisi
b. Peluang hari ke-3 narik, jika hari ke-1 narik
c. Peluang hari ke-3 mogok, jika hari ke-1 narik
d. Peluang hari ke-3 narik, jika hari ke-1 mogok
e. Peluang hari ke-3 mogok, jika hari ke-1 mogok
Penyelesaian:
a. Peluang transisi
Hari 2
Hari 1
Narik Mogok
Narik 70/120 = 0,5833 50/120 = 0,4167
Mogok 74/100 = 0,74 26/100 = 0,26

b. Probabilitas tree untuk menjawab poin b sampai e.

Dari gambar di atas, pertanyaan poin b sampe e dapat ditentukan sebagai berikut.
b. Peluang hari ke-3 narik, jika hari ke-1 narik = 0,3402 + 0,3084 = 0,6486
c. Peluang hari ke-3 mogok, jika hari ke-1 narik = 0,2431 + 0,1083 = 0,3514
d. Peluang hari ke-3 narik, jika hari ke-1 mogok = 0,4316 + 0,1924 = 0,624
e. Peluang hari ke-3 mogok, jika hari ke-1 mogok = 0,3084 + 0,0676 = 0,376

Latihan:
1. Di akhir hari, nilai saham dicatat; bila naik, maka peluang esok hari nilainya
juga naik = 0,6. Jika nilai saham diakhir hari turun, maka peluang esok hari
akan turun juga = 0,7. Kejadian-kejadian tersebut merupakan rantai Markov
dan status 0 menyatakan nilai saham naik dan status 1 menyatakan nilai saham
turun, maka matriks peluang transisinya adalah...
2. Pada akhir suatu hari tertentu kondisi sutau stok dicatat. Jika stok hari ini
menurun maka peluang bahwa stok esok hari meningkat adalah 0,2. Jika stok
meningkat hari ini maka peluang bahwa stok esok hari meningkat adalah 0,8.
Model ini merupakan rantai markov dengan keterangan:
Status 0: stok meningkat
Status 1: stok menurun
Maka matriks transisinya adalah.
3. Andaikan contoh saham sebelumnya diubah sebagai berikut. Nilai saham esok
hari tidak hanya tergantung pada nilai saham hari ini, namun juga kemarin.
 Jika hari ini nilainya turun, tetapi kemarin naik, maka peluang besok nilai
saham akan naik sebesar 0,4.
 Jika nilai saham hari ini dan kemarin turun, peluang besok nilainya akan naik
sebesar 0,2.
 Jika nilai saham dua hari berturut-turut (hari ini dan kemarin) naik, maka
nilainya besok juga akan naik dengan peluang 0,8.
 Jika nilainya hari ini naik, tetapi kemarin turun, maka peluang besok nilainya
akan naik sebesar 0,9.
 Sistem tersebut dapat dipandang sebagai rantai Markov bila definisi
statusnya sebagai berikut.
Status 0 : Nilai saham hari ini naik, kemarin juga naik
Status 1 : Nilai saham hari ini naik, kemarin turun
Status 2 : Nilai saham hari ini turun, kemarin naik
Status 3 : Nilai saham hari ini turun, kemarin juga turun.
Tentukan matriks peluang transisi dari kejadian-kejadian tersebut.
4. Sebuah perusahaan transportasi mempunyai 440 unit motor. Namun tidak
semua motor dapat beroperasi dikarenakan mesin rusak. Berikut disajikan data
motor yang sedang beroperasi (narik) dan rusak (mogok).

Banyak Motor
Status
Hari 1 Hari 2
Narik 320 340
Mogok 120 100
Jumlah 440 440

Dalam waktu dua hari terdapat perubahan, motor yang tadinya beroperasi
ternyata rusak, begitu pula sebaliknya untuk mengetahui perubahan yang
terjadi ada pada tabel berikut:

Hari 2
Hari 1 Jumlah
Narik Mogok
Narik 250 70 320
Mogok 90 30 120
Jumlah 340 100 440

Dari data di atas dengan metode probabilitas tree hitunglah:

a. Peluang transisi
b. Peluang hari ke-3 narik, jika hari ke-1 narik
c. Peluang hari ke-3 mogok, jika hari ke-1 narik
d. Peluang hari ke-3 narik, jika hari ke-1 mogok
e. Peluang hari ke-3 mogok, jika hari ke-1 mogok

2.4 Persamaan Chapman-Kolmogorov

Persamaan Chapman-Kolmogorov digunakan untuk menentukan peluang transisi

𝑛-step, untuk setiap 𝑖, 𝑗, 𝑛, dan 0 ≤ 𝑚 ≤ 𝑛 nilai 𝑝𝑖𝑗𝑛 dapat dihitung sebagai
berikut.
𝑚

𝑝𝑖𝑗𝑛 = 𝑝𝑖𝑘𝑚 𝑝𝑘𝑗𝑛 −𝑚

𝑘=0

Persamaan tersebut menyatakan bahwa untuk bertransisi dari status 𝑖 ke status 𝑗

dalam 𝑛-step, maka prosesnya akan berada di status 𝑘 dalam 𝑚-step (𝑚 lebih
kecil dari 𝑛). Jadi, 𝑝𝑖𝑘𝑚 𝑝𝑘𝑗𝑛−𝑚 merupakan peluang kondisional dari sistem yang
berubah dari status 𝑖 ke status 𝑘 setelah 𝑚-step, dan kemudian berpindah ke status
𝑗 setelah (𝑛 − 𝑚) step. Dengan menjumlahkan peluang kondisional ini untuk
semua nilai 𝑘 yang mungkin, akan diperoleh 𝑝𝑖𝑗𝑛 .

Bentuk khusus dari persamaan di atas untuk setiap 𝑖, 𝑗, dan 𝑛 sebagai berikut.

Ketika 𝑚 = 1
𝑚

𝑝𝑖𝑗𝑛 = 𝑝𝑖𝑘 𝑝𝑘𝑗𝑛−1

𝑘=0

Ketika 𝑚 = (𝑛 − 1)
𝑚

𝑝𝑖𝑗𝑛 = 𝑝𝑖𝑘𝑛−1 𝑝𝑘𝑗

𝑘=0

Dengan demikian 𝑝𝑖𝑗𝑛 dapat dihitung dari 𝑝𝑖𝑗 secara berurutan. Untuk setiap 𝑖, 𝑗,
dan 𝑛 = 2, maka persamaan Chapman-Kolmogorov menjadi:
𝑚

𝑝𝑖𝑗2 = 𝑝𝑖𝑘 𝑝𝑘𝑗

𝑘=0

Perhatikan bahwa 𝑝𝑖𝑗2 sama dengan matriks 𝑃2 yang diperoleh dari perkalian
matriks peluang transisi 1-step dengan dirinya sendiri.

2
𝑃 = 𝑃. 𝑃 = 𝑃2
𝑝00 𝑝01 𝑝02 𝑝03 𝑝00 𝑝01 𝑝02 𝑝03
𝑝 𝑝11 𝑝12 𝑝13 𝑝10 𝑝11 𝑝12 𝑝13
𝑃2 = 𝑝10 𝑝21 𝑝22 𝑝23 𝑝20 𝑝21 𝑝22 𝑝23
20
𝑝30 𝑝31 𝑝32 𝑝33 𝑝30 𝑝31 𝑝32 𝑝33

Jika diinginkan nilai peluang transisi dari status 1 ke status 3 dalam 2-step, maka

𝑝13 2 = 𝑝10 . 𝑝03 + 𝑝11 . 𝑝13 + 𝑝12 . 𝑝23 + 𝑝13 . 𝑝33

Untuk bentuk yang lebih umum, matriks peluang transisi 𝑛-step dapat diperoleh
dari persamaan berikut.

𝑛
𝑃 = 𝑃𝑛 = 𝑃. 𝑃 𝑛 −1
=𝑃 𝑛−1
.𝑃

Jadi, matriks peluang transisi 𝑛-step dapat diperoleh dengan mengalikan matriks
peluang transisi 1-step sebanyak 𝑛 kali.
Ilustrasi
1. Diberikan matriks peluang transisi sebagai berikut.

0,8 0,2
𝑃=
0,6 0,4

Matriks peluang transisi 2-step

0,8 0,2 0,8 0,2 0,76 0,24

𝑃2 = =
0,6 0,4 0,6 0,4 0,72 0,28

Matriks peluang transisi 3-step

0,8 0,2 0,76 0,24 0,752 0,248

𝑃3 = =
0,6 0,4 0,72 0,28 0,744 0,256

Matriks peluang transisi 4-step

0,8 0,2 0,752 0,248 0,75 0,25

𝑃4 = =
0,6 0,4 0,744 0,256 0,749 0,251

2. Diberikan matriks peluang transisi sebagai berikut.

0,080 0,184 0,368 0,368

0,632 0,368 0 0
𝑃=
0,264 0,368 0,368 0
0,080 0,184 0,368 0,368

Sehingga matriks peluang transisi 2-step dapat dihitung dengan cara seperti
berikut.

0,080 0,184 0,368 0,368 0,080 0,184 0,368 0,368

0,632 0,368 0 0 0,632 0,368 0 0
𝑃2 =
0,264 0,368 0,368 0 0,264 0,368 0,368 0
0,080 0,184 0,368 0,368 0,080 0,184 0,368 0,368

0,249 0,286 0,300 0,165

0,283 0,252 0,233 0,233
=
0,351 0,319 0,233 0,097
0,249 0,286 0,300 0,165

3. Industri personal komputer merupakan industri yang mengalami pergerakan

sangat cepat dan teknologi menyediakan motivasi kepeda konsumen untuk
mengganti komputer setiap tahunnya. Kepercayaan merek sangat penting
dan perusahaan-perusahaan mencoba segala cara untuk menjaga agar
konsumen menjadi puas. Bagaimanapun juga, beberapa konsumen mencoba
untuk mengganti dengan merek yang lain (perusahaan lain). Tiga merek
tertentu Doorway, Bell, Kumpaq yang meguasai pangsa pasar. Orang yang
memiliki komputer merek Doorway akan membeli tipe Doorway yg lain
80% dan sisanya membeli 2 merek yang lain dengan peluang sama besar.
Pemilik komputer Bell akan membeli Bell lagi 90% dari waktu sementara itu
5% akan membeli Doorway dan 5% akan membeli Kumpaq. Sekitar 70%
pemilik Kumpaq akan membeli Kumpaq, 20% akan membeli Doorway. Tiap
merk memiliki 200.000 konsumen yang berencana untuk membeli sebuah
komputer baru pada tahun depan, berapa banyak komputer dari tiap tipe akan
dibeli ?

Penyelesaian:

Tabel 1. Pangsa Pasar Setiap Tipe Komputer

Initial Doorway Bell Kumpaq
Doorway 200000 0,8 0,1 0,1
Bell 200000 0,05 0,9 0,05
Kumpaq 200000 0,2 0,1 0,7

0,8 0,1 0,1

Matriks peluang transisi tahun ini, 𝑝 = 0,05 0,9 0,05
0,2 0,1 0,7

Matriks peluang transisi tahun depan,

0,8 0,1 0,1 0,8 0,1 0,1

𝑝2 = 0,05 0,9 0,05 0,05 0,9 0,05
0,2 0,1 0,7 0,2 0,1 0,7
0,665 0,18 0,155
= 0,095 0,82 0,085
0,305 0,18 0,515

Tabel 2. Pangsa Pasar Setiap Tipe Komputer Tahun Depan

Initial Doorway Bell Kumpaq
Doorway 200000 0,665 0,18 0,155
Bell 200000 0,095 0,82 0,085
Kumpaq 200000 0,305 0,18 0,515
213000 236000 151000

• Pada tahun depan konsumen yang memiliki komputer Doorway akan

membeli Doorway lagi 66,5%, membeli Bell 18% dan membeli Kumpaq
15,5%.
• Untuk konsumen yang memiliki komputer Bell akan membeli Bell lagi
82%, membeli Doorway 9,5% dan membeli Kumpaq 8,5%.
• Sedangkan untuk konsumen yang memiliki komputer Kumpaq akan
membeli Kumpaq lagi 51,5%, membeli Doorway 30,5% dan membeli
Bell 18%.
• Banyaknya komputer yang akan di beli pada tahun depan untuk merek
Doorway sebanyak 213000, Bell sebanyak 236000 dan Kumpaq sebanyak
151000.
Latihan:
1. Jika hari ini hujan maka besok akan hujan dengan peluang 𝛼 = 0,7. Jika hari
ini tidak hujan maka besok akan hujan dengan peluang 𝛽 = 0,4. Matriks
peluang transisi 4 langkah adalah...
2. Keadaan hujan pada suatu hari bergantung pada keadaan hujan dalam dua
hari terakhir. Jika dalam dua hari terakhir hujan maka besok akan hujan
dengan peluang 0,7. Jika hari ini hujan dan kemarin tidak hujan maka besok
akan hujan dengan peluang 0,5. Jika hari ini tidak hujan dan kemarin hujan
maka besok akan hujan dengan peluang 0,4. Jika dalam dua hari terakhir
tidak hujan maka besok hujan dengan peluang 0,2. Matriks peluang transisi 2
langkah adalah...
3. Model dari kondisi suatu stok barang tertentu. Pada akhir suatu hari tertentu
kondisi sutau stok dicatat. Jika stok meningkat hari ini maka peluang bahwa
stok esok hari meningkat adalah 0,7. Jika stok hari ini menurun maka
peluang bahwa stok esok hari meningkat adalah 0,5. Matriks peluang transisi
3 langkah adalah...
4. Jika model di atas dikembangkan bahwa kondisi stok esok berubah atau
tidak tergantung pada hari ini dan kemarin maka kemungkinan-kemungkinan
yang ada adalah sebagai berikut: Jika dalam 2 hari terakhir stok meningkat,
besok akan meningkat dengan peluang 0,9. Jika hari ini meningkat, kemarin
menurun, besok akan meningkat dengan peluang 0,6. Jika hari ini menurun,
kemarin meningkat, besok akan meningkat dengan peluang 0,5. Jika dalam 2
hari terakhir stok menurun, besok akan meningkat dengan peluang 0,3.
Matriks peluang transisi 2 langkah adalah...
5. Industri handphone merupakan industri yang mengalami pergerakan sangat
cepat dan teknologi menyediakan motivasi kepeda konsumen untuk
mengganti handphone setiap tahunnya. Kepercayaan merek sangat penting
dan perusahaan-perusahaan mencoba segala cara untuk menjaga agar
konsumen menjadi puas. Bagaimanapun juga, beberapa konsumen mencoba
untuk mengganti dengan merek yang lain (perusahaan lain). Tiga merek
tertentu Nokia, Sony Ericson, Siemen yang meguasai pangsa pasar. Orang
yang memiliki handphone merk Nokia akan membeli tipe Nokia yg lain 90%
dan sisanya membeli 2 merek yang lain dengan peluang sama besar. Pemilik
handpone Sony Ericson akan membeli Sony Ericson lagi 75% dari waktu
sementara itu 15% akan membeli Nokia dan 10% akan membeli Siemen.
Sekitar 70% pemilik Siemen akan membeli Siemen, 5% akan membeli
Nokia. Tiap merk memiliki 300.000 konsumen yang berencana untuk
membeli sebuah handphone baru pada tahun depan, berapa banyak
handphone dari tiap tipe akan dibeli ?

2.5 Analisis Rantai Markov pada Peramalan Pangsa Pasar

Pangsa pasar (market share) menurut O'Neal adalah persentase atau proporsi dari
total tersedia pasar atau segmen pasar yang sedang dilayani oleh sebuah
perusahaan yang dapat dinyatakan sebagai pendapatan penjualan perusahaan (dari
pasar) dibagi dengan total pendapatan penjualan yang tersedia di pasar. Hal ini
juga dapat dinyatakan sebagai volume unit penjualan (di pasar) dibagi dengan
total volume unit yang dijual di pasar tersebut. Hal ini umumnya diperlukan untuk
riset pasar komisi untuk memperkirakan ukuran pasar total dan pangsa pasar
perusahaan. Faktor-faktor yang mempengaruhi pangsa pasar adalah inovasi tiada
henti, layanan kepada pelanggan, efektifitas distribusi dan menekan biaya

2.5.1 Pola Perpindahan Konsumen (Customer Switching)

Secara konseptual customer switching yaitu perilaku konsumen yang telah

berpindah dari sebuah merek produk barang atau jasa kepada merek produk
barang atau jasa lainnya karena faktor – faktor tertentu.

2.5.2 Analisis Rantai Markov

Analisis Markov adalah salah satu analisis pengambilan keputusan yang

menggunakan model peluang. Dalam pemasaran, analisis Markov digunakan
untuk memprediksi kemungkinan seorang konsumen yang sekarang menggunakan
merek A akan berpindah ke merek B yang disebut dengan perpindahan merek
(Brand Switching). Dengan analisis ini dapat diketahui apakah konsumen tetap
memakai produk merek yang bersangkutan dan berapa besar kemungkinan
seorang konsumen melakukan perpindahan.

2.5.3 Prediksi Pangsa Pasar

Setelah mengetahui matriks peluang transisi, maka langkah selanjutnya dapat

dilakukan prediksi (peramalan) pangsa pasar berdasarkan peluang perpindahan
pengguna dari sebuah produk tertentu. Seperti yang telah dijelaskan pada bab
sebelumnya, pangsa pasar dapat diprediksi untuk beberapa periode berikutnya.

Sehingga prediksi pangsa pasar pada 𝑛 + 1 periode berikutnya dari tahun awal
menggunakan rumus:

𝑃 × 𝑄 𝑛 = 𝑄 𝑛+1

Keterangan:

𝑄 𝑛+1 : Prediksi pangsa pasar periode 𝑛 + 1 dari tahun awal

𝑃: Matriks peluang transisi 𝑝𝑖𝑗

𝑄 𝑛 : Pangsa pasar periode 𝑛

Contoh 1.
Pada suatu kota kecil terdapat dua pasar swalayan W dan L. Diasumsikan setiap
pembeli di kota tersebut melakukan kunjungan belanja satu kali per minggu.
Dalam sembarang minggu seorang pembeli hanya berbelanja di W atau L saja,
dan tidak dikeduanya. Kunjungan belanja disebut percobaan dari proses dan toko
yang dipilih disebut keadaan dari proses. Suatu sampel 100 pembeli diambil
dalam periode 10 minggu, kemudian data dikompilasikan.

Dalam menganalisis data, terlihat bahwa dari seluruh pembeli yang berbelanja di
W dalam suatu minggu, 90 persen tetap berbelanja di toko W pada minggu
berikutnya, sedangkan sisanya berpindah belanja pada toko L. 80 persen dari yang
berbelanja di toko L dalam suatu minggu tetap berbelanja di toko L, sedangkan 20
persen berpindah belanja pada toko W. Informasi tersebut disusun pada Tabel 1
berikut.

Tabel 1 : Matriks Kemungkinan Transisi

Pilihan minggu berikutnya

Pilihan pada suatu minggu
W L
W 90 10
L 20 80

Tentukan:
a. Matriks peluang transisi
b. Prediksi pangsa pasar minggu berikutnya, jika diketahui pangsa pasar minggu
ini adalah

0,7
𝑄1 =
0,3

Penyelesaian:
a. Karena terdapat 100 sampel pembeli, maka matriks peluang transisinya adalah

90 10
𝑃 = 100 100 = 0,9 0,1
20 80 0,2 0,8
100 100

b. Prediksi pangsa pasar minggu berikutnya adalah

0,9 0,1 0,7 0,66

𝑄2 = =
0,2 0,8 0,3 0,38

Contoh 2.
Dua buah produk bersaing seimbang di pasar. Perubahan strategi pemasaran salah
satu produk menghasilkan peluang transisi sebagai berikut.

0,7 0,3
0,4 0,6

Prediksi kemungkinan perkembangan pangsa pasar kedua produk tersebut selama

3 periode ke depan.
Penyelesaian:
Karena dua produk tersebut bersaing seimbang, maka pangsa pasarnya saat ini
0,5
adalah 𝑄 = .
0,5
Prediksi pangsa pasar 1 periode adalah

0,7 0,3 0,5 0,5

𝑄1 = 𝑃 × 𝑄 = =
0,4 0,6 0,5 0,5

Prediksi pangsa pasar 2 periode adalah

0,7 0,3 0,5 0,5

𝑄 2 = 𝑃 × 𝑄1 = =
0,4 0,6 0,5 0,5

Prediksi pangsa pasar 3 periode adalah

0,7 0,3 0,5 0,5

𝑄3 = 𝑃 × 𝑄2 = =
0,4 0,6 0,5 0,5

Contoh 3.
Sebagai ilustrasi, berikut ini dikemukakan suatu kasus yang berkenaan
dengan perilaku langganan sabun deterjen. Misalkan di suatu daerah
dipasarkan empat merek sabun deterjen, katakanlah merek A, B, C, dan D.
Terhadap para pemakai deterjen di daerah tersebut telah dilakukan penelitian
dengan cara menyebarkan daftar isian (kuesioner). Jumlah responden yang
mengembalikan daftar isian tersebut ada 1.000 orang, dan diasumsikan
bahwa ukuran sampel ini cukup representatif. Data yang diperoleh berupa
jumlah langganan masing-masing merek, kemudian dicatat dan dinyatakan
sebagai data jumlah langganan pada periode pertama.

Berdasarkan demikian bahwa langganan dapat mengubah pilihannya dari satu

merek ke merek lainnya (misalnya karena promosi khusus, persaingan harga,
dan lain-lain), maka pada akhir periode dilakukan penelitian ulang seperti
pada tabel berikut ini:
Tabel di atas memberikan informasi bahwa pada awal periode, jumlah
langganan merek A ada 220 orang. Selama periode berlangsung, terjadi
perubahan, yaitu responden yang semula tidak memilik merk A beralih ke
merek A sebanyak 50 orang. Yang dari semula memilih A berubah menjadi
langganan merek lain sebanyak 45 orang. Dengan demikian, pada akhir
periode atau awal periode kedua, jumlah langganan A sebanyak 225 orang (220
+ 50 – 45). Begitu juga untuk merek-merek yang lainnya. Sayang sekali
bahwa data di atas tidak menjelaskan tentang dari merek mana saja ke-50
langganan baru yang pindah ke A itu, dan pindah ke merek mana saja ke-45
langganan yang meninggalkan A itu.

Jika kemudian penelitian dilanjutkan dan diperoleh data rinci mengenai

perubahan langganan untuk masing-masing merek, seperti pada tabel berikut ini:

Dari tabel tersebut, Maka jumlah langganan yang pada periode pertama memilih
A dan pada periode kedua masih tetap memilih A (bukan langganan baru) adalah
sebanyak (220 – 20 – 10 – 15) = 175 orang.
Sehingga didapatkan:

Probabilitas bahwa langganan A pada periode pertama tetap menjadi

langganan A, pada periode kedua adalah sebesar 175/220 = 0,796. Probabilitas
bahwa langganan A pada periode pertama berubah menjadi langganan B pada
periode kedua adalah sebesar 20/220 = 0,091. Apabila perhitungan di atas
dilanjutkan, akan diperoleh matriks probabilitas transisi sebagai berikut:

Latihan:
1. Berikut adalah data hasil survei terhadap konsumen beras yang berasal dari
Kota Solok. Beras yang berada di Kota Solok terbagi menjadi beberapa jenis,
yakni: Beras Sokan, Beras Anak Daro, Beras Caredek, Beras Randah Kuniang,
dan Beras Solok lainnya.

Tabel Responden Beras Solok

Responden Responden
No Beras Solok Prob. Prob.
Juni 2017 Oktober 2017
1 Beras Sokan 126 0,300 105 0,250
2 Beras Anak Daro 161 0,383 119 0,283
3 Beras Caredek 84 0,200 112 0,267
4 Beras Randah 42 0,100 49 0,117
 Kuniang
5 Beras lainnya 7 0,017 35 0,083
Total 420 1,000 420 1,000
Tabel Perpindahan Konsumen Beras dalam Memilih Beras Solok
Okt Beras Beras
Beras Beras Beras
Anak Randah Total
Sokan Caredek lainnya
Juni Daro Kuniang
Beras Sokan 42 14 42 21 7 126
Beras Anak Daro 7 98 35 14 7 161
Beras Caredek 42 7 21 7 7 84
Beras Randah
14 0 14 0 14 42
Kuniang
Beras lainnya 0 0 0 7 0 7
Total 105 119 112 49 35 420

a. Berdasarkan data di atas tentukan beras jenis apakah yang memiliki

loyalitas konsumen yang paling tinggi? Jelaskan!
b. Diketahui pangsa pasar pada bulan Oktober untuk jenis Beras Solok
berturut-turut adalah 20%, 50%, 10%, 15%, dan 5%. Tentukan pangsa pasar
untuk jenis beras pada bulan Desember 2017.

2.6 Klasifikasi Status Rantai Markov

Diberikan matriks peluang transisi sebagai berikut.

Gambar 1. Grafik representasi matriks peluang transisi

Berdasarkan ada tidaknya koneksi, maka setiap status pada rantai Markov dapat
diklasifikasikan menjadi beberapa jenis diantaranya:
 Reachable
Status 𝑗 dikatakan reachable dari status 𝑖 jika terdapat path (jalur) dari 𝑖 menuju 𝑗.
Dari Gambar 1, status 5 adalah reachable dari status 3 (melaui jalur 3-4-5).

 Communicate
Status 𝑗 dikatakan communicate dengan status 𝑖 jika status 𝑖 reachable dari 𝑗 dan 𝑗
reachable dari 𝑖. Dari Gambar 1, status 1 dan 2 adalah communicate.

 Closed Set
Himpunan status dikatakan closed set jika tidak terdapat status di luar himpunan
yang dapat dicapai oleh status anggota himpunan tersebut. Dari Gambar 1, misal
𝑆1 = {1, 2} dan 𝑆2 = {3, 4, 5}, maka 𝑆1 dan 𝑆2 adalah closed set.

Gambar 2. Grafik Representasi Matriks Peluang Transisi

 Absorbing State
Status 𝑖 dikatakan sebagai absorbing state jika 𝑝𝑖𝑖 = 1. Dari Gambar 2, status 0
dan 4 adalah absorbing state.

 Transient State
Status 𝑖 dikatakan sebagai transient state jika terdapat status 𝑗 yang dapat dicapai
dari 𝑖 namun 𝑖 tidak dapat dicapai melalui 𝑗. Terdapat cara untuk meninggalkan
status 𝑖 tanpa bisa kembali ke status 𝑖. Dari Gambar 2, stasus 1, 2, dan 3 adalah
transient state karena status 1, 2, dan 3 dapat menuju status 0 maupun status 4 dan
tidak akan dapat kembali.

 Recurrent State
Jika bukan transient state maka status tersebut dapat dikatakan sebagai recurrent
state. Dari Gambar 1, semua status adalah recurrent state. Sementara dari Gambar
2, status 0 dan 4 adalah recurrent state (dan juga absorbing state).

Diberikan matriks peluang transisi sebagai berikut.

 Gambar 3. Grafik Representasi Matriks Peluang Transisi
 Periodic State
Semua jalur yang berasal dari 𝑖 hanya bisa kembali ke 𝑖 dalam kelipatan 𝑘 > 1.
Jika recurrent state yang bukan periodic state, maka disebut sebagai aperiodic
state. Dari Gambar 3, status 1 memiliki periode 3. Jika kita mulai dengan status 1
maka satu-satunya cara untuk kembali ke status 1 adalah minimal setelah 3
periode.

 Ergodic (Ireducible)
Jika semua status merupakan recurrent, aperiodic, dan communicate, maka rantai
Markov tersebut dapat dikatakan sebagai ergodic.

Diberikan matriks peluang transisi sebagai berikut.

1 1
1 2 2 2 0 0 1 1 1
0 1 1
3 3 0 0 4 2 4
1 1 2 2 2 1
𝑃1 = 0 , 𝑃2 = 2 1 , dan 𝑃3 = 0
2 2 3 3
1 3 0 0 3 3 2 1
0 1 3 0
4 4 0 0 3 3
4 4

Matrik peluang transisi 𝑃1 dan 𝑃3 adalah ergodic, sedangakan 𝑃2 bukan ergodic.

Latihan:

1. Tentukan status mana yang recurrent dan status mana yang transient dari
rantai Markov berikut.
a. Matriks peluang transisi

b. Matriks peluang transisi

c. Matriks peluang transisi

2. Adakah status yang communicate dari matriks peluang transisi berikut.
Sebutkan!

0 0 1/ 3 2 / 3
P  1 0 1 0 
2 1 0 0 

3. Adakah status yang irreducible dari matriks peluang transisi berikut. Sebutkan!

0 0 1 0
P  1  0 0 1 
2 1 0 0 

4. Adakah status yang periodic dari matriks peluang transisi berikut. Sebutkan!

0 0 1/ 2 1/ 2 
P  1 1 0 0 
2 1 0 0 

5. Diketahui matriks peluang transisi suatu rantai Markov berikut.

i. Tunjukkan bahwa rantai Markov tersebut irreducible

ii. Tentukan status mana saja yang periodic

2.7 First Passage Time

First Passage Time (FPT) adalah waktu yang dibutuhkan oleh suatu proses untuk
menuju status 𝑗 dari status 𝑖 untuk pertama kali. Secara umum FPT merupakan
perubah acak dan memiliki distribusi peluang yang bersesuaian dengan mereka.
Distribusi peluang ini bergantung pada peluang transisi dari proses. Misalkan: 𝐹𝑖𝑗𝑛
merupakan peluang bahwa FPT dari status 𝑖 ke status 𝑗 sama dengan 𝑛.

Dapat ditunjukkan bahwa peluang memenuhi hubungan rekursif sebagai berikut:

𝑛 −1

𝑓𝑖𝑗𝑛 = 𝑝𝑖𝑗𝑛 − 𝑓𝑖𝑗𝑘 ∙ 𝑝𝑗𝑗𝑛−𝑘

𝑘=1

Jadi peluang dari suatu FPT dari status 𝑖 ke status 𝑗 dalam langkah 𝑛 dapat
dihitung secara rekursif dari peluang transisi satu langkah.
Menghitung 𝑓𝑖𝑗𝑛 untuk seluruh 𝑛 mungkin sulit, relatif lebih sederhana untuk
menghitung FPT harapan dari status 𝑖 ke status 𝑗.

Diberikan nilai harapan 𝜇𝑖𝑗 yang didefinisiakan sebagai berikut:

∞ 𝑗𝑖𝑘𝑎 𝑓𝑖𝑗𝑛 < 1

𝑛=1
𝜇𝑖𝑗 = ∞ ∞

𝑛𝑓𝑖𝑗𝑛 𝑗𝑖𝑘𝑎 𝑓𝑖𝑗𝑛 = 1

𝑛 =1 𝑛 =1

∞ 𝑛
Bila 𝑛=1 𝑓𝑖𝑗 = 1, maka 𝜇𝑖𝑗 memenuhi persamaan berikut secara unik.

𝜇𝑖𝑗 = 1 + 𝑝𝑖𝑘 ∙ 𝜇𝑘𝑗

𝑘≠𝑗

jika 𝑖 = 𝑗, maka 𝜇𝑖𝑖 disebut recurrent time harapan.

Contoh 1.
Sebuah toko kamera memiliki stok kamera yang dapat dipesan mingguan.
Asumsikan 𝑋0 = 3. Kasus ini merupakan proses stokastik {𝑋𝑡 } dengan t = 0,1,2,3
mewakili jumlah kamera yang mungkin ada pada akhir minggu.
Dengan matriks peluang transisi sebagai berikut:

0,080 0,184 0,368 0,368

0,632 0,368 0 0
𝑃=
0,264 0,368 0,368 0
0,080 0,184 0,368 0,368
Tentukan waktu yang dibutuhkan agar jumlah kamera kembali seperti semula
untuk pertama kalinya (FPT).

Penyelesaian
𝜇30 dapat dicapai karena seluruh status recurrent, maka:

𝜇30 = 1 + 𝑝31 𝜇10 + 𝑝32 𝜇20 + 𝑝33 𝜇30

𝜇20 = 1 + 𝑝21 𝜇10 + 𝑝22 𝜇20 + 𝑝23 𝜇30
𝜇10 = 1 + 𝑝11 𝜇10 + 𝑝12 𝜇20 + 𝑝13 𝜇30

atau

𝜇30 = 1 + 0,184 𝜇10 + 0,368 𝜇20 + 0,368 𝜇30

𝜇20 = 1 + 0,368 𝜇10 + 0,368 𝜇20
𝜇10 = 1 + 0,368 𝜇10

Diperoleh:
𝜇10 = 1,58 minggu
𝜇20 = 2,51 minggu, dan
𝜇30 = 3,50 minggu.

Kesimpulan: Waktu yang dibutuhkan agar jumlah kamera kembali seperti semula
adalah 3,5 minggu.

Latihan:

1. Sebuah perusahaan rental mobil memiliki stok mobil yang dapat disewa harian.
Asumsikan 𝑋0 = 3. Kasus ini merupakan proses stokastik {𝑋𝑡 } dengan t =
0,1,2,3 mewakili jumlah mobil yang mungkin ada di ujung hari. Matriks
peluang transisi sebagai berikut:

1 0 0 0
0,5 0,5 0 0
𝑃=
0,3 0,2 0,5 0
0,1 0,3 0,2 0,4
Tentukan waktu yang dibutuhkan agar jumlah mobil kembali seperti semula
untuk pertama kalinya (FPT).
2.8 Steady State

Suatu proses akan berada pada kondisi steady state manakala proses terebut akan
konvergen ke suatu nilai yang sama untuk 𝑛 → ∞. Untuk rantai Markov yang
ergodik dan tidak dapat direduksi, lim𝑛→∞ 𝑃𝑖𝑗𝑛 ada dan saling bebas dari 𝑖.

Misalkan
 𝜋𝑗 = lim 𝑃𝑖𝑗𝑛 , 𝑗 ≥ 0
𝑛→∞

maka 𝜋𝑗 adalah solusi nonnegatif tunggal dari

𝜋𝑗 = 𝜋𝑖 𝑃𝑖𝑗𝑛 , 𝑗 ≥ 0
𝑖=1

dengan ∞𝑗 =0 𝜋𝑗 = 1. 𝜋𝑗 disebut sebagai peluang pada keadaan stabil dari rantai

markov dan memiliki hubungan resiprokal terhadap waktu recurrent harapan.

1
𝜋𝑗 = , 𝑗 = 1,2, … 𝑀
𝜇 𝑗𝑗

Contoh 1.
Seperti contoh masalah FPT untuk menentukan stok kamera yang dimiliki oleh
toko kamera, maka untuk jangka waktu panjang lamanya waktu yang dibutuhkan
agar jumlah kamera kembali seperti semula (steady state) adalah...

Penyelesaian:
𝜋2 = 𝑝02 𝜋0 + 𝑝12 𝜋1 + 𝑝22 𝜋2 + 𝑝32 𝜋3
𝜋3 = 𝑝03 𝜋0 + 𝑝13 𝜋1 + 𝑝23 𝜋2 + 𝑝33 𝜋3
1 = 𝜋0 + 𝜋1 + 𝜋2 + 𝜋3

Subtitusikan nilai 𝑝𝑖𝑗 ke persamaan di atas.

𝜋0 = 0,080 𝜋0 + 0,632 𝜋1 + 0,264 𝜋2 + 0,080 𝜋3

𝜋1 = 0,184 𝜋0 + 0,368 𝜋1 + 0,368 𝜋2 + 0,184 𝜋3
𝜋2 = 0,368 𝜋0 + 0,368 𝜋2 + 0,368 𝜋3
𝜋3 = 0,368 𝜋0 + 0,368 𝜋3
1 = 𝜋0 + 𝜋1 + 𝜋2 + 𝜋3

Sehingga diperoleh:

1
𝜋0 = 0,285 → 𝜇00 = 𝜋 = 3,51 minggu
0
1
𝜋1 = 0,285 → 𝜇11 = 𝜋 = 3,51 minggu
1
1
𝜋2 = 0,264 → 𝜇22 = 𝜋 = 3,79 minggu
2
1
𝜋3 = 0,166 → 𝜇33 = 𝜋 = 6,02 minggu
3
Jadi, agar jumlah kamera kembali seperti semula (steady state) pada jangka
waktu panjang adalah 6,02 minggu.

Contoh 2.
Eastville adalah sebuat desa yang letaknya jauh dari desa lain. 7000 nasabah bank
di Eastville melakukan kegiatan bisnis perbankan dan keuangan mereka pada dua
bank yang ada di kota tersebut, National Bank (NB) dan Eastville Bank (EB).
Eastville Bank sedang mempertimbangkan untuk melakukan penambahan jasa
dan menaikkan bunga tabungan. Bagian pemasaran bank melakukan riset dan
menemukan bahwa jika seorang pelanggan melakukan transaksi dengan EB dalam
suatu bulan tertentu, terdapat probabilitas sebesar 0,70 pelanggan akan melakukan
transaksi pada bank yang sama di bulan berikutnya, dan sebesar 0,30 bahwa ia
akan transaksi dengan dengan NB di bulan berikutnya. Sebaliknya jika seorang
pelanggan melakukan transaksi dengan NB dalam suatu bulan tertentu, terdapat
probabilitas sebesar 0,85 pelanggan akan melakukan transaksi pada bank yang
sama di bulan berikutnya, dan sebesar 0,15 bahwa ia akan pindah ke EB. Buatlah
matriks probabilitas transisi untuk masalah ini. Tentukan probabilitas keadaan
tetap dan indikasikan jumlah pelanggan yang dapat diantisipasi oleh bank dalam
jangka panjang!

Penyelesaian:

0,85 0,15
 Matriks peluang transisi, 𝑝 =
0,30 0,70
 Peluang keadaan tetap
𝜋0 = 0,85 𝜋0 + 0,3 𝜋1
𝜋1 = 0,15 𝜋0 + 0,7 𝜋1
1 = 𝜋0 + 𝜋1
Dengan melakukan subtisusi, diperoleh:
𝜋0 = 0,667
𝜋1 = 0,333

 Menentukan jumlah pelanggan untuk setiap bank:

- National Bank : 0,667 x 7000 = 4669 Pelanggan
- Eastville Bank : 0,333 x 7000 -= 2331 Pelanggan

Latihan :
1. Dari kasus latihan pada subbab 2.7, maka waktu yang dibutuhkan agar jumlah
mobil kembali seperti semula untuk jangka waktu panjang (steady state)
adalah...

Referensi
1. Hillier, Frederick and Lieberman, Gerald J. 2001. Introduction to Operations
Research, 7th ed. McGraw-Hill: New York.
2. Taha, Hamdy. 2007. Operation Research : An Introduction, 8th ed. Pearson
Education Inc.: NJ.
3. Winston, Wayne L. 2003. Operations Research: Application & Algorithms, 4th
ed. Thomson Learning: Belmont – CA.
4. Hartanto, D. PPT: Rantai Markov (Markov Chain), KOI. Teknik Industri: ITS.
5. Siswanto. 2007. Operations Research Jilid II. Jakarta: Erlangga.
 TEORI PERMAINAN
(Pak Ramli)

Teori Permainan atau Game Theory dikemukakan oleh seorang ahli matematika
Perancis yang bernama Emile Borel pada tahun 1921. Kemudian dikembangkan
lebih lanjut oleh Jhon Von Neumann dan Oskar Morgenstren, yang digunakan
sebagai alat untuk merumuskan prilaku ekonomi yang bersaing. Contoh nyata
penerapan Teori Permainan atau Game Theory adalah aplikasi-aplikasi dalam
dunia militer, pembuatan kontrak, dan penetapan harga-harga. Dalam bab-bab
sebelumnya, kita telah menemui banyak situasi di mana satu pengambil keputusan
memilih keputusan yang optimal tanpa mengacu pada efek keputusan terhadap
pembuat keputusan lain (dan tanpa mengacu pada efek keputusan orang lain
terhadap dirinya) Dalam banyak situasi bisnis, penerapan teori permainan dua
atau lebih pengambilan keputusan secara bersamaan memilih suatu tindakan, dan
tindakan yang dipilih oleh setiap pemain mempengaruhi imbalan yang diterima
oleh pemain lain. Sebagai contoh, setiap perusahaan makanan cepat saji harus
menentukan iklan dan kebijakan harga untuk produknya, dan keputusan masing-
masing perusahaan akan mempengaruhi pendapatan dan laba perusahaan makanan
cepat saji lainnya. Teori permainan berguna untuk membuat keputusan dalam
kasus di mana dua atau lebih pengambil keputusan memiliki kepentingan yang
bertentangan. Sebagian besar studi tentang teori permainan ditawarkan dengan
situasi di mana hanya ada dua pengambil keputusan (atau pemain), dan sebagian
kecil teori permainan n-orang (di mana n > 2)

Pengertian teori permainan atau Game Theory sangatlah beragam, tetapi

memiliki arti yang sama. Berikut ini adalah pengertian dari Teori Permainan atau
Game Theory menurut beberapa ahli.

1. Teori Permainan atau Game Theory merupakan teori matematika yang

mempelajari secara formal sifat-sifat dari situasi kompetisi, terutama
proses pengambilan keputusan lawan (Rangkuti, 2012).
2. Teori Permainan atau Game Theory merupakan bagian dari suatu ilmu
pengetahuan yang berkaitan dengan pembuatan keputusan pada saat dua
pihak atau lebih berada dalam kondisi persaingan atau konflik (Dimyati,
2006).
3. Teori Permainan atau Game Theory merupakan teori yang menggunakan
pendekatan matematis dalam merumuskan situasi persaingan dan konflik
antara berbagai kepentingan (Kartono, 1994).
4. Teori Permainan atau Game Theory merupakan suatu pendekatan
matematis untuk merumuskan situasi persaingan dan konflik antara
berbagai kepentingan (Subagyo, 1984).

Berdasarkan dari keempat pengertian para ahli dapat ditarik sebuah kesimpulan
pengertian dari Teori Permainan atau Game Theory. Teori Permainan atau Game
Theory merupakan suatu ilmu pengetahuan berupa teori matematis yang
digunakan untuk menentukan, merumuskan, dan mempelajari situasi konflik atau
kompetisi yang melibatkan dua atau lebih kepentingan guna mendapatkan suatu
keputusan yang terbaik untuk setiap pemain.
Model-model Teori Permainan atau Game Theory dapat diklasifikasikan dalam
beberapa cara, bergantung pada faktor-faktor, yaitu banyaknya pemain, jumlah
keuntungan dan kerugian, dan banyaknya strategi yang dilakukan dalam
permainan.

B. Unsur-unsur Dasar Teori Permainan atau Game Theory

Mengetahui unsus-unsur dasar sangantlah membantu dalam menyelesaikan suatu
kasus. Berikut ini adalah penjelasan darisetiap unsur dasar Teori Permainan atau
Game Theory.
a. Suatu strategi dari sebuah pemain/perusahaan dianggap tidak dapat dirusak
oleh perusahaan lainnya.
b. Setiap pemain atau perusahaan akan memilih strategi-strategi tersebut
secara terus menerus selama perusahaan masih memiliki keinginan
melanjutkan usahanya
c. Suatu permainan/persaingan dikatakan adil atau ‘fair’ apabila hasil akhir
permainan atau persaingan menghasilkan nilai nol (0), atau tidak ada
pemain atau perusahaan yang menang/kalah atau mendapat keuntungan
atau kerugian.
d. Suatu strategi dikatakan dominan terhadap strategi lainnya apabila
memiliki nilai pay off yang lebih baik dari strategi lainnya. Maksudnya,
bagi pemain atau perusahaan baris, nilai positif (keuntungan) yang
diperoleh dari suatu strategi yang digunakan, menghasilkan nilai positif
yang lebih besar dari hasil penggunaan strategi lainnya. Bagi pemain
kolom, nilai negatif (kerugaian) yang diperoleh dari suatu strategi yang
digunakan, menghasilkan nilai negatif yang lebih kecil dari hasil
penggunaan strategi lainnya.
e. Tujuan dari teori permainan ini adalah mengidentifikasi strategi yang
paling optimal untuk setiap perusahaan.

C. Two Person Zero Sum dan Non zero-Sum Game

1. Two Person Zero-Sum Game jika jumlah kerugian dan keuntungan dari
pemainnya adalah nol, disebut sebagai permainan berjumlah nol (zero-sum game)
atau permainan berjumlah konstan (constant-sum game). Sebaliknya, jika jumlah
kerugian dan keuntungan dari pemainnya adalah bukan nol, maka disebut
permainan berjumlah bukan nol (Nonzero-sum game).

1). Two Person Zero Sum and Constant Sum Games: Saddle Point
Jika banyaknya pemain adalah dua pihak (baik individu maupun kelompok), maka
permainannya disebut sebagai permainan dua orang (two-person game).
Karakteristik Two Zero Sum Game.
a) Ada dua pemain (disebut pemain baris dan pemain kolom)
b) Pemain baris harus memilih 1 dari m strategi .Secara bersamaan, pemain
kolom harus memilih 1 dari n strategi.
c) Jika pemain baris memilih strategi ke-i dan pemain kolom memilih strategi
ke j, maka pemain baris menerima hadiah atau keuntungan sebesar aij dan
pemain kolom menerima kekalahan dengan mendapat kerugian sebesar aij
sejumlah keuntungan yang diperoleh pemain baris. Permainan semacam
 ini disebut zero-sum game dua pemain yang diwakili oleh matrix pada
Tabel 1

Tabel 1 The Game Reward Matrik

antara Perusahaan A dan Perusahaan B
Strategi B1 B2 …. Bn
A1 a11 a12 …. a1n
A2 a21 a22 …. a2n
.. … .. … ..
Am am1 am2 ..... amn

Contoh tabel 2 matrik pay off (matrik permainan) berikut, dapat dijelaskan
beberapa ketentuan dasar yang terpenting dalam teori permainan.

Tabel 2. Tabel Matrik Pay Off (Matrik Permainan) Perusahaan A dan

Perusahaan B
Strategi B1 B2 B3 B4
A1 1 9 2 7
A2 8 5 4 3
A3 6 8 10 5
A4 7 9 8 6

Nilai-nilai yang ada dalam tabel tersebut (yakni angka 1, 9, 2 ,7 di baris pertama,
8.5.4.3 di baris kedua 6,8,10,5 dibaris ketiga dan 7, 9, 8,6 di baris keempay),
merupakan hasil yang diperoleh dari penggunaan berbagai strategi yang dipilih
oleh kedua perusahaan. Satuan nilai tersebut merupakan efektifitas yang dapat
berupa uang, persentase pangsa pasar, jumlah pelanggan dan sejenisnya. Nilai
positif menunjukkan keuntungan bagi pemain baris dan kerugian bagi pemain
kolom, begitu pula sebaliknya nilai negatif menunjukkan kerugian bagi pemain
baris dan keuntungan bagi pemain kolom. Sebagai contoh nilai 9 pada sel C12
menunjukkan apabila pemain/perusahaan A menggunakan strategi A1 dan
perusahaan B meresponnya dengan strategi B2, maka perusahaan A akan
mendapatkan keuntungan sebesar 9 yang berarti perusahaan B akan mengalami
kerugian sebesar 9 jadi pemaun A dan pemain B berada dalam kondisi
bertentangan atau bersaing dan tidak ada kerjasama antara keduanya.

Asumsi menurut John von Neumann and Oskar Morgenstern untuk teori zero-sum
games menggunakan prinsip minimaks dan maksimin.

2). Program Liner

Program liner dengan tujuan A memperoleh hadiah atau keuntungan terbesar dan
B berusahan meminimumkan kekalahan dari kasus berikut misalnya (Tabel 3)

Tabel 3. Tabel Matrik Pay Off

Strategi B1 B2
A1 1 9
A2 8 5
 X1 = probabilita A menang menggunakan strategi A1
X2 = probabilita A menang menggunakan strategi A2
Y1 = probabilita perusahaan B dengan strategi B1
Y2 = probabilita perusahaan B dengan strategi B2

Pemain baris A:
Maks Z = v
V ≤ X1+8X2 (Batasan Strategi A1)
V ≤ 9X1+5X2 (Batasan Strategi A2)
X1 + X2 = 1
X1 ≥ 0; X2 ≥ 0 ; V urs
Pemain Kolom B:
Min Z = w
w ≤ Y1+9Y2 (Batasan Strategi B1)
w ≤ 8X1+5X2 (Batasan Strategi B2)
Y1 + Y2 = 1
Y1 ≥ 0; Y2 ≥ 0

3). Strategi Permainan

Tedapat dua strategi dalam menyelesaikan kasus Teori Permainan atau Game
Theory. yaitu strategi murni dan strategi campuran.

a). Strategi Murni (Pure Strategy)

Penyelesaian masalah dengan strategi murni dilakukan dengan menggunakan
konsep maximin untuk pemain atau perusahaan baris dan konsep minimax untuk
pemain atau perusahaan kolom. Dalam strategi ini seorang pemain atau perusahaan
akan menggunakan satu strategi atau strategi tunggal untuk mendapatkan hasil
optimal (sadle point yang sama).
Setiap pemain memilih strategi yang memungkinkan dia untuk melakukan yang
terbaik yang dia bisa, mengingat bahwa dia tahu strategi yang dia ikuti. Mari kita
gunakan asumsi ini untuk menentukan bagaimana pemain baris dan kolom harus
memainkan zero-sum game (Tabel 4) Bagaimana seharusnya pemain baris
memainkan game ini? Jika dia memilih baris 1, maka asumsi tersebut
mengimplikasikan bahwa pemain kolom akan memilih kolom yaitu kolom 2 dan
menghindari pemain baris mendapat keuntungan empat unit (angka terkecil di
baris 1 dari matriks permainan), Demikian pula, jika pemain baris memilih baris
2, maka asumsi tersebut mengimplikasikan bahwa pemain kolom akan memilih
kolom 3 dan menghindari hadiah pemain baris ke satu unit ( terkecil) atau
minimum.

Tabel 4. Matrik Pay Off Perusahaan A dan Perusahaan B

Strategi B1 B2 B3
A1 4 4 10
A2 2 3 1
A3 6 5 7

Dengan prinsip maximin dan minimax diperoleh hasil berikut:

 Strategi B1 B2 B3 Minimum
A1 4 4 10 4
A2 2 3 1 1
A3 6 5 7 5 Maksimin
Maksimum 6 5Minimaks 10

Konsep maksimin yaitu nilai maksimum keuntungan dari minimum keuntungan

pemain baris yang akan diperoleh adalah 5 dan konsep minimaks yaitu nilai
minimum kerugian dari maksimum kerugiann yang dapat dihindari pemain kolom
adalah 5. Nilai permaian pada titik keseimbangan (sadle point) adalah 5 unit.

b). Strategi Campuran (Mixed Strategy)

Penyelesaian masalah dengan strategi campuran dilakukan apabila terjadi
Nonzero-sum game menggunakan strategi murni. Strategi murni belum mampu
menyelesaikan masalah permainan atau belum mampu memberikan pilihan
strategi yang optimal bagi masing-masing pemain atau perusahaan. Dalam strategi
ini seorang pemain atau perusahaan akan menggunakan campuran atau lebih dari
satu strategi untuk mendapatkan hasil optimal. Agar sebuah permainan atau
persaingan menjadi optimal, setiap strategi yang dipergunakan berusaha untuk
mendapatkan nilai permainan (sadle point) yang sama.Berdasarkan kasus pada
Tabel 3

Tabel 5. Maksimin dan Minimaks Matrik Pay Off

Strategi B1 B2 Minimum
A1 1 9 1
A2 8 5 5
Maksimum 8 9

Maksimim = 5 dan minimaks = 8 tidak memiliki nilai permainan

(saddle point) maka pemecahan dengan startegi acak adalah sebagai
berikut:

Solusi permasalahan diatas peluang keuntungan yang akan diperoleh A atau X1

dimana B menggunkan strategi B1 yaitu:

X1 + 8X2 = X1 + 8(1-X1) = 8-7X1 …………(1)

Keuntungan yang akan diperoleh A dan B menggunkan strategi B2 yaitu:

9X1 + 5X2 = 9X1 + 5(1-X1) = 5+4X1 ….…..(2)

Solusi kedua persamaan diatas:

8-7X1= 5+4X1  X1= 3/11

Maka titik keseimbangan (saddle point) keuntungan yang diharapkan A

menggunakan strategi campuran yaitu: 8-7(3/11) = 5+4(3/11) = 67/11 = 6,09
 Grafik: Strategi Optimal Pemain A

Kerugian yang akan diperoleh B dimana A menggunkan strategi A1 yaitu:

Y1 + 9Y2 = Y1 + 9(1-Y1) = 9-8Y1 ………...(3)

Kerugian yang akan diperoleh B dimana A menggunkan strategi A2 yaitu:

8Y1 + 5Y2 = 8Y1 + 5(1-Y1) = 5+3Y1 ……..(2)

Solusi kedua persamaan diatas:

9-8Y1 = 5+3Y1  Y1= 4/11

Titik keseimbangan kerugian yang diharapkan diperoleh B menggunakan strategi

campuran yaitu: 9-8(4/11) = 5+3(4/11) = 67/11 = 6,09

Grafik Strategi Optimal Pemain B

Kesimpulan dari kasus diatas adalah peluang perusahaan menang 3/11 dan
peluang perusahaan B kalah adalah 4/11 dengan nilai permaianan (saddle point)
6.09

4). Two-Person Zero Sum-Game:Dominasi

Jika Strategi Murni tidak dapat diterapkan dan permainan belum berakhir karena
belum ditemukan titik pelana. Oleh karena itu kita perlu menerapkan Strategi
Campuran, dengan menerapkan terlebih dulu aturan Dominan (bertujuan untuk
mengurang ukuran Matrik dengan ukuran terkecil yaitu 2x2).

Tabel 6. Tabel Matrik Pay Off (Matrik Permainan)

Perusahaan A dan Perusahaan B
Strategi B1 B2 B3
A1 1 2 7
A2 8 4 3
A3 6 10 5

Dari Tabel 6 pada diketahui bahwa Strategi B1 mendominasi B2 dan B3, sehingga
B3 bisa dihilangkan dari Matrik. Diketahui juga bahwa Strategi A2 mendominasi
strategi A1 maupun A3, maka Strategi A1 dapat dihilangkan dari tabel.Matriks 2x2
menjadi (Tabel 7);

Tabel 7. Reduce Games Matrix

Strategi B1 B2
A2 8 4
A3 6 10

Tabel 7 dapat diselesaikan dengan strategi campuran seperti yang dijelaskan

sebelumnya.
Dengan prinsip maksimin dan minimaks untuk menentukan sadle point sebagai
berikut:

Tabel 7. Reduce Games Matriv

Strategi B1 B2 Minimum
A2 8 4 4
A3 6 10 6
Maksimum 8 10

Maksimin = Minimaks
Maksimum (minimum semua baris ) = Minimum (maksimum semua
kolom)
8≠6

2. N-person Game
Jika banyaknya pemain adalah N pihak (N ≥ 3), permanannya disebut permainan
N orang (N-person game).

To be continued?

Sumber:
Anoname: Teori Permainan.2006
Winstone,Wayne.2006.Operation Research :Game Theory Chapter 14.p 804
 TEORI ANTRIAN
(Pak Ikrar)

Teori antrian adalah studi tentang proses menunggu dalam semua variasi yang
mungkin. Model antrian digunakan untuk merepresentasikan berbagai macam
sistem antrian (sistem yang mengandung suatu jenis antrian) yang ada dalam
praktik. Rumus untuk setiap model menunjukkan bagaimana kiinerja dari sistem
yang berhubungan, termasuk rata-rata waktu tunggu yang akan terjadi dengan
beberapa batasan yang bervariasi.
Oleh karena itu, model antrian sangat membantu untuk menentukan bagaimana
mengoperasikan sistem antrian dengan cara yang paling efektif. Menyediakan
terlalu banyak kapasitas layanan untuk mengoperasikan sistem melibatkan biaya
yang berlebihan. Akan tetapi tidak menyediakan kapasitas layanan yang cukup
mengakibatkan menunggu yang berlebihan dan konsekuensi lain yang tidak
menguntungkan. Model memungkinkan menemukan keseimbangan yang sesuai
antara biaya layanan dan waktu tunggu.

Contoh Prototip
Unit Gawat Darurat (UGD) RS DAERAH menyediakan perawatan medis cepat
untuk kasus-kasus darurat yang dibawa ke rumah sakit dengan ambulans atau
mobil pribadi. Setiap saat selalu ada satu dokter yang bertugas di UGD. Namun,
karena kecenderungan peningkatan kasus-kasus darurat yang membutuhkan
fasilitas ini daripada pergi ke dokter praktik, rumah sakit terus mengalami
peningkatan jumlah kunjungan UGD setiap tahunnya. Akibatnya pasien yang
datang saat jam sibuk (pagi) harus menunggu sampai giliran hingga ditangani oleh
dokter. Oleh karena itu, terdapat usulan untuk menugaskan dokter kedua ke UGD
selama jam sibuk ini, sehingga dua kasus darurat dapat ditangani secara
bersamaan. Insinyur manajemen rumah sakit telah ditugaskan untuk mempelajari
pertanyaan ini.
Insinyur manajemen mulai dengan mengumpulkan data historis yang relevan dan
kemudian memperkirakan keadaan tahun depanIa mengenali bahwa UGD
merupakan sistem antrian sehingga akhirnya menggunakan beberapa
alternatifmodel antrian untuk memperkirakan karakteristik antrian dari sistem
dengan satu dan dua dokter.

Struktur Dasar Model Antrian

Proses Antrian
Proses dasar yang diasumsikan oleh sebagian besar model antrian adalah sebagai
berikut. Pelanggan yang membutuhkan layanan dihasilkan dari waktu ke waktu
oleh sumber masukan. Pelanggan ini memasuki sistem antrian dan bergabung
dengan antrIan. Pada waktu-waktu tertentu, seorang anggota dari antrian dipilih
untuk dilayani oleh beberapa aturan yang dikenal sebagai disiplin antrian.
Layanan yang dibutuhkan untuk pelanggan kemudian dilakukan untuk pelanggan
dengan mekanisme pelayanan tertentu, setelah itu pelanggan meninggalkan sistem
antrian.

Gambar 1. Proses Antrian Dasar

Sumber Masukan
Satu karakteristik sumber masukan adalah ukurannya. Ukuran adalah total jumlah
pelanggan yang mungkin membutuhkan pelayanan dari waktu ke waktu. Populasi
asal kedatangan pelanggan disebut juga populasi sumber (calling population).
Ukurannya dapat diasumsikan tak berhingga atau berhingga (sehingga sumber
masukan dapat dikatakan tak berhingga atau berhingga). Asumsi tak berhingga
sering diambil ketika ukuran populasi sesungguhnya adalah angka berhingga yang
besar, dan asumsi ini merupakan asumsi implisit untuk semua model antrian yang
tidak menyatakan asumsi lain. Asumsi berhingga harus diambil ketika
kecepatakan sumber masukan membangkitkan pelanggan baru dipengaruhi secara
signifikan oleh jumlah pelanggan dalam sistem antrian.
Pola statistik pembangkitan pelanggan juga terhadap waktu juga harus ditetapkan.
Asumsi umumnya adalah pelanggan dibangkitkan menurut proses poisson,
misalnya jumlah pelanggan yang dibangkitkan pada waktu tertentu terdistribusi
poisson. Asumsi yang setara adalah waktu antara dua kedatangan yang berurutan
mengikuti distribusi eksponensial. waktu antara dua kedatangan yang berurutan
disebut waktu antar kedatangan.
Antrian
Antrian adalah tempat pelanggan menunggu sebelum dilayani. Karakteristik
antrian adalah jumlah maksimum pelanggan yang diizinkan berada di dalamnya.
Antrian disebut tidak p atau berhingga, tergantung karakteristiknya apakah jumlah
ini tidak berhingga atau berhingga.
Disiplin Antrian
Disiplin antrian menunjukkan aturan untuk memilih satu anggota dari antrian
untuk dilayanani. Misal, memilih yang pertama datang untuk pertama dilayani
(first come first served/FCFS), acak, berdasarkan prioritas tertentu, atau aturan
lainnya. Model antrian biasanya menggunakan asumsi FCFS, kecuali dinyatakan
lain.
Mekanisme Antrian
Mekanisme pelayanan terdiri dari satu atau lebih fasilitas pelayanan, yang
masing-masing berisi satu atau lebih saluran layanan paralel, yang disebut
pelayan. Jika ada lebih dari satu fasilitas pelayanan, pelanggan dapat menerima
pelayanan secara berurutan (saluran pelayanan secara seri). Pada fasilitas tertentu,
pelanggan memasuki salah satu jalur pelayanan paralel dan sepenuhnya dilayani
oleh pelayan tersebut. Model antrian harus menentukan susunan dari fasilitas dan
jumlah pelayan (saluran paralel) di setiap fasilitas. Sebagian besar model dasar
menganggap satu fasilitas pelayanan dengan satu pelayan atau jumlah pelanggan
berhingga. Waktu yang diperlukan pelanggan pada suatu fasilitas mulai dari
dimulainya pelayanan hingga penyelesaiannya disebut sebagai waktu pelayanan
(atau waktu tunggu).
Proses Antrian Sederhana
Jenis situasi yang paling umum adalah sebagai berikut: Satu antrian tunggal (yang
mungkin kosong pada waktu tertentu) di depan fasilitas layanan tunggal, di mana
ditempatkan satu atau lebih pelayan. Setiap pelanggan yang dihasilkan oleh
sumber masukan dilayani oleh salah satu pelayan, mungkin setelah menunggu
beberapa saat di antrian (antrian tunggu). Sistem antrian yang terlibat
digambarkan pada gambar di bawah.
Perhatikan bahwa proses antrian dalam contoh UGD RS Daerah adalah tipe ini.
Sumber masukan menghasilkan pelanggan dalam bentuk kasus darurat yang
membutuhkan perawatan medis. Ruang gawat darurat adalah fasilitas layanan,
dan para dokter adalah pelayan.

Gambar 2. Proses Antrian Sederhana

Pelayan tidak selalu merupakan satu individu; mungkin merupakan sekelompok

orang, misalnya, kru perbaikan yang menggabungkan kemampuan secara
bersama-sama untuk memberikan pelayanan yang diperlukan untuk pelanggan.
Lebih jauh lagi, pelayan tidak perlu menjadi orang. Dalam banyak kasus, pelayan
dapat menjadi mesin, kendaraan, perangkat elektronik, dll. Dengan cara yang
sama, pelanggan di antrian tidak perlu menjadi orang. Misalnya, mereka mungkin
barang yang menunggu operasi tertentu dengan jenis mesin yang diberikan, atau
mereka mungkin mobil yang menunggu di depan gerbang tol.
Antrian tidak perlu hadir secara fisik di depan struktur fisik fasilitas pelayanan.
Anggota antrian dapat tersebar di beberapa tempat, menunggu pelayan datang di
mereka masing-masing, misalnya mesin yang menunggu untuk diperbaiki.
Pelayan atau sekelompok pelayan yang ditugaskan untuk tempat tertentu
merupakan fasilitas pelayanan untuk tempat tersebut. Teori antrian masih
memberikan jumlah rata-rata pelanggan menunggu, waktu tunggu rata-rata, dan
seterusnya, karena tidak relevan apakah pelanggan menunggu bersama dalam
kelompok atau tidak. Hal penting dari penerapan teori antrian ini adalah bahwa
jumlah pelanggan yang menunggu untuk mendapatkan pelayanan sama dengan
situasi fisik yang digambarkan pada Gambar 2.
Beberapa model ini mengasumsikan lebih lanjut bahwa waktu antar kedatangan
terdistribusikan secara independen dan identik serta semua waktu pelayanan
terdistribusi secara independen dan identik. Model seperti ini biasanya diberi label
sebagai berikut :

dengan M = distribusi eksponensial (Markovian)

D = distribusi degenerasi (waktu konstan)
E = distribusi Erlang (parameter bentuk)
G = distribusi umum (setiap sembarang distribusi diizinkan)*
* Ketika menyebutkan waktu antar kedatangan, simbol G biasanya diganti dengan GI = Distribusi
Umum Independen (General Independent)

Sebagai contoh, Model M/M/s mengasumsikan bahwa waktu anatar kedatangan

dan waktu pelayanan terdistribusi eksponensial dan jumlah pelayan adalah s
(bilangan bulat positif apapun). Model M/G/I mengasumsikan waktu antar
kedatangan terdistribusi eksponensial, tetapi tidak ada batasan mengenai distribusi
waktu pelayanan, dan jumlah pelayan dibatasi tepat sama dengan I.

Notasi dan Terminologi

Bila tidak disebutkan lain, terminologi dan standar berikut ini akan selalu
digunakan :
Status sistem = jumlah pelanggan dalam sistem antrian
Panjang antrian = jumlah pelanggan yang menunggu dilayani
= status sistem dikurangi jumlah pelanggan yang sedang dilayani
N(t) = jumlah pelanggan dalam sistem antrian pada waktu t (t > 0)
Pn(t) = probabilitas tepat terdapat n pelanggan dalam sistem antrian
pada waktu t, diberikan jumlah pelanggan pada waktu 0
s = jumlah pelayan (jalur pelayanan paralel) dalam sistem antrian
n = rata-rata laju kedatangan (ekspetasi kedatangan tiap satuan
waktu) dari pelanggan baru ketika terdapat n pelanggan dalam
 sistem
n = rata-rata laju pelayanan untuk sistem keseluruhan (ekspetasi
jumlah pelanggan yang selesai dilayani tiap satuan waktu)
ketika terdapat n pelanggan dalam sistem

Ketika n adalah konstanta untuk semua n, konstanta ini dilambangkan dengan 

Ketika rata-rata laju pelayanan per pelayan sibuk adalah konstan untuk semua n >
1, konstanta ini dilambangkan dengan  (Dalam hal ini, n = s ketika n > s,
yaitu ketika semua pelayan sibuk). Dalam batasan ini, 1/ dan 1/ masing-masing
adalah ekspetasi waktu antar kedatangan dan ekspetasi waktu pelayanan. Juga, 
= /(s) adalah faktor utilisasi untuk fasilitas pelayanan, yaitu, misalnya ekspetasi
bagian dari waktu sibuk dari masing-masing pelayan, karena/(s) menyatakan
bagian dari kapasitas pelayanan sistem (s) yang diutilisasi pada rata-rata
kedatangan pelanggan ().
Notasi lain juga diperlukan untuk menggambarkan hasil steady-state. Ketika
sistem antrian baru saja memulai operasi, keadaan sistem (jumlah pelanggan
dalam sistem) akan sangat dipengaruhi oleh keadaan (state) awal dan berjalannya
waktu. Sistem dikatakan dalam keadaan transien. Namun, setelah cukup lama
berjalan, keadaan sistem menjadi independen terhadap status awal dan
berjalannya waktu (kecuali dalam keadaan yang tidak lazim). Sistem ini pada
dasarnya telah mencapai kondisi steady-state, dengan distribusi probabilitas dari
staus sistem tetap sama (distribusi steady state atau distribusi stasioner) dari
waktu ke waktu. Teori antrian cenderung lmemusatkan perhatian pada kondisi
steady-state, sebagian karena kasus transien lebih sulit dianalisis.

Pn = probabilitas tepat terdapat n pelanggan dalam sistem antrian

L = ekspetasi jumlah pelanggan dalam sistem antrian = ∞ 𝑛=0 𝑛𝑃𝑛
Lq = ekspetasi panjang antrian (selain pelanggan yang sedang
dilayani = ∞ 𝑛=𝑠 𝑛 − 𝑠 𝑃𝑛
W = waktu tunggu dalam sistem (termasuk waktu pelayanan) untuk
setiap individu pelanggan
W = E (W )
Wq = waktu tunggu dalam antrian (di luar waktu pelayanan) untuk
setiap individu pelanggan
Wq = E (Wq )

Hubungan antara L, W, Lq dan Wq

Diasumsikan n adalah tetap sebesar  untuk semua nilai n. Telah dibuktikan
bahwa dalam proses antrian steady-state
L = W (sering disebut rumus Little)

Lq = Wq

Jika n tidak sama maka l dalam persamaan dapat diganti dengan λ, yaitu rata-rata
laju kedatangan selama waktu yang lama.
Sekarang diasumsikan rata-rata waktu pelayanan juga tetap, 1/ untuk semua n >
1, hal ini membuat

W = Wq + 1/

mpu
menentukan secara langsung keempat kuantitas dasar L, W, Lq, Wq bila satu
kuantitas telah didapatkan secara analitis. Situasi ini menguntungkan karena
beberapa kuantitas sering kali lebih mudah diperoleh dibandingkan yang lain saat
model antrian diselesaikan sesuai prinsip dasarnya.

PERAN DISTRIBUSI EKSPONENSIAL

Karakteristik kerja sistem antrian sebagian besar ditentukan oleh dua sifat
statistik, yaitu distribusi probabilitas dari waktu antar kedatangan dan distribusi
probabilitas dari waktu pelayanan. Untuk sistem antrian riil, distribusi ini nyaris
bisa mengambil semua bentuk. Akan tetapi untuk membentuk model teori antrian
sebagai representasi sistem riil, asumsi bentuk tiap distribusi perlu ditentukan.
Agar bisa digunakan, asumsi bentuk harus cukup realistik sehingga model dapat
memberikan prediksi yang masuk akal dan pada saat yang sama harus cukup
sederhana sehingga model secara matematis dapat dilacak. Berdasarkan
pertimbangan ini, distribusi probabilitas yang paling penting dalam teori antrian
adalah distribusi eksponensial.
Misalkan variabel acak T mewakili waktu antar kedatangan ataupun waktu
pelayanan. Variabel acak ini disebut mempunyai distribusi eksponensial dengan
parameter jika fungsi densitas probabilitasnya adalah :
 Gambar 3. Fungsi densitas probabilitas distribusi eksponensial

Apa akibat mengasumsikan T mempunya distribusi eksponensial untuk model

antrian? Untuk menjawab ini, marilah kita lihat enam sifat kunci distribusi
eksponensial.
Sifat 1 : fr (t) adalah fungsi yang terus menurun dari t (t > 0)
Salah satu konsekuensi dari sifat 1 adalah P { 0 < T < t } > P { t < T < t + t}
untuk setiap nilai positif t dan t.
Sifat 2 : Kekurangan memori
Sifat ini secara matematis dapat dituliskan P { T > t + t | T > t } > P { T > t }
untuk setiap nilai positif t dan t. Dengan kata lain, distribusi probabilitas untuk
waktu yang tersisa sampai kejadian (kedatangan atau pelayanan selesai) selalu
sama, tanpa mempertimbangkan berapa lama waktu (t) yang telah berlalu.
Sifat 3 : Nilai minimum dari beberapa variabel acak eksponensial yang
independen memiliki distribusi eksponensial
Untuk menyatakan sifat ini secara matematis, misalkan T1, T2, T3, ..., Tn adalah
variabel acak ekponensial yang independen dengan parameter masing-masing
adalah 1, 2, 3, ..., n. Juga misalkan U adalah variabel acak yang mengambil
nilai sama dengan nilai minimum dari T1, T2, T3, ..., Tn, sehingga :

U = min { T1, T2, T3, ..., Tn }

Jadi jika T mewakili waktu sampai terjadinya kejadian tertentu maka U mewakili
waktu sampai terjadinya kejadian pertama dari n sekian kejadian yang berbeda.
Sekarang catat bahwa untuk setiap T > 0 :

P{U>t} = P { T1 > t, T2 > t, ..., Tn > t }

= P { T1 > t } P{ T2 > t } ... P{ Tn > t }
-1t -2t ... -nt
=e e e
𝑛
= exp ( - 𝑡=1 𝛼𝑖𝑡 )

sehingga U juga memiliki distribusi eksponensial dengan parameter :

  𝑡=1 𝛼𝑖
𝑛


Sifat 4 : Hubungan dengan distribusi Poisson
Misalkan bahwa waktu antara dua kejadian yang berurutan untuk beberapa jenis
kejadian (misalnya kedatangan atau selesainya pelayanan oleh pelayan yang sibuk
terus-menerus) mempunyai distribusi eksponensial dengan parameter . Sifat 4
berkaitan dengan distribusi probabilitas jumlah kejadian ini selama waktu tertentu.
Sifat 5 : Untuk setiap nilai positif t, P { T < t + t | T > t } =  t, untuk nilai
kecil t.
Sifat 6 : Tidak dipengaruhi oleh pengelompokan (agregasi) maupun pemisahan
(disagregasi)

PROSES KELAHIRAN DAN KEMATIAN

Sebagian besar model antrian menganggap bahwa masukan (kedatangan
pelanggan) dan keluaran (kepergian pelanggan) dari setistem antrian mengikuti
proses kelahiran dan kematian.. State sistem pada waktu t (t > 0), dinotasikan
dengan N(t), adalah jumlah pelanggan dalam sistem antrian pada waktu t. Proses
kelahiran dan kematian menggambarkan secara probabilistik bagaimana N(t),
berubah menurut perubahan. Secara luas dinyatakan bahwa kelahiran dan
kematian individual terjadi secara acak, dengan laju rata-rata masing-masing
tergantung dari status sistem saat itu. Lebih tepat asumsi proses kelahiran dan
kematian adalah sebagai berikut :
Asumsi 1. Apabila N(t) = n, distribusi probabilitas waktu tersisa sampai kelahiran
berikutnya (kedatangan) adalah eksponensial dengan parameter n (n = 0, 1, 2,...).
Asumsi 2. Apabila N(t) = n, distribusi probabilitas waktu tersisa sampai kematian
berikutnya (kepergian) adalah eksponensial dengan parameter n (n = 0, 1, 2,...).
Asumsi 3. Variabel acak asumsi 1 (waktu tersisa sampai kelahiran berikutnya)
dan variabel acak asumsi 2 (waktu tersisa sampai kematian berikutnya) adalah
saling independen. Proses transisi dalam status sistem adalah :
n  n +1 (satu kelahiran)
atau
n  n – 1 (satu kematian)
tergantung variabel yang lebih kecil antara yan pertama dan kedua


Gambar 4. Diagram laju proses kelahiran dan kematian

 
MODEL ANTRIAN BERDASARKAN PROSES KELAHIRAN DAN
KEMATIAN
Model M/M/s
Model ini hanyalah kasus khusus proses kelahiran dan kematian dengan laju
kedatangan rata-rata dan laju rata-rata pelayanan tiap pelayanan sibuk dalam
antrian adalah tetap (masing-masing  dan ) tanpa tergantung state sistem. Saat
sistem hanya memiliki satu pelayan (s = 1) akibatnya adalah parameter untuk
proses kelahiran dan kematian adalah    (n = 0, 1, 2,...) dan n  (n = 0, 1,
2,...)


Gambar 5. Diagram laju untuk model M/M/s


Variasi Antrian Berhingga dari Model M/M/s (Disebut Model M/M/s/K)

. Setiap pelanggan
yang datang saat antrian penuh tidak dapat memasuki sistem sehinggan
meninggalkannya selamanya. Dari sudut pandang proses kelahiran dan kematian,
laju rata-rata masukan ke dalam sistem menjadi nol saat ini. Oleh sebab itu, satu
modifikasi yang diperlukan untuk model M/M/s untuk mempertimbangkan antrian
berhingga adalah dengan mengubah parameter n menjadi :

Oleh karena n = 0 untuk beberapa nilai n, sistem antrian yang sesuai dengan
model ini selalu dapat mencapai kondisi steady-state meskipun pada keadaan  =
/(s) > 1.

Variasi Populasi Sumber Berhingga dari Model M/M/s

Sekarang misalkan satu-satunya penyimpangan dari model M/M/s adalah sumber
masukan terbatas, yaitu ukuran populasi sumber menjadi berhingga. Untuk kasus
ini, misalkan N mewakili ukuran populasi sumber. Lalu saat jumlah pelanggan
dalam sistem antrian adalah n (n = 0, 1, 2,..., N), hanya terdapat (N – n)
pelanggan yang tersisa dalam sumber masukan.

MODEL ANTRIAN DENGAN DISTRIBUSI NONEKSPONENSIAL

Sangat penting untuk mempunyai model antrian lain yang menggunakan distribusi
selain eksponensial, karena distribusi waktu pelayanan yang sesungguhnya sering
kali menyimpang dari bentuk eksponensial, khususnya jika kebutuhan pelayanan
dari setiap pelanggan hampir sama.
Sayangnya analisis matematis model antrian dengan distribusi noneksponensial
lebih sulit. Akan tetapi, masih dimungkinkan untuk memperoleh beberapa hasil
yang berguna dari model seperti itu.

Model M/G/1
Model M/G/1 menganggap bahwa sistem antrian memiliki satu pelayan dan
proses masukan Poisson (waktu antar kedatangan eksponensial) dengan laju
kedatangan rata-rata tetap sebesar . Seperti biasa juga diasumsikan bahwa
pelanggan mempunyai distribusi probabilitas waktu pelayanan yang independen
dan sama. Akan tetapi tidak ada batasan yang dibuat mengenai jenis distribusi
waktu pelayanan. Secara nyata yang diperlukan hanyalah mengetahui (atau
memperkirakan) rata-rata 1/ dan varian 2 dari distribusi ini.

Model M/D/s
Ketika pelayanan terdiri dari tugas yang secara prinsip sama untuk semua
pelanggan, ada kecenderungan hanya terdapat variasi kecil dalam waktu
pelayanan yang dibutuhkan. Model M/D/s menyediakan representasi yang masuk
akal untuk situasi semacam ini, karena hal ini mengasumsikan bahwa semua
waktu pelayanan adalah konstanta yang sama (distribusi waktu pelayanan
degenerasi) dan mempunyai proses masukan Poisson dengan laju kedatangan rata-
rata .

Model M/Ek/s
Model M/D/s mengasumsikan tidak ada variasi dalam waktu pelayanan
( distribusi waktu pelayanan eksponensial
mengasumsikan variasi yang sangat besar ( ). Di antara kedua kasus
ekstrim ini, terdapat kasus antara (0 <  )., tempat sebagian besar distribusi
waktu pelayanan sesungguhnya terletak. Jenis lain distribusi waktu pelayanan
teoritis yang terletak dalam kasus antara ini adalah distribusi Erlang.

Model Tanpa Masukan Poisson

Semua model antrian yang telah dibahas selama ini mengasumsikan proses
masukan Poisson (waktu antar kedatangan eksponensial). Akan tetapi asumsi ini
terlarang apabila kedatangan pelanggan terjadwal atau diatur sedemikian rupa
sehingga mencegah kedatangan secara acak, sehingga diperlukan model lain.

MODEL ANTRIAN DENGAN DISPLIN PRIORITAS

Dalam model antrian dengan disiplin prioritas, disiplin antrian berdasarkan sistem
prioritas. Jadi urutan anggota antrian yang akan dilayani dibuat berdasarkan
prioritasnya. banyak sistem antrian nyata yang sesuai dengan model disiplin
prioritas lebih dekat daripada model lain yang tersedia. Pekerjaan kilat diproses
lebih duludari pekerjaan yang lain, pelanggan yang penting mungkin didahulukan
dari yang lain. Oleh sebab itu penggunaan model disiplin prioritas sering
memberikan penerimaan yang baik daripada model antrian biasa.

JARINGAN ANTRIAN
Sampai sejauh ini, kita hanya mempertimbangkan sistem antrian yang mempunyai
satu fasilitas pelayanan dengan satu atau lebih pelayan. Akan tetapi sistem antrian
yang dijumpai dalam studi penelitian operasional kadang-kadang merupakan
jaringan antrian (queuing network), yaitu jaringan dari fasilitas pelayanan tempat
tempat pelanggan harus menerima pelayanan di beberapa atau keseluruhan
fasilitas tersebut. Sebagai contoh , pekerjaan yang harus diproses dalam job shop
harus melalui urutan kelompok mesin (fasilitas pelayanan). Dengan demikian,
keseluruhan jaringan sangat perlu dipelajari untuk mendapatkan informasi tertentu
seperti ekspetasi waktu tunggu total, ekspetasi jumlah pelanggan dalam sistem
keseluruhan, dan seterusnya.
Jaringan antrian mempunya perhatian khusus pada satu hasil penelitianyang
menjadi dasar bagi jaringan antrian baik mengenai penemuan maupun
pengaruhnya. Hasil dasar tersebut adalah sifat kesetaraan (equivalence property)
untuk proses masukan kedatangan pelanggan dan proses keluaran perginya
pelanggan untuk sistem antrian tertentu.
Sifat kesetaraan ; misalkan sebuah fasilitas pelayanan dengan s pelayan dan
tempat antri tak berhingga memiliki masukan Poisson dengan parameter  dan
distribusi waktu pelayanan eksponensial yang sama dengan parameter  untuk
setiap pelayan (Model M/M/s), dengan s > . dengan demikian , keluaran steady
state dari fasilitas pelayanan ini juga merupakan proses Poisson dengan parameter
.
Perhatikan bahwa sifat ini tidak mengasumsikan jenis disiplin antrian tertentu.
Apakah FCFS, acak atau disiplin prioritas. Pelanggan yang telah selesai dilayani
akan pergi meninggalkan fasilitas pelayanan sesuai proses Poisson. Pengaruh
penting hasil ini untuk jaringan antrian adalah jika pelanggan harus pergi ke
fasilitas pelayanan lainnya, fasilitas pelayanan kedua juga mempunya masukan
Poisson. Dengan distribusi eksponensial, sifat kesetaraan akan dipakai juga untuk
fasilitas kedua ini, yang menghasilkan masukan Poisson untuk fasilitas ke tiga dan
seterusnya.

Antrian Tak Berhingga Secara Seri

Misalkan pelanggan harus menerima semua pelayanan secara seri dalam m
fasilitas pelayanan dalam urutan yang tetap. Asumsikan juga setiap fasilitas
mempunyai antrian tak berhinggan (tidak ada batasan jumlah pelanggan yang
diizinkan berada dalam antrian) sehingga urutan fasilitas membentuk sistem
antrian tak berhingga secara seri.

Jaringan Jakcson
Sistem dengan antrian tak berhingga secara seri tidak hanya terdiri dari jaringan
antrian dengan model model M/M/s digunakan untuk menganalisis setiap setiap
fasilitas pelayana secara independen dari yang lain. Jenis jaringan yang lain
dengan sifat ini (solusi bentuk perkalian) adalah jaringan Jakcson.
Karakteristik jaringan Jackson sama dengan yang diasumsikan untuk sistem
dengan antrian tak berhingga secara seri di atas, kecuali sekarang pelanggan
mengunjungi fasilitas dengan urutan berbeda (dan mungkin tidak mengunjungi
semua fasilitas). Untuk setiap fasilitas, pelanggan yang datang berasal dari luar
sistem (sesuai proses Poisson) maupun dari fasilitas yang lain.

PENERAPAN TEORI ANTRIAN

Keputusan paling umum yang biasa diperlukan saat merancang sistem antrian
adalah berapa banyak yang harus disediakan. Akan tetapi, sejumlah keputusan
lainnya mungkin juga akan dibutuhkan. Kemungkinan-kemungkinan keputusan
tersebut antara lain :
1. Jumlah pelayan pada fasilitas pelayanan
2. Efisiensi pelayan
3. Jumlah fasilitas pelayanan
4. Jumlah tempat mengantri dalam antrian
5. Prioritas dalam kategori pelanggan yang berbeda.

Dua pertimbangan penting untuk membuat keputusan adalah :

1. Biaya untuk kapasitas pelayanan yang disediakan oleh sistem antrian
2. Konsekuensi membuat pelanggan menunggu dalam sistem antrian.
Dengan tujuan yang ingin dicapai adalah mendapatkan keseimbangan yang sesuai
antara biaya pelayanan dan jumlah yang menunggu, maka disediakan dua
pendekatan dasar :
1. Menetapkan satu atau lebih kriteria untuk tingkat kepuasan pelayanan
dalam hal berapa lama waktu tunggu yang dapat diterima.
2. Pengukuran biaya yang berkaitan dengan konsekuensi membuat pelanggan
menunggu.

Referensi
1. Hillier, Frederick and Lieberman, Gerald J. 2005. Introduction to
Operations Research, 8th ed. McGraw-Hill: New York.
2. Taha, Hamdy. 2007. Operation Research : An Introduction, 8th ed.
Pearson Education Inc.: NJ.