php/journal
ABSTRAK
Penelitian ini bertujuan untuk menentukan model rantai Markov dan model peluang steady state untuk
memprediksi status pasien RSUD Kabupaten Buton. Pengambilan data penelitian diperoleh dari data sekunder
Reka Medik RSUD Kabupaten Buton selama tahun 2021. Selanjutnya dilakukan analisis data dengan
menggunakan rantai Markov untuk memprediksi status pasien. Proses perhitungan dilakukan dengan membuat
program matlab untuk mempermudah perkalian matriks. Data status pasien terlebih dahulu diubah menjadi data
probabilitas kemudian dibentuk ke dalam matriks probabilitas transisi. Hasil yang diperoleh untuk status pasien
setelah dilakukan analisis rantai Markov adalah perkiraan pada periode ke-5 atau pada tahun 2026 yaitu 92,28%
pasien yang masuk dalam keadaan sakit ringan, sedang, dan parah dengan status keluar dalam keadaan
membaik, 3,72% pasien yang masuk dalam keadaan sakit ringan, sedang, dan parah dengan status keluar dalam
keadaan tidak sembuh, serta 4,01% pasien yang masuk dalam keadaan sakit ringan, sedang, dan parah dengan
status keluar dalam keadaan meninggal.
ABSTRACT
This research aimed to determine the Markov chain and steady-state probabilities model for predicting
patients' status at Regional Public Hospital (RSUD) Buton. The data collection was obtained from medical
records of RSUD Buton secondary data in 2021. Further, the data analysis was obtained using the Markov
chain to predict patient status. The counting process was obtained by creating a Matlab program to solve
matrix multiplication. The Patient data status previously changed onto probability data and then combined into
matrix probability transition. The results obtained for the patient status after conducting the Markov chain
analysis approximately at the fifth-period or in 2026 would be 92,28% of patients in which hospitalized in
ailment, moderate, and severe illness condition with the improved release status, 3.72% of patients in which
hospitalized in ailment, moderate, and severe illness condition with the not cured release status, and 4,01% of
patients in which hospitalized in ailment, moderate, and severe illness condition with the death release status.
suatu matriks tidak nol, berarti matriks 𝐴 tersebut 2.5. Matriks Peluang Transisi
nonsingular, yaitu matriks tersebut mempunyai Matriks peluang trasnsisi adalah matriks yang
invers. mengatur perpindahan sistem dari suatu state ke state
lainnya. Matriks peluang transisi sering disebut juga
2.1.4. Invers Matriks matriks stokastik karena peluang transisi 𝑃𝑖𝑗 adalah
Untuk matriks persegi tertentu 𝐴𝑛×𝑛 , matriks tetap dan tidak bergantung pada waktu 𝑖, dimana 𝑃𝑖𝑗
𝐵𝑛×𝑛 yang memenuhi kondisi 𝐴𝐵 = 𝐼𝑛 dan 𝐵𝐴 = 𝐼𝑛 adalah peluang transisi satu langkah yang bergerak
disebut invers dari 𝐴 dan dilambangkan dengan dari keadaan 𝑖 ke keadaan 𝑗.
𝐵 = 𝐴−1 , sebaliknya 𝐴 disebut invers 𝐵 ditulis
𝐴 = 𝐵−1 . Sehingga berlaku 𝐴𝐴−1 = 𝐴−1 𝐴 = 𝐼, 2.5.1. Matriks Peluang Transisi Satu Langkah
dimana 𝐼 matriks identitas. Jika sebuah rantai Markov
𝑃 𝑋 𝑛 + 1 = 𝑗 𝑋𝑛 = 𝑖 = 𝑃𝑖𝑗 dengan ruang stated
2.2. Probabilitas
{𝑛 = 0,1,2, … }, maka nilai 𝑃𝑖𝑗 merupakan peluang
Nilai probabilitas yang paling kecil adalah 0
bahwa ketika berada dalam state 𝑖, selanjutnya
yang berarti bahwa peristiwa yang tidak mungkin
proses akan melakukan transisi ke state 𝑗.
terjadi. Sedangkan nilai probabilitas yang terbesar
adalah 1 yang berarti bahwa peristiwa tersebut pasti 2.5.2. Matriks Peluang Transisi 𝒏 Langkah
akan terjadi. Jika 𝑆 mempunyai 𝑛 anggota dan 𝐴 (𝑛)
sebuah peristiwa yang akan diturunkan dari 𝑆, maka Peluang transisi 𝑛 langkah 𝑃𝑖𝑗 , adalah
𝑛(𝐴) peluang bersyarat suatu sistem yang berada pada
𝑃 𝐴 = (1)
𝑛(𝑆) state 𝑖 akan berada pada state 𝑗 setelah proses
dimana: mengalami 𝑛 transisi. Jadi
𝑃(𝐴) adalah probabilitas terjadinya peristiwa 𝐴
𝑃𝑖𝑗 𝑛 = 𝑃 𝑋𝑡+𝑛 = 𝑗 𝑋𝑡 = 𝑖 .
𝑛(𝐴) adalah banyaknya peristiwa 𝐴 dan (𝑛)
𝑛(𝑆) adalah banyaknya sampel Oleh karena 𝑃𝑖𝑗 adalah peluang bersyarat,
peluang tersebut harus bernilai non negative, dan
2.3. Stokastik oleh karena prosesnya harus membuat perubahan ke
Proses stokastik didefinisikan sebagai state yang lain maka peluang tersebut harus
kumpulan terindeks dari variabel acak 𝑋(𝑡) dimana memenuhi sifat berikut ini:
(𝑛)
indeks 𝑡 berjalan melalui himpunan 𝑇 yang 1. 𝑃𝑖𝑗 ≥ 0, untuk semua 𝑖 dan 𝑗; 𝑛 =
diberikan. Seringkali 𝑇 diambil sebagai himpunan 0, 1, 2, … , 𝑀
bilangan bulat non negative, dan 𝑋(𝑡) mewakili 𝑀 (𝑛)
2. 𝑗 =0 𝑃𝑖𝑗 =1 untuk semua 𝑖; 𝑛=
karakteristik minat yang dapat diukur pada waktu 𝑡.
0, 1, 2, … , 𝑀
Elemen-elemen dan matriks transisi yang
2.4. Rantai Markov (𝑛)
Rantai Markov (Markov-Chain) adalah suatu lebih tinggi 𝑃𝑖𝑗 dapat diperoleh secara langsung
teknik matematika yang biasa digunakan untuk dengan perkalian matriks. Jadi
(2)
melakukan pemodelan (modeling) bermacam-macam 𝑃𝑖𝑗 = 𝑃𝑖𝑗 × 𝑃𝑖𝑗 = 𝑃2
sistem dan proses bisnis. Teknik ini dapat digunakan (3) (2)
𝑃𝑖𝑗 = 𝑃𝑖𝑗 × 𝑃𝑖𝑗 = 𝑃3
untuk memperkirakan perubahan-perubahan di waktu
dan secara umum,
yang akan datang dalam variabel dinamis tersebut di (𝑛) (𝑛−1)
waktu yang lalu. 𝑃𝑖𝑗 = 𝑃𝑖𝑗 . 𝑃𝑖𝑗 = 𝑃𝑛 (3)
Secara matematis persamaan rantai Markov dimana:
(𝑛)
dapat ditulis sebagai berikut: 𝑃𝑖𝑗 = matriks peluang transisi 𝑛-langkah
𝐾𝑛 = 𝑃 × 𝐾𝑛−1 (2) (𝑛−1)
𝑃𝑖𝑗 =matriks peluang transisi 𝑛 − 1 langkah
dimana:
𝑃𝑖𝑗 = matriks peluang transisi satu langkah
𝐾𝑛 : peluang kejadian ke 𝑛
𝐾𝑛−1 : peluang kejadian ke 𝑛 − 1
2.6. Peluang Steady State
𝑃 : probabilitas transisional
Peluang steady state adalah peluang peralihan
di masa depan akan menjadi tidak bergantung dari
keadaan awal. Peluang peralihan pada tingkat Berdasarkan data yang diperoleh dari RSUD
keadaan seimbang (steady state) merupakan peluang Kabupaten Buton, jumlah status pasien yang masuk
peralihan yang sudah mencapai keseimbangan dan keluar selama tahun 2021 ditampilkan pada
sehingga tidak akan berubah terhadap perubahan Tabel 3.1.1 berikut ini:
waktu yang terjadi. Prinsip ini digunakan untuk Tabel 3.1.1 Jumlah Status Pasien RSUD
mengamati ada beberapa state untuk mengetahui Kabupaten Buton selama Tahun 2021
keuntungan, lamanya proses, biaya dari usaha yang Status Keluar(𝒋)
Status
dilakukan. Akibatnya dapat diramalkan kejadian Tidak
Masuk Membaik Meninggal Total
yang terjadi setelah 𝑛 langkah. (𝒊) (1)
Sembuh
(3)
(2)
Pembahasan rantai Markov ini, keseimbangan
Ringan
menjelaskan bagaimana perubahan-perubahan 480 18 19 517
(1)
variabel di dalam sistem itu akhirnya membawa 𝐾𝑡(𝑗 ) Sedang
497 19 19 535
dalam kondisi yang tidak berubah-rubah lagi atau (2)
Parah
stabil. Secara matematis 𝐾𝑡(𝑗 ) = 𝑃 × 𝐾𝑡(𝑗 −1) maka 405 48 62 515
(3)
kondisi ekuilibrium akan tercapai jika: Total 1382 85 100 1567
𝐾𝑡(𝑗 ) = 𝑃 × 𝐾𝑡(𝑒𝑞 ) (4)
3.2. Analisis Rantai Markov
2.7. Software Matlab Rantai Markov adalah suatu metode yang
Matlab (Matriks Laboratory) adalah suatu mempelajari sifat-sifat suatu variabel pada masa
program untuk analisis dan komputasi numerik dan sekarang yang didasarkan pada sifat-sifatnya pada
merupakan suatu bahasa pemrograman matematika masa lalu dalam usaha menaksir sifat-sifat variabel
lanjutan yang dibentuk dengan dasar pemikiran tersebut dimasa yang akan datang, yang merupakan
menggunakan sifat dan bentuk matriks. bentuk khusus dari model probabilistik yang lebih
umum dikenal dengan proses stokastik. Proses
3. Hasil dan Pembahasan stokastik 𝑋(𝑡) disebut Markov jika berlaku
3.1. Deskripsi Data 𝑃{𝑋(𝑡) ∈ 𝐴|𝑋(𝑡1 ) ∈ 𝐴1 , … , 𝑋(𝑡𝑛 ) ∈ 𝐴𝑛 } = 𝑃{𝑋(𝑡)
Pada penelitian ini data yang digunakan ∈ 𝐴|𝑋(𝑡𝑛 ) ∈ 𝐴𝑛 }
adalah data sekunder yang diperoleh dari Rumah atau dalam bentuk yang lebih mudah dipahami yaitu
Sakit Umum Daerah Kabupaten Buton berupa data 𝑃 𝑚𝑎𝑠𝑎 𝑑𝑎𝑡𝑎𝑛𝑔 𝑚𝑎𝑠𝑎 𝑙𝑎𝑙𝑢, 𝑠𝑒𝑘𝑎𝑟𝑎𝑛𝑔
jumlah status pasien yang masuk dan keluar selama = 𝑃{𝑚𝑎𝑠𝑎 𝑑𝑎𝑡𝑎𝑛𝑔|𝑠𝑒𝑘𝑎𝑟𝑎𝑛𝑔}
tahun 2021. Penggunaan rantai Markov pada suatu
Pasien yang dirawat di RSUD Kabupaten masalah memerlukan pemahaman terhadap tiga
Buton selama tahun 2021 dikelompokkan kedalam keadaan yaitu keadaan awal, keadaan transisi, dan
tiga keadaan yaitu keadaan sakit ringan, sakit sedang, keadaan setimbang.
dan sakit parah. Begitu pula untuk pasien yang keluar
dikelompokkan menjadi tiga keadaan yaitu pasien 3.1.1. Probabilitas dari Setiap Keadaan
yang keluar dalam keadaan sembuh (membaik), Untuk memperoleh matriks probabilitas
pasien yang keluar dalam keadaan tidak sembuh, dan transisi digunakan Persamaan (1), karena 𝑖
pasien yang keluar dalam keadaan meninggal. menunjukkan status masuk dan 𝑗 menunjukkan status
Keadaan-keadaan ini diperoleh langsung dari data keluar maka
rekam medik RSUD Kabupaten Buton, dimana untuk 𝑛(𝑖𝑗 )
𝑃𝑖𝑗 = 𝑛(𝑆 ,
masing-masing keadaannya akan dihitung 𝑖𝑗 )
Sehingga berdasarkan data pada Tabel 3.1.1 Untuk menghitung matriks peluang transisi
diperoleh nilai-nilai peluang sebagai berikut: kedua atau 𝑃2 digunakan Persamaan (3) yaitu
𝑛 (11) 480
𝑃11 = 𝑛 (𝑠 = 517 = 0,9284 persamaan rantai Markov yang akan menjelaskan
11 )
𝑛 (12) 18
gerakan-gerakan beberapa variabel dalam satu
𝑃12 = 𝑛 (𝑠 = 517 = 0,0348 periode waktu dimasa yang akan datang berdasarkan
12 )
𝑛 (13) 19 pada gerakan-gerakan variabel tersebut dimasa kini.
𝑃13 = 𝑛 (𝑠 = 517 = 0,0368
13 ) Secara matematis dapat ditulis:
𝑛 (21) 497
𝑃21 = 𝑛 (𝑠 = 535 = 0,9290 𝑃𝑖𝑗𝑛 = 𝑃𝑖𝑗𝑛 −1 . 𝑃𝑖𝑗 = 𝑃𝑛
21 )
𝑛 (22) 19 dengan:
𝑃22 = 𝑛 (𝑠 = 535 = 0,0355
22 )
𝑃𝑖𝑗𝑛 = Matriks peluang transisi 𝑛- langkah
𝑛 (23) 19
𝑃23 = 𝑛 (𝑠 = 535 = 0,0355 𝑃𝑖𝑗𝑛 −1 = Matriks peluang transisi 𝑛 − 1 langkah
23 )
𝑛 (31) 405
𝑃31 = 𝑛 (𝑠 = 515 = 0,7864 𝑃𝑖𝑗 = Matriks peluang transisi satu langkah
31 )
𝑛 (32) 48 Sehingga untuk menghasilkan matriks
𝑃32 = 𝑛 (𝑠 = 515 = 0,0932
32 ) peluang transisi setiap langkahnya dijabarkan sebagai
𝑛 (33) 62
𝑃33 = 𝑛 (𝑠 = 515 = 0,1204 berikut:
33 )
Matriks Peluang Transisi Langkah ke-2
3.2.2. Matriks Probabilitas 𝑃𝑖𝑗2 = 𝑃𝑖𝑗2−1 . 𝑃𝑖𝑗 = 𝑃2
Nilai-nilai peluang dari masing-masing 𝑃𝑖𝑗2 = 𝑃𝑖𝑗 . 𝑃𝑖𝑗 = 𝑃2
keadaan selanjutnya disusun kedalam tabel. Tabel ini 𝑃𝑖𝑗2
0,9284 0,0348 0,0368 0,9284 0,0348 0,0368
berisikan informasi mengenai nilai peluang setiap = 0,9290 0,0355 0,0355 . 0,9290 0,0355 0,0355
keadaan. Agar mudah dipahami nilai-nilai peluang 0,7864 0,0932 0,1204 0,7864 0,0932 0,1204
ini diletakkan berdasarkan posisi yang bersesuaian, = 𝑃2
0,9232 0,0370 0,0398
untuk lebih jelasnya ditampilkan pada Tabel 3.2.1 𝑃𝑖𝑗2 = 0,9234 0,0369 0,0397 = 𝑃2
berikut: 0,9114 0,0419 0,0467
Tabel 3.2.1 Matriks Probabilitas Transisi Matriks Peluang Transisi Langkah ke-3
Status
Status Keluar (𝒋) 𝑃𝑖𝑗3 = 𝑃𝑖𝑗3−1 . 𝑃𝑖𝑗 = 𝑃3
Tidak 𝑃𝑖𝑗3 = 𝑃𝑖𝑗2 . 𝑃𝑖𝑗 = 𝑃3
Masuk Membaik Meninggal Total
Sembuh
(𝒊) (1) (3) 𝑃𝑖𝑗3
(2)
0,9232 0,0370 0,0398 0,9284 0,0348 0,0368
Ringan = 0,9234 0,0369 0,0397 . 0,9290 0,0355 0,0355
0,9284 0,0348 0,0368 1
(1) 0,9114 0,0419 0,0467 0,7864 0,0932 0,1204
Sedang = 𝑃3
(2)
0,9290 0,0355 0,0355 1 0,9228 0,0372 0,0400
𝑃𝑖𝑗3 = 0,9228 0,0372 0,0400 = 𝑃3
Parah 0,9218 0,0376 0,0406
0,7864 0,0932 0,1204 1
(3)
Matriks Peluang Transisi Langkah ke-4
Berdasarkan Tabel 3.2.1 terlihat bahwa 𝑃𝑖𝑗4 = 𝑃𝑖𝑗4−1 . 𝑃𝑖𝑗 = 𝑃4
jumlah peluang setiap barisnya adalah 1 dan 𝑃𝑖𝑗4 = 𝑃𝑖𝑗3 . 𝑃𝑖𝑗 = 𝑃4
memenuhi asumsi rantai Markov, kemudian nilai- 𝑃𝑖𝑗4
nilai tersebut disusun kedalam matriks dengan 0,9228 0,0372 0,0400 0,9284 0,0348 0,0368
= 0,9228 0,0372 0,0400 . 0,9290 0,0355 0,0355
formasi dibawah ini 0,9218 0,0376 0,0406 0,7864 0,0932 0,1204
𝑃11 𝑃12 𝑃13 = 𝑃4
𝑃 = 𝑃21 𝑃22 𝑃23 0,9228 0,0372 0,0401
𝑃31 𝑃32 𝑃33 𝑃𝑖𝑗4 = 0,9228 0,0372 0,0401 = 𝑃4
Dengan formasi matriks berukuran 3 × 3 0,9227 0,0372 0,0401
diatas maka dihasilkan matriks peluang transisi awal Matriks Peluang Transisi Langkah ke-5
dengan jumlah peluang setiap barisnya sama dengan 𝑃𝑖𝑗5 = 𝑃𝑖𝑗5−1 . 𝑃𝑖𝑗 = 𝑃5
1, matriksnya sebagai berikut 𝑃𝑖𝑗5 = 𝑃𝑖𝑗4 . 𝑃𝑖𝑗 = 𝑃5
0,9284 0,0348 0,0368 𝑃𝑖𝑗5
𝑃 = 0,9290 0,0355 0,0355 0,9228 0,0372 0,0401 0,9284 0,0348 0,0368
0,7864 0,0932 0,1204 = 0,9228 0,0372 0,0401 . 0,9290 0,0355 0,0355
0,9227 0,0372 0,0401 0,7864 0,0932 0,1204
= 𝑃5
[8] Irwan, M. (2017). Pengantar Matlab untuk [19] Syafruddin S, Irma S, dan Sukarna. (2014).
Sistem Persamaan Linear. Jurnal MSA, 5, 1–6. Aplikasi Analisis Rantai Markov untuk
Memprediksi Status Pasien Rumah Sakit
[9] Langi, Y. A. R. (2011). Penentuan Klasifikasi Umum Daerah Kabupaten Barru. Online
State pada Ratai Markov dengan Menggunakan Jurnal of Natural Science, 3, 313–321.
Nilai Eigen dari Matriks Peluang Transisi.
Jurnal Ilmiah Sains, 11, 124–130. [20] Side, S. dan Syahrana. (2015). Aplikasi Invers
Matriks dalam Pembentukan Pesan Rahasia.
[10] Loban, J. M. dan Libing, S. B. (2021). Aplikasi Jurnal Teknosains, 9, 27–39.
Analisis Rantai Markov Untuk Memprediksi
Status Pasien Rumah Sakit Daerah Kalabahi. [21] Wardani, R. (2017). Trend Analisis
Jurnal Ilmiah Wahana Pendidikan, 7, 163– Peningkatan Jumlah Kunjungan Pasien ditinjau
167. dari Marketing Mix. Jurnal IKESMA, 13, 52–
58.
[11] Masita, F., Martha, S., dan Fran, F. (2019).
Beberapa Sifat Kronecker Product. Bimaster, Diterima pada tanggal 25 Mei 2022.
08, 745-750. Terbit online pada tanggal 28 Juli 2022
[12] Masuku, F. N., Langi, Y. A. R., dan Mongi, C.
(2018). Analisis Rantai Markov untuk
Memprediksi Perpindahan Konsumen
Maskapai Penerbangan Rute Manado-Jakarta.