PROSES

KEPUTUSAN
z MARKOV - 1
Tjutju Tarliah Dimyati
Teknik Industri
Universitas Pasundan
 z
PROSES MARKOV

▪ Adalah suatu sistem stokastik yang mempunyai karakter

bahwa terjadinya suatu keadaan (state) pada suatu saat
adalah bergantung pada dan hanya pada state sebelumnya
▪ Pada awalnya digunakan sebagai alat dalam analisis
perubahan cuaca, tetapi kini digunakan juga untuk
membantu pembuatan keputusan dalam dunia bisnis atau
industri
 z
CONTOH PROSES MARKOV

Misalkan jika hari ini tidak hujan maka peluang bahwa besok
tidak akan hujan adalah 0.8 dan jika hari ini hujan maka
peluang bahwa besok akan hujan adalah 0.4 maka prosesnya
dapat digambarkan sebagai berikut:
0.4 0.6
0.8

Hujan Tidak
Hujan

0.2
 z PROBABILITAS TRANSISI

▪ Adalah proses stokastik yang menyatakan probabilitas

bersyarat dari sistem yang berada dalam kondisi xn+1 pada
saat tn+1 jika diketahui bahwa sistem ini berada dalam
kondisi xn pada saat tn (nilai variabel saat ini hanya
tergantung pada nilai variabel pada waktu sebelumnya)
▪ Probabilitas transisi dari state i pada saat tn ke state j pada
saat tn+1 dapat digambarkan dalam fungsi probabilitas
transisi berikut:
Pr X n +1 = j | X n = i  = Pij
▪ Diasumsikan probabilitas ini tetap sepanjang waktu
 z
MATRIKS PROBABILITAS TRANSISI

▪ Probabilitas transisi biasa dinyatakan secara lengkap dalam

suatu matriks dimana ukuran matriks bersesuaian dengan
jumlah seluruh state yang mungkin. Untuk seluruh
kemungkinan nilai i dan j maka matriks probabilitas transisi
dinyatakan sebagai berikut:
P00 P01 P02 P03 
P P11 P12 P13 
 10
P20 P21 P22 P23 
P= 
     
 Pi 0 Pi 1 Pi 2 Pi 3 
 
     . 
 z
MATRIKS PROBABILITAS TRANSISI
▪ Matriks probabilitas transisi biasa disebut sebagai rantai
Markov (Markov Chain)
▪ Syaratnya adalah:
❖ Pij  0 untuk semua i dan j dan
❖ Untuk seluruh i berlaku:  Pij = 1
j

Pada contoh cuaca, jika tidak hujan dinyatakan sebagai

kejadian 0 dan hujan dinyatakan sebagai kejadian 1 maka:
0 1 0.4 0.6 0.8 0 1
P = 0  P00 P01 Hujan Tidak P = 0 0.8 0.2
1  P10 P11  1 0.6 0.4
Hujan

0.2
 z
MENYUSUN MATRIKS PROBABILITAS
TRANSISI
Contoh 1:
▪ Suatu perusahaan yang memproduksi minuman suplemen
dengan tiga merek yang berbeda (sebut saja sebagai merek
P, Q, dan R), melakukan survei untuk mengetahui perilaku
konsumen terhadap ketiga merek produk yang dipasarkan.
Survei dilakukan terhadap 18 konsumen dengan data
terlampir.
▪ Berdasarkan data itu, buatlah matriks probabilitas transisi
yang menunjukkan perubahan selera konsumen dari satu
merek ke merek lainnya, agar diperoleh dasar untuk
mengatur strategi pemasaran di masa yang akan datang.
 z
MENYUSUN MATRIKS PROBABILITAS
TRANSISI – CONTOH 1

Pilihan Merek Pilihan Merek

No Konsumen No Konsumen
Semula Saat ini Semula Saat ini
1 A P P 10 J Q P
2 B P P 11 K Q Q
3 C P P 12 L Q Q
4 D P Q 13 M Q R
5 E P Q 14 N Q R
6 F P Q 15 O R P
7 G P R 16 P R Q
8 H P R 17 Q R R
9 I Q P 18 R R R
 z MENYUSUN MATRIKS PROBABILITAS
TRANSISI – CONTOH 1

Jika dituliskan dalam bentuk tabel perubahan state

(perpindahan merek) maka diperoleh tabel berikut:
Periode Periode saat ini
sebelumnya P Q R Jumlah
P 3 3 2 8
Q 2 2 2 6
R 1 1 2 4
Jumlah 6 6 6 18

Maka matriks probabilitas transisinya adalah:

0.375 0.375 0.250
0.333 0.333 0.334
0.250 0.250 0.500
 z MENYUSUN MATRIKS PROBABILITAS
TRANSISI
Contoh 2:
Suatu survei dilakukan di sebuah wilayah di kota Jakarta. Diketahui bahwa
wilayah tersebut terdiri dari 1000 keluarga. Dari survei tersebut, diperoleh
data bahwa pada bulan Mei, 600 keluarga merupakan pelanggan toserba
‘A’ dan 400 keluarga merupakan pelanggan toserba ‘B’. Pada bulan Juni,
diketahui bahwa
• Dari 600 keluarga pelanggan toserba ‘A’ diperoleh data bahwa 400
keluarga tetap berbelanja di toserba ‘A’ dan 200 lainnya berbelanja di
toserba ‘B’.
• Dari 400 keluarga pelanggan toserba ‘B’ dinyatakan bahwa 150
keluarga tetap berbelanja di toserba ‘B’, sedang 250 lainnya berbelanja
di toserba ‘A’
Bagaimanakah matriks probabilitas transisi untuk hasil survei ini?
 z MENYUSUN MATRIKS PROBABILITAS
TRANSISI – CONTOH 2
▪ Data perubahan minat konsumen dapat dituliskan dalam
bentuk tabel sebagai berikut:
Kondisi
Kondisi Juni
Mei
A B Jumlah
A 400 200 600
B 250 150 400
Jumlah 650 350 1000

▪ Maka matriks probabilitas transisinya adalah:

0.667 0.333
0.625 0.375
 z
MATRIKS PROBABILITAS TRANSISI
SATU DAN N LANGKAH
▪ Matriks probabilitas transisi yang hanya mendefinisikan proses
perubahan dari state i ke state j dalam satu langkah (dari periode
m ke periode m+1), dinamakan matriks probabilitas satu langkah
▪ Jika matriks probabilitas menyatakan perubahan proses dari state i
ke state j dalam n langkah (dari periode m ke periode m+n), maka
dinamakan matriks probabilitas n langkah
▪ Informasi yang dihasilkan dari Proses Markov adalah probabilitas
suatu state pada sekian periode ke depan.
▪ Informasi ini dapat digunakan oleh manajer untuk membantu
pengambilan keputusan dengan cara memperkirakan perubahan-
perubahan variabel di waktu yang akan datang berdasar atas
perubahan-perubahan variabel di waktu yang lalu.
 z MENGHITUNG PROBABILITAS SUATU
EVENT DI MASA YANG AKAN DATANG

Ada dua cara yang dapat dilakukan untuk menghitung

probabilitas terjadinya suatu event di masa yang akan datang,
yaitu
▪ Dengan menggunakan pohon probabilitas
Cara ini efektif digunakan jika horizon waktu relatif pendek
dan jumlah event sedikit
▪ Dengan menggunakan perkalian matriks
Cara ini digunakan jika horizon waktu cukup panjang
dan/atau jumlah event relatif banyak
 z CONTOH PENGGUNAAN
POHON PROBABILITAS

Diketahui matriks probabilitas transisi dari event hujan dan tidak

hujan di suatu daerah adalah sebagai berikut:

Status Hujan Cerah

Hujan 0,6 0,4
Cerah 0,8 0,2

Jika hari ini hujan, berapakah probabilitas akan hujan di hari ke-
tiga?
 z CONTOH PENGGUNAAN
POHON PROBABILITAS

Hari ke-1 Hari ke-2 Hari ke-3

0,36

0,6 Hujan
0,6

0,6 Hujan 0,24

. Cerah
0,4
Hujan
0,32
0,4 0,8
Hujan
0,4 Cerah
0,08
0,2 Cerah
 z CONTOH PENGGUNAAN
POHON PROBABILITAS

Maka
▪ Probabilitas cuaca akan hujan pada hari ke-3, jika pada hari
ini (hari pertama) hujan adalah
HH(3) = 0,36 + 0,32 = 0,68
▪ Probabilitas cuaca akan cerah pada hari ke-3, jika pada hari
ini (hari pertama) hujan adalah
CH(3) = 0,24 + 0,08 = 0,32
▪ Untuk melakukan hal serupa tetapi jika hari ini cerah maka
harus dilakukan hal yang sama dengan status awal cerah
 z CONTOH PENGGUNAAN
CARA PERKALIAN MATRIKS

Untuk contoh persoalan yang sama, jika digunakan cara

perkalian matriks maka diperoleh:
0.6 0.4 0.6 0.4 0.68 0.32
=
0.8 0.2 0.8 0.2 0.64 0.36
Artinya, jika pada hari pertama hujan maka probabilitas pada
hari ketiga akan hujan adalah 0,68. Jika pada hari pertama
cerah maka probabilitas pada hari ketiga akan hujan adalah
0,64.
Cara ini dapat digunakan untuk mengetahui probabilitas pada
sekian periode kedepan untuk seluruh status awal
 z KONDISI STEADY STATE

▪ Dalam banyak kasus, Analisis Markov akan menuju suatu

kondisi keseimbangan (Steady State), yaitu kondisi di mana
setelah proses markov berjalan selama beberapa periode,
maka akan diperoleh probabilitas suatu state akan bernilai
tetap. Nilai ini tidak lagi dipengaruhi oleh status awalnya.
Tetapi proses Markov dapat saja tidak mencapai kondisi
Steady State.
▪ Jika kondisi steady state tercapai, maka probabilitas status
pada periode ke-i akan sama dengan probabilitas status
pada periode berikutnya
 z KONDISI STEADY STATE
CONTOH

Bagaimanakah kondisi steady state pada contoh survei pelanggan Toserba

0.667 0.333
dengan matriks transisi
0.625 0.375
Untuk menjawab pertanyaan ini lakukan perkalian matriks secara berulang
hingga diperoleh nilai probabilitas yang tidak berubah lagi dan tidak
tergantung pada state awalnya, sebagai berikut:

0.667 0.333 0.667 0.333 0.653 0.347

=
0.625 0.375 0.625 0.375 0.651 0.349
0.667 0.333 0.653 0.347 0.652 0.348
=
0.625 0.375 0.651 0.349 0.652 0.348
Maka probabilitas belanja di A = 0.652 dan probabilitas belanja di B = 0.348