RANTAI MARKOV

DISKRIT
MUHAMMAD FADLAN SYABENA
• Analisa Rantai Markov adalah suatu metode yang mempelajari
sifat-sifat suatu variabel pada masa sekarang yang didasarkan
pada sifat-sifatnya pada masa lalu dalam usaha menaksir sifat-
sifat variabel tersebut di masa yang akan datang
• Teknik pemodelan dengan menggunakan pendekatan markov
(Markov Approach) menawarkan suatu pemodelan untuk
memperhitungkan waktu reparasi atau repairable sistem.
• Pendekatan markov dapat diaplikasikan pada perilaku
(behavior) random dari suatu sistem yang bervariasi secara
diskrit maupun kuntinyu terhadap ruang dan waktu.
• Variasi random baik secara diskrit maupun secara random ini
disebut dengan proses stokastik (stochastic process).
Ada beberapa syarat agar metode Markov dapat diaplikasikan
dalam evaluasi keandalan sistem. Syarat-syarat tersebut adalah:
• Sistem harus berkarakter lack of memory, dimana kondisi sistem
dimasa mendatang tidak dipengaruhi (independent) oleh kondisi
sebelumnya. Artinya kondisi sistem saat evaluasi tidak
dipengaruhi oleh kondisi sebelumnya, kecuali kondisi sesaat
sebelum kondisi saat ini.
• Sistem harus stationery atau homogen, artinya perilaku sistem
selalu sama disepanjang waktu atau peluang transisi sistem dari
satu kondisi ke kondisi lainnya akan selalu sama disepanjang
waktu. Dengan demikian maka pendekatan Markov hanya dapat
diaplikasikan untuk sistem dengan laju kegagalan yang konstan.
• State is identifiable. Kondisi yang dimungkinkan terjadi pada
sistem harus dapat diidentifikasi dengan jelas. Apakah sistem
memiliki dua kondisi (state) yakni kondisi beroperasi dan kondisi
gagal, ataukah sistem memiliki 3 kondisi, yakni 100% sukses,
50% sukses dan 100% gagal.
KONSEP RANTAI MARKOV
Peluang dari masing-masing cabang pada
event tree tersebut didapat dengan
mengalikan semua peluang pada cabang
tersebut.

Peluang total sistem berpindah dari kondisi

1 ke kondisi 2 atau tetap berada pada
kondisi 1 setelah empat interval didapat
dengan menjumlahkan semua peluang
masing-masing cabang yang bersesuaian.

Terlihat bahwa setelah empat interval

peluang sistem berpindah dari kondisi 1 ke
kondisi 2 adalah 85/128 dan peluang
sistem berada pada kondisi 1 adalah
43/128.
Nilai-nilai probabilitas di daerah
transien berubah sesuai dengan
jumlah intervalnya. Karena itu nilai-
nilai probabilitas ini disebut dengan
time dependent state probabilities.

Sementara itu, nilai-nilai pada

daerah steady state akan selalu
konstan hingga jumlah interval tidak
terhingga. Karena itu nilai-nilai
probabilitas ini disebut dengan
limiting value atau time independent
state probabilities.
Time Dependent State Probabilities
Time dependent state probabilities dapat dicari dengan
mengalikan matrik P dengan matrik P itu sendiri sejumlah
interval yang diinginkan (𝑃𝑛 , dimana n adalah jumlah
interval waktu).
Limiting Value
Limiting value atau time independent state probabilities
didapat dengan persamaan 𝛼.P = 𝛼, dimana a adalah
limiting probability vector, atau vektor yang berisi kumpulan
nilai limiting value yang akan dicari.
Absorbing State
• Pada konteks discrete Markov chain, kondisi (state)
sistem dapat dibedakan menjadi 2 yaitu, ergodic state
dan absorbing state.
• Ergodic state adalah state yang limiting value nya
ditentukan oleh kondisi awalnya, dimana state ini bisa
menerima transisi probabilitas dari state lainnya dan bisa
memindahkan /mengeluarkan transisi probabilitas ke
state lainnya.
• Jika kondisi seperti pada ergodic state ini tidak dapat
terpenuhi, dimana state hanya bisa menerima dan
menyerap transisi tanpa bisa memindahkan atau
mengeluarkannya sampai sistem tersebut memulai misi
(operasi) yang baru, maka state tersebut disebut dengan
absorbing state.
Ada beberapa langkah yang harus dilakukan untuk
menentukan jumlah interval waktu sebelum sistem
memasuki abosrbing state. Langkah-langkah tersebut
adalah:
• Buatlah matrik Q dengan menghilangkan komponen baris
dan kolom pada matrik yang berhubungan dengan
absorbing state.
• Jadikan matrik Q sebagai pengurang dari matrik identitas,
dan sebut matrik baru tersebut dengan matrik N.
( [N] = [ I ] – [ Q ] ).
• Cari inverse dari matrik N.
Contoh Soal
Pada gambar berikut, tentukanlah (a) limiting state
probabilities, (b) time dependent state probabilities setelah
2 interval waktu dan (c) jumlah interval di masing-masing
state jika state 3 adalah absorbing state.
A) stochastic transitional probability matrix

limiting value
B) Time dependent state probabilities setelah 2 interval waktu
C) jumlah interval di masing-masing state jika state 3
adalah absorbing state

Matrik diatas berarti jika kondisi awal

adalah state 1, maka sistem akan berada 4
interval di state 1 dan 2 interval di state 2
sebelum masuk ke absorbing state.

Namun jika sistem dimulai dari state 2,

maka sistem akan berada 0 interval distate
1 dan 2 interval di state 2, sebelum masuk
absorbing state.