MARKOV CHAIN

PENGERTIAN MARKOV
Analisis Markov merupakan sebuah metode
dalam menganalisa perilaku saat ini dari
beberapa variabel dengan tujuan untuk
memprediksi perilaku dari variabel yang sama di
masa mendatang (Levin, 1992)

Analisis Markov merupakan sebuah teknik yang

berhubungan dengan probabilitas akan state
dimasa mendatang dengan menganalisa
probabilitas saat ini. (Render, 2006)
State digunakan untuk mengidentifikasi seluruh
kondisi yang mungkin dari suatu proses atau
sistem.
Contoh :
Sebuah mesin dapat berada dalam satu state dari
dua state yang ada dalam satu waktu.
State 1 = mesin dapat berfungsi dengan baik
State 2 = mesin rusak

Perubahan dari state 1 ke state yang lain pada

periode berikutnya merupakan suatu proses
random yang dinyatakan dalam probabilitas dan
dinamakan probabilitas transisi.
PROSES MODEL RANTAI MARKOV

 Menyusun Matriks Probabilitas Transisi

 Menentukan Kondisi-kondisi Steady State.

Steady state (keseimbangan) merupakan

kondisi dimana suatu sistem akan berada
dalam keadaan tertentu setelah sejumlah besar
periode transisi. (setelah proses berjalan
selama beberapa periode, probabilitas state
akan bernilai tetap)
CONTOH APLIKASI
Persoalan peralihan merk adalah persoalan yang sering terjadi
dalam dunia perdagangan yang disebabkan oleh karena para
pelanggan pindah dari satu merk kepada merk yang lain.
Peralihan para pelanggan timbul karena iklan, promosi tertentu,
harga, ketidakpuasan dan lain sebagainya. Analisis rantai
Markov yang dipakai untuk menyelesaikan persoalan ini telah
banyak digunakan sebagai alat diagnosis untuk mengusulkan
rencana-rencana strategi pasar. Tabel berikut ini
menggambarkan tingkah laku peralihan merk dari 1000
pelanggan untuk 4 merk dagang, masing masing merk 1,2,3 dan
4 sbb:
 Beralih selama satu periode
Minggu Minggu
Merk (i) pertama kedua
tambah kurang

A 220 50 45 225
B 300 60 70 290
C 230 25 25 230
D 250 40 35 255
1000 175 175 1000
Selajutnya dari hasil survey konsumen diperoleh informasi pola perpindahan merk sbb:
-Diantara 220 pembeli merk A, 175 loyal, 20 ke Merk B ,10 ke Merk C, 15 ke Merk D
-Diantara 300 pembeli merk B, 230 loyal, 40 ke Merk A, 5 keMerk C, 25 keMerk D dst..
 Lengkapnya dapat dilihat pada tabel berikut :

Perioda I
Jml. Mendapatkan Kehilangan Minggu
Merk (i) pelanggan dari dari kedua

A B C D A B C D

A 220 0 40 0 10 0 20 10 15 225
B 300 20 0 25 15 40 0 5 25 290
C 230 10 5 0 10 0 5 0 0 230
D 250 15 25 0 0 10 15 10 0 255
1000 1000

Langkah berikutnya merubah pergantian merk yang dilakukan para pelanggan agar
seluruh ‘mendapatkan’ & ‘kehilangan’ menjadi bentuk probabilitas transisi berikut,
tanda panah yg menuju kedalam menunjukkan kenaikan, tanda panah yang menuju
keluar menunjukkan kehilangan.
 0,091
A 0,767 B
0,133

0,046 0,017 0,109 0,06

0,083

0,891 C 0,04 D 0,860

Secara matematik dapat di buat sebagai berikut :

Mendapatkan
Dari: Merk Merk ( Baris)
------- ----------------------- ----------------------------------------  mendapatkan.
ke A B C D A B C D
A 175 40 0 10 225 0,796 0,133 0,000 0,040
B 20 230 25 15 290 0,091 0,767 0,109 0,060
C 10 5 205 10 230 0,046 0,017 0,891 0,040
D 15 25 0 215 235 0,067 0,083 0,000 0,860
220 300 230 250
kehilangan
(kolom)

Tabel : Matriks Probabilitas Transisi

 Menentukan steady state.
Mengalikan antar probabilitas transisi sampai
ditemukan tidak ada perubahan
Selanjutnya menghitung kemungkinanSelanjutnya
market share
diperoleh dengan mangalikan matriks probabilitas
menghitung
transisi matriks
di waktu
dengan probabilitas
yang akan market
kemungkinan
market share
datang. share
pada
Market di
periode I
share
waktu
diperoleh dengan mangalikan matriks probabilitas transisi dengan m
transisi.Probabilitas transisi Market share Market share
Probabilitas transisi Market share Mar
Periode I Periode II Periode I Pe
A B C D
A B C DA B
A
C
B
D
C D
 0,796 0,133 0,000 0,040   0,796
0,22  0,133
 0,225 
0,000 0,040   0,22   0,225 
        =    
 0,091 0,767 0,109 0,060 
 0,091  0=,767
0,30  0, 290 
0,109 0,060   0,30   0,290 
 0,046 0,017 0,891 0,040   0,046
X
0,23  0,017
 0,230 
0,040   0,23  =  0,230 
X
      
0,891
    
 0,067 0,083 0,000  
0,860   0,067   
 
0,25  0,083
 0,255
0, 
000 0,860   0,25   0,255 
   
A B C D A B C D
 0,6484 0,2112 0,0145 0,0742  0,220,2112
 0,6484  0,228 
Dan seterusnya
 sampai ditemukan   kondisi
  steady
0,0145
 0state.
,0742 

 0,22 
 
 0,1513 0,6073 0,1808 0,1056
 X
0  , 
1513 
0,300,6073 0,283
0 , 
1808 0 ,1056   0,30 
 0,0818 0,0375 0,7957 0,0729 
 0,0818   = 
0,230,03750,231  X  0,23 
      0, 
7957 0, 0729
  
 0,1185 0,1440 0,0090 0,7473
 0,1185   
   
0,250,1440 0,0090 0,7473 
0,258   0,25 
 