Modul 10 - Analisis Markov
Modul 10 - Analisis Markov
Modul 10 - Analisis Markov
Analisis Markov adalah suatu teknik matematik untuk peramalan perubahan pada variabel-
variabel tertentu berdasarkan pengetahuan dari perubahan sebelumnya. Pada analisis ini terlihat
suatu sistem setelah percobaan berulang, dimana hasil dari sistem pada periode yang akan datang
tidak dapat ditentukan sebelumnya dengan pasti. Suatu set kemungkinan perubahan keadaan
(transisi) diperhitungkan untuk menjelaskan bagaimana sistem tersebut melakukan transisi
(perubahan) dari satu periode ke periode lainnya.
Analisis Markov digunakan untuk menganalisis masalah pada bidang pemasaran (misalnya
perubahan merek), persediaan, pemeliharaan dan penggantian mesin, analisis bursa efek dan
administrasi rumah sakit.
Proses Markov
Proses Markov adalah suatu kasus khusus dari proses stokastik yang lebih umum. Proses
stokastik dapat dilihat sebagai deretan variabel acak terhadap waktu. Misalnya pada indeks bursa
efek Dow Jones. Setiap hari nilai akhir dari angka indeks tersebut diterima sebagai hasil dari
variabel acak. Pada suatu periode waktu, kita dapat menganggap angka indeks dari Dow Jones
merupakan realisasi dari proses stokastik. Secara spesifik, misalkan xi adalah angka indeks pada
akhir hari ke i dalam tahun tertentu, dengan i = 1 sampai 250 (diasumsikan dalam satu tahun
terdapat 250 hari perdagangan). Misalnya x37 merupakan variabel acak yang menggambar- kan
hasil dari hari ke 37 pada tahun tertentu. Maka xi dimana i = 1 sampai 250 merupakan proses
yang stokastik. Nilai yang diobservasi pada proses stokastik ini untuk satu tahun adalah realisasi
dari proses tersebut. Nilai xi pada suatu hari disebut status/keadaan dari proses.
Ciri khas dari proses Markov melihat kemungkinan tersebut sebagai perubahan dari suatu
keadaan ke keadaan yang lain. Dalam proses Markov, kemungkinan berubah dari suatu keadaan
ke keadaan yang lain hanya tergantung pada keadaan saat ini dan bukan bagaimana sampai pada
keadaan tersebut. Hal ini dikenal sebagai sifat Markov. Dan dikatakan proses tersebut tidak
mempunyai memori.
1
Tabel 1 : Matriks kemungkinan transisi
Dari keadaan Pindah ke keadaan ke :
Ke : 1 2 . . j . . n
1 p11 p12 . . p1j . . p1n
2 p21 p22 . . p2j . . p2n
. . . . . . . . .
i pi1 pi2 . . pij . . pin
. . . . . . . . .
n pn1 pn2 . . pnj . . pnn
n adalah jumlah keadaan dalam proses dan pij adalah kemungkinan transisi dari keadaan saat i ke
keadaan j. Jika saat ini berada pada keadaan i maka baris i dari tabel di atas berisi angka-angka
pi1, pi2, ……., pin merupakan kemungkinan berubah ke keadaan berikutnya. Oleh karena angka
tersebut melambangkan kemungkinan, maka semuanya melupakan bilangan non negatif dan
tidak lebih dari satu. Secara matematis :
0 < pij < 1 i = 1, 2, ….., n
Σ pij = 1 i = 1, 2, ….., 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 di L saja, dan tidak di keduanya. Kunjungan belanja disebut
percobaan (trial) 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 2 berikut :
Pada kedua baris berjumlah 100, tetapi jumlah kolom tidak. Informasi ini digunakan untuk
membuat matriks kemungkinan perpindahan keadaan / transisi.
2
Didefinisikan :
Keadaan 1 : Pembeli berbelanja di W
Keadaan 2 : Pembeli berbelanja di L
Contoh 2 :
Pada suatu negara terdapat dua partai politik, L dan C. Pemilihan umum berlangsung setiap tiga
tahun. Partai yang memenangkan pemilu membentuk pemerintahan. Catatan dari pemilu selama
35 tahun terakhir tertera pada tabel 3.
Penyelesaian :
Ditentukan keadaan 1 adalah L pemenang pemilu sedangkan keadaan 2 adalah C adalah
pemenang pemilu. Hasil 12 pemilu tersebut ditabulasikan kemungkinan transisinya seperti
terlihat pada tabel 4 :
Tabel 4 : Matriks kemungkinan transisi
Pilihan pada Pilihan pada periode berikutnya
Suatu periode Keadaan 1 Keadaan 2 Total baris
C 1 4 5
L 3 3 6
3
Contoh 3
Angka indeks industri Dow Jones diklasifikasikan ke dalam tiga keadaan sbb. :
Keadaan 1 : Penurunan angka indeks dari angka indeks hari terakhir sebelumnya
Keadaan 2 : Tidak ada perubahan angka indeks
Keadaan 3 : Peningkatan angka indeks dari angka indeks hari sebelumnya
Tabel 5 menggambarkan jumlah hari perdagangan perpindahan keadaan angka indeks yang
tercatat selama tahun-tahun terakhir.
Dari tabel di atas terlihat jumlah hari dimana angka indeks yang pada suatu hari turun, pada hari
berikutnya turun adalah turun kembali sebanyak 65 kali, sebanyak 40 kali tetap, dan sebanyak 95
kali meningkat. Total pada suatu hari turun adalah sebanyak 200 kali.
Matriks kemungkinan transisinya setelah dihitung adalah sebesar P sebagai berikut :
65/200 40/200 95/200 0.325 0.200 0.475
P= 80/150 50/150 20/150 = 0.534 0.333 0.133
50/180 70/180 60/180 0.278 0.389 0.333
Pemecahan Transient
Contoh 4
Dari contoh 1 tentang pola berbelanja, hitung perubahan pada kemungkinan untuk berbagai
keadaan dalam waktu berikutnya.
4
Penyelesaian :
Pertama-tama kita lihat pembeli yang minggu ini berbelanja di W. Kondisi ini digambarkan pada
diagram pohon berikut yang menunjukkan keadaan saat ini dan kemungkinannya pada dua
minggu yang akan datang.
Kemungkinan pada
Minggu ini Minggu y. a. d. dua minggu y.a.d. dua minggu y.a.d.
Belanja di W 0.9 * 0.9 = 0.81
Belanja di W
Belanja di L
Dari diagram di atas terlihat bahwa kemungkinan pembeli di W minggu ini akan berbelanja di W
kembali untuk 2 minggu yang akan datang adalah 0.81+0.02=0.83. dengan cara yang sama
kemungkinan yang berbelanja di L untuk 2 minggu yang akan datang adalah 0.09+0.08= 0.17.
Metode cara menghitung di atas adalah terlalu kompleks untuk digunakan untuk periode waktu
yang akan datang yang besar. Prosedur yang lebih mudah melibatkan penggunakan aljabar
matriks.
0.9 0.1
( 0.9 0.1 ) x = [(0.9*0.9 + 0.1*0.2) (0.9*0.1 + 0.2*0.8)]
0.2 0.8
Dengan cara yang sama dapat dilihat kemungkinan untuk tiga minggu yang akan datang :
0.9 0.1
=[ 0.83 0.17 ] = [ 0.781 0.219 ]
0.2 0.8
5
Untuk minggu kesepuluh, kita mengulang prosedur ini untuk setiap minggu sampai minggu
kesepuluh. Proses ini tentunya rumit. Oleh karena itu digunakan metode yang lebih mudah,
menggunakan sifat jangka panjang dari rantai Markov.
0.9 0.1
(π1 π2) = (π1 π2)
0.2 0.8
Secara umum untuk suatu rantai Markov dengan dua keadaan matriks kemungkinan perpindahan
keadaan (transisi)nya adalah :
p11 p12
p21 p22
maka kemungkinan pada keadaan steady state memenuhi hubungan :
p11 p12
(π1 π2) = (π1 π2)
p21 p22
6
diperoleh : p21 p12
π1 = ------------------- π2 = ------------------
1 – p11 + p21 1 – p12 + p22
Contoh 5 :
PT. X mempunyai peralatan bulldozer yang keadaannya diinspeksi setiap akhir minggu. Keadaan
tersebut diklasifikasikan dalam keadaan baik, perlu penyetelan dan rusak. Keadaan peralatan
setiap minggu tergantung pada keadaan peralatan pada minggu sebelumnya. Matriks
kemungkinan transisi(perpindahan keadaan) dari peralatan tersebut adalah :
a. Untuk setiap keadaan pada setiap akhir minggu, berikan kondisi alat pada akhir dua
minggu yang akan datang
b. Tentukan kemungkinan steady statenya
Penyelesaian :
a. Seperti pada contoh sebelumnya keadaan pada dua minggu yang akan datang dapat
dihitung sbb.
Keadaan akhir minggu ini baik, maka keadaan dua minggu yang akan datang :
Keadaan akhir minggu ini perlu penyetelan, maka keadaan dua minggu yang akan datang :
Keadaan akhir minggu ini baik, maka keadaan dua minggu yang akan datang :
7
b. Dengan cara serupa kemungkinan keadaan steady state diperoleh dari hubungan berikut :
0.4 0.5 0.1
[π1 π2 π3] = [π1 π2 π3] 0.2 0.5 0.3
0 0.6 0.4
π1 = 3/17 = 0.177
π2 = 9/17 = 0.529
π3 = 5/17 = 0.294
Catatan :
Dengan P merupakan matriks kemungkinan transisi biasa (one step) maka P x P (atau P2) akan
memberikan kemungkinan transisi two step. Dalam contoh di atas diperoleh :
0.26 0.51 0.23
P2 = 0.18 0.53 0.29
0.12 0.54 0.34
Contoh 6 :
Pada contoh 1 diasumsikan bahwa L percaya bahwa suatu kampanye akan meningkatkan
kemungkinan pembeli W beralih pada L dari 0.1 menjadi 0.3 sedangkan yang tetap berbelanja di
L meningkat dari 0.8 menjadi 0.9. Jumlah keseluruhan pasar diperkirakan 10.000 pembeli per
minggu dan keuntungan yang diperoleh oleh toko L adalah sebesar $ 2 per pelanggan. Haruskah
L melakukan kampanye promosi.
8
Matriks kemungkinan transisi setelah melakukan promosi adalah :
0.7 0.3
P=
0.1 0.9
Ringkasan
Pada bab ini telah dibahas tentang model Proses Markov serta aplikasinya terhadapa masalah
pengambilan keputusan. Dalam model yang dibahas, terlebih dahulu dipikirkan bagaimana
membuat matriks kemungkinan transisi (perpindahan keadaan) dari data mentah aktual. Lalu
diperlihatkan bagaimana mengkomputasikan kemungkinan transien dan steady state. Sejumlah
scenario digunakan dalam mengembangkan model. Akhirnya disajikan suatu analisa ekonomis
yang berhubungan dengan peralihan merek.
Analisa kita mengasumsikan sistem bersifat steady state. Meskipun sedikit sistem nyata dapat
dianggap steady state, penelitian sifat keseluruhan juga merupakan perhatian yang besar bagi
pengambilan keputusan.