Markov Chain (rantai markov) -...
Transcript of Markov Chain (rantai markov) -...
Markov Chain(rantai markov)
3/13/2021 1AHP
Andrey Andreyevich Markov
Markov chain (rantai markov) adalah suatu prosesstokastik dimana probabilitas keadaan di masadepan hanya tergantung pada keadaan sekarang
Proses Stokastik ialah proses perubahanprobabilistik yang terjadi secara terus‐menerus
3/13/2021 2AHP
Penerapan Rantai MarkovPenerapan Rantai Markov
• Penentuan pangsa pasarPenentuan pangsa pasar
• Persediaan• Persediaan
P lih i• Pemeliharaan mesin
• dan lain‐lain
3/13/2021 3AHP
StateState
State digunakan untuk mengidentifikasiState digunakan untuk mengidentifikasiseluruh kondisi yang mungkin dari suatuproses atau sistemproses atau sistem
State 1: kondisi mesin baikState 2: kondisi mesin rusakState 3: kondsi mesin cukup
3/13/2021 4AHP
State 1: bus sedang beroperasi(narik)State 2: bus sedang diperbaiki(mogok)(mogok)
state 1: menjualState 2: tidak menjual
3/13/2021 5AHP
Ci i i i P M kCiri-ciri Proses Markov:
Jumlah probabilitastransisi pada setiapbaris adalah satu
Probabilitas transisitidak akan berubahselamanya
Probabilitas transisiProbabilitas transisihanya tergantung padastatus sekarang danbukan pada satusperiode sebelumnya
3/13/2021 6AHP
Operasi dari kendaraan umum seperti pada tabel di bawah ini
Dari status Ke status (besok)Total(Sekarang) Narik Mogok
Narik 60 40 100Narik 60 40 100
Mogok 80 20 100
Probabilitas Status Kendaraan
Dari status Ke status (besok)
(Sekarang) Narik Mogok
Narik 0,6 0,4
Mogok 0,8 0,2
P (narik I narik) = 0,6 P (narik I mogok) = 0,8P (narik I narik) 0,6 P (narik I mogok) 0,8P (mogok I narik) = 0,4 P (mogok I mogok) = 0,2P (narik I mogok) = 0,8 probabilitas kendaraan besok narik jikahari ini mogok adalah 0,8
3/13/2021 7AHP
Matrik Transisi ProbabilitasMatrik Transisi Probabilitas
Pij = probabilitas kondisi berada dalam state j di masa mendatangij p j gberdasarkan pada state i saat ini. Misalnya P12 adalahprobabilitas berada pada state 2 di masa mendatang di manasebelumnya berada pada state 1sebelumnya berada pada state 1.
3/13/2021 8AHP
N-step transition probabilities
3/13/2021 9AHP
Probabilitas steady stateProbabilitas steady state
Steady state (keseimbangan) setelah proses berjalanselama beberapa periode, probabilitas statusnya akan bernilaitetap
(π1 π2) = (π1 π2)(π1 π2) (π1 π2)
3/13/2021 10AHP
Menyusun Probabilitas TransisiDi b h k t t d t ti t b t j KFC
Restoran Banyaknya Pelanggan
Di sebuah kota terdapat tiga restoran ayam goreng, sebut saja KFC, Suharti dan Mc Donald
Bulan Pertama Bulan Kedua
KFC 2000 2100
Suharti 4000 3300
Mc Donald 1000 1600
Jumlah 7000 7000
BulanPertama
Bulan KeduaJumlahKFC Suharti Mc Donald
KFC 1600 200 200 2000
Suharti 400 2800 800 4000
Mc Donald 100 300 600 1000
3/13/2021 11
Mc Donald 100 300 600 1000
Jumlah 2100 3300 1600 7000AHP
Matriks Probabilitas Transisi
Dari status Ke status
KFC Suharti Mc Donald
KFC 0,8 0,1 0,1
S h ti 0 1 0 7 0 2Suharti 0,1 0,7 0,2
Mc Donald 0,1 0,3 0,6
Probabilitas KFC dapat mempertahankan kesetiaan pelanggannyaadalah 1600/2000 = 0,8Probabilitas pelanggan KFC pindah ke Suharti adalah 200/2000Probabilitas pelanggan KFC pindah ke Suharti adalah 200/2000 = 0,1Probabilitas pelanggan KFC pindah ke Mc Donald adalah 200/2000 = 0,1
3/13/2021 12AHP
Contoh soalContoh soal
Perusahaan ELITE adalah perusahaan besar yang bergerakdi bidang otomotif dengan memproduksi sparepart motordan mobil. Perusahaan ingin mengetahui perubahanjumlah persediaan di gudang untuk ke depannya dilihat darik di i l l H l i i dik k b h j l hkondisi masa lalunya. Hal ini dikarenakan perubahan jumlahpermintaan konsumen mengenai produknya. Dalamrealitanya, PT. ELITE harus menghadapi beberapaperubahan jumlah persediaannya karena permintaanperubahan jumlah persediaannya karena permintaankonsumen yang fluktuatif. Tentunya, penentuan jumlahkuantitas persediaan yang tepat di masa mendatang akansangat membantu PT. ELITE dalam menghadapi perubahansangat membantu PT. ELITE dalam menghadapi perubahanpermintaan konsumen. Maka dari itu, untuk mengetahuipeluang perubahan jumlah kuantitas persediaan, PT. ELITEmelakukan penyelesaian menggunakan rantai markov.p y gg
3/13/2021 13AHP
Berikut ini adalah perkiraan jumlah kuantitas persediaan sparepart PT.Berikut ini adalah perkiraan jumlah kuantitas persediaan sparepart PT. ELITE:
• Jika hari ini permintaan banyak maka besok akan berpeluang 60% p y p gpersediaan habis, 30% persediaan sisa, dan 10% persediaan sedikitterpakai.
• Jika hari ini permintaan sedang maka besok akan berpeluang 40% di h bi 45% di i d 15% di dikitpersediaan habis, 45% persediaan sisa, dan 15% persediaan sedikit
terpakai.• Jika hari ini permintaan sedikit maka besok akan berpeluang 15%
persediaan habis 60% persediaan sisa dan 25% persediaan sedikitpersediaan habis, 60% persediaan sisa, dan 25% persediaan sedikitterpakai.
• Jika pada hari Senin permintaan sedikit, maka berapakah peluangperkiraan jumlah persediaan pada hari Kamis?
3/13/2021 14AHP
Penyelesaian:Penyelesaian:
Kita defenisikan terlebih dahulu kondisi yangKita defenisikan terlebih dahulu kondisi yang mungkin (state)
• State 1: Persediaan habis• State 1: Persediaan habis
• Sate 2: Persediaan sisa
• State 3: Persediaan sedikit terpakai
136
=
2561515.45.4.1.3.6.
P matrik transisi
3/13/2021 15
25.6.15.AHP
Jika persediaan sedikit terpakai pada hari seninmaka, maka vektor barisnya :
Pesediaan pada hari Selasa π (1)
Π (0) = (0,0,1)
Pesediaan pada hari Selasa π (1)
( )25.,6.,15.15.45.4.1.3.6.
)1,0,0()0()1( =
== ππ ( ),,25.6.15.
),,()()(
maka 15% persediaan akan habis, 60% persediaank d % d k d kakan sisa, dan 25% persediaan akan sedikit
terpakai.
3/13/2021 16AHP
Persediaan pada hari Rabu π (2)
( )16754653675154541.3.6.
)25615()1()2(
P ( )1675.,465.,3675.25.6.15.15.45.4.)25.,6.,15(.)1()2( =
== Pππ
3/13/2021 17AHP
Persediaan pada hari Kamis π (3)
)1484424316()2()3( == Pππ )1484.,42.,4316(.)2()3( == Pππ
maka 43% persediaan akan habis, 42% persediaan akan sisa, dan 15% persediaan akan sedikit terpakai
3/13/2021 18AHP
d l f kModel Grafik
3/13/2021 19AHP