ANALISIS MARKOV

Annisa Indah Pratiwi, M.T.

 Pendahuluan
Rantai markov adalah suatu Teknik matematika yang biasa
digunakan untuk melakukan pembuatan model bermacam-
macam system proses bisnis.

•Teknik ini dapat digunakan untuk memperkirakan

perubahan-perubahan di waktu yang akan datang
dalam variable-variable dinamis atas dasar perubahan
dari variable dinamis tersebut di waktu yang lalu.
• Model rantai markov dikembangkan oleh seorang ahli Rusia
AA.Markov pada tahun 1906.
• Pada awalnya, Analisis Markov digunakan sebagai alat dalam
analisis perubahan cuaca.

• Saat ini, Analisis Markov sering digunakan untuk membantu

pembuatan keputusan dalam dunia bisnis atau industri.
Misal, sebagai alat untuk menganalisis:
• Perpindahan merek yang digunakan oleh konsumen.
• Masalah operasi dan pemeliharaan mesin produks.
• Perubahan harga di pasar saham.
• Dan lain-lain
 Proses Analisis Markov
• Terdapat 3 prosedur utama untuk dilakukan,
yaitu
Ciri-ciri Analisis Markov:
 Menyusun Matriks Probabilitas
Transisi
Contoh 1:
• Misal, diambil sampel sebanyak 1000 konsumen yang
tersebar dalam 4 merek sabun mandi yang digunakan, yaitu
merek A, B, C, dan D.

• Dalam masalah ini, konsumen dapat berpindah dari satu

merek ke merek lain. Perpindahan ini bisa disebabkan karena
adanya promosi khusus, perbedaan harga, iklan yang terus
menerus di TV, dsb.
 Menyusun Matriks Probabilitas
Transisi
• Tabel di bawah ini menunjukkan pola perpindahan konsumen
dalam penggunaan sabun mandi merek A, B, C, dan D

Jml konsumen Perubahan selama periode Jml

Bulan ini Mendapatkan Kehilangan konsumen
Merek Bulan depan

A 220 50 45 225
B 300 60 70 290
C 230 25 25 230
D 250 40 35 255
Jumlah 1000 175 175 1000
 Menyusun Matriks Probabilitas
Transisi
• Dari tabel tersebut, tidak diketahui berapa diantara
45 konsumen merek A yang berpindah ke merek B, C,
atau D.

• Dan sebaliknya, juga tidak diketahui berapa diantara

50 konsumen yang berpindah ke merek A berasal dari
konsumen merek B, C, atau D.

• Oleh karena itu, dibutuhkan informasi yang lengkap

tentang perpindahan konsumen dalam penggunaan
sabun mandi
• Atas dasar survey konsumen, diperoleh hasil yang dituliskan
dalam tabel sbb.:
Jml konsumen Mendapatkan dari Kehilangan ke Jml konsumen
Bulan ini bulan depan
Merek
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 25 0 0 230

D 250 15 25 0 0 10 15 10 0 255

Jumlah 1000 1000

• Dari data pada tabel di atas dapat dibuat matriks
perpindahan/perubahan merek sabun mandi, yaitu:

State State Bln depan

Jumlah
Bulan ini A B C D
A 175 20 10 15 220
B 40 230 5 25 300
C 0 25 205 0 230
D 10 15 10 215 250
• Jadi, matriks probabilitas transisinya adalah:
State State Bln depan
Bulan ini A B C D
A 0,796 0,091 0,045 0,068
B 0,133 0,767 0,017 0,083
C 0 0,109 0,891 0
D 0,040 0,060 0,040 0,860
 Menghitung probabilitas suatu kejadian di waktu yang
akan datang

• Informasi yang dihasilkan dari Analisis Markov adalah

probabilitas suatu state pada 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.
• Terdapat 2 cara untuk menemukan informasi tersebut,
yaitu:
– Probabilitas tree
– Perkalian matriks
 Probabilitas Tree
Contoh:
Diketahui probabilitas transisi sebagai berikut:
State State Besok
Hari ini Hujan Cerah
Hujan 0,6 0,4
Cerah 0,8 0,2

Ingin dihitung probabilitas cuaca akan berstatus hujan pada

hari ke-3, jika pada hari ini (hari pertama) berstatus hujan.
 Probabilitas Tree
• Penyelesaian
Jadi,
• Probabilitas cuaca akan berstatus hujan pada hari ke-
3, jika pada hari ini (hari pertama) berstatus hujan
adalah
HH(3) = 0,36 + 0,32 = 0,68

• Probabilitas cuaca akan berstatus cerah pada hari ke-

3, jika pada hari ini (hari pertama) berstatus hujan
adalah
CH(3) 0,24 + 0,08 = 0,32
 Probabilitas tree akan sangat membantu bila
periode ke-t di masa depan cukup kecil.
 Bila ingin diketahui probabilitas status pada

periode ke-t dimasa depan, dimana t cukup

besar, maka untuk menyelesaikan dengan
probabilitas tree akan menjadi tidak efisien
karena membutuhkan lembar kertas yang
besar.
 Untuk itu, digunakan cara lain

yaitu dengan menggunakan perkalian matriks

 Case Study
• PT. FRA merupakan perusahaan yang berbisnis dalam bidang
Flavor and Fragrance. Peningkatan produktivitas adalah salah
satu kunci dalam menuju perusahaan kelas dunia. Metode
yang digunakan dalam mengukur nilai produktivitas dalam
proses produksi menggunakan metode Overall Equipment
Effictiveness (OEE). Pada data OEE periode Juli 2018 hingga
Juni 2019 mempunyai nilai OEE sebesar 65,44%
 Analisis Data

2. Menentukan usulan Markov Chain

Pemeliharaan korektif pada status 4 dan pemeliharaan
pencegahan pada status 3. Matrik transisinya sebagai berikut:
P1 =
3. Pemeliharaan korektif status 3 dan 4 dan pemeliharaan
pencegahan pada status 2. Matrik transisinya adalah sebagai
berikut:
• Pemeliharaan korektif status 4 dan pemeliharaan pencegahan status 2 dan
3. Matrik transisinya sebagai berikut
Pemeliharaan korektif status 3 dan status 4. Matrik
transisinya adalah sebagai berikut
 HASIL DAN PEMBAHASAN
• Pada bulan Juli 2018 sampai dengan bulan Juni 2019 departemen produksi tercatat
mengalami beberapa henti waktu yang tidak direncanakan yang mengakibatkan
nilai OEE rendah dan kerugian untuk perusahaan. Henti waktu tersebut tercatat
sebagai berikut:
Setelah mengetahui equipment dan durasi
kerusakan yang terjadi, maka didapat diagram
pareto berikut ini:

Dapat dilihat pada hasil perhitungan berdasarkan persentase durasi kerusakan equipment yaitu yang
pertama Lobe Pump (49,18%), kemudian CR mixer (22,3%), selanjutnya Votator (11,15%), kemudian
Dryer (7,78%), Valve discharge weight tank (5,9%), sekanjutnya Black out PLN (1,97%) dan dengan
durasi kerusakan terendah adalah Disintegrator (1,64%)
 Dalam perhitungan dengan menggunakan metode FMEA didapatkan bahwa equipment
Lobe Pump merupakan mesin yng mempunyai nilai salah yang paling besar. Dalam jalur
proses produksi terdapat 4 unit Lobe Pump yang akan menjadi bahan analisa dengan
metode Markov chain.

Tabel Perubahan Status Equipment Lobe Pump

Status
Bulan B/B B/Kr B/Ks B/Kb Kr/Kr Kr/Ks Kr/Kb Ks/Ks Ks/Kb Kb/B

Juli 0 0 0 1 0 0 0 1 0 2

Agst 0 0 0 0 0 0 1 1 0 2

Sept 0 0 1 0 0 0 0 0 1 2

Okt 0 0 0 0 0 0 0 1 0 3

Nov 0 2 0 0 0 1 0 0 1 0

Des 0 0 0 0 1 0 1 1 0 1

Jan 0 0 0 0 0 0 0 0 1 3

Peb 0 0 1 1 0 0 0 0 1 1

Mar 0 0 0 0 1 0 0 0 1 2

April 0 0 0 0 0 1 0 1 0 2

Mei 0 0 0 1 0 0 1 1 0 1

Juni 0 0 2 0 0 0 0 0 1 1
• Tabel Probabilitas Transisi Equipment Lobe Pump
Matrik probabilitas transisi usulan I (P0) pemeliharaan pada kondisi kerusakan berat
(status 4) untuk menentukan probabilitas steady pada equipment Lobe Pump
Matrik probabilitas transisi usulan I equipment Lobe Pump (P0) adalah:
Tabel Probabilitas Transisi Usulan I
 Probabilitas P0
Kegiatan Pemeliharaan Probabilitas P 0
Baik Ringan Sedang Berat
Lobe Pump 0,312 0,094 0,284 0,312
• 1. P1 (Pemeliharaan corrective”pada status 4 dan pencegahan pada status
3)
Tabel Probabilitas Transisi Usulan II (P1)
• 2. P2 (Pemeliharaan corrective”pada status 3 dan 4 dan pencegahan pada
status 2)

Tabel. Probabilitas Transisi Usulan II (P2 )

3. P3 (Pemeliharaan corrective”pada status 4 dan pencegahan pada status 2 dan 3)

Tabel Probabilitas Transisi Usulan II (P3)

4. P4 (Pemeliharaan”corrective pada status 3 dan
4)
Tabel Probabilitas Transisi Usulan II (P4)
e. Perencanaan Penjadwalan Pemeliharaan Equipment Lobe Pump dengan Metode
Markov Chain Berdasarkan usulan I dan usulan II dalam keadaan riil perusahaan maka
penjadwalan waktu yang dibutuhkan untuk perawatan adalah:
 Perkalian Matriks

Contoh masalah pengoperasian kendaraan

umum (angkota):
• Angkot akan beroperasi (jalan) bila tidak
sedang mogok, artinya bahwa dalam masalah
ini angkota selalu berada di dalam salah satu
dari dua state (status) yang mungkin, yaitu
jalan atau mogok
• Perubahan dari satu state ke state yang lain pada periode (hari)
berikutnya dituliskan dalam matriks / tabel probabilitas transisi
sebagai berikut:
Ke status berikutnya
state sekarang (besok)
(hari ini) Jalan Mogok

Jalan 0,6 0,4

Mogoktersebut ingin
Pemilik usaha angkota 0,8mengetahui0,2
probabilitas
sebuah angkota berstatus jalan pada hari ke-3, jika angkota
tersebut berstatus jalan pada hari ini (hari ke-1)
 Penyelesaian
• Probabilitas sebuah angkota berstatus jalan pada hari ke-3,
jika angkota tersebut berstatus jalan pada hari ini (hari ke-1),
dapat dituliskan dengan simbol JJ(3).

• Probabilitas sebuah angkota berstatus mogok pada hari ke-3,

jika angkota tersebut berstatus jalan pada hari ini (hari ke-1),
dapat dituliskan dengan simbol MJ(3).

• Dan seterusnya dengan penalaran yang serupa.

• Probabilitas sebuah angkota berstatus jalan
ataupun mogok pada hari ke-1, ditulis dalam
vektor baris sbb. :
J J (1) M J (1)  1 0
• Probabilitas sebuah angkota berstatus jalan ataupun mogok
pada hari ke-2, bila angkot tersebut berstatus jalan pada hari
ke-1, dapat dicari dengan mengalikan vektor baris dengan
matriks probabilitas transisi, diperoleh :
0,6 0,4 0,6 0,4
J J (2) M J (2)  J J (1) M J (1)    
1 0     0,6 0,4
0,8 0,2 0,8 0,2
• Dan, probabilitas sebuah angkota berstatus jalan ataupun
mogok pada hari ke-3, bila angkota tersebut berstatus jalan
pada hari ke-1, dapat dicari dengan penalaran serupa,
diperoleh :
0,6 0,4 0,6 0,4
J J (3) M J (3)  J J (2) M J (2)    0,6 0,4    0,68 0,32
0,8 0,2 0,8 0,2
 Menentukan Kondisi Steady State
• Dalam banyak kasus, Analisis Markov akan
menuju suatu kondisi keseimbangan (Steady
State), yaitu suatu kondisi di mana setelah
proses markov berjalan selama beberapa
periode, maka akan diperoleh nilai
probabilitas suatu state akan bernilai tetap.

• Suatu Analisis Markov dapat saja

tidak mencapai kondisi Steady State.
 Contoh pengoperasian kendaraan umum
(angkot)
• Seandainya perhitungan dilanjutkan, maka probabilitas sebuah angkota
berstatus jalan ataupun mogok pada hari ke-4, bila angkota tersebut
berstatus jalan pada hari ke-1, adalah :
0,6 0,4 0,6 0,4
J J (4) M J (4)  J J (3) M J (3)    0,68 0,32   0,8 0,2  0,664 0,336
 0,8 0, 2   
Probabilitas status periode selanjutnya adalah
• Dari hasil tersebut terlihat bahwa perubahan probabilitas
status untuk periode selanjutnya makin kecil sampai akhirnya
tidak tampak adanya perubahan  tercapai mulai periode ke-
7.

• Sehingga, pemilik usaha angkota dapat menyimpulkan bahwa

jika pada awalnya angkota berstatus jalan, maka setelah
beberapa periode di masa depan probabilitas akan jalan
adalah 0,6667 dan probabilitas mogok adalah 0,3333.
 Contoh untuk menentukan kondisi steady state

• Probabilitas status di masa depan, jika awalnya mogok dapat dilakukan

dengan cara serupa. Diperoleh:
• Probabilitas status periode selanjutnya adalah
• Dari hasil di atas terlihat bahwa perubahan probabilitas
status untuk periode selanjutnya makin kecil sampai
akhirnya tidak tampak adanya perubahan  tercapai
mulai periode ke-8.

• Dalam hal ini, pemilik usaha angkota dapat

menyimpulkan bahwa jika pada awalnya angkot
berstatus mogok, maka setelah beberapa periode di
masa depan probabilitas akan jalan
adalah 0,6667 dan
probabilitas mogok adalah 0,3333
• Dari kedua hasil tersebut, terlihat bahwa apapun status
awalnya, maka nilai probabilitas status di masa depan
akan konstan, yaitu probabilitas akan jalan adalah
0,6667 dan probabilitas mogok adalah 0,3333.

• Jadi, dapat disimpulkan jika kondisi steady state

tercapai, maka probabilitas status periode ke-i akan
sama dengan probabilitas status periode berikutnya,
yaitu periode ke-(i + 1), atau dapat dituliskan sebagai :
JJ(i+1) = JJ(i) dan MJ(i+1) = MJ(i)
 Probabilitas status periode
ke-(i + 1)

• Untuk mencari probabilitas status periode ke-(i + 1),

dilakukan dengan cara: diketahui bahwa dalam
kondisi steady state berlaku :
JJ(i+1) = JJ(i)
dan
MJ(i+1) = MJ(i),
• Untuk contoh pengoperasian kendaraan umum, nilai
probabilitas status periode i+1 adalah

Menjadi
Diketahui bahwa : JJ(i) + MJ(i) = 1, maka :
JJ(i) = 1 - MJ(i) sehingga:

JJ(i) = 0,6 JJ(i) + 0,8 MJ(i)

MJ(i) = 0,4 JJ(i) + 0,2 MJ(i)
Dengan mensubstitusi JJ(i) = 1 - MJ(i) ke persamaan terakhir, diperoleh :
MJ(i) = 0,4 (1 - MJ(i)) + 0,2 MJ(i)
MJ(i) = 0,4 - 0,4 MJ(i) + 0,2 MJ(i)
MJ(i) + 0,4 MJ(i) - 0,2 MJ(i) = 0,4
1,2 MJ(i) = 0,4
MJ(i) = 0,3333

Dan JJ(i) = 1 - MJ(i) = 1 – 0,3333 = 0,6667.

Jadi,
• Kondisi steady state untuk permasalahan di atas adalah:
JJ(i+1) = JJ(i) = 0,6667
MJ(i+1) = MJ(i) = 0,3333

• Artinya jika pada awalnya angkota berstatus jalan, maka

setelah beberapa periode di masa depan probabilitas akan
jalan adalah 0,6667 dan probabilitas mogok adalah 0,3333
 Penggunaan Probabilitas Steady State

• Misal perusahaan angkota mempunyai 100

kendaraan, maka jumlah angkota yang setiap
hari diharapkan dapat berjalan adalah :
JJ(i) x 100 = 0,6667 x 100 = 66,67 ≈ 67
Dan yang mogok adalah :
MJ(i) x 100 = 0,3333 x 100 = 33,33 ≈ 33
Terimakasih…