PENYELESAIAN MODEL TAHAP TERHINGGA DAN TAKHINGGA PADA PROSES KEPUTUSAN MARKOV DAN APLIKASINYA DI BIDANG PERTANIAN
BILYAN USTAZILA
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Penyelesaian Model Tahap Terhingga dan Takhingga pada Proses Keputusan Markov dan Aplikasinya di Bidang Pertanian adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2014 Bilyan Ustazila NIM G54100101
ABSTRAK BILYAN USTAZILA. Penyelesaian Model Tahap Terhingga dan Takhingga pada Proses Keputusan Markov dan Aplikasinya di Bidang Pertanian. Dibimbing oleh I WAYAN MANGKU dan HADI SUMARNO. Proses keputusan Markov adalah suatu proses pengambilan keputusan menggunakan rantai Markov untuk model-model stokastik. Tujuan karya ilmiah ini adalah merumuskan model stokastik yang melibatkan state, tindakan dan reward. Lalu, model tersebut diaplikasikan dalam bidang pertanian, yaitu menentukan keuntungan optimal dengan memberikan suatu tindakan, serta menentukan kebijakan optimal yang memaksimumkan keuntungan (reward). Metode yang digunakan untuk menentukan kebijakan optimal adalah enumerasi lengkap, iterasi kebijakan dan formulasi pemrograman linear. Diantara metode yang digunakan, metode iterasi kebijakan yang paling efisien. Berdasarkan data yang digunakan dalam kasus ini, penentuan kebijakan dengan ketiga metode ini menghasilkan kesimpulan yang sama yaitu petani tidak akan menggunakan pupuk saat kondisi tanah baik, dan akan menggunakan pupuk saat kondisi tanah sedang atau buruk. Pada kasus dengan faktor diskonto sebesar 0.7, masalah pertanian ini menghasilkan kebijakan yang sama dengan kasus tanpa diskonto. Kata kunci: enumerasi, iterasi kebijakan, pemrograman linear, proses keputusan Markov
ABSTRACT BILYAN USTAZILA. Solution of Finite and Infinite Stage Models in Markov Decisicion Processes and Its Application in Agricultural Sector. Supervised by I WAYAN MANGKU and HADI SUMARNO. Markov decision process is a decision making process using Markov chain for stochastic models. The aim of this paper is to formulate a stochastic model involving states, actions and rewards. Further, the model is applied into agricultural sector, especially on determination of the optimal revenue based on actions specified. Also to determine an optimal policy that maximizes the reward. The methods used in this study are the complete enumeration, the policy iteration and the linear programming methods. Among the methods used, the most efficient method is the policy iteration. Based on the data used, determination of the policy using those three methods concluded that farmers would not use fertilizer when the soil fertility is good, and will use fertilizer when the soil fertility are moderate or low. Especially, for the case of the discount 0.7, the agricultural problem resulting the same policy with the case of no discount rate. Keywords: enumeration, linear programming, Markov decision process, policy iteration.
PENYELESAIAN MODEL TAHAP TERHINGGA DAN TAKHINGGA PADA PROSES KEPUTUSAN MARKOV DAN APLIKASINYA DI BIDANG PERTANIAN
BILYAN USTAZILA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika
DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Penyelesaian Model Tahap Terhingga dan Takhingga pada Proses Keputusan Markov dan Aplikasinya di Bidang Pertanian. Nama : Bilyan Ustazila NIM : G54100101
Disetujui oleh
Prof Dr Ir I Wayan Mangku, MSc Pembimbing I
Diketahui oleh
Dr Toni Bakhtiar, MSc Ketua Departemen
Tanggal Lulus:
Dr Ir Hadi Sumarno, MS Pembimbing II
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya sehingga karya ilmiah yang berjudul Model Tahap Terhingga dan Takhingga pada Proses Keputusan Markov dan Aplikasinya di Bidang Pertanian berhasil diselesaikan. Skripsi ini merupakan syarat bagi penulis untuk dapat meraih gelar Sarjana Sains pada Mayor Matematika. Terima kasih penulis ucapkan kepada Bapak Prof Dr Ir I Wayan Mangku, MSc dan Bapak Dr Ir Hadi Sumarno, MS selaku dosen pembimbing dan Bapak Ir Ngakan Komang Kutha Ardana, MSc selaku dosen penguji yang telah memberi masukan dalam penulisan skripsi . Selain itu, penulis juga mengucapkan terima kasih kepada bapak, ibu, kakak Bellya Saksilia, atas doa dan kasih sayangnya serta teman-teman matematika 47, Ayun, Alin, Jupe, Pupu, Leni, pembahas seminar Marin, Safi’i dan Novia, dan anak kosan Tyas, Kak Mira, Kak Ira, Iis, Admas Penulis menyadari bahwa penulisan skripsi ini kurang sempurna. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan. Penulis juga berharap skripsi ini dapat memberikan pengetahuan dan manfaat. Bogor, April 2014 Bilyan Ustazila
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan
1
TINJAUAN PUSTAKA
2
APLIKASI DI BIDANG PERTANIAN
4
Aplikasi Model Pemrograman Dinamis Tahap Terhingga
4
Aplikasi Model Pemrograman Dinamis Tahap Takhingga
7
Metode Enumerasi Lengkap Masalah Petani dengan Tahap Perencanaan Periode Takhingga Metode Iterasi Kebijakan
8 8 10
Metode Iterasi Kebijakan tanpa Diskonto
12
Metode Iterasi Kebijakan dengan Diskonto
13
Penyelesaian Pemrograman Linear untuk Masalah Keputusan Markov
15
Masalah Keputusan Markov tanpa Diskonto
15
Masalah Keputusan Markov dengan Diskonto
17
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
18
DAFTAR PUSTAKA
18
LAMPIRAN
20
RIWAYAT HIDUP
24
DAFTAR TABEL 1 2 3 4 5 6 7 8
9 10 11 12 13
Nilai-nilai Hasil perhitungan pada n = 3 Hasil perhitungan pada n = 2 Hasil perhitungan pada n = 1 Nilai-nilai Kebijakan yang terjadi Nilai-nilai setiap state Nilai dan semua kebijakan Hasil iterasi kebijakan tanpa diskonto pada iterasi pertama Hasil iterasi kebijakan tanpa diskonto pada iterasi kedua Hasil iterasi kebijakan tanpa diskonto pada iterasi ketiga Hasil iterasi kebijakan dengan diskonto iterasi pertama Hasil iterasi kebijakan dengan diskonto iterasi kedua
6 6 6 6 7 8 9 10 12 13 13 14 15
DAFTAR LAMPIRAN 1 2 3
Keuntungan per tahap kebijakan tahap takhingga Proses perhitungan pada metode iterasi kebijakan tanpa diskonto Proses perhitungan pada metode iterasi kebijakan dengan diskonto
20 22 23
PENDAHULUAN Latar Belakang Dalam kehidupan sehari-hari, manusia sering menemukan suatu permasalahan, baik permasalahan kecil maupun besar. Setiap menghadapi permasalahan, manusia dituntut untuk mengambil suatu tindakan atau kebijakan. Dalam proses stokastik, tindakan atau kebijakan tersebut dikenal dengan keputusan. Dalam proses pengambilan keputusan akan ada risiko yang harus ditanggung. Risiko menjadi salah satu pertimbangan untuk mengambil keputusan. Keputusan yang sederhana hanya akan berpengaruh pada risiko yang kecil, sedangkan untuk keputusan besar akan mengakibatkan risiko yang besar, sehingga perlu pertimbangan yang matang. Dalam praktiknya, terdapat banyak alternatif pilihan keputusan, sehingga diperlukan teknik-teknik dalam pemilihannya agar memperoleh hasil yang optimal. Alternatif keputusan tersebut memiliki unsur probabilitas karena dalam pembuatan keputusan dihadapkan pada ketidakpastian. Proses keputusan Markov (Markov Decision Process) menjelaskan model dinamika dari pengambilan keputusan yang mengandung unsur ketidakpastian. Pada setiap langkah proses keputusan Markov dipilih tindakan tertentu dan tindakan tersebut akan menghasilkan keuntungan (reward) yang sesuai. Untuk mendapatkan keuntungan yang optimal, diperlukan kebijakan yang optimal pula. Kebijakan optimal dapat diperoleh dengan menggunakan tiga metode yaitu metode enumerasi, metode iterasi kebijakan (policy iteration method), dan metode solusi program linear (linear program solution method). Pembahasan utama dalam karya ilmiah ini yakni metode iterasi kebijakan dan metode pemrograman linear. Metode iterasi kebijakan ini diawali dengan mengambil sebuah kebijakan dan menghitung nilainya yang dalam perhitungannya terdapat faktor diskonto (α) maupun tidak terdapat faktor diskonto. Faktor diskonto adalah pengali untuk menghitung nilai uang yang akan datang bila dinilai dalam waktu sekarang. Adanya faktor diskonto (α < 1) dapat menghasilkan perubahan dalam kebijakan optimal, dibandingkan dengan kasus tanpa diskonto (α = 1). Setelah itu, memperbaiki kebijakan secara iteratif sesuai algoritme yang ada hingga kebijakan tersebut tidak dapat diperbaiki, dengan kata lain telah mencapai kondisi optimal. Masalah keputusan Markov tahap takhingga dengan ataupun tanpa menggunakan faktor diskonto dapat dirumuskan dan diselesaikan sebagai sebuah pemrograman linear. Batasan atau kendala dari metode pemrograman linear adalah peluang steady-state dari rantai Markov. Secara khusus, setiap kebijakan dinyatakan sebagai kelompok tindakan yang tetap. Penentuan kebijakan optimal di bidang manajemen pemasaran dan produksi telah dijelaskan pada Hidayah (2013) dengan menggunakan algoritme Discounted-Return Policy-Improvement. Dalam karya ilmiah ini digunakan metode enumerasi lengkap, iterasi kebijakan, formulasi pemrograman linear pada aplikasi di bidang pertanian. Setiap tahap, di awal musim tanam, petani menggunakan pengujian kimia untuk memeriksa kondisi tanah. Dari hasil pengujian tersebut, produktivitas sawah untuk setiap musim dikelompokkan dalam beberapa kategori. Petani dapat
2 melakukan tindakan yaitu menggunakan pupuk untuk memperbaiki kondisi tanah. Petani melihat bahwa produktivitas tahap yang akan datang dapat diasumsikan hanya bergantung pada kondisi tanah sekarang dan memerlukan penentuan arah tindakan terbaik yang harus dilakukan berdasarkan hasil dari pengujian kimia. Proses optimisasi didasari oleh pemaksimuman keuntungan yang diperkirakan. Proses keputusan Markov adalah salah satu cara yang cocok untuk menyelesaikan masalah ini. Tujuan 1 2 3
Tujuan karya ilmiah ini adalah Merumuskan suatu model stokastik yang melibatkan state, tindakan, dan reward. Mengaplikasikan model tersebut dalam bidang pertanian, yaitu menentukan keuntungan dengan memberikan beberapa alternatif tindakan. Menentukan kebijakan optimal yaitu memaksimumkan keuntungan (reward).
TINJAUAN PUSTAKA Proses keputusan Markov (Markov Decision Process/ MDP) awalnya diperkenalkan oleh Andrey Markov, seorang matematikawan Rusia pada awal abad ke-20 (Tijms 1994). Proses keputusan Markov berguna untuk mempelajari berbagai masalah optimasi yang dipecahkan melalui dynamic programming. Proses keputusan Markov adalah sebuah sistem yang dapat memindahkan satu keadaan yang khusus ke keadaan lainnya yang mungkin. Proses keputusan Markov pada dasarnya merupakan perluasan dari rantai Markov sehingga harus memenuhi syarat Markov. Menurut Grimmet dan Stirzaker (1992) suatu proses S disebut sebagai rantai Markov jika memenuhi syarat Markov, yaitu P(St = s | S0 = s0, S1 = s1,…, St-1 = st-1)= P(St = s | St-1 = st-1). Dalam proses keputusan Markov memungkinkan adanya pilihan tindakan (action) yang menghasilkan keuntungan. Oleh karena itu, dapat dikatakan proses keputusan Markov merupakan kerangka matematika untuk memodelkan pembuatan keputusan di situasi yang hasilnya bersifat acak dan berada di bawah kontrol dari pembuat keputusan. Proses keputusan Markov memiliki unsur-unsur yaitu 1 State State adalah suatu keadaan, akibat, atau kejadian (alamiah) pada suatu waktu dimana pengambil keputusan hanya mempunyai sedikit kontrol atau bahkan tidak memiliki kontrol terhadapnya. State dilambangkan i dengan i = 1, 2,…,m . Setiap i 𝜖 I dengan I himpunan state (Rosadi 2000). 2 Tindakan Tindakan adalah suatu bagian dari aksi atau strategi yang mungkin dipilih oleh pengambil keputusan di setiap state. Tindakan dilambangkan k dengan k = 1, 2,..., K. Setiap k 𝜖 dengan himpunan tindakan (Rosadi 2000).
3 3
4
Probabilitas transisi Menurut Taylor dan Karlin (1998), probabilitas transisi disebutkan sebagai peluang n-step , yaitu peluang bahwa suatu proses yang mulamula berada pada state i akan berada pada state j setelah n tambahan transisi. Menurut Heymen dan Sobel (2004), probabilitas transisi adalah suatu fungsi yang menyatakan peluang perpindahan dari suatu state ke state lainnya. Probabilitas transisi pada proses keputusan Markov harus memenuhi asumsi sifat Markov seperti yang dijelaskan sebelumnya yaitu ketika tindakan diambil di state , maka state telah ditentukan dengan sebuah cara yang hanya bergantung pada dan . Sehingga berlaku persamaan P( ∈ I| , = P( ∈ I | =i, = k). Notasi I melambangkan himpunan state dan menyatakan kejadian lampau hingga waktu pengambilan keputusan ke-n diambil. Bentuk notasinya sebagai berikut =( , , , , ..., , , ). Pengambilan keputusan masa yang akan datang didasarkan pada keadaan sekarang, bukan berdasarkan pada keadaan di masa lalu. Hal ini dikarenakan keadaan di masa lalu dianggap bebas dengan keadaan di masa yang akan datang. Dalam prosesnya, pembuat keputusan harus mengambil suatu tindakan dari alternatif-alternatif yang ditetapkan. Tindakan sekarang mempengaruhi peluang transisi pada perpindahan yang akan datang dan mendatangkan sebuah keuntungan atau kerugian setelah itu. Nilai peluang adalah tak negatif dan karena proses tersebut harus mengalami transisi ke suatu state maka ≥ 0, untuk semua ∈ , ∑ = 1 untuk semua ∈ . Secara umum, probabilitas transisi tidak perlu sama setiap tahap. Reward transisi
Keuntungan yang diperoleh sebagai implikasi terjadinya transisi antar state pada tindakan ke-k yang dilambangkan . Jika matriks probabilitas transisi P berukuran dan elemen-elemennya , maka matriks reward R juga berukuran dengan elemen-elemennya (Rosadi 2000). Menurut Taha (1987), proses perhitungan reward dapat menggunakan faktor diskonto maupun tanpa faktor diskonto. 5
Kebijakan optimal Suatu kebijakan terbaik dari sekian banyak tindakan yang mungkin, sebagai hasil menjalankan serangkaian proses pengambilan keputusan. Secara matematis dinyatakan sebagai himpunan semua keputusan di setiap state yang memberikan reward maksimal atau cost minimal (Rosadi 2000).
6
Ekspektasi reward Ekspektasi reward adalah pengembalian yang diperkirakan dan dihasilkan dari satu transisi pada keadaan i dengan tindakan k. Ekspektasi ∑ reward dilambangkan dengan . Kebijakan optimal adalah kebijakan yang menghasilkan keuntungan terbesar dilambangkan .
4 7 Aplikasi pada masalah manajerial Solusi yang didapatkan oleh Hidayah (2013) pada masalah manajerial dengan konsep proses keputusan Markov menggunakan algoritme DiscountedReturn Policy-Improvement memberikan keuntungan optimal. Beberapa metode dalam proses keputusan Markov yaitu, enumerasi lengkap (iterasi nilai), formulasi pemrograman linear, dan metode iterasi kebijakan (policy iteration method). Dalam karya ilmiah ini metode yang digunakan adalah enumerasi lengkap, policy iteration dengan algoritma perbaikan kebijakan, dan formulasi pemrograman linear baik dengan maupun tanpa faktor diskonto. Faktor diskonto adalah pengali untuk menghitung nilai uang yang akan datang bila dinilai dalam waktu sekarang. Faktor diskonto yang digunakan dalam karya ilmiah ini sebesar 0.7.
APLIKASI DI BIDANG PERTANIAN Aplikasi Model Pemrograman Dinamis Tahap Terhingga Penerapan pemrograman dinamis (DP) untuk pemecahan suatu proses keputusan stokastik dapat dijabarkan oleh sejumlah state yang terhingga. Probabilitas transisi antara state dijabarkan dengan sebuah rantai Markov. Keuntungan (reward) dari proses ini juga dijabarkan oleh sebuah matriks dengan elemen-elemen individual yang merepresentasikan keuntungan atau biaya yang dihasilkan oleh pergerakan dari satu state ke state lainnya. Setiap tahap, di awal musim tanam, petani menggunakan pengujian kimia untuk memeriksa kondisi tanah. Dari hasil pengujian tersebut, produktivitas sawah untuk setiap musim dikelompokkan dengan kategori baik (state 1), sedang (state 2), dan buruk (state 3). Selama beberapa tahap, petani hanya melihat bahwa produktivitas tahap yang akan datang dapat diasumsikan hanya bergantung pada kondisi tanah sekarang. Probabilitas transisi dalam 1 tahap dari satu state produktivitas ke state lainnya dengan tindakan tanpa menggunakan pupuk dapat dipresentasikan dalam bentuk rantai Markov berikut State yang akan datang State sekarang (
).
Jika petani melakukan tindakan yaitu menggunakan pupuk untuk memperbaiki kondisi tanah, yang menghasilkan matriks transisi (
).
Untuk setiap tindakan yang diambil petani tersebut terdapat pengembalian keuntungan (reward) dengan transisi dari satu state ke state lainnya.
5 Pengembalian tersebut adalah keuntungan atau kerugian dalam periode 1 tahap, bergantung pada state yang terjadi dalam transisi. Matriks dan adalah fungsi pengembalian dalam jutaan rupiah yang berkaitan dengan matriks dan secara berturut-turut. (
)
(
).
Jika petani menggunakan pupuk hanya saat kondisi tanah buruk (state 3) atau tindakan 3. Kebijakan yang menyatakan penggunaan pupuk hanya ketika kondisi tanah buruk, matriks transisi dan matriks reward yang dihasilkan, P dan R adalah (
)
(
).
Petani merencanakan untuk “Berhenti bekerja” setelah N tahap, sehingga optimisasinya adalah akumulasi keuntungan tertinggi yang diperoleh petani di akhir N tahap. Tindakan yang tersedia bagi petani k = 1 dan k = 2 dengan adalah probabilitas transisi untuk tindakan k dan adalah fungsi pengembalian untuk tindakan k. Jumlah state untuk setiap tahap adalah m = 3 dan definisikan adalah keuntungan optimal yang diperkirakan untuk tahap n, dengan diketahui kondisi tanah di awal tahap n adalah i. Persamaan rekursif mundur yang mengaitkan dan dapat ditulis 𝑓𝑛 𝑖
𝑘
𝑘 𝑘 ∑𝑚 𝑝𝑖𝑗 𝑟𝑖𝑗 𝑗
𝑓𝑛
𝑗
𝑛
𝑁 dengan 𝑓𝑁 𝑗 = 0.
, Persamaan ini menyatakan bahwa keuntungan kumulatif, yang dihasilkan dari tercapainya state j di tahap dari state i di tahap n . Jika terjadi dengan probabilitas mewakili pengembalian yang diperkirakan dan dihasilkan dari satu transisi dari state i dengan diketahui ∑ dapat ditulis sebagai . tindakan k, maka Persamaan rekursif pemograman dinamik dapat ditulis sebagai
{
∑
}
Berikut perhitungan untuk mengevaluasi tindakan 1 (tanpa menggunakan pupuk) dan tindakan 2 (menggunakan pupuk) = 0.1(7) + 0.5(6) + 0.4(3) = 4.9 = 0 + 0.4(5) + 0.6(1) = 2.6 = 0 + 0 + 1( 1) = 1 = 0.2(6) + 0.6(4) + 0.2( 1) = 3.4 = 0.1(7) + 0.6(4) + 0.3(0) = 3.1 = 0.05(6)+ 0.45(3) + 0.5( 2) = 0.65
6 Jika kondisi tanah baik (state 1) dengan tindakan tanpa menggunakan pupuk di awal tahap, satu transisi diperkirakan menghasilkan reward 4.9, sedangkan jika petani menggunakan pupuk maka akan menghasilkan reward 3.4. Tabel 1 Nilai-nilai i 1 2 3
4.9 2.6 1.0
3.4 3.1 0.65
Tahap 3 (n = 3) Tabel 2 Hasil perhitungan
pada n = 3 Kebijakan optimal
State
i
k=1
k=2
1 2 3
4.9 2.6 1.0
3.4 3.1 0.65
4.9 3.1 0.65
1 2 2
adalah kebijakan optimal pada saat kondisi tanah ke i. Tahap 2 (n = 2) Tabel 3 Hasil perhitungan
pada n = 2 Kebijakan optimal
i
k=1 1 4.9+0.1(4.9)+0.5(3.1)+ 0.4(0.65)=7.2 2 2.6+0(4.9)+0.4(3.1)+ 0.6(0.65)=4.23 3 1+0(4.9)+0(3.1)+ 1(0.65) = 0.35
k=2 3.4+0.2(4.9)+0.6(3.1)+ 0.2(0.65)=6.37 3.1 +0.1(4.9)+0.6(3.1)+ 0.3(0.65)=5.645 0.65+0.05(4.9)+ 0.45(3.1)+0.5(0.65) =2.615
7.2
1
5.645
2
2.615
2
Tahap 1 (n = 1) Tabel 4 Hasil perhitungan i
k=1 1 4.9+0.1(7.2)+0.5(5.645) + 0.4(2.615)=9.4885 2 2.6+0(7.2)+0.4(5.645)+ 0.6(2.615)=6.427 3 1+0(7.2)+0(5.645)+ 1(2.615)=1.615
pada n = 1 Kebijakan optimal
k=2 3.4+0.2(7.2)+0.6(5.645)+ 0.2(2.615)=8.75 3.1+0.1(7.2)+0.6(5.645)+ 0.3(2.615)=7.992 0.65+0.05(7.2)+ 0.45(5.645)+ 0.5(2.62)=4.86
9.489
1
7.992
2
4.86
2
7 Kebijakan optimal dari masalah ini adalah setiap tahap petani sebaiknya tidak menggunakan pupuk ( = 1) saat tanah dalam state baik (state) 1, tetapi menggunakan pupuk saat tanah dalam state sedang atau buruk (state 2 atau 3). Reward (keuntungan) yang diperkirakan untuk tiga tahap adalah = 7.992 jika sedang, dan = 9.489 jika state tanah dalam tahap 1 baik, = 4.86 jika buruk. Selanjutnya untuk mengevaluasi tindakan 3 yang menyatakan penggunaan pupuk hanya saat kondisi tanah buruk (state 3) (
)
i
(
).
= 0.1(7) + 0.5(6) + 0.4(3) = 4.9 = 0 + 0.4(5) + 0.6(1) = 2.6 = 0.05(6) + 0.45(3) + 0.5( 2) = 0.65. Tabel 5 Nilai-nilai 3
1 2 3
4.9 6.95 8.566 2.6 4.03 5.646 0.65 2.39 4.006 = 4.9; = 2.6; = 0.65 = 4.9 + 0.1(4.9) + 0.5(2.6) + 0.4 (0.65) = 6.95 = 2.6 + 0(4.9) + 0.4(2.6) + 0.6 (0.65) = 4.03 = 0.65 + 0.05 (4.9) + 0.45(2.6) + 0.5(0.65) = 2.39 = 4.9 + 0.1 (6.95) + 0.5(4.03) + 0.4(2.39) = 8.566 = 2.6 + 0 (6.95) + 0.4(4.03) + 0.6(2.39) = 5.646 = 0.65 + 0.05(6.95) + 0.45 (4.03) + 0.5(2.39) = 4.006 Reward yang diperkirakan untuk tiga tahap dengan tindakan menggunakan pupuk saat state buruk adalah 8.566 jika tanah dalam tahap 1 baik, = 5.646 jika sedang, dan 4.006 jika buruk. Dari perhitungan ini, dapat disimpulkan bahwa akan lebih menguntungkan jika menggunakan pupuk saat kondisi tanah sedang dan buruh dibandingkan hanya menggunakan pupuk saat kondisi tanah buruk saja. Aplikasi Model Pemrograman Dinamis Tahap Takhingga Evaluasi penentuan kebijakan jangka panjang model tahap takhingga dari sebuah masalah keputusan Markov didasarkan dari sebuah kebijakan berdasarkan pemaksimuman keuntungan yang diperkirakan per periode transisi. Dalam masalah pertanian, pemilihan kebijakan terbaik untuk tahap takhingga didasari oleh keuntungan maksimum yang diperkirakan per tahap. Terdapat tiga metode untuk memecahkan permasalahan model tahap takhingga yaitu 1 Enumerasi (pendaftaran) lengkap, dengan cara mengevaluasi setiap kebijakan maka kebijakan optimal dapat ditentukan. Metode ini dapat digunakan jika kebijakan sedikit.
8 2 Iterasi kebijakan, yaitu menentukan kebijakan optimal dengan beberapa iterasi. 3 Penyelesain pemrograman linear, yaitu merubah kondisi rantai Markov dalam bentuk kendala linear. Formulasi LP cukup menarik, tetapi tidak efisien secara perhitungan jika dibandingkan dengan algoritma iterasi kebijakan. Untuk permasalahan dengan K tindakan dan state, model LP akam memiliki ( ) kendala dan variabel Metode Enumerasi Lengkap Misalkan masalah keputusan ini memiliki S kebijakan, dan adalah matriks transisi dan matriks keuntungan yang berkaitan dengan kebijakan ke- , 1, 2, …, S. Langkah-langkah dari enumerasi sebagai berikut 1 Hitung keuntungan satu langkah (satu periode) yang diperkirakan dari kebijakan k dengan diketahui state ke-i, i = 1, 2, …, m. 2 Hitung , probabilitas jangka panjang dari matriks transisi yang berkaitan dengan kebijakan k. Probabilitas dihitung dari persamaan dengan
dan
3 Tentukan keuntungan yang diperkirakan dari kebijakan k per periode, ∑ dengan menggunakan rumus 4 Tentukan kebijakan optimal sehingga menghasilkan keuntungan yang maksimum atau biaya yang minimum (Taha 1987). Masalah Petani dengan Tahap Perencanaan Periode Takhingga Tabel 6 Kebijakan yang terjadi Kebijakan
Tindakan
1
Tidak menggunakan pupuk
2
Menggunakan pupuk tanpa bergantung pada state
3
Menggunakan pupuk ketika state 3
4
Menggunakan pupuk ketika state 2
5
Menggunakan pupuk ketika state 1
6
Menggunakan pupuk ketika state 1 atau 2
7
Menggunakan pupuk ketika state 1 atau 3
8
Menggunakan pupuk ketika state 2 atau 3
Matriks dan untuk kebijakan 3 sampai 8 didapatkan dari matriks untuk kebijakan 1 dan 2.
9 )
(
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
(
)
Tabel 7 Nilai-nilai Kebijakan
setiap state State
i=1
i=2
i=3
1
4.9
2.6
1
2
3.4
3.1
0.65
3
4.9
2.6
0.65
4
4.9
3.1
1
5
3.4
2.6
1
6
3.4
3.1
1
7
3.4
2.6
0.65
8
4.9
3.1
0.65
10 Perhitungan dari probabilitas tersebut dicapai dengan menggunakan persamaan
Sebagai ilustrasi, saat = 2. Persamaannya adalah 0.2 + 0.1 + 0.05 = 0.6 + 0.6 + 0.45 = 0.2 + 0.3 + 0.5 = + + maka didapatkan = , = , = . Keuntungan yang diperoleh per 1
∑ tahap adalah = [ 1(3.4) 6(3.1) 4( .65 ]= 2.236. Hasil 11 perhitungan lainnya disajikan dalam Tabel 8 (proses perhitungan terdapat pada Lampiran 1). Tabel 8 Nilai dan semua kebijakan
1
0
0
1
2
1/11
6/11
4/11
2.236
3
3/100
43/100
54/100
1.616
4
0
0
1
1
5
0
0
0
1
6
0
0
1
1
7
1/30
13/30
16/30
1.587
8
13/161
86/161
62/161
2.302
1
Tabel ini menunjukkan bahwa kebijakan 8 menghasilkan keuntungan per tahap yang diperkirakan terbesar. Akibatnya, kebijakan jangka panjang yang optimal adalah dengan menggunaan pupuk saat tanah dalam kondisi sedang atau buruk. Jika metode enumerasi lengkap diterapkan untuk masalah petani dengan 4 arah tindakan yaitu tidak menggunakan pupuk, menggunakan pupuk satu kali selama musim tersebut, menggunakan pupuk dua kali, dan menggunakan pupuk tiga kali, maka petani secara keseluruhan memiliki 43 = 256 kebijakan. Mencari solusi optimal dengan metode enumerasi dari semua kebijakan secara eksplisit sulit dan jumlah perhitungan yang terlibat dalam evaluasi kebijakan sangat besar. Untuk mengatasi hal ini maka dikembangkan metode iterasi kebijakan. Metode Iterasi Kebijakan Pengembalian total yang diperkirakan di tahap persamaan rekursif ∑
dinyatakan dengan .
11 Persamaan rekursif ini adalah dasar untuk pengembangan metode iterasi kebijakan. Untuk melihat asimtot, persamaan ini harus dimodifikasi terlebih dahulu. Misalkan sebagai jumlah tahap yang tersisa untuk dipertimbangkan, ) adalah keuntungan kumulatif yang diperkirakan dan berbeda dengan dalam persamaan di atas, yang mendefinisikan tahap ke- . Jadi, persamaan rekursif dapat ditulis ∑ . Dengan definisi baru, perilaku asimtot dapat diketahui dengan menganggap →∞. Vektor = ( , adalah probabilitas steady-state dari matriks transisi = dan = +... + adalah keuntungan yang diperkirakan per tahap. Untuk yang sangat besar, dengan adalah konstanta Nilai adalah pengembalian yang mewakili titik potong asimtot dari optimal kumulatif untuk tahap pada state i dan E adalah pengembalian yang diperkirakan per tahap, maka sama dengan ditambah faktor koreksi yang memperhitungkan state i. Hasil ini mengasumsikan bahwa sangat besar. Dengan demikian, persamaan rekursif dapat ditulis sebagai ∑ Secara sedehana persamaan rekursif dapat ditulis sebagai ∑ E yang menghasilkan persamaan dan variabel yang tidak diketahui, dengan dan adalah variabel yang tidak diketahui. Nilai E yang optimal tidak dapat ditentukan dalam satu langkah, karena terdapat persamaan dengan variabel yang tidak diketahui. Oleh karena itu, suatu pendekatan iteratif merupakan salah satu cara mendapatkan nilai E optimal. Pendekatan iteratif diawali dengan mengambil satu kebijakan secara sembarang, kemudian menentukan suatu kebijakan baru yang menghasilkan nilai E yang lebih baik. Proses iteratif berhenti jika ada dua kebijakan yang berturutturut identik. Proses iteratif ini terdiri dari dua komponen dasar yaitu penentuan nilai (value determination) dan perbaikan kebijakan (policy improvement). 1 Penentuan nilai Pilih satu kebijakan k secara sembarang. Gunakan matriks dan yang berkaitan dan asumsikan bahwa = 0, ∑ dengan variabel yang tidak diketahui dilanjutkan ke tahap perbaikan kebijakan. 2
,
,…,
dan
Langkah perbaikan kebijakan Untuk setiap state i, tentukan tindakan k yang menghasilkan {
∑
}
.
Iterasi
12 Nilai-nilai , = , adalah nilai-nilai yang ditentukan dalam langkah penentuan nilai. Kebijakan untuk state membentuk kebijakan baru . Jika dan adalah identik, maka iterasi berhenti dan adalah optimal. Jika tidak identik, tetapkan dan kembali ke langkah penentuan nilai. Persamaan ∑ tidak bergantung pada tindakan pemaksimuman di semua tindakan setara dengan masalah pemaksimuman dalam langkah perbaikan kebijakan (Taha 1987).
Metode Iterasi Kebijakan tanpa Diskonto Iterasi 1 Dengan mengambil menggunakan pupuk maka (
kebijakan
sembarang
)
yang
menyatakan
(
tidak
).
Persamaan dalam langkah iterasi nilai adalah
. Dengan menganggap , maka solusinya , , (proses perhitungan terdapat pada Lampiran 2). Tabel 9 Hasil iterasi kebijakan tanpa diskonto pada iterasi pertama Tindakan i 1 2 3
=1 4.9+0.1(9.89)+0.5(6)+0.4(0) = 3.4+0.2(9.89)+0.6(6)+0.2(0) 8.889 = 8.978 2.6+0(9.89)+0.4(6)+ 0.6(0) = 5 3.1+0.1(9.89)+0.6(6)+0.3(0) = 7.689 1.0+0(9.89)+0(6)+1(0) = 1 0.65+0.05(9.89)+0.45(6)+ 0.5(0) = 3.845
Kebijakan optimal 8.978
2
7.689
2
3.845
2
Kebijakan baru ini menyatakan penggunaan pupuk tidak bergantung pada state. Kebijakan baru ini berbeda dari kebijakan sebelumnya, maka langkah penentuan nilai dilakukan kembali. Iterasi 2 Persamaan-persamaan dari kebijakan sebelumnya
Dengan solusi persamaan perhitungan terdapat pada Lampiran 2).
(proses
13 Tabel 10 Hasil iterasi kebijakan tanpa diskonto pada iterasi kedua Kebijakan optimal
Tindakan
=1 4.9+0.1(3.78)+0.5(3.105)+ 3.4+0.2(3.78)+0.6(3.105)+ 6.83 1 0.4(0) = 6.83 0.2(0) = 6.019 2 2.6+0(3.78)+0.4(3.105)+ 3.1+0.1(3.78)+0.6(3.105)+ 5.34 2 0.6(0) = 3.842 0.3(0) = 5.34 3 1.0+0(3.78)+0(3.105)+1(0) = 0.65+0.05(3.78)+ 2.24 2 0.45(3.105)+0.5(0)=2.24 1 Kebijakan baru menyatakan penggunaan pupuk tidak bergantung pada state saat kondisi tanah dalam state sedang atau buruk (state 2 atau 3) dan tidak menggunakan pupuk saat kondisi tanah baik. Kebijakan berbeda dengan kebijakan pada iterasi 1, maka iterasi dilanjutkan. i 1
Iterasi 3 Persamaan-persamaan dari kebijakan sebelumnya {1,2,2} yaitu . (proses
Dengan solusi persamaan perhitungan terdapat pada Lampiran 2). Tabel 11 Hasil iterasi kebijakan tanpa diskonto pada iterasi ketiga Tindakan
Kebijakan optimal
=1 4.9+0.1(4.64)+0.5(3.155)+ 3.4+0.2(4.64)+0.6(3.155)+ 6.94 1 0.4(0) = 6.94 0.2(0) = 6.221 2 2.6+0(4.64)+0.4(3.155)+ 3.1+0.1(4.64)+0.6(3.155)+ 5.46 2 0.6(0) = 3.862 0.3(0) = 5.46 3 1.0+0(4.64)+0(3.155)+1(0) = 0.65+0.05(4.64)+ 2.3 2 0.45(3.155)+ 0.5(0) = 2.3 1 Kebijakan baru menyatakan penggunaan pupuk tidak bergantung pada state saat kondisi tanah dalam state sedang atau buruk (state 2 atau 3) dan tidak menggunakan pupuk saat kondisi tanah baik. Kebijakan ini sama dengan sebelumnya maka proses iteratif berhenti. Jadi kebijakan optimal dengan metode iterasi kebijakan sama dengan kebijakan yang diperoleh dengan metode enumerasi lengkap. i 1
Metode Iterasi Kebijakan dengan Diskonto Dengan α < 1 adalah faktor diskonto, persamaan rekursif tahap terhingga dapat ditulis sebagai
14 {
∑
}
Dapat dibuktikan bahwa untuk →∞ (tahap takhingga), , dengan adalah nilai sekarang (yang didiskonto) dari keuntungan yang diperkirakan ketika sistem berada dalam state ke- dan berjalan dalam tahap waktu yang takhingga. Hal ini berlawanan dengan kasus tanpa diskonto, dimana . Dalam kasus diskonto, pengaruh keuntungan masa mendatang akan menurun menjadi nol. Jadi pada kenyataannya, nilai sekarang akan mendekati nilai konstan saat →∞. Langkah kebijakan iterasi dengan diskonto dimodifikasi sebagai berikut 1 Langkah penentuan nilai. Untuk sebuah kebijakan sembarang k dengan ∑ dan , . matriks 2 Langkah perbaikan kebijakan. Untuk setiap tahap i, tentukan tindakan k yang menghasilkan {
∑
}
dengan adalah nilai-nilai yang diperoleh dari langkah penentuan nilai. Jika kebijakan yang dihasilkan s sama dengan k, maka iterasi berhenti. Jadi adalah kebijakan optimal. Jika tidak sama, tetapkan s = k dan kembali ke langkah penentuan nilai (Taha 1987). Dalam kasus yang sama, dengan faktor diskonto α = 0.7. Iterasi 1 Misalkan kebijakan awal k = {1,1,1}. Matriks P dan R menghasilkan persamaan [ ] [ ] [ ] didapatkan solusinya (proses perhitungan terdapat pada Lampiran 3). Tabel 12 Hasil iterasi kebijakan dengan diskonto iterasi pertama [
] Tindakan
=1 1 4.9+0.7[0.1(4.89)+0.5(1.67)+ 0.4( 3.33)] = 4.89 2 2.6+0.7[0(4.89) + 0.4(1.67)+ 0.6( 3.33)] = 1.67 3 1.0 + 0.7[0(4.89) + 0(1.67) +1( 3.33)] = 3.33 i
Kebijakan optimal
k=2 3.4+ 0.7[0.2(4.89)+0.6(1.67) +0.2( 3.33)] = 4.32 3.1+0.7[0.1(4.89)+0.6(1.67)+ 0.3( 3.33)] = 3.44 0.65+0.7[0.05(4.89)+ 0.45(1.67)+ 0.5( 3.33)]=0.18
4.89
1
3.44
2
0.18
2
15 Kebijakan baru yang didapat adalah {1,2,2} berbeda dengan kebijakan awal {1,1,1}, maka iterasi dilanjutkan. Iterasi 2 Langkah penentuan nilai dari kebijakan {1,2,2} menghasilkan persamaanpersamaan [ ] [ ] [ ] didapatkan solusinya (proses perhitungan terdapat pada Lampiran 3). Tabel 13 Hasil iterasi kebijakan dengan diskonto iterasi kedua [
] Tindakan
Kebijakan optimal
i k=2 =1 1 4.9+0.7[0.1(10.26)+0.5(8.67)+ 3.4+0.7[0.2(10.26)+0.6(8.67) 10.26 1 0.4(5.75)] = 10.26 +0.2(5.75)] = 9.28 2 2.6+0.7[0(10.26) + 0.4(8.67)+ 3.1+0.7[0.1(10.26)+0.6(8.67) 8.67 2 0.6(5.75)] = 7.44 +0.3(5.75)] = 8.67 3 1.0 +0.7[0(10.26) + 0(8.67) + 0.65+0.7[0.05(10.26)+ 5.75 2 0.45(8.67)+ 0.5(5.75)] = 5.75 1(5.75)] = 3.025 Kebijakan baru {1,2,2} identik dengan kebijakan sebelumnya {1,2,2} maka iterasi berhenti. Oleh karena itu kebijakan ini optimal. Kebijakan diskonto menghasilkan kebijakan optimal yang sama dengan kebijakan tanpa diskonto, tetapi ini tidak berlaku secara umum. Penyelesaian Pemrograman Linear untuk Masalah Keputusan Markov Masalah keputusan Markov tahap takhingga, dengan ataupun tanpa menggunakan faktor diskonto, dapat dirumuskan dan diselesaikan sebagai sebuah pemrograman linear. Masalah Keputusan Markov tanpa Diskonto Masalah keputusan Markov tahap takhingga tanpa diskonto pada akhirnya menyempit menjadi masalah penentuan kebijakan optimal , yang bersesuaian dengan ∑
dan adalah kumpulan dari semua kebijakan yang mungkin terjadi. Batasan dari masalah ini adalah , mewakili probabilitas steady-state dari
16 rantai Markov . Secara spesifik, setiap kebijakan k dinyatakan dengan sekelompok tindakan. Jadi, masalah ini dapat diekspresikan sebagai E =∑ (∑ ) dengan kendala ∑
dan k dengan adalah probabilitas kondisional dari memilih tindakan k dengan sistem berada dalam state i dan adalah fungsi dari kebijakan yang dipilih, oleh karena itu merupakan fungsi dari tindakan spesifik k dari kebijakan tersebut. Didefinisikan , untuk semua i dan k. Berdasarkan definisinya, mewakili probabilitas gabungan dalam state i dan membuat keputusan k. Dari ∑
teori probabilitas
maka
∑
. Jadi kendala ∑
dapat ditulis sebagai ∑ ∑ dan kendala batasan ∑ dalam bentuk . Jadi masalah ini dapat ditulis sebagai ∑∑ dengan kendala ∑
∑∑ ∑∑
Model yang dihasilkan ini merupakan sebuah pemrograman linear dalam Solusi optimalnya secara otomatis menjadi untuk satu k untuk setiap i. Pemrograman linear ini memiliki persamaan bebas. Oleh karena itu, masalah ini harus memiliki variabel dasar. Nilai harus positif untuk paling sedikit satu k untuk setiap i. Dari kedua hasil ini, dapat disimpulkan bahwa ∑
hanya dapat memiliki nilai biner (0 atau 1), seperti yang
diharapkan. Dapat dilihat bahwa
adalah tindakan yang bersesuaian dengan
Formulasi LP untuk masalah petani tanpa diskonto maksimumkan dengan kendala
17
, untuk semua i dan k. Solusi optimalnya adalah dan 13/161, . Jadi, 86 161, dan = 62/161. Hasil ini berarti bahwa kebijakan optimalnya yaitu melakukan tindakan 1 (tidak memberi bubuk saat kondisi tanah baik) dan melakukan tindakan 2 (memberi pupuk) i = 2 dan 3. Nilai optimal dari E adalah 2.3018. Nilai-nilai dari sama dengan nilai-nilai yang berkaitan dengan kebijakan optimal (kebijakan 8) dalam metode enumerasi lengkap. Hal ini menunjukkan adanya hubungan langsung antara metode enumerasi lengkap dan pemrograman linear. Masalah Keputusan Markov dengan Diskonto Masalah ini diekspresikan dengan persamaan rekursif {
∑
}
∑ Persamaan ini setara dengan dengan ketentuan ∑ bahwa mencapai nilai minimum untuk setiap i dan fungsi tujuan dengan adalah konstanta sembarang. Jadi masalah ini dapat ditulis sebagai ∑ dengan kendala ∑ dan k tidak terbatas, i = 1, 2, …, m. Masalah dual dari masalah ini adalah ∑∑ dengan kendala ∑
∑
, untuk i = 1, 2, …, m; k = 1,2, …, K (Taha 1987). Fungsi tujuan memiliki bentuk yang sama seperti kasus tanpa diskonto, sehingga dapat diinterpretasikan dengan cara yang sama. Pada permasalahan yang sama dan faktor diskonto α = 0.7, misalkan , masalah dual dari LP ini dapat ditulis sebagai maksimumkan dengan kendala
18 ( ) , untuk semua i dan k. Solusi optimalnya adalah . Solusi ini memperlihatkan bahwa kebijakan optimal adalah {1,2,2}. Nilai optimal dari E adalah 24.6805.
SIMPULAN DAN SARAN Simpulan Sebuah permasalahan untuk menduga state di masa mendatang yang diasumsikan hanya bergantung pada state sekarang seperti kasus dalam karya ilmiah ini dapat dirumuskan dalam suatu model stokastik dengan mendifinisikan state, tindakan dan reward. Untuk aplikasi di bidang pertanian, reward diasumsikan berasal dari keuntungan dan diasumsikan biaya pemeriksaan kondisi tanah setiap tahap tidak ada. Model stokastik tersebut dapat digunakan untuk menentukan keuntungan (reward) optimal, sehingga dengan keuntungan yang optimal ini petani dapat mengambil tindakan yang seharusnya dilakukan. Proses keputusan Markov adalah model matematika yang bisa digunakan untuk menyelesaikan penentuan pengambilan keputusan seperti kasus dalam penentuan tindakan di bidang pertanian ini. Tindakan yang bisa dilakukan dalam kasus ini adalah memberikan pupuk dan tidak memberikan pupuk. Adanya faktor diskonto dapat menghasilkan perubahan dalam kebijakan optimal, dibandingkan dengan kasus tanpa diskonto, tetapi dalam kasus ini faktor diskonto tidak mempengaruhi kebijakan optimal. Saran Penulisan karya ilmiah ini menggunakan faktor diskonto hipotetik dan data yang digunakan sederhana maka karya ilmiah ini dapat dikembangkan dengan menyesuaikan antara data dengan faktor diskonto yang berlaku saat itu.
DAFTAR PUSTAKA Grimmet GR, Stirzaker DR. 1992. Probability and Random Processes. Ed ke-2. Oxford (GB): Clarendon Press. Heymen DP, Sobel MJ. 2004. Stochastic Models in Operation Research. Volume ke-2. New York (US): Publications.inc.Mineola. Hidayah N. 2013. Penyelesain Masalah Manajerial dengan Metode Iterasi Kebijakan pada Discounted Markov Decision Processes [skripsi]. Bogor: Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
19 Rosadi D. 2000. Pengambilan Keputusan Markov dan Aplikasinya di Bidang Periklanan. Integral. 5(2): 75-82. Taha HA. 2011. Operations Research An Introduction. Volume ke-9. New York (US): Macmillan Publishing Company. Taylor HM, Karlin S. 1998. An Introduction to Stochastic Modeling. Ed ke-3. San Diego (US): Academic Press. Tijms HC. 1994. Stochastic Models: An Algorithmic Approach. Amsterdam (NL): John Wiley and Sons.
20 Lampiran 1 Keuntungan per tahap kebijakan tahap takhingga =1 0.1 = = 0.5 + 0.4 0.4 + 0.6 + = + + maka solusi dari persamaan ini adalah = = 0. Keuntungan yang ∑ diperoleh per tahap = 0(4.9) + 0(2.6) + 1( 1) = 1. =2 0.2 + 0.1 + 0.05 = 0.6 + 0.6 + 0.45 = 0.2 + 0.3 + 0.5 = + + maka solusi dari persamaan ini adalah diperoleh per tahap adalah
1
=
11
,
=
,
=
,
=
=
,
=
. Keuntungan
= 1 [3(4.9) + 43(2.6) + 54(0.65)]=1.616.
=5 0.2 = 0.6 + 0.4 = 0.2 + 0.6 + = + + maka solusi dari persamaan ini adalah = 0, = 0, diperoleh per tahap = 0(3.4) + 0(2.6) + 1( 1) = 1.
= = +
. Keuntungan yang
1
=4 = 0.1 + 0.1 0.5 + 0.6 = 0.4 + 0.3 + = + + maka solusi dari persamaan ini adalah = 0, = 0, diperoleh per tahap = 0(4.9) + 0(3.1) + 1( 1) = 1.
=6 0.2 + 0.1 0.6 + 0.6 0.2 + 0.3
=
[ 1(3.4) 6(3.1) 4( .65 ] = 2.236
=3 = 0.1 + 0.05 0.5 + 0.4 + 0.45 = 0.4 + 0.6 + 0.5 = + + maka solusi dari persamaan ini adalah yang diperoleh per tahap
=
= 1. Keuntungan yang
= 1. Keuntungan yang
21 + + maka solusi dari persamaan ini adalah = 0, = 0, diperoleh per tahap = 0(3.4) + 0(3.1) + 1( 1) = 1. =7 0.2 0.6 0.2 + maka
+ 0.05 = + 0.4 + 0.45 = + 0.6 + 0.5 = + solusi dari persamaan ini adalah
diperoleh per tahap
=
,
=
,
= 1. Keuntungan yang
=
. Keuntungan yang
1
= 3 [1(3.4) + 13(2.6) + 16(0.65)]=1.587.
=8 0.1 + 0.1 + 0.05 = 0.5 + 0.6 + 0.45 = 0.4 + 0.3 + 0.5 = + + maka solusi dari persamaan ini adalah yang diperoleh per tahap
1
=
,
=
,
=
. Keuntungan
= 161[13(4.9) + 86(3.1) + 62(0.65)] =2.30.
22 Lampiran 2 Proses perhitungan pada metode iterasi kebijakan tanpa diskonto Iterasi pertama (1) (2) (3) Dengan menganggap =0, maka dari persamaan (3) diperoleh E = Subtitusi ke persamaan (2) yaitu 1 + 0.6 = 2.6, maka = 6. 0.5(6) = 4.9, maka Subtitusi ke persamaan (1) yaitu 1 + 0.9
1. = 9.89.
Iterasi kedua
Dengan menganggap
= 0, maka persamaan berubah menjadi (4) (5) (6)
Eliminasi persamaan (4) dan (5)
(7) Eliminasi persamaan (5) dan (6)
(8) Eliminasi persamaan (7) dan (8) 0.85 1
+
sehingga dengan subtitusi diperoleh
.
Iterasi ketiga
Proses perhitungan sama dengan proses pada iterasi 2. Hasil perhitungannya yaitu .
23 Lampiran 3 Proses perhitungan pada metode iterasi kebijakan dengan diskonto Iterasi pertama [ ] [ ] [ ] Dari persamaan (11) didapat 0.3 = , maka . Subtitusi ke persamaan (10) yaitu 0.72 0.42( 3.33) = 2.6 maka Subtitusi ke persamaan (9) yaitu 0.93 maka . Iterasi kedua [ 0.93 [
(9) (10) (11) . ,
] (12) ]
0.07
(13) [
]
0.035
(14)
Eliminasi persamaan (12) dan (13) 0.93 0.07 0.0651 0.0651 0.5149
+ 0.5394
0.1953
0.07 0.93
= 2.883
+ (15)
Eliminasi persamaan (13) dan (14) 0.07 0.035
0.5 1
0.035 0.035 0.605
(16)
Eliminasi persamaan (15) dan (16) 0.5149 0.605
0.605 0.5149
0.31 0.31 0.259
= 1.48832 = 8.67 sehingga dengan subtitusi diperoleh
=1 .26,
= 5.75.
24
RIWAYAT HIDUP Penulis dilahirkan di Belitung Timur pada tanggal 31 Oktober 1992 dari ayah Rinto dan ibu Khusaenah. Penulis adalah putri kedua dari dua bersaudara. Tahun 2010 penulis lulus dari SMA Negeri 1 Kelapa Kampit dan pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Beasiswa Utusan Daerah IPB dan diterima di Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti perkuliahan, penulis aktif mengajar mata kuliah Landasan Matematika, Pengantar Matematika dan Kalkulus di bimbingan belajar dan privat mahasiswa GUMATIKA dan MAFIA CLUBS . Penulis pernah menjadi asisiten mata kuliah Persamaan Diferensial Parsial, Pemograman Tak Linear dan Proses Stokastik Dasar. Penulis juga pernah aktif sebagai staf divisi keilmuan GUMATIKA selama dua periode kepengurusan.
