Analisis Dinamik Model Matematika Penyebaran Penyakit Menular Tipe SEIS Melalui Transportasi...
-
Upload
m-ivan-ariful-fathoni -
Category
Documents
-
view
25 -
download
4
description
Transcript of Analisis Dinamik Model Matematika Penyebaran Penyakit Menular Tipe SEIS Melalui Transportasi...
1
ANALISIS DINAMIK MODEL MATEMATIKA
PENYEBARAN PENYAKIT MENULAR TIPE SEIS
MELALUI TRANSPORTASI ANTAR-DUA KOTA
M. Ivan Ariful Fathoni
Jurusan Matematika, F.MIPA, Universitas Brawijaya, Malang, Indonesia
Email: [email protected]
Abstrak. Pada artikel ini dibahas model matematika tipe SEIS (Susceptible Exposed Infective Susceptible) untuk
menggambarkan penyebaran penyakit melalui transportasi antar-dua kota. Dari hasil analisis, titik kesetimbangan
yang diperoleh yaitu titik bebas penyakit dan endemi. Syarat keberadaan dan kestabilan titik kesetimbangan
ditentukan oleh angka reproduksi dasar yang dicari dengan menggunakan metode pendekatan operator generasi
selanjutnya. Titik kesetimbangan bebas penyakit selalu ada, serta bersifat stabil jika angka reproduksi dasar lebih
kecil atau sama dengan satu, sedangkan titik kesetimbangan endemi hanya ada dan bersifat stabil jika angka
reproduksi dasar lebih besar dari satu. Pada artikel ini juga dibahas kasus lain dengan pembatasan populasi yang
bepergian. Selanjutnya, untuk mengetahui pengaruh dari transportasi, dilakukan analisis perubahan laju penularan
melalui transportasi. Pada bagian akhir dilakukan simulasi numerik untuk mengilustrasikan hasil analisis yang diperoleh.
Kata Kunci: sistem dinamik, SEIS, transportasi, operator generasi selanjutnya, titik kesetimbangan, kestabilan.
1. PENDAHULUAN
Penyakit menular adalah penyakit yang disebabkan oleh sebuah agen biologi. Beberapa jenis
penyakit menular seperti SARS dan Penyakit Tangan, Kaki, dan Mulut, transportasi atau perjalanan
antarwilayah merupakan faktor penting dalam proses penyebaran penyakit tersebut.
Dalam beberapa literatur telah dibahas beberapa model penyebaran penyakit menular
antarwilayah, seperti model dengan perjalanan antar-dua populasi, yaitu kasus transmisi campak di
pulau Karibia (Sattenspiel dan Dietz, 1995), serta model epidemi tipe SIS (Susceptible Infective
Susceptible) dengan penularan melalui transportasi (Cui, dkk., 2006). Beberapa penyakit menular
memiliki periode laten, adanya periode laten menjadi alasan pembentukan model epidemi tipe SEIS
(Susceptible Exposed Infective Susceptible) (Wan dan Cui, 2007), model tersebut dijadikan rujukan
utama dalam artikel ini.
Pada artikel ini dianalisis model penyebaran penyakit menular tipe SEIS melalui transportasi
antar-dua kota berdasarkan model yang dikonstruksi oleh Wan dan Cui. Dari model tersebut dicari
angka reproduksi dasar dan titik kesetimbangan model beserta syarat keberadaannya. Analisis dinamik
dilakukan untuk mengetahui kestabilan dari titik kesetimbangan model. Selanjutnya, dilakukan
analisis pengaruh transportasi terhadap dinamika penyakit menular. Analisis yang diperoleh diilustrasi
menggunakan simulasi numerik dengan beberapa perubahan nilai parameter.
2. FORMULASI MODEL
Model matematika penyebaran penyakit menular tipe SEIS melalui transportasi antar-dua kota
dimodelkan dengan masing-masing tiga variabel di setiap kota, yaitu ππ1
ππ‘= π β ππ1 β
π½π1πΌ1
π1 + πΌ1 + πΈ1+ π£πΌ1 β πΌπ1 + πΌπ2 β
πΎπΌπ2πΌ2
π2 + πΌ2 + πΈ2
(1)
ππΈ1
ππ‘=
π½π1πΌ1
π1 + πΌ1 + πΈ1β (π + π)πΈ1 β πΌπΈ1 + πΌπΈ2 +
πΎπΌπ2πΌ2
π2 + πΌ2 + πΈ2
ππΌ1
ππ‘= ππΈ1 β π£πΌ1 β πΌπΌ1 + πΌπΌ2 β ππΌ1
ππ2
ππ‘= π β ππ2 β
π½π2πΌ2
π2 + πΌ2 + πΈ2+ π£πΌ2 β πΌπ2 + πΌπ1 β
πΎπΌπ1πΌ1
π1 + πΌ1 + πΈ1
ππΈ2
ππ‘=
π½π2πΌ2
π2 + πΌ2 + πΈ2β (π + π)πΈ2 β πΌπΈ2 + πΌπΈ1 +
πΎπΌπ1πΌ1
π1 + πΌ1 + πΈ1
ππΌ2
ππ‘= ππΈ2 β π£πΌ2 β πΌπΌ2 + πΌπΌ1 β ππΌ2,
dengan ππ, πΈπ, dan πΌπ mewakili banyaknya populasi susceptible, exposed, dan infective di kota π, ππ , πΈπ , πΌπ β₯ 0 (π=1,2). Kedua kota diasumsikan identik, sehingga parameter yang digunakan di kedua
kota sama, yaitu π adalah laju kelahiran, π adalah laju kematian alami, π adalah laju perkembangan
individu exposed menjadi infective, π£ adalah laju individu infective yang kembali rentan, π adalah laju
2
kematian alami dan yang disebabkan oleh penyakit (π > π), πΌ adalah laju transportasi antar-dua kota, π½
adalah laju penularan dalam kota, dan πΎπΌ adalah laju penularan melalui transportasi antar-dua kota.
3. HASIL DAN PEMBAHASAN
3.1 Angka Reproduksi Dasar dan Titik Kesetimbangan
Angka reproduksi dasar pada artikel ini ditentukan dengan metode pendekatan operator generasi
selanjutnya (Castillo-Chavez, dkk., 2002). Angka reproduksi dasar yang diperoleh dari model (1) yaitu
β0πΎ = π(πΉπβ1) =π(π½ + πΎπΌ)
(π + π)(π£ + π), (2)
dengan π(πΉπβ1) adalah spectral radius dari matriks πΉπβ1 (Gradshteyn dan Ryzhik, 2007). Jika β0πΎ β€
1, maka model mempunyai titik kesetimbangan tunggal yaitu titik titik kesetimbangan bebas penyakit
ππΎ0(ππΎ
0, πΈπΎ0, πΌπΎ
0, ππΎ0, πΈπΎ
0, πΌπΎ0) = (
π
π, 0,0,
π
π, 0,0). (3)
Jika β0πΎ > 1, selain mempunyai titik kesetimbangan bebas penyakit, model juga memiliki titik
kesetimbangan endemi ππΎ
β(ππΎβ, πΈπΎ
β, πΌπΎβ, ππΎ
β, πΈπΎβ, πΌπΎ
β), (4)
dengan
ππΎβ =
π(π + π£ + π)
(β0πΎ β 1)(ππ£ + ππ + ππ) + π(π + π£ + π), πΈπΎ
β =π(β0πΎ β 1)(π£ + π)
(β0πΎ β 1)(ππ£ + ππ + ππ) + π(π + π£ + π), πΌπΎ
β =ππ(β0πΎ β 1)
(β0πΎ β 1)(ππ£ + ππ + ππ) + π(π + π£ + π).
3.2 Analisis Kestabilan Titik Kesetimbangan
3.2.1 Kestabilan Titik Kesetimbangan Bebas Penyakit
Matriks Jacobi untuk titik kesetimbangan bebas penyakit adalah
π½(ππΎ0) = (
π΄ π΅π΅ π΄
), dengan π΄ = (βπ β πΌ 0 π£ β π½
0 βπ β π β πΌ π½0 π βπ£ β π
) dan π΅ = (πΌ 0 βπΎπΌ0 πΌ πΎπΌ0 π πΌ
).
Berdasarkan sifat-sifat determinan diperoleh det(π½(ππΎ0) β ππΌ) = det(π΄ + π΅ β ππΌ) det(π΄ β π΅ β ππΌ),
sehingga nilai eigen matriks π½(ππΎ0) dapat diketahui dengan menganalisis nilai eigen matriks π΄ + π΅ dan
π΄ β π΅. Dari analisis nilai eigen matriks π΄ + π΅ dan π΄ β π΅ tersebut dapat disimpulkan jika β0πΎ β€ 1 maka
ππΎ0 bersifat stabil, dan jika β0πΎ > 1 maka ππΎ
0 bersifat tidak stabil.
3.2.2 Kestabilan Titik Kesetimbangan Endemi
Matriks Jacobi untuk titik kesetimbangan endemi adalah π½(ππΎβ) = (
π΄ π΅π΅ π΄
), dan dibangun matriks
π΄ + π΅ = (βπ β π1 π2 π£ β π3
π1 βπ β π β π2 π3
0 π βπ£ β π
) , π΄ β π΅ = (βπ β 2πΌ β π1 π2 π£ β π3
π1 βπ β π β 2πΌ β π2 π3
0 π βπ£ β π β 2πΌ
),
dengan π1 =π(π½+πΎπΌ)(β0πΎβ1)
2
β0πΎ2(π+π£+π)
, π2 =π(π½+πΎπΌ)(β0πΎβ1)
β0πΎ2(π+π£+π)
, π3 =(π½+πΎπΌ)(π+(π£+π)β0πΎ)
β0πΎ2(π+π£+π)
, dan π1 =π(π½βπΎπΌ)(β0πΎβ1)
2
β0πΎ2(π+π£+π)
, π2 =
π(π½βπΎπΌ)(β0πΎβ1)
β0πΎ2(π+π£+π)
, π3 =(π½βπΎπΌ)(π+(π£+π)β0πΎ)
β0πΎ2(π+π£+π)
. Dari matriks π΄ + π΅ dan π΄ β π΅ diperoleh hasil jika β0πΎ > 1, maka
semua nilai eigen dari kedua matriks tersebut negatif, sehingga ππΎβ bersifat stabil.
3.3 Kasus Tanpa Adanya Individu Infective yang Bepergian
Model pada kasus tanpa adanya individu infective yang bepergian antar-dua kota diperoleh dari
sistem persamaan (1) dengan mengambil πΎ = 0. Titik kesetimbangan bebas penyakit yang diperoleh
yaitu π0(π0, πΈ0, πΌ0, π0, πΈ0, πΌ0), dengan π0, πΈ0 dan πΌ0 sama seperti titik kesetimbangan (3). Karena πΎ = 0,
angka reproduksi dasar pada kasus tanpa adanya individu infective yang bepergian menjadi
β0 =π½π
(π + π)(π£ + π). (5)
Titik kesetimbangan endemi yang diperoleh yaitu πβ(πβ, πΈβ, πΌβ, πβ, πΈβ, πΌβ), dengan πβ, πΈβ dan πΌβ sama
seperti titik kesetimbangan (4), serta memuat angka reproduksi dasar (5). Titik kesetimbangan π0
selalu ada, sedangkan πβ hanya ada jika β0 > 1. Analisis kestabilan dari titik kesetimbangan
menunjukkan bahwa jika β0 β€ 1 maka π0 bersifat stabil, dan jika β0 > 1 maka π0 bersifat tidak stabil,
sedangkan πβ bersifat stabil.
3
3.4 Kasus Tanpa Adanya Individu yang Bepergian
Model pada kasus tanpa adanya individu yang bepergian antar-dua kota diperoleh dari sistem
persamaan (1) dengan mengambil πΌ = 0, sehingga model hanya melibatkan satu kota yang meliputi
populasi susceptible, exposed, dan infective. Titik kesetimbangan bebas penyakit yang diperoleh yaitu
πΈ0(π0, πΈ0, πΌ0) dengan π0, πΈ0 dan πΌ0 sama seperti titik kesetimbangan (3). Dengan πΌ = 0 diperoleh angka
reproduksi dasar yang sama seperti persamaan (5). Titik kesetimbangan endemi yang diperoleh yaitu
πΈβ(πβ, πΈβ, πΌβ), dengan πβ, πΈβ, dan πΌβ sama seperti titik kesetimbangan (4), serta memuat angka
reproduksi dasar (5). Titik kesetimbangan πΈ0 selalu ada, sedangkan πΈβ hanya ada jika β0 > 1. Analisis
kestabilan dari titik kesetimbangan menunjukkan bahwa jika β0 β€ 1 maka πΈ0 bersifat stabil, dan jika
β0 > 1 maka πΈ0 bersifat tidak stabil, sedangkan πΈβ bersifat stabil.
3.5 Analisis Pengaruh Transportasi
Dari titik kesetimbangan endemi ππΎβ(ππΎ
β, πΈπΎβ, πΌπΎ
β, ππΎβ, πΈπΎ
β, πΌπΎβ) dan πβ(πβ, πΈβ, πΌβ, πβ, πΈβ, πΌβ), jika πΎ = 0
maka β0πΎ = β0, ππΎβ = πβ, πΈπΎ
β = πΈβ, πΌπΎβ = πΌβ, dan ππΎ
β = πβ. Dan jika πΎ > 0, berdasarkan titik ππΎβ diperoleh
πππΎβ
ππΎ< 0,
ππΈπΎβ
ππΎ> 0,
ππΌπΎβ
ππΎ> 0 dan
πππΎβ
ππΎ< 0, hal tersebut menunjukkan bahwa saat berada pada kondisi endemi,
meningkatnya πΎ mengakibatkan jumlah individu pada populasi susceptible dan jumlah total populasi
di tiap kota berkurang, sedangkan jumlah individu pada populasi exposed dan infective bertambah,
sehingga ππΎβ < πβ, πΈπΎ
β > πΈβ, πΌπΎβ > πΌβ dan ππΎ
β < πβ. Dari π
ππΎ(
ππΎβ
ππΎβ) < 0 dan
π
ππΎ(
πΈπΎβ+πΌπΎ
β
ππΎβ ) > 0 diketahui bahwa
dengan meningkatnya πΎ, proporsi individu susceptible menurun, sebaliknya, proporsi jumlah individu
yang terkena penyakit (individu exposed dan infective) meningkat. Hal tersebut menunjukkan bahwa
meningkatnya laju penularan melalui transportasi akan memperparah kasus penyebaran penyakit.
3.6 Simulasi Numerik
Dengan menggunakan parameter π = 1, π = 0.2, π = 0.3, π£ = 0.0002, π = 0.4, π½ = 0.6, πΌ = 0.9 dan
πΎ = 1 diperoleh β0πΎ = 2.2489, serta diperoleh ππΎ0(ππΎ
0, πΈπΎ0, πΌπΎ
0, ππΎ0, πΈπΎ
0, πΌπΎ0) = (5,0,0,5,0,0) dan
ππΎβ(ππΎ
β, πΈπΎβ, πΌπΎ
β, ππΎβ, πΈπΎ
β, πΌπΎβ) dengan ππΎ
β = 1.7960, πΈπΎβ = 1.2820, dan πΌπΎ
β = 0.9610. Hasil simulasi numerik
ditampilkan pada Gambar 1. Dari Gambar 1 diketahui bahwa dengan empat nilai awal yang berbeda,
populasi di kedua kota akan menuju ke titik kesetimbangan endemi, hal tersebut sesuai hasil analisis
yang menyatakan jika β0πΎ > 1 maka titik kesetimbangan endemi stabil.
Gambar 1. Potret fase untuk β0πΎ = 2.2489
Syarat keberadaan dan kestabilan titik kesetimbangan bergantung pada angka reproduksi dasar
(2), sehingga jika menggunakan nilai parameter yang sama, dengan mengubah nilai πΌ, πΎ, atau π½ akan
diperoleh β0πΎ yang berbeda. Jika πΎ diturunkan menjadi 0, maka diperoleh β0πΎ = 0.8996 dan titik
kesetimbangan ππΎ0(ππΎ
0, πΈπΎ0, πΌπΎ
0, ππΎ0, πΈπΎ
0, πΌπΎ0) = (5,0,0,5,0,0), sedangkan titik kesetimbangan ππΎ
β tidak ada,
dengan kata lain keadaannya berubah menjadi bebas penyakit. Demikian juga jika nilai πΌ atau π½
diturunkan dengan nilai parameter yang memenuhi akan dapat menghasilkan keadaan bebas penyakit.
Hal tersebut menunjukkan bahwa perubahan πΌ, πΎ, atau π½ dapat mengubah keadaan atau dinamika
penyakit menular. Hasil simulasi numerik untuk β0πΎ = 0.8996 ditampilkan pada Gambar 2. Dari
Gambar 2 diketahui bahwa populasi di kedua kota stabil di ππΎ0, sehingga sesuai dengan hasil analisis
yang menyatakan jika β0πΎ β€ 1 maka titik kesetimbangan bebas penyakit stabil.
2 34 5
00.5
1
0
0.5
1
1.5
Susceptible 1
Potret fase kota pertama
Exposed 1
Infe
ctive
1
2 3 4 5
00.5
11.5
0
0.5
1
1.5
Susceptible 2
Potret fase kota kedua
Exposed 2
Infe
ctive
2Potret fase
Nilai awal (S(0), E(0), I(0))
Titik bebas penyakit (S,E,I)
Titik endemi (S,E,I)
(1.796, 1.282, 0.9609) (1.796, 1.282, 0.9609)
(5, 0, 0)
(2, 0.5, 1.5)(2, 0, 1.5)
(4.9, 0.05, 0.05)
(2, 0.5, 0)
(1.5, 1.5, 1.5)
(4.9, 0.05, 0.05)
(1.5, 0, 0)
(5, 0, 0)(1.5, 0.5, 0)
4
Model pada kasus tanpa adanya individu infective yang bepergian disimulasikan dengan
parameter π = 1, π = 0.2, π = 0.3, π£ = 0.0002, π = 0.4, π½ = 1, πΌ = 0.9. Dari nilai parameter tersebut
didapatkan β0 = 1.4993, sehingga diperoleh kondisi endemi. Karena angka reproduksi dasar (5) tidak
memuat πΌ, maka dengan mengubah πΌ tidak akan mempengaruhi titik kesetimbangan maupun
kestabilannya. Dengan mengubah π½ menjadi 0.6 didapatkan β0 = 0.8996, dengan kata lain kondisi di
kedua kota berubah menjadi bebas penyakit. Hal tersebut membuktikan bahwa dengan menggunakan
parameter yang sama dan πΎ = 0 diperoleh β0 = β0πΎ . Simulasi numerik untuk β0 = β0πΎ juga dapat
dilihat pada Gambar 2.
Gambar 2. Potret fase untuk β0πΎ = β0 = 0.8996
Model pada kasus tanpa adanya individu yang bepergian disimulasikan dengan parameter π =
1, π = 0.2, π = 0.3, π£ = 0.0002, π = 0.4, dan π½ = 1. Dari nilai parameter tersebut didapatkan β0 = 1.4993,
sehingga mengakibatkan kondisi endemi. Dengan mengubah π½ menjadi 0.6 diperoleh β0 = 0.8996,
sehingga kondisinya berubah menjadi bebas penyakit, hal tersebut sesuai dengan hasil analisis yang
menyatakan jika β0 β€ 1, maka titik kesetimbangan bebas penyakit stabil. Simulasi numerik yang
diperoleh untuk β0 = 0.8996 pada kasus tanpa adanya individu yang bepergian ini sama seperti
Gambar 2, tetapi hanya terjadi di satu kota.
4. KESIMPULAN
Perubahan kestabilan atau dinamika penyakit menular tipe SEIS melalui transportasi antar-dua
kota dipengaruhi oleh laju penularan dalam kota dan juga faktor transportasi. Untuk kasus tanpa
adanya individu infective yang bepergian atau kasus tanpa adanya individu yang bepergian, perubahan
kestabilan atau dinamika penyakit menular hanya dipengaruhi oleh laju penularan dalam kota. Dari
hasil analisis dan simulasi numerik menunjukkan bahwa meningkatnya laju penularan melalui
transportasi antar-dua kota akan memperparah kasus penyebaran penyakit menular
5. UCAPAN TERIMA KASIH
Penulis berterima kasih kepada Trisilowati, Agus Suryanto, dan Marsudi, atas bimbingan dan
masukan yang telah diberikan selama penulisan artikel ini.
DAFTAR PUSTAKA
Castillo-Chavez, C., Fang, Z., dan Huang, W., (2002), On The Computation of β0 and Its Role On
Global Stability, IMA Volumes in Mathematics and Its Applications, 125, hal. 1-22.
Cui, J., Takeuchi, Y., dan Saito, Y., (2006), Spreading Disease with Transport-Related Infection,
Journal of Theoretical Biology, 239, hal. 376-390.
Gradshteyn, I.S. dan Ryzhik, I.M., (2007), Table of Integrals, Series, and Products, Seventh Ed.,
Academic Press. San Diego, hal. 1083.
Liu, X. dan Takeuchi, Y., (2006), Spread of Disease with Transport-Related Infection and Entry
Screening, Journal of Theoretical Biology, 242, hal. 517-528.
Sattenspiel, L. dan Dietz, K., (1995), A Structured Epidemic Model Incorporating Geographic
Mobility Among Regions, Mathematical Biosciences, 128, hal. 71β91.
Wan, Hui dan Cui, J., (2007), An SEIS Epidemic Model with Transport-Related Infection, Journal of
Theoretical Biology, 247, hal. 507-524.
24
6-0.200.20.40.60.8
0
0.5
1
1.5
Susceptible 1
Potret fase kota pertama
Exposed 1
Infe
ctive
1
2 3 4 500.5
11.5
0
0.5
1
1.5
Susceptible 2
Potret fase kota kedua
Exposed 2
Infe
ctive
2
Potret fase
Nilai awal (S(0), E(0), I(0))
Titik bebas penyakit (S,E,I)
Titik endemi (S,E,I)
(5.838, -0.3352, -0.2512)
(5, 0, 0)
(5, 0.1, 1)
(2, 0, 1.5)
(2, 0.5, 0)
(2, 0.5, 1.5)
(5.838, -0.3352, -0.2512)
(5, 0, 0)
(1.5, 1.5, 1.5)
(5, 0.1, 1)
(1.5, 0.5, 0)
(1.5, 0, 0)