sidang komisi 2 - Pelayanan Pascasarjana IPB

25
SIDANG KOMISI 2 ANALISIS MODEL STOKASTIK CTMC DENGAN KARANTINA PADA PENYEBARAN PENYAKIT MENULAR Fatimatuzzahroh (G551190186) Dosen Pembimbing Dr Ir Hadi Sumarno, MS Dr Paian Sianturi Sekolah Pascasarjana Institut Pertanian Bogor Bogor 2020

Transcript of sidang komisi 2 - Pelayanan Pascasarjana IPB

SIDANG KOMISI 2

ANALISIS MODEL STOKASTIK CTMC DENGAN KARANTINA PADA PENYEBARAN PENYAKIT MENULAR

Fatimatuzzahroh (G551190186)

Dosen Pembimbing

Dr Ir Hadi Sumarno, MSDr Paian Sianturi

Sekolah PascasarjanaInstitut Pertanian Bogor

Bogor2020

Outline

2

Pendahuluan

Metode Penelitian

Hasil dan Pembahasan

Daftar Pustaka

PendahuluanLet’sstartwiththefirst setof slides

1

4

LatarBelakang

Individu Rentan VS Terinfeksi

Kermack danKendrick 1927

Model Epidemik

Deterministikdan Stokastik

Model SIQR

LatarBelakang

5

S I R

νœ€πΌ

𝛬

πœ‡π‘† πœ‡πΌ πœ‡π‘…

Gambar 1 Diagram kompartemen model SIQR

Q

πœ‡π‘„

Model SIQR

Cao et al.2019

𝛽𝑆𝐼

𝑁𝛿𝐼 𝛼𝑄

TujuanPenelitian

1.

memodifikasi model SIQR menjadi model SIQRS

2.

menentukan peluang transisi, peluang bebas penyakit, peluang wabah dan nilai harapan waktu bebas penyakit dengan pendekatan CTMC

3.

melakukan simulasi pengaruh karantina terhadap nilai harapan waktu bebas penyakit

6

MetodePenelitianLet’sstartwiththesecond setof slides

2

Waktu Penelitian

Oktober 2019 sampaiApril 2020

Waktu, data, danmetodepenelitian

Metode

Melakukan kajian teoritis

melalui pendekatan matematis

terhadap model epidemik SIQR

yang dikembangkan oleh Cao

et al. 2019

8

Data

Data sekunder berdasarkan

asumsi tentang kondisi

penyakit yang sesuai dengan

model SIQRS secara umum,

salah satunya penyakit Difteri

Langkah-langkah penelitian

Simulasi Pengaruh karantina

terhadap nilai harapan waktu

bebas penyakit03

Menganalisis secara

stokastik dengan

pendekatan CTMC02

Memodifikasi model SIQR

menjadi SIQRS01

9

Menambahkan laju masuknya indiividu sembuh (recovered) ke kelas rentan (susceptible)

Menentukan peluang transisi, peluang bebas penyakit, peluang wabah, serta menentukan nilai harapan waktu bebas penyakit

Membuat skenario penurunan laju penyembuhan dan peningkatan laju kontak tanpa adanya karantina, selanjutnya simulasi peningkatan laju karantina dengan pengulangan sebanyak 100 kali melalui software R i 386 3.6.1

HasildanPembahasanLet’sstartwiththesecond setof slides

3

ModifikasiModel

11

I R

𝛽𝑆𝐼

𝑁𝛼𝑄

νœ€πΌ

πœ†π‘

πœ‡π‘† πœ‡πΌ πœ‡π‘…

Gambar 2 Diagram modifikasi model SIQR menjadi SIQRS, individu sembuh menjadi rentan kembali

Q

πœ‡π‘„

S

𝛾𝑅

𝛿𝐼

𝑑𝑆(𝑑)

𝑑𝑑

=πœ†π‘ βˆ’ πœ‡π‘† 𝑑 βˆ’

𝛽 𝑆 𝑑 𝐼 𝑑

𝑁 𝑑+ 𝛾𝑅 𝑑

𝑑𝐼(𝑑)

𝑑𝑑

= 𝛽 𝑆 𝑑 𝐼(𝑑)

𝑁(𝑑)βˆ’ νœ€ + πœ‡ + 𝛿 𝐼(𝑑)

𝑑𝑄(𝑑)

𝑑𝑑

= 𝛿 𝐼 𝑑 βˆ’ πœ‡ + 𝛼 𝑄(𝑑)

𝑑𝑅(𝑑)

𝑑𝑑

= νœ€ 𝐼 𝑑 + 𝛼 𝑄 𝑑 βˆ’ (πœ‡ + 𝛾) 𝑅(𝑑)

Persamaan Diferensial Asumsi pada model:1. Semua individu terlahir menjadi individu yang

rentan2. Individu yang terinfeksi diberi dua perlakuan,

yaitu: karantina dan pengobatan tanpa karantina3. Individu yang dikarantina diberi pengobatan4. Individu sembuh dapat menjadi rentan kembali5. Laju kelahiran sama dengan laju kematian6. Populasi tertutup

ModifikasiModel

12

Parameter Keterangan Nilai Sumber

πœ† laju masuknya individu awal karena

kelahiran ke kelas rentan

0.0152236

(tahun-1)

(Kemenkes RI 2013)

πœ‡ laju kematian alami 0.0152236

(tahun-1)

Asumsi

𝛽 laju kontak/ transmisi 0.000026

(tahun-1)

(Kemenkes RI 2013)

νœ€ laju masuknya individu yang

terinfeksi ke kelas sembuh

(365/28)

(tahun-1)

(Wulandari 2013)

𝛿 laju masuknya individu yang

terinfeksi ke kelas karantina

0.5

(tahun-1)

Asumsi

𝛼 laju penyembuhan individu yang

dikarantina

(365/23)

(tahun-1)

(Hartoyo dan Larasandi

2018)

𝛾 Laju masuknya individu sembuh ke

kelas rentan

(1/10)

(tahun-1)

(Larasandi 2018)

𝑁 Total populasi 100 (orang) Asumsi

Tabel 1 Parameter model SIQRS

PeluangTransisi

13

Peluang transisi merupakan peluang perpindahan suatu proses stokastik dari state 𝑖 ke state 𝑗. Berikut peluang transisi model SIQRS:π‘ƒπ‘Ÿπ‘œπ‘ 𝑠,𝑖,π‘ž , π‘˜,𝑙,π‘š 𝑑, 𝑑 + βˆ†π‘‘

= π‘ƒπ‘Ÿπ‘œπ‘ 𝑆 𝑑 + βˆ†π‘‘ = π‘˜, 𝐼 𝑑 + βˆ†π‘‘ = 𝑙, 𝑄 𝑑 + βˆ†π‘‘ = π‘š ( 𝑆 𝑑 = 𝑠, 𝐼 𝑑 = 𝑖, 𝑄 𝑑 = π‘ž)}.

=

πœ†π‘ + 𝛾𝑅 βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠 + 1, 𝑖, π‘ž)

𝛽𝑆𝐼

π‘βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠 βˆ’ 1, 𝑖 + 1, π‘ž)

πœ‡π‘† βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠 βˆ’ 1, 𝑖, π‘ž)

𝛿𝐼 βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠, 𝑖 βˆ’ 1, π‘ž + 1)

πœ‡ + νœ€ 𝐼 βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠, 𝑖 βˆ’ 1, π‘ž)

πœ‡ + 𝛼 𝑄 βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙, π‘š = (𝑠, 𝑖, π‘ž βˆ’ 1)

1 βˆ’ πœ‰ βˆ†π‘‘ + 𝜊 βˆ†π‘‘ , π‘˜, 𝑙,π‘š = (𝑠, 𝑖, π‘ž)

𝜊(βˆ†π‘‘) , π‘ π‘’π‘™π‘Žπ‘–π‘›π‘›π‘¦π‘Ž

dengan πœ‰ = πœ†π‘ + 𝛾𝑅 +𝛽𝑆𝐼

𝑁+ πœ‡π‘† + 𝛿𝐼 + πœ‡ + νœ€ 𝐼 + πœ‡ + 𝛼 𝑄 dan lim

π‘‘β†’βˆž

𝜊 βˆ†π‘‘

βˆ†π‘‘= 0 (Allen 2010)

PeluangWabah

14

Wabah terjadi ketika jumlah individu terinfeksi meningkat. Secara deterministik wabah terjadi ketika 𝑅0 > 1 , sedangkan secara

stokastik wabah terjadi ketika rata-rata banyaknya individu yang terinfeksi (π‘š) > 1.

Peluang wabah dan nilai harapan banyaknya individu terinfeksi dapat diperoleh melalui pendekatan proses bercabang (Allen 2010).

Berdasarkan proses bercabang, maka pada model SIQRS didapat peluang wabah atau endemik sebagai berikut:

1 βˆ’ limπ‘‘β†’βˆž

π‘ƒπ‘Ÿπ‘œπ‘ 𝐼 𝑑 = 0 = 0 ;π‘š ≀ 1

1 βˆ’ 𝜏 ;π‘š > 1

dengan 𝜏 =𝑁

𝑠𝑅0

𝑖0dan 𝑅0 =

𝛽

+πœ‡+𝛿

NilaiHarapanWaktuBebasPenyakit

15

Nilai harapan waktu bebas penyakit merupakan rata-rata waktu suatu penyakit akan hilang

Nilai harapan waktu bebas penyakit ditentukan melalui matriks generator 𝑄

Berdasarkan Syam (2019), Jika populasi maksimum terbatas, maka nilai harapan waktu bebas penyakit dapat diperoleh melalui rumus 𝜏 = π‘π‘„βˆ’1 tetapi jika populasinya besar, nilai harapan waktu bebas penyakit tidak dapat diperoleh melalui rumus di atas

Nilai harapan waktu bebas penyakit pada penelitian ini didapatkan dari suatu simulasi komputer dengan percobaan sebanyak 100 kali untuk mendapatkan sebarannya, selanjutnya dapat dihitung nilai harapan waktu bebas penyakit melalui sebaran tersebut

SimulasiNumerik

16

Simulasi numerik dilakukan untuk mengetahui pengaruh karantina terhadap nilai harapan waktu bebas penyakit

Simulasi dilakukan melalui software R i 386 3.6.1 Skenario yang dilakukan yaitu:

a. Menurunkan laju penyembuhan tanpa karantinab. Meningkatkan laju kontak tanpa karantinac. Meningkatkan laju karantina

Nilai Parameter

17

πœ† = 0.0152236 (tahunβˆ’1)πœ‡ = 0.0152236 (tahunβˆ’1)𝛽 = 0.000026 (tahunβˆ’1)νœ€ = (365/28)(tahunβˆ’1)

𝛿 = 0.5(tahunβˆ’1)𝛼 = (365/23)(tahunβˆ’1)𝛾 = (1/10)(tahunβˆ’1)𝑁 = 100 (orang)

0

10

20

30

40

50

60

70

80

90

100

0 2 4 6 8 10

S I Q R

Ind

ivid

u

Tahun

Gambar 3 Dinamika populasi pada penyakit Difteri

𝑅0 = 1.91869Eβˆ’06π‘š = 2.686Eβˆ’06

π‘€π‘Žπ‘˜π‘‘π‘’ π‘π‘’π‘π‘Žπ‘  π‘π‘’π‘›π‘¦π‘Žπ‘˜π‘–π‘‘ = 0.117484765

π‘ƒπ‘’π‘™π‘’π‘Žπ‘›π‘” π‘€π‘Žπ‘π‘Žβ„Ž = 0

18

Skenario 1: Pengaruh penurunan laju penyembuhan tanpa karantina

0

20

40

60

80

100

0 2 4 6 8 10

S I Q R

Tahun

Indiv

idu

0

20

40

60

80

100

0 2 4 6 8 10

S I Q R

Tahun

Indiv

idu

0

20

40

60

80

100

0 2 4 6 8 10

S I Q R

Tahun

Indiv

idu

a cb

Gambar 4 Dinamila subpopulasi rentan, terinfeksi, karantina, dan sembuh pada waktu t

untuk (a) νœ€ =365

365,(b) νœ€ = (

365

730), (c) νœ€ = (

365

1095)

Nilai

Parameter νœ€

Bilangan

Reproduksi

Dasar

Nilai harapan jumlah

individu yang

terinfeksi

Peluang

Wabah

(365/365) 2.5610E-05 3.585E-05 0

(365/730) 5.0463E-05 7.065E-05 0

(365/1095) 7.4594E-05 0.0001044 0

Tabel 2 Perubahan nilai parameter νœ€

19

Skenario 2: Pengaruh peningkatan laju kontak tanpa karantina

Gambar 5 Dinamila subpopulasi rentan, terinfeksi, karantina, dan sembuh pada waktu t untuk (a) 𝛽 = 0.26 , (b) 𝛽 = 0.52 , (c) 𝛽 = 0.78

Tabel 3 Perubahan nilai parameter 𝛽

0

20

40

60

80

100

0 20 40 60 80 100

S I Q R

Tahun

Indiv

idu

a

0

20

40

60

80

100

0 20 40 60 80 100

S I Q R

Tahun

Indiv

idu

b

0

20

40

60

80

100

0 20 40 60 80 100

S I Q R

Tahun

Indiv

idu

c

Nilai

parameter 𝛽

Bilangan

reproduksi

dasar

Nilai harapan

jumlah individu

terinfeksi

Pelung

wabah

0.26 0.74593 0.68607 0

0.52 1.49187 1.02167 0.35184

0.78 2.23781 1.22072 0.98876

20

Skenario 3: Pengaruh peningkatan laju karantina terhadap nilai harapan waktu bebas penyakit

0

0,2

0,41

--2

1

21

--4

1

41

--6

1

61

--8

1

81

--1

01

10

1--

12

1

12

1--

14

1

14

1--

16

1Interval Waktu

Pel

uan

g B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

0

0,2

0,4

0--

10

10

--2

0

20

--3

0

30

--4

0

40

--5

0

50

--6

0

60

--7

0

70

--8

0

Interval Waktu

Pel

uan

g B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

0

0,2

0,4

0,6

0--

4

4--

8

8--

12

12

--1

6

16

--2

0

20

--2

4

24

--2

8

28

--3

2

Interval Waktu

Peu

ang B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

0

0,2

0,4

0--

2

2--

4

4--

6

6--

8

8--

10

10

--1

2

12

--1

4

14

--1

6

Interval

Pel

uan

g B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

0

0,2

0,4

0,6

0--

2

2--

4

4--

6

6--

8

8--

10

10

--1

2

12

--1

4

14

--1

6

Interval Waktu

Pel

uan

g B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

0

0,2

0,4

0--

1

1--

2

2--

3

3--

4

4--

5

5--

6

6--

7

7--

8

Interval Waktu

Pel

uan

g B

ebas

Pen

yak

it

Diagram Peluang Bebas Penyakit

a

ed

cb

f

Gambar 5 Diagram Peluang Bebas Penyakit untuk (a) 𝛿 = 0.1 (b) 𝛿 = 0.2 (c) 𝛿 = 0.4(d) 𝛿 = 0.6 (e) 𝛿 = 0.8 (f) 𝛿 = 1

21

0

10

20

30

40

50

60

0,1 0,2 0,4 0,6 0,8 1

Pengaruh Laju Karantina Terhadap Nilai

Nil

aiH

arap

an W

aktu

Beb

as P

enyak

it

Laju Karantina (𝛿)

Gambar 6 Grafik pengaruh laju karantina

terhadap nilai harapan waktu bebas

penyakit

Secara berturut-turut untuk 𝛿 = 0.1 , 𝛿 = 0.2 , 𝛿 = 0.4 , 𝛿 = 0.6 , 𝛿 = 0.8 , dan 𝛿 = 1 didapatkan nilai harapan waktu bebas penyakitnya yaitu 49.6, 19.85, 8.76, 4.86, 3.84, dan 3.01.

Hasil simulasi tersebut menyimpulkan bahwa jika laju karantina ditingkatkan mengakibatkan penurunan nilai harapan waktu bebas penyakit.

Skenario 3: Pengaruh peningkatan laju karantina terhadap nilai harapan waktu bebas penyakit

Kesimpulan

22

Model epidemik SIQRS dapat digunakan untuk mengetahui karakteristik dari penyebaran penyakit menular salah satunya penyakit Difteri.

Penurunan laju penyembuhan (peningkatan lama waktu penyembuhan) tanpa adanya karantina dari 1 tahun menjadi 3 tahun mengakibatkan penyakit Difteri hilang lebih lama yaitu dari tahun ke-3 sampai tahun ke-8

Peningkatan laju kontak dari 0.26 menjadi 0.78 mengakibatkan penyakit Difteri hilang lebih lama dan terjadi wabah dalam jangka panjang

Peningkatan laju karantina dari 0.1 sampai 1 mengakibatkan rata-rata waktu penyakit Difteri hilang lebih cepat yaitu dari 49.6 tahun sampai 3.01 tahun

Hal tersebut menunjukkan bahwa karantina berpengaruh terhadap penurunan waktu bebas penyakit atau waktu hilangnya penyakit Difteri.

23

Allen LJS. 2010. An Introduction to Stochastic Processes with Applications to Biology.Boca Raton (US): CRC Press.

Cai Y, Kang Y, Wang W. 2017. A stochastic sirs epidemic model with nonlinear incidence rate.Applied Mathematics and Computations. 305: 221–240. doi:10.1016/j.amc.2017.02.003.

Cao Z, Feng W, Wen X, Zu L, Cheng M. 2019. Dynamics of a stochastic SIQR epidemic modelwith standard incidence. Physica A. doi: 10.1016/j.physa.2019.121180.

Hartoyo E. 2018. Difteri pada anak. Sari Pediatri. 19(5):300-306.[Kemenkes RI] Kementrian Kesehatan Republik Indonesia. 2013. Profil Kesehatan Indonesia

Tahun 2012. Jakarta (ID): Kementrian Kesehatan Republik Indonesia 2013.Kermack WO, Mc Kendrick AG. 1927. A contribution to the mathematical theory of

epidemics. Di dalam: Michael LFRS, editor. Proceedings of The Royal Society A:Mathematical, Physical, And Engineering Sciences [Internet]. [Waktu dan tempatpertemuan tidak diketahui]. London (UK): Royal Society. hlm 700 – 721. Tersediapada: https://doi.org/10.1098/rspa.1927.0118.

Daftar Pustaka

24

Larasandi D. 2018. Waktu untuk penyembuhan difteri [Internet]. [diunduh 2020 Februari 14].Tersedia dari: https://www.alodokter.com/komunitas/topic/difteri-59.

Syams NYN. 2019. Analisis model stokastik SIS-SI dengan menggunakan CTMC padapenyebaran penyakit malaria [tesis]. Bogor (ID): Institut Pertanian Bogor.

[WHO] World Health Organization. 2019. Infectious diseases [internet]. [diacu 2019September 10]. Tersedia dari:https://www.who.int/topics/infectious_disease/en/index.html.

Wulandari UN. 2013. Analisis model epidemik mseir pada penyebaran penyakit difteri[Skripsi]. Jember(ID): Universitas Jember.

Daftar Pustaka

β€œTerima kasih