Anda di halaman 1dari 4

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: m.ivan@fathonisme.com
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
1 1 1 2 2 = 1 + 1 1 + 2 1 + 1 + 1 2 + 2 + 2 1 1 1 2 2 = ( + )1 1 + 2 + 1 + 1 + 1 2 + 2 + 2 1 = 1 1 1 + 2 1 2 2 2 1 1 = 2 + 2 2 + 1 2 + 2 + 2 1 + 1 + 1 2 2 2 1 1 = ( + )2 2 + 1 + 2 + 2 + 2 1 + 1 + 1 2 = 2 2 2 + 1 2 ,

(1)

dengan , , dan mewakili banyaknya populasi susceptible, exposed, dan infective di kota , , , 0 ( =1,2). Kedua kota diasumsikan identik, sehingga parameter yang digunakan di kedua kota sama, yaitu adalah laju kelahiran, adalah laju kematian alami, adalah laju perkembangan individu exposed menjadi infective, adalah laju individu infective yang kembali rentan, adalah laju 1

kematian alami dan yang disebabkan oleh penyakit ( > ), adalah laju transportasi antar-dua kota, adalah laju penularan dalam kota, dan 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
( + ) (2) , ( + )( + ) 1 ) 1 dengan ( adalah spectral radius dari matriks (Gradshteyn dan Ryzhik, 2007). Jika 0 1, maka model mempunyai titik kesetimbangan tunggal yaitu titik titik kesetimbangan bebas penyakit 0 0 0 0 0 0 0 ( , , , , , ) = ( , 0,0, , 0,0). (3) Jika 0 > 1, selain mempunyai titik kesetimbangan bebas penyakit, model juga memiliki titik 0 = ( 1 ) =

kesetimbangan endemi
( , , , , , ),

(4)

dengan
=

(0 1)( + ) (0 1) ( + + ) , = , = . (0 1)( + + ) + ( + + ) (0 1)( + + ) + ( + + ) (0 1)( + + ) + ( + + )

3.2 Analisis Kestabilan Titik Kesetimbangan 3.2.1 Kestabilan Titik Kesetimbangan Bebas Penyakit Matriks Jacobi untuk titik kesetimbangan bebas penyakit adalah
0 0 ) dan = ( 0 ). 0 Berdasarkan sifat-sifat determinan diperoleh det((0 ) ) = det( + ) det( ), sehingga nilai eigen matriks (0 ) dapat diketahui dengan menganalisis nilai eigen matriks + dan . Dari analisis nilai eigen matriks + dan tersebut dapat disimpulkan jika 0 1 maka 0 bersifat stabil, dan jika 0 > 1 maka 0 bersifat tidak stabil. (0 ) = ( ), dengan = ( 0 0

3.2.2 Kestabilan Titik Kesetimbangan Endemi Matriks Jacobi untuk titik kesetimbangan endemi adalah ( ) = ( ), dan dibangun matriks
1 + = ( 1 0 2 2
2 2 (++)

3 2 1 3 ) , = ( 1 0
(+)(0 1)
2 (++)

2 2 2 , dan 1 =

3 ), 3 2
2 2 (++)

dengan 1 =
()(0 1) 0 2 (++)

(+)(0 1) 0

, 3 =

0 ()(+(+)0 ) 0 2 (++)

, 2 =

, 3 =

(+)(+(+)0 ) 0
2 (++)

()(0 1) 0

, 2 =

. Dari matriks + dan diperoleh hasil jika 0 > 1, maka

semua nilai eigen dari kedua matriks tersebut negatif, sehingga 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 = 0. Titik kesetimbangan bebas penyakit yang diperoleh yaitu 0 ( 0 , 0 , 0 , 0 , 0 , 0 ), dengan 0 , 0 dan 0 sama seperti titik kesetimbangan (3). Karena = 0, angka reproduksi dasar pada kasus tanpa adanya individu infective yang bepergian menjadi
(5) . ( + )( + ) Titik kesetimbangan endemi yang diperoleh yaitu ( , , , , , ), dengan , dan sama seperti titik kesetimbangan (4), serta memuat angka reproduksi dasar (5). Titik kesetimbangan 0 selalu ada, sedangkan hanya ada jika 0 > 1. Analisis kestabilan dari titik kesetimbangan menunjukkan bahwa jika 0 1 maka 0 bersifat stabil, dan jika 0 > 1 maka 0 bersifat tidak stabil, sedangkan bersifat stabil. 0 =

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 = 0, sehingga model hanya melibatkan satu kota yang meliputi populasi susceptible, exposed, dan infective. Titik kesetimbangan bebas penyakit yang diperoleh yaitu 0 ( 0 , 0 , 0 ) dengan 0 , 0 dan 0 sama seperti titik kesetimbangan (3). Dengan = 0 diperoleh angka reproduksi dasar yang sama seperti persamaan (5). Titik kesetimbangan endemi yang diperoleh yaitu ( , , ), dengan , , dan sama seperti titik kesetimbangan (4), serta memuat angka reproduksi dasar (5). Titik kesetimbangan 0 selalu ada, sedangkan hanya ada jika 0 > 1. Analisis kestabilan dari titik kesetimbangan menunjukkan bahwa jika 0 1 maka 0 bersifat stabil, dan jika 0 > 1 maka 0 bersifat tidak stabil, sedangkan bersifat stabil. 3.5 Analisis Pengaruh Transportasi
Dari titik kesetimbangan endemi ( , , , , , ) dan ( , , , , , ), jika = 0 maka 0 = 0 , = , = , = , dan = . Dan jika > 0, berdasarkan titik diperoleh

< 0,

> 0,

> 0 dan

< 0, hal tersebut menunjukkan bahwa saat berada pada kondisi endemi,

meningkatnya mengakibatkan jumlah individu pada populasi susceptible dan jumlah total populasi di tiap kota berkurang, sedangkan jumlah individu pada populasi exposed dan infective bertambah,
sehingga < , > , > dan < . Dari

( ) < 0 dan

) > 0 diketahui bahwa

dengan meningkatnya , 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 = 1, = 0.2, = 0.3, = 0.0002, = 0.4, = 0.6, = 0.9 dan 0 0 0 0 0 0 = 1 diperoleh 0 = 2.2489, serta diperoleh 0 ( , , , , , ) = (5,0,0,5,0,0) dan ( , , , , , ) dengan = 1.7960, = 1.2820, dan = 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 0 > 1 maka titik kesetimbangan endemi stabil.
Potret fase kota pertama
1.5 (2, 0.5, 1.5) (2, 0, 1.5) 1.5

Potret fase kota kedua


(1.5, 1.5, 1.5)

Infective 1

0.5 (4.9, 0.05, 0.05) 0 1 (2, 0.5, 0) 0.5 0 (5, 0, 0) 2 3 4 5

Infective 2

Potret fase Nilai awal (S(0), E(0), I(0)) Titik bebas penyakit (S,E,I) Titik endemi (S,E,I)

0.5 (1.796, 1.282, 0.9609) (4.9, 0.05, 0.05) 0 1.5 (1.5, 0.5, 0) 1 0.5 0 5 4 3 2 (1.5, 0, 0) Susceptible (5, 0, 0)

(1.796, 1.282, 0.9609)

Exposed 1

Susceptible 1

Exposed 2

Gambar 1. Potret fase untuk 0 = 2.2489 Syarat keberadaan dan kestabilan titik kesetimbangan bergantung pada angka reproduksi dasar (2), sehingga jika menggunakan nilai parameter yang sama, dengan mengubah nilai , , atau akan diperoleh 0 yang berbeda. Jika diturunkan menjadi 0, maka diperoleh 0 = 0.8996 dan titik 0 0 0 0 0 0 kesetimbangan 0 ( , , , , , ) = (5,0,0,5,0,0), sedangkan titik kesetimbangan tidak ada, dengan kata lain keadaannya berubah menjadi bebas penyakit. Demikian juga jika nilai atau diturunkan dengan nilai parameter yang memenuhi akan dapat menghasilkan keadaan bebas penyakit. Hal tersebut menunjukkan bahwa perubahan , , atau dapat mengubah keadaan atau dinamika penyakit menular. Hasil simulasi numerik untuk 0 = 0.8996 ditampilkan pada Gambar 2. Dari Gambar 2 diketahui bahwa populasi di kedua kota stabil di 0 , sehingga sesuai dengan hasil analisis yang menyatakan jika 0 1 maka titik kesetimbangan bebas penyakit stabil. 3

Model pada kasus tanpa adanya individu infective yang bepergian disimulasikan dengan parameter = 1, = 0.2, = 0.3, = 0.0002, = 0.4, = 1, = 0.9. Dari nilai parameter tersebut didapatkan 0 = 1.4993, sehingga diperoleh kondisi endemi. Karena angka reproduksi dasar (5) tidak memuat , maka dengan mengubah tidak akan mempengaruhi titik kesetimbangan maupun kestabilannya. Dengan mengubah menjadi 0.6 didapatkan 0 = 0.8996, dengan kata lain kondisi di kedua kota berubah menjadi bebas penyakit. Hal tersebut membuktikan bahwa dengan menggunakan parameter yang sama dan = 0 diperoleh 0 = 0 . Simulasi numerik untuk 0 = 0 juga dapat dilihat pada Gambar 2.
Potret fase kota pertama
1.5 (2, 0.5, 1.5) (2, 0, 1.5) (5, 0.1, 1) 1.5

Potret fase kota kedua


(1.5, 1.5, 1.5)

Infective 1

0.5 (5.838, -0.3352, -0.2512) 0 (2, 0.5, 0) 0.80.6 0.40.2 0 -0.2 (5, 0, 0) 2 4 6

Infective 2

Potret fase Nilai awal (S(0), E(0), I(0)) Titik bebas penyakit (S,E,I) Titik endemi (S,E,I)

(5, 0.1, 1)

0.5 (5.838, -0.3352, -0.2512) 0 1.5 (1.5, 0.5, 0) (1.5, 0, 0) 0.5 0 (5, 0, 0) 3 2

Exposed 1

Susceptible 1

Exposed 2

Susceptible 2

Gambar 2. Potret fase untuk 0 = 0 = 0.8996 Model pada kasus tanpa adanya individu yang bepergian disimulasikan dengan parameter = 1, = 0.2, = 0.3, = 0.0002, = 0.4, dan = 1. Dari nilai parameter tersebut didapatkan 0 = 1.4993, sehingga mengakibatkan kondisi endemi. Dengan mengubah menjadi 0.6 diperoleh 0 = 0.8996, sehingga kondisinya berubah menjadi bebas penyakit, hal tersebut sesuai dengan hasil analisis yang menyatakan jika 0 1, maka titik kesetimbangan bebas penyakit stabil. Simulasi numerik yang diperoleh untuk 0 = 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 0 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. 7191. Wan, Hui dan Cui, J., (2007), An SEIS Epidemic Model with Transport-Related Infection, Journal of Theoretical Biology, 247, hal. 507-524. 4