Biokalkulus

Pertemuan I, 28 Agustus 2014

Program Studi Bioteknologi dan Neurosains

Ikhtisar
Silabus
Persamaan selisih (difference equations)
Proses rekursif memunculkan persamaan selisih
Memecahkan persamaan selisih linier orde satu dan dua

Pemodelan biologi menggunakan persamaan selisih

Memodelkan pertumbuhan bakteri tersuspensi

Memodelkan penetrasi cahaya di kedalaman laut
Memodelkan pertumbuhan kapang
Memodelkan tingkat polusi di danau

Silabus

Silabus

Pengajar: Fransiskus X. Ivan

Pengalaman mengajar:
Guru Matematika & Tenis SMU Kusuma Bangsa, Palembang
Asisten Dosen Pengantar Matematika, Kalkulus, Aljabar Linier, Statistika
Matematika, Institut Pertanian Bogor
Dosen Biostatistika dan Bioinformatika, Fakultas Teknobiologi, Unika Atma Jaya
Jakarta
Asisten dosen Statistical Learning and Data Mining, Computation and Systems
Biology, Singapore-MIT Alliance

Visi & Misi: Menuju Indonesia Jaya dengan ahli-ahli biologi yang mumpuni
dari sisi kemampuan kuantitatif dan komputasional, yang mana untuk itu
terlibat dalam upaya:
Menghasilkan lulusan Prodi Biologi Universitas Surya yang berorientasi data
dan model
Menggeser paradigma dalam pembelajaran sains biologi di Indonesia
Mengembangkan penelitian biologi maupun multidisiplin yang berintikan
sains biologi

Silabus

Jadual per minggu

Kuliah 150 menit, responsi 2 jam (with some R labs)

Manfaat kuliah:
Memperoleh pemahaman konsep dasar kalkulus
Mengembangkan cara berpikir yang berorientasi model matematis
Meningkatkan kemampuan mengenal pola (pattern recognition) dan
memecahkan masalah (problem solving)
Meningkatkan kemampuan personal (kepercayaan diri)
Mengembangkan keterampilan menggunakan R software

Referensi
Calculus for the life sciences: a modeling approach, vol. I, Cornette &
Ackerman (Iowa State University, 2011).
Bio Calculus, Prahmana (Surya University, 2012)

Silabus

Topik kuliah

Persamaan selisih
Fungsi
First half
Limit
Turunan
Integral
Second half
Persamaan differensial

Originality & Attitude

No cheating!! I prefer to hear you say Ive done my best but I still havent got
the idea! --- bcoz at the end of the day, you just want to be yourself (being
original)!
Ask if you dont understand! Weve got 6 assistants for you

Penilaian:
Proyek, Quiz & Tugas
UTS
UAS

30%
30%
40%

Persamaan selisih

Rekursi dan persamaan selisih

Triangular dot pattern

un = un 1 + n
1
u1

3
u2

6
u3

10
u4

15
u5

Square dot pattern

un = un 1 + 2n 1
1
u1

4
u2

9
u3

...

un

...

un

Rekursi dan persamaan selisih

Cell replication

un = 2 un 1

1
u1

2
u2

4
u3

...

un

Rabbit problem

1
f1

1
f2

un = un 1 + un 2
2
f3

3
f4

5
f5

...

un

Rekursi dan persamaan selisih

Investment
$500
I0

$500*(1+10%) = $550

$550*(1+10%) = $605

I1

In = In 1 * (1 + 10%)

I2

...
Sisa hutang

Loans

In

bunga
angsuran

un : jumlah hutang setelah n kali pembayaran angsuran

k : tingkat bunga
c : besar angsuran

Waktu

$500
u0

$500 *(1+k) c

[$500 *(1+k) c] * (1+k) c

u1

u2

un = (1+k) * un 1 c
...

un

Rekursi dan persamaan selisih

Demographic changes (case 1)

P0

Pn : ukuran populasi setelah n unit waktu

b : tingkat kelahiran
b * P0
d : tingkat kematian

(1 d) * P0

P1
Pn = b * Pn 1 + (1 d) * Pn 1

d * P0

b * P1

d * P1

(1 d) * P1

P2
(1 d) * P2

b * P2

d * P2

Rekursi dan
persamaan selisih

E I

P0

Demographic changes (case 2)

Pn : ukuran populasi setelah n unit waktu
b : tingkat kelahiran
d : tingkat kematian
I : jumlah imigrasi
E : jumlah emigrasi

d * P0

(1 d) * P0 + (I E)

E I

b * P0

P1

d * P1

(1 d) * P1 + (I E)

Pn = b * Pn 1 + (1 d) * Pn 1 + (I E)

E I

b * P1

P2

d * P2

(1 d) * P2 + (I E)

b * P2

Rekursi dan
persamaan selisih

(1 d>12) * P>12

P>12(t)

(1/12) * (1 d12) * P12

P>12(t+1)
P 12(t+1)
b * P>12

11
1 d 12 P12 t b P12 t
12
1
P12 t 1 1 d 12 P12 t 1 d 12 P12 t
12
P12 t 1

d12 * P12

P12(t)

Demographic changes (case 3)

P12 : ukuran populasi usia 12 tahun
setelah n unit waktu
P>12 : ukuran populasi usia > 12 tahun
setelah n unit waktu
b : tingkat kelahiran oleh populasi usia
> 12 tahun
d12 : tingkat kematian usia 12 tahun
d>12 : tingkat kematian usia > 12 tahun

d>12 * P>12

(11/12) * (1 d12) * P12

Bentuk matriks:

Pt 1 APt

Menyelesaikan persamaan selisih

Persamaan selisih orde satu

Penyelesaian umum untuk f(n) = c

metode iteratif, f(n) = c

Jika f(n) = 0, disebut persamaan linier homogen

Jika f(n) = konstan, disebut persamaan linier tak homogen
Lainnya, disebut persamaan non-linier

Menyelesaikan persamaan selisih

Persamaan selisih linier homogen orde dua
metode tebak

Penyelesaian umum:
Case 1

Case 2

Pemodelan biologi menggunakan

persamaan selisih

Model Data
Contoh 1:
Hubungan temperatur
dan persentase tanaman
dengan sisi daun mulus
temperatur

Persentase tanaman dengan daun bersisi mulus

Contoh 2:
Hubungan jumlah derik
jangkerik per menit
dengan suhu

Model Matematika vs Model Data

Model data
Mencari hubungan antara variabel meskipun tidak ada mekanisme sebab-akibat
yang melandasinya

Model matematika:
deskripsi (pernyataan) verbal ringkas mengenai interaksi dan gaya yang
mengakibatkan perubahan menurut waktu atau posisi dalam suatu proses biologi.

Langkah-langkah membuat model matematika:

Observasi
Eksperimen

Dinamika
biologi

Asumsi Model
Matematika

Persamaan
Dinamik

Solusi
Persamaan
Dinamik

Komparasi
Prediksi Model
dan Data

Step 1

Step 2

Step 3

Step 4

translasi pernyataan verbal ke formula matematika

(1) Memodelkan Pertumbuhan

Bakteri Tersuspensi
- A growth model -

(1) Memodelkan Pertumbuhan Bakteri

Tersuspensi
Pentingnya pengukuran (measurements)
Spektrofotometer atau
metode hitung koloni?

Data mungkin sudah dimiliki di awal,

atau data dikumpulkan belakangan
absorbansi

(1) Memodelkan Pertumbuhan Bakteri

Tersuspensi
Eksplorasi data (jika data sudah ada di awal)

Grafik terpenting

Peningkatan densitas bakteri pada waktu t + 1 berbanding

lurus dengan densitas bakteri pada waktu t, atau
Fraksi sel yang membelah diri per unit waktu konstan, atau
Laju relatif pertumbuhan bakteri konstan

(1) Memodelkan Pertumbuhan Bakteri

Tersuspensi

Step 1: Asumsi model

Nutrisi melimpah
Populasi bakteri bertambah karena pembelahan diri

Waktu untuk membelah diri sama untuk setiap sel

* Laju relatif pertumbuhan bakteri konstan

Step 2: Persamaan dinamik

Notasi

* Berdasarkan grafik hubungan B(t+1) B(t) dan B(t)

t = waktu (1 unit = 16 menit)

B(t) = densitas bakteri saat waktu t
K = laju relatif pertumbuhan bakteri

* Persamaan
B(t+1) B(t) = k B(t) B(t+1) B(t) = (2/3) B(t)
Estimasi k: metode kuadrat terkecil, etc.

(1) Memodelkan Pertumbuhan Bakteri

Tersuspensi

Step 3: Solusi persamaan dinamik

Solusi iteratif:

B(0) = 0.022
B(1) = (5/3) B(0) = (5/3) 0.022 = 0.037
B(2) = (5/3) B(1) = (5/3) 0.037 = 0.061
dst.

Solusi analitik: B(t) = B(0) (5/3)t = 0.022 (5/3)t

B(t+1) = (5/3) B(t)

main interest

B(0) = 0.022 (5/3)0 = 0.022

B(1) = 0.022 (5/3)1 = 0.037
B(2) = 0.022 (5/3)2 = 0.061
dst.

Step 4: Komparasi prediksi model dan data

Densitas populasi

original
+ prediksi

waktu

(1) Memodelkan Pertumbuhan Bakteri

Tersuspensi

Validitas model
Valid jika telah digunakan oleh banyak laboratorium dan pemeriksaan kritis terhadap gaya
dan interaksi yang menghasilkan persamaan untuk model.
Selalu ada pilihan persamaan lain untuk model (dalam kasus ini, B(t) = 0.0236 + 0.000186 t
+ 0.00893 t2), namun kita harus memilih persamaan yang diturunkan melalui pemahaman
terhadap proses biologi yang terjadi.

Seiring aktifitas pemodelan proses biologi, berbagai penyesuaian untuk asumsi

pemodelan sangat mungkin dirubah atau ditambahkan:
Menggunakan nilai laju pertumbuhan bakteri yang berbeda (estimasi dilakukan dengan
metode lain)
Laju relatif pertumbuhan bakteri tidak konstan, misalnya k = 0.2 pada 32 menit pertama dan
k = 0.1 pada 32 menit berikutnya
Laju pertumbuhan bakteri bergantung pada umur bakteri
Pertumbuhan bakteri tersinkronisasi sehingga jumlah bakteri hanya bertambah setelah
periode waktu tertentu (misalnya, ada bakteri yang membelah hanya saat senja jikala
kondisi dengan dan tanpa cahaya diberikan selama 12 jam secara bergantian.

(2) Memodelkan Penetrasi Cahaya di

Kedalaman Laut
- A decay model -

(2) Memodelkan Penetrasi Cahaya di

Kedalaman Laut

Cahaya dalam air di bawah ikan hiu

lebih sedikit daripada di atas air

Tiada data di awal pemodelan

Step 1: Asumsi model

Partikel suspensi di air menyerap cahaya
sehingga mengurangi cahaya yang sampai di
tempat yang lebih dalam
Partikel suspensi menyebar merata
Laut terdiri dari lapisan-lapisan air yang
menyerap cahaya dengan fraksi sama besar
jumlah cahaya yang diserap di lapisan atas
lebih besar dibandingkan lapisan bawah

(2) Memodelkan Penetrasi Cahaya di

Kedalaman Laut
Step 2: Persamaan dinamik
Notasi
d = kedalaman laut

I(d) = intensitas cahaya di kedalaman d

f = fraksi cahaya yang diserap setiap lapisan air laut

Persamaan
I(d+1) I(d) = f I(d)

Step 3: Solusi persamaan dinamik

Solusi iteratif: I(d+1) = F I(d) , F = 1 f
Solusi analitif: I(d) = I(0) Fd

(2) Memodelkan Penetrasi Cahaya di

Kedalaman Laut

Step 4: Komparasi prediksi model dan data

1 unit depth = 2.67 cm

original
+ prediksi

Very good!

Estimasi nilai f,
say f = 0.18 F = 0.082

I(d) = I(0) 0.82d

(3) Memodelkan Pertumbuhan

Kapang
- A quadratic model -

(3) Memodelkan Pertumbuhan Kapang

Day 0

Day 1

Day 2

Day 3

Day 4

Day 5

Day 6

Day 7

Day 8

Day 9

Waktu
(hari)

Area
(mm2)

25

50

78

126

180

248

326

420

Kiri: Gambar koloni kapang yang diambil selama 10 hari berturut-turut

setiap pagi. Interval grid 2 mm.

(3) Memodelkan Pertumbuhan Kapang

Step 1: Asumsi model
Koloni kapang berbentuk lingkaran.
Pertumbuhan kapang terkendala oleh keliling koloni kapang, maka kita
asumsikan pertambahan luas area koloni per hari proposional dengan
keliling koloni pada hari sebelumnya.

Step 2: Persamaan dinamik

Notasi
t = waktu (1 unit = 1 hari)
A(t) = area koloni saat t
C(t) = keliling koloni

Persamaan
A(t+1) A(t) = k C(t) A(t+1) A(t) = 2k A(t)

sulit mencari penyelesaian analitik

(step 3 sulit diselesaikan

(3) Memodelkan Pertumbuhan Kapang

Kembali ke Step 1 Reformulasi asumsi model
Step 1: Asumsi model
Radius koloni kapang setiap harinya bertambah secara konstan

Step 2: Persamaan dinamik

Notasi
t = waktu (1 unit = 1 hari)
A(t) = area koloni saat t
r(t) = radius koloni

Persamaan
r(t+1) r(t) = c (A(t+1)/).5 (A(t)/).5 = c

(3) Memodelkan Pertumbuhan Kapang

Step 3: Solusi Persamaan Dinamik

Solusi iteratif: r(t+1) r(t) = c A(t+1) = (r(t) + c)2
Solusi analitik: A(t) = ((A(0)/ ).5 + tc)2

Step 4: Komparasi prediksi model dan data

Original
t

Area

Prediksi

Jari-jari

25

50

78

126

180

248

326

420

c = (r(9) r(0))/9 = (11.57 1.13)/9 = 1.16

A(t) = ((4/3.14).5 + 1.16t)2 = (1.13 + 1.16t)2

A(t)

1.13

4.01

1.60

16.47

2.82

37.37

3.99

66.73

4.98

104.54

6.33

150.80

7.57

205.51

8.89

268.67

10.19

340.28

11.57

420.34

original
+ prediksi

(4) Memodelkan Tingkat Polusi di

Danau
- A model with movement toward equilibrium -

(4) Memodelkan Tingkat Polusi di

Danau
AIR MASUK

Step 1: Asumsi model

Jumlah air yang mengalir
di sebuah danau konstan
(jumlah air masuk danau
= jumlah air keluar danau)
Limbah dari pabrik kimia
mengalir secara konstan
ke sebuah danau
Limbah menyebar merata
di danau
AIR KELUAR

(4) Memodelkan Tingkat Polusi di Danau

Step 2: Persamaan dinamik
Notasi

V = volume danau
F = aliran air (jumlah air masuk dan keluar) danau setiap hari
L = jumlah limbah masuk setiap hari
t = waktu
W(t) = jumlah limbah di danau saat t
C(t) = konsentrasi limbah di danau

Persamaan
W(t+1) W(t) = L - F C(t) , C(t) = W(t)/V
W(t+1) W(t) = L F W(t)/V

(4) Memodelkan Tingkat Polusi di Danau

Step 3: Solusi persamaan dinamik

Solusi iteratif: W(t+1) = L + (1 F/V) W(t)
Solusi analitik: W(t) = LV/F + (W(0) LV/F) (1 F/V)t

Step 4: Komparasi prediksi model dan data

Tidak ada data lapangan
Hanya asumsi bahwa:
W(0) = 0

jumlah
limbah
(kg)

Equilibrium = 200000

V = 2 107 m3
F = 104 m3/hari
L = 100 kg/hari

Persamaan dinamik:
W(t) = 200000 200000 0.9995t

waktu (hari)

RINGKASAN

Model matematika v.s. Model data

Ragam persamaan untuk model matematika:

Model eksponensial:
P(t+1) P(t) = r P(t), P(0) = P0 P(t) = P0 (1 + r)t
Model kuadratik:
P(t) = at2 + bt + c
Model menuju ekuilibrium:
P(t+1) P(t) = r P(t) + b, P(0) = P0 P(t) = b/r + (P0 + b/r) (1 + r)t

Fitur model eksponensial:

waktu penggandaan (doubling time) model pertumbuhan (growth model), r >0
waktu paruh (half-life time) model peluruhan (decay model), r < 0

Fitur model menuju ekuilibrium:

Ada input konstan ke sistem
Kondisi ekuilibrium tercapai saat input = output