MODEL MATEMATIKA VEITR PADA

PENYEBARAN PENYAKIT TUBERKULOSIS YANG

TERVAKSINASI AKIBAT EXOGENOUS
REINFECTION

Untuk Memenuhi Persyaratan Guna Memperoleh Gelar Sarjana

Sains

Disusun Oleh:
Fradha Intan Arassah (3125151689)

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Jakarta
2020
 LEMBAR PERSETUJUAN HASIL SIDANG
SKRIPSI

MODEL MATEMATIKA VEITR PADA PENYEBARAN PE-

NYAKIT TUBERKULOSIS YANG TERVAKSINASI AKIBAT EXO-
GENOUS REINFECTION
Nama : Fradha Intan Arassah
No. Registrasi : 3125151689

Nama Tanda Tangan Tanggal

Penanggung Jawab
Dekan : Dr. Adisyahputra, M.S. .......... ..........
NIP. 19601111 198703 1 003
Wakil Penanggung Jawab
Wakil Dekan Bidang Akademik : Dr. Muktiningsih, M.Si .......... ..........
NIP. 19640511 198903 2 001
Ketua : Drs. Sudarwanto, M.Si, DEA .......... ..........
NIP. 19650325 199303 1 003
Sekretaris : Siti Rohmah Rohimah, S.Pd., M.Si .......... ..........
NIP. 19840809 201404 2 001
Penguji : Ibnu Hadi, M.Si .......... ..........
NIP. 19810718 200801 1 017
Pembimbing I : Dr. Eti Dwi Wiraningsih, S.Pd., M.Si .......... ..........
NIP. 19810203 200604 2 001
Pembimbing II : Debby Agustine, M.Si .......... ..........
NIP. 19870821 201212 2 002
Dinyatakan lulus ujian skripsi tanggal : 5 Februari 2020
 ABSTRACT

FRADHA INTAN ARASSAH, 3125151689. Matematics Model

VEITR of Vaccined Tuberculosis with Exogenous Reinfection Dise-
ase Spread. Thesis. Faculty of Mathematics and Natural Science
Jakarta State University. 2020.
Tuberculosis is one of most dangerous disease. Indonesia become the second
highest country in the world that has active tuberculosis population. This thesis
discussed about mathematics model of tuberculosis disease spread and analysis
about the models.The model we used is VEITR(Vaccinate, expose, infection be-
cause of Exogenous Reinfection, treatment, and recovery) within an equilibrium
point, stability of equilibrium point, basic reproduction number, and numeric
simulation. The results are showing that we have two point of equilibrium such
as free endemic and endemic, stability of equilibrium point can shown by R0
value, and according to R0 value we knew that tuberculosis disease spread will
be decreased.
Keywords: Tuberculosis, vaccined, equilibrium point, stability of equilibri-
um point, basic reproduction number, exogenous reinfection.
 ABSTRAK

FRADHA INTAN ARASSAH, 3125151689. Model Matematika VE-

ITR Pada Penyebaran Penyakit Tuberkulosis yang Tervaksinasi aki-
bat Exogenous Reinfection. Skripsi. Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Negeri Jakarta. 2020.
Tuberculosis adalah penyakit menular yang berbahaya. Indonesia men-
jadi negara nomer dua terbesar penderita Tuberculosis di dunia. Skripsi ini
akan membahas tentang penyebaran Tuberculosis dan solusi dari permasalah-
an yang ada dengan menggunakan pemodelan matematika. Model yang akan
digunakan adalah Model VEITR(Vaccinate, Expose, Infected akibat Exogeno-
us Reinfection, Treatment, dan Recovery) dengan mencari titik ekuilibrium,
kestabilan titik ekuilibrium, bilangan reproduksi dasar dan simulasi numerik.
Hasil yang didapat menunjukan bahwa terdapat dua titik ekuilibrium yaitu,
titik ekuilibrium bebas penyakit dan endemik penyakit. Kestabilan titik eku-
ilibrium dapat dinilai dari nilai R0 dan berdasarkan nilai R0 yang diperoleh
maka dapat diketahui bahwa penyebaran penyakit di Jakarta akan semakin
menurun mendekati nol.
Kata kunci: Tuberculosis, tervaksinasi, titik ekuilibrum, kestabilan titik
ekuilibrum, bilangan reproduksi dasar, exogenous reinfection.
 PERSEMBAHANKU

”you just lucky”

”Elegance is when the inside is as beautiful as the outside ”

Skripsi ini kupersembahkan untuk diriku sendiri. ”Terima kasih

atas perjuangan dan kesabaran selama ini”.
 KATA PENGANTAR

Puji dan rasya syukur saya panjatkan kepada Allah SWT karena dengan
Rahmat dan Ridho-Nya, saya dapat menyelesaikan skripsi ini tepat pada wak-
tunya, yang saya beri judul ”Model Matematika VEITR Pada Penyebaran Pe-
nyakit Tuberculosis yang Tervaksinasi Akibat Exogenous Reinfection”. Tujuan
penyelesaian skripsi ini adalah untuk memenuhi persyaratan kelulusan guna
mendapatkan gelar Sarjana Sains pada Program Studi Matematika di Univer-
sitas Negeri Jakarta. Didalam pengerjaan skripsi ini telah melibatkan banyak
prang yang setia memberi dukungan, motivasi, kritis, dan saran yang memba-
ngun. Oleh sebab itu, saya sebagai penulis skripsi ini berterima kasih kepada:

1. Prof. Suyono selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan

Alam

2. Ibu Etty selaku dosen pembimbing 1, yang selalu memberikan pengarah-

an terkait skripsi ini.

3. Ibu Debby A selaku dosen pembimbing 2 yang selalu mengoreksi tulisan

dan bahasa dalam skripsi ini.

4. Kedua orang tua saya yang selalu mendukung saya dan akan memberikan
hadiah jika saya sudah lulus.

5. Ka Della Puspa yang membantu dan menemani saya dalam pengerjaan

skripsi ini.

6. Rahmat Fadilah yang menemani saya ke perpustakan nasional untuk

mengerjakan skripsi.

7. Ratna Mutiara Lestari yang selalu curhat walaupun saya sedang meng-
erjakan skripsi

8. Riska Nopiana teman seperjuanganku yang sebenarnya sayang tapi dia

malu untuk mengungkapkan.

9. Fradha Intan Arassah, diri saya sendiri karena mampu mengerjakan sk-
ripsi ini sampai selesai.

ii
 Jakarta,

Fradha Intan Arassah

iii
 DAFTAR ISI

KATA PENGANTAR ii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

I PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Batasan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Metode Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . 4

II LANDASAN TEORI 6
2.1 Model Penyebaran Penyakit . . . . . . . . . . . . . . . . . . . . 6
2.1.1 Tuberkulosis . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2 Situasi TBC di Indonesia . . . . . . . . . . . . . . . . . . 7
2.1.3 Program pencegahan TBC . . . . . . . . . . . . . . . . . 7
2.1.4 Pengobatan TBC . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Model Matematika . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Model Penyebaran Penyakit . . . . . . . . . . . . . . . . . . . . 11
2.4 Persamaan Diferensial . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.1 Persamaan Diferensial Elementer . . . . . . . . . . . . . 14
2.4.2 Order Persamaan Diferensial . . . . . . . . . . . . . . . . 15
2.5 Sistem Persamaan Diferensial . . . . . . . . . . . . . . . . . . . 16
2.5.1 Sistem Linear . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.2 Sistem non-linear . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Titik Ekuilibrium . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.7 Kestabilan Titik Ekuilibrium . . . . . . . . . . . . . . . . . . . . 18
2.8 Linearisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.9 Nilai Eigen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

iv
 2.10 Kriteria Routh Hurwitz . . . . . . . . . . . . . . . . . . . . . . . 21
2.11 Bilangan Reproduksi Dasar . . . . . . . . . . . . . . . . . . . . 22

III DESAIN MODEL 25

IV PEMBAHASAN 29
4.1 Formulasi Model . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Bilangan Reproduksi Dasar . . . . . . . . . . . . . . . . . . . . 34
4.3 Titik Ekuilibrium . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4 Analisis Kestabilan Titik Ekuilibrium . . . . . . . . . . . . . . . 43
4.5 Simulasi Numerik . . . . . . . . . . . . . . . . . . . . . . . . . . 45

V PENUTUP 51
5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

DAFTAR PUSTAKA 54

LAMPIRAN 55

v
 DAFTAR TABEL

4.1 Daftar Parameter pada Model VEITR . . . . . . . . . . . . . . 33

4.2 Parameter Model Penyebaran Penyakit Tuberkulosis . . . . . . 45

vi
 DAFTAR GAMBAR

2.1 Diagram pemodelan matematika . . . . . . . . . . . . . . . . . . 11

2.2 Diagram alir model SIR . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Diagram alir model SEIR . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Kestabilan Titik Ekuilibrium . . . . . . . . . . . . . . . . . . . . 19

3.1 Desain Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.1 Diagram alir model VEITR . . . . . . . . . . . . . . . . . . . . 32

4.2 Grafik model penyebaran penyakit . . . . . . . . . . . . . . . . 47
4.3 Gambar grafik variabel vaccined . . . . . . . . . . . . . . . . . . 47
4.4 Gambar grafik variabel exposed . . . . . . . . . . . . . . . . . . 48
4.5 Gambar grafik variabel infected . . . . . . . . . . . . . . . . . . 49
4.6 Gambar grafik variabel treated . . . . . . . . . . . . . . . . . . . 49
4.7 Gambar grafik variabel recovered . . . . . . . . . . . . . . . . . 50

vii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Tuberkulosis (TBC) adalah salah satu penyakit menular berbahaya yang
disebabkan oleh bakteri Mycobacterium. Bakteri ini pertama kali ditemuk-
an oleh Robert Koch pada tahun 1882. Penyebaran penyakit tuberkulosis
dapat melalui udara ataupun tertular oleh seseorang yang terinfeksi TBC.
Gejala-gelaja penderita tuberkulosis diantaranya batuk-batuk, sakit dada, na-
fas pendek, hilang nafsu makna, berat badan menurun, demam, kedinginan,
dan kelelahan. Penyakit tuberkulosis dapat menular ke semua lapisan masya-
rakat, baik itu anak-anak, remaja, dewasa, maupun manula. Namun pada
umumnya seseorang yang rentan tertular penyakit tuberkulosis adalah orang
yang sedang dalam usia produktif, karena produktifitas yang aktif dan sering
berkumpul dengan masyarakat, sehingga kemungkinan tertular lebih besar.
Bakteri Mycobacterium yang berkeliaran di udara bisa bertahan beberapa
lama sebelum akhirnya terhirup orang yang sehat. Jika bakteri tersebut berha-
sil masuk kedalam tubuh, maka sistem imun/kekebalan tubuh seseorang akan
bekerja untuk membunuh bakteri yang berhasil masuk. Namun jika bakteri
tidak dapat terbunuh oleh sistem imun tubuh, maka bakteri akan mengendap
pada organ yang ditargetnya untuk menginfeksi.
Seseorang yang sudah terinfeksi tuberkulosis dapat digolongankan menja-
di dua, yang pertama seseorang yang mengidap bakteri tuberkulosis namun
karena sistem imun yang cukup kuat bakteri hanya mengendap sesaat dan
menyerang saat sistem imun lemah, ini disebut individu laten dan yang kedua
adalah individu yang mengidap tuberkulosis aktif. Kondisi laten juga dapat
menjadi aktif karena kontak langsung dengan pengidap aktif, hal ini dikarenak-
an perkembangan bakteri yang semakin meningkat secara signifikan, sehingga
walaupun sistem imun kondisi laten kuat tetap bisa menjadi kondisi aktif ini
disebut ”Exogenous Reinfection”. Kondisi laten yang berubah menjadi kondisi
aktif karena sistem imun melemah dan menyebabkan perkembangan bakteri
meningkat sehingga menginfeksi, ini disebut ”Endogenous Reinfection”.

1
 2

Salah satu cara menemukan solusi dari permasalahan yang terjadi di ke-
hidupan nyata adalah mengaplikasikan permasalahan ke dalam bentuk mate-
matika atau pemodelan matematika. Pemodelan matematika dapat diaplika-
sikan untuk mengetahui orang yang terinfeksi tuberkulosis mengekspektasikan
kemungkinan banyaknya orang yang sembuh, dan menemukan solusi untuk
menyelesaikan permasalahan tuberkulosis.
Pada penelitian sebelumnya, telah dilakukan analisis oleh Queena Fredlina
mahasiswa fakutas MIPA Universitas Udayana pada tahun 2012 yang berjudul
”Model SIR untuk Penyebaran Penyakit Tuberkulosis”. Dalam penelitiannya
dijelaskan penyebaran tuberkulosis yang paling berpengaruh adalah laju penu-
laran dan laju kesembuhan. Mereka mencari titik kritis/titik ekuilibrum, nilai
eigen, dan bilangan reproduksi dasar , serta metode Runge-Kutta untuk uji
analisis parameter. Dari hasilnya dapat diketahui bahwa laju penularan harus
diminimalisir dengan vaksin sebagai pencegahannya dan laju penyembuhan
harus ditingkatkan dengan dilakukannya pengobatan yang maksimal.
Penelitian selanjutnya dilakukan oleh Muhammad Rifki Taufik mahasiswa
fakultas MIPA Universitas Negeri Yogyakarta pada tahun 2015 yang berju-
dul ”Mathematical Models for Vaccineted Tuberculosis Disease with VEIT
Model”. Dalam penelitiannya dijelaskan tentang analisis kestabilan titik ekui-
librium, didapat ada dua titik ekuilibrium, titik bebas dan titik endemik, lalu
dicari nilai eigen dan dilakukan simulasi numerik dengan diambil nilai para-
meter.
Penelitian selanjutnya dilakukan oleh Atika Uyun mahasiswa fakultas MI-
PA Universitas Negeri Jakarta pada tahun 2016 yang berjudul ”Model Mate-
matika SEIR Penyebaran Penyakit Tuberkulosis Dengan Pengaruh Vaksinasi”.
Penelitian tersebut membahas tentang model dan analisis kestabilan penye-
baran penyakit dalam model yang sudah dibuat, melakukan simulasi numerik,
membuat kesimpulan bahwa terdapat dua titik ekuilibrium dan memperoleh
solusi untuk penyebaran tuberkulosis agar berkurang dengan melakukan vak-
sin minimal 90 persen dari jumlah populasi tersebut.
Skripsi ini akan mendiskusikan tentang permasalahan dan analisis model
matematika penyakit TBC akibat Exogenous Reinfection atau kontak langsung
dengan penderita aktif. Model yang disusun akan mencari titik ekuilibrum,
nilai eigen, titik kestabilan, dan simulasi numerik, dan kesimpulan. Model
yang akan digunakan adalah VEITR (Vaccined, Exposed, Infected, Treated,
and Recovered ) karena menurut penulis model VEITR lebih menggambarkan
 3

situasi pada proses penyebaran penyakit tuberkulosis dan berbeda dengan mo-
del yang digunakan pada referensi. Permasalahan ini penulis angkat karena
melihat kenyataan bahwa Indonesia masuk dalam urutan kedua negara yang
paling banyak terinfeksi penyakit tuberkulosis.

1.2 Rumusan Masalah

Berdasarkan latar belakang, rumusan masalah dalam skripsi ini adalah :

1. Bagaimana model matematika untuk masalah penyebaran TBC?

2. Bagaimana analisis kestabilan penyebaran tuberkulosis berdasarkan mo-

del yang dibuat?

3. Bagaimana hasil simulasi numerik yang diperoleh dengan menggunakan

data sekunder?

1.3 Batasan Masalah

Skripsi ini membahas tentang penyebaran penyakit tuberkulosis akibat
Exogenous Reinfection, berasumsi bahwa populasi recovery tidak dapat ter-
tular kembali, dan populasi yang digunakan tidak dipengaruhi oleh imigran,
emigran, urban dan lainnya.

1.4 Tujuan Penelitian

Berdasarkan rumusan permasalah, tujuan dari penulisan ini adalah :

1. Memenuhi tugas akhir semester sebagai syarat untuk memperoleh gelar

Sarjana Sains

2. Mengetahui pemodelan matematika untuk permasalahan penyakit TBC

3. Mengetahui kestabilan penyebaran tuberkulosis berdasarkan model yang

dibuat

4. Mengetahui solusi untuk mengatasi penyebaran tuberkulosis.

 4

1.5 Manfaat Penelitian

1. Bagi Penulis

a. Penulis dapat mengembangkan kembali pemodelan penyebaran pe-

nyakit yang sudah ada sebelumnya
b. Penulis mendapatkan wawasan tentang penyebaran penyakit

2. Bagi Pembaca

a. Pembaca mengetahui tentang pemodelan penyebaran penyakit TBC

b. Pembaca mendapat pengetahuan tentang penyakit TBC

3. Bagi Instansi Terkait

a. Skripsi ini dapat dijadikan sumber referensi untuk penelitian beri-

kutnya
b. Skripsi ini dapat bermanfaat untuk bidang kesehatan dan matema-
tika

1.6 Metode Penelitian

Penelitian yang dilakukan ini menggunakan metode penelitian kepustaka-
an. Hal ini dilakukan untuk memahami, menelaah, dan mengidentifikasi pe-
ngetahuan yang menunjang penelitian ini. Sumber-sumber yang digunakan
berupa jurnal, artikel, skripsi, dan internet. Langkah-langkah dalam pemben-
tukan model matematika untuk penyebaran penyakit Tuberculosis ini adalah:

1. Identifikasi masalah : yaitu membaca dan memahami referensi yang ber-

kaitan dengan penyakit tuberkulosis dan pemodelan matematika sehing-
ga dapat menentukan permasalahan yang akan digunakan dalam model.

2. Asumsi : yaitu membuatan dugaan sementara faktor-faktor yang berpe-

ngaruh dalam penyebaran penyakit tuberkulosis ini.

3. Menyelesaikan dan menginterpretasikan ke dalam bentuk model, model

yang disusun akan mencari titik ekuilibrium atau titik kritis, nilai eigen,
dan menganalisis kestabilan disekitar titik ekuilibrium.
 5

4. Menyimpulkan hasil analisis dan mendapatkan solusi untuk penyebaran

penyakit tuberkulosis.
 BAB II

LANDASAN TEORI

Pada bab ini, akan dibahas mengenai landasan teori-teori yang mendasari
dalam mengerjakan skripsi ini. Materi yang dibahas diantaranya adalah :

2.1 Model Penyebaran Penyakit

Penyakit menular merupakan salah satu penyebab kematian terbesar di
dunia. Setiap penyakit menular memiliki mekanismenya sendiri dalam pro-
ses penyebarannya. ada dua mekanisme penyebaran penyakit, yaitu secara
langsung dan tidak langsung. Salah satu contoh penyebaran penyakit secara
langsung adalah penyakit tuberkulosis.

2.1.1 Tuberkulosis
Tuberkulosis atau TBC adalah penyakit menular yang disebabkan oleh bak-
teri Mycobacterium tuberculosis. TBC bukanlah penyakit keturunan, umum-
nya bakteri menyerang paru-paru tetapi juga dapat menyerang bagian tubuh
lainnya seperti kelenjar getah bening, otak, kulit, dan lainnya. Gejala-gelaja
penderita tuberkulosis diantaranya batuk-batuk, sakit dada, nafas pendek, hi-
lang nafsu makna, berat badan menurun, demam, kedinginan, dan kelelahan.
Penyakit tuberkulosis dapat menular ke semua lapisan masyarakat, baik
itu anak-anak, remaja, dewasa, maupun manula. Namun pada umumnya se-
seorang yang rentan tertular penyakit tuberkulosis adalah orang yang sedang
dalam usia produktif, karena produktifitas yang aktif dan sering berkumpul
dengan masyarakat, sehingga kemungkinan tertular lebih besar. Adapun kon-
disi yang memungkinkan tertularnya TBC dengan mudah adalah anak-anak,
orang yang mengidap HIV/AIDS, manula, perokok, orang yang mengidap di-
abetes melitus, dan orang yang serumah dengan penderita TBC aktif.
Seseorang yang sudah terinfeksi tuberkulosis dapat digolongankan menja-
di dua, yang pertama seseorang yang mengidap bakteri tuberkulosis namun
karena sistem imun yang cukup kuat bakteri hanya mengendap sesaat dan
menyerang saat sistem imun lemah, ini disebut individu laten dan yang kedua

6
 7

adalah individu yang mengidap tuberkulosis aktif. Kondisi laten juga dapat
menjadi aktif karena kontak langsung dengan pengidap aktif, hal ini dikarenak-
an perkembangan bakteri yang semakin meningkat secara signifikan, sehingga
walaupun sistem imun kondisi laten kuat tetap bisa menjadi kondisi aktif ini
disebut ”Exogenous Reinfection”. Kondisi laten yang berubah menjadi kondisi
aktif karena sistem imun melemah dan menyebabkan perkembangan bakteri
meningkat sehingga menginfeksi, ini disebut ”Endogenous Reinfection”.

2.1.2 Situasi TBC di Indonesia

Tuberkulosis merupakan satu dari 10 penyebab kematian dan penyebab
utama agen infeksius. Di tahun 2017, jumlah penyakit TBC di Indonesia
mencapai 29.568 kasus. Pada 2018, kasus TBC naik menjadi 32.570.
Menurut data per wilayah selama tahun 2015-2018, Jakarta Timur men-
jadi wilayah dengan jumlah penderita TBC tertinggi setiap tahunnya. Pada
tahun 2018 penderita TBC di Jakarta Timur mencapai 10.207 jiwa, angka ini
mengalami kenaikan 145 jiwa dari tahun 2017. Di Jakarta Pusat, penderita
tuberkulosis sempat mengalami penurunan pada tahun 2017 sebanyak 348 ji-
wa dari tahun 2016 meskipun kemudian mengalami kenaikan signifikan pada
tahun 2018 menjadi 5.187 jiwa.
Jumlah pasien yang telah diobati dari tahun 2005-2018 di Indonesia adalah
4.662.957 dengan keberhasilan sebesar 85 persen. Balita yang sudah menda-
patkan vaksin di Indonesia pada tahun 2018 sebesar 8.281. Kasus TBC yang
belum terlaporkan di Indonesia sekitar 32 persen dan kasus yang ternotifikasi
sebesar 569.899.

2.1.3 Program pencegahan TBC

Vaksin TBC adalah salah satu cara untuk mencegah penyebaran penyakit
TBC yang dikenal dengan vaksin BCG. Vaksin BCG(Bacille Calmette-Guerin)
merupakan kombinasi dari nama dua dokter yang pertama kali mengembang-
kannya pada tahun 1921. Vaksin ini dikembangkan dari bakteri Mycobacterium
bovis, bakteri yang biasanya menjadi penyebab TBC pada hewan, seperti sa-
pi dan monyet. Namun, karakteristik dari bakteri M. bovis ini mirip dengan
bakteri penyebab TBC pada manusia, yaitu Mycobacterium tuberculosis.
Selain itu, beberapa bahan aktif tambahan (antigen) yang juga terkandung
dalam jumlah sedikit:
 8

1. Sodium, kalium, dan garam magnesium

2. Glycerol, stabilizer yang juga sering ditemukan di masakan

3. Asam sitrat

Namun, vaksin BCG ini tersedia dalam merek yang berbeda-beda, sehing-
ga terkadang kandungan di dalam vaksin di setiap negara pun bervariasi. Pe-
nyuplai utama dari vaksin TBC di seluruh dunia adalah The United Nation
Childrens Fund atau UNICEF, yang bekerja sama dengan Global Alliance for
Vaccines and Immunization, karena kuman yang terdapat di vaksin ini mi-
rip dengan bakteri M. tuberculosis, maka vaksin tersebut akan bekerja meniru
terjadinya infeksi TBC dalam tubuh.
Kuman dalam vaksin TBC ini telah dilemahkan sehingga tidak menim-
bulkan penyakit dan membahayakan manusia. Justru, mereka akan memicu
respons sistem imun tubuh untuk membentuk antibodi. Antibodi tersebutlah
yang akan melawan bakteri TBC sebelum menyebar dan menyebabkan gejala.
Dengan kata lain, vaksin ini akan membentuk perlindungan (imunitas) ter-
hadap TBC. Saat ini, vaksin BCG hanyalah satu-satunya vaksinasi untuk TB
yang tersedia, meskipun masih ada beberapa jenis vaksinasi yang sedang di-
kembangkan. Vaksin ini termasuk murah, aman, dan tersedia hampir di selu-
ruh fasilitas kesehatan.
Vaksinasi ini tidak boleh diberikan pada orang-orang dengan penyakit atau
kondisi kesehatan tertentu yang melemahkan sistem imun mereka. Hal ini di-
karenakan tubuh dengan sistem imun yang buruk justru menyebabkan bakteri
dari vaksin berkembang menjadi infeksi yang serius. Vaksin ini akan merang-
sang sistem imun tubuh Anda untuk melawan serangan infeksi bakteri M.
tuberculosis. Vaksin ini tidak akan menimbulkan penyakit apapun pada tubuh
Anda.
Menurut NHS, vaksin BCG dapat melindungi 80persen dari suatu populasi
agar tidak terinfeksi jenis TBC yang paling parah selama 15 hingga 60 tahun,
seperti TB meningitis. Sehingga, risiko penyebaran dan penularan bakteri
M. tuberculosis ini pun dapat dicegah. Namun, penting untuk Anda ketahui
bahwa vaksin ini tidak dapat mencegah infeksi utama bakteri TBC di paru-
paru secara efektif. Selain itu, pemberian vaksin tidak akan mencegah kondisi
infeksi TB laten agar tidak berkembang menjadi penyakit TB aktif. Infeksi
TB laten adalah kondisi di mana tubuh Anda telah terpapar bakteri TBC,
 9

namun bakteri masih tertidur dan sewaktu-waktu dapat aktif kembali dan
menimbulkan gejala-gejala penyakit TBC.
Pengembangan dan formulasi Strategi Penanggulangan Tuberkulosis yang
baru didasarkan pada:

1. Hasil survei prevalensi 2013-2014, yang menunjukkan bahwa TB mem-

pengaruhi orang-orang dari semua usia atau golongan, dengan orang-
orang miskin yang paling terpengaruh. Pria lebih banyak terkena da-
ripada wanita dan orang di daerah perkotaan lebih banyak daripada di
daerah pedesaan. Faktor risiko lain adalah penderita gizi buruk, narapi-
dana, dan orang-orang dengan sistem kekebalan yang terganggu, terma-
suk HIV dan diabetes, rentan terhadap TB.

2. Pelaporan/notifikasi kasus TB oleh program terus landai sebesar 30per-

sen, menunjukkan bahwa perubahan pendekatan, metode dan strategi
sangat diperlukan

3. Perkembangan terbaru manajemen dan alat diagnostik TB.

4. Berbagai temuan dan rekomendasi Joint External Monitoring Mission

(JEMM) 2013 dan 2016.

5. Komitmen pemerintah pusat dan daerah serta dunia yang memberikan

perhatian tinggi terhadap masalah TB.

2.1.4 Pengobatan TBC

Pada tahun 1994, Indonesia mengadopsi strategi DOTS (directly observed
treatment short-course) untuk penanggulangan TB, dan pada tahun 2001 se-
luruh propinsi dan lebih dari 95persen Puskesmas, dan 30persen Rumah Sa-
kit/BP.4 telah mengadopsi strategi DOTS. Dalam mendukung penerapan stra-
tegi DOTS, disediakan secara gratis paket OAT (Obat Anti TB) bagi penderita
dewasa maupun anak, dan pada tahun 2003 dipergunakan OAT untuk pende-
rita dewasa dalam dua bentuk yaitu OAT dalam bentuk Kombipaks dan OAT
dalam bentuk Fixed Dose Combination (FDC), dan mulai tahun 2005/2006
secara bertahap semua daerah akan menggunakan OAT FDC.
Untuk mendukung ketersediaan Obat Anti Tuberkulosis(OAT), Pemerin-
tah Pusat saat ini menerbitkan Surat Keputusan Nomor 1190/Menkes/SK/2004
 10

tentang Pemberian Gratis Obat Anti Tuberkulosis (OAT). Pengadaan OAT di-
lakukan setiap tahun melalui APBN, dan pada tahun 2004/2005 dalam rangka
percobaan penggunaan OAT FDC pengadaannya melalui bantuan hibah luar
negeri.

2.2 Model Matematika

Pemodelan adalah menirukan atau mengaplikasikan permasalahan dikehi-
dupan nyata kedalam bentuk fisik. Pemodelan matematika mendeskripsikan
peristiwa ke dalam satu set persamaan. Model matematika dapat ditunjukan
dengan cara kerja model yaitu mencari persamaan-persamaan pembentukan
model. Tahap mencari solusi dalam kehidupan sehari-hari adalah sebagai ber-
ikut :

1. Menyatakan permasalahan kedalam bentuk matematika

Langkah ini mengidentifikasi variabel-variabel dalam masalah dan mem-
bentuk hubungan antar variabel tersebut.

2. Menentukan asumsi
Asumsi adalah proses berpikir dari awal hingga model terbentuk. Asus-
mi menyebabkan perbedaan dati tiap model yang dihasilkan dan dapat
mempermudah dalam pembentukan model.

3. Membentuk model matematika

Formulasi model adalah langkah untuk menentukan hubungan antar va-
riabel, setelah model terbentuk, akan dilakukan uji asumsi model untuk
menentukan model yang sudah dibuat sesuai dengan realitasnya.

4. Menentukan solusi
Solusi dari pemodelan matematika yaitu dengan menganalisis sifat atau
perilaku model tersebut.

5. Interpretasi solusi
Interpretasi model dapat ditunjukkan dengan grafik ataupun hasil simu-
lasi numerik dengan menggunakan data fitting atau data riil dan kemu-
dian dapat diinterpretasikan dalam kehidupan nyata.
 11

Gambar 2.1: Diagram pemodelan matematika

2.3 Model Penyebaran Penyakit

Model penyebaran penyakit pertama kali dikemukakan oleh Kenmark dan
McKendrick pada tahun 1927 yang terdiri atas kelas Suspectible, Infection dan
Recovered. dan dikenal sebagi model SIR (Castillo, 2005). Diagram alir model
SIR dapat dilihat dibawah ini.

Gambar 2.2: Diagram alir model SIR

Pada gambar 2.2 kompartemen Suspectible(S) merupakan populasi yang

rentan terhadap suatu penyakit. Kompartemen Infected (I) merupakan popu-
lasi yang terinfeksi suatu penyakit. Kompartemen Recovered (R) merupakan
populasi yang telah sembuh dari penyakit.
Populasi Suspectible bertambah karena adanya kelahiran π dan berkurang
 12

karena populasi terinfeksi penyakit sebesar αSI serta berkurang karena kema-
tian normal µS. Sehingga perubahan populasi S terhadap waktu adalah
dS
= π − aSI − µS
dt
Populasi terinfeksi bertambah karena populasi S yang terkena penyakit
dinotasikan dengan αSI dan berkurang karena mendapat pengobatan sebesar
βI serta berkurang karena kematian normal µI. Sehingga perubahan populasi
I terhadap waktu adalah
dI
= aSI − βI − µI
dt
Populasi Recovered bertambah mendapatkan pengobatan dinotasikan dengan
βI dan berkurang karena kematian normal µR. Sehingga perubahan populasi
I terhadap waktu adalah
dR
= βI − µR
dt
Berdasarkan penjelasan tersebut, dapat ditulis dalam bentuk persamaan
diferensial sebagai berikut :

dS
= π − aSI − µS
dt
dI
= aSI − βI − µI
dt
dR
= βI − µR
dt

Penyebaran penyakit juga dapat menggunakan empat kompartemen va-

riabel, yaitu SEIR (Suspectible, Exposed, Infected, Recovered ). Suspectiable
adalah variabel populasi yang rentan terkena penyakit, exposed adalah varia-
bel populasi yang sudah terdeteksi penyakit, infected adalah variabel populasi
yang sudah terinfeksi penyakit, recovered adalah variabel populasi yang sudah
sembuh.
Populasi Suspectible bertambah karena adanya kelahiran π dan berkurang
karena populasi terkena penyakit namum belum menginfeksi sebesar αSI ser-
ta berkurang karena kematian normal µS. Sehingga perubahan populasi S
terhadap waktu adalah
dS
= π − aSI − µS
dt
 13

Populasi E bertambah karena populasi S yang terkena penyakt namun pe-

nyakit belum menginfeksi dinotasikan dengan αSI. Berkurang karena popula-
si sudah terinfeksi βI serta berkurang karena kematian normal µI. Sehingga
perubahan populasi I terhadap waktu adalah
dI
= aSI − βI − µE
dt
Populasi I bertambah karena penyakit menginfeksi dinotasikan dengan βI.
Berkurang karena populasi mendapatkan pengobatan εI serta berkurang ka-
rena kematian normal µI. Sehingga perubahan populasi I terhadap waktu
adalah
dI
= βI − εI − µI
dt
Populasi R bertambah mendapatkan pengobatan dinotasikan dengan εI
dan berkurang karena kematian normal µR. Sehingga perubahan populasi I
terhadap waktu adalah
dR
= βI − µR
dt

Diagram alir model SEIR dapat dilihat dibawah ini.

Gambar 2.3: Diagram alir model SEIR

Berdasarkan penjelasan tersebut dapat ditulis dalam bentuk persamaan

diferensial sebagai berikut :

dS
= π − aSI − µS
dt
dE
= aSI − βI − µE
dt
dI
= βI − εI − µR
dt
 14

dR
= εI − µR
dt

Skripsi ini akan membahas model penyebaran penyakit dengan model VE-
ITR (vaccined, exposed, infected, treatment, dan recovered).

2.4 Persamaan Diferensial

Persamaan diferensial adalah persamaan yang menggunakan turunan dengan
satu atau lebih variabel tak bebas terhadap satu atau lebih variabel bebas
(Ross, 2010). Bentuk umum persamaan diferensial :

ẋ = f (x)

Berdasarkan variabel bebasnya, persamaan diferensial dibagi menjadi dua

yaitu persamaan diferensial elementer (PDE) dan persamaan diferensial parsial
(PDP).

2.4.1 Persamaan Diferensial Elementer

Persamaan diferensial elementer adalah persamaan diferensial yang meng-
gunakan turunan biasa dari satu atau lebih variabel tak bebas terhadap satu
variabel bebas.
Contoh 2.4.1

1. Bentuklah persamaan diferensial orde satu dari fungsi y = 4x3 + 5x − 2

jawab :
y = 4x3 + 5x − 2
dy
= 12x2 + 5
dx
dy
− 12x2 + 5 = 0
dx
2. Tentukan solusi persamaan diferensial

dy 2x2
=
dx 3 + y2
jawab:
dy 2x2
=
dx 3 + y2
 15

(3 + y 2 )dy = (2x2 )dx

Z Z
(3 + y )dy = (2x2 )dx
2

1 2
3y + y 3 − x3 = c
3 3

2.4.2 Order Persamaan Diferensial

Order persamaan diferensial adalah derajat atau pangkat tertinggi dari
turunan yang muncul dalam persamaan. Secara umum persamaan diferensial
berordo n dapat dituliskan sebagai

F [t, u(t), u0 (t), ..., u(n) (t)] = 0

Contoh : Carilah penyelesaian umum persamaan diferensial

xy 0 + (1 − x)y = 4xex lnx

jawab : Tulis PD menjadi,

1−x
y0 + y = 4ex lnx
x
Faktor integrasi
1−x
Z Z
p(x)dx = dx = lnx − x
x
R
p(x)
misal u = e maka
u = elnx−x = xe−x

Solusi Z
−x
yxe = (4ex lnx)(xe−x )dx
Z
yxe−x = 4xlnxdx

yxe−x = 2x2 lnx − x2 + c

Penerapan sistem persamaan diferensial order pertama adalah kajian-kajian

sains dan teknologi, seperti penyebaran penyakit, tingkat suku bunga, atau la-
ju pertumbuhan.
 16

2.5 Sistem Persamaan Diferensial

Kumpulan persamaan diferensial biasa yang mempunyai hubungan dise-
but sistem persamaan diferensial. Bentuk umum sistem persamaan diferensial
adalah sebagai berikut :
ẋ1 = f1 (t, x1 , x2 , ...., xn )
ẋ2 = f2 (t, x1 , x2 , ...., xn )
ẋn = fn (t, x1 , x2 , ...., xn )
Sistem persamaan diferensial berdasarkan kelinearannya dibagi menjadi
dua, yaitu sistem linear dan sistem non-linear.

2.5.1 Sistem Linear

Sistem linear berfungsi untuk menentukan kestabilan di titik kesetimbang-
an dari sistem persamaan diferensial. Bentuk umum persamaan diferensial
linear atau sistem linear ordo-n adalah.

ẋ1 = a11 x1 + a12 x2 + ... + a1n xn

ẋ2 = a21 x1 + a22 x2 + ... + a2n xn
:
ẋm = am1 x1 + am2 x2 + ... + amn xn
Dapat dibentuk menjadi matriks sebagai berikut :
    
ẋ1 a11 a12 ... a1n x1
    
 ẋ2   a21 a22 ... a2n  x2 
 : = :
    
   : : : 
 : 

ẋm am1 am2 ... amn xm
Sehingga dapat dinyatakan dengan
ẋ = Ax
Jika F (x) = 0 maka disebut PD homogen.

d2 y dy
x 2
+ 2 − 6xy = 0
dx dx
Jika F (x) 6= 0 maka disebut PD tak homogen.

d2 y dy
x 2
+ 2 − 6xy = sinx
dx dx
 17

2.5.2 Sistem non-linear

Persamaan diferensial dikatakan non-linear jika memenuhi salah satu kri-
teria berikut:

1. Memuat variabel tak bebas berpangkat lebih dari satu

2. Terdapat perkalian variabel-variabel tak bebas

3. Terdapat fungsi transenden

Contoh :
dx
= x2 + 3y
dt
dy
= x + 2xy
dt
dz
= x + 2y + cos3z
dt
d2 y dy
+ 3 + 4y 3 = 0
dx2 dx
d4 y d3 y dy
( 4 )2 + x2 3 + x3 = xex
dx dx dx
d3 y d2 y dy
3
+ 4 2
− 5 + 3y = sinx
dx dx dx

2.6 Titik Ekuilibrium

Titik ekuilibrium/titik kesetimbangan adalah solusi dari sistem persamaan
diferensial biasa yang tidak berubah terhadap waktu.
Definisi 2.6.1 Diberikan suatu sistem persamaan diferensial dengan x ∈
R dan x̄ ∈ Rn disebut titik ekuilibrium dari sistem persamaan diferensial jika
n

memenuhi f (x̄) = 0 (Wiggins, 2003)

Contoh 2.4.1
Diberikan persamaan diferensial sebagai berikut y = x2 − x − 72. Akan diten-
tukan titik ekuilibrium dari persamaan tersebut.

f (x̄) = 0

x2 − x − 72 = 0

(x − 9)(x + 8) = 0
 18

x̄ = 9

x̄ = −8

Titik ekuilibrium dibagi menjadi dua, yaitu titik ekuilibrium bebas penya-
kit dan titik ekuilibrium endemik penyakit. Titik ekuilibrium bebas penyakit
adalah titik dimana suatu daerah tersebut tidak terjadi penyebaran penyakit,
populasi sehat dan tidak terjadi infeksi. Titik ekuilibrium endemik penyakit
adalah titik dimana suatu daerah tersebut terjadi penyebaran, populasi ada
yang terinfeksi penyakit.
Titik ekuilibrium digunakan untuk mengetahui perilaku penyebaran pada
suatu model dengan melihat kestabilan titik ekuilibrium tersebut. Kestabilan
titik ekuilirium dapat dilihat berdasarkan nilai eigen matriks.

2.7 Kestabilan Titik Ekuilibrium

Kestabilan titik ekuilibrium dibagi menjadi dua kestabilan titik ekuilibrium
bebas penyakit dan kestabilan titik ekuilibrium endemik penyakit. Definisi
titik kestabilan sistem linear maupun non-linear adalah sebagai berikut:
Definisi 2.7.1 Diberikan sistem persamaan diferensial orde satu ẋ = f (x)
dan x(t, x0 ) adalah solusi persamaan tersebut pada saat dengan kondisi awal
x(0) = x0 (Olsder,2004).

1. Titik ekuilibrium x̄ dikatakan stabil jika diberi ε > 0 dan δ > 0 sedemi-
kian sehingga jika kx0 − x̄k < δ maka kx(t, x0 ) − x̄k < ε untuk semua
t ≥ 0.

2. Titik ekuilibrium x̄ dikatakan stabil asimtotik jika titik-titik ekuilibrium-

nya stabil dan terdapat δ1 > 0 sedemikian sehingga limkx(t, x0 ) − x̄k = 0
dan kx(t, x0 ) − x̄k < δ1 .

3. Titik ekuilibrium x̄ dikatakan tidak stabil jika titi-titik ekuilibriumnya

tidak memenuhi poin (1)
 19

Gambar 2.4: Kestabilan Titik Ekuilibrium

Teorema 2.7.2 Sistem ẋ = Ax stabil asimtotis jika dan hanya jika bagian
real semua nilai eigen dari A bernilai negatif.
Bukti:
Ingat bahwa solusi sistem ẋ = Ax selalu memuat exp e(λ)x sehingga jika semua
bagian real dari (λ) bernilai negatif maka untuk t −→ ∞ nilai exp e(λ)x akan
menuju 0 sehingga sistemnya stabil asimtotis. Akibatnya jika ada bagian real
nilai eigen A yang bernilai positif maka sistem tidak stabil.
Kestabilan titik ekuilibrum bebas penyakit dapat dicari dengan menggu-
nakan metode next generation, sedangkan kestabilan titik ekuilibrum endemik
penyakit dapat dicari dengan linearisasi matriks jacobian.

2.8 Linearisasi
Linearisasi digunakan untuk mengubah persamaan diferensial non-linear
menjadi linear. Linearisasi digunakan untuk mencari aproksimasi yang terba-
ik. Proses linearisasi dapat menggunakan deret Taylor disekitar titik ekuili-
brum, yaitu :

x̄ = f (x)

dengan titik ekulibrum x̄ = (x̄1 , x̄2 , ..., x̄n ) dan f (x̄) = 0. Pendekatan line-
ar fungsi f (x, y) disekitar (a, b) diperoleh dengan menderetkan fungsi f (x, y).
Didapat pendekatan linear untuk sistem sebagi berikut :

∂f1 (x̄) ∂f1 (x̄) ∂f1 (x̄)

ẋ1 = f1 (x) = (x1 − x̄1 ) + (x2 − x̄2 ) + ... + (xn − x̄n )
∂x1 ∂x2 ∂xn
∂f2 (x̄) ∂f2 (x̄) ∂f2 (ẋ)
ẋ2 = f2 (x) = (x1 − x̄1 ) + (x2 − x̄2 ) + ... + (xn − x̄n )
∂x1 ∂x2 ∂xn
 20

∂fn (x̄) ∂fn (x̄) ∂fn (x̄)

x̄n = fn (x) = (x1 − x̄1 ) + (x2 − x̄2 ) + ... + (xn − x̄n )
∂x1 ∂x2 ∂xn
selanjutnya definisikan :
y1 = x1 + x̄1
y2 = x2 + x̄2
yn = xn + x̄n
dan ẏ = ẋ sehingga diperoleh
∂f1 (x̄) ∂f1 (x̄) ∂f1 (x̄)
ẏ1 = y1 + y2 + ... + yn
∂x1 ∂x2 ∂xn
∂f2 (x̄) ∂f2 (x̄) ∂f2 (x̄)
ẏ2 = y1 + y2 + ... + yn
∂x1 ∂x2 ∂xn
∂fn (x̄) ∂fn (x̄) ∂fn (x̄)
ẏn = y1 + y2 + ... + yn
∂x1 ∂x2 ∂xn
Kemudian bentuk tersebut dinyatakan dalam bentuk matriks, maka dipe-
roleh :
    
∂f1 (x̄) ∂f1 (x̄) ∂f1 (x̄)
ẏ1 ... y1
   ∂f∂x 1
2 (x̄)
∂x2
∂f2 (x̄)
∂xn
∂f2 (x̄)   
 ẏ2   ∂x ∂x2
...  y 
∂xn   2 
 = 1
 ...   ... ... ... ...   ...
 
  
∂fn (x̄) ∂fn (x̄) ∂fn (x̄)
ẏn ∂x1 ∂x2
... ∂xn
y4
atau dapat ditulis dengan
ẏ = J(f (x̄))y

J(f (x̄)) disebut matriks Jacobian dari fungsi f (x) di titik ekuilibrum x̄, dengan
:  
∂f1 (x̄) ∂f1 (x̄) ∂f1 (x̄)
...
 ∂f∂x 1
2 (x̄)
∂x2
∂f2 (x̄)
∂xn
∂f2 (x̄) 
 ∂x ∂x2
... ∂xn 
J(f (x̄)) = 
 ...
1 
 ... ... ... 

∂fn (x̄) ∂fn (x̄) ∂fn (x̄)
∂x1 ∂x2
... ∂xn

2.9 Nilai Eigen

Nilai eigen digunakan untuk menentukan kestabilan titik ekuilibrum dengan
menggunakan linearisasi. Definisi 2.9.1 Jika A adalah sebuah matriks n × n,
maka sebuah vektor tak nol x pada Rn disebut vektor eigen (vektor karakte-
ristik) dari A jika Ax adalah sebuah kelipatan skalar dari x

Ax = λx
 21

Untuk skalar sebarang λ disebut niai eigen dari A dan x adalah vector eigen
dari A. Nilai eigen dari matriks A dapat diperoleh dengan rumus :
Ax = λIx
Ax − λIx = 0
(A − λI)x = 0
det(A − λI)x = 0
Persamaan diatas disebut persamaan karakteristik matrik A.
Teorema 2.9.2 Jika A adalah sebuah matriks segitiga (atas/bawah) atau
matriks diagonal, maka nilai-nilai eigen dari A adalah entri-entri yang terletak
pada diagonal utama matriks A.
Permasalahan yang sering muncul dalam menentukan suatu kestabilan titik
endemik penyakit adalah ketika mencari akar persamaan karakteristik berorde
tinggi dan diperlukan suatu kriteria yang mampu menjamin nilai dari akar
suatu persamaan karakteristik. Salah satu kriteria yang efektif untuk menguji
kestabilan adalah kriteria Routh Hurwitz.

2.10 Kriteria Routh Hurwitz

Kriteria Routh Hurwitz didasarkan pada pengurutan koefisien persamaan
karakteristik sistem orde yang dituangkan kedalam bentuk array. Diberikan
suatu persamaan karakteristik dari matriks An×n sebagai berikut :
det|λI − A| = a0 λk + a1 λk−1 + a2 λk−2 + ... + ak = 0
dengan ai , i = 0, 1, 2, ..., k dan a0 6= 0 merupakan koefisien dari persamaan
karakteristik dari matriks. Maka, didefinisikan matriks sebagai berikut :
 
H1 = a1
!
a1 1
H2 =
a3 a2
 
a1 1 0 0 ... 0
a3 a2 a1 1 ... 0
 
 
 
Hj = 
 a5 a4 a3 a2 ... 0 

... ... ... ... ... ...
 
 
a2j−1 a2j−2 ... ... ... aj
 22

dengan syarat setiap (l, m) pada matriks Hj adalah


 a ; 0 < 2l − m ≤ k
 2l−m


Hlm = 1; 2l − m



0; 2l < matau2l > k + m

dengan demikian, titik tetap x̄ stabil jika dan hanya jika det Hj > 0 untuk
setiap i = 1, 2, ..., k untuk k = 3 dan k = 4 kriteria Routh-Hurwitz diberikan
sebagai berikut:
untuk k = 3 harus memenuhi syarat
a1 > 0
a2 > 0
a3 > 0
a1 .a2 − a3 > 0
untuk k = 4 harus memenuhi syarat
a1 > 0
a2 > 0
a3 > 0
a4 > 0
a1 .a2 − a3 > 0
a3 (a1 .a2 − a3 ) − a1 2 .a4 > 0
Harus diperhatikan bahwa semua koefisien harus positif. Jika terdapat koefi-
sien nol atau negatif maka sistem tidak stabil.

2.11 Bilangan Reproduksi Dasar

Salah satu pokok penting dalam penyebaran penyakit menular adalah pro-
ses penyebaran penyakit pada populasi tersebut. Titik bebas penyakit dimiliki
oleh setiap model penyakit yang mana digunakan untuk mengetahui tingkat
penyebaran disuatu populasi. Nilai R0 dapat dicari dengan membedakan tiap
individu baru yang terinfeksi di setiap variabelnya. Misal Fi (x) adalah tingkat
individu yang terinfeksi bakteri, Vi + (x) adalah tingkat individu yang masuk ke
variabel, Vi − (x) adalah tingkat individu yang keluar dari variabelnya. Berda-
sarkan uraian diatas kita mendapatkan persamaan non-negatif sebagai berikut
:
ẋi = fi (x) = Fi (x) − Vi (x), i = 1, 2, ..., n (2.1)
 23

dengan Vi (x) = Vi − (x) − Vi + (x) dan fungsi ẋi harus memenuhi syarat (A1) −
(A5) sebagai berikut :

A1. Jika x > 0 maka Fi , Vi + , Vi − ≥ 0. Kalau variabel kosong maka tidak

ada penyebaran penyakit atau populasi tidak berubah akibat kematian,
infeksi, ataupun yang lainnya.

A2. Jika x > 0 maka Vi − = 0, jika x ∈ Xs maka Vi − = 0.

A3. Fi = 0, maka i > m.

A4. Jika x ∈ Xs maka Fi (x) = 0 dan Vi + (x) = 0.

A5. Jika F (x) adalah himpunan 0 maka semua nilai eigen dari Df (x0 ) adalah
negatif.

Lemma(2.11.1) : Jika x0 adalah DFE dari (2.1) dan fi (x) memenuhi (A1)−
(A5), maka derivatif DF (x0 ) dan DV (x0 ) adalah sebagai berikut :
! !
F 0 V 0
DF (x0 ) = , DV (x0 ) =
0 0 J3 J4

dengan F dan V adalah matriks m × m, di definisikan sebagai :

h i
∂Fi (x0 )
F = ∂xj

dan h i
∂Vi (x0 )
V = ∂xj

Berdasarkan syarat (A5) dapat diketahui bahwa DFE adalah stabil asimto-
tik lokal. Persamaan (2.1) dapat kita gunakan untuk mencari nilai induvidu
yang terinfeksi. Misal ψ(t) adalah partisi dari DV (x0 ) mengandung nilai ne-
gatif dari populasi di variabel yang termasuk dalam penyebaran penyakit dan
ϕ(t) adalah partisi dari DF (x0 ) mengandung populasi yang terjangkit bakte-
ri. Berdasarkan lemma 2.8.1 entri matriks F bernilai non-negatif dan V adalah
matriks non-singular, kemudian matriks V dicari inversnya yang merupakan
matriks non-negatif. Perkalian matriks F dan V −1 disebut matriks next gene-
ration.
Kemudian diperoleh nilai R0 dengan rumus :

R0 = ρ(F V −1 )
 24

dengan ρ adalah nilai terbesar dari matriks tersebut.

Bilangan reproduksi dasar dinotasikan dengan R0 . Kondisi yang memung-
kinkan dari bilangan reproduksi dasar menurut Van Den Driessche dan Wa-
tmough (2002) adalah

1. Jika R0 < 1, maka jumlah individu yang terinfeksi akan menurun pada
setiap generasi, sehingga penyakit tidak akan menyebar.

2. Jika R0 > 1, maka jumlah individu yang terinfeksi akan meningkat pada
setiap generasi, sehingga penyakit akan menyebar.
 BAB III

DESAIN MODEL

Diagram alir atau design model adalagh sebuah diagram yang mewakili
proses atau alir kerja, yang menampilkan langkah-langkah dalam pengerjaan
suatu tulisan ilmiah atau penelitian ilmiah. Diagram alir digunakan untuk
menganalisa, mendokumentasi, dan memanajemen sebuah proses dengan ba-
ik. Pada bab ini, akan dijelakan tentang design model yang dilakukan untuk
skripsi ini. Design model yang dilakukan diantaranya :

1. Menentukan topik pilihan

Pada tahap ini, penulis menentukan pilihan yang menarik untuk diba-
has dan pernah diteliti oleh beberapa sumber referensi. Melihat sisi
lain bahwa Indonesia menurupak negara terbesar kedua di dunia dengan
penderita TBC terbanyak. Penulis ingin skripsi ini menjadi sumber pe-
ngetahuan bagi pembaca. Pemodelan penyebaran penyakit juga sesuai
dengan jurusan yang penulis tempuh. Setelah memperoleh topik, penulis
melakukan studi literature.

2. Melakukan studi literatur dan penetapan landasan teori

Pada tahap ini, penulis mencari berbagai referensi megenai topik yang
akan diteliti dan dibahas. Penulis mencari sumber dari internet, jurnal
skripsi sebelumnya, dan artikel-artikel ilmiah lainnya. Dari hasil kaji-
an tersebut, penulis dapat menentukan landasan teori-teori yang akan
digunakan dalam skripsi ini.

3. Menentukan batasan masalah

Menentukan batasan masalah sangat penting dalam penelitian, dikare-
nakan penelitian ini akan lebih terkhusus dan berkosus pada satu masa-
lah, yaitu tentang penyebaran penyakit TBC dengan batasan masalah-
nya ialah populasi yang masuk hanya penduduk tetap, tidak ada imigrasi
ataupun emigrasi. Kemudian, diasumsikan populasi yang sudah sembuh
tidak dapat tertular kembali, serta populasi berdasarkan semua golongan
usia.

25
 26

4. Pembuatan model penyebaran penyakit

Pembuatan model dilakukan saat kita ingin mengimplementasikan per-
masalahan kehidupan nyata dalam bentuk matematika. Sehingga, penu-
lis membuat formulasi model dalam penyebaran penyakit TBC ini. Mo-
del yang dibuat penulis adalah VEITR, berdasarkan batasan masalah,
populasi yang akan masuk dalam tiap variabel akan disesuaikan. Mo-
del tersebut memiliki lima variabel, yaitu, vacinated, expose, infection,
treatment, dan recovery.

5. Menganalisis kestabilan model

Model yang dibuat akan dianalisa kestabilannya, karena model harus
sesuai agar penyebaran atau uji simulasi yang dilakukan menghasilkan
jawaban yang tepat. Terdapat beberapa langkah dalam mengalisa kes-
tabilan model.

(a) Menentukan titik ekuilibrum

Titik ekuilibrum pada penyebaran penyakit terbagi menjadi dua,
yaitu titik ekuilibrum bebeas penyakit dan endemik penyakik
(b) Kestabilan Titik Ekuilibrum Kestabilan titik ekuilibrum dapat di-
tentukan dengan mencari nilai eigen dari matriks Jacobian. Jika
semua nilai eigen bernilai negatif maka model yang penulis buat
adalah stabil.

Kemudian, akan dicari nilai reproduksi dasar atau nilai penyebaran pe-
nyakitnya.

6. Mencari nilai bilangan reproduksi dasar

Mencari nilai Bilangan Reproduksi dasar dapat dilakukan dengan meng-
gunakan metode next generation matrix. Sistem persamaan diferensial
yang sudah didapat dari formulasi model akan digunakan untuk men-
cari nilai R0 . Persamaan yang digunakan adalah persamaan diferensial
variabel expose dan variabel Infection by exogenous reinfection. Kedua
variabel tersebut mengandung populasi yang terjangkit bakteri.Sehingga,
hanya dua variabel saja yang kita butuhkan. Kemudian, akan dicari ma-
triks next generation. Nilai R0 merupakan nilai terbesar dari matriks
next generation. Nilai yang didapat akan digunakan dalam uji simulasi.
 27

7. Pengambilan data sekunder

Dalam skripsi ini, pengumpulan data dilakukan dengan metode riset
kepustakaan. Data yang diperoleh secara tidak langsung atau data se-
kunder.

8. Uji simulasi numerik

Uji simulasi numerik digunkaan untuk menentukan apakah suatu wila-
yah tertentu endemik penyakit atau bebas penyakit. Menentukan hal
tersebut dibutuhkan data yang akurat yang sudah diambil sebelumnya,
kemudian akan disubstitusikan kedalam rumusan bilangan reproduksi
dasar yang sudah dicari sebelumnya. Ada dua kemungkinan hasil yang
didapat, daerah yang penulis teliti termasuk bebas penyakit atau ende-
mik penyakit.

9. Menentukan kesimpulan berdasarkan rumusan masalah

Kesimpulan diperoleh dari hasil penelitian berdasarankan rumusan ma-
salah yang dibuat. Berdasarkan rumusan masalah yang ada di BAB I,
penulis akan memiliki tiga kesimpulan.

Sehingga desain model yang dilakukan dapat diliat pada gambar berikut :
 28

Gambar 3.1: Desain Model

 BAB IV

PEMBAHASAN

4.1 Formulasi Model

Total populasi yang digunakan dalam model dibagi menjadi lima komparte-
men, yaitu populasi tervaksinasi (V ), populasi sehat atau rentan (E), populasi
yang terinfeksi akibat Exogenous Reinfection (I), populasi yang mendapat pe-
ngobatan (T ), populasi yang sudah sembuh (R).
Pada model tersebut akan diformulasikan sebagai berikut:

1. Populasi tervaksinasi (V )
Jika angka kelahiran dinotasikan dengan α dan kemungkinan dari angka
kelahiran yang mendapatkan vaksin dinotasikan dengan n, maka popu-
lasi V (t) mengalami peningkatan pada saat ∆t sehingga menjadi nα∆t.
Jika tingkat keefektifan vaksin dinotasikan dengan f , maka (1−f ) adalah
tingkat ketidakefektifan vaksin terhadap individu. Individu tervaksinasi
yang menjadi rentan terinfeksi dinotasikan dengan βIV , maka popu-
lasi tervaksinasi berkurang pada saat ∆t, sehingga dinotasikan dengan
(1 − f )βIV ∆t.
Jika populasi tervaksinasi berkurang akibat kematian normal yang dino-
tasikan dengan µV pada saat ∆t , sehingga mengalami penurunan yang
dinotasikan dengan µV ∆t.
Berdasarkan model tersebut, didapat persamaan diferensial sebagai ber-
ikut:

V (t + ∆t) = nα∆t − (1 − f )βIV ∆t − µV ∆t

V (t + ∆t) = (nα − (1 − f )βIV − µV )∆t
V (t + ∆t)
= nα − (1 − f )βIV − µV
∆t
dapat ditulis, menjadi
dV
= nα − (1 − f )βIV − µV (4.1)
dt

29
 30

2. Populasi Rentan (E)

Jika populasi rentan atau individu sehat yang dapat terinfeksi bertam-
bah dari populasi tervaksinasi yang tidak efektif pada saat ∆t, maka
mengalami peningkatan dan dinotasikan dengan (1 − f )βIV ∆t.
Jika populasi rentan menjadi individu aktif karena kontak langsung dengan
penderita aktif sehingga vaksin menjadi tidak efesien, maka populasi
rentan akan menurun pada saat ∆t sehingga dinotasikan dengan qvE.
Jika populasi rentan mendapatkan pengobatan sebelum virus menyebar
ataupun sebelum terkena kontak langsung dengan penderita aktif, maka
populasi rentan menurun pada saat ∆t , sehingga dinotasikan dengan
ρE.
Jika kematian normal pada saat individu rentan, maka E(t) akan meng-
alami penurunan µE∆t.
Berdasarkan model tersebut, didapat persamaan diferensial sebagai ber-
ikut:

E(t + ∆t) = (1 − f )βIV ∆t − qvE∆t − ρE∆t − µE∆t

E(t + ∆t) = ((1 − f )βIV − qvE − ρE − µE)∆t
E(t + ∆t)
= (1 − f )βIV − qvE − ρE − µE
∆t
E(t + ∆t)
= (1 − f )βIV − (qv + ρ + µ)E
∆t
dapat ditulis, menjadi
dE
= (1 − f )βIV − (qv + ρ + µ)E (4.2)
dt

3. Populasi Terinfeksi Akibat Exogenous Reinfection(I)

Jika populasi rentan menjadi individu aktif karena kontak langsung dengan
penderita aktif sehingga vaksin menjadi tidak efesien, maka populasi ter-
infeksi akan naik pada saat ∆t sehingga dinotasikan dengan qvE.
Jika populasi terinfeksi mendapatkan pengobatan, maka I(t) menurun
pada saat ∆t sehingga dinotasikan dengan rI∆t.
Jika populasi terinfeksi mengalami kematian normal, maka I(t) menurun
sehingga dinotasikan dengan µI∆t
Jika populasi terinfeksi mengalami kematian yang disebabkan oleh pe-
nyakit tuberkulosis, maka I(t) menurun sehingga dinotasikan dengan
 31

µT I∆t
Berdasarkan model tersebut, didapat persamaan diferensial sebagai ber-
ikut:

I(t + ∆t) = qvE∆t − rI∆t − µI∆t − µT I∆

I(t + ∆t) = qvE∆t − (r + µ + µT )I
I(t + ∆t)
= qvE − rI − µI − µT I
∆t
dapat ditulis, menjadi
dI
= qvE − (r + µ + µT )I (4.3)
dt

4. Populasi Treated (T )
Jika populasi terinfeksi mendapatkan pengobatan, maka T (t) mengalami
peningkatan pada saat ∆t sehingga dinotasikan dengan rI∆t.
Jika populasi rentan mendapatkan pengobatan sebelum bakteri menye-
bar, maka populasi T (t) mengalami peningkatan pada saat ∆t sehingga
dinotasikan dengan ρE∆t.
Jika populasi yang mendapat pengobatan mengalami kematian normal,
maka T (t) menurun sehingga µT ∆t.
Jika populasi yang mendapatkan pengobatan sudah sembuh total, maka
populasi T (t) menurun pada saat ∆t sehingga dinotasikan dengan πT ∆t.
Berdasarkan model tersebut, didapat persamaan diferensial sebagai ber-
ikut:

T (t + ∆t) = ρE∆t + rI∆t − µT ∆t − πT ∆t

T (t + ∆t) = (ρE + rI − µT − πT )∆t
T (t + ∆t)
= ρE + rI − (µ + π)T
∆t
dapat ditulis, menjadi
dT
= ρE + rI − (µ + π)T (4.4)
dt

5. Populasi Sembuh (R)

Asumsikan semua populasi yang sudah sembuh tidak dapat tertular kem-
bali. Jika tingkat kesembuhan dari populasi yang sudah mendapat pe-
ngobatan dinotasikan dengan π, maka R(t) mengalami peningkatan pada
 32

saat ∆t sehingga menjadi πT ∆t.

Jika kematian normal individu yag sudah sembuh dinotasikan dengan µ,
maka R(t) menurun menjadi µR∆t.
Berdasarkan model tersebut, didapat persamaan diferensial sebagai ber-
ikut:

R(t + ∆t) = πT ∆t − µR∆t

R(t + ∆t) = (πT − µR)∆t
R(t + ∆t)
= (πT − µR)
∆t
dapat ditulis, menjadi
dR
= πT − µR (4.5)
dt
Secara skematis, pola penyebaran penyakit Tuberkulosis model VEITR
digambarkan dalam diagram kompartemen pada gambar berikut.

Gambar 4.1: Diagram alir model VEITR

 33

Berdasarkan diagram tersebut, model dapat diformulasikan ke dalam ben-

tuk persamaan diferensial sebagai berikut:
dV
= nα − (1 − f )βIV − µV
dt
dE
= (1 − f )βIV − (qv + ρ + µ)E
dt
dI
= qvE − (r + µ + µT )I
dt
dT
= ρE + rI − (µ + π)T
dt
dR
= πT − µR
dt

dengan N (t) = V (t) + E(t) + I(t) + T (t) + R(t) adalah total populasi
pada waktu t. Semua parameter pada sistem bernilai positif dan keterangan
parameter adalah sebagai berikut:

Tabel 4.1: Daftar Parameter pada Model VEITR

Simbol Keterangan
V (t) Populasi tervaksinasi
E(t) Populasi rentan
I(t) Populasi terinfeksi exogenous reinfection
T (t) Populasi mendapat Pengobatan
R(t) Populasi sembuh
n Proporsi angka kelahiran yang masuk ke dalam populasi tervaksinasi
α Proporsi angka kelahiran
µ Proporsi angka kematian alami
µT Proporsi angka kematian yang disebabkan oleh penyakit tuberkulosis
f Proporsi keefektifan vaksin
(1 − f ) Proporsi ketidakefektifan vaksin
q Proporsi tingkat populasi terinfeksi
β Proporsi tingkat infeksi di lingkungan
v Proporsi tingkat populasi rentan menjadi terinveksi
r Proporsi tingkat populasi terinfeksi yang mendapatkan pengobatan
ρ Proporsi tingkat populasi rentan yang mendapatkan pengobatan
π Proporsi tingkat kesembuhan
 34

4.2 Bilangan Reproduksi Dasar

Bilangan repoduksi dasar dinotasikan R0 adalah tingkat penyebaran suatu
penyakit menular dari satu individu ke individu lain tiap satuan waktu. Untuk
menentukan bilangan reproduksi dasar menggunakan matriks Next Generation
yang harus memenuhi syarat (A1) − (A5) sebagai berikut:

1. A(1) Jika x ≥ 0 maka Fi (x), Vi + , Vi − ≥ 0 untuk i = 1, 2, 3, ..., n

 
0
(1 − f )βIV 
 

Fi (x) = 
 
 0 

0
 
 
0

 
(1 − f )βIV + µV
 (qv + ρ + µ)E 
 

Vi −
 
=
 (r + µ + µ T )I 

(µ + π)T
 
 
µR
 
nα
 0 
 

Vi +
 
=
 qvE 

ρE + rI 
 

πT

2. A(2) Jika xi = 0 maka Vi − = 0

Jika x merupakan bagian dari kompartemen bebas penyakit, maka rata-
rata transfer pada tiap kompartemen adalah nol.

3. A(3) Fi = 0 maka i > m

Banyaknya kompartemen yang menambah infeksi baru lebih banyak da-
ripada kompartemen m yang merupakan kompartemen yang terinfeksi.
Sehingga i > m.

4. A(4) Jika x ∈ Xs maka Fi (x) = 0 dan Vi + (x) = 0

Jika penduduk bebas penyakit maka tidak ada infeksi yang masukpada
kompartemen.
 35

5. A(5) Jika Fi adalah himpunan nol, maka nilai eigen Df (x0 ) memiliki
bagian real negatif.
Akan dicari nilai eigen Df (x0 ) menggunakan persamaan

fi (x) = Fi (x) − Vi (x)

dimana Vi (x) = Vi − − Vi + sehingga diperoleh

 
(1 − f )βIV + µV − nα
(qv + ρ + µ)E
 
 
Vi (x) = 
 
 (r + µ + µ T )I − qvE 

 (µ + π)T − ρE − rI 
 

µR − πT

maka,
fi (x) = Fi (x) − Vi (x)

fi (x) = 0 − Vi (x)

fi (x) = −Vi (x)

 
−(1 − f )βIV − µV + nα
−(qv + ρ + µ)E
 
 
 
fi (x) = 
 −(r + µ + µ T )I + qvE 

 −(µ + π)T + ρE + rI 
 

−µR + πT

Selanjutkan akan dicari nilai Jacobian dari fi (x) sehingga diperoleh nilai
eigen sebagai berikut :
 ∂V ∂V ∂V ∂V ∂V 
∂V ∂E ∂I ∂T ∂R
 
 
 
 ∂E ∂E ∂E ∂E ∂E 
 ∂V ∂E ∂I ∂T ∂R 
 
 
 
∂I ∂I ∂I ∂I ∂I
J(fi (x)) = 
 ∂V ∂E ∂I ∂T ∂R


 
 
 
 ∂T ∂T ∂T ∂T ∂T 
 ∂V ∂E ∂I ∂T ∂R 
 
 
∂R ∂R ∂R ∂R ∂R
∂V ∂E ∂I ∂T ∂R
 36

 
−(1 − f )βI − µ 0 −(1 − f )βV 0 0
0 −(qv + ρ + µ) 0 0 0
 
 
 
J(fi (x)) = 
 0 qv −(r + µ + µT ) 0 0 

0 ρ r −(µ + π) 0
 
 
0 0 0 π −µ

kemudian akan dicari nilai eigen dengan rumus λI−J(fi (x)) = 0 sehingga
didapat :
 
λ + (1 − f )βI + µ 0 (1 − f )βV 0 0
0 λ + (qv + ρ + µ) 0 0 0
 
 
 

 0 −qv λ + (r + µ + µT ) 0 0 

0 −ρ −r λ + (µ + π) 0
 
 
0 0 0 −π λ + µ

Subtitusikan nilai I = 0 karena bebas penyakit, diperoleh:

 
λ+µ 0 (1 − f )βV 0 0
0 λ + (qv + ρ + µ) 0 0 0
 
 
 

 0 −qv λ + (r + µ + µT ) 0 0 

0 −ρ −r λ + (µ + π) 0
 
 
0 0 0 −π λ + µ

Determinan dari matriks sebagai berikut :

(λ + µ)(λ + (qv + ρ + µ))(λ + (r + µ + µT ))(λ + (µ + π))(λ + µ) = 0

Sehingga diperoleh nilai eigen sebagai berikut:

λ1 = λ5 = −µ
λ2 = −(qv + ρ + µ)
λ3 = −(r + µ + µT )
λ4 = −(µ + π)

Berdasarkan syarat (A1) − (A5) yang sudah dipenuhi maka bentuk mo-
del yang dibuat sudah benar. Kemudian akan dicari bilangan reproduksi
dasar, dengan melihat sistem persamaan diferensial yang diperoleh, va-
riabel yang terinfeksi virus adalah persamaan (4.2) dan (4.3) sebagai
 37

berikut:
dE
= (1 − f )βIV − (qv + ρ + µ)E
dt
dI
= qvE − (r + µ + µT )I
dt
Kita Asumsikan :
!
(1 − f )βV I
ϕ=
0
!
(qv + ρ + µ)E
ψ=
(r + µ + µT )I − qvE

Bilangan reproduksi dasar mempunyai rumus umum, yaitu R0 = ρ(F V −1 )

Kemudian akan dicari matriks F dengan rumus :
!
∂ϕ1 ∂ϕ1
∂E ∂I
F = ∂ϕ2 ∂ϕ2
∂E ∂I
!
(1−f )βV I (1−f )βV I
∂E ∂I
F = 0 0
∂E ∂I
!
0 (1 − f )βV
F =
0 0

Selanjutnya akan dicari matriks V

!
∂ψ1 ∂ψ1
∂E ∂I
V = ∂ψ2 ∂ψ2
∂E ∂I
!
(qv+ρ+µ)E (qv+ρ+µ)E
∂E ∂I
V = (r+µ+µT )I−qvE (r+µ+µT )I−qvE
∂E ∂I
!
(qv + ρ + µ) 0
V =
−qv (r + µ + µT )

Kemudian matriks V akan di Invers-kan dengan rumus :

!
a b
V =
c d
!
1 d −b
V −1 =
ad − bc −c a
 38

Kemudian didapat:
!
1 (r + µ + µT ) 0
V −1 =
(qv + ρ + µ)(r + µ + µT ) − (−qv)(0) qv (qv + ρ + µ)
!
1 (r + µ + µT ) 0
V −1 =
(qv + ρ + µ)(r + µ + µT ) qv (qv + ρ + µ)
Sehingga diperoleh
 
(r+µ+µT ) 0
(qv+ρ+µ)(r+µ+µT ) (qv+ρ+µ)(r+µ+µT )
V −1 = 
 

 
qv qv+ρ+µ
(qv+ρ+µ)(r+µ+µT ) (qv+ρ+µ)(r+µ+µT )

 
1
(qv+ρ+µ)
0
V −1 = 
 

 
qv 1
(qv+ρ+µ)(r+µ+µT ) (r+µ+µT )

Selanjutnya akan dicari perkalian matriks (F V −1 )

 
1
!
(qv+ρ+µ)
0
0 (1 − f )βV
F V −1 =
 
 
0 0 
qv 1

(qv+ρ+µ)(r+µ+µT ) (r+µ+µT )
!
qv(1−f )βV (1−f )βV
F V −1 = (qv+ρ+µ)(r+µ+µT ) (r+µ+µT )
0 0
Dari matriks tersebut diperoleh :
qv(1 − f )βV
R0 = ρ(F V −1 ) =
(qv + ρ + µ)(r + µ + µT )
nα
Substitusi V = µ
qv(1 − f )β nα
µ
(qv + ρ + µ)(r + µ + µT )
µ
Kalikan µ
untuk menghilangkan µ pada pembilang :

qv(1 − f )β nα
µ µ
( )( )
(qv + ρ + µ)(r + µ + µT ) µ

Sehingga diperoleh :
qv(1 − f )βnα
R0 =
µ(qv + ρ + µ)(r + µ + µT )
 39

4.3 Titik Ekuilibrium

Titik ekuilibrium pada penyebaran penyakit dibagi menjadi dua, yaitu

titik ekuilibrium bebas penyakit dan titik ekuilibrium endemik penyakit.

(a) Titik Ekuilibrium Bebas Penyakit

Titik kritis bebas penyakit merupakan kondisi ketika semua individu
menjadi sehat atau dapat dikatakan tidak terdapat penyakit pada
suatu populasi tertentu. Titik kritis bebas penyakit dari sistem
diperoleh ketika E = I = 0 sehingga untuk mencari titik V, T, R
didapat dengan mensubstitusikan nilai tersebut :
i. Titik variabel T
dT
=0
dt
ρE + rI − (µ + π)T = 0
ρE + rI = (µ + π)T
ρE + rI
T =
µ+π
0
T =
µ+π
T =0

ii. Titik variabel R

dR
=0
dt
πT − µR = 0
πT = µR
πT 0
R= =
µ µ
R=0
 40

iii. Titik variabel V

dV
=0
dt
nα − (1 − f )βIV − µV = 0
nα = (1 − f )βIV − µV
nα = µV
nα
V =
µ

Jadi, titik kritis bebas penyakit adalah:

nα
x0 = ( , 0, 0, 0, 0) (4.6)
µ

(b) Titik Ekuilibrium Endemik Penyakit

Titik ekuilibrum endemik merupakan kondisi ketika masih terdapat
individu yang sakit atau penyakit belum menghilang dari suatu po-
pulasi tertentu. Sehingga untuk mencari titik kritis endemik x1 akan
digunakan persamaan diferensial setiap titik harus sama dengan nol
:
i. Titik Kritis V

dE
= (1 − f )βIV − (qv + ρ + µ)E
dt
0 = (1 − f )βIV − (qv + ρ + µ)E
(1 − f )βIV = (qv + ρ + µ)E

(1 − f )βIV
E= (4.7)
qv + ρ + µ
Substitusi titik I ke persamaan 4.7 sehingga diperoleh :

qvE
(1 − f )β( r+µ+µ T
)V
E=
qv + ρ + µ
(1 − f )βqvEV
E=
(qv + ρ + µ)(r + µ + µT )
E(qv + ρ + µ)(r + µ + µT ) = (1 − f )βqvEV
 41

Sehingga diperoleh:

(qv + ρ + µ)(r + µ + µT )
V = (4.8)
(1 − f )βqv

ii. Titik kritis I

dV
= nα − (1 − f )βIV − µV
dt
0 = nα − (1 − f )βIV − µV
nα = ((1 − f )βI + µ)V
nα
V = (4.9)
(1 − f )βI + µ
Substitusi titik V pada persamaan 4.8 ke persamaan 4.9 sehing-
ga diperoleh :

(qv + ρ + µ)(r + µ + µT )
((1 − f )βI + µ) = nα
(1 − f )βqv
(qv + ρ + µ)(r + µ + µT )I (qv + ρ + µ)(r + µ + µT )µ
+ = nα
qv (1 − f )βqv
(qv + ρ + µ)(r + µ + µT )I (qv + ρ + µ)(r + µ + µT )µ
= nα −
qv (1 − f )βqv
(qv + ρ + µ)(r + µ + µT )µ
(qv + ρ + µ)(r + µ + µT )I = [nα − ]qv
(1 − f )βqv
nαqv(1 − f )β − (qv + ρ + µ)(r + µ + µT )µ
I=
(qv + ρ + µ)(r + µ + µT )
nαqv(1 − f )β
I= −µ
(qv + ρ + µ)(r + µ + µT )
I = R0 µ − µ

Sehingga diperoleh
I = (R0 − 1)µ (4.10)

iii. Titik Kritis E

Titik V dan I sudah diperoleh, kemudian akan dicari titik E.
Diketahui persamaan 4.7 sebagai berikut:

(1 − f )βIV
E=
qv + ρ + µ
 42

Subtitusikan persamaan 4.8 dan 4.10 ke persamaan 4.7, sehing-

ga diperoleh:
(1 − f )βIV
E=
qv + ρ + µ
(1 − f )β(R0 − 1)µ (qv+ρ+µ)(r+µ+µ
(1−f )βqv
T)

E=
qv + ρ + µ
(R0 − 1)µ(r + µ + µT )
E= (4.11)
qv
iv. Titik Kritis T
dT
= ρE + rI − (µ + π)T
dt
0 = ρE + rI − (µ + π)T
ρE + rI = (µ + π)T

ρE + rI
T = (4.12)
µ+π
Substitusi persamaan 4.10 dan 4.11 ke persamaan 4.12, sehing-
ga diperoleh :
ρ(R0 − 1)µ(r + µ + µT ) + r(R0 − 1)µ
T =
µ+π
(R0 − 1)[ρµ(r + µ + µT ) + rµ]
T = (4.13)
µ+π
v. Titik Kritis R
dR
= πT − µR
dt
πT − µR = 0
πT = µR

πT
R= (4.14)
µ
Substitusi persamaan 4.13 ke persamaan 4.14, sehingga dipero-
leh :
π(R0 − 1)[ρµ(r + µ + µT ) + rµ]
R= (4.15)
µ2 + µπ
Jadi titik kritis endemik adalah:

x1 = (V, E, I, T, R) (4.16)
 43

dengan
(qv + ρ + µ)(r + µ + µT )
V =
(1 − f )βqv
(R0 − 1)µ(r + µ + µT )
E=
qv
I = (R0 − 1)µ
(R0 − 1)[ρµ(r + µ + µT ) + rµ]
T =
µ+π
π(R0 − 1)[ρµ(r + µ + µT ) + rµ]
R=
µ2 + µπ
Nilai titik endemik akan ada ketika nilai R0 > 1.

4.4 Analisis Kestabilan Titik Ekuilibrium

Analisis kestabilan titik ekuilibrium terbagi menjadi dua yaitu, bebas

penyakit dan endemik penyakit.

(a) Analisis Kestabilan Titik Bebas Penyakit

Menganalisis kestabilan titik bebas penyakit dapat dilihat dari per-
samaan karakteristik dari matriks F − V = 0 sebagai berikut:
! !
0 (1 − f )βV (qv + ρ + µ) 0
F −V = −
0 0 −qv (r + µ + µT )

!
−(qv + ρ + µ) (1 − f )βV
=
qv −(r + µ + µT )

Mencari persamaan karakteristik matriks

|λI − (F − V )| = 0

!
λ + (qv + ρ + µ) −(1 − f )βV
=
−qv λ + (r + µ + µT )

det(λ + qv + ρ + µ)(λ + r + µ + µT ) − (1 − f )qvβV = 0

λ2 + λr + λµ + λµT + λqv + qvr + qvµ + qvµT + λρ + ρr + ρµ +
ρµT + λµ + µr + µ2 + µµT − (1 − f )qvβV = 0
 44

Substitusikan titik V bebas penyakit λ2 + λ(r + µ + µT ) + qv(λ + r +

µ + µT ) + ρ(λ + r + µ + µT ) + µ(λ + r + µ + µT ) − (1 − f )qvβ nα
µ
=0
µλ2 + µλ(r + µ + µT ) + µqv(λ + r + µ + µT ) + µρ(λ + r + µ + µT ) +
µ2 (λ + r + µ + µT ) − (1 − f )qvβnα = 0
µλ2 + λ(µr + µ2 + µµT + µqv + µρ + µ2 ) + µ(qv + ρ + µ)(r + µ2 +
µµT ) − (1 − f )qvβnα = 0
Dengan menggunakan persamaan fungsi diperoleh nilai:
A=µ
B = (µr + µ2 + µµT + µqv + µρ + µ2 )
C = µ(qv + ρ + µ)(r + µ2 + µµT ) − (1 − f )qvβnα
Untuk mencari nilai eigen λ akan digunakan rumus ABC
√
−B ± B 2 − 4AC
λ1,2 =
2A
Titik akan stabil jika nilai eigen negatif, F − V akan memiliki nilai
eigen negatif jika nilai diskriminan D < 0 dan D > 0. Akan ditun-
jukkan untuk nilai D < 0
√
B 2 − 4AC < 0
B 2 − 4AC < 0
B 2 < 4AC
√
B < 2 AC
jika
B > 0, A > 0
maka
C>0

Kemudian akan ditunjukkan untuk nilai D > 0

√
B 2 − 4AC > 0
B 2 − 4AC > 0
B 2 > 4AC
√
B > 2 AC
jika
B > 0, A > 0
maka
C>0
Nilai R0 dapat dilihat dengan menggunakan nilai C > 0 sehingga
 45

diperoleh:

µ(qv + ρ + µ)(r + µ2 + µµT ) − (1 − f )qvβnα > 0

µ(qv + ρ + µ)(r + µ2 + µµT ) > (1 − f )qvβnα

(1 − f )qvβnα
1>
µ(qv + ρ + µ)(r + µ2 + µµT )
R0 < 1

Karena benar nilai R0 < 1 maka titik ekuilibrium bebas penyakit

akan stabil.

4.5 Simulasi Numerik

Simulasi numerik yang dilakukan adalah mencari nilai R0 berdasarkan

parameter yang sudah didapat, kemudian dapat ditentukan daerah ter-
sebut bebas penyakit atau endemik penyakit sehingga dapat dicari titik
ekuilibriumnya. Setelah memperoleh titik ekuilibrium akan dilakukan si-
mulasi dengan menggunakan program matematika dalam bentuk grafik.
Data yang digunakan adalah data sekunder penyakit tuberkulosis di Ja-
karta pada tahun 2017. Simulasi ini akan menghasilkan lima plot yaitu :
vaccined, exposed, infected, treated, recovered. Nilai-nilai parameter yang
diperoleh adalah sebagai berikut :

Tabel 4.2: Parameter Model Penyebaran Penyakit Tuberkulosis

Parameter Nilai Sumber
n 0.9 Kemenkes
α 0.014 kemenkes
µT 0.22 Kemenkes
µ 0.003 kemenkes
1−f 0.2 asumsi
q 0.202 Kemenkes
v 0.1 Jurnal
r 0.89 TBCIndo
ρ 0.2 TBCIndo
β 0.09 Kemenkes
π 0.849 TBCIndo
 46

Berdasarkan nilai-nilai parameter dapat diperoleh nilai R0 sebagai beri-

kut:
qv(1 − f )βnα
R0 =
µ(qv + ρ + µ)(r + µ + µT )
(0.202)(0.1)(1 − 0.8)0.09(0.9)(0.014)
R0 =
0.003((0.202)(0.1) + 0.2 + 0.003)(0.89 + 0.003 + 0.22)
0.0000045
R0 =
0.0007452648
R0 = 0.006

Pada kondisi tertentu tidak terjadi penyebaran penyakit, sehingga penya-

kit tuberkulosis akan punah dan daerah bersifat bebas penyakit dengan
kondisi setimbang pada saat

x0 = (V, E, I, T, R) = (4.2; 0; 0; 0; 0)

Nilai kondisi awal pada tiap kompartemen adalah 5; 3.5; 2; 3; 0. Berda-

sarkan tabel 4.2 model penyebaran penyakit tuberkulosis dapat dieksp-
resikan sebagai berikut :
dV
= (0.9)(0.014) − (1 − 0.8)(0.09)IV − (0.003)V
dt
dE
= (1 − 0.8)(0.09) − ((0.202)(0.1) + 0.2 + 0.003)E
dt
dI
= (0.202)(0.1)E − (0.89 + 0.003 + 0.22)I
dt
dT
= 0.2E + 0.89I − (0.003 + 0.849)T
dt
dR
= 0.849T − 0.003R
dt
dapat ditunjukkan pada gambar sebagai berikut:
 47

Gambar 4.2: Grafik model penyebaran penyakit

Penulis menggunakan waktu sebesar 100 bulan, dikarenakan untuk me-

lihat secara keseluruhan bentuk grafik semua kompartemen. Kemudian
akan dilihat grafik untuk masing-masing kompartemen dengan nilai awal
dan waktu yang berbeda.
Simulasi akan dilakukan untuk masing-masing variabel dengan kondisi
awal yang berbeda. Diasumsikan untuk variabel vaccined dengan kondisi
awal kompartemen 4; 3.5; 2; 3; 0 sehingga diperoleh grafik sebagai berikut:

Gambar 4.3: Gambar grafik variabel vaccined

 48

Garis merah pada Gambar 4.3 menunjukkan populasi vaccined menurun

karena masuk kedalam populasi exposed, kemudian populasi naik dika-
renakan adanya pengaruh vaksinasi sehingga grafik akan mendekati titik
kesetimbangan V = 4.2. Dapat dibandingkan dengan grafik pada gam-
bar 4.2 dengan nilai awal 5 juga menurun mendekati titik kesetimbangan
V = 4.2. Pada waktu tertentu, sistem berada pada kondisi stabil.
Simulasi akan dilakukan untuk variabel exposed dengan kondisi awal
kompartemen 4; 3.5; 2; 3; 0 sehingga diperoleh grafik sebagai berikut: Ga-

Gambar 4.4: Gambar grafik variabel exposed

ris kuning pada Gambar 4.4 menunjukkan populasi exposed menurun

dikarenakan populasi yang masuk juga semakin menurun karena ada-
nya pengaruh vaksin ataupun mendapatkan pengobatan sebelum bak-
teri berkembang menjadi aktif. Pada waktu tertentu populasi exposed
akan mendekati titik setimbang yaitu nol, sehingga penyebaran penyakit
tuberkulosis sangatlah kecil.
Simulasi akan dilakukan untuk variabel infected dengan kondisi awal
kompartemen 4; 3.5; 2; 3; 0 sehingga diperoleh grafik sebagai berikut:
 49

Gambar 4.5: Gambar grafik variabel infected

Garis hijau pada Gambar 4.5 menunjukkan populasi infected yang menu-
run dikarenakan adanya pengaruh pengobatan dan kematian. Pada saat
tertentu populasi infected akan mendekati titik setimbang yaitu nol, se-
hingga penyebaran penyakit yang terjadi sangat kecil.
Simulasi akan dilakukan untuk variabel treated dengan kondisi awal kom-
partemen 4; 3.5; 2; 3; 0 sehingga diperoleh grafik sebagai berikut:

Gambar 4.6: Gambar grafik variabel treated

 50

Garis biru pada Gambar 4.6 menunjukkan populasi treated yang dapat
dilihat lebih banyak pada awal dikarenakan populasi laten dan populasi
terinfeksi mendapatkan pengobatan. Pada waktu tertentu populasi tre-
ated akan mendekati titik setimbang yaitu nol dikarenakan penyebaran
penyakit sangat kecil sehingga populasipun menurun.
Kemudian akan dilakukan simulasi untuk variabel recovered dengan kon-
disi awal kompartemen 4; 3.5; 2; 3; 10 sehingga diperoleh grafik sebagai
berikut:

Gambar 4.7: Gambar grafik variabel recovered

Garis merah muda pada Gambar 4.7 menunjukkan populasi recovered

yang dapat dilihat pada awal waktu naik dikarenakan populasi yang
mendapat pengobatan juga banyak, namun kemudian kembali turun ka-
rena penyebaran penyakit sangat kecil. Dibandingkan dengan grafik pa-
da gambar 4.2, populasi recovered membutuhkan waktu lebih panjang
untuk mencapai titik kesetimbangan. Namun, pada waktu tertentu po-
pulasi recovered akan mendekati titik setimbang yaitu nol.
 BAB V

PENUTUP

5.1 Kesimpulan
Model penyebaran penyakit yang dibentuk adalah VEITR dengan sistem
persamaan diferensial sebagai berikut :

Angka kelahiran dinotasikan dengan α dan kemungkinan dari angka ke-

lahiran yang mendapatkan vaksin dinotasikan dengan n, maka populasi V (t)
mengalami peningkatan pada saat ∆t sehingga menjadi nα∆t.Tingkat keefek-
tifan vaksin dinotasikan dengan f , maka (1−f ) adalah tingkat ketidakefektifan
vaksin terhadap individu. Individu tervaksinasi yang menjadi rentan terinfeksi
dinotasikan dengan βIV , maka populasi tervaksinasi berkurang pada saat ∆t,
sehingga dinotasikan dengan (1 − f )βIV ∆t. Populasi tervaksinasi berkurang
akibat kematian normal yang dinotasikan dengan µV pada saat ∆t , sehingga
mengalami penurunan yang dinotasikan dengan µV ∆t. Berdasarkan model
tersebut, didapat persamaan diferensial sebagai berikut:
dV
= nα − (1 − f )βIV − µV
dt
Populasi rentan atau individu sehat yang dapat terinfeksi bertambah dari
populasi tervaksinasi yang tidak efektif pada saat ∆t, maka mengalami pening-
katan dan dinotasikan dengan (1−f )βIV ∆t. Populasi rentan menjadi individu
aktif karena kontak langsung dengan penderita aktif sehingga vaksin menjadi
tidak efesien, maka populasi rentan akan menurun pada saat ∆t sehingga dino-
tasikan dengan qvE. Populasi rentan mendapatkan pengobatan sebelum virus
menyebar ataupun sebelum terkena kontak langsung dengan penderita aktif,
maka populasi rentan menurun pada saat ∆t , sehingga dinotasikan dengan
ρE. Kematian normal pada saat individu rentan, maka E(t) akan mengalami
penurunan µE∆t. Berdasarkan model tersebut, didapat persamaan diferensial
sebagai berikut:
dE
= (1 − f )βIV − (qv + ρ + µ)E
dt

51
 52

Populasi rentan menjadi individu aktif karena kontak langsung dengan pen-
derita aktif sehingga vaksin menjadi tidak efesien, maka populasi terinfeksi
akan naik pada saat ∆t sehingga dinotasikan dengan qvE.Populasi terinfeksi
mendapatkan pengobatan, maka I(t) menurun pada saat ∆t sehingga dino-
tasikan dengan rI∆t. Populasi terinfeksi mengalami kematian normal, maka
I(t) menurun sehingga dinotasikan dengan µI∆t. Populasi terinfeksi mengala-
mi kematian yang disebabkan oleh penyakit tuberkulosis, maka I(t) menurun
sehingga dinotasikan dengan µT I∆t. Berdasarkan model tersebut, didapat
persamaan diferensial sebagai berikut:
dI
= qvE − (r + µ + µT )I
dt
Populasi terinfeksi mendapatkan pengobatan, maka T (t) mengalami pe-
ningkatan pada saat ∆t sehingga dinotasikan dengan rI∆t. Populasi rent-
an mendapatkan pengobatan sebelum bakteri menyebar, maka populasi T (t)
mengalami peningkatan pada saat ∆t sehingga dinotasikan dengan ρE∆t. Po-
pulasi yang mendapat pengobatan mengalami kematian normal, maka T (t) me-
nurun sehingga µT ∆t. Populasi yang mendapatkan pengobatan sudah sembuh
total, maka populasi T (t) menurun pada saat ∆t sehingga dinotasikan dengan
πT ∆t. Berdasarkan model tersebut, didapat persamaan diferensial sebagai
berikut:
dT
= ρE + rI − (µ + π)T
dt
Tingkat kesembuhan dari populasi yang sudah mendapat pengobatan dino-
tasikan dengan π, maka R(t) mengalami peningkatan pada saat ∆t sehingga
menjadi πT ∆t. Kematian normal individu yag sudah sembuh dinotasikan
dengan µ, maka R(t) menurun menjadi µR∆t. Berdasarkan model tersebut,
didapat persamaan diferensial sebagai berikut:
dR
= πT − µR
dt
Model penyebaran penyakit ini memiliki dua titik ekuilibrium, yaitu titik
ekuilibrium bebas penyakit ( nα µ
, 0, 0, 0, 0) dan endemik penyakit
(qv+ρ+µ)(r+µ+µT ) (R0 −1)µ(r+µ+µT )
( (1−f )βqv
, qv
, (R0 −1)µ, (R0 −1)[ρµ(r+µ+µ
µ+π
T )+rµ] π(R0 −1)[ρµ(r+µ+µT )+rµ]
, µ2 +µπ
)
Diperoleh angka reproduksi dasar sebagai berikut :

qv(1 − f )βnα
R0 =
µ(qv + ρ + µ)(r + µ + µT )
 53

Berdasarkan hasil simulasi numerik dapat diketahui bahwa angka repro-

duksi dasar R0 = 0.006 < 1, sehingga wilayah DKI jakarta pada tahun 2017
adalah bebas penyakit dan penyebaran penyakit dalam beberapa waktu ke-
depan akan semakin sedikit mendekati nol.

5.2 Saran
Model penyebaran penyakit tuberkulosis VEITR yang dibentuk, penulis
mengasumsikan tidak ada pengaruh imigrasi dan perbedaan jenis kelamin,
serta populasi recovered tidak dapat tertular kembali. Oleh karena itu, pem-
berikan saran untuk mengembangkan model VEITR dengan menambahkan
beberapa parameter dan melakukan analisis kestabilan endemik.
 DAFTAR PUSTAKA

Taufik, Muhammad Rifki. 2015. Mathematical Model for Vaccinated Tubercu-

losis Disease with VEIT Model, International Journal of Modeling and
Optimization Vol.5 No.3, Yogyakarta
Nagar, Lakhan. 2017. A Tuberculosis Mathematical Model with Infected Popu-
lation and Vaccineted, International Journal of Modeling and Its Appli-
cation, India
Redjeki, Sri. 2009. Metoda Matematika [ONLINE]. Tersedia di http:// (17
Oktober 2018 Pukul 12.49 WIB).
Driessche, Van Den. 2001. Reproduction numbers and sub-threshold endemic
equilibria for compartmental models of disease transmission, Mathema-
tical Biosciences, Kanada
Side, Syafruddin. 2016. Analisis dan Simulasi Model SITR pada Penyebaran
Penyakit Tuberkulosis di Kota Makassar, Jurnal Sainsmat Hal.191-204,
Makassar
Kumar, Prem. 2008. Materials for Next-Generation Lithium Batteries, Jurnal
Current Science Vol.94, India
Diekmann, O. 2016. The Construction of Next Generation Matrices for Com-
partmental Epidemic Model, Jurnal of The Royal Society Hal.873-885,
New Zealand
Luknanto, Djoko. 2003. Medel Matematika, Yogyakarta
Vilaplana, Christina. 2016. Dynamic of a Mathematical Model for Tubercu-
losis with Variability in Susceptibility and Disease Progressions Due to
Difference in Awareness Level, Jurnal of Frontiers in Microbiology Vol.6,
Spain
Timothee, Thomas. 2018. Mathematical Model to assess vaccination and effe-
ctive contact rate impact in the spread of tuberculosis, Jurnal of Biological
Dynamics Vol.13 Hal.26-42, Spain

54
 LAMPIRAN

LAMPIRAN 1

LAMPIRAN 2

55
 56

LAMPIRAN 3

LAMPIRAN 4
 57

LAMPIRAN 5

LAMPIRAN 6
 58

LAMPIRAN 7
 SURAT PERNYATAAN KEASLIAN
SKRIPSI

Dengan ini saya yang bertanda tangan dibawah ini, mahasiswa Fakul-
tas Matematika dan Ilmu Pengetahuan Alam , Universitas Negeri Jakarta:

Nama : Fradha Intan Arassah

No. Registrasi : 3125151689
Jurusan : Matematika
Prodi : Matematika

Menyatakan bahwa skripsi ini yang saya buat dengan judul ”Model Ma-
tematika VEITR Pada Penyebaran Penyakit Tuberkulosis yang Ter-
vaksinasi Akibat Exogenous Reinfection” adalah :

1. Dibuat dan diselesaikan oleh saya sendiri.

2. Bukan merupakan duplikat skripsi yang pernah dibuat orang lain atau
jiplakan karya tulis orang lain

Pernyataan ini dibuat dengan sesungguhnya dan bersedia menanggung se-

gala akibat yang timbul jika pernyataan saya tidak benar.

Jakarta, 10 Februari 2020

Yang membuat pernyataan

Fradha Intan Arassah

 DAFTAR RIWAYAT HIDUP

FRADHA INTAN ARASSAH. Lahir di Jakarta, 30

Juni 1997. Anak Pertama dari pasangan Bapak Pranoto
dan Ibu Yuliani. Saat ini bertempat tinggal di Jalan
Rawa Gembira, Kp. Nyalindung, Jonggol, Bogor, Jawa
Barat.

No. Ponsel : 087722744193 atau 085974425931

Email : luchy.putih@gmail.com

Riwayat Pendidikan : Penulis mengawali pendidikan di TK yang penulis

sudah lupa namanya, dan kemudian melanjutkan pendidikan di SD Negeri 11
pagi selama 6 tahun. Setelah itu, penulis melanjutkan ke SMP 106 Jakarta
selama 3 tahun dan melanjutkan ke SMA Bina Dharma selama 3 tahun. Pada
tahun 2015 penulis melanjutkan pendidikan S1 di Universitas Negeri Jakar-
ta(UNJ), jurusan Matematika melalui jalur SNMPTN. Pada awal tahun 2020,
penulis mendapatkan gelar Sarjana Sains untuk Jurusan Matematika, Program
Studi Matematika, FMIPA, UNJ.
Riwayat pekerjaan : Penulis mulai bekerja part-time sebagai guru sejak
tahun 2015 sampai 2020 dan InsyaAllah selagi penulis mengetik ini, penulis
mendapatkan pekerjaan yang baik dan memiliki karir yang bagus.