Pemodelan Rantai Markov Transisi untuk Penyakit HIV, Tuberkulosis dan Hepatitis B di

Ghana
Beberapa model matematika dan model standar epidemiologi telah diusulkan dalam
mempelajari dinamika penyakit menular. Model membantu untuk memahami penyebaran infeksi
penyakit. Namun, sebagian besar model ini tidak dapat memperkirakan penyakit lain yang
relevan seperti probabilitas terkena infeksi penyakit pertama kali dan pemulihan serta ekspektasi
waktu terpapar infeksi dan pemulihan individu yang rentan terkena infeksi dan individu yang
terinfeksi. Sebagian besar model standar epidemiologi yang digunakan dalam mengestimasi
probabilitas transisi tidak dapat menggeneralisasi estimasi transisi hasil penyakit pada waktu
yang berbeda untuk prediksi masa depan. Pada penelitian ini yang berupaya mengatasi masalah
yang disebutkan di atas melalui model rantai Markov waktu diskrit. Kumpulan data sekunder
dari studi kohort dikumpulkan untuk kasus HIV, Tuberkulosis (TB), dan hepatitis B (HB) dari
rumah sakit regional di Ghana. Model rantai Markov mengungkapkan bahwa hepatitis B lebih
menular dari waktu ke waktu dibandingkan TB dan HIV sekalipun probabilitas infeksi penyakit
ini pertama kali relatif rendah dalam penelitian populasi. Namun, individu yang terinfeksi
dengan HIV memiliki harapan hidup yang relatif lebih rendah daripada individu yang terinfeksi
TB dan hepatitis B. Rantai Markov waktu diskrit direkomendasikan layak untuk memodelkan
dinamika penyakit di Ghana.
I. PENDAHULUAN
Menurut WHO, tuberkulosis (TB) dominan terkena pada pasien yang telah terkena
human immunodeficiency virus (HIV). TB dianggap sebagai penyebab utama mortalitas di antara
individu yang rentan terhadap HIV [2]. Efek gabungan dari kedua penyakit ini dianggap sangat
fatal dibandingkan dengan efek marginal dari masing-masing penyakit pada individu. Selain itu,
WHO [3] mengkonfirmasi bahwa sebagian besar pasien HIV telah terkena penyakit tuberkulosis
sebagai bukti pertama penyakit AIDS, dengan sekitar 33,3% dari 38,6 juta pasien positif HIV
dan juga terinfeksi TB di seluruh dunia, dan semuanya berisiko tertular penyakit TB. Di antara
kemungkinan lain infeksi HBV menyebar, cara penularan yang dominan melalui transfusi darah
dari individu yang terinfeksi, aktivitas seksual tanpa kondom, penggunaan pisau yang tidak
steril, dan penularan dari ibu yang melahirkan anak [4]. Di sisi lain, penyebaran HIV dikaitkan
dengan risiko perilaku seksual dengan individu yang positif HIV, berakibat pada individu
tersebut akan berisiko terinfeksi HIV. Menurut V. Soriano, M. Puoti, M. Peters, dkk [5], dari 36
juta orang yang terinfeksi HIV, sekitar 4 juta ditemukan menderita HBV kronis.
Sistem kekebalan tubuh yang merupakan sistem pertahanan tubuh terhadap patogen,
infeksi, dan penyakit buatan dari beberapa sel khusus yang dikenal sebagai sel CD4. Sel CD4
adalah sel darah putih yang melawan berbagai bentuk infeksi pada sistem manusia dan dengan
demikian memberikan gambaran tentang kinerja sistem kekebalan tubuh. Oleh karena itu, jumlah
sel CD4 pada individu menentukan tingkat kekebalannya. Namun, jumlah sel CD4 sebagian
besar dipengaruhi oleh infeksi virus dan bakteri. Hal ini menjelaskan mengapa efek gabungan
dari keduanya dari penyakit ini (HIV, TB, dan HB) pada seseorang sangat berbahaya [6].
Akibatnya, penyakit ini yang sedang dilihat sebagai masalah kesehatan di Ghana dan dunia.
Beberapa model matematika dan model standar epidemiologis telah diusulkan dalam
mempelajari dinamika penyakit menular. Model-model ini dapat membantu untuk memahami
penyebaran infeksi penyakit. Namun, sebagian besar model tidak dapat mengestimasi metrik
penyakit lain yang relevan seperti probabilitas infeksi pertama kali dan pemulihan serta
ekspektasi waktu individu terinfeksi dan pemulihan untuk individu yang rentan dan yang
terinfeksi. Sebagian besar model standar epidemiologis digunakan dalam mengestimasi
probabilitas transisi, namun tidak mampu menggeneralisasi hasil estimasi transisi dari penyakit
pada langkah waktu yang berbeda untuk prediksi masa depan.  Penelitian ini berupaya untuk
mengatasi masalah yang disebutkan sebelumnya dengan menggunakan model rantai Markov
waktu diskrit seperti yang diusulkan dalam [8].  Dalam penelitian ini, matriks peluang transisi n-
langkah untuk setiap penyakit ditentukan menggunakan model rantai Markov orde pertama. 
Hasil penelitian ini akan membantu para pembuat kebijakan untuk memastikan penyakit yang
diteliti paling menular dan mematikan sehingga langkah-langkah dapat dilakukan untuk
mengurangi atau meminimalkan prevalensinya.

II. Bahan dan Metode

2.1. Sumber Data
Data yang digunakan untuk penelitian diperoleh dari rumah sakit regional di Ghana
karena berfungsi sebagai pusat rujukan utama. Data diperoleh dari tindak lanjut berkala pasien
HIV, TB, dan hepatitis B dari Januari 2016 hingga Desember 2016. Setiap pasien diperhatikan
selama satu tahun terlepas dari waktu masuk mereka selama tahun tersebut. Pasien dengan
kekambuhan atau terinfeksi kembali TB serta pasien yang dinyatakan koinfeksi atau komplikasi
medis lainnya dikeluarkan untuk perawatan medis. Di antara subyek yang rentan (tidak
terinfeksi) untuk penyakit ini setelah tes medis, terdapat sejumlah individu yang ditemukan
terinfeksi dan mati (atau kebal terhadap penyakit) pada akhir periode studi (sampai subjek yang
memenuhi syarat terakhir diperhatikan selama satu tahun) dicatat. Demikian pula di antara
individu terinfeksi dalam penelitian (setelah skrining medis untuk setiap penyakit), terdapat
sejumlah individu yang sembuh (hanya TB), tetap terinfeksi, dan meninggal juga dicatat.

2.2. Pemodelan S-I-R dalam Proses Rantai Markov

2.2.1. Pengembangan Model
Tiga keadaan diskrit yang digunakan dalam penelitian ini adalah rentan (state 0),
terinfeksi (state 1), dan removed (state 2). Apabila (Xi , i = 0, 1, 2) mewakili jumlah individu di
setiap state dari penyakit pada waktu t, maka dengan jelas Xi adalah proses stokastik dengan
state 0, 1 dan 2. Ketergantungan Markov waktu homogen orde pertama secara statistik dapat
dimodelkan sebagai

P ( X n =in| X n−1=i n−1 , … , X 1=i 1 , X 0=i 0 ) =P ( X n=i n|X n −1 =in−1 ) (1)

Sehingga, probabilitas transisi ( Pij) untuk i, j =0, 1, 2 dinotasikan dalam bentuk matriks
sebagai berikut
P00 P01 P02

( 0 )
( P¿¿ ij)= P10 P11 P12 ¿
0 1
(2)

dengan
 2

∑ Pij=1 , i=0,1,2 (3)

j=0

2.2.2. Definisi State dalam Model S-I-R

State rentan (S) terdiri dari individu yang belum pernah terpapar sebelumnya dan individu
yang sudah pulih dari infeksi.
State menular atau terinfeksi (I) terdiri dari orang yang terinfeksi dan penyakit bawaan.
State removed (R) terdiri dari individu yang meninggal karena penyakit atau kebal setelah
pemulihan dari penyakit (tidak termasuk HIV) di periode studi.

2.2.3. Parameter Rantai Markov (Probabilitas Transisi)

Pii: peluang untuk tetap dalam keadaan i.
Pij: peluang transisi dari kondisi i ke kondisi j, i ≠ j.

Catatan:. Parameter P01 sebagian besar disebut dalam literatur sebagai laju waktu diskrit dari
infeksi. P02 dan P12 masing-masing menandakan kematian bagi yang tidak terinfeksi dan individu
yang terinfeksi, sedangkan P10 adalah pemulihan [9]. Kematian adalah state absorban karena p
peluang menjadi rentan atau terinfeksi adalah nol. Unit langkah waktu untuk memastikan transisi
dari satu state ke state yang lain diukur setiap tahun.

2.3. Asumsi Model

a. Keadaan atau state individu saat ini hanya bergantung pada keadaan individu pada
langkah waktu sebelumnya.
b. Tidak ada individu di state removed dapat menjadi rentan atau terinfeksi.
c. Probabilitas transisi tidak tergantung pada waktu dan tetap konstan sepanjang waktu
atau masa studi.
d. Transisi ke state kambuh dengan dikonfirmasi koinfeksi penyakit atau komplikasi
medis lainnya tidak dipertimbangkan atau tidak memenuhi kriteria kelayakan penelitian.
e. Status removed terdiri dari subjek yang juga meninggal karena penyakit atau ditemukan
kebal setelah pemulihan.
f. Asumsi satu-satunya yang diperlukan tentang kerugian dan pengunduran diri adalah
mereka memiliki pengalaman masa depan yang sama dengan individu yang masih dalam
pengamatan.
2.4. Mengestimasi Probabilitas Transisi.
Estimasi maksimum likelihood (MLE) digunakan untuk mengestimasi peluang transisi
setiap penyakit dengan masing-masing standard errors. Tabel 1 menunjukkan jumlah individu
selama masa studi di semua state (S-I-R) untuk setiap kelompok pengamatan dengan tiga jenis
penyakit (HIV, TB, dan HB).
Catatan:
a. Jumlah orang yang terinfeksi yang pulih pada akhir tahap kedua atau masa studi
kohort untuk HIV dan HB akan menjadi nol saat HIV dan hepatitis B kronis tidak
dapat disembuhkan, tetapi TB bisa diobati.
b. Ada pengobatan yang terbatas, terutama untuk banyak kasus hepatitis B.

Peristiwa transisi tidak tergantung satu sama lain (sebagaimana didefinisikan oleh prinsip
Markov); probabilitas transisi (Pij) mengikuti model binomial:
N x
( )
L ( Pij|N , x )= i Pij (1−Pij )
xij
ij
N −x i ij
(4)

dengan x ij adalah jumlah transisi yang diamati dimulai dari state i ke j dan

∑ Pij=1 (5)
j

Dari persamaan (4) dan asumsi peluang transisi konstan selama periode tersebut,, matriks
peluang transisi diestimasi mengikuti distribusi multinomial yang diberikan sebagai
x x
Pij = ij = ij
^
(6)
∑ xij N i
j

untuk i , j=0,1 , 2 dengan standard errors dari estimasi maksimum likelihood distribusi sampling
yang diberikan sebagai berikut
^ij (1− P
P ^ij )
^s . e( P
^ij )=
√ Ni
(7)

2.5 Estimasi Metrik Penyakit

Probabilitas bahwa individu yang rentan terinfeksi untuk pertama kalinya antara langkah
waktu m-1 dan m untuk state i , j=0,1 , 2 dari matriks probabilitas transisi (S-I-R) diberikan
sebagai berikut.
Tabel 1: Jumlah individu semua state untuk kohort
Kelompok Rentan Terinfeksi Removed
Individu yang rentan X 00 X 01 X 02
Individu yang X 10 X 11 X 12
 terinfeksi

X00: jumlah individu yang termasuk state rentan tetap rentan pada akhirnya masa studi
X01: jumlah individu yang termasuk state rentan bertransisi ke state terinfeksi pada akhir periode
penelitian
X02: jumlah individu yang termasuk state rentan bertransisi ke state meninggal atau tetap kebal
setelah pemulihan pada akhir masa studi
X10: jumlah orang yang terinfeksi yang pulih di akhir masa studi
X11: jumlah orang yang terinfeksi yang tetap terinfeksi pada akhir periode penelitian
X12: jumlah orang yang termasuk state terinfeksi bertransisi ke state meninggal atau tetap kebal
setelah pemulihan pada akhir periode penelitian.

f (01m )=P ( X n +m=1 , X n+ m−1=0 , … , X n+1 =0|X n=0 )

¿ Pm−1
00 P 01

(8)
Begitu pula dengan peluang individu yang terinfeksi terlebih dahulu pulih antara waktu m-1 dan
m diberikan sebagai berikut

f (10m )=P ( X n +m=0 , X n +m−1=1 , … , X n+1 =1| X n=1 )

¿ Pm−1
11 P 10

(9)
Ekspektasi waktu untuk seseorang terinfeksi dan yang pulih atau sembuh dapat dihitung dengan
formula berikut
∞

∑ m f mij
E ( τ 1IJ )= m=1
Pr (i → j)

1
¿ (10)
1−Pii

Untuk i , j=0,1 , 2i ≠ j dengan pembilang ∑ mf mij merupakan ekspektasi waktu perpindahan

pertama dari state i ke state j, penyebut
1
Pr ( i→ j )= (11)
1−Pii

Pr ( i→ j ) adalah semua peluang dari waktu transisi dari state i ke state j [8].

Harapan hidup (W i , i=0,1 ¿ untuk individu yang rentan dan terinfeksi dapat juga
diestimasi menggunakan persamaan berikut ini
 W =( I −Q) ×
−1
( 11) (12)

dengan I merupakan matriks identitas berukuran 2 x 2 dan

P00 P01
Q=
( P10 P11 ) (13)

2.6. Mengestimasi Matriks Transisi Pn

Metode untuk mengestimasi matriks peluang transisi n-langkah untuk setiap penyakit
menggunakan pendekatan eigenvalue dan eigenvector seperti yang diusulkan oleh Bhat [10].
Pnij , i , j=0,1,2, mengestimasi matriks peluang transisi untuk setiap penyakit menggunakan
metode dekomposisi yang membutuhkan eigenvalue dan eigenvector yang sesuai. Sehingga
matriks peluang transisi dapat diestimasi menggunakan dekomposisi di bawah ini.
Pn=Q Λ n Q −1

dengan Q adalah matriks nonsingular 3 × 3 (X 0, X1, X2) dan Xj, (j = 0, 1, 2) adalah eigenvectors
yang tepat untuk eigenvalues λj (j = 0, 1, 2). Sehingga,

P X j=λ j X j

λn0 0 0
n
Λ= 0
0 ( n
λ
1

0
0
λ n2 )
3. Hasil dan Pembahasan
3.1. Model S-I-R Rantai Markov
Misalkan model rantai Markov diskrit untuk penyakit (HIV, TB, dan HB) rentan (state
0), terinfeksi (state 1), dan removed atau meninggal (state 2). Jika (Xi, i =0,1,2) mewakili jumlah
individu di setiap state dari penyakit yang diderita pada waktu t yang memenuhi Markov waktu-
homogen orde pertama dari persamaan (1). Jelas, Xi memenuhi model rantai Markov dengan
ruang keadaan S ={0, 1, 2}.
Tabel 2–4 menunjukkan jumlah individu dalam penelitian populasi pada state 0, 1, dan 2
untuk penyakit HIV, TB, dan HB.

3.2. Estimasi Peluang Transisi untuk Setiap Penyakit

Maksimum likelihood digunakan untuk mengestimasi matriks peluang transisi untuk
setiap penyakit. Tabel 5-7 menunjukkan estimasi dan interval kepercayaan peluang transisi untuk
penyakit HIV, TB, dan HB.
Matriks peluang transisi untuk masing-masing penyakit disajikan sebagai berikut.
 0,93 0,06 0,01
P HIV =
( 0
0
0,95 0,05
0 1 )
0,83 0,15 0,02
(
PTB = 0,82 0,18
0 0
0
1 )
0,78 0,21 0,01
P HB=
( 0
0
0,95 0,05
0 1 )
Tabel 2. Jumlah individu dari beberapa state untuk penyakit HIV pada akhir periode
Grup Total State Rentan State Terinfeksi State Removed
Rentan 8132 7598 502 23
Terinfeksi 502 0 478 24

Tabel 3. Jumlah individu dari beberapa state untuk penyakit TB pada akhir periode
Grup Total State Rentan State Terinfeksi State Removed
Rentan 669 552 99 18
Terinfeksi 99 81 18 0

Tabel 4. Jumlah individu dari beberapa state untuk penyakit HB pada akhir periode
Grup Total State Rentan State Terinfeksi State Removed
Rentan 669 552 99 18
Terinfeksi 99 81 18 0

Tabel 5. Estimasi Maksimum Likelihood dari Probabilitas Transisi untuk HIV

Parameter Estimasi SE Konfiden Interval 99%
P00 0,93 0,00283 0,923-0,937
P01 0,06 0,00263 0,053-0,067
P02 0,01 0,00110 0,007-0,013
P11 0,95 0,00973 0,925-0,975
P12 0,05 0,00973 0,025-0,075

Tabel 6. Estimasi Maksimum Likelihood dari Probabilitas Transisi untuk TB

Parameter Estimasi SE Konfiden Interval 99%
P00 0,83 0,01452 0,793-0,867
P01 0,15 0,01381 0,114-0,186
P02 0,02 0,00541 0,006-0,034
 P11 0,82 0,03861 0,721-0,919
P12 0,18 0,03861 0,081-0,279

Tabel 7. Estimasi Maksimum Likelihood dari Probabilitas Transisi untuk HB

Parameter Estimasi SE Konfiden Interval 99%
P00 0,78 0,00765 0,760-0,800
P01 0,21 0,00752 0,191-0,229
P02 0,01 0,00184 0,005-0,015
P11 0,96 0,00785 0,940-0,980
P12 0,04 0,00785 0,020-0,060

3.3. Klasifikasi Model State Menggunakan Grafik Algoritma

Grafik algoritma digunakan untuk mewakili peluang transisi untuk setiap penyakit
sehingga dengan mudah mengklasifikasikan state menjadi recurrent, transien dan absorban.

Berdasarkan Gambar 1, dapat dinyatakan bahwa state {0} dan {1} adalah state
transien untuk transisi pada penyakit HIV dan hepatitis B. Hal ini dikarenakan, ketika
seseorang meninggalkan state atau keadaan tersebut, tidak ada probabilitas positif untuk
kembali ke keadaan semula. Namun, state {0, 1} adalah kelas transien untuk transisi
penyakit TB karena kedua state memiliki kesetaraan kelas yang sama serta
berkomunikasi, tetapi, pada suatu individu meninggalkan kelas itu, tidak ada probabilitas
positif kembali ke kelas itu. State {2} yang juga dikenal sebagai state absorban untuk
setiap transisi penyakit karena seseorang pada state ini tetap meninggal dengan
probabilitas pasti yaitu satu. Oleh karena itu, dapat disimpulkan dari klasifikasi state
bahwa rantai Markov tidak ergodik. Meskipun rantai adalah aperiodik, tetapi tidak
irreducible karena semua state tidak berada dalam satu kelas. Gambar 1 menunjukkan
representasi grafis peluang transisi masing-masing, untuk setiap penyakit.
3.4. Estimasi Metrik Penyakit
3.4.1. Probabilitas Transisi Orde Pertama
 Probabilitas bahwa individu yang rentan menjadi terinfeksi pertama kali diestimasi untuk
semua penyakit menggunakan persamaan (8). Selain itu, probabilitas bahwa individu yang
terinfeksi terlebih dahulu menjadi rentan atau pulih diestimasi untuk penyakit TBC
menggunakan persamaan (9) karena HIV dan hepatitis B tidak memiliki kasus pemulihan dari
infeksi. Gambar 2 menunjukkan plot peluang transisi (orde pertama) di berbagai langkah waktu
dari 1 hingga 50.
Berdasarkan Gambar 2, dapat diamati bahwa probabilitas infeksi pertama kali dari tiga
penyakit dalam populasi penelitian relatif rendah (di bawah 0,20). Hal ini dapat disebabkan oleh
intervensi (atau obat) yang diberikan dalam penelitian populasi untuk mengendalikan penyebaran
penyakit ini [11] Selain itu, dapat disimpulkan bahwa, sebelum langkah waktu ke sepuluh (dalam
10 tahun setelah masa studi), probabilitas infeksi hepatitis B pertama kali oleh individu yang
rentan relatif lebih tinggi, diikuti oleh infeksi TBC dan kemudian infeksi HIV. Sebaliknya,
probabilitas infeksi pertama kali setelah langkah waktu ke sepuluh relatif lebih tinggi pada
pasien HIV dibandingkan dengan pasien TB dan HB. Temuan WHO [12] diperoleh bahwa
sebagian besar orang yang terpapar HIV maka akan terinfeksi pertama kali setelah 10 tahun
terpapar tanpa perawatan. Juga peluang pemulihan pertama kali dari penyakit tuberkulosis sangat
tinggi pada langkah waktu yang lebih rendah tetapi menurun tajam seiring meningkatnya
langkah waktu. Sehingga, hal ini disarankan bahwa jika pasien didiagnosis TB pada tahap awal,
langkah-langkang pengontrolan dapat dilakukan untuk pulih dari penyakit. Kasus ini banyak
terjadi pada individu dengan TB aktif setelah menerima perawatan yang tepat selama minimal 2
minggu tidak lagi menular. Namun, jika pasien TB terinfeksi dengan periode lebih lama, maka
ada probabilitas yang relatif sangat kecil pulih dari penyakit dalam beberapa langkah waktu
mendatang.

3.5. Peluang Terinfeksi Setiap Waktu Periode

Peluang terinfeksi setiap waktu dari tiga penyakit diestimasi menggunakan jumlah
kumulatif peluang terinfeksi pertama kali pada individu yang rentan. Gambar 3 adalah plot dari
peluang transisi kumulatif dari waktu ke waktu.
Estimasi peluang transisi pertama dari individu terinfeksi ditunjukkan pada Gambar 3
yang mengungkapkan bahwa hepatitis B lebih menular dari waktu ke waktu dalam penelitian
populasi kemudian diikuti oleh infeksi TB dan HIV. Penemuan ini didukung dengan hasil dari
survei kesehatan lainnya. WHO [12] melakukan studi selama bertahun-tahun dan ditemukan
bahwa meskipun cara penularan HIV dan HB serupa, hepatitis B lebih menular sekitar 50 hingga
100 kali daripada HIV. Hal ini dikarenakan virus HB tidak seperti HIV yang bahkan dapat hidup
di luar inang paling tidak selama satu minggu dan masih menyebabkan relatif lebih tinggi
dibandingkan dengan individu yang rentan terinfeksi virus inkubasi. Selain itu, tingkat darah
yang terkait dengan HBV relatif lebih tinggi daripada untuk HIV, sehingga menyebabkan virus
mudah ditularkan dalam situasi seperti penularan pada anak kecil (dari ibu ke anak) dan bahkan
melalui cairan tubuh yang tidak dapat terjadi dalam kasus penularan HIV. Di sisi lain, hepatitis B
juga ditemukan lebih banyak menular daripada tuberkulosis karena probabilitas infeksi HB
setiap saat relatif lebih tinggi daripada penyebaran TB. Infeksi bakteri seperti TB sebagian besar
disembuhkan dengan antibiotik yang tidak efektif melawan infeksi virus sehingga dinamika
infeksi hepatitis B tidak dapat dikendalikan. Namun, HIV kurang menular setelah infeksi
pertama secara komparatif dan dapat disebabkan oleh fakta bahwa virus pertama menyerang
sistem kekebalan tubuh individu yang biasanya membutuhkan waktu sekitar 5 hingga 10 tahun
untuk mendapatkannya sepenuhnya dikompromikan bahkan ketika tidak dirawat [12]. Individu
dengan sistem kekebalan tubuh yang sangat kuat mengembangkan infeksi pada tingkat yang
relatif lebih rendah dibandingkan dengan infeksi TB dan HB yang juga mempengaruhi sistem
kekebalan tubuh. Terungkap pula bahwa kemungkinan infeksi ini tiga penyakit meningkat
dengan meningkatnya periode waktu. Sehingga disarankan lebih lanjut bahwa HIV, TB, dan HB
menjadi sangat menular dengan meningkatnya waktu jika dibiarkan tanpa pengawasan.
Kematian ketiga penyakit ini disebabkan karena tingginya angka infeksi selama bertahun-tahun.
Ini juga menegaskan mengapa digabungkan efek dari dua penyakit ini pada seseorang dapat
terjadi sangat mematikan dibandingkan dengan efek individu pada orang yang menderita HIV,
TB, atau HB.

3.6. Metrik Penyakit Taksiran Lainnya

3.6.1. Keseluruhan Probabilitas dari Infeksi dan Pemulihan.
Metrik penyakit lain seperti keseluruhan probabilitas infeksi dan pemulihan diestimasi
menggunakan persamaan (11).Keseluruhan probabilitas infeksi untuk HIV, TB, dan HB masing-
masing sekitar 0,86, 0,88, dan 0,95. Hasil ini konsisten dengan hasil yang diperoleh dari jumlah
kumulatif dari probabilitas infeksi pertama kali seperti yang disajikan oleh Gambar 3, di mana
HB lebih menular dari waktu ke waktu dibandingkan dengan TB dan HIV. Oleh karena itu, dapat
disimpulkan bahwa hepatitis B adalah penyakit paling menular selama periode penelitian di
rumah sakit daerah. Penelitian ini menemukan bahwa TBC dapat disembuhkan yang berbeda
dengan HIV dan HB yang tidak dapat disembuhkan pada tahap menular atau kronis.

3.6.2. Uji Signifikansi Statistik Keseluruhan Probabilitas Infeksi.

Signifikansi statistik dari estimasi probabilitas keseluruhan infeksi untuk masing-masing
penyakit dari model Markov diukur menggunakan teknik estimasi interval bootstrap pada tingkat
signifikansi 1%. Oleh karena itu, dapat disimpulkan dengan tingkat kepercayaan 99% bahwa
probabilitas keseluruhan infeksi untuk masing-masing penyakit akan jatuh dalam interval
kepercayaan yang diperkirakan sesuai dalam Tabel 8.

3.7. Ekspektasi Waktu untuk Terinfeksi dan Pemulihan

Ekpektasi waktu terinfeksi dan pemulihan untuk setiap penyakit diestimasi dari
persamaan (10). Ekpektasi waktu untuk individu yang rentan terinfeksi ditemukan 14,29 tahun,
5,88 tahun, dan 4,55 tahun untuk masing-masing infeksi HIV, TB, dan HB dalam kohort yang
telah dipertimbangkan. Pada saat ini, seseorang yang terpapar HIV rata-rata akan mulai
mengalami infeksi setelah sekitar 14,29 tahun meskipun lamanya waktu dapat sangat bervariasi
antar individu. Temuan menegaskan bahwa diperoleh di [12], yaitu individu terpapar HIV
sepenuhnya menunjukkan tanda dan gejala infeksi biasanya antara 10 dan 15 tahun. Di sisi lain,
rata-rata waktu seseorang terpapar TB akan menjadi sepenuhnya tertular apabila tidak diobati
diperkirakan 5,88 tahun setelah paparan, sedangkan HB diperkirakan 4,55 tahun. Oleh karena
itu, dapat disimpulkan bahwa terinfeksi hepatitis B rata-rata berkembang lebih cepat
dibandingkan dengan HIV dan infeksi TBC seiring waktu. Sebaliknya, TB ditemukan memiliki
ekspektasi waktu pemulihan 1,22 tahun, sedangkan ekspektasi waktu pada gejala dan tanda-
tanda HIV dan HB akan terjadi telah berkurang diestimasi masing-masing 20 tahun dan 25
tahun,. Namun, diharapkan pulih dari HIV dan hepatitis B sebagaimana didefinisikan untuk
penelitian ini bertepatan dengan estimasi harapan hidup masing-masing untuk individu yang
terinfeksi menggunakan model rantai Markov. Oleh karena itu, disimpulkan bahwa harapan
hidup individu yang terinfeksi HIV dan HB memang periode di luar dimana individu yang
terinfeksi sembuh atau mati.

3.8. Harapan Hidup untuk Individu yang Sehat dan Terinfeksi.

Harapan hidup yang merupakan ukuran statistik rata-rata waktu seorang individu
diharapkan untuk hidup atau bertahan hidup, diperkirakan menggunakan persamaan (12) untuk
sehat dan terinfeksi individu. Akibatnya, harapan hidup menjadi sehat orang dengan HB, HIV,
dan TB masing-masing diperkirakan 28,41 tahun, 31,43 tahun, dan 59,15 tahun. * Perkiraan ini
lebih lanjut mengungkapkan bahwa dalam populasi di mana hepatitis B lazim, kehidupan rata-
rata rentang individu sehat relatif lebih kecil dibandingkan dengan estimasi yang lebih tinggi
yang diperoleh untuk suatu populasi masing-masing terinfeksi HIV dan TB. Namun, kehidupan
harapan untuk orang yang terinfeksi HIV, HB, dan TB ditemukan masing-masing 20 tahun, 25
tahun, dan 60,37 tahun. Ini menyiratkan bahwa masa hidup rata-rata pasien HIV relatif lebih
rendah daripada pasien HB dan TB meskipun mereka ditemukan sangat menular daripada HIV.
Hal ini dikarenakan ketika sistem kekebalan tubuh pasien HIV dapat dikompromikan dari waktu
ke waktu yang dapat menciptakan cara untuk berbagai macam infeksi yang memanfaatkan
system kekebalan tubuh yang melemah seperti TBC dan komorbiditas lain untuk mempengaruhi
individu. Tabel 9 menyajiakn estimasi dari metrics penyakit lain (peluang terinfeksi, ekspektasi
waktu untuk terinfeksi atau pulih dan harapan hidup untuk individu yang sehat atau terinfeksi)
untuk HIV, TB dan HB.

Tabel 8. Estimasi Bootstrap Konfiden Interval

Probabilitas Estimasi Rantai SE Konfiden Interval 99%
Infeksi Markov
HIV 0,86 0,00385 0,84981-0,86977
Tuberculosis 0,88 0,01218 0,84753-0,91226
Hepatitis B 0,95 0,00397 0,93979-0,96005

Tabel 9. Estimasi Maksimum Likelihood dari Probabilitas Transisi untuk HIV

Metriks HIV Tuberculosis Hepatitis B
Peluang terinfeksi 0,86 0,88 0,95
Peluang pemulihan - 1,00 -
Ekspektasi waktu 14,29 5,88 4,55
untuk terinfeksi
(tahun)
Ekspektasi waktu 20,00* 1,22 25,00*
untuk pemulihan
(tahun)
 Harapan hidup 31,43 59,15 28,41
untuk sehat
perorangan (tahun)
Harapan hidup 20,00 60,37 25,007
untuk individu yang
terinfeksi (tahun)
*Ekspektasi waktu untuk pemulihan dari HIV dan TB disebut juga sebagai harapan hidup
untuk individu yang terinfeksi

3.9 Mengestimasi Matriks Peluang Transisi Pn

Matriks peluang transisi Pn dapat diestimasi menggunakan persamaan (14). Rantai
merupakan aperiodik tetapi tidak irreducible saat state removed merupakan state absorban.
Matriks peluang transisi memprediksi peluang transisi untuk setiap penyakit pada setiap langkah
waktu.
Matriks peluang transisi Pn untuk penyakit HIV diestimasi sebagai berikut.
0,93n (0,9 5n−0,93 n) 1−3 ( 0,9 5n ) +2(0,93 n)

[
PnHIV = 0
0
0,9 5n
0
1−0,95 n
1 ]
Dengan n=1 dari estimasi matriks transisi Pn memberikan aktual matriks transisi pertama
P HIV . Sebelumnya atriks transisi pada setiap langkah waktu (n ≥ 1) dapat dihasilkan dari fitted
matrix Pn. Estimasi matriks transisi n-langkah untuk TB adalah sebagai berikut.
n n n n
PnTB = 0,8( 0,9 83 1¿¿ n)+1,6( 0 ,0269¿¿ n)¿ 1,6(0,9831 −0,0269 )¿ 1−0,9831 −0,003 2(0,0269 ) 0 ¿ 1 ¿
[ ]
¿

IV. KESIMPULAN DAN SARAN

Model rantai Markov mengungkapkan bahwa hepatitis B lebih banyak menular dari
waktu ke waktu dibandingkan TB dan HIV di dalam penelitian populasi (kohort 2016 di rumah
sakit daerah) meskipun probabilitas infeksi penyakit ini pertama kali relatif rendah. Namun,
orang yang terinfeksi HIV memiliki harapan hidup yang relatif lebih rendah daripada mereka
yang terinfeksi dengan TB dan HB. Oleh karena itu, model rantai Markov direkomendasikan
sebagai teknik yang layak dalam mengestimasi jumlah epidemiologis terkait penyakit menular
lainnya serta menggeneralisasikan probabilitas transisi untuk prediksi di masa depan.