ESTIMASI KASUS COVID-19

DI SULAWESI SELATAN

Tim Departemen Epidemiologi FKM UNHAS

Tim Departemen Statistika, FMIPA UNHAS
Tim Departemen Matematika, F MIPA UNHAS

Ketua Tim: ANSARIADI Ph.D

Universitas
Hasanuddin
1. Latar Belakang
• Covid 19 telah menjadi pandemic global (WHO, 2020)
• Penyebaran cepat dan bersifat exponential
• Dalam 1 bulan, di Indonesia telah mencapai 2000 an kasus dan sekitar 200 yang
meninggal
• Jumlah yang dilaporkan belum menggambarkan keadaan covid 19 di populasi,
karena sebagian besar asymptomatic (R Li et al, 2020)
• Sangat tergantung keaktifan melakukan case finding dan deteksi.
• Sudah ada prediksi nasional tapi belum ada prediksi tingkat provinsi
• Perlu prediksi provinsi untuk persiapan sumberdaya dan evaluasi program
pencegahan dan penyebaran
 Figure 1Spectrum of COVID-19 cases

Sumber: Verity R et al (2020). Estimates of the severity of coronavirus disease 2019: a model-based analysis. The Lancet Infectious Diseases. DOI: 10.1016/S1473-3099(20)30243-7
The Lancet Infectious Diseases DOI: (10.1016/S1473-3099(20)30243-7)
 Tanpa Intervensi - Baseline

Melandaikan Kurva Pandemik

Jumalah kasus

Batas Kemampuan RS

Dengan Intervensi

Waktu
2. Tujuan
• Untuk memprediksi laju penularan Covid 19
tanpa ada intervensi sebagai baseline data
• Termasuk didalamnya adalah prediksi total kasus
dan prediksi jumlah kasus baru per waktu.
• Menilai kesiapan system kesehatan dan Gap yang
ada
3. Metode
• 1). Estimasi jumlah total kasus berdasarkan estimasi attack
rate dalam populasi
• Dihitung dari estimasi attack rate scenario: 1,6%, 20% dan
30% (ECPDPC, 2020)
• Jumlah penduduk SULSEL: 8,851,240 (BPS, 2019)
• Data kapasitas COVID 19 : Tempat Tidur, ICU, Ventilator
(Kemenkes: data from SIRS Yankes)
3. Metode

• 2). Modeling kurva peningkatan Kasus: Richard’s Curve

• Secara umum model tersebut dapat dituliskan sebagai berikut:
𝑑𝑌(𝑡) 𝑌 𝑡 𝑣
= 𝛼𝑌 𝑡 1 − , 𝑌 𝑡0 = 𝑌0 , 𝛼, 𝑣 > 0, (1)
𝑑𝑡 𝐾
yang memiliki solusi:
𝐾
𝑌(𝑡) = (2)
(1+𝑄𝑒 −𝛼𝑣(𝑡−𝑡0 ) )1/𝑣
𝐾 𝑣
dengan 𝑄 = −1 + .
𝑌0
 3. Metode (lanjut…)
Hasil Estimasi Parameter untuk data
Tebakan awal Interpretasi
Parameter kasus total
(Kasus di China)
Di Indonesia Di Sul-Sel Di Indonesia Di Sul-Sel
jauh di atas china
yang
kemungkinan
K (carrying
87,960,589.7 81,999.06 disebabkan krn sedikit di bawah kasus china
capacity) 82,000.00
9 jumlah populasi
penduduk yang
juga besar
laju pertambahan
laju pertambahan jumlah
jumlah infektif di
alpha (the growth infektif di atas china, dan
0.35 atas china, dan
rate ) 0.20 0.35 sama dengan kasus di
sama dengan Sul-
Indonesia
Sel
v>0 (affects near
which asymptote
1.02 di atas china sama dengan china
maximum growth 1.02 0.10
occurs )
4. HASIL
Attack rate
Attack rate Attack rate
Indicators Assumption 1.62%
10% 20%
population
Clinical attack 1.62 %, 10%, 20% x Total
rate*) population 143,390 885,124 1,770,248
Home care 50% X Clinical attack rate
71,695 442,562 885,124
Inpatient 20% xClinical attack rate
28,678 177,025 354,050
ICU 5% x Clinical attack rate
7,170 44,256 88,512
Ventilator 80% x ICU
5,736 35,405 70,810
CFR 2.6%x Inpatient
746 4,603 9,205
4. HASIL

• ESTIMASI dari Dua Model

• A. Perkiraan total yang terinfeksi : 143,390
• Perkiraan yang asymptomatic atau gejala ringan: 70,000 –
80,000 orang
• Perkiraan jumlah orang yang memerlukan penaganan
(Masuk RS): 28,678 orang
Perkiraan jumlah yang memerlukan penanganan
intensive: 5,736
GAPS: Perkiraan kebutuhan – situasi saat ini
Capacity Beds 14280 ; ICU 440 ; Ventilators 352
1.62 % clinical 10% clinical 20% clinical attack
Need Assumption attack rate attack rate rate
1 patient, occupied 1 bed for
Beds 25 days 8,851 54,637 109,275
I patinet occupied ICU for 30
ICU days 2,655 16,391 32,782
1 Patient occupied ventilators
Ventilators for 30 days 2,124 13,113 26,226
Gaps
Beds Needs-(half of capacity) 1,711 47,497 102,135
ICU Needs- (half of capacity) 2,435 16,171 32,562
Ventilators Needs - (half of capacity) 1,948 12,937 26,050
4. HASIL Perbandingan Data vs Model Kasus Covid-19 di Indonesia (Awal Pengamatan 2 Maret 2020)
1000

Data

Jumlah Kasus (orang)

800
Model Richard Curve

600

400

200

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Waktu (Hari)

Perbandingan Data vs Model Kasus Covid-19 di Sul-Sel (Awal Pengamatan 19 Maret 2020)
35

30
Jumlah Kasus (orang)
25

20

15

10 Data
Model Richard Curve
5

0
0 1 2 3 4 5 6 7 8
Waktu (Hari)

Gambar 1. Perbandingan antara trend data dan solusi model.

4. HASIL (Lanjut …) 10
x 10
7
Prediksi Dinamika Pertambahan Kasus Covid-19 di Indonesia
(Awal Pengamatan 2 Maret 2020)

Jumlah Kasus (orang)

8

0
0 20 40 60 80 100 120 140 160 180
Waktu (Hari)

Prediksi Dinamika Pertambahan Kasus Covid-19 di Sul-Sel

4
x 10 (Awal Pengamatan 19 Maret 2020)
10

Jumlah Kasus (orang)

8

0
0 10 20 30 40 50 60
Waktu (Hari)

Gambar 2. Dinamika perubahan jumlah kasus Covid-19 di Indonesia dan di Sulawesi Selatan.
4. HASIL (Lanjut …) 2
x 10
6
Prediksi Pertambahan Kasus Baru Covid-19 di Indonesia
(Awal Pengamatan 2 Maret 2020)

Jumlah Kasus Baru (orang)

1.5

0.5

0
0 50 100 150 200 250 300
Waktu (Hari)

Prediksi Pertambahan Kasus Baru Covid-19 di di Sul-Sel

(Awal Pengamatan 19 Maret 2020)
2500

Jumlah Kasus Baru (orang)

2000

1500

1000

500

0
0 10 20 30 40 50 60
Waktu (Hari)

Gambar 3. Simulasi jumlah kasus baru per hari Covid-19 di Indonesia dan di Sul-Sel
5. Kesimpulan

• Tanpa ada intervensi (base line) perkiraan jumlah kasus positive di

Sulsel adalah 143,390 Orang, yang butuh Masuk RS: 28,678 orang dan
Perkiraan jumlah yang memerlukan penanganan intensive: 5,736
orang

• Puncak pandemic: Akhir bulan Mei dengan jumlah kasus diperkirakan

sekitar 80 ribu kasus

• Puncak pertambahan kasus baru di Sulawesi Selatan diperkirakan

terjadi pada hari ke 30
Referensi
1. R. Li et al., Substantial undocumented infection facilitates the rapid dissemination of novel
coronavirus (SARS-CoV2). Science. 10.1126/science.abb3221 (2020).
2. Nuning Nuraini, Kamal Khairudin S, Mochamad Apri, Data dan Simulasi COVID-19
dipandang dari Pendekatan Model Matematika, ITB, Maret 2020.
3. Kawal Covid-19. https://kawalcovid19.blob.core.windows.net/viz/statistik_harian.html.
Diakses pada tanggal 25 Maret 2020 pukul 21.00 WITA
4. Sulsel Tanggap Covid-19. https://covid19.sulselprov.go.id/. Diakses pada tanggal 28
Maret 2020 pukul 19.30 WITA
5. https://www.worldometers.info/coronavirus/. Diakses pada tanggal 5 April 2020
6. https://covid19.sulselprov.go.id/ Diakses pada tanggal 5 April 2020
7. WHO. Coronavirus disease 2019 (COVID-19) Situation Report – 73, 2020
8. Kemenkes. SIRS. Dtijend Yankes.
9. ECDPC. Coronavirus disease 2019 (COVID-19) pandemic: increased
transmission in the EU/EEA and the UK – seventh update . 25 March 2020