See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/330840391

Pemodelan Matematika Dinamika Populasi dan Penyebaran Penyakit: Teori,

Aplikasi, dan Numerik

Book · February 2019

CITATIONS READS

2 4,284

1 author:

Meksianis Ndii
Universitas Nusa Cendana
35 PUBLICATIONS   202 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Dengue and its intervention strategies View project

Hardwater and its relation to kidney function View project

All content following this page was uploaded by Meksianis Ndii on 03 February 2019.

The user has requested enhancement of the downloaded file.

Teori, Aplikasi, dan Numerik
 PEMODELAN MATEMATIKA
DINAMIKA POPULASI DAN PENYEBARAN PENYAKIT
TEORI, APLIKASI, DAN NUMERIK

Meksianis Zadrak Ndii

Desain Cover :
Dwi Novidiantoko

Tata Letak :
Cinthia Morris Sartono

Proofreader :
Usy Izzani F.

Ukuran :
xiv, 140 hlm, Uk: 15.5x23 cm

ISBN :
978-623-7022-81-7

Cetakan Pertama :
Desember 2018

Hak Cipta 2018, Pada Penulis

Isi diluar tanggung jawab percetakan
Copyright © 2018 by Deepublish Publisher
All Right Reserved

Hak cipta dilindungi undang-undang

Dilarang keras menerjemahkan, memfotokopi, atau
memperbanyak sebagian atau seluruh isi buku ini
tanpa izin tertulis dari Penerbit.

PENERBIT DEEPUBLISH
(Grup Penerbitan CV BUDI UTAMA)
Anggota IKAPI (076/DIY/2012)
Jl.Rajawali, G. Elang 6, No 3, Drono, Sardonoharjo, Ngaglik, Sleman
Jl.Kaliurang Km.9,3 – Yogyakarta 55581
Telp/Faks: (0274) 4533427
Website: www.deepublish.co.id
www.penerbitdeepublish.com
E-mail: cs@deepublish.co.id
DAFTAR ISI

PERSEMBAHAN .................................................................................... v
KATA PENGANTAR ............................................................................. vi
PETUNJUK PENGGUNAAN BUKU ................................................... viii
DAFTAR ISI........................................................................................... ix
BAB I PENDAHULUAN ...........................................................1
1.1. Pengantar ........................................................................... 2
1.2. Jenis-jenis Model Matematika ........................................... 3
1.3. Tahapan-Tahapan Pemodelan Matematika...................... 5
1.4. Latihan Soal........................................................................ 7
BAB II TEORI-TEORI PEMODELAN MATEMATIKA ............. 9
2.1. Persamaan Diferensial ....................................................... 9
2.2. Kestabilan ........................................................................... 11
2.2.1 Definisi Titik Tetap dan Kestabilan Definisi
(Titik Tetap) ............................................................. 11
2.2.2 Matriks Jacobian...................................................... 12
2.2.3 Kriteria Routh-Hurwitz .......................................... 13
2.3. Analisis Sensitivas ............................................................. 15
2.3.1 Analisis Sensitivitas Lokal....................................... 15
2.3.2 Analisis Sensitivitas Global ..................................... 16
2.7. Ambang Batas Epidemik (Basic reproduction
number)............................................................................. 17
2.8. Continous Time Markov Chain ......................................... 21
2.9. Model Stokastik ................................................................22
2.10. Formulasi Probability of extinction .................................23
2.11. Skema Beda Hingga Nonstandar (Nonstandard
Finite Difference Scheme) ............................................... 24

ix
 2.12. Latihan Soal ...................................................................... 26
BAB III PEMODELAN DETERMINISTIK DINAMIKA
POPULASI.................................................................. 27
3.1. Model Predator-Prey ........................................................ 27
3.2. Model Dinamika Populasi Nyamuk................................. 33
3.3. Model Dinamika Populasi Nyamuk dengan
Intervensi Wolbachia ....................................................... 45
3.4. Latihan Soal ...................................................................... 66
BAB IV PEMODELAN DETERMINISTIK PENYEBARAN
PENYAKIT .................................................................. 68
4.1. Pengantar.......................................................................... 68
4.2. Model Matematika SEIR .................................................. 68
4.3. Model SVIR ........................................................................ 71
4.3.1 Formulasi Model...................................................... 71
4.3.2 Analisis Model ........................................................ 72
4.4. Model Penyebaran Demam Berdarah ............................. 76
4.4.1 Formulasi Model..................................................... 76
4.4.2 Analisis Model ........................................................ 78
4.5. Model Penyebaran Demam Berdarah dengan
Intervensi Wolbachia ....................................................... 82
4.5.1 Formulasi Model..................................................... 82
4.5.2 Analisis Model ........................................................ 85
4.6. Model Autonomous Penyebaran Demam Berdarah ....... 88
4.6.1 Ambang Batas Epidemik (Basic
Reproduction Number) dari Model Demam
Berdarah.................................................................. 88
4.6.2 Simulasi Numerik ................................................... 90
4.7. Latihan Soal .......................................................................91
BAB V PEMODELAN STOKASTIK PENYEBARAN
PENYAKIT .................................................................. 94
5.1. Model Stokastik SEIR ....................................................... 94

x
 5.2. Pemodelan Stokastik SVIR .............................................. 97
5.3. Model Stokastik Demam Berdarah Satu Varian
Virus Tanpa Intervensi Wolbachia .................................. 101
5.4. Model Stokastik Satu Varian Virus dengan
Intervensi Wolbachia ...................................................... 103
5.5. Hasil Analisis ................................................................... 107
5.6. Latihan Soal..................................................................... 108
BAB VI SKEMA BEDA HINGGA TAK STANDAR (NON-
STANDARD FINITE DIFFERENCE SCHEME)
PENYELESAIAN MODEL MATEMATIKA
DETERMINISTIK ...................................................... 110
6.1. Model Penyebaran SIR..................................................... 110
6.2. Model Penyebaran Penyakit Tanaman ........................... 116
6.3. Model Penyebaran Vector-Borne Disease....................... 121
6.4. Latihan Soal..................................................................... 124
DAFTAR PUSTAKA ............................................................................ 126
TENTANG PENULIS............................................................................133

xi
 BAB I
PENDAHULUAN

Perkembangan teknologi informasi dan komputerisasi

memudahkan manusia untuk melakukan simulasi-simulasi
terhadap persoalan-persoalan kompleks yang terjadi dalam
kehidupan sehari-hari. Sebelum melakukan simulasi tersebut,
diperlukan suatu model (matematika) yang merupakan
representasi dari persoalan tersebut. Solusi dari model matematika
dapat diperoleh dengan bantuan program computer. Masalah-
masalah dalam bidang bisnis untuk memodelkan persoalan-
persoalan kompleks ke dalam model matematika kemudian
dianalisis dengan memanfaatkan komputer.
Pemodelan matematika merupakan salah satu cara untuk
merepresentasikan persoalan kompleks ke dalam bentuk
matematika. Model matematika merupakan abstraksi,
penyederhanaan, dan konstruksi matematika terkait bagian dari
kenyataan dan didesain untuk tujuan khusus. Dengan demikian,
model matematika harus merepresentasi situasi dari permasalahan
yang diteliti.
Model matematika dapat berupa persamaan atau sistem
persamaan. Model ini diharapkan dapat merepresentasi hal-hal
penting dan mengabaikan hal-hal yang tidak esensial. Pemodelan
matematika merupakan salah satu teknik untuk merepresentasikan
suatu sistem yang kompleks ke dalam model matematika. Dengan
kata lain, pemodelan matematika merupakan suatu sistem
persamaan yang dapat merepresentasikan suatu permasalahan
kompleks yang sedang diamati. Dengan demikian, model
matematika yang diformulasi harus mampu menjelaskan situasi
kompleks yang sedang diamati.
1.1. Pengantar
Model matematika dikarakterisasi dengan asumsi tentang
variable (things that change), parameter (things that not change),
dan bentuk fungsi (relasi antara variabel dan parameter). Selain itu,
ada tiga hal yang perlu mendapat perhatian dalam pengembangan
model matematika.
 Hal-hal yang pengaruhnya dapat diabaikan.
 Hal-hal yang dapat mempengaruhi model tetapi model
diformulasi bukan untuk menganalisis pengaruhnya.
 Hal-hal yang mana model diformulasi untuk mempelajari
pengaruh/karakteristiknya.
Ada beberapa alasan mengapa menggunakan model
matematika.
 Pemahaman/Pengetahuan
Model matematika dapat digunakan untuk memperdalam
pengetahuan tentang suatu sistem. Kita dapat memahami apakah
sistem yang kita ingin pelajari lewat model matematika sudah
dapat diterima atau belum. Model matematika dapat digunakan
untuk menguji hipotesis dan teori, menjawab pertanyaan-
pertanyaan khusus dan menguji sensitivitas dari parameter-
parameter terhadap karakteristik dari model tersebut.
 Klarifikasi
Formulasi dari model matematika untuk melakukan
klarifikasi terhadap asumsi-asumsi, variabel, dan parameter. Hal
tersebut juga dapat memberikan masukan tentang data yang
dibutuhkan.
 Pengulangan eksperimen
Dalam konteks ini, eksperimen sangat tidak mungkin, tidak
etis atau sangat mahal untuk dilakukan. Oleh karena itu, model
matematika merupakan representasi dari suatu sistem yang
kompleks yang tidak mungkin dilakukan dengan eksperimen.
Sebagai contoh, analisis dinamik penyebaran penyakit tidak
mungkin dilakukan eksperimen untuk hal tersebut dan juga tidak
etis. Oleh karena itu, model matematika yang merupakan
representasi dari dinamika penyebaran penyakit perlu diformulasi
kemudian dianalisis dan dicari solusinya. Contohnya, pelepasan
nyamuk yang membawa bakteri Wolbachia sebagai kontrol untuk
penyakit demam berdarah.
 Skala atau dimensi dalam penelitian
Seringkali suatu objek yang diteliti ukurannya sangat kecil
dan berubah dengan sangat cepat sehingga sulit untuk diteliti. Oleh
karena itu, model matematika adalah cara yang tepat digunakan
untuk melihat fenomena tersebut.

1.2. Jenis-jenis Model Matematika

Ada beberapa tipe/jenis model matematika
 Model Deterministik dan Stokastik
Pada model deterministik, output dari model bergantung
pada nilai parameter dan kondisi awal dan efek acak tidak
diikutkan dalam model deterministik. Efek acak dapat dianalisis
dengan menggunakan simulasi Monte Carlo. Dengan pendekatan
numerik, solusi dari model akan tetap sama setiap simulasi.
Meskipun efek acak dapat dianalisis dengan teknik simulasi Monte
Carlo, tidak membuat model deterministik tersebut dikatakan
sebagai model stokastik. Sedangkan, model stokastik di dalamnya
sudah terdapat efek random. Maksudnya, efek random sudah
merupakan bagian dari model. Dengan pendekatan/simulasi
numerik, hasil simulasi dapat berbeda setiap simulasi. Khususnya,
apabila populasinya sangat kecil. Beberapa contoh dari model
deterministik dan stokastik dapat dilihat pada Ndii dkk (2012, 2015,
2016, 2017) dan Allen (2013).
1.3. Tahapan-Tahapan Pemodelan Matematika
Tahapan-tahapan pemodelan matematika ditunjukkan pada
Gambar 1.

Gambar 1 Diagram langkah-langkan pemodelan matematika

 Identifikasi Masalah
Langkah pertama dalam pemodelan matematika adalah
mengidentifikasi masalah. Dalam mengidentifikasi masalah, perlu
ditetapkan tujuan dan pertanyaan yang ingin dijawab. Pertanyaan
ini merupakan hal yang penting sebab dapat menjadi petunjuk
dalam membangun model matematika.
 Membuat Asumsi
Langkah berikut dalam pemodelan matematika adalah
membuat asumsi tentang model yang akan diformulasi. Asumsi
yang dibuat disesuaikan dengan tujuan model tersebut diformulasi.
 Formulasi Model Matematika
Setelah asumsi ditetapkan, perlu dilakukan formulasi model
matematika. Model matematika yang diformulasi harus sesuai
dengan asumsi-asumsi yang dibuat pada tahap sebelumnya. Pada
tahap ini, kita harus dapat menentukan faktor mana yang perlu
diikutkan dalam model dan mana yang tidak perlu. Hal tersebut
sangat bergantung pada tujuan dari model yang telah diformulasi.
 BAB II
TEORI-TEORI PEMODELAN MATEMATIKA

Dalam bab ini akan dibahas mengenai beberapa teori

pemodelan matematika: pendekatan deterministik dan juga
pendekatan stokastik. Untuk pendekatan deterministik akan
dibahas mengenai persamaan dan sistem persamaan diferensial,
teori kestabilan, teori analisis sensitivitas, dan juga teori basic
reproduction number atau ambang batas epidemik. Pada model
stokastik akan dibahas mengenai teori percabangan (branching
process), proses Markov, dan probability generating function (pgf).
Diharapkan pembaca dapat mengerti dan memahami teori-
teori yang dibahas dalam bagian ini kemudian nantinya akan
digunakan pada analisis mengenai model matematika.

2.1. Persamaan Diferensial

Persamaan diferensial adalah persamaan matematika yang
terdiri dari sebuah fungsi dan turunannya. Ada dua bentuk
persamaan diferensial, yakni persamaan diferensial autonomous
dan persamaan diferensial non-autonomous. Perhatikan persamaan
diferensial berikut ini
dx
 f  x (1.1)
dt
dan
dx
 f  x, t  (1.2)
dt
Persamaan 1 merupakan persamaan diferensial otonom,
yakni hanya bergantung pada satu variabel x dan persamaan 2
merupakan persamaan diferensial non-otonom yang bergantung
pada variabel dan juga .
 ( ) dan ( )

Output merupakan solusi dari model matematika dengan

menggunakan nilai parameter sebagaimana diperoleh dari matriks
. Kita kemudian melakukan rangking terhadap parameter dan
output dari yang terkecil ke yang terbesar dan diperoleh matriks

( ) dan ( )

Kita kemudian menentukan Partial Rank Correlation Coefficient

(PRCC) dengan rumus
∑

√ ( ) √∑ ( ) ∑ ( )

dimana dan adalah rata-rata sampel. PRCC digunakan untuk

menentukan sensitivitas dari parameter terhadap output. Jika nilai
PRCC mendekati nilai maka parameter tersebut semakin
sensititif. Ini berarti bahwa jika terjadi perubahan pada nilai
parameter tersebut, akan berpengaruh pada output. Tanda positif
dan negatif menyatakan hubungan antara parameter tersebut dan
output. Jika tanda dari nilai PRCC adalah positif, maka kenaikan
pada nilai parameter akan berpengaruh pada kenaikan dari output.
Sebaliknya, apabila tanda dari nilai PRCC adalah negatif, maka
kenaikan dari nilai parameter akan berpengaruh pada penurunan
nilai output.

2.7. Ambang Batas Epidemik (Basic reproduction number)

Pada bagian ini akan dibahas mengenai ambang batas
epidemik atau dikenal dengan basic reproduction number. Teori ini
 BAB III
PEMODELAN DETERMINISTIK DINAMIKA
POPULASI

Pada bab ini akan dibahas mengenai dinamika populasi.

Secara khusus, pada bab ini akan dilakukan setiap tahapan
pemodelan sehingga pembaca dapat dengan jelas mengerti dan
memahami teknik pembuatan model matematika. Oleh karena itu,
ada tiga model yang akan dibahas yakni model predator-prey, model
dinamika populasi nyamuk dan model dinamika populasi nyamuk
dengan intervensi bakteri Wolbachia. Dua model yang terakhir
merupakan model yang diformulasi oleh Ndii dkk. (2011, 2012).

3.1. Model Predator-Prey

Salah satu model klasik dinamika populasi adalah model
predator prey. Model ini telah banyak dibahas dan umumnya
digunakan sebagai contoh dalam model dinamika populasi. Pada
bagian ini akan dibahas mengenai model predator-prey yang terdiri
dari satu predator dan satu prey dalam populasi.
Langkah Pertama: Identifikasi Masalah
Salah satu masalah dalam populasi adalah interaksi yang
tidak saling menguntungkan antara spesies. Misalnya, predator dan
prey. Kehidupan predator terancam jika tidak ada prey dan
kehidupan prey terancam oleh karena adanya predator. Oleh karena
itu, masalahnya adalah bagaimana dinamika populasi dengan
adanya predator dan prey dalam populasi.
Langkah Kedua: Membuat Asumsi
Langkah berikut dalam pemodelan matematika adalah
membuat asumsi-asumsi yang berkaitan dengan masalah yang
telah diidentifikasi.
 Sebagaimana definisi Routh-Hurwitz kriteria pada Bab
sebelumnya bahwa titik tetap stabil jika semua koefisien dari
persamaan karakteristik orde dua positif. Karena selalu bernilai
negatif, maka koefisien selalu bernilai positif. Oleh karena itu,
kita perlu mengecek koefisien yang dikerjakan secara numerik

Kestabilan dari titik tetap bebas nyamuk

Sebagaimana telah dijelaskan bahwa salah satu asumsi adalah
rasio antara nyamuk jantan dan betina adalah 1:1, oleh karena itu
nilai epsilon . Oleh karena itu, populasi nyamuk jantan dan
betina adalah sama, , jika kondisi awalnya sama. Pada titik
ekuilibrium bebas nyamuk, maka diperoleh
elemen dari matriks Jacobian adalah
N
J11  (  NA   N ), J12  J13 . (2.19)
4
Terlihat jelas bahwa untuk titik ekuilibrium bebas nyamuk
elemen dari selalu bernilai negatif karena
nilai parameter selalu bernilai positif. Perhitungan dan
memerlukan perhitungan yang teliti dan mempertimbangkan aspek
biologinya. Elemen tersebut diperoleh dengan menentukan fungsi
limit dari beberapa variabel. Elemen diperoleh dengan

N  AN 
lim
) (0,0,0) ( M  F )
1  
 K 
( AN , M N , FN 2
N N

Terlihat jelas bahwa jika limit didekati dari berbagai arah,

fungsi tersebut menuju nilai yang berbeda. Jika , nilai
limitnya adalah . Jika , nilai limitnya adalah
. Pada kasus yang terakhir sangat bergantung pada nilai
sehingga dari perspektif matematika, nilai limit tidak ada. Tetapi,
dari perspektif biologi, nilai limit ada karena proporsi dari jantan
dan betina sama atau populasi dari nyamuk jantan dan betina
  J11   J12 J13 J14 
 
J J 22   J 23 J 24 
J   21 .
 J 31 J 32 J 33   J 34 
 
 J 41 J 42 J 43 J 44   
Oleh karena penyelesaian secara analitik tidaklah mudah
dilakukan maka akan dilakukan secara numerik dengan
menggunakan MATLAB. Sebagai catatan titik tetap yang non-
negatif yang dianggap realistis. Analisis kestabilan dilakukan
secara numerik dengan melakukan variasi dari nilai parameter dan
relasinya dengan perubahan nilai eigen dan kestabilan.

Gambar 8. Analisis kestabilan numerik dengan melakukan plot

bagian riil dari nilai eigen dan rasio antara laju reproduksi
nyamuk ber-Wolbachia terhadap nyamuk tak ber-Wolbachia
( dimana nilai , dan ,
.
 BAB IV
PEMODELAN DETERMINISTIK PENYEBARAN
PENYAKIT

4.1. Pengantar
Pada bab ini akan dibahas mengenai pemodelan
deterministik penyebaran penyakit. Model matematika yang akan
dibahas adalah model matematika sederhana dengan
mempertimbangkan periode inkubasi (Model SEIR), model dengan
intervensi vaksinasi (model SVIR), model penyebaran demam
berdarah dan model penyebaran demam berdarah dengan
intervensi Wolbachia. Model SEIR dan SVIR merupakan model yang
sederhana dan analisis secara analitik akan dipresentasikan.
Analisis secara analitik yang dimaksudkan adalah pencarian titik
tetap dan analisis kestabilan serta sensitivitas masih dilakukan
secara analitik. Model penyebaran deman berdarah relatif
kompleks sehingga akan dijabarkan solusi numerik dengan
menggunakan MATLAB.
Tujuan dari penulisan bab ini agar pembaca dapat memahami
teknik membangun model matematika penyebaran penyakit,
melakukan analisis kestabilan dan sensitivitas, dan memahami
jenis-jenis model matematika penyebaran penyakit. Diharapkan
pembaca dapat membangun sendiri model matematika penyebaran
penyakit sesuai dengan karakteristik penyakit yang ditelitinya.

4.2. Model Matematika SEIR

Pada bagian ini akan dibahas mengenai model penyebaran
penyakit SEIR.
 BAB V
PEMODELAN STOKASTIK PENYEBARAN
PENYAKIT

Pada bab ini akan dibahas mengenai model stokastik

penyebaran penyakit. Model-model yang akan dibahas adalah
model SEIR, model SVIR, model demam berdarah dengan satu
varian virus, dan model demam berdarah dengan intervensi bakteri
Wolbachia.

5.1. Model Stokastik SEIR

Pemodelan stokastik SEIR dibangun berdasarkan model
deterministik SEIR sebagai berikut
dS H S I
 BN H  H H   H S H ,
dt NH
dEH  S H I H
   H EH   H EH ,
dt NH
dI H
  H EH   I H   H I H ,
dt
dRH
  I H   H RH .
dt
Model stokastik untuk model di atas diformulasi dengan
menggunakan konsep Continous-Time Markov Chain. Definisikan
variabel acak sebagai berikut dan
. Peluang perpindahan dari tiap
kompartemen adalah
 BAB VI
SKEMA BEDA HINGGA TAK STANDAR (NON-
STANDARD FINITE DIFFERENCE SCHEME)
PENYELESAIAN MODEL MATEMATIKA
DETERMINISTIK

Model matematika umumnya sangat kompleks sehingga

penyelesaian secara analitik tidak dapat dilakukan. Oleh karena itu,
penyelesaian model matematika umumnya dilakukan secara
numerik. Penyelesaian model matematika pada umumnya meng-
gunakan pendekatan numerik. Terdapat beberapa pendekatan
numerik yang sering digunakan, yakni Runge-Kutta dan Euler,
tetapi penggunaan tersebut seringkali tidak stabil. Oleh karena itu,
pada bab ini akan dibahas pendekatan nonstandard finite difference
scheme (NSFDS) yang merupakan pendekatan numerik yang cukup
stabil. Pada bab ini istilah NSFDS merujuk pada skema beda hingga
tak standar. Model-model matematika yang dipaparkan tidak
dibahas dengan detail sebab tujuan dari bab ini adalah pembahasan
mengenai konstruksi NSFDS.
Tahapan untuk menentukan titik tetap dari model diskret
tidak dibahas secara tuntas untuk dijadikan latihan bagi para
pembaca. Hal ini dimaksudkan agar pembaca dapat terlibat secara
aktif ketika membaca bab ini sehingga akan lebih mudah dalam
memahami materi dalam bab ini.

6.1.Model Penyebaran SIR

Pada bagian ini akan ditunjukkan konstruksi NSFDS untuk
model penyebaran penyakit SIR. Model penyebaran penyakit
model SIR adalah sebagai berikut
DAFTAR PUSTAKA

Allen, L.J.S., Driessche, P. van den, 2013. Relations between

deterministic and stochastic thresholds for disease extinction
in continuous- and discrete-time infectious disease models.
Math. Biosci. 243, 99–108.
https://doi.org/10.1016/j.mbs.2013.02.006
Allen, L.J.S., Jr, L., 2012. Extinction thresholds in deterministic and
stochastic epidemic models. J. Biol. Dyn. 6, 590–611.
Andraud, M., Hens, N., Marais, C., Beutels, P., 2012. Dynamic
Epidemiological Models for Dengue Transmission: A
Systematic Review of Structural Approaches. PLoS ONE 7,
e49085. https://doi.org/10.1371/journal.pone.0049085
Arenas, A.J., Moraño, J.A., Cortés, J.C., 2008. Non-standard
numerical method for a mathematical model of RSV
epidemiological transmission. Comput. Math. Appl. 56, 670–
678. https://doi.org/10.1016/j.camwa.2008.01.010
Blower, S.M., Dowlatabadi, H., 1994. Sensitivity and Uncertainty
Analysis of Complex Models of Disease Transmission: An
HIV Model, as an Example. Int. Stat. Rev. 62, 229–243.
Britton, T., 2010. Stochastic epidemic models: A survey. Math.
Biosci. 225, 24–35.
Castillo-Chavez, C., Fridman, S., Luo, X., 1993. Stochastic and
Deterministic Models in Epidemiology (No. BU-1192-M).
Biometric Unit, Cornell University, USA.
Dafilis, M.P., Frascoli, F., McVernon, J., Heffernan, J.M., McCaw,
J.M., 2014. Dynamical crises, multistability and the influence
of the duration of immunity in a seasonally-forced model of
disease transmission. Theor. Biol. Med. Model. 11, 43–43.
https://doi.org/10.1186/1742-4682-11-43
Diekmann, O., Heesterbeek, J.A.P., 2000. Mathematical
Epidemiology of Infectious Diseases. John Wiley & Son.,
New York.
Diekmann, O., Heesterbeek, J.A.P., Roberts, M.G., 2010. The
construction of next–generation matrices for compartmental
epidemic models. J. R. Soc. Interface 7, 873–885.
https://doi.org/10.1098/rsif.2009.0386
Gantmacher, F.R., 1964. Matrix Theory. Chelsea Pub. Co, New York,
NY.
Hoffmann, A.A., Iturbe-Ormaetxe, I., Callahan, A.G., Phillips, B.L.,
Billington, K., Axford, J.K., Montgomery, B., Turley, A.P.,
O’Neill, S.L., 2014. Stability of the WMel Wolbachia Infection
following Invasion into Aedes aegypti Populations. PLoS
Negl. Trop. Dis. 8, e3115.
https://doi.org/10.1371/journal.pntd.0003115
Jodar, L., Villanueva, R.J., Arenas, A.J., Gonzalez, G.C., 2008.
Nonstandard numerical methods for a mathematical model
for influenza disease. Math. Comput. Simul. 79, 622–633.
https://doi.org/10.1016/j.matcom.2008.04.008
Kampen, N.G.V., 2007. Stochastic Processes in Physics and
Chemistry. Elsevier.
Keeling, M.J., Rohani, P., 2008. Modelling Infectious Diseases in
Humans and Animals. Princeton University Press.
Moghadas, S.M., Alexander, M.E., Corbett, B.D., Gumel, A.B., 2003.
A Positivity-preserving Mickens-type Discretization of an
Epidemic Model. J. Differ. Equ. Appl. 9, 1037–1051.
https://doi.org/10.1080/1023619031000146913
Ndii, Meksianis Zadrak, 2015. Mathematical modelling to
investigate a Wolbachia intervention to reduce dengue
transmission (PhD dissertation). University of Newcastle.
Ndii, Meksianis Z., 2015. Mathematical modelling to investigate a
Wolbachia intervention to reduce dengue transmission (PhD
Thesis). The University of Newcastle.
Ndii, Meksianis Z., Allingham, D., Hickson, R.I., Glass, K., 2016.
The effect of Wolbachia on dengue outbreaks when dengue
is repeatedly introduced. Theor. Popul. Biol. 111, 9–15.
http://dx.doi.org/10.1016/j.tpb.2016.05.003
Ndii, M. Z., Allingham, D., Hickson, R.I., Glass, K., 2016. The effect
of Wolbachia on dengue dynamics in the presence of two
serotypes of dengue: symmetric and asymmetric
epidemiological characteristics. Epidemiol. Infect. 144, 2874–
2882. https://doi.org/10.1017/S0950268816000753
Ndii, M.Z., Amarti, Z., Wiraningsih, E.D., Supriatna, A.K., 2018b.
Rabies epidemic model with uncertainty in parameters:
crisp and fuzzy approaches. IOP Conf. Ser. Mater. Sci. Eng.
332, 012031.
Ndii, M.Z., Hickson, R.I., Mercer, G.N., 2012. Modelling the
introduction of Wolbachia into Aedes aegypti to reduce dengue
transmission. ANZIAM J. 53, 213–227.
https://doi.org/10.1017/S1446181112000132
Ndii, M.Z., Supriatna, A.K., 2017. Stochastic Mathematical Models
in Epidemiology. Information 20, 6185–6196.
Scott, T.W., Amerasinghe, P.H., Morrison, A.C., Lorenz, L.H., Clark,
G.G., Strickman, D., Kittayapong, P., Edman, J.D., 2000.
Longitudinal Studies of Aedes aegypti (Diptera: Culicidae) in
Thailand and Puerto Rico: Blood Feeding Frequency. J. Med.
Entomol. 37, 89–101.
Vries, G. de, Hillen, T., Lewis, M., Muller, J., Schonfisch, B., 2006. A
Course in Mathematical Biology. SIAM, Philadelphia.
Walker, T., Johnson, P.H., Moreira, L.A., Iturbe-Ormaetxe, I.,
Frentiu, F.D., McMeniman, C.J., Leong, Y.S., Dong, Y.,
 Axford, J., Kriesner, P., Lloyd, A.L., Ritchie, S.A., O’Neill,
S.L., Hoffmann, A.A., 2011. The WMel Wolbachia strain
blocks dengue and invades caged Aedes aegypti populations.
Nature 476. https://doi.org/10.1038/nature10355
Wood, D.T., Kojouharov, H.V., Dimitrov, D.T., 2017. Universal
approaches to approximate biological systems with
nonstandard finite difference methods. Math. Comput.
Simul. 133, 337–350.
https://doi.org/10.1016/j.matcom.2016.04.007
Wu, J., Dhingra, R., Gambhir, M., Remais, J.V., 2013. Sensitivity
analysis of infectious disease models: methods, advances
and their application. J. R. Soc. Interface 10, 1–14.
https://doi.org/10.1098/rsif.2012.1018
Yang, H.L., Macoris, M.L.G., Galvani, K.C., Andrighetti, M.T.C.,
2011. Follow up estimation of Aedes aegypti entomological
parameters and mathematical modellings. Biosystems 103,
360–371. https://doi.org/10.1016/j.biosystems.2010.11.002
Yang, H.M., Ferreira, C.P., 2008. Assessing the effects of vector
control on dengue transmission. Appl. Math. Comput. 198,
401–413. https://doi.org/10.1016/j.amc.2007.08.046
Malorung, F., Blegur, M., Pangaribuan, R., Ndii, M.Z., 2018.
Analisis Sensitivitas Model Matematika Penyebaran
Penyakit Dengan Vaksinasi. Matematika Integratif 14, 9–15.
Ndii, M.Z., Anggriani, N., Supriatna, A.K. Comparison of
Differential Transformation Method and Nonstandard finite
difference scheme for solving plant disease mathematical
model. Under review. 2018.
Ndii, M.Z., Wiraningsih, E.D., Anggriani, N., Supriatna, A.K., 2018.
Mathematical Model as a Tool for the Control of Vector-
Borne Diseases: Wolbachia Example, in: Dengue Fever.
IntechOpen
Karlin, S., Taylor, H.M., 1975. A first course in stochastic processes.
Academic Press.
Bender, E.A., 1978. An Introduction to Mathematical Modeling.
John Wiley and Sons, United States.
Diekmann, O., Heesterbeek, J.A.P., Metz, J.A.J., 1990. On the
definition and the computation of basic reproduction ratio
$R_0$ in models for infectious diseases in heterogenous
population. J. Math. Biol. 28, 629–656.
Berman, A., Plemmons, R.J., 1994. Nonnegative Matrices in The
Mathematical Sciences. SIAM, Philadelphia.
Sanchez, M.A., Blower, S.M., 1997. Uncertainty and sensitivity
analysis of the basic reproductive rate. Tuberculosis as an
example. Am. J. Epidemiol. 145, 1127–1137.
Mooney, D.D., Swift, R., Swift, R.J., 1999. A Course in Mathematical
Modeling, Classroom resource materials. Mathematical
Association of America.
Mickens, R.E., 2000. Applications of nonstandard finite difference
schemes. World Scientific.
Anguelov, R., Lubuma, J.M.-S., 2001. Contributions to the
mathematics of the nonstandard finite difference method
and applications. Numer. Methods Partial Differ. Equ. 17,
518–543.
Driessche, P. van den, Watmough, J., 2002. Reproduction numbers
and sub–threshold endemic equilibria for compartmental
models of disease transmission. Math. Biosci. 180, 29 – 48.
https://doi.org/10.1016/S0025–5564(02)00108–6
Anguelov, R., Lubuma, J.M.-S., 2003. Nonstandard finite difference
method by nonlocal approximation. Math. Comput. Simul.
61, 465–475. https://doi.org/10.1016/S0378-4754(02)00106-4
Mickens, R.E., 2005. Dynamic consistency: a fundamental principle
for constructing nonstandard finite difference schemes for
 differential equations. J. Differ. Equ. Appl. 11, 645–653.
https://doi.org/10.1080/10236190412331334527
Mickens, R.E., 2007. Calculation of denominator functions for
nonstandard finite difference schemes for differential
equations satisfying a positivity condition. Numer. Methods
Partial Differ. Equ. 23, 672–691.
Allen, L.J.S., 2007. An Introduction to Mathematical Biology.
Pearson Prentice Hall, New York, NY.
Marino, S., Hogue, I.B., Ray, C.J., Kirschner, D.E., 2008. A
methodology for performing global uncertainty and
sensitivity analysis in systems biology. J. Theor. Biol. 254,
178–196. https://doi.org/10.1016/j.jtbi.2008.04.011
Chitnis, N., Hyman, J.M., Cushing, J.M., 2008. Determining
Important Parameters in the Spread of Malaria Through the
Sensitivity Analysis of a Mathematical Model. Bull. Math.
Biol. 70, 1272.
Maidana, N.A., Yang, H.M., 2008. Describing the geographic spread
of dengue disease by traveling waves. Math. Biosci. 215, 64–
77. https://doi.org/10.1016/j.mbs.2008.05.008
Greenwood, P.E., Gordillo, L.F., 2009. Stochastic Epidemic
Modeling, in: Chowell, G., Hyman, J.M., Bettencourt,
L.M.A., Castillo-Chavez, C. (Eds.), Mathematical and
Statistical Estimation Approaches in Epidemiology. Springer
Netherlands, Dordrecht, pp. 31–52.
and, W.H.O., 2009. Dengue: Guideline for diagnosis, treatment,
prevention and control. World Health Organization, France.
Allen, L.J.S., 2010. An introduction to stochastic process with
application to Biology. CRC Press.
Wilkinson, D.J., 2011. Stochastic Modelling for Systems Biology,
Second Edition, Chapman & Hall/CRC Mathematical and
Computational Biology. Taylor & Francis.
 Pinsky, M.A., Karlin, S., 2011. An Introduction to Stochastic
Modeling. Elsevier.
Mickens, R.E., 2012. Nonstandard Finite Difference Methods, in:
Advances in the Applications of Nonstandard Finite
Difference Schemes. World Scientific, pp. 1–9.
https://doi.org/10.1142/9789812703316_0001
Yang, H.M., 2014. The basic reproduction number obtained from
Jacobian and next generation matrices-A case study of
dengue transmission modelling. Biosystems 126, 52–75.
http://dx.doi.org/10.1016/j.biosystems.2014.10.002
Allen, L.J.S., 2015. Stochastic Population and Epidemic Models.
Springer.
Leung, T., Hughes, B.D., Frascoli, F., McCaw, J.M., 2016. Periodic
solutions in an SIRWS model with immune boosting and
cross-immunity. J. Theor. Biol. 410, 55–64.
https://doi.org/10.1016/j.jtbi.2016.08.034
Hurint, R.U., Ndii, M.Z., Lobo, M., 2017. Analisis sensitivitas dari
model epidemi SEIR. Nat. Sci. J. Sci. Technol. 6, 22–28.
Korpusik, A., 2017. A nonstandard finite difference scheme for a
basic model of cellular immune response to viral infection.
Commun. Nonlinear Sci. Numer. Simul. 43, 369–384.
https://doi.org/10.1016/j.cnsns.2016.07.017
Ndii, M.Z., Amarti, Z., Wiraningsih, E.D., Supriatna, A.K., 2018a.
Rabies Epidemic Model with Uncertainty in Parameters:
Crisp and Fuzzy Approaches. IOP Conf. Proceeding.

View publication stats