Anda di halaman 1dari 9

Model SIR Penyakit Tidak Fatal

Husni Tamrin, M. Zaki Riyanto*, Akhid, Ardhi Ardhian


Jurusan Matematika FMIPA UGM
Yogyakarta 2007

Intisari
Model SIR dapat digunakan untuk memodelkan penyebaran suatu penyakit yang
tidak fatal atau tidak menimbulkan kematian dalam suatu populasi tertutup
berdasarkan asumsi-asumsi tertentu. Selanjutnya, dari model tersebut dapat
diperoleh dua titik kesetimbangan. Menggunakan titik kesetimbangan dapat
diperoleh suatu interpetasi dalam kehidupan nyata, khususnya yang berkaitan
dengan eksistensi atau keberadaan penyakit dalam populasi, yaitu titik
kesetimbangan bebas penyakit dan titik kesetimbangan endemik. Pada titik
kesetimbangan bebas penyakit terjadi jika proporsi subpopulasi rentan adalah 1
dan laju terserang kurang dari laju kesembuhan ditambah dengan laju
kelahiran/kematian.

Kata kunci: SIR, stabil asymtotik, titik kesetimbangan bebas penyakit, titik kesetimbangan
endemik

1. Pendahuluan
Model matematika merupakan salah satu alat yang dapat membantu mempermudah
penyelesaian masalah dalam kehidupan nyata. Masalah-masalah tersebut dapat di
bawa ke dalam model matematis dengan menggunakan asumsi-asumsi tertentu.
Selanjutnya, dari model yang didapat dicari solusinya, baik dengan cara analitis
maupun secara numerik.
Salah satu permasalahan di kehidupan nyata adalah mengenai penyebaran
suatu penyakit yang tidak menimbulkan kematian (fatal) dan individu yang terinfeksi
akan mempunyai kekebalan dalam jangka waktu tertentu, contohnya adalah penyakit
campak, influenza, dan sebagainya. Selanjutnya, masalah penyebaran penyakit ini

*
E-mail: zaki@mail.ugm.ac.id
http://zaki.math.web.id

1
akan dimodelkan ke dalam bentuk matematis menggunakan tipe model penyebaran
penyakit SIR.
Model SIR (Susceptibles, Invectives, Recovered) pada awalnya
dikembangkan untuk mengetahui laju penyebaran dan kepunahan suatu wabah
penyakit dalam populasi tertutup dan bersifat epidemik. Pada paper ini dibahas
mengenai pembentukan model SIR pada penyakit yang tidak fatal dan berdasarkan
asumsi-asumsi yang dibuat. Setelah model terbentuk, kemudian dicari solusi analitis
dan titik kesetimbangannya, yang selanjutnya diinterpetasikan dalam permasalahan
yang sesungguhnya dalam kehidupan nyata. Dalam hal ini adalah mengenai perilaku
penyebaran penyakit dan eksistensinya, yaitu titik kesetimbangan bebas penyakit dan
titik kesetimbangan endemik.
Titik kesetimbangan bebas penyakit adalah suatu kondisi di mana sudah tidak
ada lagi penyakit yang menyerang atau dalam arti tidak ada lagi individu yang
terserang penyakit. Titik kesetimbangan endemik adalah suatu kondisi di mana
penyakit selalu ada dalam populasi tersebut, maksudnya adalah bahwa selalu saja ada
individu yang terserang penyakit.

2. Teori Kestabilan
Diberikan sistem persamaan diferensial non linear
dx1
= f1 ( x1 ,..., xn )
dt
⋮ (1)

dx1
= f n ( x1 ,..., xn )
dt
dengan kondisi awal xt0 (t0 ) = xi , i = 1, 2,..., n .

Sistem (1) di atas dapat ditulis sebagai


dx
= f ( x) ,
dt

2
dx
dengan = ( x1 ,..., xn )T ∈ ℝ n , f ( x) = ( f1 ( x), f 2 ( x),..., f n ( x))T , dan memenuhi
dt
kondisi awal x(t0 ) = ( x01 , x02 ,..., x0 n )T . Selanjutnya, notasi x(t ) = x( x0 , t ) menyatakan

solusi sistem (1) di atas yang melalui x0 .

Definisi 1. (Perko, 1991) Titik x ∈ ℝ n disebut titik kesetimbangan (titik equilibrium)


sistem (1) jika f ( x ) = 0 .

Definisi 2. (Finizio & Ladas, 1988)


1) Titik kesetimbangan x dikatakan stabil jika untuk setiap bilangan ε > 0
terdapat bilangan δ > 0 sedemikian hingga untuk setiap solusi y (t ) yang

memenuhi y (t0 ) − x < δ berlaku x(t ) − x < ε untuk t ≥ t0 .

2) Titik kesetimbangan x dikatakan stabil asymtotik jika x stabil dan terdapat


bilangan δ 0 > 0 sedemikian hingga untuk setiap setiap solusi y (t ) yang

memenuhi y (t0 ) − x < δ 0 berlaku y (t ) − x → 0 untuk t → ∞ .

Diberikan sistem persamaan diferensial non linear


dx
= f ( x) (2)
dt
dengan f adalah fungsi non linear dan kontinu, f : E → ℝ n , E ⊂ ℝ n .
Perilaku solusi pada persekitaran titik kesetimbangan sistem non linear (2) dapat
ditentukan setelah dilakukan pelinieran pada persekitaran titik kesetimbangan sistem.

Definisi 3. (Kocak, 1991) Diberikan f = ( f1 ,..., f n ) pada sistem (2) di atas dengan

f i ∈ C 1 ( E ), i = 1, 2,.., n . Matriks

3
 ∂f1 ∂f1 
 ∂x ( x) ⋯ ∂x ( x) 
 1 n 
J ( f ( x)) =  ⋮ ⋱ ⋮  (3)
 
 ∂f n ( x) ⋯ ∂f n ( x) 
 ∂x ∂xn 
 1 
dinamakan matriks Jacobian dari f di titik x.

dx
Definisi 4. (Perko, 1991) Sistem = J ( f ( x )) x disebut linearisasi sistem (2) di x .
dt

Teorema 5. (Wiggins, 1990) Jika semua nilai eigen dari matriks Jacobian J ( f ( x ))
mempunyai bagian real negatif, maka titik kesetimbangan x pada sistem (2) stabil
asymtotik.

3. Model SIR Penyakit Tidak Fatal


Penyebaran penyakit yang tidak fatal (tidak menimbulkan kematian) dalam suatu
populasi yang diasumsikan memiliki jumlah tetap dan dalam satu periode waktu
wabah. Pada saat t misal dalam satu populasi terdiri dari :
• S(t) : susceptibles : adalah subpopulasi di mana anggotanya terdiri dari
orang-orang yang rentan terkena penyakit tersebut.
• I(t) : infectives : adalah subpopulasi dimana anggotanya tersiri dari orang-
orang yang sudah terjangkit penyakit tersebut.
• R(t) : Recovered : adalah orang-orang yang telah sembuh dari penyakit
tersebut.
Dengan proporsi S + I + R = 1.
Asumsi – asumsi :
1) Populasi tertutup (tidak ada proses migrasi).
2) Terjadi proses kelahiran dan kematian.
3) Laju kelahiran sama dengan laju kematian (jumlah populasi tetap).
4) Penyakit dapat disembuhkan.

4
5) Setiap individu yang belum terserang penyakit masuk ke subpopulasi
susceptibles (rentan terserang).
6) Individu yang sembuh mempunyai kekebalan dalam jangka waktu tertentu.
7) Penyakit menular melalui kontak langsung antara individu rentan dengan
penderita.
8) Tidak ada masa inkubasi apabila terjadi proses penularan.
9) Masa terjangkit yang cukup lama.
Diasumsikan terdapat kontak yang tetap dari subpopulasi S dan I dalam
populasi tersebut dan angka susceptible S(t) ditambah dengan bilangan konstan µ.
Bilangan konstan µ melambangkan kondisi di mana muncul kelahiran baru dan bayi
yang baru lahir otomatis masuk dalam kondisi rentan. Karena laju kelahiran sama
dengan laju kelahiran, maka nilai kedua laju sama yaitu µ. Misalkan laju penularan
penyakit adalah β, maka dalam satu waktu laju dari susceptibles menjadi infective
adalah :
dS
= − β SI + µ − µ S (4)
dt
dengan β, µ adalah konstan positif dan µS adalah jumlah kematian pada subpopulasi
S. Jika α > 0 adalah laju kesembuhan dari infected menjadi recovered, maka
dI
= β SI − α I − µ I (5)
dt
dengan µI adalah jumlah kematian pada subpopulasi I, dan laju perubahan
subpopulasi recovered menjadi
dR
= α R − µR (6)
dt
dengan µR adalah jumlah kematian dari subpopulasi R.

µ β α
 → S  → I  →R
↓µ ↓µ ↓µ
Gambar 1. Model SIR dengan kelahiran dan kematian

5
4. Kestabilan Sistem
Dari persamaan (4), (5) dan (6) di atas, diperoleh sistem persamaan diferensial
dS
= µ − β SI − µ S ,
dt
dI
= β SI − α I − µ I (7)
dt
dR
= α I − µR
dt
Karena persamaan pertama dan kedua tidak dipengaruhi oleh persamaan ketiga,
maka persamaan ketiga dapat diabaikan terlebih dahulu sehingga sistem persamaan
(7) menjadi
dS
= µ − β SI − µ S ,
dt
(8)
dI
= β SI − α I − µ I
dt
Dari sistem persamaan (8) diperoleh titik kesetimbangan
(S,I) = (1,0) dan
α + µ µ µ
(S,I) =  , − .
 β α +µ β 
Misalkan
f ( S , I ) = µ − β SI − µ S
g ( S , I ) = β SI − α I − µ I
Untuk menyelediki kestabilan titik kesetimbangan dilakukan linearisasi terhadap
persamaan non linear di atas
∂f ( S , I ) ∂ ( µ − β SI − µ S )
= = −β I − µ
∂S ∂S
∂f ( S , I ) ∂ ( µ − β SI − µ S )
= = −β S
∂I ∂I
∂g ( S , I ) ∂ ( β SI − α I − µ I )
= = βI
∂S ∂S
∂g ( S , I ) ∂ ( β SI − α I − µ I )
= = β S −α − µ
∂I ∂I

6
Proposisi 6. Jika β < α + µ, maka titik kesetimbangan (S,I) = (1,0) stabil asymtotik.
Bukti:
Untuk titik kesetimbangan di (S,I) = (1,0) diperoleh matrik Jacobian
 −µ −β 
J = .
 0 β − α − µ 
Sehingga diperoleh sistem linear
 dS 
 dt   − µ −β  S 
 = .
 dI   0 β − α − µ   I 
 
 dI 
Det (λI-J) = 0
λ+µ β
⇔ =0
0 λ − β +α + µ
⇔ (λ + µ )(λ − β + α + µ ) = 0.
Diperoleh λ1 = -µ dan λ2 = β – α – µ. Jelas bahwa λ1 = -µ < 0 dan diperoleh bahwa
nilai λ2 = β – α – µ < 0 ⇔ β < α + µ. Jika β < α + µ, maka menggunakan Teorema 5
di atas diperoleh bahwa titik kesetimbangan (S,I) = (1,0) stabil asymtotik. ■

α + µ µ µ
Proposisi 7. Titik kesetimbangan (S,I) =  , −  stabil asymtotik.
 β α +µ β 
Bukti:
α + µ µ µ
Untuk titik kesetimbangan di (S,I) =  , −  maka diperoleh matriks
 β α +µ β 
Jacobian
 − βµ 
 α +µ −α − µ 
J = 
 βµ 
α + µ − µ 0 
 
sehingga diperoleh sistem linear

7
 dS   − βµ 
−α − µ 
 dt   α + µ
   .
S
 =
 dI   βµ − µ  I
0  
  
 dI   α + µ 
Selanjutnya, Det (λI-J) = 0
βµ
λ+ α +µ
α +µ
⇔ =0
βµ
µ− λ
α +µ
βµ
⇔ λ2 + λ + µ (β − α − µ ) = 0
α +µ
 βµ   βµ 
⇔ λ +  (λ ) − (α + µ )  µ − =0
 α +µ   α + µ 
2
βµ  βµ 

α +µ
±   − 4µ ( β − α − µ )
α + µ 
⇔ λ1,2 = ,
2
1 βµ
dengan bagian real Re(λ1,2) = − < 0. Akibatnya, menggunakan Teorema 5 di
2α +µ

α + µ µ µ
atas, diperoleh bahwa titik kesetimbangan (S,I) =  , −  stabil
 β α +µ β 
asymtotik. ■

5. Kesimpulan
Berdasarkan hasil yang diperoleh dari perhitungan di atas, diperoleh dua titik
α + µ µ µ
kesetimbangan, yaitu (S,I) = (1,0) dan (S,I) =  , − .
 β α +µ β 
Jika diperoleh titik kesetimbangan (1,0) dan jika β < α + µ, berdasarkan
Proposisi 6 maka titik kesetimbangan (1,0) stabil asymtotik. Artinya jika terjadi
kondisi seperti ini maka dalam waktu yang lama tidak ada penyebaran penyakit atau

8
tidak ada individu yang masuk ke subpopulasi infectives atau dapat disebut titik ini
adalah titik kesetimbangan bebas penyakit.
α + µ µ µ
Jika diperoleh titik kesetimbangan  , −  , berdasarkan
 β α +µ β 
Proposisi 7 maka stabil asymtotik. Artinya kondisi ini dalam waktu yang lama, maka
penyakit akan selalu ada dalam populasi tersebut dan selalu ada individu yang masuk
ke subpopulasi infectives. Kondisi seperti ini dapat disebut sebagai titik
kesetimbangan endemik.

Daftar Pustaka

Diekmann, O and Heesterbeek, J.A.P, 2000, Mathematical Epidemology of Infectious


Diseases: Model Building, Analysis and Interpretation, John Wiley, New
York

Finizio, N. and Ladas, G., 1998, Persamaan Diferensial Biasa dengan Penerapan
Modern, Erlangga, Jakarta

Haberman, Richard, 1977, Mathematical Model in Mechanical Vibrations,


Population Dynamics, and Traffic Flow, Prentice-Hall, New Jersey

Lawrance, P., 1991, Differential Equation and Dynamical System, Springer-Verlag,


Berlin

Olders, G.J. and Vonder Woude, J.W., 1994, Mathematical System Theory, First
Edition, Delftse Witgevers Maatschappij, The Netherlands