PENYELESAIAN MODEL SIRS

YANG DIPENGARUHI OLEH VAKSINASI

DENGAN METODE TRANSFORMASI DIFERENSIAL

SKRIPSI

Oleh

CHAIRUNNISA
H1B014054

KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PURWOKERTO
2019
 PENYELESAIAN MODEL SIRS
YANG DIPENGARUHI OLEH VAKSINASI
DENGAN METODE TRANSFORMASI DIFERENSIAL

SKRIPSI

Oleh

CHAIRUNNISA
H1B014054

Sebagai Salah Satu Persyaratan untuk Memperoleh

Gelar Sarjana Strata Satu (S1) pada Jurusan Matematika

KEMENTERIAN RISET, TEKNOLOGI, DAN PENDIDIKAN TINGGI

UNIVERSITAS JENDERAL SOEDIRMAN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PURWOKERTO
2019

i
 LEMBAR PENGESAHAN

PENYELESAIAN MODEL SIRS

YANG DIPENGARUHI OLEH VAKSINASI
DENGAN METODE TRANSFORMASI DIFERENSIAL

Oleh

CHAIRUNNISA
H1B014054

Diterima dan disahkan

Pada tanggal : ...............................

Pembimbing I Pembimbing II

Rina Reorita, M.Si. Agus Sugandha, M.Si.

NIP. 19800815 200912 2 002 NIP. 19740709 200604 1 001

Mengetahui,
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Drs. Sunardi, M.Si.

NIP. 19590715 199002 1 001

ii
 PERNYATAAN
Dengan ini saya menyatakan bahwa skripsi yang berjudul:
PENYELESAIAN MODEL SIRS YANG DIPENGARUHI OLEH
VAKSINASI DENGAN METODE TRANSFORMASI DIFERENSIAL
adalah benar merupakan hasil karya saya sendiri dan semua sumber data serta
informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa
kebenarannya. Apabila pernyataan ini tidak benar maka saya bersedia menerima
sanksi pencabutan gelar kesarjanaan yang telah saya peroleh.

Purwokerto, Januari 2019

Chairunnisa
H1B014054

iii
 PEDOMAN PENGGUNAAN SKRIPSI

Skripsi ini terdaftar dan tersedia di Pusat Informasi Ilmiah Fakultas Matematika
dan Ilmu Pengetahuan Alam dan terbuka untuk umum dengan ketentuan bahwa
hak cipta ada pada penulis dengan mengikuti aturan HaKI yang berlaku di
Universitas Jenderal Soedirman. Pengutipan dan atau peringkasan hanya dapat
dilakukan dengan mengikuti kebiasaan ilmiah untuk menyebutkan sumbernya.

iv
 KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah
melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
skripsi yang berjudul “Penyelesaian Model SIRS yang Dipengaruhi oleh
Vaksinasi dengan Metode Transformasi Diferensial” sebagai syarat untuk
memperoleh gelar Sarjana Strata Satu pada Jurusan Matematika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Soedirman.
Sistematika dalam penulisan skripsi ini adalah sebagai berikut. Bab I
Pendahuluan memberikan gambaran umum yang menjadi dasar dilakukannya
penelitian yang terdiri dari latar belakang, rumusan masalah, tujuan penelitian,
batasan masalah dan manfaat penelitian. Kemudian, pada Bab II Tinjauan
Pustaka, disajikan berbagai teori dasar yang menjadi landasan penelitian. Pada
Bab III Metodologi Penelitian dibahas mengenai metode dan analisis penelitian.
Kemudian, hasil dan pembahasan pada skripsi ini termuat dalam Bab IV.
Selanjutnya, Bab V berisi kesimpulan dan saran yang diperoleh dari hasil dan
pembahasan.
Penyusunan skripsi ini tidak lepas dari bimbingan, arahan, motivasi,
bantuan materiil dan spiritual dari berbagai pihak. Oleh karena itu, penulis
menyampaikan terima kasih kepada:
1. Bapak Drs. Sunardi, M.Si., selaku Dekan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Jenderal Soedirman;

2. Ibu Dr. Idha Sihwaningrum, M.Sc.St, selaku Ketua Jurusan Matematika,

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Jenderal
Soedirman.

3. Ibu Rina Reorita, M.Si., selaku Dosen Pembimbing Akademik dan Dosen
Pebimbing I dan Bapak Agus Sugandha, M.Si., selaku Dosen Pembimbing II
yang telah memberikan bimbingan dan arahannya hingga selesainya proses
penulisan skripsi ini;

v
4. Ibu Niken Larasati, M.Si., selaku Dosen Pembimbing Seminar I dan Bapak
Dr. Jajang, M.Si., selaku Dosen Pembimbing Seminar II yang telah
memberikan masukan positif dan membangun;

5. Kedua orang tua, saudara-saudara kandung, dan seluruh keluarga besar yang
telah memberikan fasilitas, dukungan, dan doa yang terus menerus tanpa henti;

6. Semua pihak yang telah memberikan motivasi dan dukungannya yang tidak
dapat disebutkan satu per satu.

Purwokerto, Januari 2019

Penulis

vi
 DAFTAR ISI

HALAMAN JUDUL ......................................................................................................... i

LEMBAR PENGESAHAN .............................................................................................. ii
PERNYATAAN ................................................................................................................. iii
PEDOMAN PENGGUNAAN SKRIPSI ........................................................................ iv
KATA PENGANTAR ....................................................................................................... v
DAFTAR ISI....................................................................................................................... vii
DAFTAR SINGKATAN DAN LAMBANG ................................................................. ix
DAFTAR GAMBAR ......................................................................................................... x
DAFTAR TABEL .............................................................................................................. xi
DAFTAR LAMPIRAN ..................................................................................................... xii
ABSTRAK .......................................................................................................................... xiii
ABSTRACT .......................................................................................................................... xiv
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang............................................................................................. 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Batasan Masalah .......................................................................................... 2
1.4 Tujuan Penelitian......................................................................................... 3
1.5 Manfaat Penelitian ...................................................................................... 3
BAB II TINJAUAN PUSTAKA ............................................................................. 4
2.1 Pemodelan Sistem Dinamik ....................................................................... 4
2.2 Model SIRS .................................................................................................. 5
2.3 Normalisasi Model ...................................................................................... 7
2.4 Vaksinasi........................................................................................................ 9
2.5 Metode Transformasi Diferensial ............................................................. 9
2.6 Metode Runge-Kutta ................................................................................. 13
2.7 MAPE (Mean Absolute Percentage Error) ............................................. 14
BAB III METODE PENELITIAN ........................................................................... 15
3.1 Waktu dan Tempat Penelitian ................................................................... 15
3.2 Metode Penelitian......................................................................................... 15

vii
 3.3 Analisis ......................................................................................................... 15
BAB IV HASIL DAN PEMBAHASAN ................................................................. 16
4.1 Asumsi Model ................................................................................................ 16
4.2 Kontruksi Model ......................................................................................... 17
4.3 Transformasi Diferensial ............................................................................ 20
4.3.1 Transormasi Diferensial untuk Laju Perubahan Jumlah
Individu Susceptible (s).........................................................20
4.3.2 Transormasi Diferensial untuk Laju Perubahan Jumlah
Individu infective (i) ...............................................................21
4.3.3 Transormasi Diferensial untuk Laju Perubahan Jumlah
Individu Recovered (r) ...........................................................22
4.4 Aplikasi Model .............................................................................................. 23
4.4.1 Perbandingan Metode Transformasi Diferensial dengan
Runge-Kutta Orde Empat.......................................................... 33
BAB V KESIMPULAN DAN SARAN ................................................................. 38
5.1 Kesimpulan .................................................................................................. 38
5.2 Saran ............................................................................................................. 38
DAFTAR PUSTAKA ........................................................................................................ 40
LAMPIRAN ........................................................................................................................ 41
RIWAYAT HIDUP............................................................................................................ 47

viii
 DAFTAR SINGKATAN DAN LAMBANG
Pemakaian
SINGKATAN Nama pertama kali
pada halaman

S Susceptible (Individu Rentan) 1

I Infective (Individu Terinfeksi) 1

R Recovered (Individu Sembuh) 1

MTD Metode transformasi diferensial 2

RK4 Runge-Kutta orde empat 45

LAMBANG

t Waktu (variabel bebas) 5

N Total populasi manusia 6

 Tingkat kelahiran 6

 Tingkat kematian 6

 Tingkat penularan penyakit 6

 Tingkat kesembuhan individu terinfeksi 6

 Titik individu sembuh yang kembali 6

rentan

 Tingkat vaksinasi individu baru lahir 26

k Langkah iterasi 11

ix
 DAFTAR GAMBAR

Gambar 2.1 Alur Penyebaran Penyakit SIRS ..............................................6

Gambar 4.1 Diagram Kompartemen Model SIRS yang dipengaruhi
Vaksinasi .............................................................................. 17
Gambar 4.2a Grafik antara MTD(5), MTD(15), MTD(50), dan Runge-
Kutta Orde Empat Terhadap Data Individu Rentan .............. 37
Gambar 4.2b Grafik antara MTD(5), MTD(15), MTD(50), dan Runge-
Kutta Orde Empat Terhadap Data Individu Terinfeksi .........37
Gambar 4.2c Grafik antara MTD(5), MTD(15), MTD(50), dan Runge-
Kutta Orde Empat Terhadap Data Individu Sembuh ............37

x
 DAFTAR TABEL

Tabel 2.1 Variabel dan Parameter yang digunakan pada Model

SIRS ......................................................................................... 6
Tabel 2.2 Sifat-sifat Transformasi Diferensial ......................................11
Tabel 4.1 Daftar Variabel dan Parameter .............................................. 17
Tabel 4.2a Hasil Perhitungan s (susceptible) antara MTD(5), MTD(15),
dan MTD(50) ........................................................................29
Tabel 4.2b Hasil Perhitungan error mutlak s (susceptible) antara
MTD(5), MTD(15), dan MTD(50) .......................................29
Tabel 4.3a Hasil Perhitungan i (infective) antara MTD(5), MTD(15),
dan MTD(50) ........................................................................30
Tabel 4.3b Hasil Perhitungan error mutlak i (infective) antara MTD(5),
MTD(15), dan MTD(50) ....................................................... 31
Tabel 4.4a Hasil Perhitungan r (recovered) antara MTD(5), MTD(15),
dan MTD(50) ........................................................................31
Tabel 4.4b Hasil Perhitungan error mutlak r ( recovered) antara
MTD(5), MTD(15), dan MTD(50) .......................................32
Tabel 4.5 Hasil Perhitungan RK4 h-10-7 .............................................. 33
Tabel 4.6 Perbandingan Hasil error mutlak s untuk MTD(50)
Terhadap Runge-Kutta orde empat .......................................34
Tabel 4.7 Perbandingan Hasil error mutlak i untuk MTD(50)
Terhadap Runge-Kutta orde empat .......................................35
Tabel 4.8 Perbandingan Hasil error mutlak r untuk MTD(50)
Terhadap Runge-Kutta orde empat .......................................36

xi
 DAFTAR LAMPIRAN

Lampiran 1 Data Jumlah Penderita Penyakit Tuberculosis di Jawa Tengah

Tahun 2003-2014 ..................................................................41
Lampiran 2 Perintah Maple13 untuk Menghitung Solusi pada Tabel 4.2a,
4.3a, 4.4a .............................................................................. 42
Lampiran 3 Perintah Maple13 untuk Menghitung Solusi pada Tabel
4.5 ......................................................................................... 45

xii
 ABSTRAK

Model SIRS dengan vaksinasi adalah model matematika yang menggambarkan

dinamika penyebaran penyakit menular dengan membagi populasi manusia menjadi tiga
kelompok, yaitu kelompok individu Susceptible (rentan terhadap penyakit), kelompok
individu Infective (terinfeksi penyakit), dan kelompok individu Recovered (sembuh dari
penyakit) dengan asumsi individu sembuh dapat kembali menjadi individu terinfeksi serta
vaksinasi dilakukan terhadap bayi baru lahir. Model ini berbentuk sistem persamaan
diferensial tak linier yang pada umumnya diselesaikan secara kualitatif. Metode
transformasi diferensial merupakan salah satu metode semi analitik yang dapat digunakan
untuk menyelesaikan sistem persamaan diferensial tak linier tanpa linieriasi. Dalam
penelitian ini, dikaji model SIRS yang dipengaruhi oleh vaksinasi yang diselesaikan
dengan menggunakan metode transformasi diferensial. Aplikasi model menunjukkan
bahwa nilai error yang diperoleh bergantung pada besarnya nilai pemotongan yang
diambil. Semakin besar nilai pemotongan yang diambil, maka akan semakin baik rata-rata
error mutlak yang diperoleh, sedangkan jika dibandingkan dengan metode Runge-Kutta
orde empat, metode transformasi diferensial menghasilkan rata-rata error mutlak yang
lebih kecil.

Kata kunci: rata-rata error mutlak, metode Runge-Kutta, model SIRS dengan vaksinasi,
metode transformasi diferensial.

xiii
 ABSTRACT

The SIRS model with vaccination is a mathematical model that describes the
dynamic of the spread of infectious diseases by dividing the human populations into three
groups, there are Susceptible group, Infective group, and Recovered group, assuming the
recovered can be re-infected and vaccination is given to newborns. This model takes the
form of a system of non-linear differential equations which is generally resolved
qualitatively. Differential transformation method is one of the semi-analytic methods that
can be used to solve the system of non-linear differential equations without linearization.
In this research,the SIRS model with vaccination is constructed by a differential
transformation method. The application model shows that the absolute error value
obtained depends on the truncation term. The greater truncation term id taken, the better
average error truncation term obtained. If compared with the fourth order Runge-Kutta
method, the differential transformation method produces a smaller absolute error
average.

Keywords: absolute error average, Runge-Kutta method, SIRS model with

vaccination, differential transformation method.

xiv
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Penyakit merupakan sebuah keadaan dimana terdapat gangguan terhadap
bentuk ataupun fungsi salah satu bagian tubuh yang menyebabkan tubuh menjadi
tidak dapat bekerja dengan normal. Penyakit dibagi menjadi dua jenis, yaitu
penyakit menular dan penyakit tidak menular (Bustan, 1997: 2). Penyakit tidak
menular adalah penyakit yang disebabkan oleh adanya problem fisiologis atau
metabolisme pada jaringan tubuh manusia. Penyakit menular adalah penyakit
yang disebabkan oleh kuman berupa virus, bakteri, amuba, atau jamur yang
menyerang tubuh manusia. Penyakit menular dapat menyebabkan wabah pada
suatu populasi. Wabah penyakit selama periode waktu yang singkat disebut
epidemik. Jika wabah tetap dalam suatu populasi selama jangka waktu yang
panjang, maka disebut endemik.
Beberapa usaha dilakukan dalam rangka mencegah penyebaran penyakit
menular. Salah satunya adalah mengkaji dinamika dan pola penyebaran penyakit
menular. Dinamika dan pola penyebaran penyakit menular dapat digambarkan
dalam sebuah model matematika. Model matematika yang sesuai adalah model
epidemi. Salah satu model matematika yang termasuk dalam kategori ini adalah
model SIRS yang membagi populasi menjadi tiga kelompok individu, yaitu
individu rentan terhadap infeksi suatu penyakit (Susceptible), kelompok individu
terinfeksi (Infective), dan kelompok individu sembuh dari infeksi (Recovered).
Pada model SIRS diasumsikan bahwa individu sembuh dapat kembali menjadi
individu rentan terinfeksi. Penyebaran penyakit menular juga dapat ditekan
dengan program vaksinasi. Oleh karena itu, vaksinasi perlu diperhatikan dalam
model SIRS untuk mencegah meluasnya penyakit.
Model epidemi SIRS berbentuk sistem persamaan diferensial tak linier.
Pada umumnya, sistem persamaan diferensial tak linier diselesaikan dengan cara
kualitatif. Pada tahun 1986, Zou memperkenalkan suatu metode yang dapat
diterapkan dalam penyelesaian persamaan diferensial tak linier tanpa linierisasi

1
 2

dahulu (Rahayu, dkk., 2012). Metode tersebut adalah metode transformasi

diferensial (MTD). Berbagai penelitian diketahui sudah banyak menggunakan
metode ini, diantaranya oleh Ibrahim dan Soad (2012) yang melakukan penelitian
dengan menyelesaikan model epidemi SIR yang dipengaruhi vaksinasi dengan
menggunakan metode transformasi diferensial yang bertujuan untuk memantau
dinamika dari penyebaran penyakit menular. Pada penelitian tersebut,
diasumsikan bahwa individu yang di vaksin akan kebal terhadap penyakit atau
individu yang sembuh tidak akan rentan kembali. Oleh karena itu, penelitian ini
dibahas mengenai penyelesaian model SIR yang dipengaruhi vaksinasi dengan
asumsi bahwa individu sembuh akan kembali menjadi rentan (SIRS) dengan
menggunakan metode transformasi diferensial, yang pada bagian akhir solusi dari
metode transformasi diferensial divisualisasikan dengan menggunakan software
Maple 13 dan Microsoft Excel untuk mencari rata-rata error mutlak berdasarkan
data penyebaran penyakit tuberculosis tahun 2003-2014 di Jawa Tengah,
kemudian dibandingkan dengan rata-rata error mutlak pada metode Runge-Kutta
orde empat.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan tersebut, maka rumusan
masalah dalam penelitian ini yaitu:
1. Bagaimana mengkonstruksi model SIRS yang dipengaruhi oleh vaksinasi
dengan metode transformasi diferensial?
2. Bagaimana perbandingan solusi model SIRS yang dipengaruhi vaksinasi yang
dikontruksi dengan model transformasi diferensial dengan metode Runge-
Kutta orde empat?

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah bahwa data yang
digunakan adalah data penyakit Tuberculosis di Jawa Tengah tahun 2003-2014.
 3

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut:
1. Mengkaji cara mengkonstruksi model SIRS yang dipengaruhi vaksinasi
dengan model transformasi diferensial.
2. Mengkaji perbandingan solusi model SIRS yang dipengaruhi vaksinasi yang
dikonstruksi dengan metode transformasi diferensial dengan metode Runge-
Kutta orde empat.

1.5 Manfaat Penelitian

Manfaat yang dapat diambil dari penelitian ini adalah:
1. Dapat menerapkan ilmu matematika dalam fenomena-fenomena nyata dan
untuk menambah pengetahuan terutama dalam bidang matematika.
2. Dapat mengetahui cara penyelesaian model SIRS dengan menggunakan
metode transformasi diferensial.
 BAB II
TINJAUAN PUSTAKA

Penyelesaian model SIRS yang dipengaruhi oleh vaksinasi dengan faktor

demografi akan diselesaikan dengan metode transformasi diferensial. Tinjauan
pustaka yang digunakan dalam pembahasan yaitu teori pemodelan sistem
dinamik, model SIRS, vaksinasi, metode transformasi diferensial, metode Runge-
Kutta orde empat, dan MAPE.

2.1 Pemodelan Sistem Dinamik

Sistem dinamik merupakan metode pendekatan untuk memahami perilaku
sistem yang komplek dari waktu ke waktu (Sterman, 2002:3). Pemodelan sistem
dinamik merupakan suatu model matematika yang mempelajari permasalahan di
sekitar yang mengacu pada pola perubahan waktu. Permasalahan yang dapat
dimodelkan berupa masalah yang mempunyai sifat dinamis dan kontinu, yang
dapat dinyatakan dalam bentuk sistem persamaan diferensial (Ma dan Li, 2009:3).
Persamaan diferensial adalah persamaan yang memuat variabel tak bebas
beserta turunannya terhadap variabel bebas. Persamaan diferensial dibedakan
menjadi dua yaitu persamaan diferensial biasa dan persamaan diferensial parsial.
Persamaan diferensial biasa adalah persamaan yang memuat satu atau lebih
turunan dari variabel tak bebas terhadap satu variabel bebas. Persamaan
diferensial parsial adalah persamaan yang memuat turunan parsial dari variabel
tak bebas terhadap dua atau lebih variabel bebas. Orde dari persamaan diferensial
adalah turunan tertinggi dari variabel tak bebas terhadap variabel bebas yang
muncul dalam persamaan diferensial. Derajat dari persamaan diferensial adalah
pangkat dari turunan tertinggi dari variabel tak bebas terhadap variabel bebas yang
muncul dalam persamaan diferensial. Kumpulan dari dua atau lebih persamaan
diferensial yang saling berkaitan disebut sistem persamaan diferensial, maka
kumpulan dari dua atau lebih persamaan diferensial biasa yang saling berkaitan
disebut sistem persamaan diferensial biasa (Edwards dan Penney, 2000:1). Sistem
persamaan diferensial biasa secara matematis dapat ditulis dalam bentuk,

4
 5

y  f  t , y  , (2.1)

dengan
 dy1 
 dt 
   f1  t , y1 , y2 , , yn  
 dy2   
f  t , y1 , y2 , , yn  
y  dt dan f  t , y    2
   .
   
   
 dyn   f n  t , y1 , y2 , , yn  
 
 dt 
Dalam hal ini, y1, y2 , , yn adalah variabel tak bebas dan t adalah variabel bebas,

dyn
sehingga y1  y1 (t ), y2  y2 (t ), , yn  yn (t ) dengan merupakan turunan
dt
fungsi yn terhadap t , dan f n adalah fungsi yang bergantung pada variabel

y1 , y2 , , yn , dan t . Sistem persamaan diferensial dapat diselesaikan secara

analitik, kualitatif, dan numerik. Penyelesaian secara analitik akan menghasilkan
solusi eksak, sedangkan penyelesaian secara kualitatif dilakukan dengan cara
menentukan titik kesetimbangan dan menganalisis titik kesetimbangan agar
diperoleh informasi mengenai sifat penyelesaian sistem. Penyelesaian numerik
adalah penyelesaian yang bertujuan untuk mendapatkan solusi yang mendekati
eksak.

2.2 Model SIRS

Model SIRS adalah model matematika yang menggambarkan dinamika
penyebaran penyakit menular (Ma dan Li, 2009:1). Pada model ini, populasi
manusia dibagi menjadi tiga kelompok individu, yaitu kelompok individu rentan
(Susceptible), kelompok individu terinfeksi (Infective), dan kelompok individu
sembuh (Recovered), dimana diasumsikan bahwa kelompok individu sembuh
(Recovered) dapat kembali menjadi individu rentan (Susceptible). Alur
penyebaran penyakit model SIRS disajikan pada Gambar 2.1 berikut.
 6

̂
𝛿𝑅
𝛽𝑆̂ 𝐼̂
̂
𝛼𝑁 ̂
𝑁 𝛾𝐼̂
𝑆̂ 𝐼̂ 𝑅̂

𝜇𝑆̂ 𝜇𝐼̂ 𝜇𝑅̂

Gambar 2.1 Alur penyebaran penyakit model SIRS

Variabel-variabel dan parameter-parameter yang digunakan untuk model

SIRS disajikan pada Tabel 2.1

Tabel 2.1 Variabel dan parameter yang digunakan pada model SIRS
Simbol Definisi Jenis Syarat Satuan
̂ Total populasi manusia Variabel ̂ Jiwa
̂ Jumlah individu rentan Variabel ̂ Jiwa
̂ Jumlah individu terinfeksi Variabel ̂ Jiwa
̂ Jumlah individu sembuh Variabel ̂ Jiwa
Tingkat kelahiran Parameter per satuan
waktu
Tingkat kematian alami Parameter per satuan
waktu
Tingkat penularan Parameter per satuan
penyakit waktu
Tingkat kesembuhan Parameter per satuan
individu terinfeksi waktu
Tingkat populasi sembuh Parameter per satuan
yang rentan kembali waktu

Dengan populasi yang tertutup, dinamika penyebaran penyakit menular

yang menyebabkan perubahan jumlah individu pada masing-masing sub populasi,
dijelaskan pada uraian berikut ini.

1. Jumlah individu rentan (Susceptible).

Jumlah individu rentan mengalami penambahan karena adanya kelahiran
individu rentan dengan tingkat kelahiran sebesar  serta adanya tingkat populasi
sembuh yang kembali rentan sebesar dan mengalami penurunan karena adanya
individu rentan yang terinfeksi dengan tingkat penularan sebesar . Selain itu,
 7

pengurangan jumlah individu rentan juga disebabkan oleh adanya kematian

individu rentan dengan tingkat kematian alami sebesar .
2. Jumlah individu terinfeksi (Infective).
Jumlah individu terinfeksi mengalami penambahan karena adanya
individu rentan yang terinfeksi dengan tingkat penularan sebesar . Pengobatan
pada individu yang terinfeksi diberikan dengan tingkat kesembuhan sebesar .
Selain itu, jumlah individu terinfeksi akan berkurang karena adanya kematian
alami dengan tingkat kematian sebesar .
3. Jumlah individu sembuh (Recovered).
Jumlah individu sembuh mengalami penambahan karena adanya
kesembuhan individu terinfeksi dengan tingkat kesembuhan sebesar . Akan
tetapi jumlah individu sembuh mengalami penurunan karena adanya kematian
indivu sembuh dengan tingkat kematian alami sebesar dan adanya populasi
sembuh yang kembali rentan sebesar .
Dengan demikian, model SIRS dapat dituliskan sebagai berikut

dSˆ ˆˆ
 SI
  Nˆ   Rˆ   Sˆ 
dt Nˆ
dIˆ  SI ˆˆ
   Iˆ   Iˆ
dt Nˆ
dRˆ
  Iˆ   Rˆ   Rˆ .
dt

2.3 Normalisasi Model

Pada dasarnya proses normalisasi digunakan untuk mengubah suatu sistem
menjadi sistem baru yang lebih sederhana, tetapi keadaan dinamik dari sistem
yang baru ini tidak berbeda dengan sistem sebelumnya.
Normalisasi pada sistem dapat dilakukan dengan menghitung proporsi
untuk masing-masing kelompok individu. Sistem (2.2) dapat disederhanakan
dengan menghitung proporsi untuk masing-masing kelompok individu. Proporsi
banyaknya individu pada masing-masing kelompok dapat dinyatakan sebagai
berikut
 8

Sˆ
s  Sˆ  sNˆ
N ˆ
Iˆ
i   Iˆ  iNˆ (2.3)
Nˆ
Rˆ
r   Rˆ  rNˆ ,
Nˆ

dengan Nˆ  Sˆ  Iˆ  Rˆ .
Sistem (2.3) disubsitusikan ke dalam setiap persamaan pada sistem (2.2),
kemudian masing-masing ruas dibagi dengan N̂ , sehingga diperoleh
 sNˆ 
d
ˆ 
 N    Nˆ   rNˆ   sNˆ   sNiN
ˆ ˆ
dt Nˆ Nˆ Nˆ ˆˆ
NN
ds
     r   s   si
dt
 iNˆ 
d 
ˆ ˆ ˆ  iNˆ  iNˆ
 N    sNiN  
dt ˆˆ
NN Nˆ Nˆ
di
   si   i   i
dt
 rNˆ 
d
ˆ 
 N    iNˆ   rNˆ   rNˆ
dt Nˆ Nˆ Nˆ
dr
   i   r   r.
dt
Jadi model SIRS pada sistem (2.2) dapat dinyatakan sebagai berikut.
ds
    r   s   si (2.4 a)
dt
di
  si  i   i (2.4 b)
dt
dr
  i   r   r. (2.4 c)
dt
 9

2.4 Vaksinasi
Vaksinasi disebut juga imunisasi adalah pemberian vaksin ke dalam tubuh
seseorang untuk memberikan kekebalan terhadap suatu penyakit. Kata vaksinasi
berasal dari bahasa Latin vacca yang berarti sapi. Diistilahkan demikian
karena vaksin pertama berasal dari virus yang menginfeksi sapi (cacar sapi).
Vaksinasi adalah salah satu strategi terpenting untuk mencegah dan
mengendalikan penyakit menular.
Vaksinasi dapat diperoleh secara aktif maupun pasif. Vaksinasi aktif
diberikan dengan cara mikroba diinjeksikan ke individu yang kemudian sistem
kekebalan individu tersebut akan membentuk antibodi dan
perlindungan/perlawanan lainnya terhadap mikroba sedangkan vaksinasi pasif
diberikan melalui cara injeksi dan digunakan ketika terdapat wabah penyakit
tertentu.

2.5 Metode Transformasi Diferensial

Transformasi adalah formula matematis yang digunakan untuk mengubah
persamaan matematika dari suatu bentuk ke bentuk yang lain. Transformasi
diperlukan sebagai alat bantu untuk memecahkan persoalan matematika yang
rumit. Banyak persoalan matematika maupun teknik yang dapat diselesaikan
dengan menggunakan transformasi seperti transformasi Laplace, transformasi
Fourier, transformasi diferensial, transformasi Henkel, transformasi Mellin, dan
transformasi Z (Minarti, dkk., 2015).
Transformasi diferensial adalah salah satu metode numerik untuk
menyelesaikan persamaan diferensial biasa yang menggunakan bentuk polinomial
sebagai perkiraan solusi yang mendekati solusi eksak (Hassan, 2007).
 10

Transformasi diferensial diperkenalkan pertama kali oleh Zhou pada tahun 1986
untuk menyelesaikan permasalahn nilai awal yang linier dan tak linier pada
analisis sirkuit listrik. Keuntungan utama dari metode ini adalah untuk
menyelesaikan persamaan diferensial tak linier tanpa linierisasi (Hatami, dkk.,
2016:1).
Definisi 2.1 (Transformasi Diferensial)
Jika fungsi f (x) bersifat analitik dalam domain D, dan terdapat x  x0
yang mewakili setiap titik dalam domain D, maka dapat dinyatakan sebagai
berikut,
1  d k f ( x) 
F (k )    (2.5)
k !  dx k  x  x
0
,
dengan f ( x) merupakan fungsi asli, k merupakan langkah iterasi, dan F (k )
merupakan fungsi transformasi diferensial (Attarnejad dan Shahba, 2008).
Definisi 2.2
Suatu fungsi f di x dapat dinyatakan dalam bentuk deret Taylor, yaitu

1  d k f ( x) 
f ( x)    k  ( x  x0 )
k
(2.6)
k 0 k !  dx x x
0
.
Berdasarkan (2.6) dan (2.7) maka dapat di tulis,

f ( x)   F (k )( x  x0 ) k . (2.7)
k 0

Berdasarkan (2.5) dan (2.6) dapat dilihat bahwa transformasi diferensial

merupakan metode untuk menentukan koefisien dari deret Taylor.
Sifat-sifat operasi transformasi diferensial diperoleh dengan memisalkan,

1  d k f ( x)  1  d k h( x )  1  d k g ( x) 
F (k )   , H (k )    , dan G ( k )    masing-
k !  dx k  k !  dx k  k !  dx k 

masing merupakan fungsi transformasi dari f ( x), h( x) , dan g ( x) (Farshid,

2011), sifat-sifat transformasi diferensial dapat dilihat pada Tabel 2.2
 11

Tabel 2.2 Sifat-sifat Transformasi Diferensial

No Sifat Fungsi Awal Fungsi Transformasi Diferensial
1 Penjumlahan f ( x)  h( x)  g ( x) F ( k )  H ( k )  G (k )
dan
pengurangan
2 Perkalian f ( x)   h( x) F (k )   H (k )
dengan
konstanta
dh( x)
3 Turunan f ( x)  F (k )  (k  1) H (k  1)
pertama dx
m
d h( x )
4 Turunan ke-m f ( x)  F (k )  (k  1)...(k  m) H (k  m)
dx m
k
5 Perkalian f ( x)  h( x) g ( x) F (k )   H (l )G (k  l )
l 0
6 Perkalian m f ( x)  h1 ( x)h2 ( x)...hm ( x) F (k ) 
k k2
H1 (k1 ) H 2 (k2  k1 )...
fungsi  ... H
km1 0 k1 0 (k  km1 )
m

7 Fungsi k m
variabel bebas f ( x)  x m F (k )   (k  m)  {
k m
k
8 Fungsi konstan f ( x )  s, s  R F (k )   (k )  {
k

Contoh 2.1

Carilah penyelesaian dari persamaan,

dy ( x)
 x 1 (2.8)
dx

dengan menggunakan sifat transformasi diferensial, jika diberikan y(0)=0.

Penyelesaian:

Langkah 1

Persamaan (2.8) dapat dibentuk menjadi suatu fungsi transformasi diferensial

dengan menggunakan sifat-sifat pada transformasi diferensial sebagai berikut,

dy ( x )
i. Transformasi diferensial dari adalah (k  1)Y (k  1) (Sifat 3).
dx
 12

ii. Transformasi diferensial dari x adalah ( ) { (Sifat 7).

iii. Transformasi diferensial dari 1 adalah ( ) { (Sifat 8).

sehingga diperoleh transformasi diferensial dari (2.9) yaitu,

(k  1)Y (k  1)   (k  1)   (k ) (2.9)

Langkah 2

Nilai awal y(0) = 0 ditransformasi menggunakan definisi transformasi diferensial

sehingga diperoleh transformasi nilai awal, Y(0) = 0.

Langkah 3

Subsitusi setiap nilai k = 0,1,2,3,... pada (2.9),

untuk k = 0,

(0  1)Y (0  1)   (0  1)   (0)
Y (1) = 0 1
Y (1) = 1,

untuk k=1,

(1  1)Y (1  1)   (1  1)   (1)

= 1  0 
1
Y (2)
2
1
Y (2) = ,
2

dengan cara yang sama maka diperoleh,

Y (3)  Y (4)  ...  0.

Langkah 4

Nilai-nilai yang diperoleh pada Langkah 3 disubsitusikan pada persamaan (2.7),

 13


y ( x)   Y (k )( x)k
k 0

y( x)  Y (0) x0  Y (1) x1  Y (2) x 2  ...

1
y ( x)  0 x 0  1x1  x 2  0 x3  0 x 4  ...
2

Sehingga solusi dari masalah nilai awal (2.8) adalah

1
y ( x)  x  x 2 .
2

2.6 Metode Runge-Kutta

Metode Runge-Kutta merupakan metode yang sangat praktis dan sering
digunakan dalam menyelesaikan persamaan diferensial secara numerik karena
metode Runge-Kutta tidak membutuhkan perhitungan turunan. Selain itu metode
Runge-Kutta juga memiliki nilai kesalahan (error) yang sangat kecil sehingga
hasil yang didapat cukup akurat (Pachner, 1984: 18).
Metode Runge-Kutta dapat juga digunakan untuk sistem persamaan

diferensial linier dan tak linier orde ke-n  n  1 . Metode Runge-Kutta terbagi

menjadi beberapa metode yaitu metode Runge-Kutta orde satu, metode Runge-
Kutta orde dua, metode Runge-Kutta orde tiga, dan metode Runge-Kutta orde
empat. Metode Runge-Kutta orde empat adalah metode yang paling sering
digunakan karena memiliki ketelitian yang lebih baik dibandingkan metode
Runge-Kutta lainnya (Mardhiyah, 2016: 404).
Misal diberikan Masalah Nilai Awal (MNA) untuk sistem persamaan
diferensial orde pertama sebagai berikut

y  f  t, y  dengan y  t  0    y  0  ,

maka bentuk umum dari metode Runge-Kutta orde empat adalah

y  n  1  y  n  
1
k  2k  2k  k ,
6 1 2 3 4

 14

dengan
n  0,1, ,N

k  hf  t  n  , y  n   ,
1

 h k 
k  hf  t  n   , y  n   1  ,
2  2 2 

 h k 
k  hf  t  n   , y  n   2  ,
3  2 2 



k  hf t  n   h, y  n   k ,
4 3

h = ukuran langkah waktu.

2.6 MAPE (Mean Absolute Percentage Error)

Persentase kesalahan absolute rata-rata (MAPE), merupakan ukuran
ketepatan metode peramalan yang memberikan petunjuk seberapa besar kesalahan
peramalan dibandingkan dengan nilai sebenarnya. Semakin kecil nilai MAPE,
maka akan semakin tepat hasil peramalan yang diperoleh. Persamaan yang
digunakan untuk memperoleh nilai MAPE adalah sebagai berikut,
n
Xt  Xt

t 1 Xt
MAPE  100. (2.10)
n

X t = Data actual,

X t = Hasil prediksi,
n = Jumlah Data.
 BAB III

METODE PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilakukan selama 8 bulan (Maret 2018 – Oktober 2018) di
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Jenderal Soedirman.

3.2 Metode Penelitian

Metode yang digunakan dalam skripsi ini adalah studi kepustakaan, yaitu
dengan mengumpulkan informasi dari berbagai sumber seperti jurnal, skripsi,
buku, atau proseding seminar nasional atau internasional. Penelitian ini dilakukan
dengan mengkaji teori-teori sistem dinamik dari literatur yang diperoleh,
kemudian diterapkan pada masalah-masalah dalam kehidupan nyata, salah satunya
yaitu penyebaran penyakit.

3.3 Analisis
Analisis dilakukan secara kuantitatif dengan mengaplikasikan model pada
kasus penyakit Tuberculosis, yang selanjutnya model dibandingkan dengan data
penyebaran penyakit Tuberculosis di Jawa Tengah tahun 2003-2014 dengan
pengambilan nilai pemotongan yang bervariasi untuk melihat hubungan nilai
pemotongan yang di ambil dengan besarnya truncation error. Selanjutnya, solusi
model dengan metode transformasi diferensial dibandingkan dengan solusi
metode Runge-Kutta orde empat untuk melihat metode mana yang lebih baik.

15
 BAB IV
HASIL DAN PEMBAHASAN

Model yang dikaji pada penelitian ini adalah model SIRS yang dipengaruhi
oleh vaksinasi. Model ini berupa sistem persamaan diferensial tak linier. Model
tersebut dapat diselesaikan tanpa linierisasi dengan menggunakan metode
transformasi diferensial dan sifat-sifat pada transformasi diferensial. Selanjutnya,
akan dilakukan aplikasi model pada data jumlah penderita penyakit Tuberculosis
di Jawa Tengah tahun 2003-2014.

4.1 Asumsi Model

Asumsi yang digunakan untuk model SIRS yang dipengaruhi oleh
vaksinasi, yaitu:
1. Populasi individu bersifat tertutup, artinya pengurangan atau penambahan
jumlah individu hanya terjadi karena kelahiran dan kematian, sedangkan
faktor imigrasi dan emigrasi diabaikan.
2. Vaksinasi bersifat sementara.
3. Vaksin diberikan kepada individu yang baru lahir.
4. Biaya vaksinasi diabaikan.
Model SIRS dengan vaksinasi dibagi menjadi tiga sub populasi, yaitu:
1. Kelompok individu rentan terinfeksi (Susceptible), yaitu kelompok individu
sehat yang belum terinfeksi dan dapat terinfeksi.
2. Kelompok individu terinfeksi (Infectious), yaitu kelompok individu yang
terinfeksi virus dan dapat menularkan penyakit ke individu yang lain.
3. Kelompok individu sembuh (Recovered), yaitu kelompok individu terinfeksi
yang telah sembuh namun dapat kembali menjadi individu rentan
(Susceptible).

Variabel dan parameter yang akan digunakan untuk mengkonstruksi

model SIRS dengan vaksinasi disajikan pada Tabel 4.1 berikut ini.

16
 17

Tabel 4.1 Daftar variabel dan parameter

Simbol Definisi Jenis Syarat Satuan
̂ Jumlah individu rentan Variabel Sˆ  0 Jiwa
̂ Jumlah individu terinfeksi Variabel Iˆ  0 Jiwa
̂ Jumlah individu sembuh Variabel Rˆ  0 Jiwa
N̂ Total populasi individu Variabel Nˆ  0 Jiwa
 Tingkat kelahiran individu Parameter 0   1 Per tahun
 Tingkat kematian alami individu Parameter 0   1 Per tahun

 Tingkat efektifitas kontak antara Parameter 0   1 Per tahun

individu rentan dengan terinfeksi

 Tingkat kesembuhan individu Parameter 0   1 Per tahun

terinfeksi
 Tingkat individu sembuh yang Parameter 0   1 Per tahun
kembali rentan

 Tingkat vaksinasi pada individu Parameter 0   1 -

baru lahir

4.2 Konstruksi Model

Konstruksi model dilakukan dengan memperhatikan faktor-faktor yang
mempengaruhi perubahan jumlah setiap individu pada masing-masing
subpopulasi. Berdasarkan asumsi model, dapat ditentukan faktor-faktor yang
menyebabkan perubahan jumlah individu pada masing-masing sub populasi, yang
dapat digambarkan dengan diagram kompartemen model SIRS yang dipengaruhi
oleh vaksinasi seperti pada Gambar 4.1 berikut ini.

𝛿𝑅̂
𝛽𝑆̂ 𝐼
𝛼( ̂
𝜎)𝑁 𝑁 𝛾𝐼
𝑆̂ 𝐼̂ 𝑅̂ 𝜇𝑅̂

𝜇𝑆̂ 𝜇𝐼̂ ̂
𝛼𝜎𝑁
Gambar 4.1 Diagram kompartemen model SIRS yang dipengaruhi vaksinasi
 18

Berdasarkan diagram kompartemen model SIRS yang dipengaruhi oleh

vaksinasi, dapat dijelaskan kontruksi model pada uraian berikut.
1. Faktor-faktor yang menyebabkan perubahan individu rentan
Laju individu rentan mengalami perubahan karena dipengaruhi oleh
tingkat kelahiran individu yang tidak diberi vaksin sebesar  (1   ) serta adanya
tingkat efektifitas yang sembuh menjadi rentan kembali sebesar  dan mengalami
penurunan karena adanya tingkat efektivitas kontak antara individu rentan
menjadi individu terinfeksi sebesar  . Selain itu, pengurangan laju individu
rentan juga disebabkan oleh adanya kematian individu rentan dengan tingkat
kematian sebesar  . Dengan demikian, perubahan laju individu rentan dapat
dimodelkan sebagai berikut

dSˆ ˆˆ
 SI
  (1   ) Nˆ   Rˆ    Sˆ.
dt Nˆ
2. Faktor-faktor yang menyebabkan perubahan jumlah individu terinfeksi
Tingkat efektifitas kontak antara individu rentan dengan individu
terinfeksi sebesar  menyebabkan berkurangnya laju individu rentan, sehingga
mengakibatkan penambahan pada laju individu terinfeksi. Sementara itu,
pengurangan laju pada individu terinfeksi dipengaruhi oleh tingkat kesembuhan
individu terinfeksi sebesar  serta adanya kematian individu terinfeksi dengan
tingkat kematian sebesar  . Dengan demikian, perubahan laju individu terinfeksi
dapat dimodelkan sebagai berikut
ˆˆ
dIˆ  SI
  (   ) Iˆ.
dt Nˆ
3. Faktor-faktor yang menyebabkan perubahan laju individu sembuh
Tingkat kesembuhan individu terinfeksi sebesar  serta pemberian
vaksinasi individu sebesar  sehingga individu menjadi kebal, menyebabkan
bertambahnya laju individu sembuh. Adanya tingkat kematian alami individu
sebesar  serta adanya individu sembuh yang kembali menjadi rentan sebesar 
mengakibatkan laju individu sembuh menjadi berkurang.
 19

Dengan demikian, perubahan laju individu sembuh dapat dimodelkan

sebagai berikut

dRˆ
  Nˆ   Iˆ  (   ) Rˆ .
dt
Berdasarkan kontruksi model diperoleh model SIRS yang dipengaruhi
oleh vaksinasi sebagai berikut.

dSˆ ˆˆ
 SI
  (1   ) Nˆ   Rˆ    Sˆ.
dt Nˆ
ˆˆ
dIˆ  SI
  (   ) Iˆ. (4.1)
dt Nˆ

dRˆ
  Nˆ   Iˆ  (   ) Rˆ
dt
dengan N̂ = ̂ + ̂+ ̂ .

4.2.1 Normalisasi Model

Normalisasi model dilakukan untuk menyederhanakan sistem (4.1) dengan
menghitung proporsi untuk masing-masing kelompok individu. Proporsi
banyaknya individu pada masing-masing kelompok dapat dinyatakan sebagai
berikut.
Sˆ
s  Sˆ  sNˆ
Nˆ
Iˆ
i   Iˆ  iNˆ (4.2)
Nˆ
Rˆ
r   Rˆ  iNˆ .
Nˆ
Sˆ Iˆ Rˆ
dengan s  i  r     1.
Nˆ Nˆ Nˆ
Sistem (4.2) disubstitusikan ke dalam setiap persamaan pada sistem (4.1),
kemudian masing-masing ruas dibagi dengan ̂ , sehingga diperoleh
 20

 sNˆ 
d
ˆ 
 N    (1   ) Nˆ   rNˆ   sNiN ˆ ˆ  sNˆ
 .
dt Nˆ Nˆ ˆˆ
NN Nˆ
ds
   (1   )   r   si   s.
dt
 iNˆ 
d 
ˆ ˆ ˆ iNˆ
 N    sNiN  (   ) .
dt ˆˆ
NN Nˆ
di
   si  (   )i.
dt
 rNˆ 
d
ˆ 
 N    Nˆ   iNˆ  (   )rNˆ .
dt Nˆ Nˆ Nˆ
dr
     i  (   ) r.
dt
Jadi model SIRS yang dipengaruhi vaksinasi pada sistem (4.2) dapat dinyatakan
sebagai berikut
ds
  (1   )   r   si   s (4.3a)
dt
di
  si  (   )i (4.3b)
dt
dr
    i  (   )r (4.3c)
dt

4.3 Transformasi Diferensial

Transformasi diferensial dilakukan pada persamaan (4.3a), (4.3b), dan
(4.3c) dengan menggunakan sifat-sifat operasi transformasi diferensial yang
terdapat pada Tabel 2.2.

4.3.1 Transformasi Diferensial untuk Laju Perubahan Jumlah Individu

Susceptible (s)
Dengan menggunakan sifat-sifat yang ada pada transformasi diferensial,
maka persamaan (4.3 a)
 21

ds
  (1   )   r   si   s
dt
dapat ditransformasikan sebagai berikut.
ds
1. Dengan menggunakan Sifat 3 tentang turunan pertama, maka f (t )  dapat
dt
ditransformasi menjadi F (k )  (k  1)S (k  1) .
2. Dengan menggunakan Sifat 8 tentang fungsi konstan, maka f (t )   (1-  )
dapat ditransformasi menjadi
 (1-  ), k  0
F (k )  Y (k )  {
,k  0
3. Dengan menggunakan Sifat 2 tentang perkalian dengan konstanta, maka
f (t )   r (t ) dapat ditransformasi menjadi F (k )   R(k ).
4. Dengan menggunakan Sifat 5 tentang perkalian, maka f (t )   s(t )i(t ) dapat
k
ditransformasi menjadi F (k )     S (l ) I (k  l ).
l 0

5. Dengan menggunakan Sifat 2 tentang perkalian dengan konstanta, maka

f (t )   s(t ) dapat ditransformasi menjadi F (k )   S (k ).
Dengan demikian, transformasi diferensial untuk laju individu susceptible (s)
yaitu,
1  k

S (k  1)  
(k  1) 
Y ( k )   R ( k )   
l 0
S (l ) I (k  l )   S (k )  .


4.3.2 Transformasi Diferensial untuk Laju Perubahan Jumlah Individu

Infective (i)
Dengan menggunakan sifat-sifat yang ada pada transformasi diferensial,
maka persamaan (4.3 b)
di
  si  (   )i
dt
 22

dapat ditransformasikan sebagai berikut.

di
1. Dengan menggunakan Sifat 3 tentang turunan pertama, maka f (t )  dapat
dt
ditransformasi menjadi F (k )  (k  1) I (k  1) .

2. Dengan menggunakan Sifat 5 tentang perkalian, maka f (t )   s(t )i(t ) dapat

k
ditransformasi menjadi F (k )    S (l ) I (k  l ).
l 0

3. Dengan menggunakan Sifat 2 tentang perkalian dengan konstanta, maka

f (t )  (   )i(t ) dapat ditransformasi menjadi F (k )  (   ) I (k ).
Dengan demikian, transformasi diferensial untuk laju individu infective (i) yaitu,
1  k 
I (k  1)     S (l ) I (k  l )  (   ) I (k )  .
(k  1)  l 0 

4.3.3 Transformasi Diferensial untuk Laju Perubahan Jumlah Individu

Recovered (r)
Dengan menggunakan sifat-sifat yang ada pada transformasi diferensial,
maka persamaan (4.3 c)
dr
    i  (   )r
dt
dapat ditransformasikan sebagai berikut.
dr
1. Dengan menggunakan Sifat 3 tentang turunan pertama, maka f (t )  dapat
dt
ditransformasi menjadi F (k )  (k  1) R(k  1) .
2. Dengan menggunakan Sifat 8 tentang fungsi konstan, maka f (t )   dapat

 ,k  0
ditransformasi menjadi F (k )  X (k )  {
,k  0
3. Dengan menggunakan Sifat 2 tentang perkalian dengan konstanta, maka
f (t )   i(t ) dapat ditransformasi menjadi F (k )   I (k ).
4. Dengan menggunakan Sifat 2 tentang perkalian dengan konstanta, maka
f (t )  (   )r (t ) dapat ditransformasi menjadi F (k )  (   ) R(k ).
 23

Dengan demikian, transformasi diferensial untuk laju individu recovered (r) yaitu,
1
R(k  1)   X (k )   I (k )  (   ) R(k ) .
(k  1)
Berdasarkan transformasi diferensial yang dilakukan pada model SIRS
yang dipengaruhi oleh vaksinasi diperoleh hasil transformasi model sebagai
berikut
1  k

S (k  1)  
(k  1) 
Y ( k )   R ( k )   
l 0
S (l ) I (k  l )   S (k ) 

1  k 
I (k  1)     S (l ) I (k  l )  (   ) I (k )  (4.4)
(k  1)  l 0 
1
R(k  1)   X (k )   I (k )  (   ) R(k ) .
(k  1)

Selanjutnya, penyelesaian dapat diperoleh secara rekursif dengan

mensubstitusikan nilai awal ke dalam sistem persamaan (4.4). Pada bagian
berikutnya, sistem (4.4) akan diaplikasikan pada data jumlah penderita penyakit
Tuberculosis di Jawa Tengah tahun 2003-2014.

4.4 Aplikasi Model pada Penyebaran Penyakit Tuberculosis

Berdasarkan Kemenkes RI 2003, terdapat 60.150 kasus TB dari
32.800.000 jiwa, dengan jumlah individu sembuh 17.813 jiwa. Pada penelitian ini
diambil rata-rata penularan yang terjadi untuk kasus TB sebesar 0,06%,
sedangkan untuk rata-rata penyembuhan TB sebesar 0,2%, dengan tingkat
kelahiran dan kematian individu masing-masing sebesar 0,002% dan 0,011%.
Setiap tahunnya pemerintah menargetkan bahwa 97,3% bayi yang baru lahir harus
mendapatkan vaksin BCG (Bacille Calmette-Guerin). Dari kasus tersebut, didapat
nilai awal dan nilai-nilai parameter sebagai berikut.
Nilai awal ̂ (0) = 32.722.037, ̂ (0) = 60.150, dan ̂ (0) = 17.813 dapat
disederhanakan dengan menghitung proporsi untuk masing-masing kelompok
 24

individu dengan asumsi populasi penduduk tertutup ̂ = ̂ + ̂ + ̂ , menggunakan

persamaan (4.2) sehingga diperoleh,

1. Nilai awal untuk susceptible s(0) yaitu 0,99762308.

2. Nilai awal untuk infectious i(0) yaitu 0,00183384.

3. Nilai awal untuk recovered r(0) yaitu 0,00054308.

4. Tingkat kelahiran individu (α) sebesar 0,00002.

5. Tingkat kematian individu (μ) yaitu 0,00011.

6. Tingkat penularan individu (β) yaitu 0,0006.

7. Tingkat kesembuhan individu (γ) yaitu 0,002.

8. Proporsi vaksinasi (σ) sebesar 0,973 (sesuai target pemberian vaksin oleh
pemerintah).

9. Tingkat individu sembuh yang rentan kembali (δ) sebesar 0,037 .

Sebelum melakukan aplikasi model transformasi SIRS yang dipengaruhi
oleh vaksinasi pada persamaan (4.4), dilakukan transformasi terlebih dahulu pada
nilai awal yang dimiliki dengan definisi transformasi diferensial sehingga
diperoleh transformasi nilai awal sebagai berikut.
S(0) = 0,509267217, I(0) = 0,262252607, R(0) = 0,228480176.
Selanjutnya, nilai parameter yang diperoleh disubstitusikan pada
persamaan (4.4) dengan k = 0…n
1  k

S (k  1)  
(k  1) 
Y ( k )  0, 037 R ( k )  0, 06 
l 0
S (l ) I (k  l )  0, 011S (k ) 

1  k

I (k  1)  
(k  1) 
0, 06 
l 0
S (l ) I (k  l )  (0, 02  0, 011) I (k ) 

1
R(k  1)   X (k )  0, 02 I (k )  (0, 037  0, 011) R(k )  ,
(k  1)
 25

dengan ,
0,000324, k  0 0,011676 ,k  0
Y (k )  { dan X (k )  {
,k  0 ,k  0
Ketika k = 0 diperoleh,
1  0

S (0  1)  
(0  1) 
Y (0)  0, 037 R (0)  0, 06 
l 0
S (l ) I (0  l )  0, 011S (0) 

1 0, 012(1  0,973)  (0, 037  0, 228480176)  
S (1) 
(1) (0, 06  0,509267217  0, 262252607)  (0, 011  0,509267217) 


 0, 000324  0, 00560197  0, 008013380772  0, 00845377

=  0, 004837588

1  0

I (0  1)  
(0  1) 
0, 06 
l 0
S (l ) I (0  l )  (0, 02  0, 011) I (0) 

I (1)  (0, 06  0,509267217  0, 262252607)  (0, 02  0, 011)  0, 262252607
 0, 008013399209  0, 0081298306
 0, 000116431499
1
R(0  1)   X (0)  0, 02 I (0)  (0, 037  0, 011) R(0)
(0  1)
1 (0, 012  0,973)  (0, 02  0, 262252607)  
R(1) 
(1) (0, 037  0, 011)0, 22840176 

 0, 011676  0, 005245021  0, 01096704845
 0, 00595400369.
 26

Ketika k = 1 diperoleh,
1  1

S (1  1)  
(1  1) 
Y (1)  0, 037 R (1)  0, 06 
l 0
S (l ) I (1  l )  0, 011S (1) 

 (0,509267217  0, 000116431499) 
1 (0, 037  0, 00595400369)  0, 06  
S (2)    (0, 004837588  0, 262252607)  
(2)
 0, 011(0, 004837588) 
 (0, 00005929474465)   
1 (0, 0002202981365)  0, 06  
  (0, 001268670065) 
(2)
 0, 000053213468 
=0,0001765945352

1  1

I (1  1)  
(1  1) 
0, 06 
l 0
S (l ) I (1  l )  (0, 02  0, 011) I (1) 

 (0,509267217  (0, 0001166431499))  (0, 004837588  
1 0, 06  
I (2)   0, 262252607) 
(2)
 (0, 02  0, 011)(0, 000116431499) 
 0, 0001440604036
1
R(1  1)   X (1)  0, 02I (1)  (0, 037  0, 011)R (1)
(1  1)
1
R (2)   0  (0, 02  (0, 000116431499)  (0, 037  0, 011)0, 00595400369
(2)
1
 (0, 00000232863)  0, 0002857921771
(2)
 0, 000440604036.

Dengan cara yang sama menggunakan Software Maple 13 diperoleh hasil untuk
k = 0…10.
S (3)  0, 00000297438006, I (3)  9, 431410930 107 ,
S (4)  2,919949232 108 , I (4)  9,353789170 109 ,
S (5)  1,150423990 1010 , I (5)  3,847158630 1011 ,
 27

S (6)  1,559356240 1012 , I (6)  2,916459130 1012 ,

S (7)  3, 206326200 1014 , I (7)  4,970303307 1014 ,
S (8)  1, 283425866 1016 , I (8)  3,584404214 1016 ,
S (9)  5, 4073241111018 , I (9)  3,383599402 1018 ,
S (10)  1, 430560503 1019. I (10)  1, 401093684 1019.

R(3)  0, 000002051405580,
R(4)  1,990116150 108 ,
R(5)  1,536359937 1010 ,
R(6)  1,3573265711012 ,
R(7)  4,9703307 1014 ,
R(8)  3,584404214 1016 ,
R(9)  3,383599402 1018 ,
R(10)  1, 401093684 1019.

Solusi didapat dengan mensubsitusikan nilai-nilai yang diperoleh pada

persamaan (2.7), dengan t0 = 0 sebagai berikut.

1. Susceptible (s)

s(t )   S (k )t k
k 0

s (t )  0,509267217  0, 004837572188t  0, 0001765945352t 2 

0, 00000297438006t 3  2,919949232 108 t 4  1,150423990 1010 t 5
1,559356240 1012 t 6  3, 206326200 1014 t 7  1, 283425866 1016 t 8
(4.5)
5, 4073241111018 t 9 + 1, 430560503 1019 t 10  ....
 28

2. Infective (i)

i (t )   I (k )t k
k 0

i (t )  0, 262252607  0, 000116431499t  0, 00003803413166t 2 

9, 431410930 107 t 3  9,353789170 109 t 4  3,847158630 1011 t 5  (4.6)
2,916459130 1012 t 6  4,970303307 1014 t 7  3,584404214 1016 t 8
 3, 383599402 1018 t 9  1, 401093684 1019 t 10  ....

3. Recovered (r)

r (t )   R(k )t k
k 0

r (t )  0, 228480176  0, 00595400369t  0, 0001440604036t 2 

0, 000002051405580t 3  1,990116150 108 t 4  1,536359937 1010 t 5
 1,3573265711012 t 6  4,9703307 1014 t 7  3,584404214 1016 t 8 (4.7)
18 19
 3,383599402 10 t  1, 401093684 10
9
t 10
 ....

Dari hasil perhitungan tersebut, dapat dilihat bahwa solusi s(t), i(t), dan
r(t) berbentuk deret pangkat. Pada kenyataannya, menghitung nilai s(t), i(t), dan
r(t) tidak dapat dilakukan hingga k = n, untuk n menuju tak hingga. Untuk itu,
dilakukan pemotongan suku pada deret pangkat s(t), i(t), dan r(t) hingga nilai n
tertentu.
Pada bagian ini akan diambil nilai n = 5, n = 15, dan n = 50. Kemudian,
akan dilihat pengaruh pemotongan suku terhadap besarnya rata-rata error mutlak.
Rata-rata error mutlak diperoleh berdasarkan data jumlah penderita penyakit
Tuberculosis di Jawa Tengah tahun 2003-2014.
Hasil perhitungan solusi s(t) pada persamaan (4.5) untuk nilai n = 5, n =
15, dan n = 50 dapat dilihat pada Tabel 4.2a.
 29

Tabel 4.2a Hasil perhitungan s (susceptible) antara MTD(5), MTD(15), dan MTD(50)
Solusi s
t
Data MTD(5) MTD(15) MTD(50)
0 0,997623079 0,997623079 0,99762307927 0,997623079
1 0,997474090 0,997532937 0,99753293688 0,997532938
2 0,997467444 0,997442912 0,99744291227 0,997442913
3 0,997574847 0,997353001 0,99735300108 0,997353002
4 0,997736006 0,997263199 0,99726319941 0,997263200
5 0,997310408 0,997173503 0,99717350347 0,997173505
6 0,997621784 0,997083910 0,99708390961 0,997083911
7 0,997725041 0,996994414 0,99699441432 0,996994415
8 0,996654467 0,996905014 0,99690501424 0,996905015
9 0,996567588 0,996815706 0,99681570608 0,996815707
10 0,996584047 0,996726486 0,99672648673 0,996726488
11 0,996870808 0,996637353 0,99663735314 0,996637354
12 0,996778113 0,996548302 0,99654830241 0,996548303

Sementara itu, rata-rata error mutlak untuk MTD(5), MTD(15), dan

MTD(50) diperoleh dengan cara menghitung error mutlak pada Tabel 4.2a yang
hasilnya dapat dilihat pada Tabel 4.2b.

Tabel 4.2b Hasil perhitungan error mutlak s (susceptible) antara MTD(5), MTD(15), dan
MTD(50)
Error s
t
MTD(5) MTD(15) MTD(50)
0 0 0 0
1 0,005899606 0,005899606 0,005899708
2 0,002459385 0,002459385 0,002459282
3 0,022238518 0,022238518 0,022238427
4 0,047387955 0,047387955 0,047387866
5 0,013727399 0,013727398 0,013727295
6 0,053915702 0,053915700 0,053915611
7 0,073229256 0,073229253 0,073229155
8 0,025138865 0,025138873 0,025138989
9 0,02489722 0,024897236 0,024897348
10 0,014292743 0,014292772 0,014292870
11 0,023418811 0,023418766 0,023418664
12 0,023055461 0,023055375 0,023055276
Rata-Rata 0,025358532 0,025358525 0,025358499
 30

Berdasarkan Tabel 4.2b, rata-rata error mutlak untuk MTD(50) lebih kecil
jika dibandingkan dengan rata-rata error mutlak untuk MTD(5) dan MTD(15).
Dengan demikian, dapat dikatakan bahwa pengambilan n = 50 menghasilkan rata-
rata error mutlak yang lebih baik daripada n = 5 ataupun n = 15.
Selanjutnya, hasil perhitungan solusi i(t) pada persamaan (4.6) untuk nilai
n = 5, n = 15, dan n = 50 dapat dilihat pada Tabel 4.3a berikut.

Tabel 4.3a Hasil perhitungan i (infective) antara MTD(5), MTD(15), dan MTD(50)
Solusi i
t
Data MTD(5) MTD(15) MTD(50)
0 0,00183384 0,00183384 0,00183384 0,00183384
1 0,00190512 0,00183107 0,00183107 0,00183383
2 0,00187257 0,00182830 0,00182830 0,00182830
3 0,00176593 0,00182554 0,00182554 0,00182554
4 0,00164804 0,00182278 0,00182278 0,00182278
5 0,00204919 0,00182003 0,00182003 0,00182003
6 0,00176387 0,00181728 0,00181728 0,00181728
7 0,00177188 0,00181453 0,00181454 0,00181453
8 0,00176543 0,00181179 0,00181179 0,00181179
9 0,00181833 0,00180906 0,00180905 0,00180906
10 0,00184035 0,00180632 0,00180633 0,00180633
11 0,00158826 0,00180359 0,00180359 0,00180360
12 0,00169888 0,00180087 0,00180087 0,00180087

Selanjutnya, hasil perhitungan error mutlak dan rata-rata error mutlak

untuk individu rentan (i) dapat dilihat pada Tabel 4.3b, dengan rata-rata error
mutlak yang diperoleh untuk MTD(50) lebih kecil jika dibandingkan dengan
MTD(5) dan MTD(15), sedangkan rata-rata error mutlak untuk MTD(15) lebih
kecil dibandingkan MTD(5). Dengan demikian, dapat dikatakan bahwa
pengambilan n = 50 menghasilkan rata-rata error mutlak yang lebih baik jika
dibanding n = 5 maupun n = 15.
 31

Tabel 4.3b Hasil perhitungan error mutlak i (infective) antara MTD(5), MTD(15), dan
MTD(50)
Error i
t
MTD(5) MTD(15) MTD(50)
0 0 0 0
1 3,886781684 3,886781684 3,741731032
2 2,363850632 2,363850632 2,363904027
3 3,37554646 3,37554646 3,375489838
4 10,60272155 10,60272155 10,60266089
5 11,18282561 11,18282561 11,18287444
6 3,028008675 3,028008675 3,027952001
7 2,407174336 2,407174336 2,407117879
8 2,625992865 2,625992865 2,62593623
9 0,509914472 0,509914472 0,509969439
10 1,848703372 1,848703372 1,848757683
11 13,55754619 13,55754619 13,55748322
12 6,003509267 6,003509267 6,003450352
Rata-rata 4,722505778 4,7225057782 4,7113328482

Selanjutnya, hasil perhitungan solusi r(t) pada persamaan (4.7) untuk nilai
n = 5, n = 15, dan n = 50 dapat dilihat pada Tabel 4.4a.

Tabel 4.4a Hasil perhitungan r (recovered) antara MTD(5), MTD(15), dan MTD(50)
Solusi r
t
Data MTD(5) MTD(15) MTD(50)
0 0,00054308 0,0005430792683 0,0005430792683 0,0005430792683
1 0,00062078 0,0005459967389 0,0005459967389 0,0005459967389
2 0,00065998 0,0005488017876 0,0005488017877 0,0005488017876
3 0,00065921 0,0005514992233 0,0005514992230 0,0005514992230
4 0,00061594 0,0005540929747 0,0005540929733 0,0005540929735
5 0,00064040 0,0005565868288 0,0005565868242 0,0005565868242
6 0,00061434 0,0005589844363 0,0005589844225 0,0005589844224
7 0,00050307 0,0005612893174 0,0005612892828 0,0005612892827
8 0,00058009 0,0005635048682 0,0005635047913 0,0005635047913
9 0,00061407 0,0005656343665 0,0005656342114 0,0005656342114
10 0,00057560 0,0005676809773 0,0005676806868 0,0005676806869
11 0,00054092 0,0005696477595 0,0005696472477 0,0005696472476
12 0,00052300 0,0005715376710 0,0005715368126 0,0005715368126
 32

Selanjutnya, rata-rata error yang diperoleh dari perhitungan error mutlak

pada Tabel 4.4a dapat dilihat pada Tabel 4.4b berikut.

Tabel 4.4b Hasil perhitungan error mutlak r (recovered) antara MTD(5), MTD(15), dan
MTD(50)
Error r
t
MTD(5) MTD(15) MTD(50)
0 0 0 0
1 12,04807242 12,04807242 12,04807242
2 16,84640605 16,84640604 16,84640605
3 16,34048223 16,34048227 16,34048226
4 10,0418276 10,04182783 10,04182780
5 13,08774802 13,08774874 13,08774875
6 9,010832802 9,010835043 9,010835053
7 11,57222985 11,57222298 11,57222295
8 2,860073496 2,86008676 2,860086755
9 7,889025532 7,889050788 7,889050795
10 1,376255444 1,376305919 1,376305899
11 5,310139713 5,310045102 5,310045081
12 9,279400475 9,279236349 9,279236342
Rata-rata 8,897114894 8,897101556 8,897101550

Berdasarkan Tabel 4.4b, dapat dilihat bahwa rata-rata error mutlak yang
diperoleh untuk MTD(50) lebih kecil jika dibandingkan rata-rata error mutlak
yang diperoleh untuk MTD(5) maupun MTD(15), sedangkan untuk rata-rata error
mutlak yang diperoleh untuk MTD(15) lebih kecil dibandingkan rata-rata error
mutlak untuk MTD(5). Maka, dapat dikatakan bahwa pengambilan n = 50
menghasilkan rata-rata error mutlak yang lebih baik daripada n = 5 dan n = 15.
Dengan demikian, dapat dilihat untuk rata-rata error mutlak yang
diperoleh dari masing-masing proporsi individu s, i, dan r pada kasus ini didapat
kesimpulan bahwa ketika n = 5 rata-rata error mutlak yang diperoleh lebih besar
dibandingkan n = 15, sedangkan rata-rata error mutlak untuk n = 15 lebih besar
dibandingkan n = 50, atau dapat dikatakan bahwa untuk masing-masing proporsi
individu semakin besar nilai n yang diambil akan semakin kecil error
pemotongan yang didapatkan.
 33

4.4.1 Perbandingan Metode Transformasi Diferensial dengan Metode

Runge-Kutta Orde Empat
Metode Runge-Kutta orde empat adalah metode yang sering digunakan
untuk menyelesaikan persamaan diferensial secara numerik karena metode ini
sangat praktis. Selain itu, metode Runge-Kutta orde empat juga memiliki error
yang sangat kecil sehingga hasil yang didapat lebih akurat (Pacher,1984:18).
Oleh karena itu, akan dicari solusi dari persamaan (4.3) menggunakan
metode Runge-Kutta orde empat menggunakan Software Maple13 dengan h = 10-7
, sehingga diperoleh hasil perhitungan yang dapat dilihat pada Tabel 4.5 sebagai
berikut.
Tabel 4.5 Hasil Perhitungan RK4 h = 10-7
t Solusi s Solusi i Solusi r
0 0,997623079 0,00183384000 0,00054307927
1 0,997532938 0,00183107033 0,00054599674
2 0,997442913 0,00182830474 0,00054880179
3 0,997353002 0,00182554324 0,00055149923
4 0,997263200 0,00182278580 0,00055409297
5 0,997173504 0,00182003244 0,00055658714
6 0,997083909 0,00181728313 0,00055898595
7 0,996994412 0,00181453788 0,00056129262
8 0,996905010 0,00181179668 0,00056351026
9 0,996815699 0,00180905952 0,00056564191
10 0,996726478 0,00180632641 0,00056769055
11 0,996637342 0,00180359732 0,00056965907
12 0,996548290 0,00180087226 0,00057155029

Selanjutnya, berdasarkan Tabel 4.5 dapat dihitung rata-rata error mutlak

untuk proporsi individu s,i, dan r yang akan dibandingkan dengan rata-rata error
mutlak pada MTD(50). Pertama, dapat dilihat perbandingan error mutlak antara
metode Runge-Kutta orde empat dengan MTD(50) untuk proporsi undividu rentan
s pada Tabel 4.6 berikut.
 34

Tabel 4.6 Perbandingan hasil error mutlak s untuk MTD(50) terhadap Runge-Kutta
orde empat
Error s
t
MTD(50) RK4
0 0 0
1 0,005899708 0,0058997056
2 0,002459282 0,0024592856
3 0,022238427 0,0222384184
4 0,047387866 0,0473878546
5 0,013727295 0,0137273300
6 0,053915611 0,0539157532
7 0,073229155 0,0732294866
8 0,025138989 0,0251384247
9 0,024897348 0,0248965635
10 0,01429287 0,0142918829
11 0,023418664 0,0234198453
12 0,023055276 0,0230566263
Rata-Rata 0,025358499 0,0253585520

Berdasarkan Tabel 4.6, dapat dilihat bahwa rata-rata error mutlak

MTD(50) lebih kecil daripada rata-rata error mutlak untuk RK4. Maka, dapat
dikatakan bahwa metode transformasi diferensial dengan n = 50 untuk proporsi
individu rentan s menghasilkan rata-rata error mutlak yang lebih kecil
dibandingan dengan metode Runge-Kutta orde empat. Rata-rata presentase
kesalahan perhitungan dari MTD untuk proporsi individu rentan s sebesar
0,027309153% sedangkan rata-rata presentase kesalahan perhitungan dari RK4
sebesar 0,02730921% dengan tingkat kebenaran dari hasil perhitungan pada
masing-masing metode sebesar 99,97269085% dan 99,97269079%.
Selanjutnya, dapat dilihat perbandingan rata-rata error mutlak untuk
proporsi individu terinfeksi i terhadap MTD(50) pada Tabel 4.7. Berdasarkan
Tabel 4.7, metode Runge-Kutta orde empat menghasilkan rata-rata error mutlak
yang lebih besar daripada rata-rata error mutlak pada MTD(50), akan tetapi tidak
terjadi perbedaan yang jauh antara rata-rata error mutlak yang diperoleh. Dari
hasil perhitungan pada MTD dan RK4 untuk proporsi individu terinfeksi i
diperoleh rata-rata presentase kesalahan perhitungan pada masing-masing metode
 35

sebesar 4,71% dan 4,72% dengan tingkat kebenaran dari hasil perhitungan sebesar
95,28% dan 95,27%.

Tabel 4.7 Perbandingan hasil error mutlak i MTD(50) terhadap Runge-Kutta orde empat
t Error i
MTD(50) RK4
0 0 0
1 3,741731032 3,886886664
2 2,363904027 2,363904035
3 3,375489838 3,375489833
4 10,60266089 10,60266087
5 11,18287444 11,18287441
6 3,027952001 3,027951985
7 2,407117879 2,407117905
8 2,62593623 2,625936232
9 0,509969439 0,509969454
10 1,848757683 1,848757693
11 13,55748322 13,55748325
12 6,003450352 6,003450428
Rata-rata 4,7113328482 4,722498674

Berikutnya dapat dlihat rata-rata error mutlak untuk proporsi individu

rentan r menggunakan Runge-Kutta orde empat yang akan dibandingkan dengan
rata-rata error pada metode transformasi diferensial dengan pengambilan n = 50
atau MTD(50) pada Tabel 4.8.
Berdasarkan Tabel 4.8, dapat dilihat bahwa rata-rata error mutlak pada
Runge-Kutta orde empat tidak lebih kecil daripada rata-rata error mutlak untuk
MTD(50), dengan rata-rata presentase kesalahan perhitungan pada masing-masing
metode untuk proporsi individu sembuh r sebesar 8,8971% dan 8,8972%
sedangkan tingkat kebenaran dari hasil perhitungan sebesar 91,1029% dan
91,1028%.
 36

Tabel 4.8 Perbandingan hasil error mutlak r MTD(50) terhadap Runge-Kutta orde empat
Error r
t
MTD(50) RK4
0 0 0
1 12,04807242 12,04807204
2 16,84640605 16,84640548
3 16,34048226 16,34048188
4 10,0418278 10,0418276
5 13,08774875 13,08769886
6 9,010835053 9,010586457
7 11,57222295 11,57288545
8 2,860086755 2,859144896
9 7,889050795 7,887797212
10 1,376305899 1,374592836
11 5,310045081 5,312229819
12 9,279236342 9,281812728
Rata-rata 8,897101550 8,897195021

Dengan demikian, dapat disimpulkan bahwa untuk kasus ini besarnya

error pemotongan pada MTD tergantung pada pengambilan nilai n, semakin besar
nilai n yang diambil maka hasilnya semakin baik. Dari hasil yang diperoleh juga
dapat dilihat bahwa untuk kasus ini metode transformasi diferensial menghasilkan
rata-rata error mutlak yang lebih kecil daripada metode Runge-Kutta orde empat
khususnya untuk pengambilan n = 50.
Selanjutnya, akan dilihat grafik perbandingan dari MTD(5), MTD(15),
MTD(50), Runge-Kutta orde empat serta grafik untuk data penyebaran penyakit
tuberculosis tahun 2003-2014, masing-masing dapat dilihat pada Gambar 4.2a,
Gambar 4.2b, dan Gambar 4.2c berikut.
 37

1,017

1,008

0,999

0,99
1 2 3 4 5 6 7 8 9 10 11 12 13
Data MTD(5) MTD(15) MTD(50) RK4

Gambar 4.2a. Grafik antara MTD(5),MTD(15), MTD(50), dan RK4 terhadap data invidu
rentan s

0,0052

0,0038

0,0024

0,0010
1 2 3 4 5 6 7 8 9 10 11 12 13
Data MTD(5) MTD(15) MTD(50) RK4

Gambar 4.2b. Perbandingan antara MTD(5),MTD(15), MTD(50), dan RK4, terhadap

data invidu terinfeksi i

0,0020

0,0014

0,0008

0,0002
1 2 3 4 5 6 7 8 9 10 11 12 13

Data MTD(5) MTD(15) MTD(50) RK4

Gambar 4.2c. Perbandingan antara MTD(5),MTD(15), MTD(50), dan RK4 terhadap

data invidu sembuh r
 38

Berdasarkan Gambar 4.2a, 4.2b, dan 4.2c, dapat dilihat bahwa grafik untuk
MTD(5), MTD(15), MTD(50) dan RK4 mendekati grafik untuk data penyebaran
penyakit tuberculosis tahun 2003-2014. Dengan demikian, dari grafik yang
ditunjukan untuk masing-masing individu dapat dilihat bahwa grafik untuk
metode transformasi diferensial ataupun grafik untuk metode Runge-Kutta orde
empat masing-masing mendekati data yang dimiliki.
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan hasil dan pembahasan, beberapa kesimpulan yang dapat
diambil pada penelitian ini adalah sebagai berikut.
1. Model SIRS yang dipengaruhi oleh vaksinasi dengan faktor demografi dapat di
ditransformasikan dengan menggunakan transformasi diferensial, yaitu:
1  k

S (k  1)  
(k  1) 
Y ( k )   R ( k )   
l 0
S (l ) I (k  l )   S (k ) 

1  k 
I (k  1)     S (l ) I (k  l )  (   ) I (k ) 
(k  1)  l 0 
1
R(k  1)   X (k )   I (k )  (   ) R(k ) ,
(k  1)

dengan,
 (1   ), k  0  ,k  0
Y (k )  { dan X (k )  {
,k  0 ,k  0
2. Hasil penelitian menunjukkan bahwa untuk kasus ini metode transformasi
diferensial menghasilkan rata-rata error mutlak yang lebih kecil jika
dibandingkan dengan metode Runge-Kutta orde empat untuk data penyebaran
penyakit tuberculosis pada tahun 2003-2014 di Jawa Tengah.
3. Untuk metode transformasi diferensial, nilai pemotongan yang diambil sangat
berpengaruh terhadap rata-rata error mutlak yang diperoleh, semakin besar
nilai pemotongan yang diambil makan nilai error mutlak yang diperoleh
semakin kecil.

5.2 Saran
Pada penelitian ini penulis mengkaji solusi dari model SIRS yang
dipengaruhi vaksinasi dengan metode transformasi diferensial terhadap data
penyakit tuberculosis tahun 2003-2014 di Jawa Tengah dengan hasil error mutlak

38
 39

pada MTD lebih baik dibandingkan dengan metode Runge-Kutta orde empat.
Untuk menindaklanjuti penelitian ini, penulis menyarankan metode ini
diselesaikan dengan membuat program dengan software agar proses perhitungan
lebih efisien.
 DAFTAR PUSTAKA

Attarnejad, R. dan Shaba. 2008. Application of Differential Transformation in

Free Vibration Analysis of Rotating Non- Prismatic Beam. 2008. World
Applied Sciences Journal, 5(5), 441-448.

Bustan, M. N. 1997. Pengantar Epidemiologi. Jakarta: Rineka Cipta.

Edwards, C. H. dan Penney, D. E. 2000. Elementary Differential Equations with

Boundary Value Problems. 4th Ed. New Jersey: Prentice-Hall.

Farshid, M. 2011. Differential Transform Method For Solving Linier And

Nonliner Systems Of Ordinary Differential Equations. Applied
Mathematical Sciences Journal, 5(70), 3465-3472.

Hassan, I.H.A.H. 2007. Application to Differential Method for Solving System of

Differential Equations. International Journal Contemp Math Sciences, 32,
2552-2559.

Hatami., Ganji., dan Sheikholeslami. 2016. Differential Trasformation Method for

Mechanical Engineering Problem. London :Academic Press.

Ibrahim, S. F. M. dan Soad, M. I. 2012. Differential Transformation Approach to

SIR Epidemic Model With Constanta Vaccination. Journal of American
Science, 8(7), 764-769.

Mardhiyah, I. 2016. Metode Numerik. Jakarta: Guanadarma University.

Ma, Z. dan Li, J. 2009. Dinamical Modeling and Analysis of Epidemics.

Singapore: World Scientific Publishing.

Minarti., Mariatul., dan Helmi. 2015. Penyelesaian Persamaan Diferensial

Parsial Linier dengan Menggunakan Metode Transformasi Elzaki.
Matematika Statistika Dan Terapannya (Bimaster), 4, 227-236.

Pachner, J. 1984. Handbook of Numerical Analysis Applications, with progams

for Engineers and Scientists. McGraw Hill Book Company.

Rahayu., Sugianto., dan Prihandono. 2012. Penyelesaian Persamaan Diferensial

Biasa Tak Linier dengan Metode Transformasi Diferensial. Buletin Ilmiah
Mat. Stat. dan Terapannya (Bimaster), 1(1), 9-14.

Streman, J. 2002. Business Dynamics:System Thinking And Modeling For A

Complex World. Singapore: McGraw Hill Companies.

40
 Lampiran 1
Data Jumlah Penderita Penyakit Tuberculosis di Jawa Tengah
Tahun 2003-2014

Hasil cakupan penemuan TB Paru tahun 2003-2014 di Jawa Tengah

Cakupan
Tahun
Rentan TB Positif Sembuh
2003 32.722.037 60.150 17.813
2004 32.315.598 61.721 20.112
2005 31.896.982 59.881 21.105
2006 32.100.961 56.826 21.213
2007 32.725.741 54.056 20.203
2008 32.540.244 66.861 20.895
2009 32.303.991 57.116 19.893
2010 32.309.330 57.379 16.291
2011 32.409.803 57.352 18.845
2012 32.507.735 59.254 20.011
2013 32.605.037 60.150 18.813
2014 32.709.307 52.062 17.731
Sumber: Profil Kesehatan Kemenkes RI.

Proporsi individu rentan (s), infeksi (i), dan sembuh (s) terhadap total populasi.

Cakupan
Rentan TB Positif Sembuh
0,997623080 0,00183384 0,000543080
0,997474090 0,00190512 0,000620790
0,997467444 0,00187257 0,000659986
0,997574847 0,00176593 0,000659219
0,997736006 0,00164805 0,000615945
0,997310408 0,00204919 0,000640401
0,997621784 0,00176387 0,000614342
0,997725041 0,00177189 0,000503073
0,997654467 0,00176544 0,000580096
0,997567588 0,00181833 0,000614079
0,997584047 0,00184035 0,000575603
0,997870808 0,00158827 0,000540924

41
 42

Lampiran 2
Perintah Maple 13 Untuk Menghitung Solusi Pada Tabel 4.2a, 4.3a, 4.4a

>
>

>
 43

>

>

>

>
 44

>

>

>
 45

Lampiran 3
Perintah Maple 13 Untuk Menghitung Solusi Pada Tabel 4.5

>
>

>

>
>
>

>
>

>
>
 46

>
>

>
>

>
>

>
>

>
>

>
>

>
>

>
>

>
>
 47

RIWAYAT HIDUP

Nama : Chairunnisa
NIM : H1B014054
Tempat, tanggal lahir : Bekasi, 11 Mei 1996
Jenis Kelamin : Perempuan
Agama : Islam
Status : Belum Menikah
Alamat Rumah : Kepu, Kaliabang Tengah Bekasi Utara,
Kota Bekasi
Bidang Kajian : Terapan
Telepon : 089694131211
Email : chairunnisa.icha95@yahoo.com
Motto : Berguna untuk orang lain.

Riwayat Pendidikan

2004-2010 SD Negeri Setia Asih 06, Kab. Bekasi.

2010-2012 SMP Negeri 19 Kota Bekasi.

2012-2014 SMA Negeri 4 Kota Bekasi.

 48

2014-2019 Universitas Jenderal Soedirman, Fakultas MIPA, Jurusan

Matematika.

Riwayat Organisasi

2010-2011 Pengurus Osis SMPN 19 Kota Bekasi.

2012-2014 Pengurus Teater Ketupat 17.

2015-2016 Staff Divisi Hubungan masyarakat HIMATIKA UNSOED.

2016-2017 Kepala Divisi Hubungan masyarakat HIMATIKA UNSOED.

2015-2017 Staff IKAHIMATIKA Indonesia Wilayah IV Divisi

Kewirausahaan.