Chairunnisa
Chairunnisa
SKRIPSI
Oleh
CHAIRUNNISA
H1B014054
SKRIPSI
Oleh
CHAIRUNNISA
H1B014054
i
LEMBAR PENGESAHAN
Oleh
CHAIRUNNISA
H1B014054
Pembimbing I Pembimbing II
Mengetahui,
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
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.
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;
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.
Penulis
vi
DAFTAR ISI
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
LAMBANG
Tingkat kelahiran 6
Tingkat kematian 6
k Langkah iterasi 11
ix
DAFTAR GAMBAR
x
DAFTAR TABEL
xi
DAFTAR LAMPIRAN
xii
ABSTRAK
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.
xiv
BAB I
PENDAHULUAN
1
2
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
̂
𝛿𝑅
𝛽𝑆̂ 𝐼̂
̂
𝛼𝑁 ̂
𝑁 𝛾𝐼̂
𝑆̂ 𝐼̂ 𝑅̂
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
dSˆ ˆˆ
SI
Nˆ Rˆ Sˆ
dt Nˆ
dIˆ SI ˆˆ
Iˆ Iˆ
dt Nˆ
dRˆ
Iˆ Rˆ Rˆ .
dt
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.
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
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
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
dy ( x)
x 1 (2.8)
dx
Penyelesaian:
Langkah 1
dy ( x )
i. Transformasi diferensial dari adalah (k 1)Y (k 1) (Sifat 3).
dx
12
(k 1)Y (k 1) (k 1) (k ) (2.9)
Langkah 2
Langkah 3
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
Langkah 4
y ( x) Y (k )( x)k
k 0
1
y ( x) 0 x 0 1x1 x 2 0 x3 0 x 4 ...
2
1
y ( x) x x 2 .
2
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 ,
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.
X t = Data actual,
X t = Hasil prediksi,
n = Jumlah Data.
BAB III
METODE PENELITIAN
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.
16
17
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
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
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 = ̂ + ̂+ ̂ .
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
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
,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)
8. Proporsi vaksinasi (σ) sebesar 0,973 (sesuai target pemberian vaksin oleh
pemerintah).
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)
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 107 ,
S (4) 2,919949232 108 , I (4) 9,353789170 109 ,
S (5) 1,150423990 1010 , I (5) 3,847158630 1011 ,
27
R(3) 0, 000002051405580,
R(4) 1,990116150 108 ,
R(5) 1,536359937 1010 ,
R(6) 1,3573265711012 ,
R(7) 4,9703307 1014 ,
R(8) 3,584404214 1016 ,
R(9) 3,383599402 1018 ,
R(10) 1, 401093684 1019.
1. Susceptible (s)
s(t ) S (k )t k
k 0
2. Infective (i)
i (t ) I (k )t k
k 0
3. Recovered (r)
r (t ) R(k )t k
k 0
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
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
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
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
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
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
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
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
0,0020
0,0014
0,0008
0,0002
1 2 3 4 5 6 7 8 9 10 11 12 13
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
40
Lampiran 1
Data Jumlah Penderita Penyakit Tuberculosis di Jawa Tengah
Tahun 2003-2014
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
Riwayat Organisasi