BAB 4

Bilangan Reproduksi Dasar (R0)

Pada Bab ini dibahas Bilangan Reproduksi Dasar, suatu ambang batas terjadinya wabah
penyakit. Dengan definisi yang sedikit berbeda, Bilangan Reproduksi Dasar (basic re-
production number ), disebut juga dengan Rasio/Angka Reproduksi Dasar (basic repro-
duction ratio/rate), namun pada dasarnya adalah ukuran infeksi sekunder yang terjadi
karena satu infeksi primer pada populasi yang seluruhnya rentan. Dalam Murray (1993)
Bilangan Reproduksi Dasar, yang biasa ditulis dengan R0 , didefinisikan sebagai jumlah
infeksi sekunder yang terjadi karena satu infeksi primer pada populasi yang seluruhnya
rentan. Nilai R0 tergantung pada penyakit dan lingkungan.
Tabel berikut memberikan beberapa contoh nilai pendekatan untuk R0 . Semakin
besar R0 berarti penyakit semakin mudah menular.

Tabel 4.1: Beberapa contoh nilai pendekatan untuk R0

Penyakit Nilai pendekatan R0

Cacar (small pox) 4
Cacar air (measles)/campak 17
HIV (untuk kaum homoseksual pria di Inggris dan Wales) 4
Malaria 100

51
4.1 Tujuan Pembelajaran
Setelah mempelajari Bab ini diharapkan mahasiswa dapat menentukan Bilangan Repro-
duksi Dasar (R0 ).

4.2 Metode Pendekatan Operator Generasi Berikut-

nya ( The Next Generation Operator Approach).
Penghitungan R0 seringkali tidak mudah, bahkan untuk populasi yang sangat heterogen
kadangkala R0 tidak dapat dihitung. Sebagian besar model epidemi pada umumnya
mempunyai dua tipe titik ekulibrium, yaitu titik ekuilibrium bebas penyakit dan titik
ekuilibrium endemik. Pada umumnya, dapat ditunjukkan bahwa titik ekuilibrium bebas
penyakit stabil asimtotik lokal jika R0 < 1, dan tidak stabil jika R0 > 1.
Bilangan reproduksi dasar, R0 , kadangkala dapat ditemukan pada saat menghitung
nilai eigen Matriks Jacobian di sekitar titik ekuilibrium bebas penyakit. Diekmann dkk.
memperkenalkan suatu pendekatan lain yaitu dengan menghitung radius spektral dari
operator generasi berikutnya, yang biasa disebut dengan metode pendekatan operator
generasi berikutnya ( the next generation operator approach). Pembahasan dalam Subbab
ini mengacu pada artikel karangan Castillo-Chavez dkk ([2]).
Dalam metode ini, diasumsikan suatu model epidemi dapat dituliskan ke dalam
bentuk
dX
= f (X, Y, Z)
dt
dY
= g (X, Y, Z) (4.1)
dt
dZ
= h (X, Y, Z)
dt
dengan X ∈ Rr , Y ∈ Rs , Z ∈ Rn , r, s, n ≥ 0, dan h(X, 0, 0) = 0.
Dalam hal ini vektor X menyatakan vektor subpopulasi yang tidak terinfeksi (termasuk
subpopulasi yang rentan, dikarantina, dan sembuh), Y menyatakan vektor subpopulasi
yang terinfeksi dan belum menularkan (laten), sedangkan Z menyatakan vektor subpop-
ulasi yang terjangkit dan menularkan (termasuk yang tidak dikarantina). Selanjutnya,

52
ukuran vektor X, Y, dan Z pada saat t berturut-turut dinyatakan dengan X(t), Y(t),
dan Z(t).
Dimisalkan U0 = (X∗ , 0, 0) merupakan titik ekuilibrium bebas penyakit Sistem 4.1.
Diasumsikan g(X∗ , Y, Z) secara implisit menyatakan fungsi Y = ĝ(X∗ , Z). Didefinisikan

∂
A := h(X∗ , ĝ(X∗ , 0), 0).
∂Z
Jika A dapat ditulis menjadi
A=M −D (4.2)

dengan M ≥ 0 ( yaitu mij ≥ 0, ∀i, j) dan D > 0 ( yaitu dij > 0, ∀i, j) matriks diagonal,
maka Bilangan reproduksi dasar dapat dihitung dengan

R0 = ρ(M D−1 ) (4.3)

dengan ρ radius spektral dari M D−1 . Radius spektral matriks A ditulis ρ(A), didefinisi-
kan sebagai ρ(A) := sup{|λ||λ nilai eigen A}. Radius spektral dari suatu matriks berordo
satu adalah modulus dari elemen matriks tersebut.

Adapun langkah-langkah menentukan R0 adalah sebagai berikut:

1. Menentukan vektor:
X = vektor subpopulasi yang tidak terinfeksi (termasuk subpopulasi yang rentan,
dikarantina, dan sembuh)
Y = vektor subpopulasi yang terinfeksi dan belum menularkan (laten)
Z = vektor subpopulasi yang terjangkit dan menularkan (termasuk yang tidak
dikarantina).

2. Mendefinisikan fungsi f , g, dan h.

3. Menentukan titik ekuilibrium bebas penyakit (X∗ , 0, 0).

4. Menentukan Y = ĝ(X∗ , Z) dari g(X∗ , Y, Z) = 0.

5. Menentukan ∂
∂Z
h(X∗ , ĝ(X∗ , Z), Z), kemudian menghitung A = ∂
∂Z
h(X∗ , ĝ(X∗ , 0), 0).

53
 6. Menentukan M dan D, sehingga A = M − D, M ≥ 0, D > 0 (diagonal).

7. Mencari D−1 , dan kemudian menentukan radius spektral M D−1 , yaitu

ρ(M D−1 ) = sup{|λ| |λ nilai eigen M D−1 }.

4.3 Beberapa Contoh Penghitungan R0.

Pada Subbab ini akan diberikan beberapa contoh penghitungan R0 .

Contoh 4.1. Diberikan Model SIR sederhana:

dS I
= −βS
dt N
dI I
= βS − γI (4.4)
dt N
dR
= γI
dt
,

dengan N = S + I + R. Dalam hal ini parameter β dan γ berturut-turut menyatakan

rata-rata penularan per satuan waktu dan laju kesembuhan perkapita. Dari Model 4.4
diperoleh vektor
( )
S
X= , Y = 0, Z = I.
R

Dari model 4.4 dapat ditentukan fungsi

( )
−βS NI I
f (X, Y, Z) = , g (X, Y, Z) = 0, dan h (X, Y, Z) = βS − γI.
γI N

Turunan h terhadap Z adalah

∂h ∂h S
(X, Y, Z) = (S, I, R) = β − γ.
∂Z ∂I N

54
Titik ekuilibrium bebas penyakitnya adalah (X ∗ , 0, 0) = (N, 0, 0) = (S ∗ , 0, 0), sehingga

∂h ∂h N
A= (X ∗ , ĝ(X ∗ , 0), 0) = (N, 0, 0) = β − γ = β − γ.
∂I ∂I N

Dipilih M = β dan D = γ, sehingga didapat R0 = M D−1 = βγ .

Contoh 4.2. Diberikan Model SIR dengan rekruitmen konstan dan memperhatikan ke-
matian alami :
dS I
= ∧ − βS − µS
dt N
dI I
= βS − (µ + γ) I (4.5)
dt N
dR
= γI − µR
dt
dN
= ∧ − µN,
dt
dengan N = S + I + R.

Parameter β, γ, ∧ dan µ berturut-turut menyatakan rata-rata penularan per satuan

waktu, laju kesembuhan perkapita, laju kelahiran, dan laju kematian alami. Dalam hal
∧
ini diperoleh N ∗ = µ
dan vektor
( )
S
X= , Y = 0, Z = I.
R

Dari Model 4.5 didapat fungsi f, g, dan h

( )
∧ − βS NI − µS I
f (X, Y, Z) = , g (X, Y, Z) = 0, h (X, Y, Z) = βS − (µ + γ) I
γI − µk N

Turunan h terhadap Z adalah

∂h ∂h S
(X, Y, Z) = (S, I, R) = β − (γ + µ).
∂Z ∂I N

55
Selanjutnya diperoleh turunan
∂h1 ∧1 µ
(X ∗ , ĝ (X ∗ , Z) , Z) = .β12 .
∂I2 µ ∧1 + ∧2
sehingga
∂h1 ∧1
(X ∗ , 0, 0) = β12 .
∂I2 ∧1 + ∧2
Dari Model 4.5 diperoleh fungsi h2 adalah
( )
∗ I2 I1
h2 (X, ĝ(X , Z), Z) = S2 β22 + β21 − (µ + k2 ) I2
N N

sehingga
∂h2 ∧2
(X ∗ , 0, 0) = β21
∂I1 ∧1 + ∧2
dan dengan cara analog didapat turunan
∂h2 ∧2
(X ∗ , 0, 0) = β22 − (µ + k2 ) .
∂I2 ∧1 + ∧2
Dalam hal ini didapat
[ ] [ ]
β11 ∧1∧+∧
1
− (µ + k 1 ) β 12
∧1
∧1 +∧2
β11
∧1
∧1 +∧2
β12
∧1
∧1 +∧2
A= 2
∧2 ∧2
M=
β21 ∧1 +∧2 β22 ∧1 +∧2 − (µ + k2 ) β21 ∧1 +∧2 β22 ∧1∧+∧
∧2 2
2

dan [ ]
µ + k1 0
D= .
0 µ + k2
Akibatnya didapat [ ]
1
0
D−1 = µ+k1
1
0 µ+k2

sehingga [ ] [ ]
β11 ∧1 β12 ∧1
α11 α12
M D−1 = µ+k1 ∧1 +∧2
β21 ∧1
µ+k2 ∧1 +∧2
β22 ∧1
= .
µ+k1 ∧1 +∧2 µ+k2 ∧1 +∧2
α21 α22
Jadi didapat Bilangan Reproduksi Dasar
( √ )
1
R0 = α11 + α22 + (α11 − α22 ) + 4α12 α21 .
2
2

57
 ( )
∧
Titik ekuilibrium bebas penyakitnya adalah (X ∗ , 0, 0) = µ
, 0, 0 , sehingga
( )
∂h ∂h ∧ ∧ 1
A= (X ∗ , ĝ(X ∗ , 0), 0) = , 0, 0 = β . ∗ − (µ + γ) = β − (µ + γ) .
∂I ∂I µ µ N

Dipilih M = β dan D = γ + µ, sehingga didapat R0 = M D−1 = β

γ+µ
.

Contoh 4.3. Diberikan Model SIR yang membedakan status ekonomi:

( )
dSi Ii Ij
= ∧i − Si βii + βij − µSi
dt N N
( )
dIi Ii Ij
= Si βii + βij − µIi − ki Ii (4.6)
dt N N
dRi
= ki Ii − µRi
dt
dengan i = 1, 2, dan N = S1 + S2 + I1 + I2 + R1 + R2 .

Penjelasan lebih detail tentang Model ini dapat dilihat pada Castillo-Chavez dkk
(2002) halaman 7. Dalam model ini didapat vektor
 
S1
  ( )
 S2  I
X=  , Y = 0, Z = 1
  ,
 1 
R I2
R2
( ) ∧1 + ∧2
∧1 ∧2
titik ekuilibrium bebas penyakit µ
, µ , 0, 0 , dan N ∗ = .
µ
Fungsi h1 diberikan oleh
( )
∗ I1 I2
h1 (X, ĝ(X , Z), Z) = S1 β11 + β12 − µI1 − k1 I1
N N
sehingga diperoleh
∂h1 ∧1 µ ∧1
(X ∗ , ĝ (X ∗ , Z) , Z) = .β11 . − (µ + k1 ) = β11 − (µ + k1 )
∂I1 µ ∧1 + ∧2 ∧1 + ∧2
dan
∂h1 ∧1
(X ∗ , ĝ (X ∗ , 0) , 0) = β11 − (µ + k1 ) .
∂I1 ∧1 + ∧2

56
Contoh 4.4. Diberikan Model yang menggambarkan dinamika penyakit TBC yang mem-
perhatikan resistensi dan sensitivitas terhadap obat (Castillo-Chavez and Feng):

dS I1 I2
= ∧ − βS − βS − µS
dt N N
dE1 I1 I2
= pr̃I1 + β1 S − β2 E1 − (µ + k1 + r) E1
dt N N
dI1
= k1 E1 − (µ + d1 + r̃) I1 (4.7)
dt
dT I1 I2
= rE1 + (1 − p − q) r̃I1 − σβ1 T − β2 T − µT
dt N N
dE2 I2
= qr̃I1 − (µ + k2 ) E2 + β2 (S + E1 + T )
dt N
dI2
= k2 E2 − (µ + d2 ) I2
dt
dengan N = S + E1 + I1 + T + E2 + I2 .

Dalam Contoh ini, subpopulasi T menyatakan subpopulasi yang mendapatkan tin-

dakan/perawatan. Penjelasan lebih detail tentang Model ini dapat dilihat pada Castillo-
Chavez dkk (2002) halaman 6. Dalam hal ini didapat vektor
( ) ( ) ( )
S E1 I1
X= ,Y = ,Z =
R E2 I2
( )
∧
dan titik ekuilibrium bebas panyakitnya adalah µ
, 0, 0, 0 . Untuk Model 4.7 didapat
fungsi
∧ I1 I2
g1 (X ∗ , Y, Z) = pr̃I1 + β1 ∧ − β2 E1 ∧ − (µ + k1 + r) E1 = 0
µ µ µ

β2 E1 µI2
⇔ pr̃I1 + β1 I1 − − (µ + k1 + r) E1 = 0
∧
(β1 + pr̃) I1
⇔ E1 = µβ1 I2 ≡ ĝ1 (X ∗ , Z)
∧
+ (µ + k1 + r)

dan ( )
∗ A I2
g2 (X , Y, Z) = gr̃I1 − (µ + k2 ) E2 + β2 + E1 + T ∧
µ µ

58
 ( )
β2 µI2 (β1 + pr̃) I1 µβ2 T I2
= gr̃I1 − (µ + k2 ) E2 + β2 I2 + + =0
∧ µβ1 I2
∧
+ (µ + k1 + r) ∧
qr̃I1 + β2 I2 K
⇔ E2 = + ,
µ + k2 µ + k2
dengan ( )
β2 µI2 (β1 + pr̃) I1 µβ2 T I2
K= + .
∧ µβ1 I2
∧
+ (µ + k1 + r) ∧
Fungsi ĝ2 dapat ditulis dengan
qr̃I1 + β2 I2
ĝ2 (X ∗ , Z) = + ϑ(2),
µ + k2
sehingga didapat
ĝ (X ∗ , Z) = (ĝ1 (X ∗ , Z) , ĝ2 (X ∗ , Z)) .

Fungsi h1 diberikan oleh

(β1 + pr̃) I1
h1 (X ∗ , ĝ (X ∗ , Z) , Z) = k1 µβ1 I2 − (µ + d1 + r̃) I1 ,
∧
+ µ + k1 + r

sehingga diperoleh

∂h1 k1 (β1 + pr̃)

(X ∗ , ĝ (X ∗ , 0) , 0) = − (µ + d1 + r̃)
∂I1 µ + k1 + r
dan
∂h1
(X ∗ , ĝ (X ∗ , 0) , 0) = 0.
∂I2
Selanjutnya diperoleh fungsi h2
( )
∗ ∗ qr̃I1 + β2 I2
h2 (X , ĝ (X , Z) , Z) = k2 − (µ + d2 ) I2
µ + k2

dan didapat turunan

∂h2 k2 qr̃
(X ∗ , ĝ (X ∗ , 0) , 0) =
∂I1 µ + k2
dan
∂h2 k2 β2
(X ∗ , ĝ (X ∗ , 0) , 0) = − (µ + d2 ) .
∂I2 µ + k2

59
Dalam hal ini didapat
[ ] [ ]
k1 (β1 +pr̃)
µ+k1 +r
− (µ + d1 + r̃) 0 k1 (β1 +pr̃)
µ+k1 +r
0
A= , M= ,
C1 k2 β 2
µ+k2
− (µ + d2 ) C1 k2 β2
µ+k2

dan [ ]
µ + d1 + r̃ 0
D= ,
0 µ + d2
dengan
k2 qr̃
C1 = .
µ + k2
Akibatnya didapat [ ]
1
0
D−1 = µ+d1 +r̃
1
,
0 µ+d2
sehingga [ ]
k1 (β1 +pr̃)
−1 (µ+k1 +r)(µ+d1 +r̃)
0
MD = C1 k2 β 2
.
µ+d1 +r̃ (µ+k2 )(µ+d2 )

Karena nilai eigen M D−1 adalah

k1 (β1 + pr̃)
λ1 =
(µ + k1 + r) (µ + d1 + r̃)
dan
k2 β2
λ2 = ,
(µ + k2 ) (µ + d2 )
maka didapat Bilangan Reproduksi Dasar

R0 = maks {λ1 , λ2 } .

4.4 Latihan
1. Tentukan R0 untuk model SIR:
dS
= ∧ − βSI − µS
dt
dI
= βSI − (γ + µ) I
dt
dR
= γI − µR.
dt

60
2. Tentukan R0 untuk model SEIR:
dS I
= ∧ − βS − µS
dt N
dE I
= βS − (µ + k) E
dt N
dI
= kE − (γ + µ) I
dt
dR
= γI − µR.
dt

61