Laporan Praktikum

Simulasi dan Pemodelan

Judul
Model Epidemik

Percobaan Ke
11

Nama
M. Farhan AL Islamy

Kelas
3 TET B

NIM
1920301035

Dosen
Wahyuni Khabzli, S.T.,M.T

Asisten
Monia Maharani, S.Tr.T

Tanggal
4 Januari 2022
 PERCOBAAN 11
Model Epidemic

TUJUAN
Mahasiswa dapat membuat simulasi model epidemik

DASARTEORI
Model epidemik adalah suatu model yang menggambarkan proses epidemik (wabah) yang
berkembangpadasuatukawasan.Modelepidemikmempelajaricaraketerkaitanindividu-individu
dalampenjangkitanwabah.Adabeberapahalyangharusdiperhatikantentangmodelepidemik:

(1) Seberapa besar kemungkinan individu akan terjangkit wabah ketika diketahui di
sekitarnya ada atau tidak ada individu yang sudahterjangkit.
(2) Seberapa besar kemungkinan individu sembuh dariwabah.
(3) Seberapabesarkemungkinanindividukebaldariwabah(imun).
Darisemuakeadaanitu,adabebrapahalyangmembuatwabahdapatmeluas,yaitu:

(1) Modelkontakantarindividuyangbersifatkontakparsialataukontakpriodik.
(2) Mobilitas individu di daerah sekitarepidemik.
Keadaan-keadaan di daerah sekitar epidemik merupakan suatu model matematis yang dapat
digambarkandenganmodelduadimensi.Dengandemikian,modelepidemikdapatditerjemahkan
ataudiimplementasikankedalamprogramkomputersehinggakarakteristiksuatuepidemikdapat
dipelajari.Banyakpenelitimenggunakanmodel-modelepidemikdalammempelajaripenjangkitan
suatu wabah, misalnya influenza da AIDS. Peneliti-peneliti di bidang komputer pun mencoba
mengaitkan model epidemik dalam kaitannya dengan virus komputer atau serangan terhadap
suatu jaringankomputer.

Analogi model epidemik ke dalam model matematis disajikan dalam bentuk matriks
berikut ini:

X= x 0x 0 M,1 i N x,1 j Ny (12.1)

dengan:

Madalahnilaistatepadatiapindividu

Nxadalahukuranpadaarahhorisontal Ny

adalah ukuran pada arahvertikal

Nx Ny adalah ukuran daerah yang diamati

Nilai M adalah nilai keadaan suatu individu yang dapat disajikan dalam bentuk:

M = { 0, S, I, R, E }
(12.2)

dengan:

0 menyatakan tidak ada individu

S menyatakan individu suspected terhadap penyakit

(mempunyai kontak dengan individu terjangkit)

I menyatakan individu terjangkit penyakit

R menyatakan individu sehat

E menyatakan individu yang terinfeksi, tetapi tidak sakit

Dari nilai-nilai M itu, model epidemik yang banyak digunakan adalah:

(1) ModelSIR
(2) ModelSIS
(3) ModeSEIR

12.2.1 MODEL SIS

ModelSISstokastikterdiridaritigajenisyaitubentukDTMC(DiscreteTimeMarkov

Chain), CTMC, (Continuous Time Markov Chain) dan SDE (StochasticDifferential

Equation).
 Sejumlah S individu didefenisikan mempunyai kontak dan sensitif terkena penyakit serta
sejumlah I individu yang telah terjangkit penyakit. Pada model SIS, terdapat hubungan S-I-S.

Dengan𝑁=𝑆(𝑡)+𝐼(𝑡)

DalammodelSISstokastik,hanyasatupeubahacakbebasyaituI(t),karena𝑆(𝑡)=𝑁−𝐼(𝑡), dimana 𝑁 adalah

ukuran populasi total yang konstan.

LangkahPercobaan
DTMC SIS EpidemicModel

%Three Sample Paths and the Deterministic Solution clear

set(0,’DefaultAxesFontSize’, 18)

beta=1; g=0.25; b=0.25;

R0=beta/(b+g)

N=100;

init=2;

dt=0.01; time=25; sim=3;

for j=1:sim

i(1)=init;

fort=1:time/dt

r=rand;
% uniform random number

birth=beta*i(t)*(N-i(t))/N*dt;

death=(b+g)*i(t)*dt;

ifr<=birth

i(t+1)=i(t)+1;

elseif r>birth & r<=birth+death

i(t+1)=i(t)-1;

elsei(t+1)=i(t);

end

end

% Sample paths indifferent colors

If j==1

stairs([0:dt:time],i,’r-’,’LineWidth’,2);

hold on elseif j==2

stairs([0:dt:time],i,’g-’,’LineWidth’,2);

else

stairs([0:dt:time],i,’b-’,’LineWidth’,2);

end end

% Euler’s Method for Deterministic SIS Model

y(1)=init;

for k=1:time/dt

y(k+1)=y(k)+dt*(beta*(N-y(k))*y(k)/N-(b+g)*y(k));
 end

plot([0:dt:time],y,’k--’,’LineWidth’,2);

hold off axis([0,25,0,80]); xlabel(’Time’);

ylabel(’Number ofInfectives’);

CTMC SIS EpidemicModel

set(0,’DefaultAxesFontSize’,18)

; set(gca,’fontsize’,18);

beta=1; b=0.25;g=0.25;

R0=beta/(b+g)

N=100;

init=2;

time=25;

sim=3;

for k=1:sim clear tsi t(1)=0; i(1)=init; j=1;

while i(j)>0 &t(j)<time

u1=rand; %uniform random number u2=rand; %uniform random number

tot=(beta/N)*i(j)*(N-i(j))+(b+g)*i(j);

birth=(beta*(N-i(j))/N)/(beta*(N-i(j))/N+b+g);

t(j+1)=t(j)-log(u1)/tot;

ifu2<=birthi(j+1)=i(j)+1;

else i(j+1)=i(j)-1;
 end

j=j+1;

end

ifk==1

stairs(t,i,’r-’,’LineWidth’,2)

elseif k==2

stairs(t,i,’b-’,’LineWidth’,2)

else

stairs(t,i,’g-’,’LineWidth’,2)

end

hold on end

% Euler’s Method Applied tothe Deterministic SIS Epidemic Model

dt=0.01;

y(1)=init;

for k=1:time/dt

y(k+1)=y(k)+dt*(beta*(N-y(k))*y(k)/N-

(b+g)*y(k)); end

plot([0:dt:time],y,’k--

’,’LineWidth’,2);

axis([0,time,0,80]);

xlabel(’Time’);

ylabel(’Number ofInfectives’);

holdoff

SDE SIS EpidemicModel

beta=1;
b=0.25; g=0.25; R0=beta/(b+g)

N=100;

init=2; dt=0.01; time=25;

sim=3;

for

k=1:sim

clear i,t

j=1;

i(j)=init;

t(j)=dt;

% Euler-Maruyama Method

while i(j)>0 &t(j)<25 mu=beta*i(j)*(N-i(j))/N-(b+g)*i(j);

sigma=sqrt(beta*i(j)*(N-i(j))/N+(b+g)*i(j));

rn=randn;

%standard normal random number

i(j+1)=i(j)+mu*dt+sigma*sqrt(dt)*rn;

t(j+1)=t(j)+dt;

j=j+1;

end

ifk==1

plot(t,i,’r-’,’Linewidth’,2);

elseif k==2

plot(t,i,’b-’,’Linewidth’,2);

else
plot(t,i,’g-’,’Linewidth’,2); end

hold on end

% Euler’s method applied tothe deterministic SIS model.

y(1)=init;

for k=1:time/dt

y(k+1)=y(k)+dt*(beta*(N-y(k))*y(k)/N-(b+g)*y(k)); end

plot([0:dt:time],y,’k--’,’LineWidth’,2);

axis([0,time,0,80]);

xlabel(’Time’); ylabel(’Number

ofInfectives’); hold off

13 DTMC SIS Epidemic

Model M-file

14
Command Window
15

16
17
18
19 Figure
20
CTMC SIS Epidemic Model

21 M-file
22
Command Window
23
24

25
26
27 Figure
28
SDE SIS Epidemic Model
29

30
 31
SDE SIS Epidemic Model

32
33
34
35 Figure
36

Analisa
Pada praktikum
SDE SIS Epidemicini, kita membahas tentang model Epidemic. Model Epidemik merupakan suatu model
Model
yang menggambarkan proses epidemic (wabah) yang berkembang pada suatu kawasan. Keadaan-
keadaan didaerah sekitar epidemic merupakan suatu model matematis yang dapat digambarkan dengan
model dua dimensi.

Pada praktikum ini terdapat beberapa percobaan, yang pertama DTMC SIS Epidemic Model yang mana
terdapat banyak perubahan individu disetiap kelompok S dan I mengikuti proses Makrov waktu diskrit.
DTMC SIS ini bisa diterapkan pada satu atau lebih penyakit dan dapat dikembangkan pada satu daerah
atau lebih. Hal ini disebabkan karena terjadinya perpindahan individu dari daerah satu kedaerah lain.
DTMC SIS ini disajikan dalam bentuk probabilitas transisi pada infeksi dan dispersal.

Kemudian yang kedua CTMC SIS Epidemic Model. CTMC SIS Epidemic Model merupakan salah satu
model yang menggambarkan penyebaran penyakit karakteristik, setiap individu sembuh memiliki
kekebalan tubuh. Model yang diperoleh pada CTMC dapat disimulasikan dengan pengambilan nilai
awal jumlah individu terinfeksi I yang berbeda. Sehingga pemberian nilai yang berbeda dapat
berpengaruh terhadap periode infeksi dan jumlah maksimum individu terinfeksi.

Kesimpulan
1. Model epidemic merupakan suatu model yang menggambarkan proses epidemic (wabah) yang
berkembang pada suatu kawasan
2. Pada DTMC SIS Epidemic Model, terdapat banyak perubahan individu disetiap kelompok S
dan I yang mengikuti proses waktu diskrit.
3. Pemberian nilai yang berbeda pada CTMC SIS Epidemic Model dapat berpengaruh terhadap
periode dan jumlah maksimum individu
SDE SIS Epidemic Model

Tugas

DTMC SIS

Epidemic Model M-file

SDE SIS Epidemic Model

Command Window

Figure
CTMC
SDE SISSIS Epidemic
Epidemic Model M-file
Model
Command Window
SDE SIS Epidemic Model

Figure
SDE SIS Epidemic Model M-file
 Command
SDE SIS Window
Epidemic Model

Figure