9/10/2021

P10-1 P10-2

Bernoulli 1760: inoculation melawan smallpox dapat

meningkatkan angka harapan hidup di Perancis
(Medlock, 2002).

Hamer 1906: menggunakan model dinamik waktu diskret,

peluang individu baru menjadi terinfeksi pada
langkah berikutnya adalah proporsional dengan
banyaknya individu rentan dan individu yang
terinfeksi saat ini.
Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY

P10-3 P10-4

Ross 1908: mengembangkan model dinamik dengan waktu

kontinu (Andersson & Britton, 2000).
McKendrick 1914: menggunakan model kelahiran dan
kematian untuk memodelkan epidemik (Allen,
2010).
McKendrick 1926: menerapkan model epidemic SIR dalam
bentuk model stokastik dengan waktu kontinue
(Andersson & Britton, 2002).
Kermack & KcKendrick 1927: Model epidemic secara
lengkap tentang penyebaran penyakit infeksi
deterministik (Andersson & Britton, 2000;
Medlock, 2002; Isea and Longren, 2013).
Reed dan Frost 1928: mengembangkan model “chain-
binomial”

P10-5 P10-6

Baik dalam model epidemik deterministik maupun stokastik Untuk itu diperlukan beberapan pemahaman proses
tujuan kajian adalah untuk mempelajari perilaku sistem stokastik, terutama dalam hal:
penyebaran penyakit. 1. Rantai Markov
2. Proses Kelahiran dan Kematian
Dalam model deterministik dipelajari beberapa hal terkait 3. Proses Bercabang
kestabilan sistem: bilangan reproduksi dasar, titik tetap bebas 4. Jalan Acak
penyakit, dan titik tetap endemik. Dalam model stokastik 5. Persamaan Diferensial Kolmogorov
dipelajari sebaran peluang stasioner, sebaran peluang durasi
bebas penyakit, ukuran akhir populasi, serta rata-rata durasi
bebas penyakit.

1
 9/10/2021

P10-7 P10-8

Diberikan suatu proses stokastik 𝑿 = {𝑋 𝑡 , 𝑡 ∈

𝑇}, yaitu berupa barisan peubah acak (random
variables) dengan suatu ruang state himpunan
bilangan terhingga (finite) atau tercacah
(countable), dan X memenuhi sifat Markov.

Jika T diskret, maka X disebut sebagai proses Markov

dengan waktu diskret, jika T kontinu, maka X disebut
sebagai proses Markov dengan waktu kontinu
Friday, September 10, 2021 Peluang Transisi dalam Rantai Markov Dengan Waktu Kontinu 10:03:45 8 59

P10-9 P10-10

Mean = 28.86
Median = 25
IQR = 22
9 10
Gambler ruin-02.r
GitHubGist, https://gist.github.com/tcspears/702ec9ccea4c3f70a367. 210821 59

P10-11 P10-12

10:03:46 12 59

2
 9/10/2021

P10-13 P10-14

1 1 1 1

P10-15 P10-16

P10-17 P10-18

Dalam model epidemic SI, individu dalam populasi

diklasifikasikan berdasarkan status kesehatannya menjadi
dua kelas yaitu individu rentan (susceptible/S) dan
individu yang terinfeksi (infection/I).

3
 9/10/2021

P10-19 P10-20

S(t): Susceptible, jumlah individu yang dapat tertular Dalam model epidemik 𝑆𝐼, individu yang telah terinfeksi
penyakit (rentan) pada waktu t, tetap dalam kondisi terinfeksi selamanya.
I(t): Infection, jumlah individu yang sedang terinfeksi atau
yang pernah terinfeksi pada waktu t. Contohnya adalah kasus infeksi influenza.

Model populasi tertutup Individu rentan dapat menjadi terinfeksi dengan laju
𝑁 =𝑆 𝑡 +𝐼 𝑡 . sebanding dengan banyaknya individu rentan dan
banyaknya individu terinfeksi.
N adalah ukuran populasi (konstan).

P10-21 P10-22
Skema
Persamaan diferensial
𝛽
𝑁
𝑆𝐼
model epidemik SI Karena N konstan, maka S dapat dinyatakan sebagai
𝜆 𝜆 𝑆 = 𝑁−𝐼
adalah:
𝜇 𝜇 𝑑𝑆 𝛽 sehingga persamaan diferensial = 𝑆𝐼, akan menjadi
= − 𝑆𝐼
𝜆: laju kelahiran [18-30] /1000 wanita/thn 𝑑𝑡 𝑁 𝑑𝐼 𝛽 𝐼
𝜇: laju kematian [14-20]/1000 orang/tahun 𝑑𝐼 𝛽 = 𝑁 − 𝐼 𝐼 = 𝛽𝐼 1 − .
= 𝑆𝐼. 𝑑𝑡 𝑁 𝑁
Populasi tertutup: 𝜆 = 𝜇
(kematian karena infeksi diabaikan).
𝑑𝑡 𝑁 Persamaan tersebut merupakan persamaan diferensial logistik,
𝑑𝑦 𝑦
= 𝑟𝑦 1 − ,
𝛽: laju transmisi, banyaknya terjadi kontak per unit waktu antara individu 𝑑𝑡 𝐾
rentan dan terinfeksi sehingga individu rentan menjadi terinfeksi (1/unit dengan 𝑦 = 𝐼, 𝑟 = 𝛽, dan 𝐾 = 𝑁.
waktu)

P10-23 P10-24

Solusi dari persamaan diferensial tersebut adalah

𝐾𝑦
𝑦(𝑡) =
𝑦 + 𝐾−𝑦 𝑒

Karena 𝑦(𝑡) = 𝐼 𝑡 , 𝑟 = 𝛽, dan 𝐾 = 𝑁, maka

𝑁𝐼 0
𝐼 𝑡 =
𝐼 0 + 𝑁−𝐼 0 𝑒

Friday, September 10, 2021 Peluang Transisi dalam Rantai Markov Dengan Waktu Kontinu

4
 9/10/2021

P10-25 P10-26

Kondisi jangka panjang, Nilai 𝐼 ∗ juga dapat diperoleh melalui

𝑁𝐼 0 𝑑𝐼 𝛽
lim 𝐼(𝑡) = lim = 𝑁. = 𝑁 − 𝐼∗ 𝐼∗ = 0
→ → 𝐼 0 + 𝑁−𝐼 0 𝑒 𝑑𝑡 𝑁
Sehingga
Artinya dalam jangka panjang semua individu akan 𝐼 ∗ = 0 atau 𝐼 ∗ = 𝑁.
menjadi terinfeksi.
Selanjutnya dikatakan bahwa 𝐼 ∗ = 𝑁

P10-27 P10-28

Tentukan nilai T pada saat I(T)=N?

𝑁𝐼 0 N beta 0.1 0.5 1 2
𝐼 𝑇 =
𝐼 0 + 𝑁−𝐼 0 𝑒 10 43.94 8.79 4.39 2.20
𝑇→∞
100 91.90 18.38 9.19 4.60
Didekati dengan 𝐼 𝑇 ≈ 𝑁 − 1, sehingga
1 𝑁−𝐼 0 𝑁−1 1000 138.14 27.63 13.81 6.91
𝑇 ≈ . ln
𝛽 𝐼 0 10000 184.20 36.84 18.42 9.21
Untuk I(0)=1 dan 𝑁 = 10,000 serta 𝛽 = 0.1, waktu yang diperlukan agar
semua individu terinfeksi adalah 184.2 satuan waktu.

P10-29 P10-30

Terdapat dua variabel yaitu 𝑆 dan 𝐼 , dengan 𝑆 + 𝐼 = 𝑁.

Jika 𝐼 dipilih sebagai peubah acak bebas, maka 𝑆 merupakan

peubah acak tak bebas karena nilainya dapat ditentukan
berdasarkan 𝑆 = 𝑁 − 𝐼 .

Dengan demikian proses stokastik 𝐼 memenuhi sifat

discrete time Markov chain (DTMC) atau
𝐼 𝑡 , 𝑡 ≥ 0 memenuhi sifat continues time Markov chain
(CTMC)

5
 9/10/2021

P10-31 P10-32

Selanjutnya dilambangkan peluang transisi: Laju infeksi per satuan waktu adalah , yang artinya jika
𝑝 (𝑛 + 1, 𝑛) = Prob 𝐼 =𝑗𝐼 =𝑖 .
Proses dikatakan time homogenous jika 𝑝 (𝑛 + 1, 𝑛) tidak saat ini terdapat s individu rentan dan i individu terinfeksi,
tergantung pada 𝑛, sehingga dapat dinyatakan dengan 𝑝 . Jika maka banyaknya individu baru yang terinfeksi dalam
1. 𝑗 − 𝑖 = 𝑘, artinya dalam waktu 1 satuan, individu terinfeksi selang waktu satu satuan adalah .
bertambah sebanyak k individu
2. jika k = 0 atau (𝑗 − 𝑖 = 0), artinya tidak ada individu terinfeksi Karena s = N − i, maka = .
yang baru.
3. Tidak mungkin 𝑗 − 𝑖 < 0 karena merupakan proses kelahiran
murni (tidak ada individu terinfeksi yang sembuh).

P10-33 P10-34

Dengan menetapkan selang waktu sangat kecil (Δ𝑡), 𝑝 , =𝑃 𝐼 =𝑖+1 𝐼 =𝑖

diharapkan rata-rata banyaknya kejadian dalam selang 𝛽 𝑁−𝑖 𝑖
waktu (Δ𝑡) kurang dari satu, sehingga memungkinkan =
𝑁
rata-rata banyaknya kejadian dalam selang waktu yang
sangat kecil tersebut dimaknai sebagai peluang. 𝑝, =𝑃 𝐼 =𝑖𝐼 =𝑖
Selanjutnya diasumsikan untuk Δ𝑡 yang cukup kecil hanya = 1−𝑝 ,
terjadi transisi paling banyak 𝑘 = 1, artinya hanya terjadi 𝛽 𝑁−𝑖 𝑖
transisi 𝑖 → 𝑖 + 1 atau 𝑖 → 𝑖, maka dapat dirumuskan =1− .
𝑁
peluang transisi model epidemi SI-DTMC sebagai berikut.
The image part with relationship ID rId4 was not found in the file.

P10-35 P10-36

Atau dinyatakan dalam bentuk fungsi peluang sebagai Fungsi peluang transisi di atas dapat dirumuskan ke dalam bentuk matriks
peluang transisi sebagai berikut.
berikut. dari i
𝛽𝑖 𝑁 − 𝑖 𝑝 0 0 … 0 0
, 𝑗 = 𝑖+1 0 𝑝 0 … 0 0
𝑁 0 𝑝 𝑝 … 0 0
𝑝 = 𝛽𝑖 𝑁 − 𝑖 𝑷= 𝑝 = 0 0 𝑝 … 0 0 ke - j
1− , 𝑗=𝑖 ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑁
0 0 0 … 𝑝 , 0
0 , selainnya 0 0 0 … 𝑝 , 𝑝
𝑝 menyatakan peluang bahwa pada waktu awal berada di state i dan pada
Jumlah dari peluang transisi tersebut sama dengan satu. satu langkah berikutnya berada di state j.

6
 9/10/2021

P10-37 P10-38

𝑝 , =
𝛽 𝑁−𝑖 𝑖
(𝛽) 0 𝑁 − 0 Fungsi peluang transisi di atas dapat dirumuskan ke dalam bentuk matriks
𝑁
𝑝 =1− =1−0=1 peluang transisi sebagai berikut.
𝑁 dari i
Karena Σ𝑝 = 1, ∀𝑗, dan 𝑝 = 1, maka 𝑃
𝑝 … 0
1 0 0 … 0 0
0 𝑝 0 … 0 0
𝑝 = 0, untuk j= 1,2, … , 𝑁 0
0
…
…
0
0 0 𝑝 𝑝 … 0 0
= 0 … 0
⋮ ⋱ ⋮ 𝑷=𝑝 = 0 0 𝑝 … 0 0 ke - j
0 … 0
𝛽 𝑁 𝑁−𝑁 0 … 𝑝
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑝 =1− = 1. 0 0 0 … 𝑝 , 0
𝑁 0 0 0 … 𝑝 , 1
Karena Σ𝑝 = 1, ∀𝑗, dan 𝑝 = 1, maka 𝑝 menyatakan peluang bahwa pada waktu awal berada di state i dan pada
𝑝 = 0, untuk 𝑗 = 0,1,2, … 𝑁 − 1 satu langkah berikutnya berada di state j.

P10-39 P10-40

Matriks 𝑷 disebut juga sebagai matriks stochastic, karena jumlah unsur dalam kolom
yang sama dengan satu.

Dengan menggunakan sifat Markov dan peluang transisi di atas, maka 𝑝 𝑛 + 1 dapat
dirumuskan sebagai
𝑃 𝑋 =𝑖 =𝑃 𝑋 = 𝑖 𝑋 = 𝑖−1 𝑃 𝑋 =𝑖−1 +
𝑃 𝑋 =𝑖𝑋 =𝑖 𝑃 𝑋 =𝑖
Sehingga
𝛽 𝑖−1 𝑁−𝑖+1
𝑝 𝑛+1 = 𝑝 𝑛
𝑁
𝛽𝑖 𝑁 − 𝑖
+ 1− 𝑝 𝑛 ,
𝑁
𝑖 = 1,2, … , 𝑁.

P10-41 P10-42

Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY

7
 9/10/2021

P10-43 P10-44

Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY

P10-45 P10-46

Model epidemic SI dapat digambarkan sebagai berikut

I: …

Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY

P10-47 P10-48

The
image
part

Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY with

r elati Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY

8
 9/10/2021

P10-49

Pertemuan 13-2
Friday, September 10, 2021 STOCHASTIC EPIDEMIOLOGY