VARIANSI: Journal of Statistics and Its Application on Teaching and Research ISSN 2684-7590 (Online)

Vol. 3 No. 2 (2021), 102-110

DOI: 10.35580/variansiunm25170

ANALISIS PELUANG PENYEBARAN COVID-19 MENGGUNAKAN

RANTAI MARKOV DI SULAWESI SELATAN
M. Nadjib Bustan, Ruliana, Muhammad Kasim Aidid*
Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Makassar, Indonesia

Keywords: covid-19, Markov Abstract:

chain, peluang bersyarat.
Virus Corona sudah menyebar ke seluruh negera termasuk salah satunya di Indonesia. Karena
transmisi Covid-19 dari manusia ke manusia telah dikonfirmasi dan mobilitas manusia juga
merupakan faktor penguat persebaran Covid-19, sehingga diperlukan suatu informasi yaitu data
harian Covid-19 yang berguna untuk melihat laju persebaran Covid-19. Oleh karena itu,
diperlukan suatu pendekatan untuk menganalisis peluang penyebaran covid-19 di setiap wilayah
sehingga pengambilan keputusan menjadi tepat. Pada penelitian ini, dilakukan analisis dengan
rantai markov diskrit untuk memprediksi peluang penyebaran Covid-19 pada kabupaten/kota di
Sulawesi Selatan. Penelitian ini adalah penelitian yang bersifat kuantitatif dengan menggunakan
konsep stokastik. Pada bagian awal dilakukan kajian sumber-sumber pustaka dengan cara
mengumpulkan data atau informasi yang berkaitan dengan masalah, mengumpulkan konsep
pendukung yang diperlukan dalam menyelesaikan masalah, sehingga didapatkan suatu ide
mengenai bahan dasar pengembangan upaya pemecahan masalah. Hasil penelitian
menunjukkan bahwa pada saat pengamatan (28 Agustus 2021) di Sulawesi Selatan (Sulsel), Kota
Makassar menjadi daerah dengan peluang penyebaran yang paling tinggi, sedangkan Kabupaten
Bantaeng dengan peluang penyebaran terendah. Pada hasil analisis dengan rantai Markov,
terlihat bahwa terjadi penurunan peluang infeksi untuk setiap Kabupaten/Kota di Sulawesi
Selatan dan cenderung menjadi homogen.

1. Pendahuluan*

Pada tanggal 31 Desember 2019, Tiongkok melaporkan kasus pneumonia misterius yang tidak diketahui
penyebabnya. Dalam 3 hari saja, pasien dengan kasus tersebut berjumlah 44 pasien dan terus bertambah hingga
berjumlah ribuan kasus. Pada tanggal 11 Februari 2020, World Health Organization (WHO) memberi nama virus baru
tersebut Severa acute respiratory syndrome coronavirus-2 (SARS-CoV-2) dan nama penyakitnya sebagai Coronavirus
disease 2019 atau disingkat Covid-19 (Cui, Li, & Shi, 2019; Widyawati, 2020).
Coronavirus Disease 2019 (Covid-19) adalah penyakit jenis baru yang belum pernah diidentifikasi sebelumnya pada
manusia. Virus corona diketahui menyebabkan gangguan pernapasan (seperti gangguan gastrointestinal atau
neurologis) baik pada manusia maupun hewan, dimana sebelumnya pada tahun 2002 dan 2003 terjadi wabah parah
yaitu sindrom pernapasan akut (SARS) di Cina, dimana virus ini diduga penyebab utamanya berasal dari hewan (Cui
dkk., 2019). Tanda dan gejala umum infeksi Covid-19 antara lain gejala gangguan pernapasan akut seperti demam,
batuk dan sesak napas. Masa inkubasi rata-rata 5-6 hari dengan masa inkubasi terpanjang 14 hari. Pada kasus Covid-
19 yang berat dapat menyebabkan pneumonia, sindrom pernapasan akut, gagal ginjal, dan bahkan kematian.
Virus Corona sudah menyebar ke seluruh negera termasuk salah satunya di Indonesia. Covid-19 pertama kali
terkonfirmasi di Indonesia pada 2 Maret 2020 di Indonesia dan hingga per 22 Maret 2021 telah terjadi peningkatan

*
Corresponding author.
E-mail address: kasimaidid@unm.ac.id

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 103

kasus tekonfirmasi lebih dari 1,4 juta(COVID-19, 2021). Karena transmisi Covid-19 dari manusia ke manusia telah
dikonfirmasi dan mobilitas manusia juga merupakan sebagai faktor penguat persebaran Covid-19, sehingga diperlukan
suatu informasi yaitu data harian Covid-19 yang berguna untuk melihat laju persebaran Covid-19 pada tahap awal
(Fajar, 2020). Oleh karena itu, diperlukan suatu pendekatan untuk menganalisis peluang penyebaran covid-19 di setiap
wilayah sehingga pengambilan keputusan menjadi tepat. Pada penelitian ini, dilakukan analisis dengan rantai markov
diskrit untuk memprediksi peluang penyebaran Covid-19 pada kabupaten/kota di Sulawesi Selatan.

2. Tinjauan Pustaka

2.1 Matriks Pembobot Spasial

Jika diilustrasikan lima region yang tampak pada suatu peta, sebagaimana yang ditunjukkan pada Gambar 2.1,
maka Spasial matriks terboboti (W) dapat diperoleh berdasarkan informasi jarak dari ketetanggaan (neighborhood),
atau dalam kata lain dari jarak antara satu region dengan region yang lain. Ada beberapa cara alternatif yang dapat
ditempuh untuk mendefinisikan hubungan persinggungan (contiguity) antar region tersebut. Menurut LeSage (1999),
cara itu antara lain sebagai berikut :
1. Linear Contiguity (Persinggungan tepi); mendefinisikan Wij = 1 untuk region yang berada di tepi (edge) kiri
maupun kanan region yang menjadi perhatian. Wij=0 untuk region selainnya. Berdasarkan pada Gambar 2.1
dibentuk matriks W dimana untuk kolom 1 yang menggambarkan relasi dengan region 1, diperoleh W1j = 0, j =
1, …, 5. Sedangkan W53 = 1 dan semua elemen baris selainnya sama dengan nol.
2. Rook Contiguity (Persinggungan sisi); mendefinisikan Wij = 1 untuk region yang bersisian (common side) dengan
region yang menjadi perhatian. Wij = 0 untuk region selainnya.
3. Bhisop Contiguity (Persinggungan sudut); mendefinisikan Wij = 1 untuk region yang titik sudutnya (common
vertex) bertemu dengan sudut region yang menjadi perhatian. Wij = 0 untuk region selainnya.
4. Double Linear Contiguity (Persinggungan dua tepi); mendefinisikan Wij = 1 untuk dua entity yang berada di sisi
(edge) kiri dan kanan region yang menjadi perhatian. Wij = 0 untuk region selainnya.
5. Double Rook Contiguity (Persinggungan dua sisi); mendefinisikan Wij = 1 untuk dua entity di kiri, kanan, utara
dan selatan region yang menjadi perhatian. Wij = 0 untuk region selainnya.
6. Queen Continuity (persinggungan sisi-sudut); mendefinisikan Wij = 1 untuk entity yang bersisian (common side)
atau titik sudutnya (common vertex) bertemu dengan region yang menjadi perhatian. Wij = 0 untuk region
selainnya.
Sebagai contoh dengan memperhatikan Gambar 2.1, apabila digunakan cara rook contiguity maka akan
diperoleh susunan matriks sebagai berikut:
0 1 0 0 0
 
1 0 0 0 0
(2.1)
C  0 0 0 1 1
 
0 0 1 0 1
0 0 1 1 0 

Karena matriks C adalah matriks simetris, dan dengan kaidah bahwa diagonal utama selalu nol, maka perlu diadakan
transformasi untuk mendapatkan jumlah baris yang unit. Standarisasi matriks C menjadi:
0 1 0 0 0 
 
1 0 0 0 0 
(2.2)
W  0 0 0 1/ 2 1/ 2
 
0 0 12 0 1/ 2
0 1 / 2 1 / 2 0 
 0
Perkalian matriks W dengan y berdasarkan pada ilustrasi, akan menghasilkan y* = Wy.
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 104

 y1*   0 1 0 0 0  y1   y2 
 *     
 y2   1 0 0 0 0  2  
y y1 
 y *    0 0 0 1 / 2 1 / 2  y   1 / 2 y  1 / 2 y  (2.3)
 3    
3 4 5

 y 4*   0 0 12 0 1 / 2  y 4  1 / 2 y 3  1 / 2 y 5 
 *     
 y 5   0 0 1 / 2 1 / 2 0  y 5  1 / 2 y 3  1 / 2 y 4 
Dari persamaan (2.3) menunjukkan hubungan linier yang menggunakan variabel y* sebagai variabel explanatory
untuk y pada observasi sampel spasial crosssectional. y* disebut juga sebagai spatially lagged dari y.

Gambar 1. Ilustrasi contiguity (Persinggungan)

2.2 Proses Stokastik

Andaikan sistem diamati berdasarkan waktu diskrit n = 0, 1, 2,…, katakanlah setiap jam, hari, minggu, dan sebagainya.
misalkan Xn adalah keadaan sistem pada saat n, maka {Xn, n ≥ 0} merupakan proses stokastik dengan waktu diskrit
yang menggambarkan sistem. Jika sistem diamati berdasarkan waktu kontinu, dengan X(t) menyatakan keadaan sistem
pada saat t, maka sistem digambarkan sebagai proses stokastik dengan waktu kontinu {X(t), t ≥ 0}.
Lebih formal, proses stokastik adalah kumpulan variabel acak {X(τ), τ ∈ T}, diindeks oleh parameter τ yang mengambil
nilai dalam himpunan parameter T. Variabel acak mengambil nilai dalam himpunan S, disebut state-space dari proses
stokastik. Dalam banyak aplikasi, parameter τ mewakili waktu, tetapi dapat mewakili indeks apa pun (Kulkarni, 2016).

2.3 Rantai Markov

Rantai Markov merupakan teknik analisis untuk menghitung peluang transisi dari satu state ke state yang lain dalam
suatu sistem. Dikenalkan oleh Andrey A. Markov, ahli matematika dari Rusia yang lahir tahun 1856. Analisis Markov
hampir sama dengan decision analysis, bedanya adalah analisis rantai Markov tidak memberikan keputusan
rekomendasi, melainkan hanya informasi probabilitas mengenai situasi keputusan yang dapat membantu pengambil
keputusan. Dengan demikian, analisis rantai Markov bukanlah teknik optimisasi, tetapi adalah teknik deskriptif yang
menghasilkan informasi probabilitas dimasa mendatang.

2.4 Coronavirus

Coronavirus atau virus corona merupakan keluarga besar virus yang menyebabkan infeksi saluran pernapasan atas
ringan hingga sedang, seperti penyakit flu (Burhan, 2020; Organization, 2020; Susilo dkk., 2020). Banyak orang
terinfeksi virus ini, setidaknya satu kali dalam hidupnya. Namun, beberapa jenis virus corona juga bisa menimbulkan
penyakit yang lebih serius, seperti:
1. Middle East Respiratory Syndrome (MERS-CoV).
2. Severe Acute Respiratory Syndrome (SARS-CoV).
3. Pneumonia.

SARS yang muncul pada November 2002 di Tiongkok, menyebar ke beberapa negara lain. Mulai dari Hongkong,
Vietnam, Singapura, Indonesia, Malaysia, Inggris, Italia, Swedia, Swiss, Rusia, hingga Amerika Serikat. Epidemi
SARS yang berakhir hingga pertengahan 2003 itu menjangkiti 8.098 orang di berbagai negara. Setidaknya 774 orang
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 105

mesti kehilangan nyawa akibat penyakit infeksi saluran pernapasan berat tersebut. Sampai saat ini terdapat tujuh
coronavirus (HCoVs) yang telah diidentifikasi, yaitu:
1. HCoV-229E.
2. HCoV-OC43.
3. HCoV-NL63.
4. HCoV-HKU1.
5. SARS-COV (yang menyebabkan sindrom pernapasan akut).
6. MERS-COV (sindrom pernapasan Timur Tengah).
7. COVID-19 atau dikenal juga dengan Novel Coronavirus (menyebabkan wabah pneumonia di kota Wuhan, Tiongkok
pada Desember 2019, dan menyebar ke negara lainnya mulai Januari 2020. Indonesia sendiri mengumumkan adanya
kasus covid 19 dari Maret 2020.

3. Metode Penelitian

Penelitian ini adalah penelitian yang bersifat kuantitatif dengan menggunakan konsep stokastik. Pada bagian
awal dilakukan kajian sumber-sumber pustaka dengan cara mengumpulkan data atau informasi yang berkaitan dengan
masalah, mengumpulkan konsep pendukung yang diperlukan dalam menyelesaikan masalah, sehingga didapatkan suatu
ide mengenai bahan dasar pengembangan upaya pemecahan masalah. Langkah – Langkah Penelitian
1. Mengumpulkan data covid-19
2. Membuat matriks peluang transisi berdasarkan ketetanggaan (data area)
3. Membuat matriks initial
4. menyusun sintax komputasi
5. Menganalisis data
6. interpretasi dan melakukan pembahasan dari hasil analisis
7. Menyusun laporan akhir

4. Hasil dan Pembahasan

4.1. Rantai Markov dalam memprediksi peluang penyebaran covid-19

Teori Rantai Markov pertama kali ditemukan oleh Andrey Andreyevich Markov pada tahun 1906. Ia adalah
seorang matematikawan dari Rusia yang hidup pada tahun 1856 sampai tahun 1922. Ia merupakan murid dari Chebysev,
seorang yang terkenal di dunia probabilitas karena rumus yang ditemukannya. Sebagaimana halnya dengan Chebysev,
Markov pun tidak mau kalah. Ia mengungkapkan teori bahwa suatu kejadian berikutnya tergantung hanya pada keadaan
saat ini dan bukan pada kejadian masa lalu. Pada tahun 1913 ia menerapkan temuannya ini yang pertama kali untuk
20.000 pertama Pushkin huruf “Eugine Onegin”.
Berdasarkan teori yang diungkapkan oleh Markov di atas, Rantai markov merupakan suatu teknik yang
terdapat di dalam ilmu probabilitas yang bisa digunakan untuk menganalisis pergerakan suatu probabilitas dari suatu
keadaan ke keadaan lainnya. Rantai Markov bukanlah suatu teknik optimisasi melainkan suatu teknik deskriptif.
Maksudnya adalah bahwa Rantai Markov bukanlah suatu cara yang bisa digunakan untuk menghasilkan suatu
keputusan rekomendasi (optimis). Akan tetapi, Rantai Markov ini hanya digunakan untuk membantu seseorang untuk
mengambil keputusan (deskriptif). Sehingga bisa dikatakan bahwa analisa Rantai Markov ini mirip dengan analisis
keputusan. Untuk menentukan sebuah keputusan memungkinkan untuk terjadi perpindahan keputusan. Dari keputusan
yang satu akan mungkin pindah ke keputusan yang lain. Kemungkinan tersebut dapat dirumuskan sebagai berikut.
Pij(n) = Pr (Xn = j | X0 = i)
Dalam proses menerapkan Rantai Markov ke dalam suatu kasus, terdapat beberapa syarat yang harus dipenuhi.
Syarat-syarat tersebut adalah sebagai berikut.
1. Jumlah probabilitas transisi untuk suatu keadaan awal dari sistem sama dengan satu.
2. Probabilitas-probabilitas tersebut berlaku untuk semua partisipan dalam sistem.
3. Probabilitas transisi konstan sepanjang waktu
4. Kondisi merupakan kondisi yang independen (bebas) sepanjang waktu.
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 106

Rantai Markov bisa digunakan untuk modeling (pembuatan model) berbagai macam sistem dan proses.
Dengan menggunakan teori ini bisa dianalisa kejadiankejadian pada waktu mendatang secara sistematis dan matematis.
Rantai Markov merupakan suatu kumpulan variabel acak X1, X2, X3, X4, … Atau secara formal bisa dituliskan sebagai
berikut.
Pr (X n+1 = x | Xn = y) = Pr (X n-1 = x | Xn = y)

4.1.1 Matriks pembobot spasial kabupaten/kota di Sulawesi Selatan

Secara administratif, Sulawesi selatan (Sulsel) terdiri dari 24 kabupaten/kota. Untuk menyusun matriks
pembobot spasial daerah kabupaten/kota di Sulsel digunakan cara pembobotan spasial Queen. Dengan memberi bobot
1 untuk daerah yang bersinggungan sisi atau sudut dengan daerah lainnya. Misalnya untuk daerah Kabupaten Enrekang
(kode 5) bertengga dengan 4 kabupaten disekitarnya, yaitu kabupaten Luwu (kode 9), Kabupaten Sidrap (kode 18),
Kabupaten Pinrang (kode 17), dan kabupaten Tana toraja (kode 22). Keseluruhan wilayah yang bersinggungan ini
diberikan bobot 1. Sedangkan wilayah-wilayah yang tidak bersinggungan baik sisi maupun sudut diberi bobot 0, sebagai
contoh dalam hal ini Kabupaten Wajo (kode 24) tidak bersinggungan sisi maupun sudut dengan Kabupaten Enrekang
sehingga diberikan bobot 0. Setelah masing-masing kabupaten/kota diberikan bobot sesuai dengan daerah
ketetanggaannya, selanjutnya susunan matriks pembobot spasial spasial C sebagai berikut:

Kode 1 2 3 ⃛ 23 24

1 0 0 0 ⃛ 0 0
2 0 0 1 ⃛ 0 0
3 0 1 0 ⃛ 1 0
C(23x23)= (4.1)
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
23 0 0 1 ⃛ 0 0
24 [0 0 0 ⃛ 0 0]

Gambar 2. Peta Wilayah Administratif Sulsel

M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 107

4.1.2 Data Kasus Positif COVID-19 di Sulawesi Selatan

Data pada Tabel 4.1 dan Gambar 4.1 menunjukkan data jumlah kasus Positif COVID-19 di setiap Kabupaten dan Kota
di Sulawesi Selatan sampai dengan tanggal 28 Agustus 2021. Jumlah kasus positif COVID-19 tertinggi berada di Kota
Makassar dengan jumlah kasus sebanyak 1975 dan jumlah kasus psitif covid-19 terendah berada di Kabupaten Bantaeng
dengan jumlah kasus sebanyak 62 kasus. Pada tanggal 28 Agustus 2021, Semua Kabupaten/Kota di Sulsel memiliki
kasus positif covid-19, hal ini menunjukkan bahwa penyebaran kasus semakin massif dan berbahaya. Mengidentifikasi
besar peluang penyebaran covid-19 di setiap Kabupaten/Kota dapat memberikan masuk yang bermanfaat untuk langkah
yang diambil dalam pencegahan penyebaran dan pemulihan kesehatan masyarakat. Total kasus Positif COVID-19 di
Sulawesi Selatan sampai tanggal 28 Agustus 2021 sebanyak 8100 kasus.

2500
2000
1500
1000
500
0
Palopo
Tana Toraja

Luwu

Toraja Utara
Soppeng

Kep.Selayar
Makassar

Luwu Utara

Bone
Parepare

Sidrap
Sinjai

Jeneponto
Bulukumba

Pinrang
Gowa

Takalar
Luwu Timur

Maros

Wajo

Bantaeng
Pangkep

Enrekang

Barru
Gambar 3 Kasus Positif covid-19 hingga tanggal 28 Agustus 2021di Sulsel

Tabel 1 Matriks inisial peluang kasus positif Kab/Kota di Sulsel

Kode Kabupaten/Kota Kasus Positif πi Kode Kabupaten/Kota Kasus Positif πi
1 Bantaeng 62 0,008 13 Luwu Timur 503 0,062
2 Barru 124 0,015 14 Luwu Utara 424 0,052
3 Bone 286 0,035 15 Maros 246 0,030
4 Bulukumba 147 0,018 16 Pangkep 393 0,049
5 Enrekang 222 0,027 17 Pinrang 135 0,017
6 Gowa 482 0,060 18 Sidrap 202 0,025
7 Jeneponto 162 0,020 19 Sinjai 198 0,024
8 Kep.Selayar 92 0,011 20 Soppeng 327 0,040
9 Makassar 1975 0,244 18 Takalar 196 0,024
10 Palopo 224 0,028 22 Tana Toraja 859 0,106
11 Parepare 261 0,032 23 Toraja Utara 186 0,023
12 Luwu 247 0,030 24 Wajo 147 0,018
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 108

1. Matriks Initial
Matriks initial adalah matriks yang berisi peluang kasus positif di setiap Kabupaten/Kota dalam 1 hari, dalam hal
𝐾𝑎𝑠𝑢𝑠 𝑃𝑜𝑠𝑖𝑡𝑖𝑓
ini tanggal 28 Agustus 2021. Fungsi peluang dari matriks Initial adalah πi = |𝑐|
, dimana |c| adalah jumlah
keseluruhan kasus Positif sebanyak 8100. Data tersaji pada Tabel 4.1. matriks inisial 24x24 kasus covid 19 di Sulsel
dituliskan sebagai berikut:

 = [0,008 0,015 0,035 ... 0,018] (4.2)

4.2. Prediksi peluang penyebaran COVID-19 di Sulawesi Selatan

Sulawesi Selatan (Sulsel) yang secara administratif terdiri dari 24 Kabupaten Kota (Gambar 4.1), dapat
dinyatakan dalam bentuk himpunan subregion G = {gi: g  D, i ℕ} dimana D menyatakan wilayah Sulawesi Selatan
secara keseluruhan. Himpunan wilayah Sulsel kemudian secara bijektif dipetakan menjadi f : G → S dimana S={s 1, s2,
…, s34}. Misalkan proses pemetaan ini adalah U, kemudian T  U maka himpunan parameter temporal T={tj | j  ℕ}
dimana j menyatakan hari atau [j]=[hari], yang berarti bahwa unit yang sesuai dengan parameter temporal adalah hari.
Selanjutnya, dapat dipandang bahwa untuk setiap si yang berelasi dengan sk di wilayah Sulsel, selalu ada peluang transisi
dari subregion i ke subregion k yaitu pik. Misalkan subregion ke-i berinteraksi dengan n subregion yang berbeda secara
seimbang, maka peluang transisi pik = 1/n. Adanya interaksi antara satu subregion dengan subregion ditunjukkan oleh
adanya batas teritori administratif. Proses ini dinyatakan dengan matriks P berikut:

𝑝11 𝑝12 𝑝13 ⋯ 𝑝1𝑛

𝑝21 𝑝22 𝑝23 ⋯ 𝑝2𝑛
P= 𝑝31 𝑝32 𝑝33 ⋯ 𝑝3𝑛 (4.3)
⋮ ⋮ ⋮ ⋮ ⋮
[𝑝𝑛1 𝑝𝑛2 𝑝𝑛3 ⋯ 𝑝𝑛𝑛 ]

Jika wilayah Sulsel yang terdiri dari 24 Kabupaten/Kota dinyatakan dalam bentuk matriks P, maka diperoleh bentuk
sebagai berikut
Kode 1 2 3 ⃛ 23 24

1 0 0 0 ⃛ 0 0
2 0 0 1/6 ⃛ 0 0
3 0 1/6 0 ⃛ 1/6 0 (4.4)
p(24x24)=
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
23 0 0 1/6 ⃛ 0 0
24 [0 0 0 ⃛ 0 0]

Proses ini adalah proses stokastik {Xt, t ≥ 0} dengan waktu diskrit yang homogen, dengan distribusi inisial  = [1, 2,
3, …, n] dimana

i= P(X0=i), 1≤i≤N. (4.5)

i(n)= P(Xn=j) (4.6)
Pi,j(n) = P (Xn = j | X0 = i) (4.7)

Berdasarkan (4.5), (4.6), dan (4,7), maka Matriks transisi n-langkah dapat dinyatakan sebagai berikut:
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 109

𝑛 𝑛 𝑛 𝑛
𝑝11 𝑝12 𝑝13 ⋯ 𝑝1𝑛
𝑛 𝑛 𝑛 𝑛
𝑝21 𝑝22 𝑝23 ⋯ 𝑝2𝑛
(n)
P = 𝑝31 𝑛 𝑛 𝑛 𝑛
𝑝32 𝑝33 ⋯ 𝑝3𝑛 (4.8)
⋮ ⋮ ⋮ ⋮ ⋮
𝑛 𝑛 𝑛 𝑛
[𝑝𝑛1 𝑝𝑛2 𝑝𝑛3 ⋯ 𝑝𝑛𝑛 ]

Berdasarkan pada matrik (4.2), (4.4) dan (4.8), maka prediksi n- langkah peluang transisi penyebaran covid-19 di Sulsel
dapat dihitung. Dengan P(n), telah dilakukan perhitungan distribusi probabilitas n = 1, 2, 20, 320 dengan satuan
parameter temporal yang digunakan adalah [𝑡] = [hari]. Sehingga jika pengamatan dilakukan pada tanggal 28 Agustus
2021, maka dapat dihitung distribusi peluang COVID-19 untuk tanggal berikut: 29/08/2021, 30/08/2021, 19/03/2020,
16/09/2020, dan 320 hari kedepannya dari tanggal pengamatan. Hasil perhitungan distribusi peluang covid-19 yang
divisualkan dengan grafik ditunjukkan pada Gambar 4.2.

Gambar 4 distribusi peluang covid-19 di Sulsel

Pada saat n=0 (tanggal 28 Agustus 2021) 3 daerah dengan peluang tertinggi atau prevalensi tertinggi adalah
Kota Makassar, diikuti Tanah Toraja dan Luwu Timur (Gambar 4.1 dan Gambar 4.2). Kemudian 3 daerah dengan
peluang terendah atau prevalensi terendah adalah Bantaeng, Kep.Selayar dan Barru.

Ketika Menghitung pangkat ke-n dari matriks stokastik, ada kecenderungan ke arah distribusi stasioner, dan
perbandingan antara n=1 dan n=20 pada Gambar. 4.2, di mana terlihat penurunan peluang infleksi ketika n= 320 dan
kecenderungan menuju keadaan yang stabil, di mana peluang puncak infeksi berkurang, dan peluang penyebaran
menjadi homogen.

5. Kesimpulan

Pada saat pengamatan (28 Agustus 2021), Kota Makassar menjadi daerah dengan peluang penyebaran yang paling
tinggi, sedangkan Kabupaten Bantaeng dengan peluang penyebaran terendah. Berdasarkan pertambahan waktu, terlihat
bahwa terjadi penurunan peluang infeksi untuk setiap Kabupaten/Kota di Sulawesi Selatan dan cenderung menjadi
homogen.

References

Burhan, E. (2020). Coronavirus yang Meresahkan Dunia. Journal Of The Indonesian Medical Association, 70(2), 1–
3. https://doi.org/10.47830/jinma-vol.70.2-2020-170
M. Nadjib et.al | VARIANSI: Journal of Statistics and Its application on Teaching and Research Vol. 3 No. 2 (2021), 102-110 110

COVID-19, W. R. P. (2021). Berita Terkini | Satgas Penanganan Covid-19. Diambil 23 Maret 2021, dari
Covid19.go.id website: https://covid19.go.id/berita/pasien-sembuh-terus-meningkat-mencapai-1297967-
orang
Cui, J., Li, F., & Shi, Z.-L. (2019). Origin and evolution of pathogenic coronaviruses. Nature Reviews Microbiology,
17(3), 181–192. https://doi.org/10.1038/s41579-018-0118-9
Fajar, M. (2020). Estimasi Angka Reproduksi Novel Coronavirus (COVID-19) Kasus Indonesia. 1-9. Dikutip pada
November, 29, 2020.
Kulkarni, V. G. (2016). Modeling and analysis of stochastic systems. Chapman and Hall/CRC.
LeSage, J. P. (1999). The theory and practice of spatial econometrics. University of Toledo. Toledo, Ohio, 28(11).
Organization, W. H. (2020). Coronavirus disease 2019 ( COVID-19): Situation report, 94.
Susilo, A., Rumende, C. M., Pitoyo, C. W., Santoso, W. D., Yulianti, M., Herikurniawan, H., … Yunihastuti, E.
(2020). Coronavirus Disease 2019: Tinjauan Literatur Terkini. Jurnal Penyakit Dalam Indonesia, 7(1), 45–
67. https://doi.org/10.7454/jpdi.v7i1.415
Widyawati. (2020, Januari 5). Penyakit Pnemonia Berat yang Belum Diketahui Penyebabnya Muncul di Tiongkok.
Diambil 23 Maret 2021, dari Sehat Negeriku website:
https://sehatnegeriku.kemkes.go.id/baca/umum/20200105/0332622/penyakit-pnemonia-berat-belum-
diketahui-penyebabnya-muncul-tiongkok/