Pemodelan Matematika

Model Pertumbuhan Populasi
Fitriani, M.Si
Pemodelan Matematika,
Pemodelan
IntensMatematika, IntensKolaka
Muhammadiyah Muhammadiyah
Utara, 2023Kolaka Utara, 2023
Grafik Pertumbuhan/Penyebaran Virus Covid
Intens Muhammadiyah Kolaka Utara, 2023
Membangun Model
Populasi berubah dari waktu ke waktu dan ruang ketika individu lahir atau
berimigrasi (tiba dari luar populasi) ke suatu daerah dan yang lain mati
atau beremigrasi (berangkat dari populasi ke lokasi lain). Populasi tumbuh
dan menyusut dan komposisi usia dan jenis kelamin juga berubah seiring
waktu dan sebagai respons terhadap perubahan kondisi lingkungan.
Beberapa populasi, misalnya pohon di hutan dewasa, relatif konstan dari
waktu ke waktu sementara yang lain berubah dengan cepat. Populasi
tumbuh secara eksponensial, logistik, atau linier tergantung pada
kondisi dan faktor-faktor tertentu.
Data Exploration
Charles Darwin, dalam teori seleksi alamnya, sangat dipengaruhi oleh pendeta
Inggris Thomas Malthus. Malthus menerbitkan buku (An Essay on the Principle of
Population) pada tahun 1798 yang menyatakan bahwa populasi dengan sumber
daya alam yang tidak terbatas tumbuh sangat pesat. Menurut model Malthus,
begitu ukuran populasi melebihi sumber daya yang tersedia, pertumbuhan populasi
menurun drastis. Pola percepatan peningkatan ukuran populasi ini disebut
pertumbuhan eksponensial, artinya tingkat pertumbuhan sebanding (proporsional)
dengan besar kuantitas itu sendiri.
Contoh sederhana adalah pertumbuhan koloni bakteri: Satu bakteri dapat
membelah diri menjadi 2, kemudian 2 bakteri masing-masing membelah diri
menjadi 4, lalu 8, 16, 32, dan seterusnya. Pertambahan jumlah semakin
meningkat sesuai populasi bakteri yang semakin membesar.
Kurva Pertumbuhan Exponensial
Pertumbuhan seperti ini dapat ditemui dalam berbagai aktivitas
atau fenomena, misalnya naiknya harga akibat inflasi,
bertambahnya utang akibat bunga, perkembangbiakan
mikroorganisme dalam kultur biologi, penyebaran virus, dan
penyebaran fenomena internet seperti meme dan video viral.
Dalam contoh kehidupan nyata, sering kali setelah jangka waktu
tertentu pertumbuhan eksponensial menemui batas atasnya,
sehingga polanya melambat dan berubah menjadi pertumbuhan
logistik.
Model Pertumbuhan Eksponensial
Misal, jika P menyatakan jumlah manusia dalam suatu populasi yang
besar pada waktu t, maka sangat beralasan untuk mengatakan bahwa
laju perubahan populasi terhadap waktu bergantung pada ukuran
populasi pada saat ini. Bagaimana menjelaskan mekanisme pada perubahan
populasi dan
bagaimana mengonstruksi suatu model yang dapat menjelaskan perubahan
populasi tersebut untuk memprediksi ukuran populasi dimasa yang akan
datang? Pemodelan Matematika,
Misal P(t) = Ukuran populasi pada saat sekarang
= Ukuran populasi pada saat
Maka perubahan populasi ( ) selama periode waktu dt diberikan
oleh
Asumsikan: Jumlah kelahiran dan kematian proporsional terhadap ukuran
populasi dan interval waktu tertentu dt, yaitu
Jumlah Kelahiran = bP
Jumlah Kematian = dP
b dan d kontanta positif.
Dengan demikian, perubahan populasi dalam interval waktu
= Banyaknya Kelahiran-Banyaknya Kematian
= bP - dP
= (b-d)P
= kP
dimana k = b-d
Rata-rata laju perubahan populasi selama periode waktu
diberikan oleh
Persamaan ini menyatakan laju perubahan sesaat populasi terhadap waktu

proporsional dengan ukuran populasi pada wktu t. Persamaan ini juga dikenal
sebagai Model Pertumbuhan Populasi Malthus.
Tentukan solusi umum dan solusi khusus dari Model Pertumbuhan
Populasi Malthus:
Solusi Umum:
Untuk memperoleh Solusi Khusus, berikan nilai awal:
Po = Populasi Awal, P(t) = Populasi pada waktu t.

Solusi ini menunjukkan bahwa prediksi ukuran populasi akan
bergantung pada nilai k:
1 Jika k > 0, maka populasi akan tumbuh secara eksponensial
tanpa batas.
2 Jika k < 0, maka populasi akan meluruh secara eksponensial
menuju nol.
3 Jika k = 0, maka ukuran populasi tidak akan mengalami
perubahan, P(t) = P0 untuk setiap waktu t.
Jawaban
Dengan demikian, dengan menggunakan P(0) dan k, dapat dihasilkan prediksi
pada tahun-tahun berikutnya pada tabel berikut:
Kesimpulan
Jika diperhatikan, hasil prediksi cukup akurat di beberapa tahun awal, namun
tidak pada tahun-tahun 2000-2003 yang menunjukkan selisih yang cukup besar
antara data sesungguhnya dengan nilai predikasi. Hal ini menujukkan bahwa
model tidak dapat digunakan untuk memprediksi secara akurat dalam rentan
waktu yang lama.
Dengan demikian asumsi yang digunakan pada Model Pertumbuhan Populasi
Malthus perlu DIREVISI. Asumsi kelahiran dan kematian bernilai konstan pada
model ini perlu ditinjau kembali.
Faktanya, ternyata populasi tidak dapat bertumbuh secara eksponensial tanpa
batas. Fakta menunjukkan bahwa ketika ukuran populasi cukup besar, maka laju
pertumbuhan akan menjadi terbatas karena adanya keterbatasan daya dukung
lingkungan seperti keterbatasan makanan, sumber daya alam, dan faktor
lingkungan lainnya. Pemodelan Matematika,
Model Pertumbuhan Logistik
Dalam kehidupan nyata, pertumbuhan yang awalnya bersifat eksponensial
sering tidak akan mengalami hal tersebut selamanya. Setelah waktu tertentu,
pertumbuhan tersebut akan dibatasi oleh faktor eksternal, atau lingkungan.
Misalnya, pertumbuhan populasi akan melambat akibat keterbatasan sumber
daya untuk mendukung populasi yang semakin besar
Kurva Pertumbuhan Logistik
Tahun 1837, seorang ahli matematika biologi Belanda bernama
Pierre-Francois Verhulst megusulkan modi kasi pada Model
Malthus dengan mempertimbangkan faktor kepadatan populasi.
● Dalam hal ini diasumsikan bahwa populasi tidak dapat
bertumbuh tanpa batas
● Terdapat jumlah populasi maksimal, misal K yang dapat
ditampung dengan baik secara berkelanjutan oleh
lingkungannya.
Kontanta k pada Model Malthus dianggap tak selamanya konstan
karena ketika populasi sudah padat, maka laju pertumbuhan
populasi akan berkurang.
● Dengan demikian, diasumsikan bahwa pertumbuhan populasi
akan bergantung pada ukuran populasi pada waktu t.
● Ketika populasi membesar mendekati ukuran populasi
maksimal K, maka laju k akan menurun.
Bentuk fungsi sederhana yang dapat menggambarkan hal ini
adalah
Dengan Mengganti K dari persamaan Malthus diperoleh:
Model ini kemudian dikenal dengan nama model Verhulst atau Model
Pertumbuhan Logistik.
Solusi Umum Pertrumbuhan Logostik
Tugas
pada tahun 2020
Model Lotka-Volterra (Model Predator-Prey)
Model Lotka-Volterra adalah model matematika yang menggambarkan

interaksi antara dua spesies dalam suatu ekosistem, khususnya dalam
konteks persaingan atau hubungan predator-mangsa. Model ini pertama
kali diajukan oleh Alfred Lotka dan Vito Volterra secara terpisah pada awal
abad ke-20.
Dalam Model Lotka-Volterra, dua persamaan diferensial digunakan untuk

menggambarkan perubahan waktu dalam jumlah populasi predator (P) dan
dan mangsa (V)
Persamaan untuk Mangsa (V)
Persamaan Untuk Predator (P)
Dalam kedua persamaan di atas, r, a, s, dan b adalah
parameter-model yang memengaruhi dinamika sistem. Model ini
menyajikan beberapa asumsi, termasuk bahwa lingkungan dan
faktor-faktor lainnya tetap konstan, dan interaksi antar individu
bersifat instan.
Interpretasi Model
Menyelesaikan Persamaan Model
1. Metode Analitik adalah metode penyelesaian model matematika dengan rumus-rumus aljabar yang sudah
baku(lazim). Solusi analitik seringkali diinginkan karena memberikan pemahaman yang mendalam tentang sifat
model matematika tersebut. Beberapa contoh umum dari solusi analitik termasuk fungsi aljabar, fungsi
eksponensial, dan fungsi trigonometri. Solusi analitik dapat ditemukan melalui berbagai metode, seperti
integrasi, diferensiasi, atau pemecahan sistem persamaan.
2. Metode Numerik adalah teknik untuk menyelesaikan permasalahan-permasalahan yang diformulasikan secara
matematis dengan cara operasi hitungan (arithmatic) yaitu operasi tambah, kurang, kali dan bagi.
Perbedaan utama antara metode numerik dan metode analitik terletak pada dua hal. Pertama, solusi dengan
menggunakan metode numerik selalu berbentuk angka. Bandingkan dengan metode analitik yang biasanya dalam bentuk
fungsi matematik yang selanjutnya bentuk fungsi matematik tersebut dapat dievaluasi untuk menghasilkan nilai dalam
bentuk angka.
Kedua, dengan metode numerik kita hanya memperoleh solusi yang menghampiri atau mendekati solusi sejati sehingga
solusi numerik dinamakan juga solusi hampiran atau solusi pendekatan. Solusi hampiran jelas tidak tepat sama dengan
solusi sejati, sehingga ada selisih antara keduanya. Selisih inilah yang disebut galat (error).
Metode Analitik
Perlu dicatat bahwa tidak semua model matematika memiliki solusi analitik yang mudah
atau bahkan dapat ditemukan. Dalam beberapa kasus, solusi analitik mungkin sulit atau
bahkan tidak mungkin ditemukan, dan solusi numerik menggunakan metode komputasional
mungkin diperlukan sebagai alternatif.
Sebagai contoh, dalam analisis kompartemen, kita sering menghadapi persamaan diferensial
terhubung dalam bentuk:
Persamaan-persamaan ini bersifat linear karena tidak terdapat suku produk dalam bentuk xx atau
xy di sebelah kanan. Karena sifat-sifat sistem linear, persamaan diferensial ini selalu dapat
diselesaikan dengan metode standar. Namun, metode solusi ini terbatas pada sistem linear.
Metode Analitik
Hasil analitis juga sering dapat diperoleh untuk model stokastik linear. Namun, ketika model
mengandung nonlinearitas, dan kebanyakan model menarik memang demikian, hasil analitis
biasanya lebih sulit diperoleh dibandingkan dengan sistem deterministik yang sesuai. Jika model
lebih kompleks, terutama jika struktur model kemungkinan akan diubah, maka hampir tidak ada
gunanya mencoba mencari solusi analitis.
Mari kita lihat contoh sederhana menyelesaikan persamaan diferensial orde pertama dengan
metode analitik. Pertimbangkan persamaan diferensial biasa (ODE) sederhana berikut:
Metode Numerik
Persamaan diferensial menyediakan masalah yang lebih sulit. Metode dasarnya adalah membagi waktu
kontinu menjadi interval diskrit, dan memperkirakan keadaan sistem di awal setiap interval. Dengan
demikian, solusi pendekatan berubah melalui serangkaian langkah. Metode yang paling kasar untuk
menghitung langkah-langkah adalah dengan mengalikan panjang langkah dengan turunan di awal interval.
Ini disebut metode Euler. Teknik yang lebih canggih digunakan dalam melakukan jenis integrasi
Runge-Kutta. Runge-Kutta orde empat adalah yang paling umum digunakan dan cukup akurat untuk
sebagian besar aplikasi.
Fungsi kosinus y = cos(x) adalah solusi dari persamaan diferensial.
Menganalisis Model
Penting untuk menyadari bahwa perilaku suatu model dapat dijelaskan dengan dua cara.
Deskripsi kualitatif memberikan jawaban terhadap pertanyaan tentang "bagaimana",
sedangkan deskripsi kuantitatif memberikan jawaban terhadap pertanyaan tentang
"seberapa banyak". Secara umum, perilaku kualitatif akan sama untuk seluruh keluarga
model dan oleh karena itu dapat diakses dengan hasil umum. Ini berbeda dengan perilaku
kuantitatif, yang sering hanya relevan untuk keadaan individu.
Perilaku kualitatif dari model stokastik kemungkinan akan menunjukkan lebih banyak
keragaman daripada model deterministik yang sesuai. Sebagai contoh, realisasi yang
berbeda dari model populasi stokastik mungkin menunjukkan pertumbuhan eksponensial
dan kepunahan. Dengan model stokastik, oleh karena itu, penting tidak hanya untuk
menjelaskan perilaku rata-rata tetapi juga untuk menjelaskan rentang jenis perilaku.
Menganalisis Model
1. Bentuk Tanpa Dimensi
Bentuk tanpa dimensi adalah representasi persamaan matematika atau model dalam hal
kuantitas tanpa dimensi. Ini melibatkan menyatakan variabel fisik dengan cara yang
menghilangkan satuan pengukuran, membuat persamaan tidak tergantung pada satuan
tertentu. Bentuk ini sangat berguna dalam berbagai disiplin ilmu dan rekayasa, karena
menyederhanakan analisis, memungkinkan generalisasi, dan memudahkan perbandingan
di berbagai skala dan sistem.
Menganalisis Model
2. Perilaku Asimptotik
Perilaku asimptotik mengacu pada perilaku jangka panjang atau akhir suatu sistem atau fungsi
matematika saat suatu variabel mendekati nilai tertentu atau tak terhingga. Studi perilaku
asimptotik membantu menyederhanakan pemahaman sistem kompleks dengan fokus pada
tren jangka panjang atau perilaku batas. Ini sangat berharga saat menghadapi model
matematika, menganalisis algoritma, atau mempelajari perilaku sistem fisik dalam jangka
waktu yang panjang.
Sebuah ciri kualitatif dari model logistik (yang telah diskalakan) adalah bahwa perilaku jangka
panjang populasi tidak tergantung pada kondisi awal. Oleh karena itu, populasi akan selalu
mendekati nilai 1 seiring waktu berlalu. Nilai ini disebut sebagai asimtot. Populasi dengan
ukuran 1 berada dalam keseimbangan, karena menurut model ini, populasi tidak akan pernah
berubah. Selain itu, keseimbangan ini bersifat stabil, karena jika ukuran populasi berubah
sedikit, populasi akan selalu kembali ke 1.
Menganalisis Model
3. Analisis Sensitivitas
Analisis sensitivitas merupakan suatu cara/metode yang menyelidiki apakah akan terjadi perubahan
pada solusi awal jika terdapat beberapa perubahan pada masalah awal.
Analisis sensitivitas bertujuan untuk memvariasikan parameter model dan menilai perubahan yang
terkait dengan hasil model. Metode ini sangat berguna untuk mengidentifikasi titik lemah dari model.
Titik lemah ini kemudian dapat diperkuat melalui eksperimen, atau hanya dicatat dan diambil tindakan
pencegahan dalam setiap aplikasi.
Jika modelnya sangat sederhana, mungkin memungkinkan untuk mendiferensiasikan hasilnya

terhadap setiap parameter secara bergantian. Turunan memberikan tingkat perubahan yang tepat dari
prediksi terhadap parameter-parameter tersebut.
Testing Model
Setelah kita mempelajari model kita dan puas dengan kinerjanya, saatnya untuk memulai pengujian model
terhadap observasi dari sistem fisik yang diwakilinya. Proses ini biasanya disebut sebagai validasi. Kata
serupa, verifikasi, umumnya digunakan untuk masalah yang tidak sederhana dalam memeriksa apakah
prediksi dari model sesuai dengan deskripsi model.
Data apa yang sebaiknya kita gunakan untuk menguji suatu model? Ada alasan kuat untuk tidak
menggunakan data yang sama seperti yang kita gunakan dalam estimasi parameter - ini akan membuat
kita berpikir bahwa model memberikan prediksi yang lebih baik daripada yang sebenarnya mampu. Dalam
regresi linear, kita mengoreksi efek estimasi dua parameter dengan membagi jumlah kuadrat residu oleh (n
− 2) daripada (n). Dalam situasi yang lebih rumit, tidak ada setara yang sesungguhnya dari argumen
derajat kebebasan, sehingga kita harus melanjutkan dengan lebih berhati-hati.
Secara teoritis, kita seharusnya menguji asumsi, struktur, parameter, dan prediksi model. Biasanya, perlu
mengasumsikan bentuk fungsional tertentu; kita harus memeriksa bahwa hal ini tidak penting untuk
prediksi.
Tes Asumsi
Kita harus memastikan bahwa kita telah membuat asumsi yang benar saat mentranslasikan dari model
verbal menjadi model matematika. Asumsi biasanya dapat diuji dengan data empiris karena seringkali
merupakan model itu sendiri. Jika ada asumsi yang tidak beralasan dalam model matematika, maka
asumsi tersebut sebaiknya dilonggarkan, dan perubahan hasil kesesuaian model diperiksa. Asumsi yang
dapat menjadi berbahaya terutama melibatkan:
● Linearitas
● Dinamika deterministik
● 'Campuran spasial sempurna'
Jika semuanya baik-baik saja, tidak akan ada perubahan kualitatif (yaitu perilaku) dalam prediksi model
ketika melepas asumsi-asumsi ini, dalam hal ini asumsi spesifik tidak begitu penting.
Tes Struktur Model
Menguji struktur model biasanya merupakan bagian yang paling sulit dari pengujian, terutama dengan cara
yang ketat. Ini seringkali memerlukan perubahan metodologi, misalnya, menulis ulang kode, atau perlunya
mendukung pekerjaan analitis dengan hasil numerik.
Tes Prediksi data
Misalkan kita ingin mengestimasi parameter-parameter suatu model dengan menyesuaikannya dengan
data yang dikumpulkan di sebuah pertanian selama beberapa tahun. Untuk menguji model, kita
mengumpulkan lebih banyak data dari pertanian yang sama dalam beberapa tahun berikutnya. Apa yang
dapat memberitahu kita tentang model ini? Paling tidak, hal tersebut akan menunjukkan bahwa model
memberikan prediksi yang dapat diandalkan untuk pertanian tersebut. Namun, untuk membenarkan
pernyataan tentang penggunaan model di berbagai pertanian, model harus diuji di sejumlah pertanian yang
mencakup seluruh rentang.
Statistik ringkasan apa yang sebaiknya kita gunakan untuk menjelaskan ketidaksesuaian antara data dan
prediksi model?
● Bias(B)
● Deviasi Standar (SD)
● Galat Kuadrat Rata-Rata Prediksi (MSE)
Studi Kasus
Model Stokastik: Model Harga Saham, Model Antrian, dll

Pemodelan Matematika

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pemodelan Matematika

Diunggah oleh

Hak Cipta:

Format Tersedia

Model Pertumbuhan Populasi

= Ukuran populasi pada saat

Maka perubahan populasi ( ) selama periode waktu dt diberikan

Persamaan ini menyatakan laju perubahan sesaat populasi terhadap waktu

Untuk memperoleh Solusi Khusus, berikan nilai awal:

Po = Populasi Awal, P(t) = Populasi pada waktu t.

pada tahun-tahun berikutnya pada tabel berikut:

Dengan Mengganti K dari persamaan Malthus diperoleh:

pada tahun 2020

Model Lotka-Volterra adalah model matematika yang menggambarkan

Dalam Model Lotka-Volterra, dua persamaan diferensial digunakan untuk

dan mangsa (V)

Fungsi kosinus y = cos(x) adalah solusi dari persamaan diferensial.

Jika modelnya sangat sederhana, mungkin memungkinkan untuk mendiferensiasikan hasilnya

Anda mungkin juga menyukai