MODEL MATEMATIKA PENYEBARAN MEME MELALUI MEDIA SOSIAL

Nur Aindah Pratillah, Yuni Yulida, Muhammad Ahsar Karim

Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat
Jl. A. Yani KM. 36, Banjarbaru 70714, Kalsel
Email : aindahfrtllh@gmail.com
ABSTRAK
Meme merupakan cuplikan gambar dari acara televisi, film atau gambar buatan sendiri
yang dimodifikasi dengan menambahkan tulisan-tulisan untuk tujuan menghibur, menyindir atau
merespon isu yang sedang terjadi di masyarakat dan disebarkan melalui media sosial. Dalam
penelitian ini dibahas model SIZ dengan S adalah jumlah populasi rentan (susceptible), I adalah
jumlah populasi penyebar meme (spreader) dan Z adalah jumlah populasi yang telah mengetahui
suatu meme tetapi tidak tertarik untuk mengunggahnya kembali di akun media sosial miliknya
(stifler). Tujuan dari penelitian ini adalah untuk menjelaskan terbentuknya model matematika
penyebaran meme melalui media sosial, menentukan titik kesetimbangan, menganalisis kestabilan
lokal dan global sistem di titik kesetimbangan dengan menggunakan metode linearisasi dan fungsi
Lyapunov, dan menginterpretasikan simulasi solusi model. Penyebaran meme memiliki pola yang
mirip dengan pola penyebaran penyakit. Meme menyebar melalui interaksi antara populasi yang
rentan dengan populasi penyebar meme. Berdasarkan kemiripan pola penyebaran ini dijelaskan
terbentuknya model penyebaran meme dengan analogi mengikuti penyebaran penyakit pada model
epidemik. Dari model diperoleh tiga titik kesetimbangan dengan hasil analisis kestabilan lokal dan
kestabilan global sistem di titik kesetimbangan adalah stabil asimtotik lokal dan stabil global.
Selanjutnya diberikan simulasi dan interpretasi soluai berdasarkan kestabilan model tersebut.
Kata Kunci: meme, titik ekuilibrium, fungsi Lyapunov, kestabilan lokal, kestabilan global.
ABSTRACT
Meme is a scene from television shows, movies or selfmade pictures modified with words
which aim to entertain, to quip or to respond issues which are being discussed in communities and
then transmitted through social medias. The model discussed in this research is SIZ model, where
S is the number of susceptible population, I is the number of spreader population and Z is the
number of stifler population. The purpose of this study is to examine the existence of equilibrium
of the model, investigate their stability using linearization method and Lyapunov method, and then
interpretate the simulation of solution of the model. Memes transmission have a similar pattern
with the disease transmission. Memes transmission happen through an interaction between
susceptibles and spreaders. Based on this similarity, we explain the formation of memes
transmission model according to the epidemic model. From this model obtained three aquilibrium
point which the result of local stability analysis and global stability at the equilibrium point each
were locally asymptotically and globally stable. Furthermore, a simulation and interpreatation of
solution given based on stability of the model.
Keywords: Memes, equilibrium point, Lyapunov function, Local Stability, Global Stability

1. PENDAHULUAN
Meme merupakan salah satu media yang saat ini marak dibagikan di media sosial. Meme
biasanya berbentuk gambar yang diedit dengan menambahkan kalimat-kalimat yang ditujukan
untuk merespon suatu isu yang sedang menjadi perbincangan di masyarakat. Penyebaran meme di
media sosial memiliki pola yang mirip dengan pola penyebaran penyakit. Penyebaran terjadi ketika

1
individu yang belum mengetahui meme (rentan) melihat meme yang diunggah oleh individu dari
populasi penyebar meme (spreader) di akun media sosialnya. Awalnya Cane (1966) [5]
menunjukkan bahwa bentuk deterministik dari model penyebaran rumor serupa dengan model
epidemik. Kemudian pada tahun 2011 Wang [10] menggunakan pendekatan epidemiologi untuk
memodelkan penyebaran meme. Selanjutnya Al-Moudi (2014) juga memodelkan penyebaran
meme dengan memperhatikan ketertarikan pengguna media sosial pada suatu meme dari sikapnya
setelah melihat meme tersebut. Berdasarkan uraian tersebut, penulis mengkaji ulang tentang model
matematika penyebaran meme yang dikemukakan oleh Al-Moudi (2014).

2. TINJAUAN PUSTAKA
Pada bagian ini, diberikan konsep-konsep dasar yang digunakan pada penelitian ini,
diantaranya adalah titik ekuilibrium, linearisasi, nilai eigen dominan, kriteria Routh Hurwitz, dan
teorema-teorema kestabilan sistem.
2.1 Analisis Kestabilan Sistem
Definisi 2.1 [8]
̂ ∈ ℝ𝑛 disebut titik ekuilibrium dari persamaan 𝒙
Titik 𝒙 ̂) = 𝟎.
̂ = 𝒇(𝒙) jika 𝒇(𝒙
𝑑𝒙
Diberikan Sistem Persamaan Diferensial Biasa Nonlinear 𝑑𝑡 = 𝒇(𝒙). Hasil linearisasi di
titik ekuilibrium adalah sebagai berikut:
𝑑𝑥
= 𝑱(𝒙 − 𝒙̂) + 𝜑(𝒙)
𝑑𝑡
𝑱 merupakan matriks Jacobian yang dinyatakan sebagai berikut [3]:
𝜕𝑓1 𝜕𝑓1 𝜕𝑓1
…
𝜕𝑥
𝜕𝑥1 2 𝜕𝑥𝑛
𝜕𝑓2 𝜕𝑓2 𝜕𝑓2
𝜕𝑓(𝑥̂) …
𝑱=[ ]= 𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑥
⋮ ⋮ ⋱ ⋮
𝜕𝑓𝑛 𝜕𝑓𝑛 𝜕𝑓𝑛
[𝜕𝑥1 𝜕𝑥2 … 𝜕𝑥𝑛 ]

Definisi 2.2 [2]

Diberikan matriks A sebagai berikut:
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴=[ ⋮ ⋮ ⋱ ⋮ ]
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
Misalkan λ1 , λ2 , … , λ𝑛 merupakan nilai eigen yang berbeda dari matriks A, jika |λ1 | lebih besar
dari |λ2 |, … , |λ𝑘 | maka λ1 disebut nilai eigen dominan dari matriks A dan setiap vektor eigen yang
bersesuaian dengan nilai eigen dominan disebut vektor eigen dominan A.

Diberikan persamaan polinomial:

𝜌(𝜆) = 𝑎0 𝜆3 + 𝑎1 𝜆2 + 𝑎2 𝜆 + 𝑎3 = 0 (1)
dengan 𝑎1 , 𝑎2, 𝑎3 bilangan real dan 𝑎0 > 0. Selanjutnya didefinisikan matriks Routh-Hurwitz
untuk Persamaan (1) sebagai matriks bujur sangkar berukuran 3 × 3 sebagai berikut:
𝑎1 𝑎0 0
𝐻 = [𝑎3 𝑎2 𝑎1 ]
0 0 𝑎3

2
Akar-akar dari Persamaan (1) memiliki bagian real negatif, jika dan hanya jika semua determinan
dari Matriks H adalah positif. [7]
Teorema 2.3 [3]
Diberikan 𝜆𝑖 sebagai nilai eigen dari matriks Jacobian 𝑛 𝑥 𝑛 di titik ekuilibrium dan 𝑅𝑒(𝜆𝑖 )
merupakan bagian riil dari 𝜆𝑖 .
1. Jika untuk setiap 𝑖 = 1,2,3, … , 𝑛, 𝑅𝑒(𝜆𝑖 ) < 0, maka 𝒙 ̂ stabil asimtotik.
2. Jika terdapat 𝑅𝑒(𝜆𝑖 ) > 0 untuk suatu 𝑖, maka 𝒙 ̂ tidak stabil.
Teorema 2.4 [11]
Diberikan medan vektor berikut ini:
𝑥̇ = 𝒇(𝒙), 𝒙 ∈ ℝ𝒏 (2)
Misalkan 𝒙̂ merupakan titik kesetimbangan dari Persamaan (2) dan 𝐿: 𝐷 → ℝ dengan 𝐷 ⊆ ℝ𝑛
merupakan fungsi yang memiliki turunan pertama kontinu di persekitaran 𝐷 di 𝒙 ̂.
i. ̂) = 0 dan 𝐿(𝒙) > 0 untuk 𝒙 ≠ 𝒙
Jika 𝐿(𝒙 ̂ serta 𝐿̇(𝒙) ≤ 0 pada 𝐷 − {𝒙 ̂}, maka 𝒙
̂ stabil.
ii. ̂) = 0 dan 𝐿(𝒙) > 0 untuk 𝒙 ≠ 𝒙
Jika 𝐿(𝒙 ̂ serta 𝐿̇(𝒙) < 0 pada 𝐷 − {𝒙 ̂}, maka 𝒙
̂ stabil
asimtotik.

2.2 Model SIR Klasik

Model SIR klasik pertama kali diperkenalkan oleh W.O. Kermack dan A.G. McKendrick
dan dapat digambarkan dalam diagram alur di bawah ini:
𝛽𝑆𝐼 𝑟𝐼
𝑠 𝐼 𝑅

Gambar 1. Diagram Alir Model SIR Kermack-McKendrick

Perpindahan individu dari 𝑆 menuju 𝐼 dan dari 𝐼 menuju 𝑅 dapat digambarkan dengan sistem
persamaan diferensial nonlinear berikut [6]:
𝑑𝑆
= −𝛽𝑆𝐼
𝑑𝑡
𝑑𝐼
= 𝛽𝑆𝐼 − 𝑟𝐼
𝑑𝑡
𝑑𝑅
= 𝑟𝐼
𝑑𝑡
Dengan 𝑡 adalah waktu, dan
𝑆(𝑡) : Jumlah populasi Suspectible pada waktu 𝑡.
𝐼(𝑡) : Jumlah populasi Infected pada waktu 𝑡.
𝑅(𝑡) : Jumlah populasi Recovered pada waktu 𝑡.
𝛽 : Laju kontak antara individu yang terinfeksi dengan individu yang rentan.
𝑟 : Laju penyembuhan individu yang terinfeksi oleh penyakit.

2.3 Bilangan Reproduksi Dasar

Pada model epidemik, bilangan reproduksi dasar ditentukan untuk mengetahui
perkembangan penyakit. Menurut [9], bilangan reproduksi dasar (𝑅0 ) adalah rata-rata banyaknya
individu rentan yang terinfeksi secara langsung dengan berinteraksi dengan individu terinfeksi,
dan menyebarkan kembali penyakit tersebut ke dalam populasi yang seluruhnya masih rentan.
Kondisi yang timbul adalah salah satu dari kemungkinan berikut:
a. Jika 𝑅0 < 1 maka penyakit akan menghilang.
b. Jika 𝑅0 > 1 maka penyakit akan menjadi wabah.
Salah satu metode untuk menentukan bilangan reproduksi dasar adalah dengan
menggunakan next generation matrix. Misalkan terdapat n kelas populasi terinfeksi dan 𝑚 kelas

3
populasi tidak terinfeksi. Selanjutnya dimisalkan pula 𝒙 sebagai subpopulasi kelas terinfeksi dan
𝒚 sebagai subpopulasi kelas tidak terinfeksi (rentan), dengan 𝒙 𝜖 𝑅 𝑛 dan 𝒚 𝜖 𝑅 𝑚 , untuk 𝑚, 𝑛 𝜖 𝑁,
sehingga
𝑑𝑥𝑖
= 𝔉𝑖 (𝑥, 𝑦) − 𝒱𝑖 (𝑥, 𝑦) dengan 𝑖 = 1,2, … , 𝑛
𝑑𝑡
𝑑𝑦𝑗
= 𝜂𝑗 (𝑥, 𝑦) dengan 𝑗 = 1,2, … , 𝑚
𝑑𝑡
dengan 𝔉𝑖 adalah laju infeksi sekunder yang menambah pada kelas terinfeksi dan 𝒱𝑖 adalah laju
perkembangan dapat menyebabkan berkurangnya populasi dari kelas terinfeksi.
Perhitungan bilangan reproduksi dasar berdasarkan linearisasi dari sistem persamaan
diferensial yang didekati pada titik kesetimbangan bebas penyakit. Persamaan kompartemen
subpopulasi kelas terinfeksi yang telah dilinearisasi dapat dituliskan sebagai berikut:
𝑑𝒙
= (𝐹 − 𝑉)𝑥
𝑑𝑡
𝑑𝜑
dengan 𝐹 dan 𝑉 adalah matriks berukuran 𝑛 × 𝑛, 𝐹 = 𝑑𝜂 𝑖 (0, 𝑦0 ) dan
𝑗
𝑑𝜓𝑖
𝑉= (0, 𝑦0 ) dengan (0, 𝑦0 ) adalah titik kesetimbangan bebas penyakit. Selanjutnya
𝑑𝜂𝑗
didefinisikan matriks K sebagai berikut:
𝐾 = 𝐹𝑉 −1
dengan 𝐾 disebut matriks next generation. Nilai dari laju penyebaran penyakit pada populasi
rentan adalah radius spektral (nilai eigen dominan) dari matriks 𝐾 yang merupakan bilangan
reproduksi dasar didefinisikan sebagai berikut [4]:
𝑅0 = 𝜌(𝐹𝑉 −1 )

3. METODOLOGI PENELITIAN
Adapun prosedur-prosedur yang digunakan dalam penelitian ini adalah:
1. Menjelaskan terbentuknya model matematika penyebaran meme pada suatu populasi.
2. Menentukan titik ekuilibrium model matematika penyebaran meme dengan menyelesaikan
solusi model sesuai Definisi 2.1.
3. Menentukan bilangan reproduksi dasar menggunakan next generation matrix..
4. Menentukan kestabilan model matematika penyebaran meme di titik ekuilibrium:
5. Menginterpretasikan kestabilan model matematika penyebaran meme melalui media sosial.
6. Mensimulasikan hasil yang didapat menggunakan aplikasi MAPLE.
7. Menginterpretasikan simulasi model matematika penyebaran meme melalui media sosial.
8. Membuat kesimpulan penelitian.

4. HASIL DAN PEMBAHASAN

4.1 Model Matematika Penyebaran Meme melalui Media Sosial
Asumsi-asumsi yang digunakan pada model matematika penyebaran meme melalui media
sosial adalah:
(1) Setiap individu hanya menggunakan satu akun media sosial.
(2) Laju kelahiran diasumsikan sebagai banyaknya jumlah akun media sosial yang baru dibuat.
(3) Laju kematian diasumsikan sebagai laju ditutupnya akun media sosial yang telah ada.
(4) Semua akun media sosial baru masuk ke dalam populasi susceptible.
(5) Interaksi terjadi ketika individu susceptible mengetahui suatu meme karena melihat
unggahan meme di akun media sosial individu spreader.

4
(6) Pengguna akun media sosial susceptible akan berpindah ke kelompok spreader atau stifler
tergantung sikapnya setelah berinteraksi dengan pengguna akun spreader.
(7) Pengguna akun media sosial susceptible yang telah mengetahui suatu meme masuk ke dalam
kelompok spreader jika mengunggah kembali meme tersebut di akun media sosialnya.
(8) Pengguna akun media sosial yang telah mengetahui suatu meme masuk ke dalam kelompok
stifler jika tidak mengunggah kembali meme tersebut di akun media sosialnya.
(9) Jika terjadi interaksi antara spreader dengan sesama spreader, maka meme tidak menyebar
karena mereka sudah mengetahui meme sehingga mereka masuk ke dalam populasi stifler.
(10) Jika terjadi interaksi antara spreader dengan stifler maka tidak terjadi penyebaran meme
sehingga ia berpindah ke populasi stifler.
Dari asumsi di atas, dibentuk diagram alir model penyebaran meme sebagai berikut:
𝜇𝑆 𝜇𝐼 𝜇𝑍

𝐵 𝛼𝜃𝑆𝐼 𝛽𝐼 2 + 𝛾𝐼𝑍
𝑆 𝐼 𝑍
𝛼(1 − 𝜃)𝑆𝐼
Gambar 2. Diagram Alir Model Penyebaran Meme melalui Media Sosial
Berdasarkan diagram alir di atas, parameter-parameter yang digunakan dalam model
matematika penyebaran meme melalui media sosial adalah sebagai berikut:
𝑆(𝑡) = Jumlah akun media sosial yang penggunanya belum mengetahui meme.
𝐼(𝑡) = Jumlah akun media sosial yang penggunanya telah mengetahui suatu meme dan
mengunggahnya kembali di akun media sosialnya (spreader).
𝑍(𝑡) = Jumlah akun media sosial yang penggunanya telah mengetahui suatu meme tetapi tidak
mengunggahnya kembali di media sosialnya (stifler).
𝐵 = Banyaknya jumlah akun media sosial baru yang dibuat.
𝜇 = Laju ditutup atau tidak dipakainya lagi akun media sosial yang telah ada.
𝛼 = Laju interaksi susceptible dengan spreader.
𝛽 = Laju interaksi spreader dengan spreader.
𝛾 = Laju interaksi spreader dengan stifler.
𝜃 = Bagian dari populasi susceptible yang menjadi spreader.
1 − 𝜃 = Bagian dari populasi susceptible yang menjadi stifler.
Selanjutnya, dari Gambar 1 dibentuk model penyebaran meme sebagai berikut:
𝑑𝑆
= 𝐵 − 𝛼𝑆𝐼 − 𝜇𝑆
𝑑𝑡
𝑑𝐼
= 𝛼𝜃𝑆𝐼 − 𝛽𝐼 2 − 𝛾𝐼𝑍 − 𝜇𝐼 (3)
𝑑𝑡
𝑑𝑍
= 𝛼(1 − 𝜃)𝑆𝐼 + 𝛽𝐼 2 + 𝛾𝐼𝑍 − 𝜇𝑍
𝑑𝑡
4.2 Titik Ekuilibrium
Berdasarkan Definisi 2.1, model matematika penyebaran meme melalui media sosial memiliki tiga
titik ekuilibrium, yaitu
𝐵 𝐵 𝜇2 𝛼𝛽𝐼 2 𝛽𝐼 𝛼𝐼 𝛼𝜃𝐵
𝐸0 = (𝜇 , 0,0), 𝐸1 = (𝛼𝐼+𝜇 , 𝐼1∗ , − 𝛾(𝛼𝐼+𝜇) [ + + +1− ])
𝜇2 𝜇 𝜇 𝜇2
𝐵 𝜇2 𝛼𝛽𝐼 2 𝛽𝐼 𝛼𝐼 𝛼𝜃𝐵
dan 𝐸2 = (𝛼𝐼+𝜇 , 𝐼2∗ , − 𝛾(𝛼𝐼+𝜇) [ + + +1− ])
𝜇2 𝜇 𝜇 𝜇2

5
dengan 𝐼1∗ dan 𝐼2∗ merupakan akar-akar dari persamaan kuadrat
𝛼𝛽𝜇 𝛼𝜃𝐵 𝛽𝜇 2 𝛼𝜇 2 𝜇3 𝛼𝜃𝐵
( − 𝛼𝜇) 𝐼 2 + (𝛼(1 − 𝜃)𝐵 + 𝜇 2 ( 𝜇2 − 1) + + )𝐼 + (1 − )=0
𝛾 𝛾 𝛾 𝛾 𝜇2
𝐵 𝜇2 𝛼𝛽𝐼 2 𝛽𝐼 𝛼𝐼 𝛼𝜃𝐵
Selanjutnya disimbolkan 𝐸 ∗ = (𝛼𝐼+𝜇 , 𝐼 ∗ , − 𝛾(𝛼𝐼+𝜇) [ + + +1− ]) dengan 𝐼∗
𝜇2 𝜇 𝜇 𝜇2
mewakili 𝐼1∗ dan 𝐼2∗ yang bernilai positif.
4.3 Bilangan Reproduksi Dasar
Untuk menentukan bilangan reproduksi dasar, dibentuk next generation matrix dari
kelompok populasi yang telah mengetahui meme pada model sebagai berikut:
𝛼𝜃𝐵
0
𝜇2
𝐾 = [𝛼(1−𝜃)𝐵 ]
0
𝜇2
𝛼𝜃𝐵
Nilai eigen dari matriks K diperoleh λ1 = 0 atau λ2 = . Selanjutnya bilangan reproduksi dasar
𝜇2
diperoleh dari nilai eigen dominan dari matriks K yaitu
𝛼𝜃𝐵
𝑅0 = 𝜌(𝐾) = 𝜇2 (4)
4.4 Analisis Kestabilan Model Matematika Penyebaran Meme melalui Media Sosial
4.4.1 Analisis Kestabilan Lokal
Model matematika penyebaran meme melalui media sosial merupakan sistem persamaan
diferensial nonlinear sehingga perlu dilakukan linearisasi terlebih dahulu menggunakan Matriks
Jacobian. Matriks Jacobian dari sistem (3) adalah sebagai berikut:
−𝛼𝐼 − 𝜇 −𝛼𝑆 0
𝐽 = [ 𝛼𝜃𝐼 𝛼𝜃𝑆 − 2𝛽𝐼 − 𝛾𝑍 − 𝜇 −𝛾𝐼 ]
𝛼(1 − 𝜃)𝐼 𝛼(1 − 𝜃)𝑆 + 2𝛽𝐼 + 𝛾𝑍 𝛾𝐼 − 𝜇
a. Analisis Kestabilan Lokal di Titik Ekuilibrium 𝑬𝟎
𝐵
Matriks Jacobian di titik ekuilibrium 𝐸0 = (𝜇 , 0,0) adalah sebagai berikut:
−𝛼𝐵
−𝜇 0
𝜇
𝛼𝜃
𝐽(𝐸0 ) = 0 −𝜇 0
𝜇
𝛼(1−𝜃)𝐵
[0 𝜇
−𝜇 ]
𝛼𝜃𝐵
Persamaan karakteristik dari 𝐽(𝐸0 ) adalah (−𝜇 − λ)2 ( 𝜇 − 𝜇 − λ) = 0
𝛼𝜃𝐵
diperoleh λ1 = λ2 = −𝜇 < 0 dan λ3 = 𝜇( 𝜇2 − 1) = 𝜇(𝑅0 − 1) < 0 jika 𝑅0 < 1.
Jadi, menurut Teorema 2.3 titik ekuilibrium 𝐸0 stabil asimtotik lokal dengan syarat 𝑅0 < 1.
b. Analisis Kestabilan Lokal di Titik Ekuilibrium 𝑬∗
Matriks Jacobian di titik ekuilibrium 𝐸 ∗ adalah sebagai berikut:
𝐵
− 𝑆∗ −𝛼𝑆 ∗ 0
∗
𝐽(𝐸 ) = [ 𝛼𝜃𝐼 ∗ −𝛽𝐼 ∗ −𝛾𝐼 ∗ ]
𝛼(1 − 𝜃)𝐼 ∗ 𝛽𝐼 ∗ − 𝜇 + 𝛼𝑆 ∗ 𝛾𝐼 ∗ − 𝜇
Persamaan karakteristik dari matriks Jacobian 𝐽(𝐸 ∗ )adalah:
𝐵
(− ∗ − λ) (−𝛽𝐼 ∗ − λ)(𝛾𝐼 ∗ − 𝜇 − λ) + (−𝛼𝑆 ∗ )(−𝛾𝐼 ∗ )( 𝛼(1 − 𝜃)𝐼 ∗ ) − (−𝛼𝑆 ∗ )( 𝛼𝜃𝐼 ∗ )( 𝛾𝐼 ∗ −
𝑆
𝐵
𝜇 − λ) − (− 𝑆∗ − λ) (−𝛾𝐼 ∗ )( 𝛽𝐼 ∗ − 𝜇 + 𝛼𝑆 ∗ ) = 0

6
atau dapat dituliskan sebagai
𝑎0 λ3 + 𝑎1 λ2 + 𝑎2 λ + 𝑎3 = 0
dengan
𝑎0 = 1
𝐵
𝑎1 = 𝜇 + (𝛽 − 𝛾)𝐼 ∗ + 𝑆 ∗
𝐵 𝐵
𝑎2 = α(αθ − γ)𝑆 ∗ 𝐼 ∗ + 𝜇 𝑆∗ + 𝜇(𝛽 − 𝛾)𝐼 ∗ + 𝑆∗ (𝛽 − 𝛾)𝐼 ∗
𝐵
𝑎3 = 𝜇 𝑆 ∗ (𝛽 − 𝛾)𝐼 ∗ + α2 (𝜇𝜃 − 𝛾𝐼 ∗ )𝑆 ∗ 𝐼 ∗
Dengan menggunakan Kriteria Routh Hurwitz diperoleh:
(1) ∆1 = |𝑎1 | = 𝑎1 > 0 jika 𝛽 > 𝛾
𝑎1 𝑎0
(2) ∆2 = |𝑎 𝑎 |=𝑎1 𝑎2 − 𝑎3
3 2
𝐵 𝐵 𝐵 𝐵
= (𝜇 + (𝛽 − 𝛾)𝐼 ∗ + ∗ ) (α(αθ − γ)𝑆 ∗ 𝐼 ∗ + 𝜇 ∗ + 𝜇(𝛽 − 𝛾)𝐼 ∗ + (𝛽 − 𝛾)𝐼 ∗ ) − ( 𝜇 (𝛽 −
𝑆 𝑆 𝑆∗ 𝑆∗
𝛾)𝐼 ∗ + α2 (𝜇𝜃 − 𝛾𝐼 ∗ )𝑆 ∗ 𝐼 ∗ )
𝐵 𝐵2 𝐵2 𝐵 𝐵
= α2 𝛾𝑆 ∗ 𝐼 ∗ 2 + 𝑆 ∗ α2 𝜃𝑆 ∗ 𝐼 ∗ + 𝑆∗2 (𝛽 − 𝛾)𝐼∗ + 𝜇 𝑆 ∗2 + 𝜇 𝑆 ∗ (𝛽 − 𝛾)𝐼 ∗ + 𝜇 2 𝑆 ∗ + 𝜇 2 (𝛽 − 𝛾)𝐼 ∗ +
𝐵 𝐵
((𝛽 − 𝛾)𝐼 ∗ ) (α(αθ − γ)𝑆 ∗ 𝐼 ∗ + 𝜇 𝑆∗ + 𝜇(𝛽 − 𝛾)𝐼 ∗ + 𝑆 ∗ (𝛽 − 𝛾)𝐼 ∗ ) > 0 jika 𝛽 > 𝛾 dan αθ > γ
𝑎1 𝑎0 0
(3) ∆3 = | 3 𝑎2 𝑎1 | = 𝑎1 𝑎2 𝑎3 − 𝑎0 𝑎3 2 = 𝑎3 (∆2 )
𝑎
0 0 𝑎3
= 𝑎3 (𝑎1 𝑎2 − 𝑎3 )
Karena 𝑎3 > 0 jika 𝛽 > 𝛾 dan 𝜇𝜃 > 𝛾𝐼 ∗ dan ∆2 > 0 maka ∆3 > 0.
Berdasarkan pernyataan(1), (2), dan (3) karena ∆1 > 0, ∆2 > 0, dan ∆3 > 0 maka berdasarkan
kriteria Routh Hurwitz bagian riil dari nilai eigen bernilai negatif. Selanjutnya berdasarkan
Teorema 2.3 disimpulkan bahwa titik ekuilibrium 𝐸 ∗ stabil asimtotik jika 𝛽 > 𝛾 dan αθ > γ.
4.4.2 Analisis Kestabilan Global
a. Analisis Kestabilan Global di Titik Ekuilibrium 𝑬𝟎
Teorema 4.4.1
𝛼𝐵
Jika 𝜇2 < 1 maka Sistem (3) stabil asimtotik global di titik ekuilibrium bebas meme pada Г.
Bukti:
𝐵
Diberikan 𝐸0 = (𝜇 , 0,0) dan Г = {(𝑆, 𝐼, 𝑍) ∈ ℝ3 | 𝑆 > 0, 𝐼 ≥ 0, 𝑍 ≥ 0}.
𝛼𝐵
Akan dibuktikan 𝐸0 stabil asimtotik jika < 1. Diberikan fungsi 𝐿: Г ⊂ ℝ3 → ℝ sebagai
𝜇2
berikut:
𝐿(𝑆, 𝐼, 𝑍) = 𝐼 + 𝑍 (5)
Berdasarkan Teorema 2.4, Persamaan (5) memenuhi:
𝜕𝐿 𝜕𝐿 𝜕𝐿
(1) Turunan parsial (𝜕𝑆 , 𝜕𝐼 , 𝜕𝑍) kontinu.
𝐵
(2) 𝐿 (𝜇 , 0,0) = 0 dan 𝐿(𝑆, 𝐼, 𝑍) > 0 jika (𝑆, 𝐼, 𝑍) ≠ ((𝑆0 , 𝐼0 , 𝑍0 ).
𝛼𝐵
(3) Turunan total fungsi 𝐿̇ < 0 pada Г − {(𝑆0 , 𝐼0 , 𝑍0 } dengan syarat 𝜇2 < 1.
Dari pernyataan (1), (2) dan (3) berdasarkan Teorema 2.4 persamaan (5) merupakan fungsi
𝛼𝐵
Lyapunov dan sistem (3) stabil asimtotik global di titik ekuilibrium 𝐸0 dengan syarat 𝜇2 < 1.

7
b. Analisis Kestabilan Global di Titik Ekuilibrium 𝑬∗
Teorema 4.4.2
Sistem (3) di titik ekuilibrium positif 𝐸 ∗ stabil global pada Г.
Bukti:
Diberikan titik ekuilibrium positif 𝐸 ∗ dan Г = {(𝑆, 𝐼, 𝑍) ∈ ℝ3 | 𝑆 > 0, 𝐼 ≥ 0, 𝑍 ≥ 0}
Akan dibuktikan 𝐸 ∗ stabil global pada Г. Diberikan fungsi 𝐿: Г ⊂ ℝ3 → ℝ sebagai berikut:
1
𝐿(𝑆, 𝐼, 𝑍) = 2 [(𝑆 − 𝑆 ∗ ) + (𝐼 − 𝐼 ∗ ) + (𝑍 − 𝑍 ∗ )]2 (6)
Berdasarkan teorema 2.4 Persamaan (6) memenuhi:
𝜕𝐿 𝜕𝐿 𝜕𝐿
1. Turunan parsial (𝜕𝑆 , 𝜕𝐼 , 𝜕𝑍) kontinu.
2. 𝐿(𝑆 ∗ , 𝐼 ∗ , 𝑍 ∗ ) = 0 dan 𝐿(𝑆, 𝐼, 𝑍) > 0 jika (𝑆, 𝐼, 𝑍) ≠ ((𝑆 ∗ , 𝐼 ∗ , 𝑍 ∗ ).
3. Turunan total fungsi 𝐿̇ ≤ 0 pada Г − {(𝑆 ∗ , 𝐼 ∗ , 𝑍 ∗ }.
Dari pernyataan (1), (2) dan (3) berdasarkan Teorema 2.4 persamaan (6) merupakan fungsi
Lyapunov dan sistem (3) stabil global di titik ekuilibrium positif E ∗ .
4.5 Simulasi Hasil
a. Untuk 𝑹𝟎 < 𝟏
Pada simulasi hasil di titik bebas meme diberikan nilai awal untuk populasi rentan 𝑆(0) = 0,8,
populasi spreader 𝐼(0) = 0,3151, populasi stifler 𝑍(0) = 0,0250 dengan nilai parameter yaitu
𝐵 = 2, 𝛽 = 0,05, 𝜇 = 0,34, 𝛼 = 0,0125, 𝛾 = 0,015 dan 𝜃 = 0,333 [1], sehingga dari
𝛼𝜃𝐵
Persamaan (4) 𝑅0 = 𝜇 = 0,0720156 < 1. Hasil simulasi berdasarkan nilai awal dan nilai
parameter-parameter yang diberikan, diperoleh sebagai berikut:

Gambar 3. Grafik S, I dan Z untuk 𝑅0 < 1

Berdasarkan Gambar 3 di atas, populasi rentan mengalami suatu peningkatan yang signifikan dari
𝐵 2
waktu ke waktu tetapi akan asimtotik menuju = = 5,88235 karena semakin banyaknya
𝜇 0,34
akun-akun media sosial baru yang akan masuk ke populasi rentan. Populasi spreader dari waktu
ke waktu menurun dan menuju nol karena tidak ada populasi rentan yang masuk menjadi spreader
disebabkan tidak adanya interaksi antara populasi rentan dan populasi spreader. Populasi stifler
dari waktu ke waktu juga nol karena belum terjadi interaksi yang menyebabkan populasi rentan
masuk ke populasi stifler dikarenakan kondisi saat ini adalah kondisi bebas dari meme. Pada
kondisi setimbang, semua populasi dalam keadaan tidak mengetahui meme apapun dengan kata
lain tidak ada meme yang tersebar di dalam populasi. Kondisi ini sesuai dengan analisis titik
ekuilibrium bebas meme yang stabil asimtotik.

8
b. Untuk 𝑹𝟎 > 𝟏
Pada simulasi hasil di titik ekuilibrium tidak bebas meme diberikan nilai awal untuk populasi
rentan 𝑆 = 0,8, populasi spreader 𝐼 = 0,3151, populasi stifler 𝑍 = 0,0250 dengan nilai-nilai
parameter yaitu 𝐵 = 2, 𝛽 = 0,05, 𝜇 = 0,34, 𝛼 = 0,4, 𝛾 = 0,015 dan 𝜃 = 0,6 [1], sehingga dari
𝛼𝜃𝐵
Persamaan (4) 𝑅0 = 𝜇 = 4,15225 > 1. Hasil simulasi berdasarkan nilai awal dan nilai-nilai
parameter diperoleh:

Gambar 4. Grafik S, I dan Z untuk 𝑅0 > 1

Berdasarkan gambar 4 di atas, grafik solusi populasi rentan mula-mula mengalami peningkatan
sebelum terjadi interaksi dengan populasi spreader. Kemudian setelah terjadi interaksi antara
populasi rentan dan populasi spreader, dikarenakan mereka masuk ke populasi spreader atau
stifler setelah terjadi interaksi antara populasi rentaan dan populasi spreader, grafik solusi populasi
rentan mengalami penurunan dan selanjutnya semakin mendekati nilai 𝑆 ∗ ≈ 1,9201. Populasi
spreader mengalami peningkatan karena setelah interaksi populasi rentan pasti akan berpindah
menjadi spreader atau stifler, kemudian grafik solusi spreader dari waktu ke waktu akan
mendekati nilai 𝐼 ∗ ≈ 1,7540. Populasi stifler juga mengalami peningkatan dan selanjutnya
mendekati nilai 𝑍 ∗ ≈ 2,2082. Kondisi ini sesuai dengan analisis titik ekuilibrium 𝐸 ∗ yang stabil
asimtotik.

5. KESIMPULAN DAN SARAN

Kesimpulan yang diperoleh dari penilitian ini adalah:
1. Model matematika penyebaran meme melalui media sosial dapat dinyatakan dalam bentuk:
𝑑𝑆
= 𝐵 − 𝛼𝑆𝐼 − 𝜇𝑆
𝑑𝑡
𝑑𝐼
= 𝛼𝜃𝑆𝐼 − 𝛽𝐼 2 − 𝛾𝐼𝑍 − 𝜇𝐼
𝑑𝑡
𝑑𝑍
= 𝛼(1 − 𝜃)𝑆𝐼 + 𝛽𝐼 2 + 𝛾𝐼𝑍 − 𝜇𝑍
𝑑𝑡
2. Dari hasil analisis sistem penyebaran meme melalui media sosial diperoleh tiga titik ekuilibrium
𝐵
yaitu titik ekuilibrium bebas meme 𝐸0 = (𝜇 , 0,0), dan titik ekuilibrium endemik
𝐵 𝜇2 𝛼𝛽𝐼 2 𝛽𝐼 𝛼𝐼 𝛼𝜃𝐵 𝐵 𝜇2 𝛼𝛽𝐼 2
𝐸1 = (𝛼𝐼+𝜇 , 𝐼1∗ , − 𝛾(𝛼𝐼+𝜇) [ + + +1− ]) dan 𝐸2 = (𝛼𝐼+𝜇 , 𝐼2∗ , − 𝛾(𝛼𝐼+𝜇) [ +
𝜇2 𝜇 𝜇 𝜇2 𝜇2

9
 𝛽𝐼 𝛼𝐼 𝛼𝜃𝐵
+ +1− ]) dengan 𝐼1∗ dan 𝐼2∗ memenuhi 𝛽 > 𝛾 dan 𝑅0 > 1.
𝜇 𝜇 𝜇2
3. Dari hasil perhitungan menggunakan matrix next generation diperoleh bilangan reproduksi
𝛼𝜃𝐵
dasar yaitu 𝑅0 = 𝜇2 .
4. Analisis kestabilan titik ekuilibrium:
a. Titik ekuilibrium bebas meme 𝐸0 stabil asimtotik lokal pada saat 𝑅0 < 1. Titik ekuilibrium
tidak bebas meme 𝐸 ∗ stabil asimtotik lokal dengan syarat 𝛽 > 𝛾 dan 𝛼𝜃 > 𝜇.
b. Didefinisikan 𝐿: 𝛤 ⊆ 𝑅 3 → ℝ. Fungsi Lyapunov yang digunakan adalah 𝐿(𝑆, 𝐼, 𝑍) = 𝐼 + 𝑍
dapat disimpulkan titik ekuilibrium bebas meme 𝐸0 stabil asimtotik global pada 𝛤 jika
𝛼𝐵
< 1. Selanjutnya, dengan mendefinisikan 𝐿: 𝛤 ⊆ 𝑅 3 → ℝ dan fungsi Lyapunov yang
𝜇2
1
digunakan adalah 𝐿(𝑆, 𝐼, 𝑍) = 2 ((𝑆 − 𝑆 ∗ ) + (𝐼 − 𝐼 ∗ ) + (𝑍 − 𝑍 ∗ ))2 dapat disimpulkan titik
ekuilibrium endemik 𝐸 ∗ stabil global pada 𝛤.
5. a. Hasil simulasi pada saat 𝑅0 < 1 menunjukkan bahwa populasi rentan mengalami suatu
peningkatan karena semakin banyaknya akun-akun media sosial baru yang akan masuk ke
populasi rentan. Populasi spreader dan stifler akan semakin turun mendekati nol karena belum
terjadi interaksi yang menyebabkan populasi rentan masuk ke populasi spreader maupun stifler
dikarenakan kondisi saat ini adalah kondisi bebas dari meme.
b. Hasil simulasi pada saat 𝑅0 > 1 menunjukkan bahwa jumlah populasi rentan pada awalnya
mengalami peningkatan, setelah terjadi interaksi antara populasi rentan dan spreader, populasi
rentan mengalami penurunan mendekati titik 𝑆 ∗ ≈ 1,9201. Populasi spreader awalnya
mengalami peningkatan kemudian semakin mendekati titik 𝐼 ∗ ≈ 1,7540. Begitu pula dengan
populasi stifler akan mendekati titik 𝑍 ∗ ≈ 2,2082.

DAFTAR PUSTAKA
[1] Al-Moudi, R. 2014. Qualitative Behaviourof Solutions to a Mathematical Model of Memes
Transmission. King Abdulaziz University. Jeddah.
[2] Anton, H. and Rorres, C. 2005. Elementary Linear Algebra Application Version. Ninth
Edition. John Wiley & Sons Inc., New York.
[3] Bellomo, N. & Preziosi. L. 1995. Modelling Mathematical Method and Scientific
Computation. CRC press. Florida.
[4] Brauer, F. 1945. Mathematical Epidemiology. Springer-Verlag. New York.
[5] Cane, V. R. 1966. A Note on the Size of Epidemics and the Number of People Hearing a
Rumour. Royal Statistical Society. United Kingdom.
[6] Edenharter, G. 2015. The Classic SIR Model. Edenharter Research.
[7] Gantmacher, F. R. 1959. The Theory of Matrices. Chelsea Publishing Company. New York.
[8] Grant, C. P. 1999. Lecture Notes on Ordinary Differential Equation. University of Utah.
[9] Giesecke, J. 2002. Modern Infetious Disease Epidemiologi Second Edition. CRC Press.
Florida.
[10] Wang, Q. 2011. The Impact of Authorities Media and Rumor Dissemination on The
Evolution of Emergency. Shanghai University. China.
[11] Wiggins, S. 2003. Introduction To Applied Nonlinear Dynamical SystemsAnd Chaos.
Springer-Verlag. New York.

10