Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Tersedia secara online diwww.sciencedirect.com

SainsLangsung
Procedia Ilmu Komputer 198 (2022) 706–711

Lokakarya Internasional tentang Pendekatan Data Kecil dan Besar dalam Perawatan Kesehatan (SBDaH)
1-4 November 2021, Leuven, Belgia

Tentang simulasi epidemi COVID-19 berbasis agen cerdas

proses di Ukraina
Dmytro ChumachenkoSebuah*, Ievgen MeniailovSebuah, Kseniia BazilevychSebuah,
Tetyana ChumachenkoB, Sergiy YakovlevSebuah
Universitas Dirgantara Nasional "Institut Penerbangan Kharkiv", departemen Pemodelan Matematika dan Kecerdasan Buatan, Chkalow str., 17,
Sebuah

Kharkiv, 61072, Ukraina

BUniversitas Kedokteran Nasional Kharkiv, departemen Epidemiologi, Nauky ave., 4, Kharkiv, 61001, Ukraina

Abstrak

COVID-19 telah berdampak pada semua bidang aktivitas manusia di seluruh dunia. Masyarakat modern tidak menghadapi tantangan seperti
itu. Perjalanan dan penerbangan yang terjangkau antar benua memungkinkan virus menyebar dengan cepat ke seluruh penjuru dunia. Alat
yang efektif untuk pengembangan tindakan anti-epidemi adalah pemodelan matematika. Makalah ini mengusulkan model simulasi propagasi
COVID-19 berdasarkan pendekatan berbasis agen. Kasus penyebaran proses epidemi sebelum vaksinasi dipertimbangkan. Untuk
memverifikasi model, kami menggunakan data statistik resmi tentang kejadian COVID-19 di Ukraina, yang disediakan oleh Pusat Kesehatan
Masyarakat Kementerian Kesehatan Ukraina. Model yang dibangun memungkinkan untuk mengidentifikasi faktor-faktor yang mempengaruhi
perkembangan epidemi COVID-19 di suatu wilayah.

© 2021 Penulis. Diterbitkan oleh Elsevier BV

Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Tinjauan sejawat di bawah tanggung jawab Ketua Program Konferensi

Kata kunci:Simulasi berbasis agen; proses epidemi; COVID-19; model epidemi; model kompartemen.

* Penulis yang sesuai. Telp.: +38057-788-43-62.

Alamat email:dichumachenko@gmail.com

1877-0509© 2021 Penulis. Diterbitkan oleh Elsevier BV

Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Tinjauan
sejawat di bawah tanggung jawab Ketua Program Konferensi
10.1016/j.procs.2021.12.310
 Dmytro Chumachenko dkk. / Procedia Ilmu Komputer 198 (2022) 706–711 707

1. Perkenalan

Selama beberapa dekade terakhir, perubahan signifikan telah terjadi dalam ilmu epidemiologi: epidemiologi
dianggap tidak hanya sebagai doktrin tentang proses epidemi, tetapi sebagai ilmu yang mempelajari pola terjadinya
dan penyebaran kondisi patologis di antara populasi [1]. Ilmu kedokteran modern banyak menggunakan metode
penelitian epidemiologi.
Pemodelan matematika adalah alat yang cukup kuat untuk mempelajari objek dan proses kompleks di dunia nyata. Ini
sangat tak tergantikan di bidang penelitian di mana eksperimen nyata pada objek rumit atau tidak mungkin. Epidemiologi
dan kedokteran berbasis data adalah contoh dari salah satu bidang tersebut [2].
Model matematika dari proses epidemi yang dikembangkan hingga saat ini terutama merupakan sistem persamaan diferensial
[3]. Jenis model ini memiliki beberapa kelemahan, yaitu:

• modelnya terpisah, sedangkan penyebaran infeksi terus menerus;

• properti individu objek tidak diperhitungkan;
• model berisi parameter "rata-rata" yang tidak terkait dengan properti fisik objek;
• nilai beberapa parameter sangat sulit atau tidak mungkin ditentukan berdasarkan data statistik;
• model memiliki kompleksitas komputasi yang tinggi dan kesulitan dalam mengubah aturan untuk kejadian penyakit.

Pemodelan simulasi menggunakan pendekatan berbasis agen seharusnya menjadi peralatan yang paling cocok untuk
proses pemodelan dalam epidemiologi [4]. Ini memungkinkan, dengan menetapkan parameter awal untuk setiap jenis objek,
serta aturan sistem yang dengannya objek berinteraksi satu sama lain dan lingkungan, untuk menghitung pola dinamis
perkembangan infeksi dan mengidentifikasi yang paling signifikan. sifat agen yang berkontribusi terhadap perubahan
tingkat penyebaran [5]. Keuntungan dari pendekatan ini adalah memperhitungkan sifat individu dari setiap objek, yang
membentuk sistem yang kompleks [6]. Dinamika proses yang kompleks adalah hasil dari fungsi dan interaksi objek yang
relatif sederhana. Tugas utama analitik adalah merumuskan aturan interaksi.
Itutujuandari penelitian yang diberikan adalah untuk mengembangkan model proses epidemi COVID-19 berbasis agen di wilayah tertentu. Penelitian
ini merupakan bagian dari studi pengembangan model peramalan epidemi dan pengambilan keputusan penanggulangan epidemi yang
komprehensif, yang konsepnya disajikan dalam [7].

2. Proses epidemi COVID-19 dalam analisis Ukraina

Pandemi COVID-19 adalah pandemi, juga dikenal sebagai pandemi virus corona, yang disebabkan oleh Sindrom
Pernafasan Akut Parah Coronavirus 2 (SARS-COV-2). Virus ini pertama kali terdeteksi pada Desember 2019 di Wuhan, China.
Konsensus ilmiah saat ini adalah bahwa virus kemungkinan besar zoonosis berasal dari kelelawar atau mamalia lain yang
terkait erat [8].
Virus ini ditularkan terutama melalui jalur pernapasan, ketika orang menghirup tetesan dan partikel yang dikeluarkan
orang yang terinfeksi saat bernapas, berbicara, batuk, bersin. Orang-orang berada di puncak penularannya ketika gejalanya
mulai terlihat, tetapi mereka sudah menularkan 1-3 hari sebelumnya. Infeksi mereka menurun setelah minggu pertama,
tetapi mereka tetap menular hingga 20 hari dan dapat menyebarkan virus bahkan jika mereka tidak pernah memiliki gejala
apa pun.
Gejala COVID-19 sangat bervariasi, dari nihil hingga mengancam jiwa. COVID-19 ditularkan ketika orang menghirup udara yang
terkontaminasi dengan tetesan dan partikel kecil di udara. Penularan juga dapat terjadi dengan memercikkan atau menyemprotkan cairan
yang terkontaminasi ke dalam hidung, mulut, atau mata, dan jarang pada permukaan yang terkontaminasi [9].
Penyebaran penyakit coronavirus di Ukraina tercatat pada 3 Maret 2020, ketika kasus pertama penyakit itu
dikonfirmasi di wilayah Chernivtsi. Di dalam negeri COVID-19 dimanifestasikan oleh tiga jenis tes - laboratorium
(polymerase chain reaction dan enzyme-linked immunosorbent assay) dan "rapid" (tes ekspres), yang dapat dilakukan
di luar laboratorium [10].
Pada 11 Maret 2020, Kabinet Menteri mengadopsi resolusi tentang pencegahan penyebaran virus
corona COVID-19 di Ukraina, yang dikarantina di wilayah Ukraina dari 12 Maret hingga 3 April 2020 dan
dilarang:
708 Dmytro Chumachenko dkk. / Procedia Ilmu Komputer 198 (2022) 706–711

• kunjungan ke lembaga pendidikan oleh pelamarnya;

• mengadakan semua acara massal di mana lebih dari 200 orang ambil bagian, kecuali untuk acara yang diperlukan untuk
memastikan pekerjaan otoritas negara bagian dan otoritas lokal, acara olahraga diizinkan untuk diadakan tanpa partisipasi
penonton;
• taman kanak-kanak dan lembaga pendidikan ditutup.

Karantina diperkenalkan di semua area, selain itu, dari 219 pos pemeriksaan, 49 dibiarkan terbuka. Pada 25 Maret
2020, Kabinet Menteri memutuskan untuk memberlakukan rezim darurat di seluruh Ukraina untuk jangka waktu 30
hari, hingga 24 April 2020, melalui penyebaran penyakit virus corona di 13 wilayah. Kementerian Kesehatan Ukraina
mengumumkan kriteria pelonggaran karantina dan pembatasan lain terkait tindakan anti-epidemi terhadap
COVID-19 [11].
Indikator kesiapan transisi wilayah ke karantina tahap ke-2, yang memberikan relaksasi karantina:

• insiden (jumlah kasus baru COVID-19 dalam 7 hari terakhir per 100.000 penduduk) harus kurang dari 12;

• okupansi tempat di institusi kesehatan yang ditunjuk untuk rawat inap pasien dengan kasus terkonfirmasi
COVID-19 tidak boleh lebih dari 50%;
• jumlah tes (pengujian PCR bersama-sama dengan pengujian IFA) selama 7 hari dalam 100.000 populasi harus setidaknya
tingkat kejadian - yaitu, lebih dari 12;
• R-indikator (Indikator reproduksi) harus berada pada level 0,9 – 1,0 – dihitung berdasarkan jumlah kasus
baru dalam 7 hari terakhir sebelum 7 hari. Ini mencirikan jumlah infeksi baru dari satu pasien. Jika “R” lebih
besar dari satu, berarti infeksi pada populasi meningkat, jika kurang dari satu berarti sekarat.

Kriteria ini secara luas sejalan dengan kriteria umum untuk melonggarkan tindakan karantina yang sebelumnya
dikembangkan oleh Uni Eropa. Pada 23 Mei 2020, Kementerian Kesehatan menerbitkan di situs web tabel kesiapan
pembebasan karantina tahap kedua menurut wilayah. Pada 22 Juli, Kabinet Menteri Ukraina memperpanjang
karantina adaptif di Ukraina hingga 31 Agustus 2020, memperkenalkan pembagian Ukraina menjadi 4 "zona" mulai 1
Agustus.
Menurut Kementerian Kesehatan dan Dewan Keamanan dan Pertahanan Nasional, pada Juni 2021, 2235801
kasus infeksi SARS-CoV-2 dikonfirmasi di Ukraina, di mana 52391 orang meninggal, 2168387 pulih.

3. Model berbasis agen COVID-19

Sebagai struktur model yang dikembangkan, diusulkan untuk membagi populasi menjadi empat keadaan: S –
rentan, E – terpapar, I – terinfeksi, R – pulih. Kondisi seperti itu dapat digunakan untuk memodelkan penyebaran
proses epidemi sebelum pengenalan vaksinasi pada populasi. Agen populasi berinteraksi satu sama lain dan dengan
lingkungan pemodelan. Transmisi morbiditas dan transisi agen antar negara terjadi berdasarkan koefisien
probabilistik, yang ditentukan secara eksperimental berdasarkan statika pada kejadian COVID-19 di area yang dipilih.
Kami menggunakan data dari statistik resmi COVID-19 di Ukraina yang disediakan oleh Pusat Kesehatan Masyarakat
Kementerian Kesehatan Ukraina.
Struktur negara agen ditunjukkan pada Gambar 1.

Gambar 1. Struktur status agen

 Dmytro Chumachenko dkk. / Procedia Ilmu Komputer 198 (2022) 706–711 709

Transisi antara keadaan agen dapat dijelaskan dengan sistem persamaan diferensial berikut:

, (1)

di mana S adalah jumlah agen dalam keadaan Rentan, E adalah jumlah agen dalam keadaan Terkena, I adalah jumlah agen dalam keadaan
Terinfeksi, R adalah jumlah agen dalam keadaan Sembuh, adalah koefisien kelahiran, adalah koefisien kematian, - adalah transisi tingkat, -
adalah tingkat pemulihan, - adalah tingkat kontak.
Agen dapat berada di negara bagian yang berbeda dan memiliki karakteristik yang berbeda, yang memungkinkan pemodelan
heterogenitas populasi. Diagram UML dari kelas agen ditunjukkan pada Gambar 2.

Gambar 2. Diagram kelas

Model yang dikembangkan diimplementasikan di lingkungan AnyLogic.

710 Dmytro Chumachenko dkk. / Procedia Ilmu Komputer 198 (2022) 706–711

4. Hasil

Hasil dari model yang dibangun di lingkungan AnyLogic ditunjukkan pada Gambar 3.

Gambar 3. Model COVID-19 di lingkungan AnyLogic

Grafik menunjukkan perjalanan waktu perkembangan proses epidemi. Kurva jumlah kontak mulai tumbuh
sekitar 14 hari, yang sama dengan masa inkubasi penyakit. Pada hari ke-32, jumlah individu yang terinfeksi
memuncak dan jumlah individu yang rentan turun menjadi nol - seluruh populasi sekarang dibagi menjadi tiga
kategori yang tersisa. Meskipun mencapai puncak jumlah yang terinfeksi, epidemi berlangsung untuk waktu
yang relatif lama - dapat dilihat bahwa penurunan jumlah yang terinfeksi lebih lambat daripada
pertumbuhannya. Setelah hari ke-90, jumlah yang terinfeksi kurang dari 1% dari populasi. Gambar 4
menunjukkan proyeksi kejadian COVID-19 di Ukraina dalam berbagai skenario.

Gambar 4. Hasil Prakiraan COVID-19 di Ukraina

 Dmytro Chumachenko dkk. / Procedia Ilmu Komputer 198 (2022) 706–711 711

5. Kesimpulan

Model yang dibangun dari proses epidemi COVID-19 di Ukraina memungkinkan untuk mengidentifikasi
faktor-faktor yang mempengaruhi dinamika morbiditas di wilayah tertentu. Penelitian eksperimental telah
menunjukkan bahwa menggunakan lebih banyak parameter tidak mengganggu kemudahan penggunaan
model, tetapi, ketika dikombinasikan dengan penggunaan data nyata sebagai input, memberikan hasil prediksi
yang lebih andal. Hasil simulasi menunjukkan bahwa tindakan yang paling efektif untuk mengurangi dinamika
epidemi adalah isolasi mandiri pasien dan pelacakan individu kontak dari populasi. Apalagi isolasi seluruh
populasi tidak dianjurkan, cukup mengisolasi 80% pasien dalam fase aktif. Sebagai perspektif penelitian,
direncanakan untuk menambahkan parameter tambahan pada model sebagai data input dan melihat
dampaknya terhadap output,

ucapan terima kasih

Studi ini didanai oleh National Research Foundation of Ukraine dalam rangka proyek penelitian 2020.02/0404
dengan topik “Pengembangan teknologi cerdas untuk menilai situasi epidemi untuk mendukung pengambilan
keputusan dalam manajemen keamanan hayati populasi”.

Referensi

[1] Kozko, Volodymyr dkk. (2017) “Keanehan patomorfologi meningoensefalitis tuberkulosis terkait dengan infeksi HIV.” Pengobatan
Intervensi dan Ilmu Terapan,9 (3), 144-149.
[2] Izonin, Ivan dkk. (2021) "Pemodelan prediktif berdasarkan data kecil dalam kedokteran klinis: metode penggandaan input aditif berbasis
RBF." Biosains dan Teknik Matematika18(3): 2599-2613.
[3] Fedushko, Solomiia, dan Ustyianovych, Taras (2021) “Konsep Perangkat Lunak Intelijen Operasional untuk Pemantauan Kesehatan Berkelanjutan dan
Ekosistem Penyimpanan Data Konsolidasi.”Kemajuan dalam Sistem Cerdas dan Komputasi,1247: 545–557.
[4] Murata, Tadahiko and Yamashita, Kanta (2021) “Estimasi Pengaruh Aplikasi Contact Tracing COVID-19 Menggunakan Simulasi Berbasis
Agen”Konferensi Internasional IEEE ke-5 2021 tentang Sibernetika (CYBCONF), 120-125.
[5] Davidich, Natalia dkk. (2020) “Proyeksi infrastruktur transportasi perkotaan dengan mempertimbangkan faktor manusia.”Komunikasi –
Sastra Ilmiah Universitas Zilina,22 (1): 84–94.
[6] Perez, Liliana dan Dragicevic, Susana (2009) "Sebuah pendekatan berbasis agen untuk pemodelan dinamika penyebaran penyakit menular."Jurnal
internasional geografi kesehatan8: 50.
[7] Yakovlev, Sergiy dkk. (2020) “Konsep pengembangan sistem pendukung keputusan untuk pengendalian morbiditas epidemi.”Prosiding Lokakarya
CEUR2753: 265–274.
[8] Hoertel, Nicolas et al. (2020) “Model berbasis agen stokastik dari epidemi SARS-CoV-2 di Prancis.” Obat Alami26: 1417–1421.
[9] Parasher, Anant (2020) “COVID-19: Pemahaman terkini tentang Patofisiologi, Presentasi Klinis, dan Pengobatannya.”Jurnal Kedokteran
Pascasarjana97 (1147): 312-320.
[10] Mankovsky, Boris dan Halushko, Oleksander (2020) “COVID-19 pada pasien diabetes di Ukraina: pelajaran untuk dokter dan pasien.” Berita
Medis Georgia301: 105-112.
[11] Rozanova, Julia et. Al. (2020) “Dukungan Sosial adalah Kunci untuk Retensi dalam Perawatan selama Pandemi Covid-19 di antara Orang Tua dengan HIV dan
Gangguan Penggunaan Zat di Ukraina.”Penggunaan & penyalahgunaan zat55 (11): 1902-1904.