PEMODELAN MATEMATIKA DAN SIMULASI PENYEBARAN COVID-19

TUGAS MODEL DAN SIMULASI

KELOMPOK 7
1. Rizkha Mardhatillah F1C220012
2. Irma Adella F1C220015
3. Fazar Aryanto F1C220017
4. Dhea Aryona Putri F1C220030

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS JAMBI
2023
A. Jurnal
Berikut merupakan jurnal yang kami angkat dalam menyelesaikan tugas model dan
simulasi mengenai penyebaran Covid-19

Informasi Jurnal:
Nama jurnal : SEIHR Model on Spread of COVID-19 and Its Simulation
(Model SEIHR tentang Penyebaran COVID-19 dan Simulasinya)
Penulis : Muhammad Abdurrahman Rois, Mohammad Tafrikhan, Yolanda
Norasia, Indira Anggriani, dan Mohammad Ghani
Halaman : 70 - 80 Halaman
Tahun terbit : 02 Agustus 2022
Volume dan nomor : Vol.15 , No.2
B. Permasalahan
SARS (Severe Acute Respiratory Syndrome) dan MERS (Middle East Respiratory
Syndrome) adalah dua penyakit pernapasan yang disebabkan oleh coronavirus . Organisasi
Kesehatan Dunia (WHO) merilis beberapa pedoman sementara untuk semua negara pada
10 Januari 2020. Pedoman sementara ini mencakup pemantauan individu yang mungkin
pembawa COVID-19, pengumpulan dan pengujian sampel (pelacakan), merawat pasien
COVID-19, dan mengelola dan mengurangi beban infeksi COVID di rumah sakit.
Gejalanya biasanya kecil dan berkembang secara bertahap. Namun, manusia dapat tertular
penyakit dan menunjukkan gejala ringan atau tanpa gejala, gejala parah, demam, sesak
napas, atau batuk yang disertai nyeri dada dan kesulitan bernapas.
Melalui langkah-langkah termasuk isolasi sosial, pelacakan, pekerjaan rumahan, dan
batasan geografis yang kuat, pemerintah telah berupaya untuk mengatur COVID-19. Oleh
karena itu, isolasi dan karantina merupakan metode pencegahan epidemi yang paling
efisien tanpa vaksin atau perawatan. Karantina merupakan pemisahan individu yang rentan
dan individu yang terpapar sedangkan isolasi adalah pemisahan orang sakit.
Berdasarkan permasalahan tersebut , model matematis sangat penting untuk
membantu pembuatan kebijakan dan pengambilan keputusan lainnya untuk mencari solusi
di bidang kesehatan. Adapun tujuan penelitian dalam jurnal tersebut adalah untuk
menyelidiki analisis kestabilan untuk kesetimbangan bebas penyakit dan kesetimbangan
endemik, serta untuk mengetahui parameter yang paling berpengaruh dalam penyebaran
virus tersebut dan mensimulasikan secara numerik model tersebut.

Asumsi yang digunakan:

 Populasi terdiri dari individu SEIHR
 Diasumsikan laju kelahiran alami sama dengan laju kematian alami.
 Individu kompartemen S akan semakin banyak dan juga berkurang karena adanya
kematian alami μ .
 Adanya interaksi yang dilakukan individu S yang mengakibatkan berpindahnya ke
kompartemen E.
 Individu kompartemen E yaitu individu yan terpapar yang ditunjukkan dengan gejala-
gejala penyakit namun belum sepenuhnya terinfeksi.
 h adalah individu pada kompartemen E yang melakukan isolasi.
 d adalah invidu pada kompartemen I mengalami kematian akibat virus
 Individu kompartemen E , I , H dan R mengalami kematian alami dengan laju μ
 Individu kompartemen E , I dan H juga berkemungkinan sembuh dengan laju
kesembuhan masing-masing (γ 1 , γ 2 , γ 3).
 Individu kompartemen R adalah individu yang sembuh atau meninggal akibat
penyakit.
 Individu yang sembuh dari penyakit memiliki kekebalan tubuh sehingga tidak terkena
penyakit ini kembali.
 Berdasarkan asumsi di atas, populasi individu dibagi menjadi 5 kategori. Pembagian
kategori populasi individu beserta notasi variabel yang digunakan, dinyatakan pada tabel
dibawah ini.
Pembagian kategori untuk populasi dalam model
Variabel Populasi
S Populasi Susceptible merupakan banyaknya individu yang sehat
(Susceptible) tetapi rentan terinfeksi covid-19
E Populasi exposed merupakan banyaknya individu yang telah
(Exposed) terpapar infeksi covid-19
I Populasi infected merupakan banyaknya individu yang infeksi
(Infected) covid-19
H Populasi isolation merupakan banyaknya individu yang
(Isolation) menjalani isolasi akibat terinfeksi covid-19
R Populasi recovered merupakan banyaknya individu yang
(Rrecovered) sembuh atau kembali sehat dari infeksi covid-19

Adapun parameter yang digunakan dalam pemodelan penyebaran covid-19 dinyatakan

pada tabel dibawah ini:
Parameter yang digunakan dalam model
Parameter Definisi
Π Tingkat kelahiran baru pada populasi manusia yang rentan
𝛽 Laju kontak antar individu yang terpapar (mewakili kontak
koefisien transmisi)
μ Laju kematian alami manusia
d Laju angka kematian akibat Covid-19
γ1 Tingkat kesembuhan dari terpapar karena kekebalan yang kuat dari
individu
γ2 Tingkat kesembuhan dari terinfeksi virus

γ3 Tingkat kesembuhan dari isolasi

ρ Tingkat penularan yang terinfeksi virus

h Tingkat isolasi dari kompartemen terpapar
σ Tingkat isolasi dari kompartemen terinfeksi.
C. Model Penyebaran Covid-19
1. Diagram kompartemen

Gambar diatas merupakan diagram alur kompartemen untuk proses penyebaran

covid-19 berdasarkan pada asusmsi diatas. Garis penuh pada diagram kompartemen
diatas menunjukkan adanya kemungkinan individu akan berpindah kompartemen.

Keterangan diagram kompartemen pada gambar diatas adalah sebagai berikut:

a. Perubahan individu yang tidak terpapar penyakit tetapi rentan terinveksi covid-19
pada waktu t disebut (𝑆(𝑡)).
Individu 𝑆 dalam tingkat rekrutmen populasi ( π ) yang diambil berkurang satu
satuan dengan adanya tingkat infeksi efektif dari individu 𝑆 yang memiliki kontak
dengan individu dalam kompartemen 𝐼. Kemudian individu S berkurang satu
satuan terhadap tingkat kematian alami yang terjadi pada individu 𝑆. Sehingga
terbentuk model matematikanya :
dS
=π −βSI −μS
dt

b. Perubahan individu yang terpapar penyakit tetapi belum terinfeksi terhadap

paparan penyakit pada waktu t disebut (𝐸(𝑡))
Populasi E bertambah karena adanya kontak individu serta terjadi pengurangan
individu 𝑆 yang memiliki kontak dengan individu dalam kompartemen 𝐼 dengan
adanya tingkat infeksi efektif terhadap jumlah dari tingkat perkembangan paparan
penyakit dan tingkat kematian alami dari individu 𝐸. Berkurang karena adanya
individu yang awalnya terpapar menjadi terinfeksi, individu yang terpapar menjadi
sembuh tetapi belum terinfeksi, dan individu yang sudah terpapar memilih untuk
melakukan isolasi atau pindah pada kompartemen H. Sehingga model
matematikanya:

dE
=βSI − ρE−γ 1 E−hE−μE
dt
 c. Perubahan individu yang terpapar penyakit ke kompartemen individu yang
terinfeksi penyakit pada waktu t disebut (𝐼(𝑡))
Pada kompartemen I akan bertambah karena adanya individu yang terpapar
menjadi terinfeksi. Berkurang karena adanya kematian alami, individu pindah ke
kompartemen H atau melakukan isolasi, individu yang sembuh atau pindah ke
kompartemen R. Model matematisnya :

dI
=ρE−dI −γ 2 I −μI −σI
dt

d. Perubahan individu yang melakukan isolasi pada waktu ke t disebut (H(𝑡))

Pada kompartemen H individu akan bertambah karena ada individu yang
belum terinfeksi tetapi sudah menunjukkan gejala untuk melalukan isolasi dan
bertambah karena ada individu yang terinfeksi dan harus diisolasi. Berkurang
karena ada individu yang sembuh dan berpindah ke kompartemen R dan berkurang
karena kematian alami. Sehingga model matematisnya :

dI
=hE−γ 3 H−μH + σI
dt

e. Individu yang mengalami laju pemulihan disebut recovered dan individu yang
mengalami kematian/eliminasi akibat penyakit disebut removed pada waktu ke t
yang keduanya disebut dengan (𝑅(𝑡))
Populasi bertambah karena adanya individu yang terpapar tetapi belum
terinfeksi, individu yang terinfeksi, individu yang diisolasi pindah pada
kompartemen R. Berkurang karena adanya laju kematian secara alami. Model
matematisnya adalah :
dR
=γ 1 E +γ 2 I +γ 3 H −μR
dt

2. Model Penyebaran covid-19

Berdasarkan penjelasan diatas , maka penyebaran covid-19 dapat di modelkan dalam
persamaan diferensial sebagai berikut:

{
dS
=π −βSI −μS ( 1 )
dt
dE
=βSI −ρE−γ 1 E−hE−μE (2)
dt
dI
=ρE−dI −γ 2 I −μI −σI (3)
dt
dH
=hE−γ 3 H−μH + σI (4)
dt
dR
=γ 1 E+ γ 2 I + γ 3 H−μR ( 5 )
dt
 Berdasarkan sistem persamaan diatas , sistem persamaan tersebut dapat kita
sederhanakan menjadi:

{
dS
=π−βSI −μS (1 )
dt
dE
=βSI −K 1 E(2)
dt
dI
= ρE−K 2 I (3)
dt
dH
=hE−K 3 H +σI (4)
dt
dR
=γ 1 E+ γ 2 I + γ 3 H−μR (5)
dt

dimana:
K 1= ρ−γ 1−h−μ
K 2=d−γ 2−μ−σ
K 3=γ 3 −μ

3. Pengecekan total populasi

{
dS
=π−βSI −μS
dt
dE
=βSI −ρE−γ 1 E−hE−μE
dt
dI
=ρE−dI −γ 2 I −μI −σI
dt
dH
=hE−γ 3 H−μH +σI
dt
dR
=γ 1 E+γ 2 I +γ 3 H −μR
dt

Mengecek total populasi:

dN dS dE dI dH dR
= + + + +
dt dt dt dt dt dt
dN
=( π−βSI −μS ) + ( βSI −ρE−γ 1 E−hE−μE ) + ( ρE−dI −γ 2 I −μI −σI ) +
dt
(hE−γ 3 H −μH +σI ¿ + ( γ 1 E+ γ 2 I +γ 3 H −μR )
dN
=π−βSI −μS + βSI −ρE−γ 1 E−hE−μE + ρE−dI −γ 2 I −μI −σI +¿
dt
 hE−γ 3 H −μH +σI +hE−γ 3 H−μH + σI +γ 1 E+ γ 2 I +γ 3 H −μR
dN
=π−μN −dI
dt
dN
≤ π−μN
dt

dN
Karena hasil dari ≠ 0 maka total populasi untuk model penyebaran covid-19
dt
adalah tidak konstan, artinya pertumbuhan populasinya akan selalu bertambah.

D. Analisis Dinamik
a. Menentukan titik equilibrum (Titik kesetimbangan)
1. Titik kesetimbangan bebas penyakit ( E0 )
Titik kesetimbangan bebas penyakit adalah suatu kondisi dimana tidak ada lagi
penyakit yang menyerang dalam populasi atau dapat dikatakan tidak ada individu
yang terinfeksi penyakit. Pada model ini adalah ketika E=I =H=R=0 sehingga
diperoleh titik kesetimbangan bebas penyakit yaitu:
Dari persamaan (1) diperoleh:
dS
=π −βSI −μS
dt
π−βSI −μS=0
π−0−μS=0
μS=π
π
S=
μ

Jadi , diperoleh titik kesetimbangan bebas penyakit ( E0 ) = (S,E,I,H,R) = (

π
, 0 , 0 ,0 , 0 )
μ

¿
2. Titik kesetimbangan endemik penyakit ( E0 )
Titik kesetimbangan endemik penyakit adalah suatu kondisi dimana penyakit
selalu saja ada dalam populasi tersebut, berarti selalu ada saja individu yang
terinfeksi penyakit yaitu Ketika E ≠ 0.
π−βSI −μS (1)

βSI −K 1 E (2)

ρE−K 2 I (3)

hE−K 3 H+ σI (4)

γ 1 E+ γ 2 I +γ 3 H −μR (5)
 Dari persamaan (2) diperoleh
βSI −K 1 E=0
K 1 E=βSI
βSI
E=
K1

Sehingga diperoleh :
βSI
E= (6)
K1

 Dari persamaan (3) (ketika E ≠ 0) diperoleh:

ρE−K 2 I =0
K 2 I =ρE

K 2 I =ρ ( βSIK )
1

K 1 K 2 I =ρ βSI
K 1 K 2 I −ρ βSI =0
I ( K 1 K 2−ρ βS )=0
I =0 atau K 1 K 2− ρ βS=0
K 1 K 2−ρ βS=0
ρ βS=K 1 K 2
K1 K2
S=
ρβ

Sehingga diperoleh :
K1 K2
S= (7)
ρβ

 Substitusi persamaan (6) dan (7) ke persamaan (1) diperoleh:

π−βSI −μS=0

π−β ( ) ( )
K1 K 2
ρβ
I −μ
K1 K2
ρβ
=0

π−β (
ρβ ) ( ρ β )=0
K K 1 2 K K 1 2
I −μ
 β ( K1 K2
ρβ
I =π−μ )
K1 K2
ρβ ( )
βI ( K 1 K 2 ) = π −μ
[( ( K1 K2
ρβ ))
(ρ β)
]
βI K 1 K 2=[ ( π ρ β−μ K 1 K 2) ]
π ρ β−μ K 1 K 2
I=
β K 1 K2

Sehingga diperoleh :
π ρ β−μ K 1 K 2
I= (8)
β K 1 K2

 Substitusi persamaan (7) dan (8) ke persamaan (6) diperoleh:

βSI
E=
K1

E=
β ( K1 K 2
ρβ )( π ρ β−μ K 1 K 2
β K1 K2 )
K1

E=
[ ( β K 1 K 2 )( π ρ β−μ K 1 K 2 ) ]
ρ β ( β K1 K2) K1

E=
[(β 2
π ρ K 1 K 2− β μ K 1 K 2
2 2
)]
ρ β ( β K1 K2) K1

E=
[ ( β π ρ−μ K 1 K2) ]
ρ β K1
β π ρ−μ K 1 K 2
E=
ρ βK1

Sehingga diperoleh :
β π ρ−μ K 1 K 2
E= (9)
ρ βK1

 Substitusi persamaan (8) dan (9) ke persamaan (4) diperoleh:

hE−K 3 H+ σI =0
 h ( β π ρ−μ K 1 K 2
ρ β K1 )
−K 3 H + σ
(
π ρ β−μ K 1 K 2
β K 1 K2
=0
)
K 3 H=h ( β π ρ−μ K 1 K 2
ρ βK1
+σ ) (
π ρ β−μ K 1 K 2
β K 1 K2 )
H=
(( h β π ρ−h μ K 1 K 2
ρ βK1
+
)(
σ π ρ β−σ μ K 1 K 2
β K 1 K2 ))( )1
K3

H=
(( ( h β π ρ−h μ K 1 K 2) ( β K 1 K 2 ) + ( σ π ρ β −σ μ K 1 K 2 ) ( ρ β K 1 )
( ρ β K 1 )( β K 1 K 2) ))( )
1
K3

H=
(( ( h β 2 π ρ K 1 K 2−β h μ K 12 K 22 )+ ( σ π ρ2 β2 −ρ β σ μ K 12 K 2
( ρ β K1) ( β K 1 K2)
)
)( ))
1
K3

H=
(( ( h β π ρ K 2−h μ K 1 K 22 )+ ( σ π ρ2 β−ρ σ μ K 1 K 2)
ρ β K1 K 2 )( ))
1
K3

H=
(( ( β π ρ−μ K 1 K 2 ) ( h K 2+ ρ σ )
ρ β K1 K2 )( ))
1
K3

( β π ρ−μ K 1 K 2 ) ( h K 2+ ρ σ )
H=
ρ β K 1 K2 K3

Sehingga diperoleh :
( β π ρ−μ K 1 K 2 ) ( h K 2+ ρ σ )
H= (10)
ρ β K 1 K2 K3

 Substitusi persamaan (8) , pwesamaan (9) dan (10) ke persamaan (5) diperoleh:
γ 1 E+ γ 2 I +γ 3 H −μR=0

γ1
( β π ρ−μ K 1 K 2
ρ β K1
+γ2
) (
π ρ β−μ K 1 K 2
β K1 K2
+ γ3
) (
( β π ρ−μ K 1 K 2 ) ( h K 2 + ρ σ )
ρ β K 1 K2 K 3
−μR=0 )
μR=γ 1
( β π ρ−μ K 1 K 2
ρ β K1
+ γ2
) (
π ρ β−μ K 1 K 2
β K1 K2
+γ 3
) (
( β π ρ−μ K 1 K 2 ) ( h K 2 + ρ σ )
ρ β K1 K 2 K3 )
R=
(( γ 1 β π ρ−γ 1 μ K 1 K 2
ρ β K1
+ 2 )(
γ π ρ β−γ 2 μ K 1 K 2
β K1 K2
+ )(
( γ 3 β π ρ−γ 3 μ K 1 K 2 ) ( γ 3 h K 2 + ρ σ ) 1
ρ β K1 K2 K3 μ )( ))
 R=
(( ( β π ρ−μ K 1 K 2 ) ( h γ 3 K 2 + γ 3 ρ σ + ρ γ 2 K 3 + γ 1 K 2 K 3 )
ρ β K1 K2 K3 () 1μ ))

R= ( ( β π ρ−μ K 1 K 2 ) ( h γ 3 K 2+ γ 3 ρ σ + ρ γ 2 K 3 +γ 1 K 2 K 3 )
ρ β μ K1 K2 K3 )
Sehingga diperoleh :
( β π ρ−μ K 1 K 2) ( h γ 3 K 2 +γ 3 ρ σ + ρ γ 2 K 3 + γ 1 K 2 K 3 )
R= (10)
ρ β μ K1 K2 K3
¿ ¿ ¿ ¿ ¿ ¿
Jadi , diperoleh titik kesetimbangan endemik penyakit ( E ) = ( S , E , I , H , R )
dengn :

K 1 K2 β π ρ−μ K 1 K 2
S=
¿
, E¿ =
ρβ ρ β K1

¿
I=
π ρ β−μ K 1 K 2 ( β π ρ−μ K 1 K 2 ) ( h K 2 + ρ σ )
H ¿=
β K1 K 2 ρ β K1 K 2 K3

¿
R= ( ( β π ρ−μ K 1 K 2) ( h γ 3 K 2 +γ 3 ρ σ + ρ γ 2 K 3 + γ 1 K 2 K 3 )
ρ β μ K1 K2 K3 )

3. Mencari titik kesetimbangan dengan Software MAPLE

Dalam mencari titik kesetimbangan dengan menggunakan software MAPLE kami
mendefinisikan masing-masing parameter dan variable pada persamaan nya sedikit
berbeda dengan yang diartikel karena ada beberapa parameter dan variable yang
tidak dapat terbaca di MAPLE. Sehingga , berikut proses pendefinisian persamaan
untuk mencari titik equilibriumnya.

>
>
>

>
>

>

>

>
>

Berdasarkan hasil diatas, diperoleh 2 titik kesetimbangan, yaitu titik

kesetimbangan bebas penyakit dan titik kesetimbangan endemik penyakit. Hasil
yang diperoleh dengan menggunakan MAPLE sama dengan hasil yang diperoleh
secara manual dan yang di ada di jurnal.

 Titik kesetimbangan bebas penyakit

Hasi dari Maple:

Hasil secara manual:

( E0 ) = (S,E,I,H,R) = ¿)

 Titik kesetimbangan endemik penyakit

Hasi dari Maple:
 Hasi secara manual:
¿ K 1 K2 ¿ β π ρ−μ K 1 K 2
S= , E=
ρβ ρ β K1

I=
¿ π ρ β−μ K 1 K 2 ( β π ρ−μ K 1 K 2 ) ( h K 2 + ρ σ )
H ¿=
β K1 K 2 ρ β K1 K 2 K3

R=
¿
( ( β π ρ−μ K 1 K 2) ( h γ 3 K 2 +γ 3 ρ σ + ρ γ 2 K 3 + γ 1 K 2 K 3 )
ρ β μ K1 K2 K3 )

b. Menemukan R0
❑❑
Dari model diatas , diperoleh titik kesetimbangan bebas p ❑ ❑ enyakit, yaitu
Λ
E0 = (S,E,I,H,R) = ( , 0 , 0 , 0 , 0). Selanjutnya, perhatikan kompartemen pada model
μ
dengan kompartemen yang individunya yang terinfeksi virus covid-19, yaitu:

dE
=βSI −K 1 E
dt
dI
=ρE−K 2 I
dt

Misalkan X =( E , I ) dan dapat dinyatakan sebagai berikut:

dx
=T −U
dt

dimana misalkan T adalah vector untuk infeksi baru dan U adalah vector untuk
perpindahan antar kompartemen, maka:

T= [ βSIρE ] , U=[ KK EI ]
1

Selanjutnya, lakukan turunan parsial terhadap E dan I pada masing-masing vector

T dan U diatas dan juga subtitusikan titik kesetimbangan bebas penyakit.
 [ ]
∂ ( βSI ) ∂ ( βSI )

[ ]
βπ
∂E ∂I 0
F= F= μ
∂ ( ρE ) ∂ ( ρE ) π
π ρ 0 μ
, 0 ,0 , 0 ,0
∂E ∂I μ
,0 ,0 , 0 ,0

[ ]
∂( K 1 E) ∂ ( K1 E)

V=
∂E
∂ ( K2 I)
∂I
∂ ( K2 I )
π
[
V=
K1 0
0 K2 ] π
μ
, 0 ,0 , 0 ,0

∂E ∂I μ
,0 , 0 ,0 , 0

Selanjutnya, Next Generation Matrix (NGM) dengan menghitung M =F V −1 .

[ ] [ ]
1 βπ
0 0
−1 K1 μ K2
dengan V = maka M =
1 p
0 0
K2 K1

pβπ
R0 =
μ K1 K 2

Maka diperolehlah reproduksi dasar ( R0 ) yaitu:

pβπ
R0 =
μ K1 K 2

Mencari R0 dengan menggunakan software Maple

>
>

>

>

>

>
 >

>

>

>

>

>

Berdasarkan hasil Maple diatas, terlihat bahwa nilai eigen yang diperoleh adalah
R0
. Maka diperoleh bilangan reproduksi dasar ( ), yaitu:

C. Kestabilan titik kesetimbangan

>
>

>

>

>

>

>

>

>

>

>

>

>

>
>

>
>

>

>
E. Analisi Numerik
Berikut adalah nilai dari masing-masing parameter yang digunakan untuk melakukan
simulasi numerik dalam jurnal.

F. Bentuk Persamaan Difference

Persamaan yang digunakan adalah persamaan dalam kompartemen I atau
kompartemen yang terinfeksi, yaitu :
dI
=ρE−dI −γ 2 I −μI −σI
dt
 Bentuk Persamaan Diferensial Parsialnya :

2
∂I ∂ I
=DI . 2 + ρE−dI −γ 2 I −μI −σI
dt ∂x
(Ganti seluruh variabel t dan x dengan Z)
2
∂I ∂ I
c =DI . 2 + ρE−dI −γ 2 I −μI −σI
dZ ∂Z
 Bentuk Persamaan Diference :
(Bentuk umum persamaan diference)
n+1 n Δt n n n
uj =u j + D . 2
(u( j+1 ) −2u j +u( j−1) )
(Δ x)
(atau)
n n n
u jn +1−u jn (u −2 u j +u ( j−1 ) )
=D . ( j+ 1) 2
Δt ( Δ x)
(ubah u menjadi variabel I dan tambahkan F(I))
I jn+1−I jn (I ( j+1 )n−2 I jn+ I ( j−1)n )
=D I . 2
+(ρ E jn −d I jn−γ 2 I jn −μ I jn −σ I jn )
Δt (Δ x)
(atau)
 Δt
2 ( ( j+1)
−2 I j + I ( j−1) )+ Δ t( ρ E j −d I j −γ 2 I j −μ I j −σ I j )
n+ 1 n n n n n n n n n
Ij =I j + DI . I
( Δ x)