PEMODELAN BERBASIS AGEN PADA PENYEBARAN
DINAMIS EPIDEMI DEMAM BERDARAH
HETI MULYANI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Pemodelan Berbasis Agen pada Penyebaran Dinamis Epidemi Demam Berdarah adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
RINGKASAN
HETI MULYANI. Pemodelan Berbasis Agen Pada Penyebaran Dinamis Demam Berdarah. Dibimbing oleh TAUFIK DJATNA dan IMAS SUKAESIH SITANGGANG.
Demam berdarah (DBD) adalah salah satu epidemi yang masih menjadi masalah serius khususnya di daerah tropis seperti Indonesia. Penelitian ini mengusulkan pemodelan berbasis agen (PBA) untuk kasus epidemi DBD. Pemodelan berbasis agen adalah model komputasi yang digunakan untuk merepresentasikan simulasi, perilaku agen, dan interaksi antar agen. PBA mengusulkan pemodelan epidemi dengan lebih memperhatikan faktor kontak antar individu, lebih memperhatikan faktor lingkungan, serta bersifat dinamis. Kriteria PBA terdiri dari 3 faktor, yaitu menentukan agen yang terlibat, relasi yang terjadi antara agen, serta faktor lingkungan. Agen yang teribat dalam model memiliki sifat otonom dan bereaksi terhadap pesan. Agen pada penelitian ini adalah manusia sebagai host dan nyamuk sebagai vektor. Relasi menunjukkan bagaimana terjadinya proses infeksi yang dipengaruhi oleh faktor lingkungan. Dalam penelitian ini parameter lingkungan yang digunakan adalah suhu dalam derajat Celsius dan kelembaban dalam persen. PBA dalam penelitian ini mengikuti model matematika SIR (Susceptible, Infected, Recovered). Dimana individu terbagi 3 yaitu rentan, terinfeksi dan sembuh.
Evaluasi model dilakukan dengan dua proses yaitu verifikasi dan validasi. Verifikasi dilakukan dengan merumuskan data sintetis dengan 3 uji skenario menggunakan data randomisasi. Sedangkan validasi dilakukan dengan menggunakan data suhu dan kelembaban pada BMKG Dramaga pada model lalu dibandingkan dengan data kasus DBD di Kecamatan Dramaga yang diperoleh dari Dinas Kesehatan Kabupaten Bogor. Penelitian ini menunjukkan bahwa pemodelan berbasis agen mampu menunjukkan sensitivitas faktor lingkungan serta menunjukkan tren penyebaran yang sama antara data aktual dengan hasil simulasi. Pada penelitian ini dapat disimpulkan bahwa pemodelan berbasis agen pada penyebaran dinamis DBD memerlukan beberapa faktor seperti perilaku agen, atribut agen, interaksi agen serta faktor lingkungan. Evaluasi model menunjukkan tren penyebaran DBD yang sama antara data aktual dengan hasil simulasi.
SUMMARY
HETI MULYANI. Agent Based Model on Dynamic Spreading Dengue Fever Epidemic. Supervised by TAUFIK DJATNA and IMAS SUKAESIH SITANGGANG.
Dengue fever is one of the most rapidly spreading mosquito-borne viral diseases especially in tropical area like Indonesia.This research proposed Agent Based Model (ABM) for epidemic dengue fever case. ABM is a computational model for representation simulation, behavior agent and interaction agent. ABM observe more about individu contact, environment dan characteristic dynamic. ABM have three criteria are determine agent, relationship and environment factor. Agent comprised autonomous, and react to message. This research used two kind of agent are human as host and mosquito as vector. Relationship showed how infection process can occur influence by environment factor, in this research environment factor used temperature and humidity. ABM in this research follow mathematic model Susceptible, Infected, Recovered (SIR) model which individu were divide into three categories are susceptible, infection and recover.
The evaluation model was conducted by verification and validation data. Verification was conducted with syntetic data scenario used random data. The Validation was conducted by comparing the result of the proposed model with actual data from Meteorology Climatology and Geophysics Council and health data from public health Office Bogor. The evaluation result showed that ABM can show sensitivity from environment factor and have trend similar result with actual data.
The result showed that agent based model on spreading dynamic dengue fever epidemic have require more factors such as behavior agent, attribute agent, interaction agent and environment factor. Moreover, the evaluation showed that agent based model have similar pattern trend spreading dengue fever with actual data.
© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Ilmu Komputer
PEMODELAN BERBASIS AGEN PADA PENYEBARAN
DINAMIS EPIDEMI DEMAM BERDARAH
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2016
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga tesis ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2015 ini ialah Agent Based Model, dengan judul Pemodelan Berbasis Agen pada Penyebaran Dinamis Epidemi DBD.
Terima kasih penulis ucapkan kepada Bapak Dr Eng Ir Taufik Djatna MSi dan Ibu Dr Imas Sukaesih Sitanggang SSi MKom selaku pembimbing yang telah banyak memberi saran. Terima kasih kepada Dr Ir Sri Wahjuni MT selaku penguji luar atas saran dan masukannya.
Terima kasih penulis ucapkan kepada ibunda tercinta Ibu Anih atas doanya, ayahanda tercinta Bapak Uteng (Alm). Penulis ucapkan terima kasih kepada suami tercinta Dedy Djunaedi, anakku tersayang Fachri Zhafran Alkhairi yang telah menjadi sumber inspirasi, kekuatan dan motivasi dalam menyelesaikan tesis ini. Terima kasih penulis ucapkan kepada kakak tercinta Supriyadi dan Ecep Suryana atas dukungan dan motivasi serta doanya. Terima kasih penulis ucapkan kepada Ibu Puspa Eosina untuk semua bantuan dan dukungannya. Terima kasih juga untuk sahabat-sahabat terbaik Siti Yuliyanti, Ela Kurniati (alm), Puspa Citra, dan Novi Indah Pradasari serta semua rekan-rekan di Ilkom 2014 yang sudah memberikan saran dan masukkan dalam penyelesaian tesis ini.
Penulis ucapkan terima kasih kepada seluruh dosen Departemen Ilmu Komputer angkatan 2014 atas ilmu dan bimbingannya, semoga ilmu yang diperoleh berkah dan bermanfaat. Penulis ucapkan terima kasih kepada Direktorat Penidikan Tinggi (DIKTI) atas bantuan Beasiswa Pendidikan Pascasarjana Dalam Negeri (BPPDN) serta kampus Sekolah Tinggi teknologi Indonesia Tanjungpinang (STTI) dalam penyelesaian tesis ini.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 3
2 TINJAUAN PUSTAKA 3
Pemodelan Berbasis Agen 3
Epidemiologi dalam Bahasan Komputasi 5
Demam Berdarah (DBD) 6
Platforms Pemodelan Berbasis Agen 8
Platforms NetLogo 9
3 METODE 10
Tahapan Penelitian 10
Akuisisi Pengetahuan Pakar Epidemiologi 11
Pengumpulan Data 11
Analisis 11
Perancangan 12
Implementasi 12
Evaluasi Model 12
4 HASIL DAN PEMBAHASAN 13
Hasil Analisis Sistem 13
Hasil Analisis Agen 13
Implementasi 20
Evaluasi Model 20
Verifikasi Sensitivitas Model 21
Validasi 23
KESIMPULAN 25
SARAN 26
DAFTAR PUSTAKA 26
LAMPIRAN 28
DAFTAR TABEL
1 Nilai rentang suhu terhadap perilaku nyamuk 5
2 Nilai rentang kelembaban terhadap perilaku nyamuk 5
3 Atribut agen 13
4 Perilaku agen 14
5 Kebutuhan verifikasi model pengaruh lingkungan terhadap perilaku
nyamuk 21
6 Parameter inisialisasi kebutuhan validasi model 23
DAFTAR GAMBAR
1 Struktur umum model berbasis agen 4
2 Tipe pengaturan agen 4
3 Siklus hidup nyamuk aedes aegypti (Almeida 2010) 7
4 Mekanisme penularan DBD 8
5 Library model pada NetLogo 9
6 Library model epidemi pada NetLogo 10
7 Tahapan penelitian 11
8 Diagram use case pemodelan berbasis agen pada DBD 15
9 Diagram state pada agen nyamuk 15
10 Diagram aktivitas reproduksi nyamuk 16
11 Diagram aktivitas perilaku nyamuk menggigit 17 12 Diagram aktivitas pengaruh suhu pada perilaku nyamuk 18
13 Diagram sequence proses infeksi DBD 19
14 Diagram class model berbasis agen pada DBD 19
15 Hasil implementasi penyebaran DBD berbasis agen 20 16 Hasil skenario uji dengan suhu dan kelembaban optimal 21 17 Hasil uji skenario dengan suhu dan kelembaban rendah 22 18 Hasil uji skenario dengan suhu dan kelembaban fluktuatif 22 19 Tampilan model dengan data cuaca BMKG bulan Januari-Juni 2015 23 20 Tampilan model dengan data cuaca BMKG bulan Juli-Desember 2015 24
21 Laju pertumbuhan nyamuk 24
22 Persentase manusia terinfeksi 25
DAFTAR LAMPIRAN
1 Source Code program Neltogo 30
2 Data suhu rata-rata harian Kecamatan Dramaga tahun 2015 dalam
(derajat Celsius) 34
3 Data kelembaban harian Kecamatan Dramaga Tahun 2015 dalam
1
PENDAHULUAN
Latar Belakang
Penyebaran penyakit merupakan salah satu persoalan yang penting untuk mendapatkan perhatian, terutama penyakit yang menyebar secara cepat kepada manusia. Penyakit yang menyebar secara luas dan cepat oleh infeksi dan mempengaruhi banyak individu di suatu daerah atau populasi pada waktu yang sama disebut epidemi (White et al. 2007). Beberapa contoh epidemi adalah severe
acute respiratory sindrom atau lebih dikenal dengan singkatan SARS, aviance
influenza atau flu burung dan dengue fever atau demam berdarah (DBD). Di
Indonesia tercatat tahun 2014 jumlah kasus DBD mencapai 100.347 orang dengan kematian berjumlah 907 orang (Ditjen PP & PL Kemenkes RI 2015). Penyakit yang menyebar melalui populasi merupakan masalah kesehatan yang serius dan dapat menjadi ancaman ekonomi. Karena itu perlu dilakukan monitoring untuk mempelajari penyebaran penyakit dengan tujuan untuk mengendalikan penyebarannya. Model epidemi diharapkan mampu untuk mengontrol penyebaran penyakit sehingga model tersebut bisa digunakan untuk strategi kebijakan dalam melakukan pencegahan seperti vaksinasi, fogging, penyuluhan dan sebagainya.
Pemodelan epidemi telah banyak dikembangkan, salah satunya untuk menangani epidemi DBD. Beberapa penelitian terkait epidemi demam berdarah (DBD) diantaranya Mangobi (2011) membuat model untuk penyebaran DBD dengan model matematik dengan memperhatikan faktor kelahiran dan kematian karena 2 faktor ini merupakan salah satu hal penting dalam prediksi dinamis
DBD, Rahayu et al. (2012) membuat model prediksi kasus DBD dengan pengaruh
iklim di Surabaya dan menyatakan faktor curah hujan dan kelembaban
mempengaruhi penyebaran DBD, Ariati dan Anwar (2014) melakukan prediksi
DBD di kota Bogor dan menyatakan faktor suhu, kelembaban, curah hujan mempengaruhi penyebaran DBD. Penelitian tentang model epidemi susceptible, infected, recovered atau model SIR telah dilakukan oleh Side dan Noorani (2013) untuk penyebaran DBD di Sulawesi dan Selangor Malaysia.
2
DBD dengan cellular automata dengan data masih bersifat statis, sehingga model tersebut perlu dikembangkan agar prediksi penyebaran DBD bisa lebih dinamis dengan memperhatikan perilaku dan interaksi agen. Kelebihan pemodelan berbasis agen adalah mampu menyediakan lingkungan yang fleksibel dibandingkan CA yang dibatasi oleh sel. Aplikasi pemodelan berbasis agen telah banyak digunakan di berbagai bidang diantaranya demografi dan epidemiologi.
Isidiro et al. (2009) membuat pemodelan berbasis agen pada populasi dinamis nyamuk, namun masih belum mempertimbangkan faktor iklim. Khalil et al.
(2009) mensimulasikan agent based model untuk pandemik influenza di Mesir namun masih belum mencantumkan atribut agen. Jacintho et al. (2010) melakukan simulasi agent based model pada epidemi menggunakan Swarm
platform dan menyatakan pada musim kemarau perkembangan nyamuk lebih
cepat daripada musim hujan. Almeida et al. (2010) melakukan model dan simulasi pada populasi nyamuk dengan repast dan menghasilkan akurasi agent based
model sebesar 98 %. Karena itu pemodelan berbasis agen diperlukan untuk
memprediksi secara dini masalah epidemi.
Pada penelitian ini, model diimplementasikan menggunakan NetLogo yaitu platform open source yang dikembangkan untuk pemodelan berbasis agen.
Pada NetLogo terdapat library untuk model epidemi, namun model epidemi yang ada, baru membangun model epidemi yang terjadi antara manusia dengan manusia tanpa ada vektor perantara. Karena itu, perlu dikembangkan untuk model epidemi yang terjadi melalui perantara vektor dalam hal ini adalah nyamuk khususnya pada kasus DBD. Penelitian ini mengusulkan untuk melakukan pemodelan epidemi DBD dengan pemodelan berbasis agen, sehingga pemodelan berbasis agen mampu menghasilkan model epidemi untuk melihat penyebaran DBD dan memonitor perkembangannya secara mikro berdasarkan perilaku agen.
Perumusan Masalah
Permasalahan yang akan dikaji pada penelitian ini adalah bagaimana menganalisis, membangun dan mengevaluasi pemodelan berbasis agen pada penyebaran dinamis DBD.
Tujuan Penelitian
Tujuan dari penelitian ini, yaitu:
1 Menganalisis perilaku dan kebutuhan agen yang terlibat dalam proses penyebaran DBD
2 Memodelkan penyebaran DBD berbasis agen pada framework NetLogo 3 Mengevaluasi kinerja model berbasis agen pada penyebaran dinamis DBD
Manfaat Penelitian
3 Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini meliputi:
1 Model yang digunakan adalah model berbasis agen dengan agen adalah manusia dan nyamuk
2 Pemodelan penyebaran dinamis menggunakan parameter lingkungan berupa iklim (suhu dan kelembaban) dan demografi (laju pertumbuhan penduduk). 3 Status kesehatan agen mengikuti model SIR (Suspectible, Infected, Recovered)
(Mangobi 2011) dengan modifikasi.
2
TINJAUAN PUSTAKA
Pemodelan Berbasis Agen
Pemodelan berbasis agen adalah salah satu bentuk pemodelan epidemi yang sangat berkembang saat ini selain cellular automata. North dan Macal (2011) mengatakan pemodelan berbasis agen adalah pendekatan untuk suatu sistem pemodelan yang tediri dari interaksi agen dan individu yang otonom. Berbagai aplikasi agent based model banyak digunakan diantaranya untuk aplikasi rantai pasok, pemilihan kampanye dan penyebaran penyakit. Rodriguez (2013) menyebutkan agent based model dapat dibangun dari dinamika sistem yang ada atau kejadian diskrit untuk menggambarkan perilaku yang dan interaksi yang kompleks.
Model berbasis agen merupakan metode komputasional yang memungkinkan peneliti untuk menciptakan, menganalisa, melakukan eksperimen dan model yang terdiri dari agen-agen yang saling berinteraksi dengan lingkungan (Abdou et al. 2012). ABM mensimulasikan tindakan dan interaksi dari beberapa agen, dengan tujuan untuk meniru perilaku sistem secara keseluruhan dan untuk memprediksi pola fenomena yang kompleks. Agen berperilaku independen, tetapi bereaksi terhadap lingkungan, serta bereaksi terhadap agen lainnya. Misalnya ketika nyamuk lapar, maka akan akan mencari target manusia sebagai sumber energi. Agen juga berperilaku dengan batasan rasionalitas dan bertindak untuk kepentingan diri mereka, misalnya bereproduksi, meningkatkan keuntungan, atau mengubah status kesehatan. Agen juga bisa belajar untuk menghindari kegagalan. Sebuah model berbasis agen harus memiliki tiga unsur (Macal dan North 2011) : 1 Satu set agent, attribut dan perilaku mereka .
2 Satu set relationship agen dan metode interaksi yaitu topologi yang mendasari keterhubungan dan mendefinisikan bagaimana dan dengan siapa agen berinteraksi .
3 Lingkungan (environment) agen. Agen berinteraksi dengan lingkungan selain dengan agen lain
Elemen utama yang menjadi fokus pemodelan adalah agen. Agen memiliki kemampuan secara otonom untuk bereaksi terhadap sistem, membuat keputusan – keputusan berdasarkan input informasi, aktif dan dinamis. Agen dapat melakukan 2 jenis pendekatan dalam menentukan perilakunya, yaitu pendekatan sebab-akibat
4
misalnya neural network. Struktur umum model berbasis agen dapat dilihat pada Gambar 1 (Macal dan North 2011).
Gambar 1 Struktur umum model berbasis agen
Gambar 1 menunjukkan struktur umum model berbasis agen yang terdiri dari agent, topologi untuk interaksi agen serta lingkungan tempat agen melakukan interaksi.
Agen
Agen merupakan bagian dari model yang mewakili objek maupun actor yang memiliki ciri sebagai berikut (Abdou 2012) :
1 Otonom artinya agen merupakan unit mandiri yang mampu memproses, menukar informasi dengan agen lain, bebas membuat keputusan, bebas berinteraksi.
2 Heterogen artinya agen memiliki kebebasan membangun otonomi attribut. Misal agen manusia memiliki attribut umur, jenis kelamin, pekerjaan dan lain-lain.
3 Aktif artinya agen memiliki kebebasan untuk melakukan mobilitas, adaptasi, interaktif dan lain-lain.
Tipe pengaturan agen secara internal menurut ( Macal dan North 2011) dapat dilihat pada Gambar 2.
5
Gambar 2 menunjukkan pengaturan agen secara internal dalam pemodelan berbasis agen dengan memiliki memori. Setiap aktivitas agen akan tersimpan di memori sehingga ketika akan mengambil keputusan disesuaikan dengan keadaan lingkungan atau kondisi tubuh sesuai yang tersimpan di memori. Hal yang penting pada sebuah agen adalah prilaku dan atributnya, sehingga dua hal ini perlu mendapatkan perhatian secara khusus.
Relationship agen
Pemodelan berbasis agen memperhatikan relationship dan interaksi. Isu utama dalam pemodelan berbasis agen adalah harus jelas siapa terhubung dengan siapa, apa yang bisa dilakukannya, kenapa, kapan dan bagaimana dinamika yang mengatur mekanisme interaksi. Mekanisme interaksi digambarkan dalam topologi. Jenis Topologi dalam pemodelan berbasis agen terdiri atas : soup yaitu Sebuah model nonspatial di mana agen tidak memiliki atribut lokasi, grid yaitu pola interaksi agen dan informasi lokal yang tersedia berbentuk sel, Euclidian
space yaitu ruang tempat agen bergerak berbentuk 2 dimensi atau 3 dimensi,
geographical information system yaitu agen bergerak dalam ruang spasial, dan
network yaitu agen mengikuti link jaringanstatik atau dinamis (Macal dan North
2011).
Lingkungan
Lingkungan merupakan tempat agen berinteraksi satu sama lain. Lingkungan ditempati oleh agen manusia dan nyamuk serta memiliki suhu dan kelembaban yang mempengaruhi perilaku nyamuk. Tabel 1 Nilai rentang suhu terhadap perilaku nyamuk (Rodriguez et al. 2013 ; Soegijanto 2006).
Tabel 1 Nilai rentang suhu terhadap perilaku nyamuk Rentang (0 Celsius) Perilaku nyamuk 0 ≤ suhu ≤ 10 dan suhu > 39 Tidak aktif
10 < suhu < 20 Terbang acak
20 ≤ suhu ≤ 39 Terbang acak,menggigit
25 ≤ suhu ≤ 27 Reproduksi
Suhu < 0 dan suhu > 41 Mati
Faktor lingkungan kelembaban juga mempengaruhi perilaku nyamuk. Nilai rentang kelembaban terhadap perilaku nyamuk (Jacintho et al. 2010, Jacob et al.2014), ditunjukkan pada Tabel 2.
Tabel 2 Nilai rentang kelembaban terhadap perilaku nyamuk
Rentang (%) Perilaku nyamuk
Kelembaban > 70 Reproduksi, terbang acak, menggigit
Kelembaban ≥ 60 Terbang acak
Kelembaban < 60 Mati
Epidemiologi dalam Bahasan Komputasi
6
keadaan peristiwa yang berkaitan dengan kesehatan dalam suatu populasi tertentu. Tujuan epidemiologi adalah untuk menggambarkan status kesehatan populasi, menentukan “sebab” masalah kesehatan, menentukan riwayat alamiah suatu penyakit, mengevaluasi suatu tindakan intervensi kesehatan, memprediksi terjadinya masalah kesehatan dalam sebuah populasi serta menanggulangi masalah kesehatan. Sedangkan epidemi adalah penyakit yang menyebar secara luas dan cepat pada populasi di waktu yang sama (White et al. 2007). Epidemi yang cukup terkenal diantaranya SARS, DBD, influenza.
Kajian tentang kesehatan masyarakat terus dilakukan baik oleh peneliti dari berbagai disiplin ilmu maupun ahli kesehatan, tujuannya adalah untuk melindungi, memelihara, memulihkan, dan meningkatkan kesehatan populasi. Sedang epidemiologi memberikan kontribusinya dengan mendeskripsikan distribusi penyakit pada populasi, meneliti paparan faktor-faktor yang mempengaruhi atau menyebabkan terjadinya perbedaan distribusi penyakit tersebut.
Penelitian tentang epidemiologi DBD telah banyak dilakukan terutama menggunakan model SIR. Derouich et al. (2003) membuat model SIR untuk DBD dan menyatakan bahwa DBD adalah penyakit yang kompleks yang dipengaruhi faktor manusia, biologi, lingkungan dan sosio-ekonomi. Melakukan pencegahan dari faktor lingkungan saja tidak cukup, sehingga perlu dilakukan proses vaksinasi. Side dan Noorani (2013) membuat model SIR untuk penyebaran DBD di Selangor (Malaysia) dan Sulawesi (Indonesia). Penelitian ini menunjukkan bahwa nilai infected vector (Iv < 1) dan nilai tingkat perindukan R0 < 1, sehingga penyebaran
DBD di Selangor dan Sulawesi tidak mengkhawatirkan, namun pencegahan tetap harus diambil, karena virus dengue di kedua negara tersebut menyebar sangat cepat. Selain model SIR, model komputasi yang telah dikembangkan untuk model DBD adalah Celullar Automata (CA), yaitu model pendekatan spasial yang
Dari hasil wawancara pakar dengan ahli entomologi dan patologi di IPB menyatakan bahwa demam berdarah (DBD) adalah penyakit yang disebabkan oleh virus dengue. Virus ini ditemukan pada nyamuk aedes aegypti dan aedes albopictus. Nyamuk aedes aegypti hanya berada pada lingkungan indoor, tidak terkena sinar matahari dan biasa ada di tempat lembab. Sedangkan nyamuk aedes albopictus berada pada lingkungan outdoor seperti kebun. Dari kedua jenis nyamuk ini yang paling sering menyebabkan DBD adalah nyamuk aedes aegypti, karena berada di lingkungan manusia.
7
laut. Karena pada tempat yang tinggi dengan suhu rendah siklus perkembangan nyamuk tidak optimal (Roose 2008).
Pakar entomologi menyatakan pola perjangkitan infeksi virus dengue dipengaruhi iklim dan kelembaban. Curah hujan juga akan mempengaruhi kelembaban, sehingga jika kelembaban naik, maka perindukan nyamuk juga meningkat. Suhu dan kelembaban pada setiap tempat dan waktu berbeda. Sehingga pola terjadinya penyakit juga berbeda.
Vektor Bionomik
Vektor bionomik merupakan riwayat hidup, kebiasaan, pemuliaan dan adaptasi suatu makhluk hidup. Bionomik nyamuk meliputi : tempat perindukan (breeding place), kebiasaan menggigit (feeding habit), kebiasaan istirahat (resting habit), jarak terbang (flight range). Nyamuk memiliki durasi energi sebesar 259.200 detik (Almeida 2010). Maksimum energi nyamuk dikalkulasikan dari kekuatan nyamuk bertahan tanpa makan selama 3 hari= 259.200 detik. Ketika durasi energi antara 1 - 129.600 detik, nyamuk akan mencari makan dengan menggigit manusia. Nyamuk bertelur dan makan pada suhu 200- 390 Celsius. Suhu optimal untuk bertahan antara 270-310 Celsius. Nyamuk tidak aktif pada suhu kurang dari 100 C dan suhu lebih dari 390 C, mati pada suhu kurang dari 00 dan suhu lebih dari 410 C. Nyamuk mengalami siklus hidup sebanyak empat tahap. Siklus hidup nyamuk dapat dilihat pada Gambar 3 (Almeida 2010).
Telur Larva Pupa Dewasa
Mati Peluang meninggal
Lahir
Gambar 3 Siklus hidup nyamuk aedes aegypti (Almeida 2010)
Nyamuk mengalami metamorfosis pada siklus hidupnya. Menurut pakar IPB sekali bertelur nyamuk menghasilkan kurang lebih 100 butir. Telur akan berubah menjadi larva dalam 3 hari dengan suhu lebih dari 200 Celsius dan kelembaban diatas 70 persen. Larva akan berubah menjadi pupa dalam waktu 3 sampai 5 hari dengan suhu antara 250 Celsius sampai 290 Celsius. Pupa akan berubah menjadi dewasa dalam waktu 3 hari dengan suhu 200 Celsius dan memiliki probabilitas untuk hidup sebesar 83 persen. Nyamuk dewasa hanya yang betina yang akan menyebar virus dengue. Nyamuk jarang tebang pada suhu kurang dari 160 Celsius (Jachinto 2010)
Mekanisme Penularan DBD
8
Gambar 4 Mekanisme penularan DBD
Gambar 4 menunjukkan penularan DBD hanya terjadi jika ada nyamuk terinfeksi dengue menggigit manusia sehat, atau manusia terinfeksi dengue digigit oleh nyamuk sehat.
Platforms Pemodelan Berbasis Agen
Platforms pemodelan berbasis agen merupakan perangkat lunak yang
dirancang untuk mengembangkan aplikasi berbasis agen. Ada beberapa platforms pemodelan berbasis agen, diantaranya MASON, Repast, NetLogo, Java Swarm dan Objective C Swarm (Railsback et al. 2005). NetLogo merupakan platform tingkat tinggi, menyediakan bahasa pemrograman yang sederhana namun kuat, tampilannya menggunakan graphical interface, dan memiliki dokumentasi yang komprehensif. Kelemahan NetLogo adalah lingkungan pemrograman yang terlalu sederhana, adanya pembatasan kode dalam satu file, kurang organisasi sehingga rumit untuk model yang besar.
MASON bisa menjadi pilihan yang baik bagi pengembang yang memiliki pengalaman bekerja pada model komputasi yang komplek, misalnya jumlah agen sangat banyak dan waktu yang dibutuhkan lama. Kelemahan MASON adalah pemrograman di level bawah lebih rumit, tidak memiliki standar, tidak kompatibel pada koleksi kelas, kurangnya jendela debugging ketika bekerja di Eclipse.
Repast merupakan platforms Java yang paling lengkap dan menerapkan sebagian besar fungsi Swarm. Repast telah menambahkan kemampuan seperti kemampuan untuk melakukan reset dan melakukan restart model dari antarmuka grafis. Repast memiliki beberapa elemen dasar yang tidak lengkap sehingga rumit dipakai oleh pemula. Contohnya pelabelan fungsi utama dipisahkan dari perangkat lunak inti, tersedia beberapa koleksi fungsi seperti arrayList dan Vektor, namun yang bisa digunakan hanya arrayList, data record tidak mampu menampilkan statistik secara lengkap.
Swarm dirancang untuk digunakan secara luas di seluruh domain ilmiah dan menggunakan pendekatan konseptual. Konsep utamanya merancang model membentuk kawanan atau segerombolan membentuk kelompok objek dan melakukan eksekusi. Waktu eksekusi menggunakan swarm lama untuk model yang kompleks.
9
dianjurkan bahkan untuk prototipe yang nantinya akan diterapkan pada platforms
tingkat yang lebih rendah. NetLogo juga memiliki kecepatan menengah.
Platforms NetLogo
NetLogo adalah bahasa pemrograman multi agent dan model lingkungan untuk simulasi fenomena yang kompleks (Wilensky et al. 2004). Pemodel dapat memberikan instruksi kepada ratusan atau ribuan agen independen, memberikan intruksi operasi secara bersamaan. NetLogo merupakan tool untuk pemodelan berbasis agen yang dibangun oleh Northwester University for Connected Learning
(CCL) dan Computer Based Modeling (Wilensky et al. 2004). Untuk mengontrol model, NetLogo memiliki button, sedangkan untuk mengontrol parameter memiliki slider. NetLogo ditulis dalam bahasa java dan memiliki library model untuk berbagai disiplin ilmu.
Library model berisi simulasi yang telah dibangun pada NetLogo dan bisa
di kembangkan dan di modifikasi. Area library model diantaranya sosial, biologi, matematik, kimia, ilmu komputer, epidemi, game dan lain-lain. NetLogo memiliki kurang lebih 150 model yang sudah dibangun dan bisa dimodifikasi (Wilensky 2004). Gambar 5 menunjukkan library modelyang ada pada NetLogo 5.3
10
Gambar 5 menunjukkan library model pada NetLogo. Telah dibangun model untuk biologi, matematik, socio-science, epidemi dan lain-lain. Model tersebut bisa dikembangkan sesuai kebutuhan karena bersifat open source. Model epidemi untuk infeksi antar manusia sudah tersedia di NetLogo, tetapi infeksi yang melalui vektor masih belum ada. Contoh library model epidemi pada NetLogo ditunjukkan pada Gambar 6.
Gambar 6 Library model epidemi pada NetLogo
Gambar 6 menunjukan tampilan lingkungan NetLogo untuk model epidemi penyebaran penyakit yang terjadi melalui interaksi antara manusia dengan manusia. Untuk Grafical User Interface, NetLogo memiliki 3 tab yang bisa digunakan untuk mengembangkan model, yaitu interface, information, dan code.
Interface merupakan tampilan utama untuk menampilkan grafik, slider, button,
plot, input dan lain-lain. Information merupakan dokumentasi model yang menjelaskan aturan dibelakang model dan menyarankan pembaca untuk mencobanya. Code merupakan kode aktual prosedur yang dibangun pada sebuah model. Model yang baik akan menambahan komentar tentang cara kerja pada kode yang dituliskan.
3
METODE
Tahapan Penelitian
11 melakukan literature review untuk mendapatkan data karakteristik dari agen dan lingkungan penyebab DBD. Data tersebut diperoleh dari jurnal ilmiah, buku dan wawancara pakar dengan ahli Entomologi dan Pathologi Fakultas Kedokteran Hewan IPB.
Akuisisi pengetahuan pakar epidemiologi dilakukan dengan melakukan wawancara kepada ahli entomologi dan patologi. Narasumber berasal dari Fakultas kedokteran Hewan (FKH) IPB berjumlah 3 orang. Wawancara dilakukan untuk mendapatkan informasi mengenai faktor-faktor penyebab DBD, mekanisme penularan DBD, siklus hidup aedes aegypti, faktor prediksi penyebaran dinamis DBD. Perilaku setiap faktor yang terlibat (manusia, nyamuk, lingkungan) dan penanggulangan DBD.
Pengumpulan Data
Pada penelitian ini data yang digunakan terdiri dari 2 data sekunder, yaitu: data kejadian DBD yang diperoleh dengan cara observasi dokumen. Data yang digunakan adalah laporan Dinas Kesehatan Kabupaten Bogor tahun 2015. Data iklim berupa suhu dan kelembaban diperoleh dari BMKG Dramaga Bogor. Data yang digunakan adalah data iklim BMKG pada tahun 2015. Data yang diperoleh akan digunakan untuk evaluasi model berbasis agen.
Analisis
12
berbasis agen bersifat dinamis, maka jumlah agen dalam model bisa mengalami penambahan jumlah. Pada agen manusia penambahan jumlah agen berdasarkan pada laju pertumbuhan penduduk harian. Karena pada model menggunakan waktu ticks dalam harian. Semakin tinggi laju pertumbuhan penduduk, maka penambahan jumlah agen manusia semakin banyak.
Agen nyamuk dalam menjalankan misinya mencari target juga dipengaruhi oleh tingkat infeksi (infection rate) yaitu probabilitas nyamuk akan menginfeksi manusia di dekatnya. Semakin tinggi tingkat infeksi, maka jumlah penularan DBD pada manusia semakin tinggi (Carmona et al. 2014).
Hasil yang diperoleh pada tahapan ini berupa data atribut agen, perilaku agen serta parameter untuk inisialisasi model. Sedangkan analisis lingkungan, menentukan parameter-parameter lingkungan yang mempengaruhi penyebaran DBD sesuai dengan wawancara pakar dan studi literatur. Hasil yang diperoleh pada tahapan ini berupa data pengaruh lingkungan terhadap perilaku agen. Analisis pengaruh lingkungan terhadap perilaku agen merujuk pada Tabel 1 dan Tabel 2.
Perancangan
Setelah melakukan analisis sistem, tahap berikutnya melakukan perancangan sistem. Perancangan untuk membangun pemodelan berbasis agen pada DBD ini dilakukan dengan menggunakan Unified Manipulation Language (UML). Meskipun NetLogo tidak mendukung pemrograman berorientasi objek, namun penggunaan UML tetap bisa digunakan untuk memudahkan dalam pembacaan kode pada NetLogo (Bersini 2012). Dalam membangun UML untuk pemodelan berbasis agen dilakukan beberapa analogi diantaranya agen berperan sebagai kelas objek, menggunakan metode standar pada UML sebagai alat untuk mendukung analisis, spesifikasi , dan desain perangkat lunak agen (Bauer et al. 2001).
Standar metode UML yang digunakan antara lain diagram use case yang digunakan untuk menggambarkan aktivitas dalam sistem dilihat dari pengamatan luar, diagram state yang menggambarkan secara garis besar perubahan yang dilakukan agen serta diagram aktivitas merupakan penjabaran lebih rinci dari diagram state, diagram sequence yang menggambarkan apa yang dilakukan agen dalam sistem serta pesan apa yang dikirimoleh setiap agen, diagram class yang menggambarkan kelas yang terlibat dalam model,
Implementasi
Setelah melalui proses perancangan sistem, dilakukan implementasi sistem berdasarkan hasil rancangan yang telah dibangun. Penerapan rancangan dari model UML diimplementasikan ke dalam bentuk pemrograman dengan menggunakan software open source NetLogo. Dataset suhu dan kelembaban yang diperoleh dari BMKG Dramaga Januari sampai Desember 2015 dibaca oleh NetLogo dalam bentuk file.csv.
Evaluasi Model
13 Verifikasi dilakukan untuk memastikan bahwa pemrograman komputer sudah berjalan sesuai konseptual model (Sargent 2014). Uji Verifikasi dilakukan dengan uji skenario dengan melakukan uji sintetis data. Tahapan berikutnya adalah melakukan uji validasi model dengan event validity (Sargent 2007), yaitu membandingkan hasil pada model dengan sistem aktual. Validasi pada penelitian ini dilakukan dengan membandingkan data aktual yang diperoleh dari dinas kesehatan dan BMKG Dramaga Bogor dengan data hasil model berbasis agen.
4
HASIL DAN PEMBAHASAN
Pada penelitian sebelumnya, mengenai pemodelan berbasis agen yang telah dikembangkan oleh Isidiro et al. (2009), Jachinto et al. (2010), Almeida et al. (2010), Rodriguez et al. (2013), maka pada beberapa analisis lingkungan dan analisis agen, selain menggunakan hasil akuisisi wawancara pakar epidemiologi, model ini juga menggunakan parameter dan perilaku agen dari penelitian tersebut.
Hasil Analisis Sistem
Pada tahap ini ditentukan agen serta variabel yang terlibat dalam penyebaran DBD berbasis agen. Setelah melakukan wawancara pakar dan literature review, faktor yang terlibat dalam penyebaran DBD berbasis agen adalah manusia sebagai host dan nyamuk sebagai vector perantara, serta faktor lingkungan berupa iklim yaitu suhu dalam derajat Celsius dan kelembaban dalam persen. Data iklim yaitu suhu dan kelembaban diperoleh dari BMKG Dramaga untuk wilayah stasiun Kecamatan Dramaga serta data kasus DBD dari Dinas Kesehatan Kabupaten Bogor.
Hasil Analisis Agen
Dalam membangun model penyebaran DBD berbasis agen dilakukan analisis agen dengan melakukan penentuan parameter-parameter serta perilaku masing-masing agen sebagai dasar untuk menentukan keputusan aksi dan interaksi serta perubahan status kesehatan pada agen. Pada tahap ini di tentukan atribut dan perilaku masing-masing agen. Atribut agen ditunjukkan pada Tabel 3, sedangkan perilaku agen ditunjukkan pada Tabel 4.
Tabel 3 Atribut agen
Agen Atribut Keterangan
Nyamuk Id_nyamuk Usia
Nomor identitas masing-masing nyamuk
Nyamuk memiliki usia maksimal 33 hari (Pakar) Status_
kesehatan Durasi_energi
Nyamuk memiliki status kesehatan antara rentan atau terinfeksi
Durasi energi maksimal nyamuk bertahan selama 3 hari (259200 detik) (Almeida et al. 2010)
Fertilitas Posisi
Nyamuk mampu bereproduksi sebanyak 4 kali selama masa hidupnya (Pakar)
Posisi atau koordinat tempat nyamuk berada Manusia Id_manusia
Usia
14
Bogor) Status_kesehatan
Posisi
Infeksi terjadi apabila manusia rentan terinfeksi virus dengue karena digigit nyamuk terinfeksi Posisi atau koordinat tempat manusia berada Tabel 4 Perilaku agen
Agen Perilaku Keterangan
Nyamuk Menggigit Nyamuk akan menggigit manusia jika energi mencapai setengah dari energi maksimum (Almeida et al. 2010)
Menyebarkan virus
Jika nyamuk telah terinfeksi virus dengue, dan usianya > 12 hari, maka mampu menyebarkan virus kepada manusia (Jacintho et al. 2010) Terbang Terbang pindah posisi koordinat
Reproduksi Sekali bertelur nyamuk mampu menghasilkan 100 butir telur (pakar), dengan asumsi 10 persen yang mampu mentransmisikan
Manusia Bergerak Menyebabkan pindah koordinat Lahir Penambahan jumlah populasi manusia Mati Pengurangan jumlah populasi manusia
Hasil Perancangan
Setelah melakukan analisis, tahap selanjutnya adalah membuat perancangan. Perancangan pemodelan berbasis agen menggunakan UML. Diagram UML yang dibangun meliputi diagram use case, diagram state dan diagram aktivitas, diagram sequence dan diagram class.
Diagram Use Case
Diagram use case menggambarkan aktivitas apa saja yang dilakukan oleh suatu sistem dari sudut pandang pengamatan luar. Gambar 8 menunjukkan diagram use case pemodelan berbasis agen pada DBD.
15 Gambar 8 Diagram use case pemodelan berbasis agen pada DBD
Gambar 8 menunjukkan aktor atau agen yang terlibat dalam PBA. Agen nyamuk akan terbang dan memeriksa target, ketika ada agen manusia, serta kondisi lingkungan dan kondisi tubuh agen nyamuk memungkinkan untuk menggigit, maka akan terjadi proses penggigitan. Hal ini menyebabkan terjadinya perubahan status kesehatan pada manusia atupun agen nyamuk itu sendiri. Aktivitas reproduksi terjadi dengan mengecek terlebih dahulu kondisi tubuh dan lingkungan. Reproduksi pada nyamuk dan lahir pada manusia akan menambah jumlah populasi agen. Nyamuk akan mati karena faktor usia, lingkungan serta kondisi tubuh. Manusia akan mati karena faktor usia. Untuk menguraikan diagram use case lebih rinci dibahas pada diagram state dan diagram aktivitas.
Diagram state dan diagram aktivitas
Diagram state menunjukkan proses yang menyebabkan kemungkinan terjadinya perubahan pada suatu agen. Diagram state pada agen nyamuk dapat dilihat pada Gambar 9.
Terbang random
menggigit
reproduksi stateagenNyamuk
Cek syarat reproduksi
Cek syarat menggigit
Gambar 9 Diagram state pada agen nyamuk
16
Agen nyamuk Suhu lingkungan
Terbang random
Cek usia
Cek suhu optimal
Cek fertilitas
Cek energi inactive
reproduksi Ya tidak
Ya tidak
tidak
Ya
Ya tidak
Gambar 10 Diagram aktivitas reproduksi nyamuk
17
Agen nyamuk Suhu lingkungan Agen manusia
Terbang random
Gambar 11 Diagram aktivitas perilaku nyamuk menggigit
Gambar 11 diagram aktivitas menjelaskan tentang perilaku menggigit yang dilakukan oleh nyamuk. Proses penggigitan hanya dilakukan oleh nyamuk dewasa yaitu nyamuk dengan usia lebih dari 12 hari. Ketika syarat usia memenuhi lalu mengecek energi yang dimiliki, ketika energi nyamuk penuh, dia cenderung untuk istirahat atau terbang acak tanpa menggigit. Menurut Almeida (2010) nyamuk akan mencari makan ketika energi mencapai setengah dari durasi energi maksimum, yaitu sebesar 129.600 detik.
18
poses penyebaran infeksi, walupun terjadi penggigitan. Aktivitas reproduksi dan menggigit dipengaruhi oleh lingkungan. Pengaruh lingkungan terhadap perilaku nyamuk ditunjukkan pada Gambar 12.
Cek suhu 0 <= suhu <=10 & suhu > 39
Tidak aktif
10 < Suhu <=20
Terbang acak
20 < Suhu <= 39
Reproduksi & menggigit
Suhu < 0 & suhu > 41
mati
aktivitas
Agen nyamuk Suhu Lingkungan
ya
ya
ya
ya tidak
tidak
tidak
tidak
Gambar 12 Diagram aktivitas pengaruh suhu pada perilaku nyamuk
Gambar 12 menjelaskan tentang pengaruh suhu pada perilaku nyamuk. Karena faktor lingkungan sangat mempengaruhi perilaku nyamuk tersebut. Diagram aktivitas pengaruh suhu pada perilaku nyamuk merujuk pada Tabel 1.
Diagram Sequence
19
Gambar 13 Diagram sequence proses infeksi DBD
Gambar 13 merupakan diagram sequence proses infeksi DBD yang berkaitan dengan hasil wawancara pakar pada Gambar 1. Nyamuk rentan ketika menggiigt manusia yang mengandung virus, maka status kesehatan nyamuk berubah menjadi nyamuk terinfeksi. Ketika nyamuk terinfeksi menggigigt manusia rentan, maka status kesehatan manusia berubah menjadi terinfeksi. Manusia terinfeksi akan berubah status kesehatannya menjadi sembuh pada waktu tertentu.
Diagram Class
Diagram class merupakan diagram yang menggambarkan sistem secara keseluruhan dengan menunjukkan kelas-kelasnya serta menggambarkan hubungan yang terjadi antar kelas. Diagram class pada penyebaran DBD berbasis agen dapat dilihat pada Gambar 14.
Gambar 14 Diagram class model berbasis agen pada DBD
Gambar 14 menunjukkan kelas-kelas yang dimiliki oleh model berbasis agen pada penyebaran DBD. Masing-masing kelas terdiri dari atribut dan metode.
Nyamuk Nyamuk + virus Manusia Manusia + virus
20
Nyamuk dan manusia berinteraksi dengan pengaruh lingkungan, sehingga menyebabkan tejadinya proses infeksi.
Implementasi
Setelah melakukan analisis dan perancangan langkah selanjutnya adalah melakukan implementasi model berbasis agen menggunakan NetLogo. Kode pemrograman dapat dilihat pada Lampiran 1. Input data berupa inisialisasi jumlah nyamuk, inisialisasi jumlah manusia, tingkat infeksi, laju pertumbuhan manusia.. Pada implementasi terdapat button setup yang berfungsi untuk inisialisasi awal data simulasi dan button go untuk menjalankan aplikasi. Slider menunjukkan jumlah inisialisasi manusia, nyamuk, infection rate, serta laju pertumbuhan penduduk. Hasil implementasi model dapat dilihat pada Gambar 15
Gambar 15 Hasil implementasi penyebaran DBD berbasis agen
Pada Gambar 15, hasil implementasi pemodelan berbasis agen sesuai dengan hasil konsep SIR (Barton 2016, Side dan Noorani 2013) yang menyatakan bahwa jumlah manusia yang susceptible (rentan) akan menurun ketika jumlah manusia yang terinfeksi naik. Persentase manusia menggambarkan jumlah persentase manusia yang terinfeksi. Grafik nyamuk menunjukkan jumlah nyamuk yang terdapat dalam model dimana jumlahnya dipengaruhi oleh suhu dan kelembaban. Grafik persentase manusia menunjukkan tingkat persentase manusia terinfeksi. Lingkungan menggambarkan suhu dan kelembaban dalam model. Model berjalan dalam satuan waktu ticks. Satu ticks menunjukkan waktu satu hari. Model berbasis agen berjalan secara random, sehingga meskipun kita menggunakan inisialisasi yang sama, tetapi ketika dijalankan mungkin hasil angkanya berbeda, tetapi trennya tetap sama (Sutiono 2007).
Evaluasi Model
Slider : untuk inisialisasi awal
World untuk interaksi agen
Button
21 Evaluasi model dilakukan dengan dua cara, yaitu verifikasi dan validasi (Sargent 2014). Verifikasi dilakukan dengan uji skenario sintetis data randomisasi. Uji verifikasi dilakukan untuk mengetahui apakah model sudah bekerja dengan benar. Dalam hal ini model mampu menunjukkan pengaruh lingkungan terhadap perilaku nyamuk. Sedangkan validasi dilakukan dengan membandingkan hasil pada model berbasis agen dengan hasil pada data aktual.
Verifikasi Sensitivitas Model
Uji verifikasi dilakukan untuk mengetahui sensitivitas lingkungan terhadap perilaku nyamuk. Untuk menguji verifikasi program dilakukan proses sintetis data dengan 3 skenario data random.
Tabel 5 Kebutuhan verifikasi model pengaruh lingkungan terhadap perilaku nyamuk
Skenario 1 Skenario 2 Skenario 3
25 ≤ suhu ≤ 27 10 < suhu < 20 25 ≤ suhu ≤ 27 dan 10 < suhu < 20 Kelembaban > 70 Kelembaban = 65 Kelembaban 65 - 78
Parameter inisialisasi untuk ketiga skenario adalah sebagai berikut: jumlah nyamuk 20, jumlah manusia 100, tingkat infeksi 53.51 %, laju pertumbuhan penduduk 0.00474, jumlah ticks 90. Sintetis data dibaca dalam bentuk file.csv. Hasil ketiga skenario masing- masing dapat dilihat pada Gambar 16, Gambar 17 dan Gambar 18.
22
Gambar 16 menunjukkan jika lingkungan model memiliki suhu dan
kelembaban optimal terjadi peningkatan pada persentase manusia yang terinfeksi dan peningkatan jumlah nyamuk.
Gambar 17 Hasil uji skenario dengan suhu dan kelembaban rendah
Gambar 17 menunjukkan ketika suhu dan kelembaban rendah maka data infeksi pada manusia tidak akan bertambah, dan jumlah nyamuk akan menurun.
23 Gambar 18 menunjukkan hasil ketika suhu naik dan turun maka persentase manusia yang teinfeksi cenderung naik tetapi tidak terlalu cepat bahkan pada waktu tertentu tidak terjadi. Pada grafik nyamuk menunjukkan jumlah nyamuk akan naik turun.
Dari uji skenario pada Gambar 16, Gambar 17 dan Gambar 18, menunjukkan bahwa model berbasis agen mampu membaca sensitivitas dari suhu dan kelembaban. Model yang dibangun juga mendukung penelitian sebelumnya yaitu Ariati dan Anwar (2014) yang menyatakan bahwa suhu dan kelembaban mempengaruhi penyebaran DBD dan pertumbuhan nyamuk. Hasil uji verifikasi menunjukkan bahwa model sudah bekerja dengan benar pada uji pengaruh lingkungan terhadap perilaku nyamuk.
Validasi
Untuk melakukan validasi model dilakukan perbandingan data aktual dengan data hasil model. Model diuji dengan memasukkan data cuaca dari BMKG Dramaga tahun 2015. Data suhu dan kelembaban dalam satu tahun dibagi 2 periode, yaitu periode pertama Januari sampai Juni dan periode kedua Juli sampai Desember. Hal ini dilakukan untuk mempermudah simulasi karena jumlah agen pada model terbatas. Data suhu dan kelembaban dibaca dalam file.csv. Untuk kebutuhan validasi digunakan parameter yang ditunjukan pada Tabel 6.
Tabel 6 Parameter inisialisasi kebutuhan validasi model
Inisialisasi parameter Nilai
Jumlah manusia 100
Jumlah nyamuk 10
Tingkat infeksi 0.11 (Pramestuti dan Djati 2013) Laju pertumbuhan penduduk 0.00474 (BPS Bogor 2015).
Hasil implementasi model berbasis agen dengan menggunakan data iklim Dramaga bulan Januari sampai Juni 2015 dapat dilihat pada Gambar 19, sedangkan periode Juli sampai Desember dapat dilihat pada Gambar 20.
24
Gambar 19 menunjukkan tampilan model berbasis agen menggunakan data suhu dan kelembaban yang diperoleh dari data BMKG dramaga untuk periode Januari sampai Juni. Grafik persentase manusia terinfeksi dan pertumbuhan nyamuk cenderung naik. Hal ini karena suhu dan kelembaban pada periode tersebut cenderung optimal, yaitu suhu pada kisaran 250 Celsius sampai 270 Celsius dan kelembaban pada rentang 71 % sampai 90 %. Data suhu dan kelembaban tersebut dapat dilihat pada Lampiran 2 dan Lampiran 3
Gambar 20 Tampilan model dengan data cuaca BMKG bulan Juli-Desember 2015 Gambar 20 menunjukkan tampilan model berbasis agen menggunakan data suhu dan kelembaban yang diperoleh dari data BMKG Dramaga untuk periode Juli sampai Desember 2015. Grafik persentase manusia terinfeksi dan pertumbuhan nyamuk cenderung naik juga, namun lebih sedikit dibandingkan periode Januari sampai Juni dengan kisaran suhu pada rentang 250 Celsius sampai 280 Celsius dan kelembaban antara 65% sampai 89%.
Gambar 21 menunjukkan pertumbuhan nyamuk pada periode pertama cenderung naik dan lebih tinggi dibanding periode kedua. Model mencatat penurunan jumlah sebesar 26.3%. Hal ini disebabkan karena pada periode pertama yaitu Januari sampai Juni 2015, suhu dan kelembaban rata-rata optimal setiap harinya. Sedangkan pada periode kedua yaitu Juli sampai Desember 2015 suhu dan kelembaban cenderung fluktuatif.
Gambar 21 Laju pertumbuhan nyamuk
0
105 113 121 129 137 145 153 161 169 177 185
25
(a) (b)
Gambar 22 Persentase manusia terinfeksi (a) hasil aktual (b) hasil model Gambar 22 (a) menunjukkan persentase infeksi manusia secara aktual di Kecamatan Dramaga. Data Dinas Kesehatan menunjukan terjai penurunan sebesar 56% pada periode I yaitu Januari - Juni 2015 ke periode II, yaiitu Juli - Desember 2015. Gambar 22 (b) menunjukan persentase manusia terinfeksi pada model menggunakan dataset pada perilaku agen tanpa sampling. Pada data Kecamatan Dramaga tahun 2015 penurunan DBD dari periode pertama ke periode kedua sebesar 56%. Pada model penurunan terjadi sebesar 16 %. Hasil model dengan data aktual menunjukkan tren infeksi manusia yang sama yaitu penurunan, walaupun jumlah persentase penurunan memiliki selisih cukup besar. Selisih ini terjadi karena pada penelitian ini tidak menggunakan distribusi spasial, representasi tidak diuji, berdasarkan pada perilaku makro yang kompatibel, sehingga masih belum terlalu detail. Model tidak menggunakan jumlah agen sesuai dengan data riil, karena keterbatasan informasi jumlah agen seperti tidak tersedianya jumlah nyamuk suatu wilayah. Pada penelitian ini lebih menonjolkan tren hasil model dengan hasil aktual.
Kelebihan pemodelan berbasis agen (PBA) adalah mampu menunjukkan pemodelan yang bersifat dinamis, dalam hal ini mampu menunjukkan kontak antar individu, mampu menunjukkan pengaruh lingkungan yang heterogen terhadap perilaku agen, serta lebih fleksibel karena PBA mampu menambahkan berbagai faktor dan parameter baru tanpa harus merubah sistem yang sudah dibangun.
Kelemahan dari PBA adalah model bekerja dengan waktu yang cukup lama ketika jumlah agen sangat banyak. Hal ini terjadi karena setiap agen harus menjalankan aktivitas dan perilaku masing- masing. Sehingga model yang sudah dibangun masih belum bisa diterapkan dalam suatu wilayah tertentu dengan data agen yang aktual.
KESIMPULAN
Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa spesifikasi model yang diperlukan untuk membangun pemodelan berbasis agen memerlukan proses analisis kebutuhan diantaranya agen yang terlibat, perilaku agen, atribut agen, proses interaksi agen, serta pengaruh lingkungan. Model yang dibangun memiliki kemampuan untuk menunjukkan laju pertumbuhan nyamuk dan tingkat
26
infeksi pada manusia berdasarkan perilaku agen. Evaluasi telah dilakukan dengan dua cara yaitu verifikasi dan validasi. Hasil verifikasi menunjukkan bahwa model berbasis agen mampu membaca sensitivitas dari suhu dan kelembaban, sedangkan hasil validasi menunjukkan tren penyebaran DBD yang sama antara data aktual dengan data hasil simulasi yaitu tren penurunan kasus DBD dan laju pertumbuhan nyamuk pada periode I yaitu bulan Januari sampai Juni 2015 ke periode II yaitu Juli sampai Desember 2015.
SARAN
Berdasarkan kelemahan pada penelitian ini, maka untuk penelitian selanjutnya disarankan dapat dikembangkan dengan menambahkan faktor distribusi spasial serta menguji model dengan data real suatu wilayah.
DAFTAR PUSTAKA
Abdou M, Hamill L, Gilbert N. 2012. Designing and Building An Agent-Based Model. Di dalam A. J. Heppenstall, A. T. Crooks, L. M. See and M. Batty (Eds.), Agent-based models of geographical systems (pp. 141– 166). Dordrecht: Springer.
Almeida SJD, Ferreira RPM, Eiras AE, Obermayr RP, Geier M. 2010. Multi-agent modeling and simulation of an aedes aegypti mosquito population. Environmental Modelling & Software. 25(12):1490-1507 Ariati J, Anwar A. 2014. Model Prediksi Kejadian Demam Berdarah Dengue
(DBD) Berdasarkan Faktor Iklim Di Kota Bogor, Jawa Barat. Bul. Penelit. Kesehat. Vol. 42 (4): 249-256.
Barton JT. 2016. The Spread of Infectious Disease. Di dalam: Model for Life An Introduction to Discreate Mathematical Modeling with Microsoft Excel. Filler SS, editor. New Jersey. Pp.258-318
Bauer B, Muller JP, Odell J. 2001. Agent UML: A Formalism for Specifying Multiagent Interaction. Di dalam Agent-Oriented Software Engineering, Paolo Ciancarini and Michael Wooldridge. Springer-Verlag, Berlin, pp. 91-103
Bersini H. 2012.UML for ABM. Journal of Artificial Societies and Social Simulation. United Kingdom. JASS Vol.15 (1): 9
[BPS Kota Bogor]. 2015. Statistik daerah Kecamatan Bogor Barat. Bogor. Badan Pusat Statistik Kota Bogor.
Carmona K, Dubey M, Johnson EI, Sarkissian L. 2014. Getting Down on Dengue. Supercomputing Challenge. Mexico. Finalist Reports. Pp. 221-251 Derouich M, Boutayeb A, Twizell H. 2003. A model of dengue. Biomedical
Engineering Online. Middx UB8 3PH England.
[Ditjen PP dan PL Kemenkes]. 2015. Data dan Informasi Tahun 2014 (Profil Kesehatan Indonesia). [Internet][Diacu 2015 Oktober 25]
Eosina H, Djatna T, Khusun H. 2016. A Celullar Automata Modeling for Visualizing Predicting Spreading Pattern of Dengue Fever. Telkomnika Vol.14 (1): 228~237
27
Intelligence. Luis Seabra Nunes, Nuno Lau, Pedro Mariano, Luis M. Rocha, editor. Springer Berlin Heidelberg. Pp 53 - 64
Jacintho LFO, Batista AFM, Ruas TL, Marietto MGB, Silva FA. 2010. An agent-based model for the spread of the dengue fever. Di dalam: McGraw R, Imsand E, Chinni MJ, editor. Proceedings of the 2010 Spring Simulation Multiconference on - SpringSim Orlando, Florida. New Yok (ID): ACM Press
Jacob A, Pijoh VD, Wahongan GJP. 2014. Ketahanan Hidup Dan Pertumbuhan Nyamuk Aedes Spp Pada Berbagai Jenis Air Perindukan. Jurnal e-Biomedik (eBM), Volume 2, Nomor 3
Khalil KM, Nazmy TT, Salem AB. 2009. An Agen-Based Modeling for Pandemic Influenza in Egypt. Di dalam: Lu j, Lakhmi C. Jain, Zhang G, editor. Handbook on Decisin Making. Heidelberg. Volume 33 of the series Intelligent Systems Reference Library pp 205-218
Macal CM, North MJ. 2011. Introductory tutorial: agent-based modeling and simulation. Di dalam: Jain S, editor. Proceedings of the 2011 Winter Simulation Conference (WSC); 2011 14 Dec 2011; Phoenix, Arizona, USA. Piscataway (US): IEEE. [No halaman tidak diketahui].
Mangobi JUL. 2011. Model Matematik Demam Berdarah Dengue Dengan Nyamuk Aedes Albopictus Sebagai Vektor [Tesis]. Bogor. Institut Pertanian Bogor.
Rahayu D, Winahju WS, Mukarromah A. 2012. Pemodelan pengaruh iklim terhadap angka kejadian demam berdarah dengue di Surabaya. Jurnal Sains dan Seni ITS. Vol. 1.
Railsback SF, Lytinen SL, Jackson SK. 2006. Agent Based Simulation Platforms: Review and Development Recommendations. Simulation 82(9). 609-623.
Pramestuti N, Djati AP. 2013. Distribusi Vektor Demam Berdarah Dengue (Dbd) Daerah Perkotaan Dan Perdesaan Di Kabupaten Banjarnegara. Bul. Penelit. Kesehat,. Vol. 41(3):163-170.
Rodriguez. 2013. Enhancing Dengue Fever Modeling Through a Multi-Scale Analysis Framework – A Case Study In The Central Valley Of Costa Rica [Disertasi] .San Marcos. Texas University
Roose. 2008. Hubungan Sosiodemografi dan Lingkungan dengan Kejadian Demam Berdarah Dengue di Kecamatan Bukit Raya Kota Pekanbaru [Tesis]. Medan. Universitas Sumatera Utara.
Sanchez H, Vallejo E. 2013. Towards the creation of an agent-based model to simulate dengue dynamics in human populations. Di dalam: MICAI; Mexico (MX): Instituto Tecnologico y de Estudios Sup eriores de Monterrey
Sargent. 2007, 2010. Verification and Validation of Simulation Models. USA. Proceeding Winter Simulation Confrence
Shen. 2014. Mathematical Models of Dengue Fever and Measures to Control It. Florida
state University DigiNole Commons
28
(Simulation for South Sulawesi, Indonesia and Selangor, Malaysia). World Journal of Modelling and Simulation. Englan UK. Vol. 9 (2013) No. 2, pp. 96-105
Soegijanto. 2006. Demam Berdarah Dengue. Airlangga University Press. Edisi ke 2. Surabaya
Sutiono AB, Suwa H,Ohta T. 2007. Multi Agent Based Simulation For Typhoid Fever With Complications: An Epidemic Analysis. Hasan Sadikin University of Padjadjaran Hospital, School of Medicin. Bandung White SH, Rey AMD, Sanchez GR. 2007. Modeling epidemics using cellular
automata. Applied Mathematics and Computation. 186(1):193-202. doi:10.1016/j.amc.2006.06.126.
Wilensky U, Tisue S. 2004. NetLogo: A Simple Environment for Modeling Complexity. International Confrence on Complex System. Boston Wilensky U. Tisue S. 2004. NetLogo: Design and Implementationof a
29
30
Lampiran 1 Source Code program Neltogo
extensions [ csv ]
globals [suhu kelembaban year month initial-container initial-infected-human laju-m ] breed [mosquito mosquitoes]
breed [human humans]
mosquito-own [ energy fertility infected? susceptible-mosquito? hungry? ] human-own [ infected-human? recovered-human? cured? susceptible-human? ] turtles-own
setxy random-xcor random-ycor set shape "bug"
set color blue set fertility random 3 set age random 30 ; if age > 12
;[ set energy random 259200] set energy random 259200 set infected? false
set susceptible-mosquito? true
if (who < (0.7 * initial-mosquito) ) ;;of mosquitoes are initially infected [
set infected? true
31
32
if random-float 100 < laju-pert-manusia [ ;; throw "dice" to see if you will reproduce ; set energy (energy / 2) ;; divide energy between parent and offspring
and fertility <= 4 and energy > 129600 and kelembaban > 70 and kelembaban < 89.5 ;and random 100 < laju-m; and count mosquito < 500 ;and random 100 < repro-m; 129600; and isi-container? = true
[
set susceptible-mosquito? false ]]
33
end
to setup-human
create-human initial-human [
setxy random-xcor random-ycor set shape "person"
set color white set cured? false set age random 20000 set duration 0
set infected-human? false set susceptible-human? true set initial-infected-human 1;0.184
if random-float 100 < initial-infected-human;; these people are initially infected [
set infected-human? true set susceptible-human? false
]
assign-color-h ]
end to infek2
ask human with [ susceptible-human? = true and cured? = false] [
if any? mosquito-here with [infected? = true ] and random 100 < infection-rate and suhu >= 20 and suhu <= 39
and kelembaban > 70
[set susceptible-human? false set infected-human? true ] ]
ask mosquito with [ susceptible-mosquito? = true ] [
if any? human-here with [infected-human? = true and cured? = false] and random 100 < infection-rate and suhu >= 20 and suhu <= 39
and kelembaban > 70
[set susceptible-mosquito? false set infected? true ] ]
end
to recover
34
Lampiran 2 Data suhu rata-rata harian Kecamatan Dramaga tahun 2015 dalam (derajat Celsius)
Tanggal Jan Feb Mar Apr Mei Jun Jul Ags Sep Okt Nov Des
1 24.1 23.3 25.2 26.6 25.8 26.4 26.2 25.3 26.8 26.8 26.3 26.8 2 25.3 25.4 25.6 25.7 26.7 26.1 25.0 25.7 26.0 26.1 26.7 27.5 3 24.7 25.3 26.1 25.7 25.5 25.8 25.4 24.6 25.2 27.6 26.2 26.6 4 24.6 25.3 25.0 25.4 25.3 26.3 25.3 23.6 25.8 27.0 25.9 26.1 5 26.0 25.4 26.3 25.7 25.3 26.7 25.4 24.8 26.3 27.1 27.4 26.1 6 25.1 24.3 26.6 26.1 26.3 26.9 25.5 25.0 25.6 26.6 27.0 26.1 7 26.1 25.4 25.6 25.3 26.9 26.8 27.0 25.6 26.3 25.7 25.2 26.5 8 26.3 24.0 25.6 25.6 27.3 27.5 26.3 25.7 25.5 25.4 25.8 26.1 9 27.2 22.9 25.6 26.1 26.1 24.4 25.9 26.1 26.6 25.6 26.3 26.0 10 26.7 24.5 25.8 26.8 26.8 25.1 26.6 26.8 25.7 26.4 26.5 26.4 11 26.7 23.7 24.0 27.4 26.1 25.9 26.3 26.9 26.3 26.6 26.3 26.1 12 23.9 24.4 24.7 26.5 26.8 26.4 26.4 26.4 27.1 27.0 26.4 25.3 13 25.5 23.7 25.9 25.5 26.6 26.4 26.7 26.4 26.9 25.2 26.1 26.4 14 26.1 25.9 25.2 25.5 25.6 26.3 27.3 27.4 26.7 25.9 27.9 25.9 15 25.9 24.8 24.6 26.2 25.7 26.3 26.5 26.4 25.6 26.2 26.6 25.3 16 25.2 25.1 25.4 26.4 26.1 25.6 26.0 26.6 26.0 27.9 26.5 24.8 17 25.4 25.1 25.9 24.9 27.3 25.4 27.1 27.5 26.4 27.6 26.9 23.9 18 25.3 24.6 25.9 25.8 26.8 26.0 25.9 27.1 27.9 27.1 27.6 25.7 19 24.1 23.7 26.4 25.6 27.6 26.7 25.9 26.6 26.1 26.8 26.8 25.4 20 24.3 25.1 26.0 25.6 26.6 26.8 26.4 26.1 26.5 26.9 26.9 25.4 21 24.9 26.4 25.2 26.2 26.6 27.0 26.8 25.7 25.2 27.5 26.1 24.9 22 24.7 25.5 24.9 26.3 26.1 26.8 25.4 25.9 26.9 27.6 26.8 26.4 23 24.5 24.6 24.9 26.9 26.1 26.1 26.9 26.0 26.4 26.1 26.9 25.8 24 25.2 26.4 25.9 23.9 25.7 25.8 26.6 26.2 26.0 27.2 26.2 25.9 25 24.4 26.7 24.3 24.0 25.6 25.6 25.2 26.5 26.2 27.6 26.6 26.4 26 25.1 26.5 25.0 26.0 25.6 25.1 26.4 27.0 26.5 27.9 26.4 27.9 27 25.0 26.3 26.4 25.0 25.7 26.2 26.5 27.3 25.6 26.9 27.0 27.6 28 25.2 25.6 25.7 26.1 26.1 26.2 26.0 26.8 25.3 28.1 26.1 26.1 29 25.6 X 27.2 25.6 26.2 27.0 26.4 26.8 26.0 27.9 25.9 27.2 30 25.3 X 27.2 26.9 27.1 27.1 26.1 27.2 26.9 26.0 26.1 26.1 31 24.4 X 25.9 X 26.9 X 24.4 26.9 X 25.9 X 26.8 Rata-Rata 25.3 25.0 25.6 25.8 26.3 26.2 26.1 26.2 26.2 26.8 26.5 26.1 Maks. 27.2 26.7 27.2 27.4 27.6 27.5 27.3 27.5 27.9 28.1 27.9 27.9
Tgl Maks. 9 25 30 11 19 8 14 17 18 28 14 26
35
36
