Pembuatan Model Transmisi dan Dinamika Persebaran Virus H5N1
Sebagai Sistem Manajemen Bencana Endemik Flu Burung
di Kabupaten Semarang Provinsi Jawa Tengah
Dengan Pedekatan Statistik
1)
Suprihadi 2)Rudy Latuperissa
Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
Jl. Diponegoro 52 – 60, Salatiga – 50711, Indonesia 1)
hadiumac@gmail.com2)rudy_latu@yahoo.co.id
Abstract
Issues Avian Influenza outbreak in Indonesia that attacks on animals is now a very serious issue, and has spread to 23 provinces. In this study aims to develop models ofthe dynamics of transmission and spread of H5N1 virus in a system of disaster management outbreaks of H5N1 disease, so that they can become important tools in disaster management policy of the plague. The method used in this study is the SIR model (Suceptible-Infectious-recovered). The model is constructed in three stages of research. The first licensing arrangements related to the Department. Second,secondary data research and development the third mathematical model. The results of this study is to model the dynamics of transmission and spread of H5N1
virus in acommunity population. The results are expected to be utilized as
a framework fordisaster management system of disease outbreaks. Outcomes
research in the form of a mathematical model and strategic policies for development in the future.
Keywords: SIR, transmission model, the dynamics of the spread, the H5N1
1. Pendahuluan
Penyebaran flu burung yang semakin meluas wilayahnya disebabkan oleh tidak terkontrolnya pergerakan unggas yang terinfeksi flu burung, produk hasil unggas dan limbahnya, tenaga kerja serta kendaraan pengangkut dari wilayah terinfeksi ke wilayah yang masih bebas, serta rendahnya kapasitas kelembagaan kesehatan hewan dan tenaga kesehatan hewan yang terlatih.
Secara kuantitas, individu yang telah terinfeksi dapat disimulasikan secara grafis menggunakan data sensus, data pola perubahan tata guna lahan dan data mobilitas penduduk. Model matematis dan analisis statistik dalam epidemiologi difokuskan untuk membuat prediksi faktor–faktor yang menjadi parameter terhadap transmisi penyakit dalam populasi (vektor maupun manusia)[9]. Model matematis persebaran penyakit yang memiliki validitas dan akurasi tinggi merupakan konsep dasar untuk memahami dampak penyakit dan menyusun strategi pengendaliannya. Dalam perumusan strategi pengendalian, model harus sudah memiliki parameter kunci seperti struktur sosiodemografi dalam populasi, konektivitas individu dalam populasi dan struktur geografi dimana populasi berada [3].
Pemodelan epidemiologi terdiri dari tiga kategori, pertama berbasis persamaan (model analisis), kedua berbasis agen (populasi direpresentasikan sebagai suatu sistem yang dapat berinteraksi) dan ketiga berbasis jaringan (interaksi sosial didasarkan pada teori jaringan)[12]. Pemodelan epidemiologi berbasis persamaan
(model analisis) diawali dengan munculnya model SIR (Susceptible, Infectious,
Recovered). Model ini digunakan untuk menentukan apakah seseorang dalam suatu
populasi berada dalam fase rentan, terinfeksi atau penyembuhan/mortalitas. Model SIR digunakan untuk menghitung jumlah teoritis individu yang terinfeksi dan seberapa cepat terjadi penularan dalam suatu populasi yang tertutup[6]. Pemodelan SIR dapat dilakukan menggunakan aplikasi komputasi seperti Matlab dan R. SIR telah diterapkan untuk menganalisis kejadian demam berdarah dengue Kota Salatiga
tahun 2000 – 2008 menggunakan Package Amei pada lingkungan pemrograman R
[16].
Penelitian tentang H5N1 yang pernah dilakukan adalah pembangunan model kontrol endemik H5N1 dengan tujuan untuk menentukan target vaksinasi dan model
surveillans yang dikembangkan [18].Penelitian sejenis lain adalah analisis statistika
2. Pengembangan Metode Analisis menggunakan SuceptibleInfectious Recovered
(SIR)
Terdapat berbagai tipe formulasi penyusun model (compartments), pemilihan
penggunaan formulasi pembangun model berdasarkan pada karakteristik khusus
penyakit yang akan dimodelkan dan tujuan pemodelan. Beberapa pola compartments
yang sering digunakan adalah MSEIR, MSEIRS, SEIR, SEIRS, SIR, SIRS, SEI, SEIS, SI, and SIS [19]. Pemodelan persebaran penyakit dalam suatu populasi tertentu, bersifat epidemis dan disebabkan oleh virus dimodelkan menggunakan
Suceptible Infectious Recovered (SIR)[21]. SIR adalah klasifikasi populasi
berdasarkan pada derajad kerentanan terhadap penyakit dan mekanisme proses transmisi peyakit pada manusia. Ada tiga klasifikasi, kelompok populasi yang
potensial/beresiko tertular (Susceptible), kelompok populasi yang telah
terinfeksi/penyebaran penyakit (Infectious) dan kelompok populasi yang telah
mengalami penyembuhan (Removed/Recovered) sebagai akibat mekanisme sistem
imun, atau proses karantina atau mengalami kematian [20]. Kelompok populasi pada vektor nyamuk terdiri dari dua klasifikasi, yaitu kelompok populasi yang
potensial/beresiko menular (Susceptible) dan kelompok populasi
terinfeksi/penyebaran penyakit (Infectious). Beberapa asumsi dasar model SIR adalah
sebagai berikut :
1. Populasi bersifat tertutup, tidak ada kelahiran, kematian dan migrasi yang
terepresentasi dalam model.
2. Populasi bersifat homogen dan acak, probabilitas kontak antar dua individual
tidak hanya ditentukan oleh dua individu tersebut, dengan demikian memiliki karakteristik kontak yang sama dengan individu lainnya.
3. Populasi/penduduk suatu daerah diinisialisasi sebagai N−m, adanya individu
yang telah terinfeksi pada suatu populasi/penduduk yang potensial/beresiko tertular.
4. Proses penularan terjadi jika terjadi kontak antara kelompok individu yang
potensial/beresiko menular (Susceptible) dan kelompok populasi
terinfeksi/penyebaran penyakit (Infectious).
5. Kejadian kontak pada setiap individu dengan individu lainnya pada waktu
tertentu dihitung sebagai proses Poisson dengan parameter :
N
β
yang manaβ adalah rerata kontak atau rerata terinfeksi pada suatu
populasi/penduduk N . (Trapman, 2006)
Adapun keterhubungan antara compartments dalam dua kelompok populasi
tersebut adalah sebagaimana pada Gambar 1.
tinggi
S
I
tinggiR
tinggiv
Gambar 1. Keterhubungan antara compartments
kelompok populasi manusia dan vektor
Variabel SIR dan SI bersifat dependen dan masing–masing memiliki variabel
yang bersifat independen yaitu waktu t(). Artinya keseluruhan variabel tersebut
berlangsung pada suatu satuan waktu tertentu.
Aliran dari Susceptible menuju Infectious disebut sebagai fase Transmission (
β) sedangkan aliran dari Infectious menuju Recovered disebut fase Recovery(α).
Apabila populasi seluruh Salatiga dinyatakan sebagai N, maka S/N = s, I/N = i dan R/N = r.
Proses epidemis dapat dimodelkan sebagai berikut :
dimana, β adalah rerata transmisi penyakit melalui rerata kontak,
α adalah proses recovery, penyembuhan melalui imun, atau kematian yang
tidak berpengaruh terhadap proses transmisi penyakit.
Sesuai dengan persamaan dasar pada persamaan 1 maka dinamika transmisi penyakit pada manusia dapat diuraikan sebagai berikut :
manusia
Dinamika transmisi penyakit pada vektor dapat diuraikan sebagai berikut :
vektor
N adalah jumlah keseluruhan populasi manusia/penduduk suatu daerah
tinggi
S adalah jumlah populasi manusia/penduduk yang beresiko tinggi
tertular (Susceptible)
tinggi
I adalah jumlah populasi manusia/penduduk yang terinfeksi endemis
tinggi
rendah
I adalah jumlah populasi manusia/penduduk yang terinfeksi endemis
tinggi
R adalah jumlah populasi manusia/penduduk yang mengalami
penyembuhan
tinggi
manusia vektor
bβ → adalah peluang terjadinya transmisi virus dari vektor ke manusia
dalam endemis tinggi
rendah
manusia vektor
bβ → adalah peluang terjadinya transmisi virus dari vektor ke manusia
dalam endemis rendah
m
NT − adalah individu yang telah terinfeksi pada suatu populasi/penduduk
yang potensial/beresiko tertular
tinggi manusia
I
µ peluang terjadinya kematian sebagai akibat terinfeksi pada suatu
populasi/penduduk
tinggi
µ peluang terjadinya kematian pada masa penyembuhan
vektor manusiatinggi
bβ → adalah peluang terjadinya transmisi virus dari manusia ke vektor
dalam endemis tinggi
vektor manusiarendah
bβ → adalah peluang terjadinya transmisi virus dari manusia ke vektor
dalam endemis rendah
vektor tinggi manusia S
I adalah peluang terjadinya infeksi pada manusia dalam endemis tinggi
yang berasal dari vektor yang beresiko tinggi tertular.
vektor rendah
manusia S
I adalah peluang terjadinya infeksi pada manusia dalam endemis
rendah
yang berasal dari vektor yang beresiko tinggi tertular.
v
S adalah jumlah populasi vektor yang beresiko menularkan penyakit
(Susceptible)
v
I adalah jumlah populasi vektor yang beresiko terinfeksi penyakit
(Infected)
v
3. Metode Penelitian
Proses penelitian dilakukan melalui tiga tahapan/langkah. Adapun kegiatan,
metode dan hasil dari setiap langkah adalah sebagaimana pada Gambar 2.
Gambar 2.Tahapan pengembangan sistem peringatan dini langkah 1 - 3
Langkah ke 1
Langkah ke 1 adalah kegiatan pengurusan perijinan penelitian dilokasi penelitian yang meliputi :
1. Dinas Kesehatan Kabupaten Semarang.
2. Kesbangpolinmas Kabupaten semarang.
3. Dinas Peternakan Kabupaten semarang.
4. Bappeda Kabupaten Semarang.
Langkah ke 2
Langkah ke 2 adalah inventarisasi data primer dan sekunder. Metode yang digunakan adalah :
Wawancara dilakukan pada kelompok masyarakat yang telah dinyatakan
sembuh oleh rumah sakit dari suspect H5N1. Kuesioner diberikan pada
kelompok masyarakat yang selama ini bekerja pada sektor peternakan unggas.
2. Diskusi kelompok terfokus (Focus Group Discussion).
3. Mengkaji data sekunder (Secondary Data Review) yang meliputi :
a. Data Sosial dan Kependudukan
b. Data klimatologi
c. Data penyelidikan epidemiologi (PE)
Langkah ke 3
Langkah ke 3 terdiri atas beberapa kegiatan, yaitu :
1. Penetapan parameter kunci KLB dengan metode FGD dan SDR.
Parameter kunci ditetapkan setelah dilakukan proses inventarisasi dan analisis data yang diperoleh dari langkah ke 2. Analisis data dilakukan untuk mengetahui sejauh mana keterhubungan antara parameter dengan kasus H5N1.
2. Penetapan metode analisis. Metode analisis yang digunakan dalam penelitian
ini adalah sebagai beriku :
a. Asosiasi antar parameter ditentukan menggunakan persamaan Moran’s dan
Geary dan tool OpenGeoda.
b. Pola transmisi penyakit ditentukan menggunakan Package Amei dalam
lingkungan pemorgraman R.
4. Hasil Pengolahan Data
Berdasarkan hasil pengolahan data yang diperoleh dari wawancara,
penyebaran kuisioner, dan ditambah dengan pelaksanaan Forum Group Discussion
(FGD), didapatkan gambaran informasi sebagai berikut :
Gambar 3. Data curah hujan, kelembaban, dan temperature sepanjang tahun 2001-2010
Dan dari data yang diperoleh dari dinas perternakan memperlihatkan data populasi dari unggas-unggas yang terdapat pada masing-masing kecamatan yang terdapat sejak tahun 2001-2010 seperti yang terlihat pada Gambar 4.
Sedangkan data yang diterima dari dinas kesehatan memberikan gambaran yang nyata mengenai jumlah unggas yang meninggal di masing-masing kecamatan dan jenis dari unggas yang meninggal. Data tersebut dapat dilihat pada grafik yang ada pada Gambar 5.
Gambar 5. Grafik kematian unggas dari tahun 2007 – 2010 di kabupaten Semarang
5. Analisis Dan Pembahasan
Untuk membuat pemodelan SIR diperlukan data rerata transmisi virus(b), rerata penyembuhan (v), rerata kematian (µ) (dalam SIR dibuat asumsi nol) dan tingkat pencampuran populasi individu terinfeksi (k) [8]. Parameter biaya (cost) vaksinasi dihitung sebagai biaya vaksinasi tunggal dan perawatan individual. Dalam penelitian ini biaya vaksinasi diasumsikan nol (dengan pemikiran bahwa sebelum terjangkit, setiap individu belum mendapatkan vaksin dari Puskesmas setempat). Untuk melakukan simulasi jumlah populasi yang terjangkit, dan tingkat individu yang berada dalam Suspected, Infected dan Recovery dalam skala
eksperimen maka digunakan fungsi Mcepi (Monte Carlo Epidemics). Parameter
costs merupakan biaya untuk indikator vaksinasi, kematian dan terinfeksi. Pada penelitian ini diasumsikan tidak ada biaya yang dikeluarkan sehingga bernilai nol. Artinya jumlah yang divaksinasi, jumlah yang meninggal dan jumlah terinfeksi tidak ada biaya. Untuk melakukan simulasi strategi jumlah biaya vaksinasi
Gambar 6. Model SIR Pada Jumlah Penderita Infeksi Flu Burung Kabupaten Semarang Tahun 2000 – 2008
Pola distribusi posterior parameter SIR kejadian infeksi flu burung Kabupaten Semarang dapat dianalisis melalui parameter rerata transmisi, parameter dispersi, rerata mortalitas dan rerata penyembuhan. Nilai setiap parameter digambarkan dengan titik, nilai tengah posterior digambarkan dengan nilai x dan wilayah distribusi posterior sebesar 95% digambarkan dengan arsir.
Gambar 7. Pola Distribusi Posterior Parameter SIR Kejadian Flu Burung
Pada Kabupaten Semarang 2001 – 2009
Gambar 8a. Persebaran Penduduk Pada Tahun 2007
Gambar 8b. Persebaran Penduduk Dan
Kematian Unggas Tahun 2007
V. Simpulan
Package Amei efektif diterapkan sebagai tool untuk pemodelan optimasi
epidemiologi pada kejadian epidemis demam flu burung di kabupaten Semarang pada tahun 2000 sampai dengan 2008. Dengan perangkat ini dapat dilakukan analisis perbandingan pola penurunan jumlah individu yang berada dalam
Suspected Infected dan Recovery secara lebih signifikan sebagai dampak proses
DAFTAR PUSTAKA
[1] Asmara Widya, 2007, Peran Biologi Molekuler dalam Pengendalian Avian Influenza dan Flu Burung, Pidato Pengukuhan Guru Besar FKH – UGM,Yogyakarta.
[2] Atchade, Yves ; Gersende, Fort ; Moulines, Eric ; Priouret, Pierre, 199 .
Adaptive Markov Chain Monte Carlo: Theory and Methods, University
of Michigan, 1085 South University, Ann Arbor, 48109, MI, United States. http://www.stat.lsa.umich.edu/~yvesa/afmp.pdf
[3] Barthelemy, Marc ; Barrat, Alain ; Pastor-Satorras, Romualdo ; Vespignani, Alessandro, 2005, Dynamical patterns of epidemic outbreaks in complex
heterogeneous networks, Journal of Theoretical Biology 235 (2005) 275–
288, School of Informatics and Biocomplexity Center, Indiana University,
Bloomington, IN 47408, USA.
www.cc.gatech.edu/classes/AY2010/cs8803ns_fall/barthelemy.pdf,
[4] Eubank, Stephen ; Hasan, Guclu, S.; Kumar, Anil ; Marathe, Madhav V. ;
Srinivasan, Aravind ; Toroczkai, Zolta ; Wang, Nan, 2008. Modelling disease
outbreaks in realistic urban social networks, Basic and Applied
Simulation Science Group, Los Alamos National Laboratory, MS M997,
Los Alamos, New Mexico 87545, USA
ndssl.vbi.vt.edu/Publications/modellingDisease.pdf.
[5] Harvey Neil, Aaron Reeves, Mark A. Schoenbaumc, Francisco J. Zagmutt-Vergara, Caroline Dube, Ashley E. Hill, Barbara A. Corso, W. Bruce McNab, Claudia I. Cartwright dan Mo D. Salman, 2007, The North American Animal Disease Spread Model: A simulation model to assist decision making in evaluating animal disease incursions, Preventive Veterinary Medicine 82 (2007) 176–197, USA
www.ncbi.nlm.nih.gov/pubmed/17614148.
[6] Teri, Johnson, 2009, Mathematical Modeling of Diseases:
Susceptible-Infected-Recovered (SIR) Model, University of Minnesota, Morris,
http://www.morris.umn.edu/academic/math/Ma4901/Sp09/Final/Teri-Johnson-Final.pdf.
[7] Karandikar Rajeeva, 2006. On the Markov Chain Monte Carlo (MCMC)
method, Indian Statistical Institute, Sadhana Vol. 31, Part 2, April 2006, pp.
www.ias.ac.in/sadhana/Pdf2006Apr/81.pdf
[8] Keeling Matt dan Ken T.D Eames, 2005, Networks And Epidemic
Models, Department of Biological Sciences & Mathematics Institute,
University of Warwick, Gibbet Hill Road, Coventry CV4 7AL, UK.
http://ukpmc.ac.uk/articlerender.cgi?artid=1259156.
[9] Maiti A, S. Pathak dan Samanta G.P., 2004, Rich dynamics of an SIR
epidemic model, Nonlinear Analysis: Modelling and Control, 2010, Vol.
15, No. 1, 71–81, Department of Mathematics, Presidency College,
Kolkata-700073, India, http://www.lana.lt/journal/36/Pathak.pdf.
[10] Merl Daniel, Leah R. Johnson, Robert B. Gramacy dan Marc S.
Mangel, 2009. Amei: an R package for the Adaptive Management of
Epidemiological Interventions, Department of Statistical Science, Duke
University, Durham NC.
cran.r-project.org/web/pa ck ag es /am ei /vignettes /am ei .pdp
[11] Pang Wan-Kai, Shui Hung Hou, Marvin D.Trout, Wing-Tong Yu, Ken W, 2007, A Markov Chain Monte Carlo Approach to Estimate the Risks
of Extremely Large Insurance Claims, International Journal of Business
and Economics, 2007, Vol. 6, No. 3, 225-236, Department of Applied
Mathematics, The Hong Kong Polytechnic University, Hong Kong http://www.ijbe.org/table%20of%20content/pdf/vol6-3/vol.6-3-04.pdf
[12] Skvortsov, Connell, Dawson dan Gailis, 2007, Epidemic Modelling:
Validation of Agent-based Simulation by Using Simple Mathematical
Models, Defence Science and Technology Organisation, PO Box 4331,
Melbourne, VIC, 3001,
http://mssanz.org.au/MODSIM07/papers/13_s20/EpidemicModeling_s20_S kvortsov_.pdf.
[13] Soetaert Karline dan Thomas Petzoldt, 2010, Inverse Modelling,
Sensitivity and Monte Carlo Analysis in R Using Package FME,
Netherlands Institute of Ecology. Netherland
cran.r-Project.org/web/packages/FME/vignettes/FMEother.pdf,
[14] Yulianto Sri, Kasmiyati, Kristoko D.H.,Maria Marina H., 2009,
Pengurangan Potensi Bencana Epidemi, Wabah Dan KLB Beberapa Penyakit Tropis Melalui Penerapan Paradigma Pengurangan Resiko Yang Diintegrasikan Dengan Kurikulum Pembelajaran Pada Sistem
Manajemen Bencana, Laporan Akhir Hibah Strategis Nasional Batch IV,
[15] Yulianto, Sri ; Kristoko Dwi Hartomo, Krismiyati, 2010, Spatial Autocorrelation Modelling for determining High Risk Dengue Fever
Transmission Area in Salatiga, Central Java, Indonesia, International
Conference on Soft Computing, Intelligent System and Information
Technology, Petra Christian University Surabaya.
[16] Yulianto S. dan Subanar, 2010, Pemodelan SIR (Suspect Infected Recovery)
Kejadian Demam Berdarah Dengue Kota Salatiga Tahun 2000 – 2008
Menggunakan Package Amei pada R, Belum dipublikasikan.
[17] Zaman Gul, Yong Han Kang dan Il Hyo Jung, 2007, Optimal
vaccination and treatment in the SIR epidemic model, Department of
Mathematics, Pusan National University, Busan 609-735, Korea. www.ksiam.org/conference/annual072/upfile/Optimal%2 0SIR.pdf.
[18] Guan dkk, 2007, A model to control the epidemic of H5N1 influenza at the
source, BMC Infectious Diseases 2007, 7:132, State Key Laboratory of
Emerging Infectious Diseases, the University of Hong Kong, Pokfulam, Hong Kong SAR, China
[19] Hetchote Herbert, 2000, The Mathematics of Infectious Diseases, Department
of Mathematics, University of Iowa, Iowa City.
www.math.uiowa.edu/~hethcote/PDFs/2000SiamRev.pdf
[20] Regoes Roland, 2009. Stochastic simulation of epidemics, Institute of
Integrative Biology
[21] Galluzzo Bens, 2008. Epidemiology, Modeling Epidemics and Endemics,