/^^E͗ϮϬϴϳͲϯϯϮϴ
WƌŽƐŝĚŝŶŐ
<ŽŶĨĞƌĞŶƐŝEĂƐŝŽŶĂů
/ŶĨŽƌŵĂƚŝŬĂϮϬϭϬ
^ŝƐƚĞŵ<ŽŵƉƵƚĂƐŝĞƌŝŶƚĞůŝŐĞŶƐŝ
ĂŶĚƵŶŐ͕ϭϭKŬƚŽďĞƌϮϬϭϬ
^ĞŬŽůĂŚdĞŬŶŝŬůĞŬƚƌŽĚĂŶ/ŶĨŽƌŵĂƚŝŬĂ
/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐ
<ŽŶĨĞƌĞŶƐŝEĂƐŝŽŶĂů/ŶĨŽƌŵĂƚŝŬĂʹ<E/&ϮϬϭϬ
/^^E͗ϮϬϴϳͲϯϯϮϴ
ŝŝ
<ŽŵŝƚĞWƌŽŐƌĂŵ
<ĞƚƵĂ
͗ǁŝ,͘tŝĚLJĂŶƚŽƌŽ
tĂŬŝů<ĞƚƵĂ
͗LJƵWƵƌǁĂƌŝĂŶƚŝ
ŶŐŐŽƚĂ
͗
ĚĂŶŐ^͘ŚŵĂĚ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
DŝƌŶĂĚƌŝĂŶŝ
;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ
/ƉŝŶŐ^ƵƉƌŝĂŶĂ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ƌŝĨũƵŶĂŝĚLJ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ
ĂŝŶĂů͘,ĂƐŝďƵĂŶ
;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ
ĞŶŚĂƌĚ^ŝƚŽŚĂŶŐ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
d͘ĂƐĂƌƵĚĚŝŶ
;hŶŝǀĞƌƐŝƚĂƐ/ŶĚŽŶĞƐŝĂͿ
dĂƚŝ>͘DĞŶŐŬŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ZŝůĂDĂŶĚĂůĂ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ZĞƚĂŶƚLJŽtĂƌĚŽLJŽ
;hŶŝǀĞƌƐŝƚĂƐ'ĂĚũĂŚDĂĚĂͿ
ĂŵďĂŶŐZŝLJĂŶƚŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ƌŵĞŝŶ͘Z͘>ĂŶŐŝ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
^ƵŚŽŶŽ,͘^ƵƉĂŶŐŬĂƚ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
:ŽŬŽ>ŝĂŶƚŽƵůŝĂůŝ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ
ŶĚƌŝLJĂŶ͘^ƵŬƐŵŽŶŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ĨǁĂƌŵĂŶDĂŶĂĨ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
<ƌŝĚĂŶƚŽ^ƵƌĞŶĚƌŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ZŝLJĂŶĂƌƚŽ^ĂƌŶŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝ^ĞƉƵůƵŚEŽƉĞŵďĞƌͿ
,ƵƐŶŝ^͘^ĂƐƚƌĂŵŝŚĂƌĚũĂ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ĐŚŵĂĚ/ŵĂŵ<ŝƐƚŝũĂŶƚŽƌŽ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
ZŝŶĂůĚŝ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
,ĞŶŶLJzƵƐŶŝƚĂƵďŝƌ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
EƵƌhůĨĂDĂƵůŝĚĞǀŝ
;/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐͿ
WĞůĂŬƐĂŶĂ
͗
DĂƐĂLJƵ>ĞLJůŝĂ<ŚŽĚƌĂ
,Ăƌůŝůŝ
DĂƌLJ,ĂŶĚŽŬŽ
^ĂŶƚŝŬĂtĂĐŚũƵĚŝŶWĂƌƚĂƐƵďŝƚĂ
ƵŐŝtŝďŽǁŽ
>ƵŬŵĂŶ,ĞƌLJĂǁĂŶ
DƵŶĂǁĂƌŚŵĂĚ
:ƵĚŚŝ^ĂŶƚŽƐŽ
WĞŶLJĞůĞŶŐŐĂƌĂ ͗
<ĞůŽŵƉŽŬ<ĞĂŚůŝĂŶ/ŶĨŽƌŵĂƚŝŬĂ
^ĞŬŽůĂŚdĞŬŶŝŬůĞŬƚƌŽΘ/ŶĨŽƌŵĂƚŝŬĂ
/ŶƐƚŝƚƵƚdĞŬŶŽůŽŐŝĂŶĚƵŶŐ
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
18
Pemodelan dan Simulasi Penyebaran Pandemik Influenza:
Aspek Internal dan Eksternal
Ria L. Moedomo
Sekolah Teknik Elektro dan Informatika (Mahasiswa S3) Institut Teknologi Bandung
022 70704751
rialMoedomo@studentsitb.ac.id
Adang S. Ahmad
Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung
022 250 2260 asaisrg@stei.itb.ac.id
Arwin D.W. Sumari
Departemen Elektronika, AkademiAngkatan Udara, Yogyakarta 0274 486922 ext 6101 arwin.sumari@yahoo.com
Adi Pancoro
Sekolah Ilmu dan Teknologi Hayati Institut Teknologi Bandung
022 251 1612 adipancoro@sith.itb.ac.id
Jorga Ibrahim
Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung
022 250 8135 jorga@as.itb.ac.id
ABSTRAK
Pencegahan penyebaran Pandemik Influenza sebelum tahun 2009 difokuskan untuk penanganan virus Avian Influenza (H5N1-Flu Burung), yang menulari unggas, manusia dan hewan mamalia lain, serta memiliki pola penyebaran terluas dibandingkan virus Influenza lain. Sejak kasus Flu Burung pertama pada manusia tahun 2003 di China sampai sekarang, secara keseluruhan kasus yang terjadi adalah 411 dengan angka kematian mencapai 256 kasus, dengan kata lain CFR (Case Fatality Rate) mencapai 62,3 %. Dalam kurun waktu ini, strategi penelitian virus influenza difokuskan pada virus Flu Burung. Walaupun demikian, pada kenyataannya, penyebab Pandemik Influenza yang telah diumumkan oleh WHO pada bulan Juli 2009 adalah virus Swine Flu (H1N1) yang berawal dari Mexico. Walaupun Pandemik Swine Flu memiliki nilai CFR yang lebih rendah yaitu 0,98%, korban manusia yang tertulari sampai Agustus 2009 berjumlah lebih besar yaitu mencapai 182.166 kasus positif flu A H1N1 dengan 1.799 kematian menyebar di 168 negara. WHO, melalui DepKes RI, telah memfokuskan strategi penelitian dengan antisipasi kemungkinan perubahan virus Influenza H5N1 dan H1N1 sehingga mengakibatkan peningkatan daya virus tersebut dalam penyebaran Pandemik Influenza.
Tujuan penelitian adalah membangun program simulasi penyebaran Pandemik Influenza. Dengan masukan: strain-strain virus Influenza di suatu daerah/lokasi tertentu; informasi berbagai mahkluk hidup yang berpotensi menjadi inang virus Influenza; kemudian informasi mengenai berbagai faktor eksternal antara lain: cuaca dan kondisi geografis, program simulasi ini mengolah masukan ini untuk mendapatkan keluaran berupa strain-strain virus Influenza baru yang berpotensi mengakibatkan penyebaran Pandemik Influenza selain juga keluaran berupa pola penyebaran Pandemik Influenza di daerah tersebut.
Untuk peningkatan tolok ukur daya virus ini, dilakukan pemodelan dua hal yaitu aspek internal dan eksternal. Pemodelan peningkatan daya virus ini dibuat dengan berbasis Algoritma Genetika, untuk mendapatkan strain-strain virus baru yang berpotensi mengakibatkan peningkatan Pandemik
Influenza, yaitu strain-strain virus yang mengalami peningkatan nilai dari 3 tolok ukur daya virus: infektifitas, virulensi dan daya penularan antar manusia. Selain pemodelan ini, dilakukan juga pemodelan keterkaitan 3 tolok ukur daya virus, guna memperoleh pengetahuan mengenai tolok ukur dan urutan proses yang paling mempengaruhi peningkatan daya virus dan Pandemik Influenza.
Riset ini diharapkan dapat memberikan hasil simulasi penyebaran Pandemik Influenza yang lebih akurat, selain digunakan juga untuk mendukung proses perencanaan pembuatan vaksin Influenza.
Kata kunci: Simulasi, Pandemik Influenza, Algoritma Genetika, Pemodelan Berbasis Agen, Mutasi, Rekombinasi, Infektivitas, Virulensi, Daya Penularan, Sistem Berpengetahuan-Tumbuh, Metoda A3S, Interaksi virus dan inang.
1. PENDAHULUAN
Di dunia, Pandemik Influenza telah terjadi beberapa kali, dengan volume kematian umat manusia yang tinggi. Pandemik
Spanish Flu tahun 1918 yang menewaskan sampai 40 juta orang di Amerika Utara dan Eropa, disebabkan oleh proses Rekombinasi (Antigenic Drift) H1N1. Sedangkan pandemik lainnya yaitu pandemik Asian Flu tahun 1957, pandemik
Hongkong Flu tahun 1968, dan pandemik Russian Flu tahun 1976 disebabkan oleh Mutasi (Antigenic Shift) [1]. Virus Influenza termasuk virus kelas Orthomyxoviridae [2].
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
19 Proses pandemik Influenza terjadi melalui 3 (tiga) perubahan parameter/tolok ukur daya virus [3] :
(1) Peningkatan daya infektivitas yaitu kemampuan penularan virus dari unggas/hewan ke manusia (infectivity level), terjadi pada tubuh unggas/hewan
(2) Peningkatan daya virulensi virus (virulence level) yaitu daya patogenitas virus dari low pathogenic high pathogenic, terjadi dalam tubuh unggas/hewan atau manusia
(3) Peningkatan daya penularan virus antar manusia
(contagiousness level), terjadi dalam tubuh manusia.
Peningkatan 3 tolok ukur daya virus ini mungkin terjadi melalui 6 urutan proses yaitu 1 proses yaitu proses secara berurut pada Gambar 1 berikut ini:
1
2
3
Gambar 1. Urutan Proses Pandemik Influenza Berurut
Dan melalui 5 urutan proses seperti pada Gambar 2 berikut ini:
Gambar 2.Urutan Proses Pandemik Influenza
Setiap tahapan di atas mungkin terjadi karena mutasi atau rekombinasi virus Influenza.
Riset yang memberikan inspirasi riset ini antara lain: Riset interaksi virus dan host virus H5N1 [9] yang meneliti interaksi antara virus dan sistem imun manusia dengan menggunakan Pemodelan berbasis Agen. Riset [6] merupakan terobosan karena memberikan kesimpulan tipe virus H5N1 yang dapat terikat dengan reseptor α2-6 berbentuk panjanglah yang lebih berpotensi menulari manusia dibandingkan dengan virus yang dapat terikat dengan reseptor α2-6 berbentuk pendek dan reseptor α2-3. Riset ini diawali juga dari riset Aplikasi Tracking Beli-Jual Ayam [16] yang meneliti penyebaran Flu Burung dari sudut pandang geografis/lokasi.
2. HIPOTESIS
Peningkatan masing-masing tolok ukur daya virus ini dipengaruhi 2 hal yakni:
o Aspek internal: peningkatan daya virus yang diakibatkan dan diukur berdasarkan kondisi di dalam (internal) virus, yang mengakibatkan peningkatan potensi virus dalam kerangka penyebaran Pandemik.
o Aspek eksternal: peningkatan daya virus yang diakibatkan dan diukur berdasarkan kondisi di luar (eksternal) virus, yang mengakibatkan peningkatan potensi virus dalam kerangka penyebaran Pandemik. Aspek eksternal dipengaruhi oleh interaksi beberapa entitas antara lain: virus, inang, faktor lingkungan: cuaca, vektor selain makhluk hidup: sungai, udara, dan lain-lain.
Pemodelan perubahan daya virus ini dilakukan dengan berbasis
Algoritma Genetika, yang merupakan algoritma pencarian berbasis seleksi natural dan genetika. Dengan Algoritma Genetika, dilakukan pendefinisian beberapa hal yaitu :
o Representasi genetik domain solusi, yang dikenal dengan istilah kromosom solusi, yang merupakan pendefinisian solusi berikut gabungan beberapa karakteristik penentunya, yang direpresentasikan sebagai array bit.
o Fungsi/nilai fitness untuk mengevaluasi domain solusi. Nilai fitness diperoleh dari analisis statistik populasi kromosom solusi yang ada dan kondisi/kriteria terminasi yang hendak didapatkan.
Algoritma ini mengkombinasikan nilai terbaik dari suatu komunitas kromosom dan perubahan kromosom untuk membentuk suatu algoritma pencarian secara inovatif [12]. Untuk setiap generasi, diciptakan suatu komunitas kromosom baru dari kerangka komunitas kromosom lama untuk dipilih kromosom terbaik berdasarkan nilai kesesuaiannya. Sebagai bagian dari algoritma genetika terdapat beberapa proses yaitu
selection, yaitu pemilihan beberapa kromosom dengan nilai fitness tertinggi sebagai parents; reproduction; crossover; dan
mutation terhadap kromosom-kromosom yang terpilih melalui proses selection.
Dengan Algoritma Genetika, dari strain-strain virus yang telah ada dapat dihasilkan strain-strain virus baru yang berpotensi mengakibatkan peningkatan Pandemik Influenza, yaitu strain-strain virus yang mengalami peningkatan nilai dari 3 tolok ukur daya virus: infektifitas, virulensi dan daya penularan antar manusia.
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
20 dalam penelitian ini, simulasi PBA dibangun dengan piranti MATLAB, dan piranti PBA lain yang umum digunakan adalah Repast [11].
Selain hal ini, PBA juga digunakan untuk mendefinisikan aspek statis dari interaksi antara agen Pandemik Influenza, antara lain:
o Urutan proses Pandemik Inflluenza: dilakukan dengan mendefinisikan urutan proses perubahan 3 tolok ukur daya virus pada Gambar 1 dan Gambar 2 di atas;
o Keterkaitan antara 3 tolok ukur daya virus : dengan menentukan pembobotan ke 3 tolok ukur tersebut.
Pendefinisikan PBA akan dijelaskan pada Bab 5.1 berikut.
Pemodelan simulasi Pandemik Influenza digambarkan pada Gambar 3 berikut:
Model Internal
Model Eksternal
Model Peningkatan Daya Virus Berbasis Algoritma Genetika Virus strain:
- Sekuens Infektivitas - Virulensi - Daya Penularan
-Dll
Inang/Vektor Lain
Virus strain baru: - Sekuens - Infektivitas - Virulensi - Daya Penularan
-Dll
Model Kolerasi Daya Virus Berbasis Pemodelan berbasis Agen
Inang/Vektor Terinfeksi
Gambar 3. Pemodelan Simulasi Pandemik Influenza
3. PEMODELAN TOLOK UKUR DAYA
VIRUS: STUDI KASUS INFEKTIVITAS
Fungsi ini berelasi dengan optimisasi infektivitas, bertujuan untuk memperoleh strain virus dengan tingkat infektivitas tertinggi. Sub-fungsi dari fungsi objektif ini adalah:
FI = (F1a * b1a) + (F1b * b1b) (Rumusan I)
di mana:
(i) F1a: sub-fungsi infektivitas internal yaitu sub-fungsi
objektif peningkatan infektivitas berdasarkan terjadinya mutasi tertentu yang mengakibatkan peningkatan infektivitas.
(ii) b1a : bobot sub-fungsi infektivitas internal relatif terhadap
sub-fungsi infektivitas eksternal, dalam hal ini diberi nilai 70% karena aspek internal lebih berpengaruh terhadap peningkatan infektivitas keseluruhan.
(iii) F1b : sub-fungsi infektivitas eksternal yaitu penghitungan
nilai rata-rata kemunculan strain virus bertipe sama di beberapa host lain di lokasi yang sama.
(iv) b1b : bobot sub-fungsi infektivitas eksternal relatif terhadap
sub-fungsi infektivitas internal, dalam hal ini diberi nilai
30% karena aspek eksternal lebih kecil pengaruhnya terhadap peningkatan infektivitas keseluruhan.
Sub-fungsi infektivitas internal adalah sub-fungsi objektif peningkatan infektivitas berdasarkan terjadinya mutasi tertentu yang mengakibatkan peningkatan infektivitas [4]:
F1a = infektivitas * (100 % + ∑(kemunculan_mutasi *
tingkat_infektivitas * bobot_mutasi * prob_mutasi) (Rumusan I.1)
di mana:
(i) infektivitas: nilai absorbance (satuan: nm) yang diperoleh dari pengukuran Lab. Biomolekular [4]. Untuk program simulasi ini, maka diasumsikan nilai infektivitas = 1. (ii) kemunculan_mutasi: indikasi terjadinya suatu mutasi
tertentu (nilai: 0/1)
(iii) tingkat_infektivitas: peningkatan infektivitas, dihasilkan dari pembacaan satu grafik [4] sebagaimana contoh grafik pada Gambar 4 berikut ini:
Gambar 4. Grafik Peningkatan Infektivitas H5N1 akibat mutasi Q192K
Tabel 1. Penghitungan peningkatan nilai infektivitas virus H5N1 akibat mutasi Q192K
Sialyglycopolym er Assay
Peningkatan daya infektivitas direpresentasikan sebagai nilai rata-rata dari absorbance
(transparansi) dibagi nilai absorbance tertinggi yang mungkin
Alpha 2-6 Alpha 2-3
0.001 0 0
0.002 0 0
0.010 0 0.2
0.039 0.2 0.5
0.156 0.4 0.8
0.625 0.6 1.0
2.500 0.7 1.2
10.000 0.7 1.4
Nilai rata-rata assay ≈ 1.667
2.6/8= 0.325
0.325/0.7 = 46%
5.1/8= 0.638
0.638/1.4 = 46%
Dari pengolahan Tabel 1 ini, diperoleh nilai peningkatan infektivitas reseptor unggas (2-3) ke reseptor manusia (2-6) akibat mutasi Q192R adalah 46%.
(iv) bobot_mutasi : pembobotan setiap mutasi yang terjadi pada strain virus yaitu dengan memperhatikan pengaruh mutasi tersebut terhadap peningkatan nilai infektivitas.
(v) prob_mutasi (probabilitas mutasi) : nilai yang dihasilkan dari pembandingan secara statistik probabilitas mutasi yang belum diketahui tingkat infektivitasnya terhadap
2-3 (unggas)
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
21 probabilitas mutasi yang telah diketahui tingkat infektivitasnya. Sebagai contoh, apabila kita mengetahui nilai peningkatan infektivitas (I) dari mutasi basa 63-65 AAT GAT dengan nilai rata-rata kemunculan mutasi tersebut adalah 20; untuk mengetahui nilai peningkatan infektivitas (I’) dari mutasi basa 63-65 AAT AAC dengan nilai rata-rata kemunculan mutasi adalah 33.8, maka I’ = I * 20/33.8.
F1b adalah sub-fungsi eksternal infektivitas yaitu penghitungan
nilai rata-rata kemunculan strain virus bertipe sama di beberapa host lain di lokasi yang sama dengan rumus sebagai berikut :
F1b = ∑((frek_virus_di_inang_lain / frek_virus_total) +
prob_inang/2) * skala_dampak_inang) ) / jumlah_inang (Rumusan I.2)
(i) frek_virus_inang_lain dan frek_virus_total : variabel lokal yang merupakan (1) jumlah kasus pada inang lain untuk strain virus tertentu diteliti dan (2) jumlah kasus pada semua inang untuk strain virus tertentu yang diteliti (ii) prob_inang: probabilitas inang tertentu ditulari strain virus
yang diteliti dari analisis statistik database NCBI
(iii) skala_dampak_inang: dampak penularan inang relatif terhadap inang lain, seperti pada Gambar 5 berikut ini:
Gambar 5. Skala dampak inang
(iv) jumlah_inang: jumlah inang yang ada di suatu daerah tertentu, contoh jumlah inang dari Gambar 5 ini adalah 4 inang.
4. HASIL SIMULASI PENINGKATAN
INFEKTIVITAS
Program simulasi dibangun dengan MATLAB dan Genetic Algorithm Toolbox, dengan mendefinisikan rumus fungsi infektivitas FI. Sebagai masukan, berikut adalah contoh strain
virus HA posisi basa 540–550 dan 570-580 pada inang unggas : 541-550 571-580
GGGAAAGGGG GGGCGAGGGGG
sesuai dengan konvensi konversi bentuk basa menjadi bentuk biner: G 00; C 01; A 10; T 11, strain virus di atas diubah ke bentuk biner menjadi:
541 550 571 580 00000010101000000000 00000001001000000000 00 ---strain virus --- -unggas-
Input strain ini dikonversi ke dalam format desimal, sebagai input program simulasi. Contoh di atas dikonversi menjadi 4.509717504000000e+010. Didefinisikan 2 mutasi pada program simulasi ini: N182K (posisi basa 544-546) dan Q192R
(posisi basa 574-576) dan input berupa string strain virus pada unggas dan manusia, yang dihasilkan secara random dari
Genetic Algorithm MATLAB®. Beberapa parameter Genetic Algorithm toolbox dari MATLAB© diset sebagai berikut: (1) Fitness function: @infektivitas_mutasi; (2) Population size: 20; Initial population: [ ] ; Initial range: [ 4.509717504000000e+010 ; 1.049780741169885e+012 ] dan Cross-over fraction: 0.514286. Hasil yang diperoleh sebagaimana simulasi pada Gambar 6 adalah 3 nilai infektivitas yaitu:
(i) 3.29513 yaitu nilai infektivitas dari strain virus yang mengalami mutasi N182K pada host manusia;
(ii) 11.1003 yaitu nilai infektivitas dari strain virus yang mengalami mutasi Q192K pada host unggas;
(iii) 12.8503 yaitu nilai infektivitas dari strain virus yang mengalami mutasi N182K dan Q192K pada host unggas. Nilai infektivitas paling optimum yaitu 12.8503, diperoleh dari proses mutasi gabungan N182K dan Q192K, sesuai Tabel 3.2.
Gambar 6. Simulasi Peningkatan Infektivitas H5N1
5. PEMODELAN INTERAKSI ENTITAS
PANDEMIK INFLUENZA
Pemodelan berbasis Agen (PBA) adalah pemodelan stokastik yang digunakan untuk menjelaskan interaksi dari beberapa agen populasi, dengan menggunakan aturan yang mengatur perilakunya [6].
Untuk fenomena Pandemik Influenza, terdapat dua aspek interaksi yang diteliti yaitu aspek statis dan dinamis.
Aspek statis adalah keterkaitan antara beberapa hal, termasuk urutan proses pada Gambar 1 dan Gambar 2 di atas dan pembobotan tolok ukur daya virus, yang direpresentasikan sebagai Agen dan Sub-Agen, sebagaimana Tabel 2 dan Tabel 3 berikut ini:
Tabel 2. Keterkaitan 3 tolok ukur daya virus dengan urutan proses dan pengaruh terhadap Pandemik Influenza
Tolok Ukur Urutan Proses Pengaruh/Pembobotan (%)
1 2 3 4 5 6 1 2 3 4 5 6
Infektivitas 1 1 1 1 1 1 40 100 55 35 40 40
Virulensi 2 0 2 1 2 1 30 0 45 35 25 20
Daya Penularan
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
22 Penentuan pembobotan ini ditentukan dari urutan proses dimana semakin dini proses terjadi, semakin besar bobotnya. Relasi ini diwujudkan dalam rumus :
FI = (FI * bI) + (FII * bII) + (FIII * bIII) (Rumusan II)
di mana nilai bI, bII dan bIII merupakan representasi pengaruh
daya virus sesuai urutan proses. Sebagai contoh, untuk urutan proses 1, maka rumus menjadi :
FI = (FI * 40%) + (FII * 30%) + (FIII * 30%) (Rumusan II.1)
sedangkan untuk urutan proses 3, rumus menjadi:
FI = (FI * 55%) + (FII * 45%) + (FIII * 0%) (Rumusan II.2)
5.1 Pemodelan Daya Tular Virus Berbasis
Sistem Berpengetahuan-Tumbuh
Untuk memperoleh pengetahuan mengenai pengaruh pembobotan terhadap urutan proses dan daya tular virus, dilakukan pemodelan terhadap daya tular virus berbasiskan pada agen kognitif yang disebut Sistem Berpengetahuan-Tumbuh berbasis metoda fusi penginferensian-informasi A3S (Arwin-Adang-Aciek-Sembiring) [15]. Diasumsikan bahwa agen Tolok Ukur memiliki subagen-subagen Infektivitas, Virulensi dan Daya Penularan. Informasi komprehensif dari agen Tolok Ukur diberikan informasi parsial dari semua subagen akan memberikan pengetahuan urutan proses dan jenis tolok ukur yang paling berpengaruh terhadap Pandemik Influenza.
Untuk memperoleh informasi masukan ke Sistem Berpengetahuan-Tumbuh dilakukan konversi nilai-nilai bobot menjadi rangkaian bilangan biner melalui nilai mean menggunakan persamaan di bawah ini [15].
1
fitur dari bobot proses ditinjau dari setiap subagen j i Tabel 2 diperlihatkan pada Tabel 3.
Tabel 3. Konversi nilai-nilai bobot tolok ukur daya virus
5.2 Pengetahuan Yang Diakusisi Sistem
Berpengetahuan-Tumbuh
Pengetahuan yang diakuisisi sistem dapat ditinjau dari 1 perspektif saja yakni tolok ukur daya virus yang paling berpengaruh terhadap Pandemik Influenza.
5.2.1 Tolok Ukur Virus
Pengetahuan yang diakuisisi sistem untuk tolok ukur daya virus ditampilkan secara grafis pada Gambar 7. Dari gambar tersebut diperoleh kesimpulan bahwa tolok ukur yang paling berpengaruh terhadap daya virus berdasarkan kombinasi bobot-bobot untuk setiap proses adalah Daya Penularan dengan Derajat Keyakinan 0,417 atau 41.7%.
Ϭ͘Ϯϱ
Gambar 7. Pengetahuan mengenai tolok ukur daya virus
Interaksi virus-inang dengan faktor eksternal lainnya merupakan aspek dinamis Pandemik Influenza, dimana PBA digunakan untuk menjelaskan fenomena perubahan virus Influenza, direpresentasikan sebagai interaksi antara virus Influenza (sebagai suatu agen) dan host/inangnya (sebagai suatu agen) dan perubahan yang terjadi akibat dari interaksi ini. Untuk setiap perubahan yang terjadi, didefinisikan prekondisi, kondisi dan postkondisi yang harus dipenuhi.
Sebagai contoh, untuk menjelaskan interaksi antara virus dan inang di dalam alur proses Pandemik Influenza, didefinisikan karakteristik virus antara lain: tipe virus (H5N1, H1N1, H2N1, dll), tipe segmen (HA, NA, M1, M2, PB1, PB2, dll), sekuens virus, tingkat infektivitas, virulensi, daya tular, sedangkan karakteristik inang antara lain: tipe inang (unggas, manusia, babi), jenis reseptor (bentuk panjang) dan kondisi kesehatan inang.
Gambar 8 berikut adalah pemodelan interaksi antara virus dan inang dengan menggunakan notasi desain UML (Unified Modeling Language).
Interaksi virus dan inang ini didefinisikan dengan menggunakan program MATLAB©, untuk mendapatkan nilai gabungan peningkatan dari 3 tolok ukur daya virus yang menentukan strain virus apa yang paling berpotensi mengakibatkan Pandemik Influenza.
6. KESIMPULAN DAN RENCANA
PENGEMBANGAN PROGRAM SIMULASI
Konferensi Nasional Informatika - KNIF 2010 ISSN: 2087 - 3328
23 infektivitas dan diperoleh hasil berupa mutasi dan kombinasi mutasi strain virus yang ada di basis data mutasi virus Influenza. Penelitian ini juga telah mendefinisikan aspek statis dan dinamis dari interaksi/keterkaitan antara agen yang berperan dalam simulasi Pandemik Influenza, dimana diperoleh kesimpulan bahwa tolok ukur daya virus yang paling berpengaruh dalam hal peningkatan penyebaran Pandemik Influenza adalah daya penularan antar manusia.
Gambar 8. Skenario interaksi virus dan inang
Rencana validasi program simulasi ini, adalah dengan mendapatkan strain virus dari suatu perioda waktu tertentu misalkan (1) virus H5N1 dari permulaan endemik di Indonesia yaitu tahun 2003 dan (2) virus H5N1 dari tahun 2008 yang berasal dari proses mutasi strain virus 2003; beserta nilai infektivitas yang diperoleh dari pengukuran Laboratorium Biologi Molekular untuk kemudian dibandingkan dengan hasil dari percobaan penelitian ini. Apabila nilai infektivitas yang diperoleh dari percobaan ini mendekati nilai infektivitas yang diperoleh dari pengukuran Laboratorium, maka penelitian ini dapat dikatakan sahih.
Rencana pengembangan program simulasi adalah mengamati dan mendefinisikan aspek dinamis lain dari Pandemik Influenza ke dalam program simulasi yaitu aspek dimensi waktu dengan memperhatikan tolok ukur masa inkubasi, masa penularan sampai penderita meninggal dunia dan aspek geografis antara lain lokasi dan radius pengamatan Pandemik Influenza. Dari masukan berupa strain virus, inang dan rekam jejak perkembangan virus diharapkan dapat diperoleh prakiraan terjadinya Pandemik Influenza dan penyebarannya di suatu lokasi geografis tertentu.
Beberapa kontribusi yang diberikan oleh penelitian ini antara lain:
o Kontribusi pemodelan simulasi dan prediksi berkaitan dengan Pandemik Influenza, yaitu gabungan dari pemodelan peningkatan daya virus sebagai penyebab penyebaran Pandemik Influenza dan pemodelan interaksi
virus dan inang dalam konteks penyebaran Pandemik Influenza.
o Kontribusi program simulasi sebagai pendukung proses perencanaan pembuatan vaksin virus Influenza. Dari hasil simulasi diperoleh strain-strain virus baru yang berpotensi mengakibatkan penyebaran Pandemik Influenza yang diharapkan dapat digunakan untuk proses perencanaan dan antisipasi pembuatan vaksin virus Influenza.
7. REFERENSI
[1] Chai, L., 2005, Avian Influenza: Basic Science, Potential for Mutation, Transmission, Illness Symptom, and Vaccines.
[2] Voyles, B.A., 2002, the Biology of Viruses, McGraw-Hill. [3] Shoham,D.,2006,Review:Molecular-evolution & the
feasi-bility of an avian influenza virus becoming a pandemic strain a conceptual shift, Virus Genes, 33: 127-132 [4] Yamada, S., et.al, 16 November 2006, Haemagglutinin
mutations responsible for the binding of H5N1 influenza A viruses to human-type receptors, Nature, 444: 378-382. [5] Das, I., 1997. Multi-Objective Optimization,
http://www.ece.northwestern.edu. Optimization
Technology Center at Argonne National Laboratory. [6] Chandrasekaran, A.A.S., et al., 2008, Glycan topology
determines human adaptation of avian H5N1 virus hemagglutinin, Nature Biotechnology, 26(1): 107-113. [7] Bauer, A.L., Perelson, A.S., 2008, Agent-Based Modeling
of Host-Pathogen Systems: The Successes and Challenges,
Information Sciences Elsevier, 179(10): 1379-1389. [8] Bonabeau, E., 2002, Agent-based modeling: Methods and
techniques for simulating human systems, PNAS 99:
7280–7287.
[9] Fachada, N., V. V. L., Rosa, Agostinho, 2008, Simulations of Antigenic Variability in Influenza A,
NaturePrecedings10101/npre.2008.2303.1: 1-11.
[10] Ross, R., 2008, Study refines view of H5N1 virus's binding preferences, CIDRAP.
[11] Etatara, 2007, Getting Started with Repast Symphony. [12] Goldberg, D.E., 1989, Genetic Algorithms in Search,
Optimization & Machine Learning, Addison-Wesley. [13] Eichner, M., 2009, “Small and pandemic influenza:
Potential benefits and limitations of travel volume reduction as a border control measure”, BMC Infectious Diseases, September 2009.
[14] Cannell, J.J., 2008, “On the epidemiology of influenza”, Virology Journal, Februari 2008, 5:29.
[15] Sumari, A.D.W.; Ahmad, A.S.; et.al. 2009, The application of knowledge-growing system to multiagent collaborative computation for inferring the behavior of genes interaction, International Journal of Computer Science & Network Security (IJCSNS), Vol. 9, No. 11, November, hal. 82-92.
