ANALISIS KESTABILAN MODEL EPIDEMIK SIS DETERMINISTIK DAN STOKASTIK NURLITA FIKADHILLA
|
|
- Surya Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 AALISIS KESTABILA MODEL EPIDEMIK SIS DETERMIISTIK DA STOKASTIK URLITA FIKADHILLA DEPARTEME MATEMATIKA FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM ISTITUT PERTAIA BOGOR BOGOR 2016
2
3 PERYATAA MEGEAI SKRIPSI DA SUMBER IFORMASI SERTA PELIMPAHA HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Kestabilan Model Epidemik SIS Deterministik dan Stokastik 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 skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Mei 2016 urlita Fikadhilla IM G
4 ABSTRAK URLITA FIKADHILLA. Analisis Kestabilan Model Epidemik SIS Deterministik dan Stokastik. Dibimbing oleh HADI SUMARO dan ALI KUSATO. Dalam karya ilmiah ini dibandingkan antara model epidemik SIS deterministik dengan model epidemik SIS stokastik. Model epidemik SIS deterministik memiliki dua titik tetap, yaitu titik tetap bebas penyakit dan titik tetap endemik. Kestabilan titik tetap ditentukan berdasarkan nilai bilangan reproduksi dasarnya yang dicari menggunakan analisis kestabilan titik tetap bebas penyakit. Pada model epidemik SIS stokastik ditentukan peluang terjadinya wabah. Hasil yang diperoleh dari model epidemik SIS deterministic dan stokastik sama, yaitu untuk selang waktu tertentu solusi akhir akan menuju ke titik tetap yang stabil. Berapapun nilai bilangan reproduksi dasarnya, model epidemik SIS stokastik akan menuju ke kestabilan bebas penyakit. Pada waktu yang relatif lama, model epidemik SIS stokastik dalam proses komputasinya akan menuju ke kestabilan bebas penyakit walaupun dalam model epidemik SIS deterministik menuju ke kestabilan endemik. Kata kunci: model epidemik SIS deterministik, model epidemik SIS stokastik, rantai Markov waktu diskret, titik tetap bebas penyakit, titik tetap endemik. ABSTRACT URLITA FIKADHILLA. Stability Analysis of Deterministic and Stochastic SIS Epidemic Models. Supervised by HADI SUMARO dan ALI KUSATO. This paper compares deterministic SIS epidemic model and stochastic SIS epidemic model. Deterministic SIS epidemic model has two equilibrium points, namely the disease free equilibrium point and the endemic equilibrium point. Stability of equilibrium point is decided based on the basic reproduction number which is computed by using stability analysis of disease free equilibrium point. In stochastic SIS epidemic model, the probability of an outbreak is determined. The result obtained from deterministic and stochastic SIS epidemic model is the same. It is shown that for a certain time interval the final solution is leading to a stable fixed point. Regardless the value of basic reproduction number, stochastic SIS epidemic model is leading to a disease free equilibrium. At a relatively long time, stochastic SIS epidemic model in the computation process is leading to a disease free equilibrium even in a deterministic SIS epidemic model is leading to endemic equilibrium. Keywords: deterministic SIS epidemic models, discrete time Markov chain, disease free equilibrium point, endemic equilibrium point, stochastic SIS epidemic models.
5 AALISIS KESTABILA MODEL EPIDEMIK SIS DETERMIISTIK DA STOKASTIK URLITA FIKADHILLA Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Matematika DEPARTEME MATEMATIKA FAKULTAS MATEMATIKA DA ILMU PEGETAHUA ALAM ISTITUT PERTAIA BOGOR BOGOR 2016
6
7
8 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala nikmat, rahmat, karunia, dan pertolongan yang telah diberikan sehingga karya ilmiah ini dapat diselesaikan. Penyusunan karya ilmiah ini juga tidak lepas dari bantuan berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih kepada: 1 Keluarga tercinta Papa, Mama, Kakak, dan keluarga besar yang selalu memberikan doa, dukungan, semangat, kasih sayang, dan motivasi. 2 Dr Ir Hadi Sumarno, MS selaku dosen Pembimbing I yang telah memberikan ilmu, bimbingan, motivasi, saran, dan bantuannya selama penulisan skripsi ini. 3 Drs Ali Kusnanto, MSi selaku dosen Pembimbing II yang telah memberikan ilmu, bimbingan, motivasi, saran, dan bantuannya selama penulisan skripsi ini. 4 Dr Paian Sianturi selaku dosen Penguji yang telah memberikan ilmu dan motivasi kepada penulis serta saran dalam karya ilmiah ini. 5 Vivie Sundari selaku sahabat yang telah memberi semangat dan senantiasa menjadi teman belajar serta teman berbagi keluh kesah selama kuliah. 6 Para sahabat sejak SMA: Irmalia, Hanif, Desita, Maya, dan atasya yang telah memberikan motivasi untuk penulis. 7 Teman-teman Matematika Angkatan 49 serta ameroet (ovitadayanti, Aisyah, Syifa, Vivie, enden, Yuli, Laras, dan Faza) yang selalu memberikan keceriaan, dukungan, doa, dan segala bantuan yang telah di berikan. 8 Kakak-kakak Matematika Angkatan 48 serta adik-adik Matematika Angkatan 50 dan 51 yang telah memberikan doa, semangat, dan dukungannya. Semoga karya ilmiah ini dapat bermanfaat bagi dunia ilmu pengetahuan khususnya Matematika dan menjadi inspirasi bagi penelitian-penelitian selanjutnya. Bogor, Mei 2016 urlita Fikadhilla
9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRA vi PEDAHULUA 1 Latar Belakang 1 Tujuan Penelitian 2 LADASA TEORI 2 Sistem Persamaan Diferensial 2 Titik Tetap 2 Pelinearan 2 ilai Eigen dan Vektor Eigen 4 Bilangan Reproduksi Dasar 4 Proses Stokastik dan Rantai Markov 5 Peluang Transisi dan Klasifikasi State 5 HASIL DA PEMBAHASA 6 Model Epidemik SIS Deterministik 6 Penentuan Titik Tetap 7 Kestabilan Lokal Titik Tetap 7 Model Epidemik SIS Stokastik 9 Peluang Transisi 9 Peluang Wabah 11 Simulasi umerik 12 SIMPULA 20 DAFTAR PUSTAKA 20 LAMPIRA 21 RIWAYAT HIDUP 30
10 DAFTAR TABEL 1 Titik tetap model epidemik SIS 8 2 Pemilihan nilai parameter 13 DAFTAR GAMBAR 1 Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = Bidang solusi individu rentan dan terinfeksi saat R 0 = Sample path 1 individu rentan dan terinfeksi saat R 0 = Sample path 2 individu rentan dan terinfeksi saat R 0 = 4 19 DAFTAR LAMPIRA 1 Penentuan titik tetap model epidemik SIS deterministik 21 2 Kestabilan titik tetap T 1 model epidemik SIS deterministik 22 3 Kestabilan titik tetap T 2 model epidemik SIS deterministik 23 4 Menentukan limit peluang pada waktu jangka panjang 24 5 Bukti Persamaan (13) 25 6 Program plot bidang solusi individu rentan dan terinfeksi model epidemik SIS deterministik saat R 0 = 0.8 (Gambar 1) 27 7 Program sample path 1 individu rentan dan terinfeksi model epidemik SIS stokastik saat R 0 = 0.8 (Gambar 2) 28 8 Program sample path 2 individu rentan dan terinfeksi model epidemik SIS stokastik saat R 0 = 0.8 (Gambar 3) 29
11 PEDAHULUA Latar Belakang Dalam kehidupan nyata, terdapat berbagai macam masalah, salah satunya yaitu masalah penyakit menular. Fenomena penyakit menular mampu mengancam eksistensi kehidupan manusia apabila penyebaran wabahnya tidak dapat dikendalikan. Untuk itu, diperlukan suatu alat untuk mengontrol dan mengetahui karakteristik penyebaran dari suatu penyakit menular. Model matematika merupakan salah satu alat yang bisa digunakan untuk mengetahui karakteristik penyebaran penyakit menular di suatu daerah tertentu yang dikenal sebagai model epidemik. Model epidemik pertama kali diusulkan oleh A. G. McKendrick pada tahun Sebelumnya McKendrick dan Kermack telah melakukan penelitian tentang model epidemik deterministik (Greenwood dan Gordillo 2009). Model epidemik terbagi menjadi dua tipe, yaitu model epidemik deterministik dan stokastik. Salah satu bentuk model epidemik yang paling umum adalah model SIS. S mewakili susceptible yaitu individu yang rentan terhadap penyakit, I mewakili infected yang artinya individu terinfeksi penyakit. Model epidemik SIS merupakan model penyebaran penyakit dengan siklus berulang. Jika individu yang rentan terhadap penyakit (susceptible) tersebut berinteraksi dengan individu yang terinfeksi penyakit maka individu yang rentan tersebut menjadi individu terinfeksi penyakit (infected). Pada model epidemik SIS individu yang terinfeksi penyakit akan kembali sehat dengan pengobatan medis atau proses alam, namun individu yang telah sehat akan rentan dan kembali terinfeksi, sebab pada model epidemik SIS individu tidak melalui proses pemulihan (recovery). Kajian terhadap model epidemik SIS deterministik dan stokastik dengan waktu diskret sangatlah luas. Kajian dimulai dengan melakukan analisis stabilitas model epidemik SIS deterministik dan mean distribusi probabilitas SIS epidemik stokastik (Allen dan Burgin 2000). Kemudian kajian tentang perbandingan model epidemik SIS deterministik dan stokastik dengan menggunakan formula Ito SDE (Stochastic Differential Equation) (Allen 2007). Dalam karya ilmiah ini akan dibahas analisis kestabilan model epidemik SIS deterministik dan stokastik. Pertama dilakukan analisis kestabilan terhadap model epidemik SIS deterministik. Kemudian mengonstruksi model epidemik SIS stokastik dengan waktu diskret serta menganalisis peluang wabah. Terakhir, melakukan simulasi numerik terhadap model deterministik dan stokastik serta membandingkan hasilnya. Asumsi dasar yang digunakan pada karya ilmiah ini adalah tingkat kelahiran sama dengan tingkat kematian serta jumlah populasi konstan.
12 2 Tujuan Penelitian Tujuan dari penelitian ini adalah sebagai berikut: 1 menganalisis kestabilan model epidemik SIS deterministik dengan waktu kontinu, 2 mengonstruksi model epidemik SIS stokastik dengan waktu diskret, 3 menganalisis peluang wabah pada model epidemik SIS stokastik, dan, 4 melakukan simulasi numerik untuk membandingkan antara model epidemik SIS deterministik dan stokastik. LADASA TEORI Sistem Persamaan Diferensial Sistem persamaan diferensial ordo satu dengan n persamaan dan n buah fungsi yang tak diketahui x 1, x 2,, x n dapat ditulis sebagai berikut: dengan x (t) = f(x(t), t), (1) x 1 f 1 (x(t)) x = ( ), f(x) = ( x n f n (x(t)) ). Menurut Tu (1994) jika sistem persamaan diferensial (1) tidak bergantung secara eksplisit pada t maka disebut sistem persamaan diferensial mandiri yang dapat ditulis: x = f(x). Titik Tetap Misalkan diberikan sistem persamaan diferensial sebagai berikut: x = f(x). Titik x disebut titik tetap jika memenuhi f(x ) = 0. Titik tetap disebut juga titik kritis atau titik tetap (Tu 1994). Pelinearan Untuk suatu sistem persamaan diferensial taklinear, analisis kestabilannya dilakukan melalui pelinearan. Misalkan diberikan sistem persamaan diferensial dengan dua persamaan dan dua peubah seperti berikut: x = f(x, y), y = g(x, y).
13 Andaikan (x, y ) adalah titik tetap dari persamaan di atas, maka f(x, y ) = 0 dan g(x, y ) = 0. Misalkan u = x x dan v = y y, maka didapatkan: u = x = f(x + u, y + v). Dengan melakukan pendekatan ekspansi Taylor dua peubah, maka didapatkan sistem sebagai berikut: u = f(x, y ) + u f f + v x v + O(u2, v 2, uv) = u f f + v x y + O(u2, v 2, uv), dengan O(u 2, v 2, uv) merupakan galat yang cukup kecil. Selanjutnya diperoleh: v = y = g(x + u, y + v). Dengan melakukan pendekatan ekspansi Taylor dua peubah maka didapatkan sistem sebagai berikut: v = g(x, y ) + u g g + v x v + O(u2, v 2, uv) = u g g + v x y + O(u2, v 2, uv). Dalam bentuk matriks dapat dituliskan: 3 Matriks A, yaitu [ u ] = v f x g [ x f y [ u g v ] + O(u2, v 2, uv). y] f x A = g [ x f y g y] disebut sebagai matriks Jacobi yang dievaluasi di titik tetap (x, y ). Dengan O(u 2, v 2, uv) 0, maka dapat diabaikan sehingga didapatkan persamaan linear: [ u ] = [ v f x g x f y g y ] [ u ]. (2) v Bentuk (2) disebut model terlinearkan dari model taklinear (Strogatz 1994).
14 4 ilai Eigen dan Vektor Eigen Misalkan A adalah sebuah matriks berukuran n n, maka suatu vektor taknol x di R n dinamakan vektor eigen dari A, jika untuk suatu skalar λ, yang disebut nilai eigen dari A berlaku: Ax = λx. (3) Vektor x dinamakan vektor eigen yang bersesuaian dengan nilai eigen λ. Untuk mencari nilai eigen dari matriks A yang berukuran n n, maka persamaan (3) dapat ditulis sebagai berikut: (A λi)x = 0, (4) dengan I merupakan matriks identitas. Persamaan (4) akan memunyai penyelesaian taknol jika dan hanya jika det(a λi) = 0. (5) Persamaan (5) dinamakan persamaan karakteristik dari matriks A (Tu 1994). Selanjutnya untuk melihat kestabilan sistem dapat menggunakan kriteria perilaku kestabilan titik tetap sebagai berikut: 1 stabil, jika a setiap nilai eigen real adalah negatif ( λ i < 0 untuk setiap i ), b setiap komponen nilai eigen kompleks bagian realnya lebih kecil atau sama dengan nol ( Re(λ i ) 0 untuk setiap i ), 2 takstabil, jika a setiap nilai eigen real adalah positif ( λ i > 0 untuk setiap i ), b setiap komponen nilai eigen kompleks bagian realnya lebih besar dari nol ( Re(λ i ) > 0 untuk setiap i ), 3 sadel, jika ada perkalian dua buah nilai eigen sembarang adalah negatif (λ i λ j < 0 untuk suatu i dan j ). (Tu 1994) Bilangan Reproduksi Dasar Bilangan reproduksi dasar adalah rata-rata banyaknya individu yang rentan terinfeksi secara langsung oleh individu lain yang telah terinfeksi bila individu yang telah terinfeksi tersebut masuk ke dalam populasi yang seluruhnya masih rentan. Bilangan reproduksi dasar dilambangkan dengan R 0. Beberapa kondisi yang akan timbul, yaitu 1 Jika R 0 < 1, maka penyakit akan menghilang. 2 Jika R 0 = 1, maka penyakit akan menetap. 3 Jika R 0 > 1, maka penyakit akan meningkat menjadi wabah. (Giesecke 1994)
15 5 Proses Stokastik dan Rantai Markov Semua definisi yang digunakan pada proses stokastik ini diambil dari buku yang berjudul Introduction to Probability Models (Ross 2010). Definisi 1 (Proses stokastik) Proses stokastik X = {X(t), t T} adalah suatu himpunan dari peubah acak yang memetakan suatu ruang contoh Ω ke suatu ruang state S. Definisi 2 (Proses stokastik waktu diskret) Suatu proses stokastik X disebut proses stokastik dengan waktu diskret jika T adalah himpunan tercacah. Definisi 3 (Rantai Markov waktu diskret) Proses stokastik {X n, n = 0, 1, 2, }, dengan ruang state {0, 1, 2, }, disebut rantai Markov dengan waktu diskret jika untuk setiap n = {0, 1, 2, } berlaku P(X n+1 = j X n = i, X n 1 = i n 1,, X 1 = i 1, X 0 = i 0 ) = P(X n+1 = j X n = i), untuk semua kemungkinan nilai dari i 0, i 1,, i n 1, i, j {0, 1, 2, }. Definisi 4 (Rantai Markov homogen) Rantai Markov X n disebut homogen jika P(X n+1 = j X n = i) = P(X 1 = j X 0 = i 0 ) = p i,j, untuk semua n dan semua i, j {0, 1, 2, }. Peluang Transisi dan Klasifikasi State Definisi 5 (Peluang transisi n-langkah) Peluang transisi n-langkah yaitu peluang bahwa suatu proses yang mula-mula berada pada state i akan berada pada state j setelah tambahan transisi. Jadi, (n) = P {Xn = j X 0 = i }, i, j {0, 1, 2, }, p ij untuk setiap n = 1, 2,. Definisi 6 (Terakses) Suatu state j disebut terakses dari state i (i j) jika ada minimal sebuah bilangan bulat k 0 sehingga p (k) ij > 0. Definisi 7 (Berkomunikasi) State i dan j disebut berkomunikasi (i j) jika state i dapat diakses dari state j dan state j dapat diakses dari state i. Definisi 8 (Kelas dari state) Suatu kelas dari state adalah suatu himpunan tak kosong C sehingga semua pasangan state yang merupakan anggota dari C berkomunikasi satu dengan yang lainnya, serta tidak ada state yang merupakan anggota C yang berkomunikasi dengan suatu state yang bukan anggota dari C.
16 6 Definisi 9 (Kelas tertutup) Suatu kelas C disebut kelas tertutup jika berlaku p ij = 0 untuk semua i C dan j C. Definisi 10 (State penyerap) Suatu state i disebut state penyerap jika p ii = 1. Definisi 11 (Recurrent state) Suatu state i disebut recurrent jika f ii = 1, dengan f ii menyatakan peluang bahwa proses dimulai dari state i dan kembali ke state i. Definisi 12 (Transient state) Suatu state i disebut transient jika f ii < 1. Definisi 13 (Jalan acak) Suatu rantai Markov dengan ruang state himpunan bilangan bulat dan mempunyai peluang transisi p i,i+1 = p dan p i,i 1 = 1 p untuk i = 0, ±1, ±2, dengan 0 < p < 1. HASIL DA PEMBAHASA Model Epidemik SIS Deterministik Model epidemik SIS mendeskripsikan penyebaran penyakit pada individu. Terdapat dua klasifikasi individu yaitu individu yang rentan (susceptible) dan individu yang terinfeksi (infected). Asumsi yang digunakan pada model ini adalah tingkat kelahiran dan kematian sama. Berikut adalah diagram kompartemen yang mengilustrasikan model epidemik SIS: b Susceptible ds SI γi Infected di Berikut ini adalah persamaan diferensial dari model epidemik SIS (Brauer et al. 2008): ds(t) dt di(t) dt = S(t)I(t) + (b + γ)i(t), (6) = S(t)I(t) (b + γ)i(t),
17 7 di mana > 0, γ > 0, b 0 dan = S(t) + I(t), dengan ds(t) dt di(t) dt S(t) I(t) b d γ : laju pertumbuhan individu yang rentan terhadap penyakit (populasi/waktu), : laju pertumbuhan individu yang terinfeksi oleh penyakit (populasi/waktu), : banyaknya individu yang rentan pada waktu t (populasi), : banyaknya individu yang terinfeksi pada waktu t (populasi), : tingkat penularan (1/waktu), : tingkat kelahiran individu (1/waktu), : tingkat kematian individu (1/waktu), : tingkat penyembuhan individu yang terinfeksi (1/waktu), : total populasi pada waktu t (populasi) Penentuan Titik Tetap Pada model epidemik terdapat dua titik tetap, yaitu titik tetap bebas penyakit dan titik tetap endemik. Titik tetap pada model epidemik SIS deterministik diperoleh jika di(t) = 0, sehingga didapatkan persamaan sebagai berikut: dt S(t)I(t) (b + γ)i(t) = 0. (7) Dari persamaan (7) diperoleh dua titik tetap yaitu sebagai berikut: T 1 = (S(t), I(t)) = (, 0), T 2 = (S(t), I(t)) = ( (b+γ) (b+γ), (1 ) ). Titik tetap T 1 disebut titik tetap bebas penyakit (disease-free equilibrium). Sedangkan titik tetap T 2 disebut dengan titik tetap endemik (endemic equilibrium). (Bukti dapat dilihat pada Lampiran 2). Kemudian berdasarkan persamaan (6) diperoleh matriks Jacobi sebagai berikut: J = ( I(t) b I(t) S(t) + γ (8) S(t) b γ). Kestabilan Lokal Titik Tetap Setelah menentukan titik tetap langkah berikutnya adalah menentukan kestabilan dari tiap titik tetap. Titik tetap T 1 disubtitusikan ke persamaan (8) sehingga diperoleh matriks Jacobi sebagai berikut: J = ( b + γ 0 b γ ). Persamaan karakteristik yang diperoleh dari matriks Jacobi tersebut adalah
18 8 ( λ b)( b γ λ) = 0, sehingga diperoleh nilai eigen λ 1 = b atau λ 2 = (b + γ) ( b+γ 1). (Bukti dapat dilihat pada Lampiran 3). Karena nilai semua parameter yang digunakan adalah positif (b,, γ > 0), analisis kestabilan yang akan diperoleh sebagai berikut: 1 Jika < (b + γ), maka λ 1 < 0, λ 2 < 0 sehingga titik tetap bersifat stabil. 2 Jika > (b + γ), maka λ 1 < 0, λ 2 > 0 sehingga titik tetap bersifat sadel. Dari kondisi di atas, diperoleh batas kestabilannya yaitu = (b + γ), sehingga diperoleh bilangan reproduksi dasar (R 0 ) sebagai berikut: R 0 = (b+γ). (Bukti dapat dilihat pada Lampiran 3). Kemudian untuk kestabilan titik tetap T 2 terlebih dahulu disubstitusi titik tetap T 2 ke persamaan (8) sehingga diperoleh matriks Jacobi sebagai berikut: + γ J = ( b b γ 0 ). Persamaan karakteristik yang diperoleh dari matriks Jacobi tersebut adalah ( λ)( + γ λ) ( b)( γ b) = 0, sehingga diperoleh nilai eigen λ 1 = b dan λ 2 = (b + γ) (1 b+γ ). (Bukti dapat dilihat pada Lampiran 4). Karena nilai semua parameter yang digunakan adalah positif (b,, γ > 0), analisis kestabilan yang akan diperoleh sebagai berikut: 1 Jika R 0 > 1, maka λ 1 < 0, λ 2 < 0 sehingga titik tetap bersifat stabil. 2 Jika R 0 < 1, maka λ 1 < 0, λ 2 > 0 sehingga titik tetap bersifat sadel. (Bukti dapat dilihat pada Lampiran 4) Berdasarkan kriteria nilai λ 2 dari titik tetap T 1 dan T 2, diperoleh kriteria untuk bilangan reproduksi dasar (R 0 ) yaitu sebagai berikut: 1 Jika R 0 < 1 maka penyakit akan menghilang. 2 Jika R 0 > 1 maka penyakit akan meningkat dan menjadi wabah. Ringkasan kriteria untuk menentukan kestabilan titik tetap T 1 dan T 2 dapat dilihat pada Tabel 1 berikut: Tabel 1 Titik tetap model epidemik SIS Kriteria T 1 T 2 R 0 < 1 Simpul stabil Sadel R 0 > 1 Sadel Simpul stabil
19 9 Model Epidemik SIS Stokastik Misalkan S(t) dan I(t) adalah peubah acak diskret dari banyaknya individu yang rentan dan terinfeksi pada waktu t. Pada model epidemik DTMC (Discrete Time Markov Chain), t {0, t, 2 t, } dan peubah acak diskret memenuhi S(t), I(t) {0, 1, 2,, }. Peluang Transisi Pada model epidemik SIS hanya ada satu peubah acak bebas I(t) karena S(t) = I(t), di mana adalah ukuran total populasi konstan. Proses stokastik {I(t)} t=0 memiliki fungsi peluang sebagai berikut: p i (t) = P{I(t) = i}, untuk i = 0, 1, 2,, dan t = 0, t, 2 t,, di mana p i (t) = 1. i=0 Misalkan p(t) = (p 0 (t), p 1 (t),, p (t)) T menyatakan vektor peluang terhadap I(t). Suatu proses stokastik memiliki sifat Markov jika P{I(t + t) I(0), I( t),, I(t)} = P{I(t + t) I(t)}. Sifat Markov diatas berarti bahwa proses hanya bergantung pada proses satu langkah waktu sebelumnya, yaitu pada waktu t. Untuk menyelesaikan model epidemik SIS DTMC, hubungan antara state I(t) dan I(t + t) perlu didefinisikan. Hubungan antara state I(t) dan I(t + t) didefinisikan oleh matriks transisi. Peluang transisi dari state I(t) = i ke state (t + t) = j, i j pada waktu t dinyatakan sebagai berikut: p ji (t + t, t) = P{I(t + t) = j I(t) = i}. Ketika peluang transisi p ji (t + t, t) tidak bergantung pada t maka p ji ( t) disebut rantai Markov homogen. Untuk mengurangi banyaknya transisi pada waktu t, diperlukan satu asumsi. Asumsinya adalah waktu t dipilih cukup kecil sehingga perubahan banyaknya individu yang terinfeksi paling banyak satu selama interval waktu t sehingga dapat dituliskan sebagai berikut: i i + 1, i i 1, atau i i, dengan masing-masing menyatakan infeksi baru atau kelahiran, infeksi berkurang atau kematian, dan tidak terjadi perubahan selama interval waktu t. Berdasarkan model epidemik SIS deterministik sehingga didapatkan peluang transisi untuk model epidemik SIS DTMC sebagai berikut:
20 10 i( i) t, Dari peluang transisi di atas dapat dilihat bahwa peluang terjadinya infeksi baru (i i + 1) adalah i( i) t, peluang terjadinya infeksi berkurang (i i 1) adalah (b + γ)i t, peluang tidak terjadi perpindahan state (i i) adalah 1 [ i( i) j = i + 1 (b + γ)i t, p ji ( t) j = i 1 = 1 [ i( i) + (b + γ)i] t, j = i { 0, j i + 1, i, i 1. + (b + γ)i] t, dan peluang bernilai nol bila selainnya (Brauer et al. 2008). Kelahiran individu yang rentan penyakit harus disertai dengan kematian untuk menjaga ukuran populasi agar tetap konstan. Untuk menyederhanakan notasi dan menghubungkan proses epidemik SIS dengan proses kematian dan kelahiran, maka peluang transisi untuk infeksi baru atau kelahiran dilambangkan dengan b(i) t dan infeksi berkurang atau kematian dilambangkan dengan d(i) t sehingga dapat dituliskan sebagai berikut: b(i) t, d(i) t, p ji ( t) = { 1 [b(i) + d(i)] t, 0, j = i + 1 j = i 1 j = i j i + 1, i, i 1. Jumlah dari ketiga transisi di atas sama dengan nol karena transisi-transisi tersebut merepresentasikan semua perpindahan yang mungkin dari state i selama interval waktu t. Untuk memastikan bahwa peluang transisi terletak pada interval [0,1] maka langkah waktu t harus dipilih cukup kecil sehingga max {[b(i) + d(i)] t} 1. i {1,.., } Dengan menggunakan sifat Markov dan peluang transisi sebelumnya, peluang pada waktu (t + t) dapat dinyatakan sebagai berikut: p i (t + t) = p i 1 (t)b(i 1) t + p i+1 (t)d(i + 1) t + p i (t)(1 [b(i) + d(i)] t) (9) untuk i = 1, 2,, di mana b(i) = i( i) dan d(i) = (b + γ)i. Matriks transisi berisi elemen-elemen yang merupakan peluang transisi dari state 0 sampai state. Sebagai contoh, elemen (1, 1) pada matriks transisi merupakan peluang transisi dari state 0 ke state 0, p 00 ( t) = 1. Berikut ini adalah matriks transisi P( t): 1 d(1) t [b(1) + d(1)] t d(2) t 0 0 b(1) t 1 [b(2) + d(2)] t 0 P( t) = 0 0 b(2) t d() t ( d() t)
21 Setiap kolom dari matriks P( t) berjumlah sama dengan satu dan setiap elemennya bernilai taknegatif, sehingga matriks P( t) disebut matriks stokastik. Dengan menggunakan notasi matriks dan vektor, persamaan (9) dapat dinyatakan sebagai berikut: 11 p(t + t) = P( t)p(t) = P n+1 p(0), di mana p(t) = (p 0 (t), p 1 (t),, p (t)) T, dan t = n t. (10) Beberapa sifat dari model epidemik SIS DTMC lebih mudah dipahami dengan teori rantai Markov. State-state yang ada akan diklasifikasikan dengan melihat digraf pada model. Digraf dari model rantai Markov SIS diilustrasikan seperti berikut: di mana i = 0, 1,, adalah state individu terinfeksi. State {0, 1,, } dapat dibagi menjadi dua kelas yaitu kelas state recurrent {0} dan kelas state transient {1,, }. State {0} adalah state penyerap, hal ini terlihat dari digraf yang dimulai dari state {0} dan tidak ada pergerakkan state. Kelas state {0} adalah kelas tertutup. State {1, 2,, } dapat diakses oleh setiap state dalam kelas state {1, 2,, }. Misalkan state {1} dapat diakses dari state {2}. Kelas state {1, 2,, } bukan kelas tertutup, karena ada p ji ( t) > 0. Hal tersebut dapat dilihat dari elemen pada matriks transisi. Misalkan P n = (p ji (n) ), di mana p ji (n) adalah elemen ke (i, j) dari matriks transisi n-langkah P n, kemudian lim p (n) n ji = 0, untuk setiap state j dan state transient i. Limit n dari P n menghasilkan setiap elemen matriks transisinya bernilai nol, kecuali pada elemen (1,1) yaitu bernilai satu. Dari persamaan (10) diperoleh hasil sebagai berikut: lim p(t) = (1, 0, 0, t,0)t, di mana t = n t. Akibatnya pada model epidemik SIS DTMC, populasi mendekati tetap bebas penyakit. (Bukti dapat dilihat pada Lampiran 5). Peluang Wabah Wabah terjadi ketika jumlah kasus meningkat. Model jalan acak sederhana dapat digunakan untuk memerkirakan peluang wabah. Misalkan X(t) variabel acak pada waktu t di kelas state {0, 1, 2, } pada model jalan acak. State 0 adalah state penyerap dan selainnya adalah state transient. Jika X(t) = x maka pada interval waktu berikutnya hanya ada satu perpindahan yaitu pindah ke kanan x x + 1 dengan peluang p atau pindah ke kiri x x 1 dengan peluang q, dengan pengecualian state 0 di mana tidak terjadi perpindahan (p + q = 1). Pada model
22 12 jalan acak, proses mendekati state 0 atau mendekati tak terhingga. Peluang menyerap ke state 0 tergantung pada p, q, dan posisi awal. Misalkan X(t) = x 0 > 0, maka dapat dilihat bahwa 1, jika p q lim P{X(t) = 0} = { t ( q 0 (11) p )x, jika p q. Persamaan (11) dapat digunakan untuk memerkirakan peluang wabah pada model epidemik SIS DTMC, di mana populasi yang bertahan dapat diinterpretasikan sebagai wabah. Perkiraan ini meningkat pada ukuran populasi yang besar dan nilai awal yang kecil dari individu terinfeksi. Misalkan nilai awal dari individu terinfeksi i 0 kecil dan ukuran populasi besar. Maka fungsi kelahiran dan kematian pada model epidemik SIS diberikan oleh dan Kelahiran = b(i) = i( i) i Kematian = d(i) = (b + γ)i. Dengan menggunakan persamaan (11) maka peluang tidak adanya individu terinfeksi adalah 1, jika R 0 1 P{I(t) = 0} { ( 1 0 )i, jika R 0 > 1. R 0 Sehingga peluang wabah adalah 0, jika R 0 1 Peluang wabah { 1 ( 1 ) i 0 (12) R, jika R 0 > 1. 0 Persamaan (12) berlaku untuk model epidemik SIS stokastik pada rentang waktu t [T 1, T 2 ]. Dalam model epidemik SIS stokastik pada akhirnya P{I(t) = 0} = 1, karena state 0 merupakan state penyerap. Rentang waktu lim t untuk persamaan (12) diperkirakan cukup lama ketika ukuran populasi besar dan nilai awal individu terinfeksi i 0 kecil. Simulasi umerik Model pada karya ilmiah ini dipengaruhi oleh tiga faktor, yaitu tingkat kelahiran individu (b), tingkat penularan (), dan tingkat penyembuhan individu (γ). Dalam simulasi ini akan dilihat perilaku dari perubahan nilai parameter. Kemudian akan dibandingkan hasil simulasi antara model deterministik dengan model stokastik. Simulasi untuk model deterministik menggunakan software Mathematica 10.0 sedangkan model stokastik menggunakan software R ilai parameter tetap yang digunakan yaitu b = 0.25, = 100, dan γ = 0.25 dengan nilai awal I(0) = 10. Sedangkan parameter dipilih bebas seperti dalam Tabel 2 berikut:
23 13 Tabel 2 Pemilihan nilai parameter Kasus R 0 Kestabilan T 1 T Simpul stabil Sadel Sadel Simpul stabil Sadel Simpul stabil Sadel Simpul stabil Sadel Simpul stabil Sadel Simpul stabil Sadel Simpul stabil Kasus 1 ( = 0.4, R 0 = 0.8) : individu rentan : individu terinfeksi Gambar 1 Bidang solusi individu rentan dan terinfeksi saat R 0 = 0.8 Gambar 2 Sample path 1 individu rentan dan terinfeksi saat R 0 = 0.8 Gambar 3 Sample path 2 individu rentan dan terinfeksi saat R 0 = 0.8 Pada model epidemik SIS deterministik saat R 0 1 maka akan menghasilkan kestabilan bebas penyakit seperti yang terlihat pada Gambar 1.
24 14 Begitu juga yang terjadi pada model epidemik SIS stokastik yang terlihat pada Gambar 2 dan 3. Interpretasinya adalah di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang terinfeksi maka pada model epidemik SIS deterministik mulai waktu ke 0 sampai seterusnya terjadi penurunan jumlah individu terinfeksi sehingga jumlah individu terinfeksi akan habis. Begitu juga pada model epidemik SIS stokastik terjadi penurunan jumlah individu terinfeksi kemudian wabah penyakit menghilang dari masyarakat tersebut dan menuju kestabilan bebas penyakit. Kasus 2 ( = 0.6, R 0 = 1.2) : individu rentan : individu terinfeksi Gambar 4 Bidang solusi individu rentan dan terinfeksi saat R 0 = 1.2 Gambar 5 Sample path 1 individu rentan dan terinfeksi saat R 0 = 1.2 Gambar 6 Sample path 2 individu rentan dan terinfeksi saat R 0 = 1.2 Dalam Gambar 4 diperlihatkan bahwa saat R 0 = 1.2 pada model epidemik SIS deterministik terjadi kestabilan endemik. Sedangkan pada model SIS epidemik stokastik terjadi kestabilan bebas penyakit yang diperlihatkan oleh Gambar 5 dan 6. Bila diinterpretasikan, di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang terinfeksi pada model epidemik SIS deterministik terjadi peningkatan jumlah individu terinfeksi di awal waktu kemudian mencapai kestabilan.
25 Sedangkan pada model epidemik SIS stokastik, Gambar 5 dan 6 menunjukkan bahwa mula-mula terjadih wabah penyakit namun kemudian penyakit menghilang dari masyarakat tersebut. Kasus 3 ( = 0.66, R 0 = 1.32) 15 : individu rentan : individu terinfeksi Gambar 7 Bidang solusi individu rentan dan terinfeksi saat R 0 = 1.32 Gambar 8 Sample path 1 individu rentan dan terinfeksi saat R 0 = 1.32 Gambar 9 Sample path 2 individu rentan dan terinfeksi saat R 0 = 1.32 Dalam Gambar 7 diperlihatkan bahwa pada model epidemik SIS deterministik saat R 0 = 1.32 terjadi kestabilan endemik. amun hasil yang berbeda diperlihatkan oleh model epidemik SIS stokastik yang ditunjukkan oleh Gambar 8 dan 9. Terlihat bahwa kestabilan yang dicapai pada model epidemik SIS stokastik adalah kestabilan bebas penyakit. Bila diinterpretasikan, di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang terinfeksi pada model epidemik SIS deterministik mulai dari waktu ke 0 jumlah individu terinfeksi meningkat kemudian mencapai kestabilan sedangkan pada model epidemik SIS stokastik yang terlihat pada Gambar 8 dan Gambar 9 memerlihatkan terjadinya
26 16 wabah penyakit di awal waktu kemudian penyakit menghilang sehingga terjadi kestabilan bebas penyakit. Kasus 4 ( = 0.82, R 0 = 1.64) : individu rentan : individu terinfeksi Gambar 10 Bidang solusi individu rentan dan terinfeksi saat R 0 = 1.64 Gambar 11 Sample path 1 individu rentan dan terinfeksi saat R 0 = 1.64 Gambar 12 Sample path 2 individu rentan dan terinfeksi saat R 0 = 1.64 Dalam Gambar 10 diperlihatkan bahwa model epidemik SIS deterministik saat R 0 = 1.64 menghasilkan kestabilan endemik. Hasil yang berbeda diperlihatkan oleh model epidemik SIS stokastik yang menghasilkan kestabilan bebas penyakit yang terlihat pada Gambar 11 dan 12. Interpretasinya adalah di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang individu terinfeksi, pada model epidemik SIS deterministik mulai waktu ke 0 terjadi peningkatan jumlah individu terinfeksi kemudian mencapai kestabilan. Sedangkan pada model epidemik SIS stokastik yang terlihat pada Gambar 11 dan Gambar 12 menunjukkan terjadi wabah penyakit kemudian penyakit menghilang sehingga mencapai kestabilan bebas penyakit.
27 17 Kasus 5 ( = 1, R 0 = 2) : individu rentan : individu terinfeksi Gambar 13 Bidang solusi individu rentan dan terinfeksi saat R 0 = 2 Gambar 14 Sample path 1 individu rentan dan terinfeksi saat R 0 = 2 Gambar 15 Sample path 2 individu rentan dan terinfeksi saat R 0 = 2 Pada model epidemik SIS deterministik dan stokastik jika R 0 = 2 akan menghasilkan kestabilan endemik. Hal tersebut diperlihatkan pada Gambar 13, 14, dan 15. Bila diinterpretasikan maka di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang terinfeksi maka pada model epidemik SIS deterministik mulai waktu ke 0 terjadi peningkatan jumlah individu terinfeksi kemudian terjadi kestabilan endemik. Begitu juga terjadi pada model epidemik SIS stokastik terjadi wabah penyakit dan terus berlangsung.
28 18 Kasus 6 ( = 1.5, R 0 = 3) : individu rentan : individu terinfeksi Gambar 16 Bidang solusi individu rentan dan terinfeksi saat R 0 = 3 Gambar 17 Sample path 1 individu rentan dan terinfeksi saat R 0 = 3 Gambar 18 Sample path 2 individu rentan dan terinfeksi saat R 0 = 3 Pada Gambar 16, 17, dan 18 memerlihatkan bahwa saat R 0 = 3 pada model epidemik deterministik dan stokastik terjadi kestabilan endemik. Bila diinterpretasikan, di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang diantaranya terinfeksi maka pada model epidemik SIS deterministik terjadi kenaikan yang signifikan pada jumlah individu terinfeksi kemudian terjadi kestabilan endemik. Begitu juga pada model epidemik SIS stokastik terjadi wabah penyakit pada masyarakat dan terus berlangsung.
29 19 Kasus 7 ( = 2, R 0 = 4) : individu rentan : individu terinfeksi Gambar 19 Bidang solusi individu rentan dan terinfeksi saat R 0 = 4 Gambar 20 Sample path 1 individu rentan dan terinfeksi saat R 0 = 4 Gambar 21 Sample path 2 individu rentan dan terinfeksi saat R 0 = 4 Pada Gambar 19 memerlihatkan bahwa pada model epidemik SIS deterministik terjadi kestabilan endemik. Hal yang sama diperlihatkan oleh Gambar 20 dan 21 yang menunjukkan bahwa model epidemik SIS stokastik juga menuju kestabilan endemik. Sehingga bila diinterpretasikan, di dalam suatu masyarakat dengan total individu 100 orang dan 10 orang diantaranya terinfeksi maka pada model epidemik SIS deterministik sejak waktu ke 0 jumlah individu terinfeksi mengalami peningkatan yang cukup tinggi kemudian mencapai kestabilan endemik. Hal yang sama juga terjadi pada model epidemik SIS stokastik sejak waktu ke 0 terjadi wabah penyakit pada masyarakat dan terus berlangsung.
30 20 SIMPULA Dari model epidemik SIS deterministik diperoleh dua titik tetap, yaitu titik tetap bebas penyakit dan titik tetap endemik. Dari titik tetap bebas penyakit diperoleh bilangan reproduksi dasar R 0, yang nilainya bergantung pada tingkat penularan penyakit. Sedangkan pada model epidemik SIS stokastik didapatkan solusi yang berupa sebaran peluang saat terjadi dan tidak terjadinya wabah. Pada model epidemik SIS deterministik dan stokastik bila nilai dari bilangan reproduksi dasar dinaikkan maka banyaknya individu yang terinfeksi semakin bertambah. Dalam simulasi, pada model epidemik SIS deterministik saat R 0 < 1 terjadi kestabilan bebas penyakit dan saat R 0 > 1 terjadi kestabilan endemik. Pada model epidemik SIS stokastik digambarkan dengan dua path yang berbeda untuk setiap kasus dan kedua path tersebut menuju ke kestabilan yang sama. Untuk setiap nilai dari bilangan reproduksi dasar, model epidemik SIS stokastik akan menuju ke kestabilan bebas penyakit. DAFTAR PUSTAKA Allen E Modeling with Ito Stochastic Differential Equations. etherlands (L): Springer. Allen LJS, Burgin AM Comparison of deterministic and stochastic SIS and SIR models in discrete time. Mathematical Biosciences, vol. 163, no. 1, pp doi: /s (99) Brauer F, Driessche PVD, Wu J Mathematical Epidemiology. Heidelberg (DE): Springer. hlm Giesecke J Modern Infectious Disease Epidemilogy. Oxford: Oxford University Pr. Greenwood PE, Gordillo LF Mathematical and Statistical Estimation Approaches in Epidemiology. etherlands (L): Springer. hlm Ross SM Introduction to Probability Models. Ed ke-10. California (US): Academic Pr. Strogatz SH onlinear Dynamics and Chaos, with Application to Physics, Biology, Chemistry, and Engineering. Massachusetts (US): Westview Pr. Tu PV Dynamical System. An Introduction with Application in Economics and Biology. Heidelberg (DE): Springer-Verlag.
31 21 Lampiran 1 Penentuan titik tetap model epidemik SIS deterministik Titik tetap pada model epidemik SIS deterministik diperoleh jika di(t) = 0 dt terhadap persamaan (6). Mencari titik tetap 1 dan 2: di(t) dt = 0 S(t)I(t) (b + γ)i(t) = 0 [ ( I)(t)] I(t) (b + γ)i(t) = 0 [ I(t)] I(t) (b + γ)i(t) = 0 I(t) I(t)I(t) (b + γ)i(t) = 0 I(t) { I(t) (b + γ)} = 0 I(t) = 0 atau I(t) = (1 (b+γ) ) Karena I(t) = 0 Maka S(t) = I(t) sehingga didapat S(t) = Jadi titik tetap 1: T 1 (S(t), I(t)) = (, 0) (9) Karena I(t) = (1 (b+γ) ) Maka S(t) = I(t) sehingga didapat S(t) = (b+γ) Jadi titik tetap 2: (b + γ) (b + γ) T 2 (S(t), I(t)) = (, (1 )) (10)
32 22 Lampiran 2 Kestabilan titik tetap T 1 model epidemik SIS deterministik Titik tetap T 1 = (, 0) disubstitusikan ke dalam persamaan (8) b J T1 = ( 0 () + γ ) () b γ b + γ = ( 0 b γ ) Untuk memperoleh nilai eigen dengan menggunakan rumus J T1 λi = 0 ilai eigen J T1 λi = 0 b λ + γ 0 b γ λ = 0 ( b λ)( b γ λ) = 0 Dari persamaan tersebut, diperoleh nilai eigen λ 1 = b atau λ 2 = (b + γ) ( b + γ 1) Ketika λ 2 = 0, diperoleh nilai R 0 dengan penjabaran seperti berikut: (b + γ) ( b + γ 1) = 0 = (b + γ) b + γ = 1 R 0 = b + γ
33 23 Lampiran 3 Kestabilan titik tetap T 2 model epidemik SIS deterministik Titik persamaan (8) J T2 = tetap T 2 = ( (b+γ) (, (1 (b+γ) )) disubstitusikan ke dalam (b + γ) ( (1 )) b + γ) ((b ) + γ (b + γ) + γ) ( (1 )) ((b ) b γ ) + b + γ b b γ + γ = ( b γ b + γ b γ ) + γ b = ( b γ 0 ) Untuk memperoleh nilai eigen pada titik tetap T 2 menggunakan software seperti berikut restart with(detools): with(linalg): with(vectorcalculus): A Jacobian ([( ) f g + b b f + γ g, ( ) f g b g γ g], [f, g] = [ (b+γ) (b+γ), (1 )]) eigenvalues(a) Diperoleh nilai eigen atau λ 1 = b λ 2 = (b + γ) (1 b + γ ) Ketika λ 2 = 0, diperoleh nilai R 0 dengan penjabaran seperti berikut: (b + γ) (1 b + γ ) = 0 = (b + γ) b + γ = 1 R 0 = b + γ
34 24 Lampiran 4 Menentukan limit peluang pada waktu jangka panjang π j = π i p ji, i=0 j {0, 1, 2,, } π j = 1 j=0 π 0 = π 0 p 0,0 + π 1 p 0,1 + π 2 p 0,2 + + π 1 p 0, 1 + π p 0, π 1 = π 0 p 1,0 + π 1 p 0,1 + π 2 p 1,2 + + π 1 p 1, 1 + π p 1, π 2 = π 0 p 2,0 + π 1 p 2,1 + π 2 p 2,2 + + π 1 p 2, 1 + π p 2, π 1 = π 0 p 1,0 + π 1 p 1,1 + + π 2 p 1, 2 + π 1 p 1, 1 + π p 1, π = π 0 p,0 + π 1 p,1 + π 2 p,2 + + π 1 p, 1 + π p, π 0 + π 1 + π π = 1 Substitusikan semua nilai peluang transisinya π 0 = π 0 + d(1) t π 1.. (1) π 1 = (1 [b(1) + d(1)] t π 1 ) + d(2) t π 2.. (2) π 2 = b(1) t π 1 + (1 [b(2) + d(2)] t π 2 ) + d(3) t π 3.. (3) π 1 = b( 2) t π 2 + (1 [b( 1) + d( 1)] t )π 1 + d() t π.. (4) π = b( 1) t π 1 + (1 d() t) π π 0 + π 1 + π π = 1.. (5) Dari (1) diperoleh: π 1 = 0 Dari (2) diperoleh: π 2 = 0 π 1 = 0 π = 0 Dari (5) diperoleh: π 0 = 1
35 25 Lampiran 5 Bukti Persamaan (12) Misalkan P i, i = 0, 1,, mendefinisikan peluang pada state i. p menyatakan peluang perpindahan dari i i + 1 dan q menyatakan peluang perpindahan dari i i 1. P i = pp i+1 + qp i 1, i = 1, 2,, 1 Atau ekuivalen dengan pp i+1 P i + qp i 1 = 0, Untuk menyelesaikan persamaan diferensial di atas diperlukan kondisi berikut P 0 = 1 dan P = 0 Jika individu terinfeksi sama dengan nol maka peluang tidak terjadi wabah sama dengan satu dan jika individu terinfeksi sama dengan maka peluang tidak terjadinya wabah sama dengan nol. Misalkan P i = λ i 0. Persamaan karakteristik: pλ i+1 λ i + qλ i 1 = 0 Saat λ 0 maka persamaan karakteristik dapat disederhanakan menjadi pλ 2 λ + q = 0 Kemudian diperoleh nilai eigen dari akar persamaan karakteristik di atas λ 1,2 = 1 ± 1 4pq 2p Ekspresi dari nilai eigen di atas dapat disederhanakan dengan memperhatikan bahwa (p + q) 2 = 1 Sehingga untuk p q Diperoleh λ 1 = 1 dan λ 2 = q p 1 = p 2 + 2pq + q 2 1 4pq = p 2 2pq + q 2 = (p q) 2 λ 1,2 = 1 ± (p q) 2p Solusi umum untuk persamaan diferensial di atas P i = C 1 + C 2 ( q i p ) Karena P 0 = 1 dan P = 0 maka C 1 + C 2 = 1 dan C 1 + C 2 ( q p ) = 0 Cari nilai C 1 dan C 2 dengan eliminasi sehingga diperoleh C 1 = (q p ) dan C 2 = 1 ( q p ) 1 1 ( q p ) Substitusi nilai C 1 dan C 2 pada solusi umum
36 26 ( q p ) ( q p )i P i = ( q p ) 1 Sehingga peluang tidak terjadinya wabah untuk, yaitu 0 P{I(t) = 0} { (q p )i, jika R 0 > 1 1, jika R 0 1
37 27 Lampiran 6 Program plot bidang solusi individu rentan dan terinfeksi model epidemik SIS deterministik saat R 0 = 0.8 (Gambar 1) Manipulate[Module[{plt1,plt2,plt3,sol,S0=SS0,P0=PP0}, sol=dsolve[{s [t]== *S[t]*P[t]+ (b + γ) *P[t], P [t]== *S[t]*P[t]- (b + γ)*p[t],s[t/;t 0]==S0, P[t/;t 0]==P0},{S[t},P[t]},{t,0,120}]; plt1=parametricplot[{t,p[t]}/.sol,{t,0,50},plotrange All,AspecRatio 0.6, PlotStyle {RGBColor[1,0,0],Thickness[0.01]},AxesLabel {t,individu}]; plt3=parametricplot[{t,s[t]}/.sol,{t,0,50},plotrange All,AspecRatio 0.6, PlotStyle {RGBColor[0,1,0],Thickness[0.01]}]; plt2=streamplot[{ *S*P+(b + γ)*p, *S*P-(b + γ)*p}, {S,0,50},{P,0,50}, FrameLabel {{Style[Row[{Style[ P,Italic], (,Style[ t,italic], ) }],14], one}{style[row[{style[ S,Italic], (,Style[ t,italic], ) }],14],Style[Row[{ Style[ The phase portrait of system,bold]}],14]}},streampoints 50; Show[plt1,plt3,ImageSize {450,400}]], Style[ Persamaan differensial: Bold], Style[ S = *S[t]*P[t]+(b + γ)*p[t],bold], Style[ P = *S[t]*P[t]-(b + γ)*p[t],bold], Delimeter, Style[ parameters,bold,10],{{b,0.25, b },0,50,.01,ImageSize Small, Appearance Labeled },{{,0.4, },0,50,.01,ImageSize Small, Appearance Labeled },{{ γ,0.25, γ },0,50,.01,ImageSize Small, Appearance Labeled },{{,100, },0,500,.01,ImageSize Small, Appearance Labeled }, Delimeter, Style[ initial conditions,bold,10],{{ss0,90, S0 },0,500,.01,ImageSize Small, Appearance Labeled },{{PP0,10, P0 },0,500,.01,ImageSize Small, Appearance Labeled }, ControlPlacement Left,SynchronousUpdating False]
38 28 Lampiran 7 Program sample path 1 individu rentan dan terinfeksi model epidemik SIS stokastik saat R 0 = 0.8 (Gambar 2) library(adaptivetau) init.values=c(s = 90,I=10) transitions = list(c(s = -1, I = +1),c(S =+1, I = -1),c(S=+1,I= -1)) SISrateF <-function(x,p,t){return(c(x["s"]*(p$beta*x["i"])/100, params$delta*x["i"], params$gamma*x["i"]))} params = list(beta=0.4, delta=0.25, gamma=0.25) set.seed(2) r=ssa.adaptivetau(init.values,transitions,sisratef,params,tf=50) matplot(r[,"time"], r[,c("s","i")], type='l', xlab='time', ylab='individuals') legend("topright", legend=c("s", "I"), lty=1:2, col=1:2)
39 29 Lampiran 8 Program sample path 2 individu rentan dan terinfeksi model epidemik SIS stokastik saat R 0 = 0.8 (Gambar 3) library(adaptivetau) init.values=c(s = 90,I=10) transitions = list(c(s = -1, I = +1),c(S =+1, I = -1),c(S=+1,I= -1)) SISrateF <-function(x,p,t){return(c(x["s"]*(p$beta*x["i"])/100, params$delta*x["i"], params$gamma*x["i"]))} params = list(beta=0.4, delta=0.25, gamma=0.25) set.seed(1) r=ssa.adaptivetau(init.values,transitions,sisratef,params,tf=50) matplot(r[,"time"], r[,c("s","i")], type='l', xlab='time', ylab='individuals') legend("topright", legend=c("s", "I"), lty=1:2, col=1:2)
40 30 RIWAYAT HIDUP Penulis bernama lengkap urlita Fikadhilla, lahir pada tanggal 23 Juni 1994 di Bekasi, Jawa Barat. Penulis merupakan anak kedua dari dua bersaudara dan lahir dari pasangan Subandi dan Amin Budiyati. Pendidikan yang telah ditempuh oleh penulis yaitu SMP egeri 1 Bekasi lulus tahun 2009, dan SMA egeri 2 Bekasi lulus tahun Sejak tahun 2012 sampai dengan penulisan skripsi ini, penulis masih terdaftar sebagai mahasiswa Program S1 Departemen Matematika, Fakultas MIPA di Institut Pertanian Bogor (IPB). Selama menjadi mahasiswa IPB, penulis menjadi asisten mata kuliah Metode Statistika pada semester ganjil tahun ajaran 2014/ 2015, asisten mata kuliah Pengantar Teori Peluang pada semester genap tahun ajaran 2014/ 2015, asisten mata kuliah Pemrograman Tak Linear pada semester ganjil tahun ajaran 2015/ 2016, dan asisten mata kuliah Proses Stokastik Dasar pada semester genap tahun ajaran 2015/ Penulis juga aktif pada kegiatan kemahasiswaan yaitu menjadi staf Departemen Math Event Gugus Mahasiswa Matematika (GUMATIKA) pada tahun 2013/ Selain itu, penulis juga aktif dalam mengikuti lomba yang diadakan oleh Tingkat Persiapan Bersama (TPB), Departemen Matematika, dan Fakultas MIPA. Adapun penghargaan yang telah penulis raih, antara lain Juara 2 Basket Putri TPB CUP tahun 2012 serta Juara 1 Basket Putri SPIRIT FMIPA tahun 2014 dan 2015.
KAJIAN MODEL EPIDEMIK SIS DETERMINISTIK DAN STOKASTIK WAKTU DISKRET DENGAN TOTAL POPULASI TIDAK KONSTAN FRISKA YULIANTIKA SAPUTRI
KAJIAN MODEL EPIDEMIK SIS DETERMINISTIK DAN STOKASTIK WAKTU DISKRET DENGAN TOTAL POPULASI TIDAK KONSTAN FRISKA YULIANTIKA SAPUTRI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciArisma Yuni Hardiningsih. Dra. Laksmi Prita Wardhani, M.Si. Jurusan Matematika. Surabaya
ANALISIS KESTABILAN DAN MEAN DISTRIBUSI MODEL EPIDEMIK SIR PADA WAKTU DISKRIT Arisma Yuni Hardiningsih 1206 100 050 Dosen Pembimbing : Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Institut Teknologi
Lebih terperinciMODEL STOKASTIK PENYEBARAN PENYAKIT DEMAM BERDARAH DI KOTA DEPOK PENDAHULUAN
MODEL STOKASTIK PENYEBARAN PENYAKIT DEMAM BERDARAH DI KOTA DEPOK H. SUMARNO 1, P. SIANTURI 1, A. KUSNANTO 1, SISWADI 1 Abstrak Kajian penyebaran penyakit dengan pendekatan deterministik telah banyak dilakukan.
Lebih terperinciKAJIAN MODEL EPIDEMIK SIR DETERMINISTIK DAN STOKASTIK PADA WAKTU DISKRIT. Oleh: Arisma Yuni Hardiningsih
KAJIAN MODEL EPIDEMIK SIR DETERMINISTIK DAN STOKASTIK PADA WAKTU DISKRIT Oleh: Arisma Yuni Hardiningsih 126 1 5 Dosen Pembimbing: Dra. Laksmi Prita Wardhani, M.Si Jurusan Matematika Fakultas Matematika
Lebih terperinciDINAMIKA PERKEMBANGAN HIV/AIDS DI SULAWESI UTARA MENGGUNAKAN MODEL PERSAMAAN DIFERENSIAL NONLINEAR SIR (SUSCEPTIBLE, INFECTIOUS AND RECOVERED)
DINAMIKA PERKEMBANGAN HIV/AIDS DI SULAWESI UTARA MENGGUNAKAN MODEL PERSAMAAN DIFERENSIAL NONLINEAR SIR (SUSCEPTIBLE, INFECTIOUS AND RECOVERED) Amir Tjolleng 1), Hanny A. H. Komalig 1), Jantje D. Prang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari 3 bagian. Pada bagian pertama diberikan tinjauan pustaka dari penelitian-penelitian sebelumnya. Pada bagian kedua diberikan teori penunjang untuk mencapai tujuan
Lebih terperinciBab II Teori Pendukung
Bab II Teori Pendukung II.1 Sistem Autonomous Tinjau sistem persamaan differensial berikut, = dy = f(x, y), g(x, y), (2.1) dengan asumsi f dan g adalah fungsi kontinu yang mempunyai turunan yang kontinu
Lebih terperinciMODEL EPIDEMI RANTAI MARKOV WAKTU DISKRIT SUSCEPTIBLE INFECTED RECOVERED DENGAN DUA PENYAKIT
MODEL EPIDEMI RANTAI MARKOV WAKTU DISKRIT SUSCEPTIBLE INFECTED RECOVERED DENGAN DUA PENYAKIT Wisnu Wardana, Respatiwulan, dan Hasih Pratiwi Program Studi Matematika FMIPA UNS ABSTRAK. Pola penyebaran penyakit
Lebih terperinciBAB II KAJIAN TEORI. representasi pemodelan matematika disebut sebagai model matematika. Interpretasi Solusi. Bandingkan Data
A. Model Matematika BAB II KAJIAN TEORI Pemodelan matematika adalah proses representasi dan penjelasan dari permasalahan dunia real yang dinyatakan dalam pernyataan matematika (Widowati dan Sutimin, 2007:
Lebih terperinciANALISIS STABILITAS MODEL MATEMATIKA DARI PENYEBARAN PENYAKIT MENULAR MELALUI TRANSPORTASI ANTAR DUA KOTA
ANALISIS STABILITAS MODEL MATEMATIKA DARI PENYEBARAN PENYAKIT MENULAR MELALUI TRANSPORTASI ANTAR DUA KOTA ANALYSIS OF STABILITY OF SPREADING DISEASE MATHEMATICAL MODEL WITH TRANSPORT-RELATED INFECTION
Lebih terperinciBAB II LANDASAN TEORI. dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta
BAB II LANDASAN TEORI Pada bab ini akan diuraikan beberapa teori-teori yang digunakan sebagai acuan dalam penulisan skripsi ini. Teori-teori yang digunakan berupa definisi-definisi serta teorema-teorema
Lebih terperinciMODEL SIR UNTUK PENYEBARAN PENYAKIT FLU BURUNG
MODEL SIR UNTUK PENYEBARAN PENYAKIT FLU BURUNG MANSYUR A. R.1 TOAHA S.2 KHAERUDDIN3 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Hasanuddin Jln. Perintis Kemerdekaan Km.
Lebih terperinciBAB II LANDASAN TEORI. selanjutnya sebagai bahan acuan yang mendukung tujuan penulisan. Materi-materi
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang landasan teori yang digunakan pada bab selanjutnya sebagai bahan acuan yang mendukung tujuan penulisan. Materi-materi yang diuraikan berupa definisi-definisi
Lebih terperinciT - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR)
T - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR) Felin Yunita 1, Purnami Widyaningsih 2, Respatiwulan 3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas
Lebih terperinciOleh : Dinita Rahmalia NRP Dosen Pembimbing : Drs. M. Setijo Winarko, M.Si.
PERMODELAN MATEMATIKA DAN ANALISIS STABILITAS DARI PENYEBARAN PENYAKIT FLU BURUNG (MATHEMATICAL MODEL AND STABILITY ANALYSIS THE SPREAD OF AVIAN INFLUENZA) Oleh : Dinita Rahmalia NRP 1206100011 Dosen Pembimbing
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kesehatan merupakan bagian yang penting dalam kehidupan manusia karena kesehatan memengaruhi aktifitas hidup manusia. Dengan tubuh yang sehat manusia dapat menjalankan
Lebih terperinciProsiding Seminar Hasil-Hasil PPM IPB 2015 Vol. I : ISBN :
Vol. I : 214 228 ISBN : 978-602-8853-27-9 MODEL EPIDEMIK STOKASTIK PENYEBARAN PENYAKIT DEMAM BERDARAH DENGUE DI JAWA BARAT (Stochastic Epidemic Model of Dengue Fever Spread in West Java Province) Paian
Lebih terperinciBAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai definisi-definisi dan teorema-teorema
BAB II LANDASAN TEORI Pada bab ini akan dibahas mengenai definisi-definisi dan teorema-teorema yang akan menjadi landasan untuk pembahasan pada bab III nanti, di antaranya model matematika penyebaran penyakit,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan di perlukan pada Bab 3. Tinjauan pustaka yang dibahas adalah mengenai yang mendukung
Lebih terperinciKESTABILAN TITIK EQUILIBRIUM MODEL SIR (SUSPECTIBLE, INFECTED, RECOVERED) PENYAKIT FATAL DENGAN MIGRASI
KESTABILAN TITIK EQUILIBRIUM MODEL SIR (SUSPECTIBLE, INFECTED, RECOVERED) PENYAKIT FATAL DENGAN MIGRASI Mohammad soleh 1, Leni Darlina 2 1,2 Jurusan Matematika Fakultas Sains Teknologi Universitas Islam
Lebih terperinciDinamik Model Epidemi SIRS dengan Laju Kematian Beragam
Jurnal Matematika Integratif ISSN 1412-6184 Volume 10 No 1, April 2014, hal 1-7 Dinamik Model Epidemi SIRS dengan Laju Kematian Beragam Ni matur Rohmah, Wuryansari Muharini Kusumawinahyu Jurusan Matematika,
Lebih terperinciMODEL SEIR PENYAKIT CAMPAK DENGAN VAKSINASI DAN MIGRASI
MODEL SEIR PENYAKIT CAMPAK DENGAN VAKSINASI DAN MIGRASI Mohammmad Soleh 1, Siti Rahma 2 Universitas Islam Negeri Sultan Syarif Kasim Riau Jl HR Soebrantas No 155 KM 15 Simpang Baru Panam Pekanbaru muhammadsoleh@uin-suskaacid
Lebih terperinciAnalisis Kestabilan Model MSEIR Penyebaran Penyakit Difteri Dengan Saturated Incidence Rate
Analisis Kestabilan Model MSEIR Penyebaran Penyakit Difteri Dengan Saturated Incidence Rate I Suryani 1 Mela_YuenitaE 2 12 Jurusan Matematika Fakultas Sains dan Teknologi UIN Sultan Syarif Kasim Riau Jl
Lebih terperinciII. LANDASAN TEORI. Definisi 1 (Sistem Persamaan Diferensial Biasa Linear) Definisi 2 (Sistem Persamaan Diferensial Biasa Taklinear)
3 II. LANDASAN TEORI 2.1 Sistem Persamaan Diferensial Biasa Definisi 1 (Sistem Persamaan Diferensial Biasa Linear) Misalkan suatu sistem persamaan diferensial biasa dinyatakan sebagai = + ; =, R (1) dengan
Lebih terperinciAnalisis Kestabilan Global Model Epidemik SIRS menggunakan Fungsi Lyapunov
Analisis Kestabilan Global Model Epidemik SIRS menggunakan Fungsi Lyapunov Yuni Yulida 1, Faisal 2, Muhammad Ahsar K. 3 1,2,3 Program Studi Matematika FMIPA Unlam Universitas Lambung Mangkurat Jl. Jend.
Lebih terperinciANALISIS STABILITAS SISTEM DINAMIK UNTUK MODEL MATEMATIKA EPIDEMIOLOGI TIPE-SIR (SUSCEPTIBLES, INFECTION, RECOVER)
Jurnal Euclid, Vol.4, No.1, pp.646 ANALISIS STABILITAS SISTEM DINAMIK UNTUK MODEL MATEMATIKA EPIDEMIOLOGI TIPE-SIR (SUSCEPTIBLES, INFECTION, RECOVER) Herri Sulaiman Program Studi Pendidikan Matematika
Lebih terperinciKestabilan Titik Ekuilibrium Model SIS dengan Pertumbuhan Logistik dan Migrasi
Kestabilan Titik Ekuilibrium Model SIS dengan Pertumbuhan Logistik Migrasi Mohammad soleh 1, Parubahan Siregar 2 1,2 Jurusan Matematika Fakultas Sains Teknologi Universitas Islam Negeri Sultan Syarif Kasim
Lebih terperinciOleh Nara Riatul Kasanah Dosen Pembimbing Drs. Sri Suprapti H., M.Si
Oleh Nara Riatul Kasanah 1209100079 Dosen Pembimbing Drs. Sri Suprapti H., M.Si JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014 PENDAHULUAN
Lebih terperinciBAB II LANDASAN TEORI. eigen dan vektor eigen, persamaan diferensial, sistem persamaan diferensial, titik
BAB II LANDASAN TEORI Pada bab ini, akan dijelaskan landasan teori yang akan digunakan dalam bab selanjutnya sebagai bahan acuan yang mendukung dan memperkuat tujuan penelitian. Landasan teori yang dimaksud
Lebih terperinciANALISIS KESTABILAN DAN PROSES MARKOV MODEL PENYEBARAN PENYAKIT EBOLA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 163-172 ANALISIS KESTABILAN DAN PROSES MARKOV MODEL PENYEBARAN PENYAKIT EBOLA Auliah Arfani, Nilamsari Kusumastuti, Shantika
Lebih terperinciPEMODELAN MATEMATIKA DAN ANALISIS STABILITAS DARI PENYEBARAN PENYAKIT FLU BURUNG
PEMODELAN MATEMATIKA DAN ANALISIS STABILITAS DARI PENYEBARAN PENYAKIT FLU BURUNG Dinita Rahmalia Universitas Islam Darul Ulum Lamongan, Abstrak. Di Indonesia terdapat banyak peternak unggas sebagai matapencaharian
Lebih terperinciFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2014
JURUSAN MATEMATIKA Nurlita Wulansari (1210100045) Dosen Pembimbing: Drs. M. Setijo Winarko, M.Si Drs. Lukman Hanafi, M.Sc FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciKestabilan Model SIRS dengan Pertumbuhan Logistik dan Non-monotone Incidence Rate
Kestabilan Model SIRS dengan Pertumbuhan Logistik dan Non-monotone Incidence Rate Mohammad soleh 1, Syamsuri 2 1,2 Jurusan Matematika Fakultas Sains dan Teknologi UIN Suska Riau Jln. HR. Soebrantas Km
Lebih terperinciBAB III HASIL DAN PEMBAHASAN. ekuilibrium bebas penyakit beserta analisis kestabilannya. Selanjutnya dilakukan
BAB III HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan mengenai model matematika penyakit campak dengan pengaruh vaksinasi, diantaranya formulasi model penyakit campak, titik ekuilibrium bebas penyakit
Lebih terperinciPROBABILITAS PUNCAK EPIDEMI MODEL RANTAI MARKOV DENGAN WAKTU DISKRIT SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS)
PROBABILITAS PUNCAK EPIDEMI MODEL RANTAI MARKOV DENGAN WAKTU DISKRIT SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS) oleh IQROK HENING WICAKSANI M0109038 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciANALISIS KESTABILAN MODEL MANGSA-PEMANGSA DENGAN MANGSA YANG TERINFEKSI DI LINGKUNGAN TERCEMAR
TUGAS AKHIR ANALISIS KESTABILAN MODEL MANGSA-PEMANGSA DENGAN MANGSA YANG TERINFEKSI DI LINGKUNGAN TERCEMAR ( S TA B I L I T Y A N A LY S I S O F A P R E D AT O R - P R E Y M O D E L W I T H I N F E C T
Lebih terperinciKATA PENGANTAR. Penulis
KATA PENGANTAR Bismillahirrahmaanirrahiim... Puji dan syukur penulis panjatkan ke hadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulisan tugas akhir ini dapat terselesaikan dengan
Lebih terperinciANALISIS KESTABILAN DARI SISTEM DINAMIK MODEL SEIR PADA PENYEBARAN PENYAKIT CACAR AIR (VARICELLA) DENGAN PENGARUH VAKSINASI SKRIPSI
ANALISIS KESTABILAN DARI SISTEM DINAMIK MODEL SEIR PADA PENYEBARAN PENYAKIT CACAR AIR (VARICELLA) DENGAN PENGARUH VAKSINASI SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciTUGAS AKHIR KAJIAN SKEMA BEDA HINGGA TAK-STANDAR DARI TIPE PREDICTOR-CORRECTOR UNTUK MODEL EPIDEMIK SIR
TUGAS AKHIR KAJIAN SKEMA BEDA HINGGA TAK-STANDAR DARI TIPE PREDICTOR-CORRECTOR UNTUK MODEL EPIDEMIK SIR STUDY OF A NONSTANDARD SCHEME OF PREDICTORCORRECTOR TYPE FOR EPIDEMIC MODELS SIR Oleh:Anisa Febriana
Lebih terperinciMODEL EPIDEMI STOKASTIK SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS)
MODEL EPIDEMI STOKASTIK SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS) oleh SILVIA KRISTANTI M0109060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciBIFURKASI HOPF MODEL MANGSA-PEMANGSA DENGAN WAKTU TUNDA NI NYOMAN SURYANI
BIFURKASI HOPF MODEL MANGSA-PEMANGSA DENGAN WAKTU TUNDA NI NYOMAN SURYANI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciANALISIS MODEL SEIR (SUSCEPTIBLE, EXPOSED, INFECTIOUS, RECOVERED) UNTUK PENYEBARAN PENYAKIT TUBERKULOSIS DI KABUPATEN BOGOR
ANALII MODEL EIR (UCEPTIBLE, EXPOED, INFECTIOU, RECOVERED) UNTUK PENYEBARAN PENYAKIT TUBERKULOI DI KABUPATEN BOGOR, Rahayu Cipta Lestari Embay Rohaeti Ani Andriyati Program tudi Matematika Fakultas Matematika
Lebih terperinciMODEL EPIDEMI DISCRETE TIME MARKOV CHAIN (DTMC ) SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS) SATU PENYAKIT PADA DUA DAERAH
MODEL EPIDEMI DISCRETE TIME MARKOV CHAIN (DTMC ) SUSCEPTIBLE INFECTED SUSCEPTIBLE (SIS) SATU PENYAKIT PADA DUA DAERAH oleh FIRDAUS FAJAR SAPUTRA M0112034 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciKAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR. Oleh: RAFIQATUL HASANAH NRP.
TUGAS AKHIR KAJIAN MODEL MARKOV WAKTU DISKRIT UNTUK PENYEBARAN PENYAKIT MENULAR PADA MODEL EPIDEMIK SIR Oleh: RAFIQATUL HASANAH NRP. 1208 100 021 Dosen Pembimbing: Dra. Laksmi Prita Wardhani, M.Si. Drs.
Lebih terperinciMODEL EPIDEMI CONTINUOUS TIME MARKOV CHAIN (CTMC) SUSCEPTIBLE INFECTED RECOVERED (SIR)
MODEL EPIDEMI COTIUOUS TIME MARKOV CHAI (CTMC) SUSCEPTIBLE IFECTED RECOVERED (SIR) oleh DETA URVITASARI M1836 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains
Lebih terperinciELSA HERLINA AGUSTIN:
SIMULASI NUMERIK ESTIMASI PARAMETER MODEL DTMC SIS MENGGUNAKAN METODE MAXIMUM LIKELIHOOD ESTIMATION (MLE) DENGAN PENDEKATAN NEWTON-RAPHSON Oleh ELSA HERLINA AGUSTIN 12321577 Skripsi Ini Ditulis untuk Memenuhi
Lebih terperinciANALISIS STABILITAS PENYEBARAN VIRUS EBOLA PADA MANUSIA
ANALISIS STABILITAS PENYEBARAN VIRUS EBOLA PADA MANUSIA Mutholafatul Alim 1), Ari Kusumastuti 2) 1) Mahasiswa Jurusan Matematika, Universitas Islam Negeri Maulana Malik Ibrahim Malang 1) mutholafatul@rocketmail.com
Lebih terperinciBAB II KAJIAN TEORI. digunakan pada bab pembahasan. Teori-teori ini digunakan sebagai bahan acuan
BAB II KAJIAN TEORI Pada bab ini akan dijelaskan mengenai landasan teori yang akan digunakan pada bab pembahasan. Teori-teori ini digunakan sebagai bahan acuan yang mendukung tujuan penulisan. Materi-materi
Lebih terperinciOLEH : IKHTISHOLIYAH DOSEN PEMBIMBING : Dr. subiono,m.sc
OLEH : IKHTISHOLIYAH 1207 100 702 DOSEN PEMBIMBING : Dr. subiono,m.sc JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2011 Pemodelan matematika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Persamaan diferensial Persamaan diferensial merupakan persamaan yang melibatkan turunanturunan dari fungsi yang tidak diketahui (Waluya, 2006). Contoh 2.1 : Diberikan persamaan
Lebih terperinciKESTABILAN MODEL SUSCEPTIBLE VACCINATED INFECTED RECOVERED (SVIR) PADA PENYEBARAN PENYAKIT CAMPAK (MEASLES) (Studi Kasus di Kota Semarang)
KESTABILAN MODEL SUSCEPTIBLE VACCINATED INFECTED RECOVERED (SVIR) PADA PENYEBARAN PENYAKIT CAMPAK (MEASLES) (Studi Kasus di Kota Semarang) Melita Haryati 1, Kartono 2, Sunarsih 3 1,2,3 Jurusan Matematika
Lebih terperinciMODEL EPIDEMI SIRS DENGAN TIME DELAY
MODEL EPIDEMI SIRS DENGAN TIME DELAY TESIS Oleh FERDINAND SINUHAJI 127021034/MT FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2014 MODEL EPIDEMI SIRS DENGAN TIME DELAY
Lebih terperinciANALISIS KESTABILAN MODEL MANGSA-PEMANGSA DENGAN MANGSA YANG TERINFEKSI DI LINGKUNGAN TERCEMAR
ANALISIS KESTABILAN MODEL MANGSA-PEMANGSA DENGAN MANGSA YANG TERINFEKSI DI LINGKUNGAN TERCEMAR Oleh: Drs. M. Setijo Winarko, M.Si Drs. I Gusti Ngurah Rai Usadha, M.Si Subchan, Ph.D Drs. Kamiran, M.Si Noveria
Lebih terperinciANALISIS KESTABILAN MODEL MANGSA-PEMANGSA HOLLING-TANNER TIPE II INTAN SELVYA
ANALISIS KESTABILAN MODEL MANGSA-PEMANGSA HOLLING-TANNER TIPE II INTAN SELVYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016 PERNYATAAN MENGENAI
Lebih terperinciKESTABILAN TITIK TETAP MODEL PENULARAN PENYAKIT TIDAK FATAL
Jurnal Matematika UNAND Vol. 2 No. 3 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KESTABILAN TITIK TETAP MODEL PENULARAN PENYAKIT TIDAK FATAL AKHIRUDDIN Program Studi Matematika, Fakultas
Lebih terperinciIII PEMBAHASAN. μ v. r 3. μ h μ h r 4 r 5
III PEMBAHASAN 3.1 Perumusan Model Model yang akan dibahas dalam karya ilmiah ini adalah model SIDRS (Susceptible Infected Dormant Removed Susceptible) dari penularan penyakit malaria dalam suatu populasi.
Lebih terperinciCreated By Aristastory.Wordpress.com BAB I PENDAHULUAN. Teori sistem dinamik adalah bidang matematika terapan yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Teori sistem dinamik adalah bidang matematika terapan yang digunakan untuk memeriksa kelakuan sistem dinamik kompleks, biasanya dengan menggunakan persamaan diferensial
Lebih terperinciKONTROL OPTIMAL VAKSINASI MODEL EPIDEMIOLOGI TIPE SIR
KOTROL OPTIMAL VAKSIASI MODEL EPIDEMIOLOGI TIPE SIR Jonner ainggolan 1, Sudradjat Supian 2, Asep K. Supriatna 3, dan ursanti Anggriani 4 2,3,4 Jurusan Matematika FMIPA Universitas Padjadjaran Bandung 1
Lebih terperinciBIFURKASI PADA MODEL SUSCEPTIBLE INFECTED RECOVERED (SIR) DENGAN WAKTU TUNDA DAN LAJU PENULARAN BILINEAR SKRIPSI
BIFURKASI PADA MODEL SUSCEPTIBLE INFECTED RECOVERED (SIR) DENGAN WAKTU TUNDA DAN LAJU PENULARAN BILINEAR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciKAJIAN PERILAKU MODEL MATEMATIKA PENULARAN PENYAKIT TUBERCULOSIS
Jurnal Matematika UNAND Vol. 5 No. 2 Hal. 26 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND KAJIAN PERILAKU MODEL MATEMATIKA PENULARAN PENYAKIT TUBERCULOSIS FAIZAL HAFIZ FADILAH, ZULAKMAL Program
Lebih terperinciANALISIS DINAMIKA PENYEBARAN VIRUS DEMAM BERDARAH DENGUE DENGAN DUA SEROTIPE AHMAD SUYUTI LATIF
ANALISIS DINAMIKA PENYEBARAN VIRUS DEMAM BERDARAH DENGUE DENGAN DUA SEROTIPE AHMAD SUYUTI LATIF SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
Lebih terperinciPEMODELAN MATEMATIKA DAN ANALISIS KESTABILAN MODEL PADA PENYEBARAN HIV-AIDS
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 04, No. 2 (2015), hal 101 110 PEMODELAN MATEMATIKA DAN ANALISIS KESTABILAN MODEL PADA PENYEBARAN HIV-AIDS Dwi Haryanto, Nilamsari Kusumastuti,
Lebih terperinciPENENTUAN NILAI EIGEN DAN VEKTOR EIGEN DARI MATRIKS TRIDIAGONAL 2-TOEPLITZ DENGAN PENDEKATAN POLINOMIAL CHEBYSHEV MELIZA DITA UTAMI
PENENTUAN NILAI EIGEN DAN VEKTOR EIGEN DARI MATRIKS TRIDIAGONAL 2-TOEPLITZ DENGAN PENDEKATAN POLINOMIAL CHEBYSHEV MELIZA DITA UTAMI DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciSIMULASI MODEL EPIDEMIK TIPE SIR DENGAN STRATEGI VAKSINASI DAN TANPA VAKSINASI
SIMULASI MODEL EPIDEMIK TIPE SIR DENGAN STRATEGI VAKSINASI DAN TANPA VAKSINASI Siti Komsiyah Mathematics & Statistics Department, School of Computer Science, Binus University Jl. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciBab 3 MODEL DAN ANALISIS MATEMATIKA
Bab 3 MODEL DAN ANALISIS MATEMATIKA Pada bab ini akan dimodelkan permasalahan penyebaran virus flu burung yang bergantung pada ruang dan waktu. Pada bab ini akan dibahas pula analisis dari model hingga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan makhluk hidup ini banyak permasalahan yang muncul seperti diantaranya banyak penyakit menular yang mengancam kehidupan. Sangat diperlukan sistem untuk
Lebih terperinciKESTABILAN DAN BIFURKASI MODEL EPIDEMIK SEIR DENGAN LAJU KESEMBUHAN TIPE JENUH. Oleh: Khoiril Hidayati ( )
KESTABILAN DAN BIFURKASI MODEL EPIDEMIK SEIR DENGAN LAJU KESEMBUHAN TIPE JENUH Oleh: Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2013 Latar
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Persamaan diferensial Persamaan diferensial adalah suatu persamaan yang di dalamnya terdapat turunan-turunan. Jika terdapat variabel bebas tunggal, turunannya merupakan
Lebih terperinciANALISIS KESTABILAN PADA MODEL TRANSMISI VIRUS HEPATITIS B YANG DIPENGARUHI OLEH MIGRASI
ANALISIS KESTABILAN PADA MODEL TRANSMISI VIRUS HEPATITIS B YANG DIPENGARUHI OLEH MIGRASI STABILITY ANALYSIS OF THE HEPATITIS B VIRUS TRANSMISSION MODELS ARE AFFECTED BY MIGRATION Oleh : Firdha Dwishafarina
Lebih terperinciTingkat Vaksinasi Minimum untuk Pencegahan Epidemik Berdasarkan Model Matematika SIR
Matematika Integratif 2(Edisi Khusus): 4-49 Tingkat Vaksinasi Minimum untuk Pencegahan Epidemik Berdasarkan Model Matematika SIR Asep K Supriatna Abstrak Dalam paper ini dibahas sebuah model SIR sederhana
Lebih terperinciSOLUSI MODEL SIKLUS BISNIS KALDOR-KALECKI TANPA WAKTU TUNDA DENGAN METODE RUNGE-KUTTA ORDE EMPAT NUR AISYAH MUKARROMAH
SOLUSI MODEL SIKLUS BISNIS KALDOR-KALECKI TANPA WAKTU TUNDA DENGAN METODE RUNGE-KUTTA ORDE EMPAT NUR AISYAH MUKARROMAH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciT 3 Model Dinamika Sel Tumor Dengan Terapi Pengobatan Menggunakan Virus Oncolytic
T 3 Model Dinamika Sel Tumor Dengan Terapi Pengobatan Menggunakan Virus Oncolytic Oleh : Ali Kusnanto, Hikmah Rahmah, Endar H. Nugrahani Departemen Matematika FMIPA-IPB Email : alikusnanto@yahoo.com Abstrak
Lebih terperinciAPLIKASI METODE MATRIKS GENERASI DALAM MENENTUKAN NILAI MATEMATIKA PENYEBARAN VIRUS HIV/AIDS. 10 Makassar, kode Pos 90245
APLIKASI METODE MATRIKS GENERASI DALAM MENENTUKAN NILAI MATEMATIKA PENYEBARAN VIRUS HIV/AIDS MODEL Septiangga Van Nyek Perdana Putra 1), Kasbawati 2), Syamsuddin Toaha 3) 1) Mahasiswa Jurusan Matematika,
Lebih terperinciAbstrak: Makalah ini bertujuan untuk mengkaji model SIR dari penyebaran
ANALISIS KESTABILAN PENYEBARAN PENYAKIT CAMPAK (MEASLES) DENGAN VAKSINASI MENGGUNAKAN MODEL ENDEMI SIR Marhendra Ali Kurniawan Fitriana Yuli S, M.Si Jurdik Matematika FMIPA UNY Abstrak: Makalah ini bertujuan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini dibahas mengenai tinjauan pustaka yang digunakan dalam penelitian ini, khususnya yang diperlukan dalam Bab 3. Teori yang dibahas adalah teori yang mendukung pembentukan
Lebih terperinciPENGARUH PARAMETER PENGONTROL DALAM MENEKAN PENYEBARAN PENYAKIT FLU BURUNG. Rina Reorita, Niken Larasati, dan Renny
JMP : Volume 3 Nomor 1, Juni 11 PENGARUH PARAMETER PENGONTROL DALAM MENEKAN PENYEBARAN PENYAKIT FLU BURUNG Rina Reorita, Niken Larasati, dan Renny Program Studi Matematika, Jurusan MIPA, Fakultas Sains
Lebih terperinciModel Matematika Penyebaran Penyakit HIV/AIDS dengan Terapi pada Populasi Terbuka
Model Matematika Penyebaran Penyakit HIV/AIDS dengan Terapi pada Populasi Terbuka M Soleh 1, D Fatmasari 2, M N Muhaijir 3 1, 2, 3 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim
Lebih terperinciBIFURKASI HOPF PADA MODEL SILKUS BISNIS KALDOR-KALECKI TANPA WAKTU TUNDA
BIFURKASI HOPF PADA MODEL SILKUS BISNIS KALDOR-KALECKI TANPA WAKTU TUNDA NURRACHMAWATI 1) DAN A. KUSNANTO 2) 1) Mahasiswa Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut
Lebih terperinciKestabilan Model SIS dengan Non-monotone Incidence Rate & Treatment
Seminar Nasional Teknologi Informasi Komunikasi dan Industri SNTIKI 7 ISSN :085-990 Pekanbaru November 05 Kestabilan Model SIS dengan Non-monotone Incidence Rate & Treatment Mohammad Soleh Jurusan Matematika
Lebih terperinciStudi Penyebaran Penyakit Flu Burung Melalui Kajian Dinamis Revisi Model Endemik SIRS Dengan Pemberian Vaksinasi Unggas. Jalan Sukarno-Hatta Palu,
Studi Penyebaran Penyakit Flu Burung Melalui Kajian Dinamis Revisi Model Endemik SIRS I. Murwanti 1, R. Ratianingsih 1 dan A.I. Jaya 1 1 Jurusan Matematika FMIPA Universitas Tadulako, Jalan Sukarno-Hatta
Lebih terperinciAnalisis Kestabilan Pada Model Transmisi Virus Hepatitis B yang Dipengaruhi Oleh Migrasi
Analisis Kestabilan Pada Model Transmisi Virus Hepatitis B yang Dipengaruhi Oleh Migrasi 1 Firdha Dwishafarina Zainal, Setijo Winarko, dan Lukman Hanafi Jurusan Matematika, Fakultas MIPA, Institut Teknologi
Lebih terperinciAnalisis Kestabilan Model Seiqr pada Penyebaran Penyakit Sars
Seminar Nasional Teknologi Informasi, Komunikasi dan Industri SNTIKI) 8 ISSN : 2085-9902 Analisis Kestabilan Model Seiqr pada Penyebaran Penyakit Sars Hafifah Istihapsari 1, I.Suryani 2 Jurusan Matematika
Lebih terperinciMODEL PELATIHAN ULANG (RETRAINING) PEKERJA PADA SUATU PERUSAHAAN BERDASARKAN PENILAIAN REKAN KERJA
ISSN: 288-687X 13 ODEL PELATIHAN ULANG (RETRAINING) PEERJA PADA SUATU PERUSAHAAN BERDASARAN PENILAIAN REAN ERJA Dwi Lestari Jurusan Pendidikan atematika FIPA Universitas Negeri Yogyakarta E-mail: dwilestari@uny.ac.id
Lebih terperinciANALISIS DINAMIK MODEL EPIDEMI SIRS DENGAN MODIFIKASI TINGKAT KEJADIAN INFEKSI NONMONOTON DAN PENGOBATAN
ANALISIS DINAMIK MODEL EPIDEMI SIRS DENGAN MODIFIKASI TINGKAT KEJADIAN INFEKSI NONMONOTON DAN PENGOBATAN Suryani, Agus Suryanto, Ratno Bagus E.W Pelaksana Akademik Mata Kuliah Universitas, Universitas
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Proses Pencabangan model DTMC SIR
BAB IV PEMBAHASAN 4.1 Proses Pencabangan model DTMC SIR Proses pencabangan suatu individu terinfeksi berbentuk seperti diagram pohon dan diasumsikan bahwa semua individu terinfeksi adalah saling independent
Lebih terperinciANALISIS KESTABILAN BEBAS PENYAKIT MODEL EPIDEMI CVPD (CITRUS VEIN PHLOEM DEGENERATION) PADA TANAMAN JERUK DENGAN FUNGSI RESPON HOLLING TIPE II
M-18 ANALISIS KESTABILAN BEBAS PENYAKIT MODEL EPIDEMI CVPD (CITRUS VEIN PHLOEM DEGENERATION) PADA TANAMAN JERUK DENGAN FUNGSI RESPON HOLLING TIPE II Tesa Nur Padilah 1), Najmudin Fauji 2) 1) Universitas
Lebih terperinciKESTABILAN MODEL EPIDEMIK SIS DETERMINISTIK DENGAN ASUMSI KELAHIRAN DAN KEMATIAN
KESTABILAN MODEL EPIDEMIK SIS DETERMINISTIK DENGAN ASUMSI KELAHIRAN DAN KEMATIAN SKRIPSI Oleh: ERNA MEGAWATI NIM: 11321394 PROGRAM STUDI PENDIDIKAN MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN UNIVERSITAS
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciKAJIAN PERILAKU MODEL MATEMATIKA PENYEBARAN PENYAKIT SIFILIS
Jurnal Matematika UNAND Vol 3 No Hal 40 45 ISSN : 2303 290 c Jurusan Matematika FMIPA UNAND KAJIAN PERILAKU MODEL MATEMATIKA PENYEBARAN PENYAKIT SIFILIS ARDIANSYAH Program Studi Magister Matematika Fakultas
Lebih terperinciAnalisa Kualitatif pada Model Penyakit Parasitosis
Analisa Kualitatif pada Model Penyakit Parasitosis Nara Riatul Kasanah dan Sri Suprapti H Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl.
Lebih terperinciANALISIS TITIK EKUILIBRIUM MODEL EPIDEMI SIR DENGAN EFEK DEMOGRAFI
βeta p-issn: 2085-5893 e-issn: 2541-0458 Vol. 4 No. 1 (Mei) 2011, Hal. 61-67 βeta 2011 ANALISIS TITIK EKUILIBRIUM MODEL EPIDEMI SIR DENGAN EFEK DEMOGRAFI Nurul Hikmah 1 Abstract: In this paper, we consider
Lebih terperinciKAJIAN MATEMATIS PENGARUH IMIGRAN TERINFEKSI DAN VAKSINASI DALAM MODEL EPIDEMIK SIS DAN SIR
LAPORAN HASIL PENELITIAN FUNDAMENTAL KAJIAN MATEMATIS PENGARUH IMIGRAN TERINFEKSI DAN VAKSINASI DALAM MODEL EPIDEMIK SIS DAN SIR Oleh: Drs. Marsudi, MS. Dra. Trisilowati, MSc. Dibiayai Oleh Direktorat
Lebih terperinciPenelitian Operasional II Rantai Markov RANTAI MARKOV
Penelitian Operasional II Rantai Markov 49 4. RANTAI MARKOV 4. PENDAHULUAN Dalam masalah pengambilan suatu keputusan, seringkali kita diperhadapkan dengan suatu ketidakpastian. Permasalahan ini dapat dimodelkan
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Analisis Kestabilan Model Matematika AIDS dengan Transmisi. atau Ibu menyusui yang positif terinfeksi HIV ke anaknya.
BAB IV PEMBAHASAN Pada bab ini dilakukan analisis model penyebaran penyakit AIDS dengan adanya transmisi vertikal pada AIDS. Dari model matematika tersebut ditentukan titik setimbang dan kemudian dianalisis
Lebih terperinciANALISIS KESTABILAN MODEL INTERAKSI PEMANGSA DAN MANGSA PADA DUA HABITAT YANG BERBEDA ADE NELVIA
ANALISIS KESTABILAN MODEL INTERAKSI PEMANGSA DAN MANGSA PADA DUA HABITAT YANG BERBEDA ADE NELVIA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperinciPenentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi
Penentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi Aditya Candra Laksmana 1*, Respatiwulan 2, dan Ririn Setiyowati 3 1, 3 Program Studi Matematika Fakultas MIPA, Universitas
Lebih terperinciDINAMIKA MODEL EPIDEMIK SVIR
DNAMKA MODEL EPDEMK R TERHADAP PENYEBARAN PENYAKT CAMPAK DENGAN TRATEG AKNA KONTNU Anis ahni *), Tonaas Kabul Wangkok Yohanis Marentek 1), uwandi, pd 2) 1&2) Program tudi Pendidikan Matematika, Fakultas
Lebih terperinci