Analisis Penyebaran COVID-19 Mempertimbangkan Kontak dengan Permukaan Terkontaminasi Almira Farahita Tabina1, Dipo Aldila1, Rahmi Rusin1 1 Departemen Matematika, Universitas Indonesia, Depok 16424, Indonesia Email: almira.farahita @sci.ui.ac.id Abstrak Suatu virus jenis Corona pertama kali terdeteksi di Wuhan, Cina pada akhir tahun 2019, yang selanjutnya disebut sebagai SARS-CoV-2. Penyakit menular yang disebabkan oleh virus SARS-CoV-2 ini diberi nama Coronavirus Disease 2019, yang disingkat menjadi COVID-19. Per tanggal 29 Januari 2022, tercatat sebanyak kurang lebih 900.000 kasus terkonfirmasi positif COVID-19 di DKI Jakarta. Sejak saat itu, berbagai disiplin ilmu mencoba memberikan kontribusi dalam upaya pengendalian dan pemahaman bagaimana penyakit COVID-19 menyebar, salah satunya melalui pendekatan matematika. Berbagai pendekatan matematika telah diperkenalkan, salah satunya menggunakan pendekatan sistem persamaan diferensial biasa. Dalam skripsi ini, akan dilakukan pendekatan yang sama di mana populasi manusia akan dibagi berdasarkan status kesehatannya untuk mengetahui bagaimana COVID-19 dapat menyebar. Beberapa hal dipertimbangkan dalam pengkonstruksian model antara lain keberadaan individu terinfeksi dengan maupun tanpa gejala, proses infeksi secara tidak langsung, dan beberapa upaya yang telah diterapkan oleh Pemerintah Kota DKI Jakarta diantaranya aturan pemberlakuan isolasi mandiri dan perawatan khusus di rumah sakit bagi populasi terinfeksi. Dari model matematika tersebut, skripsi yang dikerjakan akan mengulas penurunan model, analisis model secara analitik maupun numerik, dan pemberian intepretasi. Data yang digunakan akan mengacu pada data kasus aktif COVID-19 di DKI Jakarta sejak tanggal 30 November 2020 sampai tanggal 31 Maret 2021. Kata Kunci: COVID-19, Model Matematika, Permukaan Terkontaminasi, Isolasi Mandiri, Perawatan di Rumah Sakit, DKI Jakarta. Analysis of the Effects of the Spread of COVID-19 Considering Contact with Contaminated Surface Abstract A type of Corona virus was first detected in Wuhan, China by the end of 2019, hereinafter referred to as SARSCoV-2. Infectious diseases caused by the SARS-CoV-2 virus was given the name Coronavirus Disease 2019, which then shortened to COVID-19. As of January 29, 2022, there were about 900,000 positive confirmed cases of COVID-19 only in DKI Jakarta. Since then, various disciplines trying to contribute to overcome and understand how COVID-19 is spreading, one of which is through a mathematical approach. Various mathematical approaches have been introduced, one of them uses the approach system of ordinary differential equations. In this thesis, the same approach will be taken where the human population will be divided according to their health status to know how COVID-19 can spread. Some discussions included in the construction of the model, among others, are the presence of infected symptomatic or asymptomatic individuals, indirect virus transmission through contact with contaminated surface, and several interventions that have been implemented by the DKI Jakrta City Government, including the rules for implementing self-isolation and hospitalization for the infected population. From the mathematical model, the thesis will review the derivation of the model, analyse the model both analytically and numerically, and give the interpretation. The data will refer to the data on active COVID-19 cases in DKI Jakarta from 30 November 2020 to 31 March 2021. Keywords : COVID-19, Mathematical Model, Contaminated Surface, Self Isolation, Hospitalization, DKI Jakarta. 1 Pendahuluan Penyakit menular disebabkan oleh mikroorganisme patogen, seperti bakteri, virus, parasit atau jamur. Salah satu jenis penyakit menular dengan tingkat penyebaran yang tinggi adalah penyakit yang disebabkan oleh suatu virus jenis Corona. Virus ini pertama kali terdeteksi di Wuhan, Cina pada akhir tahun 2019, yang selanjutnya disebut sebagai SARS-CoV-2. Penyakit menular yang disebabkan oleh virus SARS-CoV-2 ini selanjutnya diberi nama Coronavirus Disease 2019, yang kemudian disingkat menjadi COVID-19. Gejala paling umum yang dirasakan ketika terinfeksi COVID-19 adalah demam, batuk, dan rasa lelah. Beberapa gejala lain yang seringkali dirasakan oleh penderita COVID-19 adalah rasa nyeri, diare, ruam pada kulit, dan hilangnya indera rasa dan penciuman. Setiap individu terinfeksi memiliki jenis dan tingkat keparahan gejala yang berbeda, sehingga jenis tindakan yang dilakukan terhadap individu terinfeksi juga dibedakan berdasarkan tingkat status kesehatan. Individu terinfeksi tanpa gejala diminta untuk melakukan isolasi mandiri di rumah, sementara individu terinfeksi dengan gejala, terutama gejala yang cukup parah, maka harus dirawat di rumah sakit dan mendapatkan perawatan khusus. Penularan virus SARS-CoV-2 dapat terjadi melalui beberapa cara, yaitu kontak langsung atau tidak langsung. Pertama, adanya kontak erat antara individu terinfeksi COVID-19 dengan individu sehat. Kedua, virus dapat menyebar secara langsung melalui droplet yang dihasilkan oleh individu terinfeksi ketika batuk, bersin, maupun berbicara, sehingga dapat mendarat pada mulut ataupun hidung individu lainnya. Ketiga, virus menyebar secara tidak langsung melalui permukaan terkontaminasi. Droplet yang dikeluarkan oleh individu terinfeksi COVID-19 dapat dengan mudah mendarat pada suatu benda, sehingga individu lainnya yang menyentuh permukaan benda tersebut tanpa membersihkan tangan, dapat terinfeksi COVID-19. Virus yang menempel pada permukaan benda dapat bertahan selama jangka waktu tertentu, berdasarkan material bahan yang ditempelinya. Tinjauan Teoritis Sistem Persamaan Diferensial Biasa Persamaan diferensial biasa merupakan persamaan diferensial yang melibatkan hanya turunan biasa yang berhubungan dengan sebuah variabel bebas (Nagle et. al, 2012). Dalam skripsi ini dibahas persamaan diferensial autonomous. 2 Definisi 1. Suatu sistem persamaan differensial dikatakan autonomous jika variabel bebasnya tdidak muncul secara eksplisit dalam persamaan. Secara matematis dapat ditulis sebagai berikut 𝑑𝐱 = 𝐟(𝐱), 𝑑𝑡 dengan 𝑔1 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑥1 (𝑡) 𝑔2 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑥2 (𝑡) 𝐱=[ ] , 𝐟(t, 𝐱) = [ ], ⋮ ⋮ 𝑔𝑛 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑥𝑛 (𝑡) (1) 𝑡 merupakan variabel bebas dan 𝐟(𝐱) dapat berupa fungsi linier atau nonlinier dari variabel 𝐱, 𝐟(𝐱) merupakan fungsi kontinu dan mempunyai turunan parsial yang kontinu pada daerah asal 𝐟(𝐱) (Boyce & DiPrima, 2012). Model Epidemi Susceptible-Infected-Recovered (SIR) Pada subbab ini dibahas mengenai model SIR yang merupakan salah satu model epidemiologi yang diperkenalkan oleh Kermack dan McKendrick pada tahun 1927. Model ini dilakukan dengan mengelompokkan populasi ke dalam beberapa kelompok atau kompartemen kelas.. Individu pada model SIR terbagi menjadi tiga kelompok, yaitu: 1. Susceptible atau rentan (S) yaitu kelompok individu sehat yang rentan terkena penyakit. 2. Infected atau terinfeksi (I) yaitu kelompok individu yang terinfeksi penyakit. 3. Recovered atau sembuh (R) yaitu kelompok individu yang telah sembuh dari penyakit. Titik Keseimbangan dan Analisis Kestabilan Definisi 1. Titik keseimbangan dari persamaan autonomous adalah suatu titik 𝐱̅ ∈ ℝ𝑛 yang memenuhi persamaan 𝐟(𝐱̅) = 𝟎 . Dengan kata lain, titik keseimbangan merupakan solusi persamaan autonomous yang sudah tidak berubah terhadap waktu. Apabila telah diperoleh titik keseimbangan, selanjutnya dapat ditentukan sifat dan jenis kestabilan dari titik tersebut. Kestabilan dari titik keseimbangan tersebut digunakan untuk melihat perilaku sistem di sekitar titik keseimbangan. Untuk menganalisis kestabilan dari titik keseimbangan, perlu dilakukan proses linierisasi sistem yang didefinisikan sebagai berikut. Definisi 2. Misalkan sistem persamaan (1) merupakan sistem persamaan autonomous dengan f nonlinear dan 𝐱̅ merupakan titik keseimbangannya. Sistem linear yang mendekati sistem persamaan non linier autonomous di dekat 𝐱̅ disebut hasil pelinearan di titik 𝐱̅ yang berbentuk 𝑑 𝑑𝑡 (𝐱 − 𝐱̅ ) = D𝐟(𝐱̅ )(𝐱 − 𝐱̅ ) dengan 3 𝜕𝑓1 𝜕𝑥1 𝜕𝑓2 𝜕𝒇 𝐉 = 𝜕𝒙 (𝐱̅) = 𝜕𝑥1 𝜕𝑓𝑛 (𝜕𝑥1 𝜕𝑓1 (𝐱̅) 𝜕𝑥2 𝜕𝑓2 (𝐱̅) 𝜕𝑥2 ⋮ (𝐱̅) 𝜕𝑓𝑛 𝜕𝑥2 (𝐱̅) ⋯ (𝐱̅) … ⋮ ⋱ (𝐱̅) ⋯ 𝜕𝑓1 𝜕𝑥𝑛 𝜕𝑓2 𝜕𝑥𝑛 𝜕𝑓𝑛 (𝐱̅) (𝐱̅) (2) ⋮ (𝐱̅)) 𝜕𝑥𝑛 𝜕𝒇 ̅) merupakan matriks Jacobi dari fungsi f di titik 𝐱̇ . (Boyce & DiPrima, 2012). dan 𝐉 = 𝜕𝒙 (𝐱 Selanjutnya, dapat ditentukan sifat kestabilan titik keseimbangan dengan menganalisis nilai eigen dari matriks Jacobian yang telah dibentuk. Teorema 1. Misalkan nilai eigen dari matriks jacobian (2) adalah 𝜆1 , 𝜆2 , … , 𝜆𝑛 . Titik keseimbangan dari sistem linier dapat memiliki jenis kestabilan berikut Stabil asimtotik, jika a. Stabil asimtotik, jika 𝑅𝑒(𝜆𝑖 ) < 0 untuk setiap 𝑖 = 1,2, … , 𝑛. b. Stabil, jika 𝑅𝑒(𝜆𝑖 ) ≤ 0 untuk setiap 𝑖 = 1,2, … , 𝑛. c. Tidak stabil, jika terdapat 𝜆𝑖 dengan 𝑅𝑒(𝜆𝑖 ) > 0. Basic Reproduction Number Basic reproduction number (ℛ0 ) merupakan jumlah kasus sekunder yang disebabkan oleh setiap orang terinfeksi yang aktif menularkan penyakit selama satu periode infeksi dalam suatu populasi yang berisikan individu rentan (Martcheva, 2015). Hal ini menandakan bahwa Basic Reproduction Number (ℛ0 ) memegang peranan penting dalam menganalisis model matematika penyakit menular, karena ℛ0 dapat dijadikan suatu nilai ambang batas untuk dinamika sistem penyakit dalam menentukan apakah suatu penyakit seiring berjalannya waktu dapat menjadi wabah atau hilang dalam suatu populasi. Metode Numerik Runge – Kutta Orde 4 Diberikan persamaan differensial sebagai berikut 𝑦′ = 𝑑𝑦 = 𝑓(𝑡, 𝑦), 𝑦(𝑡0 ) = 𝑦0 . 𝑑𝑡 Metode Runge-Kutta menyertakan rata-rata berbobot dari nilai 𝑓(𝑡, 𝑦) pada titik-titik yang berbeda dalam interval 𝑡𝑛 ≤ 𝑡 ≤ 𝑡𝑛+1 . Formula metode Runge-Kutta dalam mencari solusi numerik dari 𝑦 dengan nilai 𝑛 diketahui dituliskan pada persamaan berikut. 𝑦𝑛+1 = 𝑦𝑛 + ℎ (𝑘𝑛1 + 2𝑘𝑛2 + 2𝑘𝑛3 + 𝑘𝑛4 ) , 6 dengan 4 1 1 𝑘𝑛2 = 𝑓 (𝑡𝑛 + ℎ, 𝑦𝑛 + ℎ𝑘𝑛1 ) , 2 2 1 1 𝑘𝑛3 = 𝑓 (𝑡𝑛 + ℎ, 𝑦𝑛 + ℎ𝑘𝑛2 ) , 2 2 𝑘𝑛4 = 𝑓(𝑡𝑛 + ℎ, 𝑦𝑛 + ℎ𝑘𝑛3 ). Dengan ℎ merupakan stepsize. Pembentukan Model Model dikonstruksi dengan membagi populasi manusia menjadi enam kategori berdasarkan status kesehatannya dan jenis tindakan yang diterimanya, yaitu; individu rentan terhadap penyakit COVID-19 (S), individu terinfeksi tanpa gejala (A), individu terinfeksi dengan gejala (I), individu yang terinfeksi tanpa gejala dan melakukan isolasi mandiri di rumah (Q), individu yang terinfeksi dengan gejala dan mendapatkan perawatan khusus di rumah sakit (H), dan individu pulih dari penyakit COVID-19 (R). Terdapat pula satu kompartemen tambahan yaitu permukaan terkontaminasi (C) yang berisi virus di lingkungan bebas yang diproduksi oleh individu terinfeksi, baik terinfeksi dengan gejala maupun tanpa gejala. Maka, total populasi manusia diberikan sebagai berikut. 𝑁(𝑡) = 𝑆(𝑡) + 𝐴(𝑡) + 𝐼(𝑡) + 𝑄(𝑡) + 𝐻(𝑡) + 𝑅(𝑡). Diagram model penyebaran COVID-19 dengan mempertimbangkan kontak dengan permukaan terkontaminasi dapat dilihat pada gambar berikut. Gambar 2. Diagram transmisi penyebaran COVID-19 mempertimbangan kontak dengan permukaan terkontaminasi 5 dengan keterangan parameter pada tabel berikut. Tabel 1. Parameter Daftar Parameter Keterangan Syarat Satuan 𝑚𝑎𝑛𝑢𝑠𝑖𝑎 ℎ𝑎𝑟𝑖 1 ℎ𝑎𝑟𝑖 Λ Jumlah kelahiran populasi manusia per hari 𝐴>0 𝛽1 Laju transmisi langsung penyakit COVID-19 dari individu 𝛽1 > 0 rentan (S) 𝛽2 Laju transmisi tidak langsung penyakit COVID-19 melalui 𝛽2 > 0 1 ℎ𝑎𝑟𝑖 × 𝑣𝑖𝑟𝑢𝑠 1 ℎ𝑎𝑟𝑖 1 ℎ𝑎𝑟𝑖 permukaan terkontaminasi (C) 𝜇 Laju kematian alami manusia 𝜇>0 𝛼1 Laju perpindahan individu dari kompartemen terinfeksi 𝛼1 > 0 tanpa gejala (A) menuju kompartemen terinfeksi dengan gejala (I) 𝛼2 Laju perpindahan individu dari kompartemen terinfeksi 𝛼2 > 0 1 ℎ𝑎𝑟𝑖 𝜖1 > 0 1 ℎ𝑎𝑟𝑖 𝜖2 > 0 1 ℎ𝑎𝑟𝑖 𝛿1 > 0 1 ℎ𝑎𝑟𝑖 𝛿2 > 0 1 ℎ𝑎𝑟𝑖 𝛾1 > 0 1 ℎ𝑎𝑟𝑖 𝛾2 > 0 1 ℎ𝑎𝑟𝑖 𝛾3 > 0 1 ℎ𝑎𝑟𝑖 𝜉1 > 0 𝑣𝑖𝑟𝑢𝑠 𝑚𝑎𝑛𝑢𝑠𝑖𝑎 tanpa gejala yang isolasi mandiri (Q) menuju kompartemen terinfeksi dengan gejala yang dirawat di rumah sakit (H) 𝜖1 Laju kematian akibat penyakit COVID-19 bagi individu terinfeksi dengan gejala 𝜖2 Laju kematian akibat penyakit COVID-19 bagi individu terinfeksi dengan gejala yang dirawat di rumah sakit 𝛿1 Laju perpindahan individu dari kompartemen terinfeksi tanpa gejala (A) menuju kompartemen terinfeksi tanpa gejala yang isolasi mandiri (Q) 𝛿2 Laju perpindahan individu dari kompartemen terinfeksi dengan gejala (I) menuju kompartemen terinfeksi dengan gejala yang dirawat di rumah sakit (H) 𝛾1 Laju kesembuhan individu pada kompartemen terinfeksi tanpa gejala yang isolasi mandiri (Q) 𝛾2 Laju kesembuhan individu pada kompartemen terinfeksi dengan gejala (I) 𝛾3 Laju kesembuhan individu pada kompartemen terinfeksi dengan gejala yang dirawat di rumah sakit (H) 𝜉1 Laju transmisi virus COVID-19 yang diproduksi oleh individu terinfeksi tanpa gejala menuju permukaan × ℎ𝑎𝑟𝑖 terkontaminasi 6 𝜉2 Laju transmisi virus COVID-19 yang diproduksi oleh 𝜉2 > 0 individu terinfeksi dengan gejala menuju permukaan × ℎ𝑎𝑟𝑖 terkontaminasi 𝜁 Laju peluruhan virus dari permukaan terkontaminasi 𝜁>0 𝜂 Faktor reduksi jumlah virus pada kompartemen terinfeksi 𝜂>0 tanpa gejala 𝑝 𝑣𝑖𝑟𝑢𝑠 𝑚𝑎𝑛𝑢𝑠𝑖𝑎 Proporsi individu terinfeksi penyakit COVID-19 tanpa 1 ℎ𝑎𝑟𝑖 1 ℎ𝑎𝑟𝑖 𝑝>0 Non Dimensi 1−𝑝>0 Non Dimensi 𝑞>0 Non Dimensi 1−𝑞 >0 Non Dimensi gejala 1−𝑝 Proporsi individu terinfeksi penyakit COVID-19 dengan gejala 𝑞 Proporsi individu terinfeksi penyakit COVID-19 tanpa gejala dengan kontribusi kontak dengan permukaan terkontaminasi 1−𝑞 Proporsi individu terinfeksi penyakit COVID-19 dengan gejala dengan kontribusi kontak dengan permukaan terkontaminasi Berdasarkan gambar dan tabel parameter di atas, diperoleh sistem persamaan diferensial sebagai berikut: 𝑑𝑆 𝜂𝐴 + 𝐼 = 𝐴 − 𝛽1 𝑆 − 𝛽2 𝐶𝑆 − 𝜇𝑆, 𝑑𝑡 𝑁 𝑑𝐴 𝜂𝐴 + 𝐼 = 𝑝𝛽1 𝑆 + 𝑞𝛽2 𝐶𝑆 − (𝛾1 + 𝛿1 + 𝛼1 )𝐴 − 𝜇𝐴, 𝑑𝑡 𝑁 𝑑𝐼 𝜂𝐴 + 𝐼 = (1 − 𝑝)𝛽1 𝑆 + (1 − 𝑞)𝛽2 𝐶𝑆 + 𝛼1 𝐴 − (𝜖1 + 𝛾2 + 𝛿2 )𝐼 − 𝜇𝐼 𝑑𝑡 𝑁 𝑑𝑄 = 𝛿1 𝐴 − (𝛼2 + 𝛾1 )𝑄 − 𝜇𝑄 𝑑𝑡 𝑑𝐻 = 𝛿2 𝐼 + 𝛼2 𝑄 − (𝜖2 + 𝛾3 )𝐻 − 𝜇𝐻 𝑑𝑡 𝑑𝑅 = 𝛾1 (𝐴 + 𝑄) + 𝛾2 𝐼 + 𝛾3 𝐻 − 𝜇𝑅 𝑑𝑡 𝑑𝐶 = 𝜉1 𝐴 + 𝜉2 𝐼 − 𝜁𝐶 𝑑𝑡 (3) dengan, 𝑆(0) > 0, 𝐴(0) ≥ 0, 𝐼(0) ≥ 0, 𝑄(0) ≥ 0, 𝐻(0) ≥ 0, 𝑅(0) ≥ 0, 𝐶(0) ≥ 0 Model yang telah dibentuk pada persamaan sistem (3), menunjukkan kompartemen C sebagai kompartemen yang mengandung virus bebas pada permukaan terkontaminasi. 7 Apabila dibandingkan dengan durasi hidup populasi manusia, durasi virus bertahan di permukaan terkontaminasi terbilang singkat, dengan rata-rata 1-3 hari (World Economic Forum, 2020). Berdasarkan hal tersebut, jumlah virus pada permukaan terkontaminasi dapat dengan cepat mencapai titik ekuilibrium dibandingkan dengan populasi manusia. Maka, metode Quasi-Steady State Approximation (QSSA) dapat digunakan untuk mereduksi jumlah dimensi model, sebagai berikut. 𝑑𝐶 =0 𝑑𝑡 ⟺ 𝜉1 𝐴 + 𝜉2 𝐼 − 𝜁𝐶 = 0 ⟺ 𝜉1 𝐴 + 𝜉2 𝐼 = 𝜁𝐶 ⟺ 𝜉1 𝐴 + 𝜉2 𝐼 =𝐶 𝜁 Maka setiap persamaan pada sistem yang mengandung kompartemen C dapat direduksi dengan mensubstitusi nilai C sehingga diperoleh sistem persamaan baru sebagai berikut. 𝑑𝑆 𝜂𝐴 + 𝐼 𝜉1 𝐴 + 𝜉2 𝐼 = 𝐴 − 𝛽1 𝑆 − 𝛽2 𝑆 − 𝜇𝑆, 𝑑𝑡 𝑁 𝜁 𝑑𝐴 𝜂𝐴 + 𝐼 𝜉1 𝐴 + 𝜉2 𝐼 = 𝑝𝛽1 𝑆 + 𝑞𝛽2 𝑆 − (𝛾1 + 𝛿1 + 𝛼1 )𝐴 − 𝜇𝐴, 𝑑𝑡 𝑁 𝜁 𝑑𝐼 𝜂𝐴 + 𝐼 𝜉1 𝐴 + 𝜉2 𝐼 = (1 − 𝑝)𝛽1 𝑆 + (1 − 𝑞)𝛽2 𝑆 + 𝛼1 𝐴 − (𝜖1 + 𝛾2 + 𝛿2 )𝐼 − 𝜇𝐼 𝑑𝑡 𝑁 𝜁 𝑑𝑄 = 𝛿1 𝐴 − (𝛼2 + 𝛾1 )𝑄 − 𝜇𝑄 𝑑𝑡 𝑑𝐻 = 𝛿2 𝐼 + 𝛼2 𝑄 − (𝜖2 + 𝛾3 )𝐻 − 𝜇𝐻 𝑑𝑡 𝑑𝑅 = 𝛾1 (𝐴 + 𝑄) + 𝛾2 𝐼 + 𝛾3 𝐻 − 𝜇𝑅 𝑑𝑡 (4) Teorema 2. Solusi 𝑆(𝑡), 𝐴(𝑡), 𝐼(𝑡), 𝑄(𝑡), 𝐻(𝑡), 𝑅(𝑡) adalah non-negatif untuk semua 𝑡 ≥ 0. Analisis Model Model pada sistem persamaan (4) memiliki dua titik keseimbangan, yaitu titik keseimbangan bebas penyakit (DFE) dan titik keseimbangan endemik (EE). Diperoleh titik keseimbangan bebas penyakit sebagai berikut. 8 𝑫𝑭𝑬 = (𝑺𝟎 , 𝑨𝟎 , 𝑰𝟎 , 𝑸𝟎 , 𝑯𝟎 , 𝑹𝟎 ) 𝚲 = ( , 𝟎, 𝟎, 𝟎, 𝟎, 𝟎) 𝝁 Selanjutnya, dengan menggunakan metode Next Generation Matrix, diperoleh 𝓡𝟎 sebagai berikut. ℛ0 = 𝑑 𝑎 √𝑎2 − 2𝑑𝑎 + 4𝑐𝑏 + 𝑑 2 + + 2 2 2 (5) dengan nilai 𝑎, 𝑏, 𝑐, 𝑑 sebagai berikut. 𝑞𝛽2 𝜉1 Λ 𝑞𝛽2 𝜉2 Λ (𝑝𝛽1 𝜂 + 𝜁𝜇 ) 𝛼1 𝜁𝜇 𝑎= + 𝜇 + 𝛼1 + 𝛿1 + 𝛾1 (𝜖1 + 𝛾2 + 𝛿2 + 𝜇)(𝜇 + 𝛼1 + 𝛿1 + 𝛾1 ) 𝑝𝛽1 𝜂 + 𝑞𝛽2 𝜉2 Λ 𝜁𝜇 𝑏= 𝜖1 + 𝛾2 + 𝛿2 + 𝜇 𝑝𝛽1 + (1 − 𝑞)𝛽2 𝜉2 Λ (1 − 𝑞)𝛽2 𝜉1 Λ ((1 − 𝑝)𝛽1 + ) 𝛼1 𝜁𝜇 𝜁𝜇 + (𝜖1 + 𝛾2 + 𝛿2 + 𝜇)(𝜇 + 𝛼1 + 𝛿1 + 𝛾1 ) 𝜇 + 𝛼1 + 𝛿1 + 𝛾1 (1 − 𝑝)𝛽1 𝜂 + 𝑐= (1 − 𝑞)𝛽2 𝜉2 Λ 𝜁𝜇 𝜖1 + 𝛾2 + 𝛿2 + 𝜇 (1 − 𝑝)𝛽1 + 𝑑= Teorema 3. Model pada sistem persamaan (4) memiliki basic reproduction number (ℛ0 ) yang ditunjukkan pada persamaan (5). Titik endemik sistem persamaan (4) didefinisikan pada persamaan berikut. 𝑬𝑬 = (𝑺∗ , 𝑨∗ , 𝑰∗ , 𝑸∗ , 𝑯∗ , 𝑹∗ ) dengan 9 𝑺∗ = 𝑿(𝑨 + 𝑰 + 𝑸 + 𝑯 + 𝑹) 𝒀(𝜼𝑨 + 𝑰) − 𝑿 𝑨𝜹𝟏 𝑼 (𝜹 𝟏 𝑨 + 𝜹𝟐 𝑰)𝜶𝟐 + 𝑰𝜹𝟐 (𝝁 + 𝜸𝟏 ) 𝑯∗ = 𝑼𝑽 𝑸∗ = 𝑹∗ = 𝑨𝜸𝟏 (𝜸𝟏 𝑽 + 𝝁𝟐 + 𝝁(𝝐𝟐 𝜶𝟐 + 𝜹𝟏 + 𝜸𝟑 ) + (𝜶𝟐 + 𝜹𝟏 )(𝝐𝟐 + 𝜸𝟑 )) + 𝑰𝑼(𝝁𝜸𝟐 + (𝜹𝟐 + 𝜸𝟐 )𝜸𝟑 + 𝜸𝟐 𝝐𝟐 ) + 𝜶𝟐 𝑨𝜹𝟏 𝜸𝟑 𝝁𝑼𝑽 dan 𝑿 = 𝑨(𝜶𝟏 + 𝜹𝟏 + 𝜸𝟏 + 𝝁)(𝝃𝟏 𝜷𝟐 𝑨 + 𝝃𝟐 𝜷𝟐 𝑰 + 𝜻𝝁) − 𝚲𝒒𝜷𝟐 (𝝃𝟏 𝑨 + 𝝃𝟐 𝑰) 𝒀 = (𝜷𝟏 𝜷𝟐 (𝒑 − 𝒒))(𝝃𝟏 𝑨 + 𝝃𝟐 𝑰) + 𝜻𝝁𝒑𝜷𝟏 𝑼 = 𝝁 + 𝜶𝟐 + 𝜸𝟏 𝑽 = 𝝁 + 𝝐𝟐 + 𝜸𝟑 Sementara nilai 𝑨∗ dan 𝑰∗ diberikan oleh solusi dari dua persamaan implisit 𝑿𝟏 dan 𝑿𝟐 yang bergantung pada variabel 𝑨∗ dan 𝑰∗ sebagai berikut. 𝑿𝟏 = 𝒂𝟑 (𝑨∗ )𝑰∗ 𝟑 + 𝒂𝟐 (𝑨∗ )𝑰∗ 𝟐 + 𝒂𝟏 (𝑨∗ )𝑰∗ − 𝒂𝟎 (𝑨∗ ) = 𝟎 𝑿𝟐 = 𝒃𝟒 𝒂∗ 𝟒 + 𝒃𝟑 (𝑰∗ )𝑨∗ 𝟑 + 𝒃𝟐 (𝑰∗ )𝑨∗ 𝟐 + 𝒃𝟏 (𝑰∗ )𝑨∗ − 𝒃𝟎 (𝑰∗ ) = 𝟎. (6) Selanjutnya, disubstitusikan nilai parameter yang diperoleh pada tabel (3) ke persamaan 𝑿𝟏 dan 𝑿𝟐 , di mana titik keseimbangan endemik ada jika 𝑿𝟏 dan 𝑿𝟐 memiliki titik potong di kuadran 1 yang artinya terdapat 𝑨∗ , 𝑰∗ ∈ ℝ𝟐+ yang memenuhi 𝑿𝟏 = 𝑿𝟐 = 𝟎. Diperoleh titik potong 𝑿𝟏 dan 𝑿𝟐 di koordinat (𝑨∗ , 𝑰∗ ) = (𝟐𝟏, 𝟏𝟓), sehingga diperoleh titik keseimbangan endemik sebagai berikut. 𝑬𝑬 = (𝑺∗ , 𝑨∗ , 𝑰∗ , 𝑸∗ , 𝑯∗ , 𝑹∗ ) = (𝟏𝟎. 𝟎𝟎𝟕. 𝟖𝟒𝟕, 𝟐𝟏, 𝟏𝟓, 𝟑𝟒𝟗, 𝟑𝟒𝟕, 𝟒𝟒𝟏. 𝟐𝟖𝟒). Dengan melakukan cara yang similar, dilakukan percobaan menggunakan 5 kumpulan nilai parameter sedemikian sehingga ℛ0 > 1 dan diperoleh hasil yang sama bahwa dihasilkan tepat satu buah titik EE. Selain itu, dilakukan percobaan menggunakan 5 kumpulan nilai parameter sedemikian sehingga ℛ0 < 1 dan diperoleh hasil yang sama bahwa tidak terdapat 𝐴∗ , 𝐼 ∗ ∈ ℝ+ 2 yang memenuhi persamaan (6). Konjektur 1. Jika ℛ0 > 1 maka model pada sistem persamaan (4) hanya memiliki tepat satu titik endemik, dan jika ℛ0 < 1 maka model tidak memiliki titik endemik. 10 Setelah diperoleh titik keseimbangan, dilakukan analisis kestabilan titik keseimbangan tersebut. Kestabilan titik keseimbangan bebas penyakit dianalisis menggunakan pendekatan Van den Driessche dan Watmough. Teorema 4. Apabila sistem persamaan memenuhi 5 aksioma yang diberikan, maka titik DFE stabil asimtotik lokal ketika ℛ0 < 1 dan tidak stabil ketika ℛ0 > 1. Sementara itu, titik keseimbangan endemik dianalisis menggunakan linierisasi sistem persamaan (4) di sekitar titik EE secara numerik. Konjektur 2. Jika ℛ0 > 1, model pada sistem persamaan (4) memiliki titik endemik yang bersifat stabil asimtotik. Simulasi Numerik Penaksiran Parameter Penaksiran parameter dilakukan untuk mengetahui nilai taksiran parameter yang sesuai dengan kondisi nyata. Data yang digunakan merupakan data harian kasus aktif yang diambil dari situs resmi pemantauan COVID-19 di DKI Jakarta (Dinas Kesehatan Provinsi DKI Jakarta, 2022). Penaksiran parameter pada subbab ini dilakukan dengan bantuan software MATLAB. Nilai taksiran yang digunakan adalah penjumlahan dari individu terinfeksi tanpa gejala dan individu terinfeksi dengan gejala. Sedangkan nilai sebenarnya adalah data positif aktif harian COVID-19 di DKI Jakarta. Diperoleh hasil taksiran parameter dan nilai awal untuk data DKI Jakarta yang ditunjukkan pada tabel berikut. Tabel 2. Parameter 𝛽1 𝛽2 𝜉1 𝜉2 𝜂 𝑝 1−𝑝 𝑞 1−𝑞 Hasil Taksiran Parameter Nilai 0,007086437 3,30368𝑒 −07 0,287400161 0,026136622 0,374356336 0,243388026 0,756611974 0,475151444 0,524848556 Tabel 3. Parameter 𝛾1 𝛾2 𝛾3 𝛿1 𝛿2 𝛼1 𝛼2 𝜖1 𝜖2 Nilai 1,83813𝑒 −05 0,079590958 0,044362401 0,452779419 0,670688918 0,030561146 0,026429485 0,025579155 0,01105582 Hasil Taksiran Nilai Awal Nilai Awal Nilai Taksiran Nilai Pembulatan ke Atas 𝑺 𝟏𝟎. 𝟒𝟎𝟗. 𝟖𝟓𝟕, 𝟗𝟓 𝟏𝟎. 𝟒𝟎𝟗. 𝟖𝟓𝟖 𝑨 𝟔. 𝟎𝟗𝟗, 𝟗𝟗𝟗𝟗𝟓 𝟔. 𝟏𝟎𝟎 11 𝑰 𝟒. 𝟎𝟗𝟗, 𝟗𝟗𝟗𝟎𝟕𝟔 𝟒. 𝟏𝟎𝟎 𝑸 𝟕. 𝟓𝟎𝟎, 𝟎𝟎𝟖𝟏𝟗𝟕 𝟕. 𝟓𝟎𝟏 𝑯 𝟐. 𝟎𝟎𝟎, 𝟎𝟎𝟎𝟎𝟖𝟕 𝟐. 𝟎𝟎𝟏 𝑹 𝟗𝟎𝟎, 𝟎𝟏𝟕𝟒𝟑𝟕𝟔 𝟗𝟎𝟏 Grafik perbandingan antara data asli kasus positif aktif harian dengan taksiran nilai awal dan parameter ditunjukkan pada gambar berikut, dengan nilai 𝓡𝟎 = 𝟏, 𝟎𝟓𝟓𝟑𝟑𝟏𝟗𝟗𝟎 > 𝟏. Gambar 3 Diagram transmisi penyebaran COVID-19 mempertimbangan kontak dengan permukaan terkontaminasi Analisis Elastisitas dan Sensitivitas basic reproduction number Nilai elastisitas ℛ0 dihitung terhadap semua parameter pada sistem (4) dengan mensubstitusikan nilai parameter pada Tabel (3) yang memberikan nilai ℛ0 > 1 ke dalam rumus berikut. 𝜖𝑅𝑝0 = 𝜕ℛ0 𝑝 %∆ℛ0 × ≈ 𝜕𝑝 ℛ0 %∆𝑝 Dengan mensubstitusikan nilai parameter pada Tabel 1 ke hasil 𝜺𝑷𝓡𝟎 , maka diperoleh nilai elastisitas 𝓡𝟎 terhadap sembarang parameter 𝑷. Dibentuk diagram tornado untuk data DKI Jakarta sebagai berikut. 12 Gambar 4. Diagram Tornado Elastisitas 𝓡𝟎 Apabila hasil nilai elastisitas dari ℛ0 terhadap suatu parameter P bernilai positif, maka hubungan antara ℛ0 dengan parameter pada P tersebut berbanding lurus. Sebaliknya, apabila hasil nilai elastisitas dari ℛ0 terhadap suatu parameter P bernilai negatif, maka hubungan antara ℛ0 dengan parameter pada P tersebut berbanding terbalik. Selanjutnya ingin diketahui bagaimana efek dari upaya isolasi mandiri dan perawatan di rumah sakit dalam mempengaruhi nilai ℛ0 di Jakarta. Untuk menganalisis kedua upaya tersebut, ditampilkan grafik perilaku ℛ0 terhadap δ1 dan δ2 pada Gambar (4), dengan asumsi bahwa laju transmisi δ1 dan δ2 berada di dalam interval [0,1]. 13 Gambar 5. Grafik sensitivitas 𝓡𝟎 terhadap 𝜹𝟏 dan 𝜹𝟐 Dapat dilihat bahwa terdapat 4 kombinasi antara upaya isolasi mandiri dan perawatan khusus di rumah sakit yang dapat dilakukan dengan penjelasan sebagai berikut. 1. Daerah 1 menunjukkan bahwa apabila nilai 𝜹𝟏 memenuhi 𝜹𝟏 ∈ (𝟎, 𝟗𝟑𝟏𝟎𝟐𝟗𝟎𝟏𝟔𝟐, 𝟏], maka akan selalu menyebabkan nilai 𝓡𝟎 < 𝟏 tanpa mempertimbangkan nilai 𝜹𝟐 , sementara daerah 4 menunjukkan bahwa apabila nilai 𝜹𝟏 memenuhi 𝜹𝟏 ∈ [𝟎, 𝟎, 𝟒𝟕𝟎𝟒𝟕𝟐𝟒𝟏𝟑𝟏), maka akan selalu menyebabkan nilai 𝓡𝟎 > 𝟏 tanpa mempertimbangkan nilai 𝜹𝟐 . 2. Daerah 2 menunjukkan bahwa pemberlakuan upaya isolasi mandiri dan perawatan khusus di rumah sakit dapat menyebabkan 𝓡𝟎 < 𝟏 apabila kombinasi nilai laju perpindahan individu terinfeksi tanpa gejala menuu kelas isolasi mandiri berada pada interval 𝜹𝟏 ∈ (𝟎, 𝟒𝟕𝟎𝟒𝟕𝟐𝟒𝟏𝟑𝟏, 𝟎, 𝟗𝟑𝟏𝟎𝟐𝟗𝟎𝟏𝟔𝟐) dan batas bawah nilai laju perawatan khusus di rumah sakit memenuhi persamaan berikut. 𝜹𝟐 = 𝒇(𝜹𝟏 ) = 𝟓 × 𝟏𝟎−𝟏𝟐 (−𝟏, 𝟓 × 𝟏𝟎𝟐𝟏 𝜹𝟏 + 𝟗, 𝟓 × 𝟏𝟎𝟐𝟎 + 𝟐𝟓√𝟒, 𝟓 × 𝟏𝟎𝟑𝟖 𝜹𝟐𝟏 + 𝟐, 𝟒 × 𝟏𝟎𝟑𝟕 𝜹𝟏 + 𝟑, 𝟐 × 𝟏𝟎𝟑𝟓 ) (7) 𝟏𝟎𝟏𝟏 𝜹𝟏 − 𝟒, 𝟒 × 𝟏𝟎𝟏𝟎 Dapat berlaku pula apabila kombinasi laju perawatan khusus di rumah sakit berada pada interval 𝜹𝟐 ∈ [𝟎, 𝟏] dan batas bawah laju perpindahan individu terinfeksi tanpa gejala menuju kelas isolasi mandiri memenuhi persamaan berikut. 𝜹𝟏 = 𝒇−𝟏 (𝜹𝟐 ). 3. Daerah 3 menunjukkan bahwa pemberlakuan upaya isolasi mandiri dan perawatan khusus di rumah sakit dapat menyebabkan 𝓡𝟎 > 𝟏 apabila kombinasi nilai laju perpindahan individu terinfeksi tanpa gejala menuju kelas isolasi mandiri berada pada interval 𝜹𝟏 ∈ (𝟎, 𝟒𝟕𝟎𝟒𝟕𝟐𝟒𝟏𝟑𝟏, 𝟎, 𝟗𝟑𝟏𝟎𝟐𝟗𝟎𝟏𝟔𝟐) dan batas atas nilai laju perpindahan individu terinfeksi dengan gejala menuju kelas perawatan khusus di rumah sakit memenuhi persamaan (7). Dapat berlaku pula apabila kombinasi laju 14 (8) perpindahan individu terinfeksi dengan gejala menuju kelas perawatan khusus di rumah sakit berada pada interval 𝜹𝟐 ∈ [𝟎, 𝟏] dan batas atas laju perpindahan individu terinfeksi tanpa gejala menuju kelas isolasi mandiri memenuhi persamaan (8). Simulasi autonomous Simulasi autonomous dilakukan dengan bantuan software MATLAB, dengan tujuan untuk memahami hasil kajian analitik dan numerik yang telah dilakukan sebelumnya. Dalam melakukan simulasi, dibentuk beberapa skenario sehingga dilakukan simulasi terhadap beberapa variasi nilai parameter 𝜹𝟏 , 𝜹𝟐 , 𝝃𝟏 , dan 𝝃𝟐 . Simulasi autonomous terhadap perubahan 𝜹𝟏 Simulasi dilakukan dengan mempertimbangkan 3 buah nilai parameter 𝜹𝟏 yang berbeda, yaitu 0,452779419, 0,4, dan 0,5, yang memberikan nilai 𝓡𝟎 sebesar 1,0553, 1,1767, dan 0,9671 secara berurutan . Visualisasi hasil simulasi pada 3 kasus tersebut dapat dilihat pada gambar (6) di mana setiap warna merepresentasikan nilai 𝜹𝟏 yang berbeda. Gambar 6. Simulasi autonomous dengan perubahan 𝜹𝟏 Dapat dilihat apabila laju perpindahan individu terinfeksi tanpa gejala diturunkan, maka memberikan total populasi sehat yang lebih sedikit, dan apabila laju perpindahan dinaikkan maka memberikan total populasi sehat yang lebih banyak. Selain itu, apabila laju perpindahan semakin kecil maka semakin rendah pula total populasi manusia terinfeksi, dan apabila laju perpindahan semakin besar maka semakin tinggi total populasi manusia terinfeksi. 15 Simulasi autonomous terhadap perubahan 𝜹𝟐 Simulasi dilakukan dengan mempertimbangkan 3 buah nilai parameter 𝜹𝟐 yang berbeda, yaitu 0,670688918, 0,5, dan 0,8, yang memberikan nilai 𝓡𝟎 sebesar 1,0553, 1,0746, dan 1,0455 secara berurutan. Visualisasi hasil simulasi pada 3 kasus tersebut dapat dilihat pada gambar (7) di mana setiap warna merepresentasikan nilai 𝜹𝟐 yang berbeda. Gambar 7. Simulasi autonomous dengan perubahan 𝜹𝟐 Dapat dilihat bahwa apabila laju perpindahan individu terinfeksi dengan gejala menuju kelas perawatan di rumah sakit diturunkan maka memberikan total populasi sehat yang lebih sedikit, dan apabila dinaikkan maka memberikan total populasi sehat yang lebih banyak. Selain itu, dapat dilihat bahwa apabila laju perpindahan semakin kecil maka total populasi terinfeksi akan semakin tinggi, sementara apabila laju perpindahan semakin besar maka total populasi manusia terinfeksi akan semakin rendah. Simulasi autonomous terhadap perubahan 𝝃𝟏 dan 𝝃𝟐 Simulasi dilakukan dengan mempertimbangkan 3 buah nilai parameter 𝝃𝟏 dan 𝝃𝟐 yang berbeda, yaitu 0,287400161, 0,2, dan 0,3, yang memberikan nilai 𝓡𝟎 sebesar 1,0553, 0,7557, dan 1,0985 secara berurutan untuk 𝝃𝟏 dan 𝟎, 𝟎𝟐𝟔𝟏𝟑𝟔𝟔𝟐𝟐, 0,02, dan 0,03, yang memberikan nilai 𝓡𝟎 sebesar 1,0553, 1,0399, dan 1,0650 secara berurutan untuk 𝝃𝟐 . Visualisasi hasil simulasi pada 3 kasus tersebut dapat dilihat pada gambar (8) yang merepresentasikan nilai 𝝃𝟏 yang berbeda dan gambar (9) yang merepresentasikan nilai 𝝃𝟐 yang berbeda. 16 Gambar 8. Simulasi autonomous dengan perubahan 𝝃𝟏 Gambar 9. Simulasi autonomous dengan perubahan 𝝃𝟐 Dapat dilihat pada gambar (8) dan (9) bahwa apabila produksi virus bebas semakin besar, maka total populasi sehat akan semakin sedikit dan total populasi terinfeksi akan semakin banyak. Sementara itu, apabila produksi virus bebas semakin kecil, maka total populasi sehat akan semakin banyak dan total populasi terinfeksi akan semakin sedikit. Hal ini menandakan bahwa apabila dilakukan upaya seperti penggunaan hand sanitizer, maka virus yang diproduksi oleh individu terinfeksi dan kemudian menempel pada suatu permukaan benda akan berkurang sehingga penyebaran COVID-19 pun dapat diminimalkan. 17 Kesimpulan Pada skripsi ini, telah dikonstruksi model matematika penyebaran penyakit COVID-19 di DKI Jakarta, yaitu model 𝑆𝐴𝐼𝑄𝐻𝑅 yang mempertimbangkan kontak dengan permukaan terkontaminasi dan dua jenis upaya penanganan bagi individu terinfeksi, yaitu pemberlakuan aktivitas isolasi mandiri di rumah bagi individu terinfeksi tanpa gejala dan pemberlakuan perawatan khusus di rumah sakit bagi individu terinfeksi dengan gejala. Model ini membagi populasi manusia ke dalam 6 kategori berdasarkan status kesehatannya dan 1 kompartemen tambahan yaitu permukaan terkontaminasi (𝐶) yang berisi virus di lingkungan bebas yang diproduksi oleh individu terinfeksi. Namun, durasi virus bertahan pada suatu permukaan benda jauh lebih singkat dibandingkan durasi hidup populasi manusia, sehingga jumlah virus pada permukaan terkontaminasi dapat dengan cepat mencapai titik ekuilibrium. Oleh karena itu, dilakukan metode Quasi-Steady State Approximation (QSSA) untuk mereduksi kompartemen 𝐶 sehingga diperoleh model berdimensi 6. Pada skripsi ini juga telah dilakukan kajian analitik dan simulasi numerik terhadap model. Kajian analitik model 𝑆𝐴𝐼𝑄𝐻𝑅 meliputi analisis ℛ0 dan analisis eksistensi dan sifat kestabilan titik-titik keseimbangan. Dengan menggunakan metode NGM, didapatkan ℛ0 yang digunakan untuk mengetahui kriteria eksistensi dan kestabilan titik keseimbangan. Pada analisis eksistensi titik keseimbangan, diperoleh dua jenis titik keseimbangan yaitu titik keseimbangan bebas penyakit (DFE) dan titik keseimbangan endemik (EE). Setelah itu, dibahas mengenai kestabilan masing-masing titik keseimbangan bergantung dengan nilai ℛ0 . Dengan menggunakan metode Van den Driessche diketahui titik DFE selalu bersifat tidak stabil saat ℛ0 > 1 dan bersifat stabil asimtotik saat ℛ0 < 1. Sementara itu, titik EE terjamin ada dan bersifat stabil asimtotik saat ℛ0 > 1 dan tidak ada saat ℛ0 < 1. Kajian numerik model 𝑆𝐴𝐼𝑄𝐻𝑅 yang dilakukan pada skripsi ini meliputi penaksiran parameter, analisis elastisitas dan sensitivitas ℛ0 , dan simulasi autonomous. Penaksiran parameter telah dilakukan menggunakan data kasus positif aktif COVID-19 di DKI Jakarta sejak tanggal 30 November 2020 hingga 31 Maret 2021. Berdasarkan metode yang dilakukan, upaya pemberlakuan isolasi mandiri dan perawatan khusus di rumah sakit, serta peraturan pemakaian hand sanitizer terbukti sukses mereduksi penyebaran penyakit COVID-19 di DKI Jakarta. Melalui analisis elastisitas ℛ0 , diketahui bahwa peningkatan kedua laju perpindahan individu terinfeksi tanpa gejala menuju kelas isolasi mandiri dan laju perpindahan individu terinfeksi dengan gejala menuju kelas perawatan khusus di rumah sakit dapat menyebabkan penurunan pada nilai ℛ0 , dan melalui analisis sensitivitas ℛ0 , diperoleh informasi lebih lanjut 18 bahwa peningkatan laju perpindahan individu terinfeksi tanpa gejala menuju kelas isolasi mandiri lebih dari 0.9310290162 dapat menyebabkan nilai ℛ0 < 1 tanpa mempertimbangkan besar laju perpindahan individu terinfeksi dengan gejala menuju kelas perawatan khusus di rumah sakit. Selain itu, dapat diketahui berdasarkan hasil simulasi autonomous bahwa penerapan upaya isolasi mandiri, perawatan khusus di rumah sakit, dan penggunaan hand sanitizer dapat menurunkan jumlah populasi terinfeksi COVID-19 di DKI Jakarta. Saran Berdasarkan penelitian yang telah dilakukan pada skripsi ini, dapat dilihat bahwa terdapat potensi besar dari upaya pemberlakuan isolasi mandiri dan perawatan khusus di rumah sakit, serta peraturan pemakaian hand sanitizer dalam mengontrol penyebaran penyakit COVID-19. Semakin besar intensitas upaya yang dilakukan, maka akan semakin baik hasil yang diperoleh. Akan tetapi, jenis upaya yang telah disebutkan tidak dapat dilakukan secara masif karena adanya keterbatasan biaya. Oleh karena itu, pada penelitian selanjutnya, disarankan untuk melanjutkan model matematika yang dibentuk dengan memfokuskan penelitian pada masalah optimal kontrol pada upaya yang digunakan untuk menekan penyebaran penyakit COVID-19. 19 Daftar Referensi Anton, H. (2012). Elementary linear algebra (11th ed.). New York: John Wiley and Sons, Inc. Boyce, W.E., DiPrima, R.C. (2012). Elementary Differential Equations and Boundary Value Problems. New York: John Wiley and Sons, Inc. Diekmann, O., Heesterbeek, J. A. P., dan Roberts, M. G. (2009). The construction of nextgeneration matrices for compartmental epidemic models. Journal or The Royal Society doi:10.1098/rsif.2009.0386. Kermack, W.O., McKendrick, A.G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character Hal 700-721. Martcheva, M. (2015). An Introduction to Mathematical Epidemiology. New York: Springer. Verhulst, F.(1990). Nonlinear Differential Equations and Dynamical Systems. Berlin: SpringerVerlag. World Health Organization (WHO). (2021). Coronavirus disease (COVID-19): QA for public. https://www.who.int/indonesia/news/novel-coronavirus/qa/qa-for-public. World Health Organization (WHO). (2022). WHO Coronavirus (COVID-19) Dashboard. https://covid19.who.int/. Wiggins, S. (2003). Introduction to Applied Nonlinear Dynamical Systems and Chaos (2nd ed.). New York: Springer-Verlag Dinas Kesehatan Provinsi DKI Jakarta. (2022). Data Pemantauan COVID-19 DKI Jakarta. https://corona.jakarta.go.id/id/data-pemantauan. Dinas Kesehatan Provinsi DKI Jakarta. (2021). Linimasa Kebijakan Pemprov DKI Jakarta Terkait Penanganan COVID-19. https://corona.jakarta.go.id/id/kebijakan. Centers for Disease Control and Prevention. Symptoms of COVID-19. https://www.cdc.gov/coronavirus/2019-ncov/symptoms-testing/symptoms.html. 20