Laporan Tugas Besar Matematika Sistem
Laporan Tugas Besar Matematika Sistem
Laporan Tugas Besar Matematika Sistem
ANGGOTA KELOMPOK:
Julinar (06111740000025)
Karohmatul Amalia MS. (06111740000027)
Siti Masriyah (06111740000073)
Ilham Dwi Prasetyo (06111740000106)
Dosen Pengampu:
Dr. Dra. Mardlijah, MT
NIP. 19670114 199102 2 00
Mata Kuliah :
Matematika Sistem (Kelas B)
DEPARTEMEN MATEMATIKA
FAKULTAS SAINS DAN ANALITIKA DATA
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2020
BAB I
PENDAHULUAN
Secara langsung sistem bias dikatakan sebagai bagian dari realita. Realita di luar
sistem dinamakan sekitar sistem. Interaksi antara sistem dan sekitar sistem
direalisasikan lewat besaran yang biasanya merupakan fungsi waktu. Besaran ini disebut
masukan (input) dan keluaran (output). Masukan dan keluaran sistem yang disajikan
oleh fungsi waktu bias merupakan waktu yang kontinu atau distrit. Hal ini berkaitan
dengan apa yang dinamakan sistem kontinu dan sistem diskrit. Mengkaji (menganalisis)
proses fisis atau mendisainnya dinamakan sistem fisis dalam hal ini hubungan masukan
dan keluran sistem disajikan oleh suatu model matematika. Sering kali model
matematika ini berbentuk suatu persamaan differensial (untuk yang kontinu) dan
persamaan beda (untuk yang diskrit). Untuk sistem dengan masukan dan keluaran yang
disajikan oleh bentuk persamaan differensial biasa dinamakan sistem tergumpal
(lumped), bila tidak demikian dinamakan sistem terdistribusi. Pembentukan suatu model
matematika sering membutuhkan asumsi tentang sifat dasar proses fisis.
Pada makalah ini akan dibahas mengenai model dari sistem penyebaran virus
Hepatitis B menggunakan Model SEICR. Hepatitis merupakan salah satu jenis penyakit
menular. Tipe yang berbahaya dari hepatitis ialah Hepatitis B. Hal ini dikarenakan
penularan Hepatitis B terjadi sangat cepat melalui kontak tubuh, air liur, hubungan seks
dan sebagainya. Bahkan penyakit ini juga bisa diturunkan ke bayi yang baru lahir oleh
ibu yang terkena Hepatitis B. Penularan Hepatitis B dapat dimodelkan secara matematis
menggunakan pemodelan matematika. Model SEICR untuk Hepatitis B mengasumsikan
populasi menjadi lima sub-populasi yaitu: Susceptible (individu rentan), Exposed
(individu laten), Infected (individu tertular), Carrier (individu pembawa penyakit, dan
Recovery (individu sembuh). Adanya pembagian populasi ini bertujuan untuk
mengetahui tingkat penyebaran penyakit disetiap sub-populasi.
Model yang akan diteliti dalam penelitian ini ialah model SEICR yang merupakan
pengembangan dari model SACR (Suspectible, Acute, Infection, Carrier, Recovery).
Dimana dalam model ini ditambahkan sub populasi individu laten yaitu individu yang
terkena virus namun tidak berpotensi untuk menularkan ke individu lain. . Kemudian
dalam model tersebut ditambahkan pula faktor kontrol vaksinasi dengan tujuan
mengontrol penyebaran Hepatitis B di suatu populasi dan menentukan tingkat vaksin
untuk menghentikan laju penyebaran.Perilaku dinamik yang diselidiki dari model
SEICR adalah mencari titik kesetimbangan, dilakukan pelinieran di sekitar titik
setimbang, mencari solusi sistem, menyelidiki sifat - sifat sistem yaitu kestabilan,
kekontrolan, dan keteramatan, membentuk feedback controller dan observernya, dan
melakukan simulasi gambar dari hasil sistem tersebut.
1.3 Tujuan
1. Mengetahui model non-linier dari penyebaran Virus Hepatitis B dengan vaksinasi.
2. Mengetahui titik setimbang dari model non-liner penyebaran Virus Hepatitis B
dengan vaksinasi.
3. Mengetahui proses linierisasi di titik setimbangnya.
4. Mengetahui solusi dari sistem penyebaran Virus Hepatitis B dengan vaksinasi.
5. Mengetahui sifat-sifat dari sistem penyebaran Virus Hepatitis B dengan vaksinasi.
6. Mengetahui feedback controller dan observer dari sistem penyebaran Virus
Hepatitis B dengan vaksinasi.
7. Mengetahui hasil simulasi yang didapat dari sistem penyebaran Virus Hepatitis B
dengan vaksinasi.
BAB II
KAJIAN TEORI
𝑥1 (𝑡) 𝑓1 (𝑡, 𝑥1 , 𝑥2 , … , 𝑥𝑛 )
Sistem persamaan diatas adalah sistem persamaan diferensial non-linier dengan fungsi
non-linier dalam 𝑥1 , 𝑥2 , … , 𝑥𝑛 (Finizio & Ladas, 1971).
𝐴𝑥 = 𝜆𝑥 (2.2)
Untuk skalar 𝜆. Skalar 𝜆 disebut nilai eigen dari 𝐴 dan 𝑥 dinamakan vektor yang
bersesuaian dengan skalar 𝜆.
Persamaan (2.2) dapat ditulis sebagai berikut :
𝐴𝑥 = 𝜆𝐼𝑥
Dengan I adalah matriks identitas. Persamaan (2.3) memiliki solusi tak nol jika dan
hanya jika
|𝜆𝐼 − 𝐴| = 0 (2.4)
Persamaan (2.4) merupakan persamaan karakteristik dari matriks 𝐴 dan skalar yang
memenuhi persamaan (2.4) adalah nilai eigen dari 𝐴.
Dengan 𝑐𝑖 ∈ ℝ, 𝑖 = 1,2,3, … , 𝑛
Secara umum, stabil berarti penyelesaiannya sangat dekat ke titik setimbang. Sedangkan
stabil asimtotik berarti penyelesaiannya konvergen ke titik setimbang (Susanto, 2012).
2.5 Linierisasi
Linearisasi merupakan suatu proses yang digunakan untuk membentuk suatu sistem
persamaan diferensial non linear menjadi sistem persamaan diferensial linear. Melalui
linearisasi tersebut dapat juga digunakan untuk menganalisis kestabilan. Pencarian hasil
linearisasi dari sistem persamaan diferensial non-linear dapat menggunakan matriks
Jacobian.
Misalkan diberikan sistem persamaan diferensial non-linier berikut :
𝑥̇ = 𝑓(𝑥) (2.7)
𝑥̇ = 𝐽(𝑓(𝑥)) (2.8)
𝜕𝑓1 𝜕𝑓1 𝑥1
⋯
𝑥1 𝑥𝑛
𝑥̇ = 𝐽(𝑓(𝑥))𝑥̇ = ⋮ ⋱ ⋮ 𝑥2
𝜕𝑓𝑚 𝜕𝑓𝑚 ⋮
⋯ [𝑥 ]
[ 𝑥1 𝑥𝑛 ] 𝑛
1. Apabila semua bagian real nilai eigen matriks 𝐽(𝑓(𝑥)) bernilai negatif, maka titik
ekuilirium dari sistem non-linier stabil asimtotik lokal.
2. Apabila terdapat paling sedikit satu nilai eigen matriks 𝐽(𝑓(𝑥)) yang bagian realnya
positif, maka titik kesetimbangan dari sistem non-linier tidak stabil.
Missal 𝑥̇ (𝑡) = 𝐴𝑥(𝑡), dengan 𝐴 adalah matriks konstan yang bersesuaian dan kondisi
awal 𝑥(𝑡0 ) = 𝑥0 , maka solusinya :
𝑥(𝑡) = 𝑒 𝐴(𝑡−𝑡0 ) ∙ 𝑥0
Dimana 𝑒 𝐴(𝑡−𝑡0 ) adalah matriks transisi. 𝑒 𝐴(𝑡−𝑡0 ) dapat dituliskan sebagai 𝑒 𝐴𝑡 . Matriks
𝑒 𝐴𝑡 merupakan matriks yang bergantung pada matriks 𝐴, dimana :
𝐷 = 𝑇 −1 𝐴 𝑇
Dimana
𝑇 = [𝑣1 𝑣2 ⋯ 𝑣𝑛 ]
𝑒 𝐴𝑡 = 𝑇 𝑒 𝐷𝑡 𝑇 −1
𝑡𝛿 sedemikian hingga ||𝑥𝑡𝛿 − 𝑥̅ || < 𝛿 maka ||𝑥(𝑡, 𝑥𝑡𝛿 ) − 𝑥̅ || < 𝜖 untuk semua
𝑡 > 𝑡𝛿
Suatu titik setimbang 𝑥̅ dikatakan stabil asimtotik bila ia stabil dan bila ada 𝛿1 > 0
𝑐1 𝑐0 0
∆3 = |𝑐3 𝑐2 𝑐1 |
𝑐5 𝑐4 𝑐3
Untuk 𝑘 = 𝑛, maka ∆𝑛 = det(𝐻)
Selain menggunakan determinan Hurwitz alternatif penyelesaian dalam
menganalisis kestabilan ialah menggunakan matriks Routh. Kriteria dari kestabilan
dilihat berdasarkan banyaknya perubahan tanda pada kolom pertama. Matriks
Routh dari Persamaan pertama adalah sebagai berikut:
𝜆𝑛 𝑐0 𝑐2 𝑐4 𝑐6 …
𝜆𝑛−1 𝑐1 𝑐3 𝑐5 𝑐7 …
𝜆𝑛−2 𝑎 1 𝑎2 𝑎3 𝑎4 …
𝜆𝑛−3 𝑏 1 𝑏2 𝑏3 𝑏4 …
. = . .
. . .
𝜆 2 𝑑1 𝑑2
1 𝑒1
𝜆
[ 𝜆0 ] [ 𝑓1 ]
Dengan koefisien-koefisien:
𝑐1 𝑐2 −𝑐0 𝑐3 𝑎1 𝑐3 −𝑐1 𝑎2
𝑎1 = 𝑏1 =
𝑐1 𝑎1
𝑐1 𝑐4 −𝑐0 𝑐5 𝑎1 𝑐5 −𝑐1 𝑎3
𝑎2 = 𝑏2 =
𝑐1 𝑎1
𝑐1 𝑐6 −𝑐0 𝑐7 𝑎1 𝑐7 −𝑐1 𝑎4
𝑎3 = 𝑏3 =
𝑐1 𝑎1
dan seterusnya. Hal yang menjadi syarat kestabilan matriks Routh ialah berdasarkan
syarat perlu dan cukup sebagai berikut (Ningsih & Winarko , 2016)
1. Semua koefisien persamaan karakteristik positif.
2. Semua suku pada kolom pertama matriks Routh bertanda positif.
2. Kekontrolan
Diberikan Sistem: 𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) 𝑑𝑎𝑛 𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡). Sistem
linear tersebut dikatakan terkontrol bila untuk setiap kedaan sebarang 𝑥(0) = 𝑥0 ada
masukan (𝑡) yang tidak dibatasi mentransfer keadaan 𝑥0 kesebarang keadaan akhir
𝑥(𝑡1 ) = 𝑥1 dengan waktu akhir 𝑡1 hingga.
Artinya : bila diberikan sebarang keadaan awal 𝑥(0) dan sebarang keadaan akhir
𝑥(𝑡1 ) akan selalu ada pengontrol 𝑢(𝑡) yang akan mentransfer keadaan awal 𝑥(0) ke
keadaan akhir yang diinginkan 𝑥(𝑡1 ) dalam waktu yang berhingga 𝑡1 .
Penyelesaian sistem tersebut adalah:
𝑡
𝑥(𝑡) = 𝑒 𝑥0 + ∫ 𝑒 𝐴(𝑡−𝜏) 𝐵𝑢(𝜏)𝑑𝜏
𝐴𝑡
0
Bila sistem terkontrol, yaitu ada masukan 𝑢(𝑡) yang mentransfer 𝑥0 ke 𝑥1 dalam
waktu berhingga 𝑡1 . Dalam hal ini 𝑥1 diberikan oleh
𝑡1
𝑥1 = 𝑒 𝐴𝑡1 𝑥0 + ∫ 𝑒 𝐴(𝑡1 −𝜏) 𝐵𝑢(𝜏)𝑑𝜏
0
Teorema
Syarat perlu dan cukup sistem 𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) 𝑑𝑎𝑛 𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡)
terkontrol adalah:
𝑡 𝑇
1. 𝜔(0, 𝑡1 ) = ∫0 1 𝑒 −𝐴𝜏 𝐵𝐵 𝑇 𝑒 −𝐴 𝜏 𝑑𝜏 non singular
2. 𝑀𝑐 = (𝐵 |𝐴𝐵|𝐴2 𝐵|… … …|𝐴𝑛−1 𝐵) mempunyai rank sama dengan n (ukuran
matriks A)
3. Keteramatan
Diberikan Sistem: 𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) 𝑑𝑎𝑛 𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡).
Bila setiap keadaan awal 𝑥(0) = 𝑥0 secara tunggal dapat diamati dari setiap
pengukuran keluaran sistem dari waktu 𝑡0 = 0 ke 𝑡 = 𝑡1 , maka sistem dikatakan
"teramati".
Artinya : sebarang keadaan awal 𝑥0 lewat sebarang pengukuran keluaran 𝑦(𝑡)
diamati pada interval waktu 0 ≤ 𝑡 ≤ 𝑡1.
Keluaran sistem 𝑥̇ (𝑡) = 𝐴𝑥(𝑡) + 𝐵𝑢(𝑡) 𝑑𝑎𝑛 𝑦(𝑡) = 𝐶𝑥(𝑡) + 𝐷𝑢(𝑡) diberikan
oleh:
𝑡
𝑦(𝑡) = 𝐶𝑒 𝑥0 + 𝐶 ∫ 𝑒 𝐴(𝑡−𝜏) 𝐵𝑢(𝜏)𝑑𝜏 + 𝐷𝑢(𝑡)
𝐴𝑡
0
.
(𝐶𝐴(𝑛−1) )
(ukuran matriks A)
2.9 Observer
Untuk membangun suatu sistem real terkadang membutuhkan biaya yang cukup mahal,
ataupun beberapa sistem memiliki kesulitan dalam melakukan pengukuran. Maka dari
itu diperlukan suatu sistem pembantu yang dinamakan pengamat (observer) yang
mempunyai masukan 𝑢(𝑡) dan keluaran 𝑦(𝑡) dari sistem riil dan keluaran 𝑥̂(𝑡) suatu
pendekatan dari keadaan 𝑥(𝑡) dari sistem riil. Suatu pengamat dari sistem 𝑥̇ (𝑡) =
𝐴𝑥(𝑡) + 𝐵𝑢(𝑡), 𝑦(𝑡) = 𝐶𝑥(𝑡) diasumsikan berbentuk:
𝑧̇ (𝑡) = 𝑃𝑧(𝑡) + 𝑄𝑢(𝑡) + 𝐾𝑦(𝑡)
𝑥̂(𝑡) = 𝑆𝑧(𝑡) + 𝑇𝑢(𝑡) + 𝑅𝑦(𝑡)
Vektor 𝑧(𝑡) adalah keadaan dari pengamat. Sedangka matriks 𝑃, 𝑄, 𝐾, 𝑇, 𝑆, dan 𝑅 adalah
matriks –matriks yang dapat ditentukan.
BAB III
PEMBAHASAN
3.1 Model Sistem Non-Linier Penyebaran Virus Hepatitis B
Model SEICR penyebaran Hepatitis B dengan pemberian vaksin membagi populasi menjadi
lima sub-populasi sehingga model juga akan terdiri dari lima variabel yaitu:
𝑑𝑥
𝑆(𝑡) = = 𝜇𝜔(1 − 𝜀𝑐) − 𝛽𝑥(𝑦 + 𝛼𝑐) − (1 − 𝜔)𝑝𝑥 + 𝛿𝑣 − 𝜇𝑥
𝑑𝑡
𝑑𝑒
𝐸(𝑡) = = 𝛽𝑥(𝑦 + 𝛼𝑐) + 𝜇𝜔𝜀𝑐 − 𝜎𝑒 − 𝜇𝑒
𝑑𝑡
𝑑𝑦
𝐼(𝑡) = = 𝜎𝑒 − 𝑟1 𝑦 − 𝜇𝑦
𝑑𝑡
𝑑𝑐
𝐶(𝑡) = = 𝑞𝑟1 𝑦 − 𝑟2 𝑐 − 𝜇𝑐
𝑑𝑡
𝑑𝑣
𝑅(𝑡) = = (1 − 𝜔)𝑝𝑥 + (1 − 𝑞)𝑟1 𝑦 + 𝑟2 𝑐 − 𝛿𝑣 − 𝜇𝑣 + 𝜇(1 − 𝑤)
𝑑𝑡
𝛽 0.85
𝜎 6
𝑟1 4
𝑟2 0.025
𝜇 1/70
𝜀 0.8
𝑝 0.1
𝛼 0.5
𝜔 0.1
𝑞 0.1
𝛿 1/22
𝑦̇ = 𝜎𝑒 − 𝑟1 𝑦 − 𝜇𝑦 = 0
𝑐̇ = 𝑞𝑟1 𝑦 − 𝑟2 𝑐 − 𝜇𝑐 = 0 …(3.1)
Titik kesetimbangan model ada dua, yaitu titik kesetimbangan bebas penyakit dan titik
kesetimbangan endemik. Titik kesetimbangan yang pertama ialah titik kesetimbangan bebas
penyakit (𝑇1 ). Titik kesetimbangan bebas penyakit ialah keadaan dimana tidak terjadi
penyebaran penyakit, sehingga populasi 𝑒 = 0, 𝑦 = 0, dan 𝑐 = 0.
𝜇𝜔 + 𝛿
𝑥0 = (3.2)
(1 − 𝜔)𝑝 + 𝛿 + 𝜇
Selanjutnya akan diselidiki titik kesetimbangan endemik (𝑇2 ) yang diperoleh dari
persamaan (3.1). Titik ini digunakan untuk menunjukkan adanya penyebaran penyakit
dalam populasi sedemikian hingga 𝑒 ≠ 0, 𝑦 ≠ 0, 𝑐 ≠ 0.
𝑦̇ = 0
0 = 𝜎𝑒 − 𝑟1 𝑦 − 𝜇𝑦
0 = 𝜎𝑒 − 𝑦(𝑟1 + 𝜇)
𝜎𝑒 = 𝑦(𝑟1 + 𝜇)
(𝑟1 + 𝜇)
𝑒∗ = 𝑦∗ (3.3)
𝜎
𝑐̇ = 0
0 = 𝑞𝑟1 𝑦 − 𝑟2 𝑐 − 𝜇𝑐
0 = 𝑞𝑟1 𝑦 − 𝑐(𝑟2 + 𝜇)
𝑐(𝑟2 + 𝜇) = 𝑞𝑟1 𝑦
𝑞𝑟1
𝑐∗ = 𝑦∗ (3.4)
(𝑟2 + 𝜇)
𝑒̇ = 0
𝑒(𝜎 + 𝜇) − 𝜇𝜔𝜀𝑐
𝑥∗ =
𝛽(𝑦 + 𝛼𝑐)
𝑦(𝑟1 + 𝜇) 𝑞𝑟1 𝑦
(𝜎 + 𝜇) − 𝜇𝜔𝜀
𝜎 (𝑟2 + 𝜇)
𝑥∗ =
𝛼𝑞𝑟1 𝑦
𝛽 (𝑦 + )
(𝑟2 + 𝜇)
𝑥̇ = 0
∗
((1 − 𝜔)𝑝 + 𝛿 + 𝜇)𝑥 ∗ − (𝜇𝜔 + 𝛿)
𝑦 = 𝛼𝑞𝑟 𝑟 +𝜇 𝑞𝑟 𝜇𝜔𝜀𝑞𝑟 (3.6)
−𝛽𝑥 ∗ (1 + 𝑟 + 1𝜇 ) − 𝛿 ( 1 𝜎 + 1 + 𝑟 +1 𝜇 ) − 𝑟 + 𝜇1
2 2 2
𝑓3 = 𝑦̇ = 𝜎𝑒 − 𝑟1 𝑦 − 𝜇𝑦
𝑓4 = 𝑐̇ = 𝑞𝑟1 𝑦 − 𝑟2 𝑐 − 𝜇𝑐
𝜕𝑓1 𝜕𝑓2
= −𝛽(𝑦 + 𝛼𝑐) − (1 − 𝜔)𝑝 − 𝛿 − 𝜇 = 𝛽(𝑦 + 𝛼𝑐)
𝜕𝑥 𝜕𝑥
𝜕𝑓1 𝜕𝑓2
= −𝛿 = −𝜎 − 𝜇
𝜕𝑒 𝜕𝑒
𝜕𝑓1 𝜕𝑓2
= −𝛽𝑥 − 𝛿 = 𝛽𝑥
𝜕𝑦 𝜕𝑦
𝜕𝑓1 𝜕𝑓2
= −𝜇𝜔𝜀 − 𝛽𝑥𝛼 − 𝛿 = 𝛽𝑥𝛼 + 𝜇𝜔𝜀
𝜕𝑐 𝜕𝑐
𝜕𝑓3 𝜕𝑓4
=0 =0
𝜕𝑥 𝜕𝑥
𝜕𝑓3 𝜕𝑓4
=𝜎 =0
𝜕𝑒 𝜕𝑒
𝜕𝑓3 𝜕𝑓4
= −𝑟1 − 𝜇 = 𝑞𝑟1
𝜕𝑦 𝜕𝑦
𝜕𝑓3 𝜕𝑓4
=0 = −𝑟2 − 𝜇
𝜕𝑐 𝜕𝑐
Misalkan
1153 1 85 1 8 425 1
− − − 𝑥0 − − − 𝑥0 −
7700 22 100 22 7000 1000 22
421 85 425 8
0 − 𝑥 𝑥 +
70 100 0 1000 0 7000
𝐴=
281
0 6 − 0
70
4 185
0 0 −
[ 10 700 ]
−0.1497 −0.0455 −0.3116 −0.1797
0 −6.0143 0.2661 0.1342
=[ ]
0 6 −4.0143 0
0 0 0.4 −0.0393
Pertama akan dicari nilai eigennya:
|𝜆𝐼 − 𝐴| = 0
𝜆1 = −0.1497
𝜆2 = −6.6104
𝜆3 = −3.4326
𝜆4 = −0.0249
[𝜆𝐼 − 𝐴]𝑣⃗ = 0
Untuk 𝜆1 = −0.1497 ∶
−0.1497 + 0.1497 0.0455 0.3116 0.1797 𝑣1
0 −0.1497 + 6.0143 −0.2661 −0.1342 𝑣2
[ ] [𝑣3 ]
0 −6 −0.1497 + 4.0143 0
0 0 −0.4 −0.1497 + 0.0393 𝑣4
0 0.0455 0.3116 0.1797 𝑣1
0 5.8646 −0.2661 −0.1342 𝑣2
=[ ] [𝑣3 ] = 0
0 −6 3.8646 0
0 0 −0.4 −0.1104 𝑣4
Maka diperoleh bahwa vektor eigen untuk 𝜆1 = −0.1497 adalah
1
0
𝑉1 = [ ] 𝑠
0
0
Untuk 𝜆2 = −6.6104:
−6.6104 + 0.1497 0.0455 0.3116 0.1797 𝑣1
0 −6.6104 + 6.0143 −0.2661 −0.1342 𝑣2
[ ] [𝑣3 ]
0 −6 −6.6104 + 4.0143 0
0 0 −0.4 −6.6104 + 0.0393 𝑣4
−6.4607 0.0455 0.3116 0.1797 𝑣1
0 −0.5961 −0.2661 −0.1342 𝑣2
= [ ] [𝑣3 ] = 0
0 −6 −2.5961 0
0 0 −0.4 −6.5711 𝑣4
Maka diperoleh bahwa vektor eigen untuk 𝜆2 = −6.6104 adalah
0.0398
−0.3962
𝑉2 = [ ]𝑠
0.9159
−0.0557
Untuk 𝜆3 = −3.4326
−3.4326 + 0.1497 0.0455 0.3116 0.1797 𝑣1
0 −3.4326 + 6.0143 −0.2661 −0.1342 𝑣2
[ ] [𝑣3 ]
0 −6 −3.4326 + 4.0143 0
0 0 −0.4 −3.4326 + 0.0393 𝑣4
−3.2829 0.0455 0.3116 0.1797 𝑣1
0 2.5817 −0.2661 −0.1342 𝑣2
=[ ] [𝑣3 ] = 0
0 −6 0.5817 0
0 0 −0.4 −3.3933 𝑣4
Maka diperoleh bahwa vektor eigen untuk 𝜆3 = −3.4326 adalah
−0.0884
−0.0955
𝑉3 = [ ]𝑠
−0.9847
0.1161
Untuk 𝜆4 = −0.0249
−0.0249 + 0.1497 0.0455 0.3116 0.1797
0 −0.0249 + 6.0143 −0.2661 −0.1342
[ ]
0 −6 −0.0249 + 4.0143 0
0 0 −0.4 −0.0249 + 0.0393
0.1248 0.0455 0.3116 0.1797 𝑣1
0 5.9894 −0.2661 −0.1342 𝑣2
=[ ] [𝑣3 ] = 0
0 −6 3.9894 0
0 0 −0.4 0.0144 𝑣4
Maka diperoleh bahwa vektor eigen untuk 𝜆4 = −0.0249 adalah
−0.8382
0.0131
𝑉4 = [ ]𝑠
0.0197
0.5449
Dengan demikian diperoleh matriks fundamentalnya yaitu:
−0.1497 0 0 0
0 −6.6104 0 0
=[ ]
0 0 −3.4326 0
0 0 0 −0.0249
𝑒 −0.1497𝑡 0 0 0
−0.3962𝑡
0 𝑒 0 0
𝑒 𝐷𝑡 =[ ]
0 0 𝑒 −0.9847𝑡 0
0 0 0 𝑒 0.5449𝑡
Misalkan :
𝑒 𝐴𝑡 = 𝑇𝑒 𝐷𝑡 𝑇 −1
0.0835𝑎 − 0.0818𝑏 + 0.1688𝑐 + 0.187𝑑 − 0.4224 1.5334𝑎 + 0.0016𝑏 − 0.0067𝑐 + 1.7347𝑑 − 0.2056
−0.081𝑏 + 0.0784𝑐 + 0.0025𝑑 + 0.1616 −0.0166𝑏 − 0.0072𝑐 + 0.0238𝑑 − 1.6627
]
0.1873𝑏 + 0.8088𝑐 + 0.0038𝑑 − 0.9833 0.0385𝑏 − 0.077 = 44𝑐 + 0.0359𝑑 − 0.1705
−0.0113𝑏 + 0.4476𝑐 + 0.106𝑑 − 0.0846 −0.0023𝑏 − 0.0411𝑐 + 0.9935𝑑 + 1.0148
𝜆1 = −7.2047
𝜆2 = −2.8784
𝜆3 = 0.0417
𝜆4 = −0.0977
Selanjutnya akan diselidiki vektor eigen dari tiap nilai eigennya, yaitu dengan cara
[𝜆𝐼 − 𝐴]𝑣⃗ = 0
0.0812
−0.4674
𝑉1 = [ ]𝑠
0.8790
−0.0491
𝑒 −7.2047𝑡 0 0 0
0 𝑒 −2.8784𝑡 0 0
𝑒 𝐷𝑡 =[ 0.0417𝑡 ]
0 0 𝑒 0
0 0 0 𝑒 −0.0977𝑡
Misalkan :
𝑒 𝐴𝑡 = 𝑇𝑒 𝐷𝑡 𝑇 −1
𝑒 𝐴𝑡 =
0.0013𝑎 + 0.0089𝑏 + −0.2971𝑐 + 0.6953𝑑 − 1.0485 −0.1263𝑎 + 0.199𝑏 − 0.4371𝑐 + 0.2343𝑑 − 0.3533
0.008𝑎 + 0.0072𝑏 − 0.0087𝑐 − 0.0065𝑑 − 0.2117 0.7272𝑎 + 0.2576𝑏 + 0.0125𝑐_0.0021𝑑 + 0.4609
[
−0.0151𝑎 + 0.038𝑏 − 0.0129𝑐 − 0.0099𝑑 − 0.014 −1.3765𝑎 + 1.3613𝑏 + 0.0185𝑐 − 0.0033𝑑 + 0.0968
−0.0008𝑎 + 0.0053𝑏 − 0.0639𝑐 + 0.0684𝑑 + 0.1324 0.0768𝑎 + 0.1918𝑏 + 0.0918𝑐 + 0.0132𝑑 − 0.9136
0.08252𝑎 + 0.1672𝑏 − 0.429𝑐 + 0.2365𝑑 + 0.0976 0.0057𝑎 − 0.0366𝑏 − 3.123𝑐 + 3.1532𝑑 − 0.7833
−0.1451𝑎 + 0.1347𝑏 + 0.0126𝑐 − 0.0022𝑑 − 0.149 −0.0333𝑎 − 0.0241𝑏 + 0.0917𝑐 + 0.0295𝑑 − 4.1422
]
0.2729𝑎 + 0.7117𝑏 + 0.0186𝑐 − 0.0034𝑑 − 1.0099 0.0626𝑎 − 0.1532𝑏 + 0.1359𝑐 − 0.0453𝑑 − 0.2746
−0.0152𝑎 + 0.1003𝑏 + 0.0922𝑐 + 0.2327𝑑 + 0.0932 −0.0035𝑎 − 0.0215𝑏 + 0.6716𝑐 + 0.3102𝑑 + 1.5905
𝑥(𝑡) = 𝑒 𝐴𝑡 ∙ 𝑥(0)
𝑥1 (𝑡)
𝑥2 (𝑡)
=
𝑥3 (𝑡)
[𝑥4 (𝑡)]
0.0013𝑎 + 0.0089𝑏 + −0.2971𝑐 + 0.6953𝑑 − 1.0485 −0.1263𝑎 + 0.199𝑏 − 0.4371𝑐 + 0.2343𝑑 − 0.3533
0.008𝑎 + 0.0072𝑏 − 0.0087𝑐 − 0.0065𝑑 − 0.2117 0.7272𝑎 + 0.2576𝑏 + 0.0125𝑐_0.0021𝑑 + 0.4609
[
−0.0151𝑎 + 0.038𝑏 − 0.0129𝑐 − 0.0099𝑑 − 0.014 −1.3765𝑎 + 1.3613𝑏 + 0.0185𝑐 − 0.0033𝑑 + 0.0968
−0.0008𝑎 + 0.0053𝑏 − 0.0639𝑐 + 0.0684𝑑 + 0.1324 0.0768𝑎 + 0.1918𝑏 + 0.0918𝑐 + 0.0132𝑑 − 0.9136
0.08252𝑎 + 0.1672𝑏 − 0.429𝑐 + 0.2365𝑑 + 0.0976 0.0057𝑎 − 0.0366𝑏 − 3.123𝑐 + 3.1532𝑑 − 0.7833
−0.1451𝑎 + 0.1347𝑏 + 0.0126𝑐 − 0.0022𝑑 − 0.149 −0.0333𝑎 − 0.0241𝑏 + 0.0917𝑐 + 0.0295𝑑 − 4.1422
]
0.2729𝑎 + 0.7117𝑏 + 0.0186𝑐 − 0.0034𝑑 − 1.0099 0.0626𝑎 − 0.1532𝑏 + 0.1359𝑐 − 0.0453𝑑 − 0.2746
−0.0152𝑎 + 0.1003𝑏 + 0.0922𝑐 + 0.2327𝑑 + 0.0932 −0.0035𝑎 − 0.0215𝑏 + 0.6716𝑐 + 0.3102𝑑 + 1.5905
𝑥1 (0)
𝑥2 (0)
𝑥3 (0)
[𝑥4 (0)]
Sehingga diperoleh:
=0
Dengan :
𝑙0 = (1 − 𝜔)𝑝 + 𝛿 + 𝜇
𝑙1 = 𝛿 + 𝑟1 + 𝑟2 + 3𝜇
𝜆4 1 𝑙0 𝑙1 + 𝑙2 𝑙0 𝑙3
𝜆3 𝑙0 + 𝑙1 𝑙0 𝑙2 + 𝑙3 0
2 = 𝑎1 𝑎2 (6.3)
𝜆
1
𝜆 𝑏1
[𝜆0 ] [ 𝑑1 ]
Dimana :
(𝑙0 + 𝑙1 )(𝑙0 𝑙3 )
𝑎2 = = 𝑙0 𝑙3
𝑙0 +𝑙1
𝑙1 (𝑙0 2 + 𝑙0 𝑙1 + 𝑙2 ) − (𝑙0 + 𝑙1 )2 𝑙0 𝑙2
𝑏1 =
𝑙1 (𝑙0 2 + 𝑙0 𝑙1 + 𝑙2 )
𝑑1 = 𝑙0 𝑙3
Berdasarkan syarat dari matriks Routh dimana akan stabil apabila semua nilai pada
kolom pertama dari matriks bernilai positif. Jadi, titik kesetimbangan bebas penyakit
akan bersifat stabil bebas penyakit apabila 𝑙0 + 𝑙1 > 0, 𝑙0 𝑙3 > 0 dan jika
memenuhi 𝑅0 < 1.
𝑎1 𝑏1 𝑐1 𝑑1
𝑎 𝑏2 𝑐2 𝑑2
[ 2 ]
0 𝑏3 𝑐3 0
0 0 𝑐4 𝑑4
𝑃∗ (𝜆) = 𝜆4 − 𝑏2 𝜆3 − 𝑐3 𝜆3 − 𝑎1 𝜆3 − 𝑑4 𝜆3 + 𝑎1 𝑏2 𝜆2 − 𝑎1 𝑐2 𝜆2 + 𝑎1 𝑑4 𝜆2 + 𝑏2 𝑐3 𝜆2
− 𝑏3 𝑐2 𝜆2 + 𝑏2 𝑑4 𝜆2 + 𝑐2 𝑑4 𝜆2 + 𝑎1 𝑏2 𝑐3 𝑑4 − 𝑎1 𝑏3 𝑐2 𝑑4 + 𝑎1 𝑏3 𝑐3 𝑑2
− 𝑎2 𝑏1 𝑐3 𝑑4 − 𝑎2 𝑏3 𝑐4 𝑑1 − 𝑎1 𝑏2 𝑐3 𝜆 − 𝑎1 𝑏3 𝑐2 𝜆 + 𝑎2 𝑏1 𝑐3 𝜆 − 𝑎2 𝑏3 𝑐1 𝜆
− 𝑎1 𝑏2 𝑑4 𝜆 + 𝑎2 𝑏1 𝑑4 𝜆 − 𝑎1 𝑐3 𝑑4 𝜆 − 𝑏2 𝑐3 𝑑4 𝜆 + 𝑏3 𝑐2 𝑑4 𝜆 − 𝑏3 𝑐4 𝑑2 𝜆
= 𝜆4 − (𝑏2 + 𝑐3 + 𝑎1 )𝜆3
+ (−𝑎2 𝑏1 + 𝑎1 𝑏2 + 𝑎1 𝑐3 + 𝑎1 𝑑4 + 𝑏2 𝑐3 − 𝑏3 𝑐2
+ 𝑏2 𝑑4 +𝑐3 𝑑4 )𝜆2
+ (−𝑎1 𝑏2 𝑐3 +𝑎1 𝑏3 𝑐2 + 𝑎2 𝑏1 𝑐3 − 𝑎2 𝑏3 𝑐1 + 𝑎1 𝑏2 𝑑4 + 𝑎2 𝑏1 𝑑4
− 𝑎1 𝑐3 𝑑4 − 𝑏2 𝑐3 𝑑4 + 𝑏3 𝑐2 𝑑4 − 𝑏3 𝑐4 𝑑4 )𝜆 + 𝑎1 𝑏2 𝑐3 𝑑4
− 𝑎1 𝑏3 𝑐2 𝑑4 + 𝑎1 𝑏3 𝑐4 𝑑2 − 𝑎2 𝑏1 𝑐3 𝑑4 + 𝑎2 𝑏3 𝑐4 𝑑1 − 𝑎2 𝑏3 𝑐4 𝑑1
Misalkan :
𝑙1 = 𝑏2 + 𝑐3 + 𝑎1
𝑙2 = −𝑎2 𝑏1 + 𝑎1 𝑏2 + 𝑎1 𝑐3 + 𝑎1 𝑑4 + 𝑏2 𝑐3 − 𝑏3 𝑐2 + 𝑏2 𝑑4 +𝑐3 𝑑4
𝑙3 = −𝑎1 𝑏2 𝑐3 +𝑎1 𝑏3 𝑐2 + 𝑎2 𝑏1 𝑐3 − 𝑎2 𝑏3 𝑐1 + 𝑎1 𝑏2 𝑑4 + 𝑎2 𝑏1 𝑑4 − 𝑎1 𝑐3 𝑑4
− 𝑏2 𝑐3 𝑑4 + 𝑏3 𝑐2 𝑑4 − 𝑏3 𝑐4 𝑑4
𝑙4 = 𝑎1 𝑏2 𝑐3 𝑑4 − 𝑎1 𝑏3 𝑐2 𝑑4 + 𝑎1 𝑏3 𝑐4 𝑑2 − 𝑎2 𝑏1 𝑐3 𝑑4 + 𝑎2 𝑏3 𝑐4 𝑑1 − 𝑎2 𝑏3 𝑐4 𝑑1
𝜆4 + 𝑙1 𝜆3 + 𝑙2 𝜆2 + 𝑙3 𝜆 + 𝑙4 (6.5)
Titik kesetimbangan endemik akan stabil jika dan hanya jika 𝑅0 > 1 dan juga
apabila nilai eigen dari akar-akar bagian real dari persamaan karakteristiknya
bernilai negatif. Matriks Routh digunakan untuk mengetahui kestabilan tersebut
yaitu :
𝜆4 1 𝑙2 𝑙4
3 𝑙1 𝑙3 0
𝜆
𝜆2 = 𝑚1 𝑚2
𝜆1 𝑛1
[𝜆 ] [ 𝑒1
0 ]
Dengan :
𝑙1 𝑙2 − 𝑙0 𝑙3 𝑙1 𝑙2 − 𝑙3
𝑚1 = =
𝑙1 𝑙1
𝑚2 = 𝑙 4
𝑙3 (𝑙1 𝑙2 − 𝑙3 ) − 𝑙1 2 𝑙4
𝑛1 =
𝑙1 𝑙2 − 𝑙3
𝑝1 = 𝑙4
Dengan demikian titik kesetimbangan endemik akan stabil apabila 𝑅0 > 1 dan
memenuhi tiga kondisi berikut :
1. 𝑙1 , 𝑙2 , 𝑙3 , 𝑙4 > 0
2. 𝑙1 𝑙2 − 𝑙3 > 0
3. 𝑙3 (𝑙1 𝑙2 − 𝑙3 ) − 𝑙1 2 𝑙4 > 0
2. Keterkontrolan
Apabila diperkenalkan suatu pengontrol yaitu pengaruh terapi untuk menghalangi
tingkat penyebaran infeksi virus Hepatitis B. Pengontrol ini berlaku sebagi suatu matriks
input dari model yang dibahas pada tugas kali ini. Misalkan 𝜂 merupakan tingkat
individu yang tidak terinfeksi akibat melakukan terapi, maka bentuk state space-nya
setelah mensubstitusikan nilai parameter awlanya menjadi
a) Untuk model bebas penyakit, dengan 𝜂 = 0.1
−0.1497 −0.0455 −0.3116 −0.1797 0.1
0 −6.0143 0.2661 0.1342 0.1
𝑋̇ = [ ] 𝑋 + [ ] 𝑢(𝑡)
0 6 −4.0143 0 0
0 0 0.4 −0.0393 0
Akan diselidiki apakah sistem yang terbentuk merupakan sistem yang terkontrol
ataupun tidak. Suatu sistem disebut terkontrol apabila dapat dibentuk matriks
keterkontrolannya, 𝑀𝐶 , dimana 𝑟𝑎𝑛𝑘(𝑀𝐶 ) = 𝑛 = dim(𝐴). Karena dim(𝐴) = 4,
maka matriks keterkontrolan dari sistem yang diberikan adalah
𝑀𝐶 = [𝐵 𝐴𝐵 𝐴𝐵 2 𝐴𝐵 3 ]
0.1 −0.0195 −0.1567 1.6834
0.1 −0.6014 3.7768 −24.2840
=[ ]
0 0.6 −6.0172 46.8157
0 0 0.2400 −2.4163
Jelas bahwa 𝑟𝑎𝑛𝑘(𝑀𝐶 ) = 4 = dim(𝐴), hal ini dibuktikan dengan tiap vektor
kolomnya saling bebas linear, sehingga dapat disimpulkan bahwa sistemnya
terkontrol.
b) Untuk model endemik penyakit, misalkan 𝜂 = 0.1 maka diperoleh
−0.0712 −0.0455 −0.7042 −0.3760 0.1
−0.0785 −6.0143 0.6587 0.3305 0.1
𝑋̇ = [ ] 𝑋 + [ ] 𝑢(𝑡)
0 6 −4.0143 0 0
0 0 0.4 −0.0393 0
Akan diselidiki sifat keterkontrolan dari sistem yang diberikan, akan dibentuk
matriks keterkontrolannya yaitu
0.1 −0.0117 −0.3940 4.0235
0.1 −0.6093 4.0605 −28.3055
𝑀𝐶 = [ ]
0 0.6 −6.0643 48.7069
0 0 0.24 −2.4351
Karena vektor-vektor kolom dari 𝑀𝐶 saling bebas linear, maka jelas bahwa
𝑟𝑎𝑛𝑘(𝑀𝐶 ) = 4, sehingga dapat dikatakan bahwa sistemnya terkontrol.
3. Keteramatan
Suatu sistem dikatakan teramati apabila terdapat matriks keteramatan 𝑀𝑂 =
[𝐶 𝐶𝐴 𝐶𝐴2 𝐶𝐴3 … 𝐶𝐴𝑛−1 ]𝑇 dan mempunyai 𝑟𝑎𝑛𝑘(𝑀𝑜 ) = dim(𝐴) = 𝑛.
Karena didapatkan dua titik kesetimbangan dari sistem, maka akan dibentuk matriks
keteramatan 𝑀𝑜 untuk masing-masing titik kesetimbangan
a) Titik Kesetimbangan Bebas Penyakit
Akan dibentuk matriks keteramatan 𝑀𝑜 untuk titik kesetimbangan bebas penyakit
𝜇𝜔+𝛿
yaitu 𝑇1 = (𝑥0 , 0,0,0) dimana 𝑥0 = (1−𝜔)𝑝+𝛿+𝜇. Diketahui bahwa:
𝐶 1 0 0 0
𝐶𝐴 −0.1497 −0.0455 −0.3116 −0.1797
𝑀𝑜 = [ 2 ] = [ ]
𝐶𝐴 0.0224 −1.5893 1.2135 0.0279
3 −0.0034 16.8386 −5.2901 −0.2184
𝐶𝐴
∗
((1 − 𝜔)𝑝 + 𝛿 + 𝜇)𝑥 ∗ − (𝜇𝜔 + 𝛿)
𝑦 = 𝛼𝑞𝑟 𝑟 +𝜇 𝑞𝑟 𝜇𝜔𝜀𝑞𝑟
−𝛽𝑥 ∗ (1 + 𝑟 + 1𝜇 ) − 𝛿 ( 1 𝜎 + 1 + 𝑟 +1 𝜇 ) − 𝑟 + 𝜇1
2 2 2
(𝑟1 + 𝜇)
𝑒∗ = 𝑦∗
𝜎
𝑞𝑟1
𝑐∗ = 𝑦∗
(𝑟2 + 𝜇)
Diketahui bahwa:
−𝛽(𝑦∗ + 𝛼𝑐∗ ) − ((1 − 𝜔)𝑝 + 𝛿) − 𝜇 −𝛿 −(𝛽𝑥∗ + 𝛿) −(𝜇𝜔𝜀 + 𝛽𝛼𝑥∗ + 𝛿)
𝛽(𝑦∗ + 𝛼𝑐∗ ) −𝜎 − 𝜇 𝛽𝑥∗ 𝛽𝛼𝑥∗ + 𝜇𝜔𝜀
𝐴=[ ]
0 𝜎 −𝑟1 − 𝜇 0
0 0 𝑞𝑟1 −𝑟2 − 𝜇
dengan dim(𝐴) = 𝑛 = 4 dan 𝐶 = [1 0 0 0]
𝐶 1 0 0 0
𝐶𝐴 −0.0712 −0.0455 −0.7042 −0.3760
𝑀𝑜 = [ 2 ] = [ ]
𝐶𝐴 0.0086 −3.9486 2.6967 −0.0265
3 0.3093 39.9280 −13.4220 −1.3094
𝐶𝐴
Untuk mendapatkan sistem 𝑥̇ (𝑡) = (𝐴 + 𝐵𝐹)𝑥(𝑡) yang stabil dan terkontrol, maka akan
dicari matriks F sedemikian hingga semua nilai karakteristik 𝜆 dari matriks 𝐴 + 𝐵𝐹 adalah
harus 𝑅𝑒(𝜆) < 0 dan det[𝜆𝐼 − (𝐴 + 𝐵𝐹)] = 𝑝(𝜆) dimana 𝑝(𝜆) = 𝜆𝑛 + 𝑝1 𝜆𝑛−1 +
𝑝2 𝜆𝑛−2 + ⋯ + 𝑝𝑛 .
Dari perhitungan sebelumnya telah diperoleh model linear sistem bebas penyakit, yaitu
Jika diinginkan nilai eigen 𝜆 nya adalah -1, -2, -3, dan -4, maka didapat:
𝑓1 = 59.5715
𝑓2 = −167.1566
𝑓3 = 18.2935
𝑓4 = −665.4101
Jika diinginkan nilai eigen 𝜆 nya adalah -1, -2, -3, dan -4, maka didapat:
Dari persamaan (𝑖), (𝑖𝑖), (𝑖𝑖𝑖), dan (𝑖𝑣) diperoleh penyelesaiannya yaitu
𝑓1 = 256.5
𝑓2 = −255.1
𝑓3 = −279.3
𝑓4 = −1896.5
Maka matriks F adalah 𝐹 = [256.5 −255.1 −279.3 −1896.5]
Sehingga sistemnya menjadi:
𝑥̇ (𝑡) = (𝐴 + 𝐵𝐹)𝑥(𝑡)
3.7 Observer
Akan dikonstruksikan suatu pengamat (observer) yang memiliki bentuk
𝑥̂̇(𝑡) = 𝐴𝑥̂(𝑡) + 𝐵𝑢(𝑡) + 𝐾(𝑦(𝑡) − 𝑦̂(𝑡))
dimana 𝑦̂(𝑡) = 𝐶𝑥̂(𝑡), dengan kata lain akan dicari matriks K, sedemikian hingga agar error
dari observernya mendekati atau kovergen ke nol, maka matriks (𝐴 − 𝐾𝐶) harus stabil
asimtotik (𝜆 < 0).
Dari perhitungan sebelumnya telah diperoleh model linear sistem bebas penyakit, yaitu
0.1497 0.0455 0.3118 0.1797
0 6.0143 0.2663 0.1343
X X
0 6 4.0143 0
0 0 0.4 0.0393
𝑦(𝑡) = [1 0 0 0]𝑋
Misalkan 𝐾 = [𝑘1 𝑘2 𝑘3 𝑘4 ]𝑇 , maka diperoleh bahwa
−0.1497 −0.0455 −0.3118 −0.1797 𝑘1
0 −6.0143 0.2663 0.1343 𝑘
𝐴 − 𝐾𝐶 = [ ] − [ 2 ] [1 0 0 0]
0 6 −4.0143 0 𝑘3
0 0 0.4 −0.0393 𝑘4
−0.1497 − 𝑘1 −0.0455 −0.3118 −0.1797
−𝑘2 −6.0143 0.2663 0.1343
=[ ]
−𝑘3 6 −4.0143 0
−𝑘4 0 0.4 −0.0393
Sedemikian hingga,
𝜆 + 𝑘1 + 0.1497 0.0455 0.3118 0.1797
𝑘2 𝜆 + 6.0143 −0.2663 −0.1343
det(𝜆𝐼 − (𝐴 − 𝐾𝐶) = | |
𝑘3 −6 𝜆 + 4.0143 0
𝑘4 0 −0.4 𝜆 + 0.0393
𝑑𝑒𝑡(𝜆𝐼 − (𝐴 − 𝐾𝐶) = 𝜆4 + (𝑘1 + 10.217607402597402)𝜆3 + (10.067857142857143𝑘1
−0.045454545454545𝑘2 − 0.311759545454545𝑘3
−0.179749902597403𝑘4 + 24.446774359925790)𝜆2
+(22.939210816326533𝑘1 − 2.054810519480520𝑘2
−1.971263410714286𝑘3 − 1.808739071892393𝑘4
+3.998320041121123)𝜆 + (0.563396655247813𝑘1
−0.512054312152133𝑘2 − 0.509005332606679𝑘3
+4.328214816074741𝑘4 + 0.084363161493601)
Misalkan diinginkan pole-pole dari (𝐴 − 𝐾𝐶) adalah −0.5, −1, −1 + 𝑖, dan −1 − 𝑖, hal ini
berarti bahwa
𝑑𝑒𝑡(𝜆𝐼 − (𝐴 − 𝐾𝐶)) = (𝜆 + 0.5)(𝜆 + 1)(𝜆 + 1 − 𝑖)(𝜆 + 1 + 𝑖)
= 𝜆4 + 3.5𝜆3 + 5.5𝜆2 + 4𝜆 + 1
Dengan demikian diperoleh bahwa,
𝑘1 + 10.217597402597402 = 3.5 ⟹ 𝑘1 = −6.717597402597402
10.067857142857143𝑘1 − 0.045454545454545𝑘2 − 0.311759545454545𝑘3
− 0.179749902597403𝑘4 + 24.446774359925790 = 5.5
−0.045454545454545𝑘2 − 0.311759545454545𝑘3 − 0.179749902597403𝑘4
= 48.685036632653059 (∗)
22.939210816326533𝑘1 − 2.054810519480520𝑘2 − 1.971263410714286𝑘3
− 1.808739071892393𝑘4 + 3.998320041121123 = 4
− 2.054810519480520𝑘2 − 1.971263410714286𝑘3 − 1.808739071892393𝑘4
= 154.0980629562682 (∗∗)
0.563396655247813𝑘1 − 0.512054312152133𝑘2 − 0.509005332606679𝑘3
+ 4.328214816074741𝑘4 + 0.084363161493601 = 1
−0.512054312152133𝑘2 − 0.509005332606679𝑘3 + 4.328214816074741𝑘4
= 4.700308746431172 (∗∗∗)
Dari persamaan (∗), (∗∗), dan (∗∗∗), dengan bantuan MATLAB diperoleh penyelesaian
𝑘2 = 0.899008546742930
𝑘3 = −1.648503686627838
𝑘4 = −0.076648893580230
Jadi diperoleh bentuk observer dari model linear sistem bebas penyakit adalah
−0.1497 −0.0455 −0.3118 −0.1797 0.1
0 −6.0143 0.2663 0.1343 0.1
𝑥̂̇(𝑡) = [ ] 𝑥̂(𝑡) + [ ] 𝑢(𝑡)
0 6 −4.0143 0 0
0 0 0.4 −0.0393 0
−6.717597402597402
0.899008546742930
+[ ] (𝑦(𝑡) − [1 0 0 0]𝑥̂(𝑡))
−1.648503686627838
−0.076648893580230
Sedangkan untuk model linear sistem endemik penyakit, diperoleh bahwa sistemnya
berbentuk
−0.0712 −0.0455 −0.7042 −0.3760
𝑋̇ = [ −0.0785 −6.0143 0.6587 0.3305 ] 𝑋
0 6 −4.0143 0
0 0 0.4 −0.0393
𝑦(𝑡) = [1 0 0 0]𝑋
Akan dikonstruksikan matriks 𝐾, misalkan 𝐾 = [𝑘1 𝑘2 𝑘3 𝑘4 ]𝑇 , maka diperoleh
bahwa
−0.0712 − 𝑘1 −0.0455 −0.7042 −0.3760
−0.0785 − 𝑘2 −6.0143 0.6587 0.3305
𝐴 − 𝐾𝐶 = [ ]
−𝑘3 6 −4.0143 0
−𝑘4 0 0.4 −0.0393
Sehingga,
𝜆 + 0.0712 + 𝑘1 0.0455 0.7042 0.3760
0.0785 + 𝑘2 𝜆 + 6.0143 −0.6587 −0.3305
det(𝜆𝐼 − (𝐴 − 𝐾𝐶)) = | |
𝑘3 −6 𝜆 + 4.0143 0
𝑘4 0 −0.4 𝜆 + 0.0393
det(𝜆𝐼 − (𝐴 − 𝐾𝐶)) = 𝜆4 + (𝑘1 + 10.139118333937578)𝜆3 + (10.067857142857143𝑘1
−0.045454545454545𝑘2 − 0.704175126224167𝑘3
−0.375957692982213𝑘4 + 21.298597592942841)𝜆2
+(20.584717331708806𝑘1 − 4.409304004098246𝑘2
−4.443099346594617𝑘3 − 3.785341448535219𝑘4
+1.120853403431979)𝜆 + (1.368124920123941 × 10−16 𝑘1
−1.075450967399947𝑘2 − 1.078011564941375𝑘3
−9.047561847860013𝑘4 − 0.084400390310855)
Misalkan diinginkan pole-pole dari (𝐴 − 𝐾𝐶) adalah −0.5, −1, −1 + 𝑖, dan −1 − 𝑖, hal ini
berarti bahwa
𝑑𝑒𝑡(𝜆𝐼 − (𝐴 − 𝐾𝐶) = (𝜆 + 0.5)(𝜆 + 1)(𝜆 + 1 − 𝑖)(𝜆 + 1 + 𝑖)
= 𝜆4 + 3.5𝜆3 + 5.5𝜆2 + 4𝜆 + 1
Sehingga diperoleh bahwa,
𝑘1 + 10.139118333937578 = 3.5 ⟹ 𝑘1 = −6.639118333937578
10.067857142857143𝑘1 − 0.045454545454545𝑘2 − 0.704175126224167𝑘3
− 0.375957692982213𝑘4 + 21.298597592942841 = 5.5
−0.045454545454545𝑘2 − 0.704175126224167𝑘3 − 0.375957692982213𝑘4
= 51.043097347664414 (𝑖)
20.584717331708806𝑘1 − 4.409304004098246𝑘2 − 4.443099346594617𝑘3
− 3.785341448535219𝑘4 + 1.120853403431979 = 4
−4.409304004098246𝑘2 − 4.443099346594617𝑘3 − 3.785341448535219𝑘4
= 139.5435208324386 (𝑖𝑖)
1.368124920123941 × 10−16 𝑘1 − 1.075450967399947𝑘2 − 1.078011564941375𝑘3
− 9.047561847860013𝑘4 − 0.084400390310855 = 1
−1.075450967399947𝑘2 − 1.078011564941375𝑘3 − 9.047561847860013𝑘4
= 1.084400390310856 (𝑖𝑖𝑖)
Dari persamaan (𝑖), (𝑖𝑖), dan (𝑖𝑖𝑖), maka dapat diperoleh penyelesaiannya yaitu
𝑘2 = 42.902459316677110
𝑘3 = −77.392236025978804
𝑘4 = 4.001722708861413
Dengan demikian diperoleh bentuk observer dari model linear sistem endemik penyakit
adalah
−0.0712 −0.0455 −0.7042 −0.3760 0.1
−0.0785 −6.0143 0.6587 0.3305 𝑥̂(𝑡) + 0.1 𝑢(𝑡)
𝑥̂̇(𝑡) = [ ] [ ]
0 6 −4.0143 0 0
0 0 0.4 −0.0393 0
−6.639118333937578
42.902459316677110
+[ ] (𝑦(𝑡) − [1 0 0 0]𝑥̂(𝑡))
−77.392236025978804
4.001722708861413
3.8 Simulasi
Simulasi dilakukan dengan nilai awal parameter yang diberikan pada table berikut:
Parameter 𝛽 𝜎 𝑟1 𝑟2 𝜇 𝜀 𝑝 𝛼 𝜔 𝑞 𝛿
Nilai 0.85 6 4 0.025 1/70 0.8 0.1 0.5 0.1 0.1 1/22
Terlihat dari hasil simulasi individu tingkat Suspectible dengan melihat grafik diatas, jelas
bahwa apabila proporsi individu suspectible yang tervaksinasi kecil atau vaksinasi hanya
dilakukan dalam skala kecil. Maka jumlah individu Suspectible akan meningkat, hal ini
berakibat pula pada tingkat individu Exposed dan Infection Acute yang disajikan dalam
grafik berikut
Jelas bahwa jumlah individu exposed dan infection acute lebih tinggi apabila vaksinasi
dilakukan dalam skala kecil.
Sedangkan apabila nilai 𝑝 diperbesar maka jumlah individu yang sehat atau sembuh
(Recover) akan meningkat mendekati angka 1 dimana menujukkan dalam populasi tersebut
hamper semuanya sehat atau menimbulkan kondisi bebas penyakit.
BAB IV
PENUTUP
4.1 Kesimpulan
Dari Model SEICR penyebaran HBV mempunyai dua titik kesetimbangan yaitu titik
kesetimbangan bebas penyakit dan titik kesetimbangan endemik virus, titik kesetimbangan
bebas penyakit stabil jika rasio reproduksi dasar 𝑅0 < 1 dan titik kesetimbangan endemik
virus stabil pada saat rasio reproduksi dasar 𝑅0 > 1. Didapatkan pula dengan adanya suatu
variabel pengontrol yang digunakan sebagai matriks input pada sistem, maka didapati
bahwa sistem yang ada merupakan sistem terkontrol. Sistem yang tersedia juga merupakan
sistem yang teramati. Feedback Controller dan juga Observer dari sistem juga dapat
dibentuk sehingga menyebabkan sistemnya teramati dan stabil. Selain itu, dari simulasi
infeksi HBV di Salatiga, diperoleh hasil bahwa untuk mengendalikan infeksi HBV di
Salatiga langkah pertama adalah meningkatkan laju pengobatan. Hal ini dilakukan dengan
memberikan vaksin kepada setiap individu yang rentan terinfeksi dan memberikan
pengobatan kepada penderita Hepatitis B. Keefektivitasan pengobatan sangat berpengaruh
terhadap penyebaran HBV kepada individu yang rentan terinfeksi.
4.2 Saran
Setelah membahas aplikasi pemodelan penyebaran penyakit Hepatitis B dengan
menggunakan model SEICR, penggunaan variabel kontrol berupa terapi untuk
mengahalangi penambahan tingkat penyebaran virus Hepatitis B, yang dalam modelnya
difungsikan sebagai matriks input perlu dikaji ulang. Sebaiknya variabel kontrol tersebut
dapat di ikut sertakan juga kedalam persamaan diferensial atau model SEICR nya.
DAFTAR PUSTAKA
[1] Ahmad, N., & Kusnanto, H. (2017). Prevalensi infeksi virus Hepatitis B pada bayi dan anak
yang dilahirkan ibu dengan HBsAg positif. Journal of Community Medicine and Public
Health, 33, 515–520.
[2] Anggriani, N., Supriatna, A., Subartini, B., & Wulantini, R. (2015). Kontrol Optimum pada
Model Epidemik SIR dengan Pengaruh Vaksinasi dan Faktor Imigrasi. Jurnal Matematika
Integratif, 11(2), 111–118.
[3] Blass, A. (1978).Bulettin of The American Mathematical Society. American Mathematical
Society, 84, 41–47. Dontwi, I. K., Frempong, N. K., Bentil, D. E., & Adetunde, I. 2010.
Mathematical modeling of Hepatitis C Virus transmission among injecting drug users and
the impact of vaccination. 1–6.
[4] Driessche, P. Van Den, & Watmough, J. (2002).Reproduction numbers and subthreshold
endemic equilibria for compartmental models of disease transmission. 180, 29–48.
[5] Finizio, N., & Ladas, G. (1971).An Introduction to Differential Equations. In The
Mathematical Gazette (Vol. 55). https://doi.org/10.2307/3613341 Giesecke, J. (2017).
Modern Infectious Diseaase Epidemiology. Third Edition. New York: CRC Press.
[6] Kamyad, A. V., Akbari, R., Heydari, A. A., & Heydari, A. (2014). Mathematical Modeling
of Transmission Dynamics and Optimal Control of Vaccination and Treatment for
Hepatitis B Virus. 2014, 80–90.
[7] Khan, T., Ullah, Z., Ali, N., & Zaman, G. (2019). Modeling and control of the hepatitis B
virus spreading using an epidemic model. Chaos, Solitons and Fractals. 124, 1–9.
https://doi.org/10.1016/j.chaos.2019.04.033
[8] Liang, P., Zu, J., & Zhuang, G. (2018). A Literature Review of Mathematical Models of
Hepatitis B Virus Transmission Applied to Immunization Strategies From 1994 to 2015.
28(76), 221–229.
[9] Martin, N. K., Vickerman, P., & Hickman, M. (2011). Mathematical modelling of hepatitis
C treatment for injecting drug users. Journal of Theoretical Biology, 274(1), 58–66.
https://doi.org/10.1016/j.jtbi.2010.12.041
[10] Riwayanti, Gita Purnamasari. 2019. “Analisis Kestabilan Model Matematika SEICR pada
Penyebaran Hepatitis B dengan Pemberian Vaksinasi”. Fakultas Sains dan Teknologi.
Universitas Islam Negeri Sunan Ampel. Surabaya.
[11] Soebiono. 2016. “Sistem Linear dan Optimal Kontrol”. Version 2.2.1. Surabaya : Jurusan
Matematika. Institut Teknologi Sepuluh Nopember.
Lampiran: Source code program simulasi Model Matematika Penyebaran Virus Hepatitis B.
Program dibagi menjadi 2 bagian, yang pertama berupa pembuatan method/function lalu yang
kedua berfungsi untuk memanggil function yang telah dibuat sebelumnya.
Program 1
function [Ddv_Div] = DEdef_scriptfile(~,D)
% Inisialisasi Parameter
beta = 0.85;
sigma= 6;
r1=4;
r2=0.025;
mu=1/70;
epsilon=0.8;
p=0.1;
alpha=0.5;
omega=0.1;
q=0.1;
delta=1/22;
x=D(1);
e=D(2);
y=D(3);
c=D(4);
Ddv_Div = [mu*omega*(1-epsilon*c)-beta*x*(y+alpha*c)-(1-
omega)*p*x+delta*(1-(x+e+y+c))-mu*x;
beta*x*(y+alpha*c)+mu*omega*epsilon*c-sigma*e-mu*e;
sigma*e-r1*y-mu*y;
q*r1*y-r2*c-mu*c];
end
Program 2
% Simulasi Model Matematika SEICR pada Penyebaran Virus Hepatitis B
domain=[0 100]; % Waktu
IC1=0.493; % Nilai awal Suspectible
IC2=0.035; % Nilai awal Exposed
IC3=0.035; % Nilai awal Infection Acute
IC4=0.007; % Nilai awal Carrier
[IVsol, DVsol]=ode23('DEdef_scriptfile',domain,IC);