Electronic Theses and Dissertation

Penelitian ini bertujuan untuk memprediksi angka kejadian Tuberkulosis (TB) di Indonesia menggunakan model epidemiologi SVE3I3R yang dimodifikasi dengan penambahan Gaussian Noise. Model ini dirancang untuk menangani ketidakpastian dan variasi dalam data epidemiologis, memberikan prediksi yang lebih akurat dibandingkan model deterministik tradisional. Data yang digunakan mencakup informasi tentang populasi, tingkat penularan, tingkat pemulihan, serta resistensi obat. Metode pemodelan stokastik diterapkan menggunakan persamaan diferensial biasa (ODE), yang diselesaikan secara numerik dengan metode Runge-Kutta orde 4 (RK4). Hasil penelitian menunjukkan bahwa tingkat pemulihan dalam Infeksi Tuberkulosis Laten (LTBI) memiliki pengaruh signifikan terhadap pengurangan kasus TB. Namun, meskipun tingkat pemulihan meningkat, pengurangan tambahan pada individu yang terpapar menjadi semakin kecil. Penelitian ini mempertegas bahwa, tanpa intervensi yang lebih agresif dan komprehensif, target eliminasi TB pada tahun 2030, sebagaimana dicanangkan oleh SDG dan ditetapkan dalam Peraturan Presiden Nomor 67 Tahun 2021, tidak akan tercapai. Prediksi hasil pada tahun 2030 menunjukkan angka 320 kasus per 100.000 penduduk, jauh di atas target yang ditetapkan sebesar 65 kasus per 100.000 penduduk. Meskipun telah terjadi penurunan insiden TB secara bertahap dari tahun 2023 (387 kasus) hingga 2030 (320 kasus), angka tersebut masih jauh dari target eliminasi. Penambahan Gaussian Noise memungkinkan model ini menangkap fluktuasi yang lebih realistis dalam penyebaran penyakit, memberikan wawasan yang lebih mendalam mengenai dinamika epidemi TB di Indonesia. Penelitian ini diharapkan dapat mendukung kebijakan kesehatan yang lebih efektif dan responsif terhadap tantangan epidemi TB di Indonesia.

Kata kunci: tuberkulosis, model SVE3I3R, gaussian noise, epidemiologi, pemodelan stokastik, eliminasi TB.

This study aims to predict the incidence of Tuberculosis (TB) in Indonesia using the SVE3I3R epidemiological model modified with the addition of Gaussian Noise. This model addresses the uncertainty and variability in epidemiological data, providing more accurate predictions compared to traditional deterministic models. The data include population information, transmission rates, recovery rates, and drug resistance. Stochastic modeling is applied using Ordinary Differential Equations (ODE), solved numerically with the fourth-order Runge-Kutta (RK4) method. The results show that the recovery rate in Latent Tuberculosis Infection (LTBI) significantly impacts the reduction of TB cases. However, even with increased recovery rates, the incremental reduction in exposed individuals becomes progressively smaller. This study emphasizes that, without more aggressive and comprehensive interventions, the target of eliminating TB by 2030, as set by the SDG and specified in Presidential Regulation No. 67 of 2021, will not be achieved. Predictions for 2030 show 320 cases per 100,000 population, far above the target of 65 cases per 100,000 population. Although there has been a gradual decrease in TB incidence from 387 cases in 2023 to 320 cases in 2030, the numbers are still far from the elimination target. The addition of Gaussian Noise allows the model to capture more realistic fluctuations in disease spread, providing deeper insights into the dynamics of the TB epidemic in Indonesia. This research is expected to support more effective and responsive health policies to combat the TB epidemic in Indonesia. Keywords: tuberculosis, SVE3I3R model, gaussian noise, epidemiology, stochastic modeling, TB elimination.