Perjanjian No: III/LPPM/2018-01/31-P MODEL MATEMATIKA UNTUK DINAMIKA PENYEBARAN PEMILIH PADA PEMILIHAN UMUM PRESIDEN DI INDONESIA Disusun Oleh: Dr. Benny Yong, S.Si, M.Si Farah Kristiani, S.Si, M.Si Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Katolik Parahyangan 2018 Halaman 1 dari 21 DAFTAR ISI DAFTAR ISI ........................................................................................................................ 2 ABSTRAK............................................................................................................................ 3 BAB I. PENDAHULUAN .................................................................................................... 4 BAB II. TINJAUAN PUSTAKA .......................................................................................... 6 BAB III. METODE PENELITIAN ..................................................................................... 14 BAB IV. JADWAL PELAKSANAAN ............................................................................... 16 BAB V. HASIL DAN PEMBAHASAN .............................................................................. 17 BAB VI. KESIMPULAN .................................................................................................... 19 DAFTAR PUSTAKA ......................................................................................................... 20 Halaman 2 dari 21 ABSTRAK PEMILU (pemilihan umum) di Indonesia diadakan setiap lima tahun sekali. Pada PEMILU ini, warga negara Indonesia yang sudah memenuhi syarat dapat memilih seorang kandidat presiden dan wakil presiden. PEMILU langsung di Indonesia sudah dilakukan tiga kali, yang terakhir adalah pada tahun 2014. Dalam PEMILU langsung, kandidat presiden dan wakil presiden mempunyai peranan penting dalan memikat perhatian warga pemilihnya. Pemodelan matematika digunakan untuk menggambarkan perilaku dari suatu sistem. Model matematika telah digunakan dalam berbagai bidang seperti pada bidang teknik, kesehatan, fisika, kimia, biologi, dan masih banyak lagi. Model matematika dapat dimanfaatkan untuk perencanaan, evaluasi, optimasi, kontrol, dan prediksi sebagai suatu kajian dalam pengambilan keputusan bagi pemangku kebijakan. Penelitian ini akan membahas tentang model matematika untuk dinamika penyebaran pemilih pada pemilihan umum presiden di Indonesia. Model yang akan dibangun menggunakan pendekatan epidemiologi untuk melihat penyebaran pemilih di dalam populasi. Seperti halnya penyakit menular yang dapat menjangkit manusia dengan sangat cepat, maka kandidat presiden dan wakil presiden pun dapat mempromosikan dirinya melalui berbagai cara dengan dukungan partai politik untuk mendapatkan suara dari warga pemilihnya. Dinamika dari model akan melibatkan sistem persamaan diferensial dari tiga kelas pemilih; pemilih netral, pemilih yang condong pada seorang kandidat presiden dan wakil presiden tertentu, dan pemilih yang apatis/abstain. Model ini diharapkan dapat digunakan untuk memprediksi banyaknya pemilih dalam PEMILU di Indonesia. Kata-kata kunci: model epidemik, dinamika populasi, PEMILU di Indonesia Halaman 3 dari 21 BAB I. PENDAHULUAN Tahun 2014 merupakan tahun ketiga PEMILU langsung diadakan di Indonesia. PEMILU legislatif diadakan pada tanggal 9 April 2014 dan PEMILU presiden diadakan pada tanggal 9 Juli 2014. Pada PEMILU presiden 2014 ini diperoleh dua kandidat yang bersaing menjadi presiden Indonesia periode 2014-2019. Kedua pasangana kandidat presiden dan wakil presiden itu adalah Joko Widodo-Jusuf Kalla dan Prabowo Subianto-Hatta Rajasa. Pasangan Jokowi-Kalla didukung oleh lima partai politik antara lain Partai Demokrasi Indonesia Perjuangan (PDIP), Partai Nasional Demokrat (NASDEM), Partai Hati Nurani Rakyat (HANURA), Partai Kebangkitan Bangsa (PKB), dan Partai Kesatuan dan Persatuan Indonesia (PKPI). Sedangkan pasangan Prabowo-Hatta didukung oleh enam partai politik, yaitu Partai Gerakan Indonesia Raya (GERINDRA), Partai Keadilan Sosial (PKS), Partai Golongan Karya (GOLKAR), Partai Demokrat (PD), Partai Amanat Nasional (PAN), dan Partai Persatuan Pembangunan (PPP). Pemodelan matematika merupakan suatu cara memahami matematika melalui masalah dalam kehidupan sehari-hari yang direpresentasikan dalam suatu model matematika. Model matematika dapat dikaitkan dengan permasalahan di bidang teknik, ekonomi, politik, dan biologi. Model epidemik merupakan model matematika yang dikaitkan di dalam bidang biologi. Dengan beberapa asumsi dan hipotesis serta menggunakan data riil, dapat diformulasikan suatu model matematika. Model matematika ini dapat digunakan untuk memprediksi suatu masalah. Selama beberapa tahun, model-model matematika di dalam bidang epidemiologi dikembangkan dan digunakan secara luas untuk beberapa penyakit menular untuk melihat dinamika penyebaran populasi akibat penyakit menular itu, seperti untuk penyakit demam berdarah (Esteva dan Vargas, 1998), TBC (Feng dkk, 2000), malaria (Chitnis, 2005), flu (Chowell, 2005), HIV/AIDS (Cai dkk., 2009), dan MERS-CoV (Xia dkk., 2015). Beberapa model epidemik antara lain model Susceptible-Infected (SI), model Susceptible-InfectedRecovered (SIR), dan model Susceptible-Exposed-Infected-Recovered (SEIR). Susceptible adalah kelompok individu sehat yang rentan untuk terkena penyakit, Exposed adalah kelompok individu yang telah terinfeksi tetapi belum tampak gejalanya, Infected adalah kelompok individu yang terinfeksi dan dapat menularkan penyakit, dan Recovered adalah kelompok individu yang telah sembuh dari penyakitnya. Halaman 4 dari 21 Penelitian ini bertujuan untuk menghasilkan suatu model matematika untuk dinamika pemilih pada PEMILU di Indonesia dengan menggunakan pendekatan epidemiologi. Model matematika yang akan dibentuk menggunakan pendekatan ini didasari pada kesamaan karakteristik dari masalah yang dikerjakan dengan model epidemik. Solusi yang diperoleh dari model ini adalah banyaknya pemilih untuk kandidat presiden dan wakil presiden tersebut. Dari model ini, kandidat presiden dan wakil presiden beserta partai pendukungnya dapat menentukan strategi untuk meraih suara pemilih yang dapat berubah setiap saat. Hasil yang diharapkan dari penelitian ini adalah: 1. Pemodelan matematika, yaitu terbentuknya suatu model matematika baru dengan menggunakan pendekatan epidemiologi untuk melihat dinamika penyebaran pemilih dalam pemilihan umum presiden di Indonesia. 2. Aplikasi model dinamika penyebaran pemilih dengan menggunakan data PEMILU 2014 di Indonesia dan beberapa asumsi yang akan ditentukan. 3. Draft makalah yang akan didiseminasikan pada konferensi nasional dan internasional serta publikasi pada jurnal internasional. 4. Lain-lain: Makalah ilmiah dan terbentuknya subkelompok penelitian Matematika Biologi (BioMat) dalam kelompok keahlian Matematika Industri di Program Studi Matematika FTIS UNPAR Halaman 5 dari 21 BAB II. TINJAUAN PUSTAKA Pemodelan matematika adalah proses untuk membangun suatu model matematika untuk menggambarkan dinamika perubahan dari suatu sistem (Giordano dkk., 2008). Model matematika ini dapat diaplikasikan ke dalam berbagai bidang, salah satunya dalam bidang epidemiologi. Proses pemodelan dapat digambarkan seperti pada Gambar 2.1. Model Masalah penyederhanaan Matematika analisis verifikasi simulasi Prediksi Kesimpulan Gambar 2.1. Proses pemodelan (Brauer, 2009) Model epidemik yang paling umum adalah model SIR yang diperkenalkan oleh Kermack dan McKendrick pada tahun 1927 dan pertama kali digunakan untuk melihat dinamika penyebaran populasi akibat penyakit menular. Model ini memuat suatu sistem persamaan diferensial yang menggambarkan perubahan pada banyaknya individu yang sehat (Susceptible S), banyaknya individu yang terinfeksi penyakit menular (Infected I), dan banyaknya individu yang sembuh/dikarantina (Recovered/Removed R) dalam sebuah populasi (Brauer, 2008 dan Hethcote, 1994). Saat ini, model epidemik ini dikembangkan dan diperluas dengan tambahan kompartemen, seperti model epidemik SEIR yang pernah ditulis oleh Lekone dan Finkenstadt (2006) dan model SVIR oleh Liu dkk. (2008). Model SIR yang disajikan pada Gambar 2.2 melibatkan tiga kompartemen, S, I, dan R. Awalnya individu yang sehat terinfeksi oleh individu yang sakit, sehingga banyaknya populasi individu sehat akan menurun dan banyaknya populasi individu sakit (I) akan bertambah. Ketika individu yang sakit menjadi sembuh atau dikarantina, maka banyaknya Halaman 6 dari 21 populasi individu sembuh (R) menjadi bertambah. Parameter menyatakan laju kontak diantara individu sehat dan individu sakit, sedangkan parameter merupakan laju sembuh dari populasi individu sakit ke populasi individu sembuh yang bergantung pada durasi ratarata infeksi. S I R Gambar 2.2. Model SIR (Murray, 1993) Model SIR dituliskan menggunakan persamaan diferensial biasa yang merupakan model deterministik dengan waktu kontinu. Laju perubahan untuk setiap kompartemen bergantung pada waktu, dan ditulis sebagai berikut: ⎧ ⎪ =− = ⎨ ⎪ ⎩ − = Untuk total populasi konstan, jumlah semua laju perubahan terhadap waktu untuk tiga kompartemen itu adalah nol, + + =0 Perhatikan bahwa = − − = −1 + = −1 + Integralkan kedua ruas = −1 + ( ) = − ( ) + ln ( ) + ( )+ ( )− ln ( ) = = (0) + (0) − ln (0) Dengan cara serupa, =− = − Halaman 7 dari 21 = − ln| | = − + = × ( ) ( )= ( ) ( )= × ( ) ( ) > 0, ∀ Dari hasil di atas, dapat ditentukan solusi implisit dari model, karena kompartemen yang satu bergantung pada kompartemen yang lainnya. Selanjutnya, dari model tersebut dapat ditentukan titik kesetimbangan dan dianalisis kestabilannya. Diberikan sistem persamaan diferensial sebagai berikut: = ̇= ( , Titik ∗ , … ), ( , yang memenuhi ( ∗ ) = 0 disebut titik kesetimbangan dari sistem. Misalkan ̇ = ( , ) dan ̇ = ( , ) . Jika ( ∗ , ( ∗, ∗ ) = 0 dan ( ∗ , ∗ ̇= ̇= ( ∗ ) = 0. Misalkan + , ∗ ∗ ̇= ̇= ( + , = Karena ( ̇ , , = ∗ = ∗ − + ) = ( ∗, ∗ )+ + , , + ) = ( ∗, ∗ )+ + , , = ̇ ,…) ∈ ℝ + ( + ( ) adalah titik kesetimbangan, maka ∗ dan = − ∗ , + + ( , , ) + + ( , , ) ) ) ) → 0, persamaan tersebut dalam bentuk matriks dapat dituliskan sebagai . Matriks kesetimbangan ( ∗ , ∗) turunan dari fungsi di titik ( ∗, ∗) . Secara umum, jika ( ) = disebut matriks Jacobi pada titik ( ,…, ), … , ( ,…, ) , maka adalah Halaman 8 dari 21 ⎡ ⎢ ⎢ ( )=⎢ ⎢ ⎢ ⎢ ⎣ ( ) ( ) ( ) ( ) ⋮ ( ) ⋮ ( ) ( ) ⎤ ⎥ ( )⎥ ⎥ ⎥ ⋮ ⎥ ( )⎥ ⎦ … … ⋱ … Matriks ini disebut dengan matriks Jacobi dari fungsi di titik dengan ukuran × . Kestabilan dari suatu titik kesetimbangan menentukan apakah solusi model dekat dengan titik tersebut atau malah menjauh (LaSalle, 1976). Misalkan adalah matriks Jacobi dari sistem persamaan diferensial ̇ = ( ), ∈ ℝ Jenis kestabilan ditentukan berdasarkan tanda dari nilai eigen ( , = 1,2,3, … , ) yang diperoleh dari ( − ) = 0. Suatu titik kesetimbangan (0,0) disebut stabil jika kondisi awal yang mulanya dekat dengan titik kesetimbangan, tetap akan dekat dengan titik kesetimbangan itu. Titik kesetimbangan (0,0) disebut stabil asimtotik jika titik itu stabil ketika jangka waktu yang lama. Jika semua nilai eigennya negatif, maka solusi meluruh menuju nol secara eksponensial dan titik (0,0) tidak hanya stabil, tetapi juga stabil asimtotik. Jika terdapat nilai eigen nol dan nilai eigen lainnya negatif, maka titik (0,0) stabil tetapi tidak stabil asimtotik. Jika terdapat paling sedikit satu nilai eigen yang bertanda positif, maka titik (0,0) tidak stabil. Pada beberapa kasus dengan persamaan karakteristik berderajat lebih dari dua, kestabilan titik kesetimbangan tidak dapat diamati melalui tanda nilai eigen karena kompleksitas model sehingga tanda dari bagian riil nilai eigen tidak dapat ditentukan. Salah satu metode lain untuk menentukan kestabilan titik kesetimbangan adalah dengan menggunakan kriteria kestabilan Routh-Hurwitz (Murray, 1993). Perhatikan persamaan karakteristik: ( )= dengan koefisien > 0 dan ∈ ℝ, + + ⋯+ = 1,2, … , . Syarat perlu untuk kestabilan dipenuhi jika semua > 0 . Dengan demikian, asumsikan sebagai matriks persegi berukuran > 0 . Matriks Hurwitz didefinisikan yang berbentuk: Halaman 9 dari 21 ⎛ ⎜ ⎜⋮ 0 ⎝0 Diagonal minor utama ∆ , ⋮ 0 0 = 1,2, … , 0 0 ⋮ 0 0 ⋮ 0 0 … … … … … … 0 0 0 0 0 0 ⎞ 0 ⎟ 0 ⎟ 0 ⎠ dari matriks Hurwitz diberikan oleh 0 ∆ =| |, ∆ = ,∆ = = ⋮ 0 0 ⋮ 0 0 ,…,∆ 0 0 ⋮ 0 0 ⋮ 0 0 Akar-akar dari persamaan karakteristik ( ) = … … … … … … + 0 0 0 0 0 0 0 0 0 + ⋯+ mempunyai bagian riil negatif jika dan hanya jika semua diagonal minor uatama dari matriks Hurwitz bertanda positif, ∆ > 0, 1. = 1,2, … , . Sebagai contoh, jika = 2, polinom ( ) = hanya jika ∆ = + + > 0 dan ∆ = 0 , persamaan kuadrat harus positif, 2. mempunyai bagian riil negatif jika dan = 3, polinom ( ) = + jika dan hanya jika ∆ = = , > 0. Jadi, semua koefisien dari > 0. + + > 0, ∆ = mempunyai bagian riil negatif = − > 0 , dan ∆ = 0 = − > 0, jadi >0 . 0 , Jika semua = ( − )>0 . Karena − 0 , , > 0 dan Jadi, > kondisi kestabilan untuk = 3 adalah . − 1 minor utama dari matriks Hurwitz adalah positif dan minor ke-n adalah nol, ∆ = 0, maka sistem berada pada batas kestabilan. Jika ada koefisien negatif dari persamaan karakteristik itu, maka sistem tidak stabil. Pada makalah Efelin, P., Yong, B., dan Owen, L. (2016), telah dibahas model epidemik untuk penyakit SARS. Pada model tersebut ditinjau pengaruh vaksinasi dengan dua kondisi, yaitu Halaman 10 dari 21 pemberian vaksin sebelum terjadinya wabah SARS dalam suatu populasi dan pemberian vaksin selama terdapat penyakit SARS di dalam populasi itu. Model pertama yang digunakan melibatkan individu rentan, individu terinfeksi tapi belum bisa menularkan, individu yang diisolasi, individu terinfeksi yang sudah bisa menularkan dan belum terdiagnosa SARS, individu pulih, dan individu meninggal karena penyakit SARS. Model kedua menambahkan individu rentan yang telah divaksin. Kondisi ambang batas terjadinya wabah penyakit SARS dinyatakan oleh bilangan reproduksi dasar yang ditentukan dengan menggunakan matriks generasi. Pada makalah Georli, M.A., Owen, L., dan Yong, B. (2015), telah dibahas model epidemik SIR (Susceptible-Infected-Recovered) dengan laju insidensi yang tak linear dan adanya perawatan. Pada model ini, laju perawatan diasumsikan sebanding dengan banyaknya subpopulasi terinfeksi ketika banyaknya subpopulasi terinfeksi di bawah atau mencapai kapasitas dan akan bernilai konstan ketika banyaknya subpopulasi terinfeksi melebihi kapasitas. Perubahan titik kesetimbangan dan kestabilan pada model ini dilakukan melalui analisis trace dan determinan matriks Jacobi. Simulasi numerik dilakukan dengan mengambil nilai parameter yang berbeda-beda untuk melihat bifurkasi yang terjadi pada model ini. Hasil simulasi numerik menunjukkan eksistensi dari bifurkasi Saddle-Node. Pada makalah Octora, E., Yong, B., dan Owen, L. (2014), telah dipaparkan analisis mengenai model S-I untuk satu dan dua wilayah. Transportasi antar wilayah merupakan salah satu faktor yang mempengaruhi penyebaran penyakit. Penyebaran penyakit akan mengubah dinamika populasi pada setiap wilayah. Dalam makalah ini, dibentuk suatu model matematika penyebaran penyakit untuk satu dan dua wilayah yang bertujuan untuk melihat bagaimana perbedaan dinamika populasi pada satu wilayah dan di setiap wilayah yang diakibatkan oleh perpindahan populasi. Model matematika yang digunakan adalah model S-I (Susceptible-Infected). Untuk model dua wilayah, diasumsikan populasi terinfeksi pada kedua wilayah terisolasi sehingga perpindahan ke wilayah lain hanya terjadi dari populasi rentan. Dari model S-I satu dan dua wilayah ini telah dicari titik kritis dan sifat kestabilannya serta penyajian hasil simulasi numeriknya. Pada makalah Rachmiawati, M., Yong, B., dan Martin, I. (2013), kajian peluang untuk bilangan reproduksi dasar pada model epidemik SIR telah dibahas. Model SIR yang digunakan dalam makalah ini ada dua macam yaitu model SIR tanpa perawatan penyakit dan Halaman 11 dari 21 model SIR dengan perawatan penyakit. Dari kedua model SIR ini telah dicari titik kesetimbangan dan analisis kestabilan titik kesetimbangan, kemudian disimulasikan bilangan reproduksi dasar dengan menggunakan metode simulasi Monte Carlo. Hasil simulasi Monte Carlo memberikan gambaran tentang efek dari perubahan parameter pada model SIR untuk bilangan reproduksi dasar. Pada makalah Yong, B. (2007), telah dibahas model epidemik untuk penyebaran HIV dalam sistem penjara. Model epidemik yang digunakan adalah model SI. Hasil pembahasan menunjukkan bahwa pemberian terapi antiretroviral (ARV) dapat melambatkan pertumbuhan virus pada penderita HIV, walaupun tidak membunuh virus tersebut. Pada makalah Yong, B. dan Owen, L. (2016), telah dikaji model epidemik dari penyakit MERS-CoV pada dua wilayah. MERS-CoV pertama kali ditemukan di Arab Saudi dan berdasarkan laporan WHO (World Health Organization), sejak September 2012 sampai dengan 10 Juni 2015 telah ditemukan 1.257 kasus konfirmasi penyakit ini dengan 448 orang mengalami kematian (CFR (Case Fatality Rate): 35,64%). Penyakit ini berpotensi menyebar ke Indonesia mengingat jumlah jamaah umrah/haji asal Indonesia ke Arab Saudi meningkat setiap tahunnya. Pada makalah ini telah disajikan suatu model deterministik penyebaran penyakit menular MERS-CoV antar dua wilayah. Dari model yang dibentuk, diperoleh titik kesetimbangan dan bilangan reproduksi dasar. Bilangan reproduksi dasar diperoleh dengan menggunakan matriks generasi. Pencarian bilangan reproduksi dasar dilakukan untuk melihat parameter-parameter yang dapat dikontrol dan tidak dapat dikontrol. Kontrol paramater pada model penyebaran penyakit menular MERS-CoV diharapkan dapat mencegah penyebaran penyakit ini di Indonesia. Pada penelitian ini akan dibahas tentang model matematika untuk dinamika penyebaran pemilih pada PEMILU di Indonesia. Model yang akan dibuat akan menggunakan pendekatan epidemiologi. Dari model ini akan ditentukan solusinya dan akan dianalisis kestabilan dari titik kesetimbangannya. Kajian numerik akan dilakukan menggunakan beberapa perangkat lunak untuk mengkonfirmasi hasil analitiknya. Data PEMILU 2014 dan hasil survei sebelum PEMILU akan digunakan untuk menentukan kondisi nilai awal dan nilai parameter pada model. Solusi dari model ini akan dibandingkan dengan hasil riil PEMILU 2014. Halaman 12 dari 21 Berikut ini adalah peta dari penelitian yang telah dilakukan: Yong, B. (2007). Model Octora, E., Yong, B., Penyebaran HIV dalam dan Owen, L. (2014). Sistem Penjara. Jurnal Analisis MIPA: Matematika, Ilmu untuk Satu dan Dua Pengetahuan Alam, dan Wilayah, Prosiding Pengajarannya, Seminar Nasional 36(1), pp. 31-47. Model S-I Efelin, P., Yong, B., dan Owen, L. (2016). Model Penyebaran Penyakit SARS dengan Pengaruh Vaksinasi. Prosiding Seminar Nasional Matematika, 11, pp. 7785. Matematika, 9, pp. 100110. Model dinamika pemilih pada PEMILU di Indonesia Rachmiawati, M., Yong, B., dan Martin, I. (2013). Kajian Peluang untuk Bilangan Reproduksi Dasar pada Model SIR. Prosiding Seminar Nasional Matematika, 8, pp. 102110. Georli, M.A., Owen, L., dan Yong, B. (2015). Bifurkasi Saddle-Node pada Model SIR dengan Laju Insidensi yang Tak Linear dan Adanya Perawatan. Prosiding Seminar Nasional Matematika, 10, pp. 6474. Yong, B. dan Owen, L. (2016). Dynamical Transmission Model of MERS-CoV in Two Areas. AIP Conference Proceedings, 1716, http://dx.doi.org/10.1063 /1.4942993 Halaman 13 dari 21 BAB III. METODE PENELITIAN Metode penelitian yang digunakan dalam penelitian ini adalah diawali dari studi pustaka tentang model epidemik SIR yang menjadi model dasar dalam model epidemiologi. Tujuan utama dari penelitian ini adalah menentukan model matematika untuk dinamika penyebaran pemilih pada PEMILU di Indonesia agar kandidat presiden dan wakil presiden beserta partai politik yang mendukungnya dapat mengatur strategi dalam meningkatkan suara pemilihnya. Metodologi penelitian yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 3.1. Mulai Studi pustaka model epidemik, khususnya model SIR Pembentukan model dinamika pemilih Penetapan parameter dan kondisi nilai awal dari model Penentuan solusi model dinamika pemilih beserta analisis kestabilan Kesimpulan dan saran Kajian numerik dan analisis hasil Penelitian lebih lanjut Selesai Gambar 3.1. Metodologi penelitian Halaman 14 dari 21 Sistematika dari usulan penelitian ini dibagi menjadi beberapa tahap yaitu: Tahap 1: Studi pustaka model epidemik, khususnya model epidemik SIR dan aplikasinya di dalam berbagai bidang Tahap 2: Pembentukan model dinamika penyebaran pemilih dalam PEMILU di Indonesia Tahap 3: Penetapan nilai parameter dan kondisi nilai awal dari model dinamika penyebaran pemilih berdasarkan data PEMILU 2014 di Indonesia dan beberapa lembaga survei Tahap 4: Penentuan solusi model dinamika penyebaran pemilih dan analisis kestabilan Tahap 5: Kajian numerik dan analisis hasil Mulai tahap 4 dan 5 akan dilakukan diseminasi hasil-hasil yang diperoleh melalui seminar nasional ataupun seminar internasional. Adapun luaran penelitian yang direncanakan adalah sebagai berikut: Diperoleh solusi model dinamika penyebaran pemilih dalam PEMILU di Indonesia dengan menggunakan pendekatan model epidemik. Publikasi pada jurnal internasional. Dipresentasikan di seminar/konferensi tingkat nasional ataupun internasional. Proposal lanjutan. Proposal lanjutan ini merupakan penggunaan model lain untuk menentukan solusi dari model dinamika penyebaran pemilih dalam PEMILU di Indonesia dan membandingkan dengan model yang sudah dikerjakan, mana yang hasilnya lebih baik sesuai dengan hasil sebenarnya. Halaman 15 dari 21 BAB IV. JADWAL PELAKSANAAN Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November minggu minggu minggu minggu minggu minggu Minggu minggu minggu minggu minggu 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Kegiatan Studi Literatur Penyusunan Metode Penelitian Pembuatan Program Analisis Hasil dan Pembahasan Penyusunan Laporan Penelitian Keterangan: kebutuhan orang minggu dalam setiap aktivitas adalah 2 orang Halaman 16 dari 21 BAB V. HASIL DAN PEMBAHASAN Dinamika dari pemilih tokoh politik pada Gambar 1 dimodelkan menggunakan sistem persamaan diferensial yang terdiri dari tiga kelas pemilih; pemilih yang belum menentukan pilihan ( ) , pemilih yang condong pada suatu tokoh tertentu ( ) , dan pemilih yang netral/apatis ( ), dengan ( ) = ( ) + ( ) + ( ) dan ( ) adalah total pemilih konstan. Gambar 1. Model pemilih tokoh politik Secara matematika, model di atas dapat ditulis sebagai = − − , = − − , = − dengan daerah asal dari model adalah Ω = {( , , ) ∈ ℝ |0 < awal (0) > 0, (0) ≥ 0, dan + + ≤ } dan kondisi ≥ 0. Karema total pemilih adalah konstan, maka Tabel 1. Nilai awal dari model Variabel (1) berdasarkan data PEMILU 2014 di Indonesia. Nilai awal Prabowo-Hatta Nilai awal Jokowi-Kalla 113,272,270 (orang) 113,272,270 (orang) Pemilih tokoh tertentu 26,498,620 (orang) 46,839,110 (orang) Pemilih netral/apatis 46,839,110 (orang) 26,498,620 (orang) Pemilih yang belum Simbol = / . ada pilihan Halaman 17 dari 21 Nilai awal untuk model diberikan pada Tabel 1 dan nilai parameter untuk model pemilih disajikan pada Tabel 2 dan diasumsikan 1 tahun sama dengan 365 hari. Tabel 2. Nilai parameter dari model Parameter Nilai parameter Nilai parameter Prabowo-Hatta Jokowi-Kalla Laju kedewasaan 1/58 (per tahun) 1/58 (per tahun) Laju rekrutmen 3,217,413 (orang per tahun) 3,217,413 (orang per tahun) Laju transmisi 0.033883447 (per orang per 0.051897431 (per orang per tahun) tahun) {1/5, 1, 4} (per tahun) {1/5, 1, 4} (per tahun) Laju kebosanan Simbol berdasarkan data PEMILU 2014 di Indonesia. Hasil persentase pemilih dari model disajikan pada Tabel 3. Tabel 3. Persentase pemilih dari model Skenario untu ketiga skenario. Pemilih Pemilih Prabowo-Hatta Jokowi-Kalla = 0.2 11.67% 20.86% =1 5.26% 9.39% =4 0.26% 0.47% Halaman 18 dari 21 BAB VI. KESIMPULAN Penelitian ini menyajikan model deterministik untuk penyebaran pemilih pada PEMILU 2014 di Indonesia. Model dibentuk dengan menggunakan pendekatan model epidemiologi. Dari model diperoleh dua titik kesetimbangan, yaitu titik kesetimbangan yang tidak condong pada calon presiden tertentu (titik kesetimbangan pertama) dan titik kesetimbangan yang condong pada calon presiden tertentu (titik kesetimbangan kedua). Kestabilan dari titik kesetimbangan ini dipengaruhi oleh bilangan reproduksi dasar. Untuk bilangan reproduksi dasar kurang dari satu, titik kesetimbangan pertama akan stabil asimtotik lokal, sedangkan titik kesetimbangan kedua akan stabil asimtotik lokal jika bilangan reproduksi dasar lebih dari satu. Dari hasil simulasi numerik berdasarkan data PEMILU 2014, dapat dilihat bahwa untuk semua skenario laju kebosanan terhadap calon presiden, banyaknya pemilih untuk pasangan Jokowi-Kalla selalu lebih besar daripada pasangan Prabowo-Hatta. Dapat dilihat juga bahwa ketika laju kebosanan diantara populasi pemilih semakin tinggi, maka banyaknya pemilih yang condong ke calon presiden tertentu akan menurun semakin cepat. Halaman 19 dari 21 DAFTAR PUSTAKA [1] Brauer, F. (2008). Compartmental models in epidemiology, in Mathematical epidemiology, volume 1945 of Lecture Notes in Math, pp. 19-79, Berlin: Springer. [2] Brauer, F. (2009). Review: Mathematical epidemiology is not an oxymoron, BMC Public Health, 9(Suppl I):S2. [3] Cai, L., Li, X., Ghosh, M., dan Guo, B. (2009). Stability analysis of an HIV/AIDS epidemic model with treatment, Journal of Computational and Applied Mathematics, 229, pp. 313-323. [4] Chitnis, N. (2005). Using mathematical models in controlling the spread of malaria, Ph.D. thesis, Program in Applied Mathematics, University of Arizona, Tucson, AZ. [5] Chowell, G., Ammon, C.E., Hengartner, N.W., dan Hyman, J.M. (2005). Transmission dynamics of the great influenza pandemic of 1918 in Geneva, Switzerland: assessing the effects of hypothetical interventions, Journal of Theoretical Biology. [6] Efelin, P., Yong, B., dan Owen, L. (2016). Model Penyebaran Penyakit SARS dengan Pengaruh Vaksinasi. Prosiding Seminar Nasional Matematika, 11, pp. 77-85. [7] Esteva, L. dan Vargas, C. (1998). Analysis of a dengue disease transmission model. Mathematical Biosciences, 150, pp. 131-151. [8] Feng, Z., Castillo-Chavez, C. dan Capurro, A.F. (2000). A model for tuberculosis with exogenous reinfection, Theoretical Population Biology, 57, pp. 235-247. [9] Georli, M.A., Owen, L., dan Yong, B. (2015). Bifurkasi Saddle-Node pada Model SIR dengan Laju Insidensi yang Tak Linear dan Adanya Perawatan. Prosiding Seminar Nasional Matematika, 10, pp. 64-74. [10] Giordano, F.R., Fox, W.P., Horton, S.B., dan Weir, M.D. (2008). A first course in mathematical modeling (4th ed.), Brooks/Cole. [11] Hethcote, H.W. (1994). A thousand and one epidemic models, Frontiers in Theoretical Biology, 100, pp. 504-515. [12] LaSalle, J.P. (1976). The stability of dynamical systems, Regional Conference Series in Applied Mathematics, Philadelphia: SIAM. [13] Lekone, E.P. dan Finkenstadt, B.F. (2006). Statistical inference in a stochastic epidemic SEIR model with control intervention: ebola as a case stuy, Biometrics, 62, 1170-1177. [14] Liao, S.J. (2003). Beyond perturbation: introduction to the homotopy analysis method. Chapman and Hall/CRC Press: Boca Raton. [15] Liu, X., Takeuchi, Y. dan Iwami, S. (2008). SVIR epidemic models with vaccination strategies, Journal of Theoretical Biology, 253, pp. 1-11. [16] Liao, S.J. (2011). Homotopy analysis method in nonlinear differential equations. Springer. [17] Liao, S.J. (2004). On the homotopy analysis method for nonlinear problems. Applied Mathematics and Computation, 147(2), pp. 499-513. [18] Murray, J.D. (1993). Mathematical biology (2nd ed.), New York: Springer-Verlag. [19] Octora, E., Yong, B., dan Owen, L. (2014). Analisis Model S-I untuk Satu dan Dua Wilayah, Prosiding Seminar Nasional Matematika, 9, pp. 100-110. Halaman 20 dari 21 [20] Rachmiawati, M., Yong, B., dan Martin, I. (2013). Kajian Peluang untuk Bilangan Reproduksi Dasar pada Model SIR. Prosiding Seminar Nasional Matematika, 8, pp. 102110. [21] Xia, Z.Q, Zhang, J., Xue, Y.K., Sun, G.Q., & Jin, Z. (2015). Modeling the transmission of middle east respirator syndrome corona virus in the republic of Korea, PLoS ONE, 10(12). [22] Yong, B. (2007). Model Penyebaran HIV dalam Sistem Penjara. Jurnal MIPA: Matematika, Ilmu Pengetahuan Alam, dan Pengajarannya, 36(1), pp. 31-47. [23] Yong, B. dan Owen, L. (2016). Dynamical Transmission Model of MERS-CoV in Two Areas. AIP Conference Proceedings, 1716, http://dx.doi.org/10.1063/1.4942993 Halaman 21 dari 21