Tesis ini menyajikan pendekatan model ganda terhadap dinamika penularan dan pengendalian cacar monyet (Mpox), menekankan pengaruh yang berbeda dari permukaan terkontaminasi dan mobilitas manusia. Model pertama, "Kontrol Optimal dan Analisis Stabilitas Dinamika Penularan Cacar Monyet dengan Dampak Permukaan Terkontaminasi," menganalisis dinamika penularan Mpox dengan mempertimbangkan permukaan yang terkontaminasi. Model ini menghitung angka reproduksi dasar (R0) dan mengeksplorasi sifat stabilitas dari kedua keadaan keseimbangan bebas penyakit dan endemik. Sebuah bifurkasi maju teridentifikasi pada R0 = 1, menandai ambang kritis untuk penyebaran penyakit, tanpa bifurkasi mundur yang diamati. Analisis sensitivitas menyoroti parameter kunci, dan model ini direkonstruksi sebagai masalah kontrol optimal. Simulasi numerik menilai dampak langkah-langkah pengendalian, menekankan peran permukaan yang terkontaminasi dan memberikan strategi berbasis bukti untuk mitigasi penyakit.
Model kedua, "Kontrol Optimal Dinamika Penularan Cacar Monyet dengan Pertimbangan Mobilitas Manusia," menggabungkan mobilitas manusia ke dalam kerangka deterministik untuk memodelkan dan mengendalikan penyebaran Mpox. Keseimbangan bebas penyakit dianalisis, dan R0 dihitung. Model ini juga merumuskan masalah kontrol optimal, mengidentifikasi strategi efektif untuk mengendalikan Mpox melalui manajemen mobilitas, perawatan, dan pengendalian hewan. Estimasi parameter dan penyesuaian model memastikan keselarasan dengan data dunia nyata, sementara analisis sensitivitas global menggunakan Koefisien Korelasi Peringkat Parsial (PRCC) dan pengambilan sampel hypercube mengidentifikasi parameter kritis yang mempengaruhi R0. Simulasi numerik dari tujuh skenario kontrol menggambarkan potensi dampaknya terhadap dinamika penyakit.
Dengan mengintegrasikan model-model ini, tesis ini menyediakan kerangka kerja komprehensif untuk memahami dan mengendalikan penularan Mpox. Penelitian ini menyoroti pentingnya permukaan yang terkontaminasi dan mobilitas manusia, menawarkan wawasan praktis dan strategi yang kuat untuk intervensi kesehatan masyarakat guna mengurangi dampak Mpox dan penyakit menular serupa.
The second model, ”Optimal Control of Monkeypox Transmission Dynamics with Human Mobility Considerations,” incorporates human mobility into the deterministic framework to model and control Mpox spread. The disease-free equilibrium is analyzed, and R0 is computed. This model also formulates an optimal control problem, identifying effective strategies for controlling Mpox through mobility management, treatment, and animal control. Parameter estimation and model fitting ensure alignment with real-world data, while global sensitivity analysis using Partial Rank Correlation Coefficient (PRCC) and hypercube sampling identifies critical parameters influencing R0. Numerical simulations of seven control scenarios illustrate their potential impact on disease dynamics.
By integrating these models, the thesis provides a comprehensive framework for understanding and controlling Mpox transmission. The research highlights the significance of both contaminated surfaces and human mobility, offering practical insights and robust strategies for public health interventions to mitigate the impact of Mpox and similar infectious diseases."
Cacar monyet muncul pada 2022 sebagai penyakit yang ditakutkan berpotensi sebagai pandemi selanjutnya. Cacar monyet adalah penyakit infeksi virus dari hewan (zoonosis) dan termasuk keluarga virus yang sama dengan cacar (smallpox, variola). Walaupun penyakit cacar monyet tidak lebih berbahaya dari COVID-19, diperlukan langkah pencegahan untuk mengurangi risiko penularan. Pendekatan machine learning dapat dilakukan dengan pengusulan penggunaan tiga arsitektur CNN, yaitu EfficientNetV2B1, MobileNetV3, dan NASNetMobile untuk mengklasifikasi cacar monyet dari citra lesi kulit. Ketiga model dilakukan transfer learning menggunakan pre-trained weights ImageNet bertotal 29 skenario dengan pemisahan data train dan test, dan melakukan augmentasi yang berbeda untuk menguji performa model. Skenario difokuskan pada peningkatan recall untuk mengurangi tingkat false negative pada prediksi cacar monyet. Penelitian ini juga membangun dataset yang terdiri dari empat kelas, yaitu cacar monyet, cacar air, campak, dan sehat dengan jumlah 40 hingga 100 foto per kelas. Citra dataset bersumber dari Kaggle dan web Kesehatan dan divalidasi kembali menggunakan Google Reverse Image. Dari eksperimen 29 skenario, didapatkan skenario dengan model yang optimal adalah MobileNetV3 versi minimalistic dengan recall 93,2%, dengan ukuran 7,6 MB, selisih recall dan validation recall 0,0035 dengan pemisahan data train dan test sebesar 70:30 dengan optimizer Adam 0,0001. Model dikonversi ke dalam format TensorFlow Lite dan disematkan ke dalam aplikasi Android yang dirancang menggunakan bahasa pemrograman Kotlin dan library UCrop untuk cropping citra yang diambil pengguna agar terfokus pada lesi kulit. Model membutuhkan rata-rata waktu inferensi 40 milidetik pada aplikasi Android.